今日頭條
官方微信
官方抖音
案例頻道★曹晟磊，王尊（中電華創（蘇州）電力技術研究有限公司，江蘇蘇州215123）
★楊建衛（中電華創電力技術研究有限公司，上海200086）
★李強（甘肅中電瓜州風力發電有限公司，甘肅酒泉735000）
摘要：光伏陣列處于惡劣的室外環境，容易發生諸如異常老化、短路和陰影遮蔽等故障。為了解決這個問題，本文提出了一種基于BP神經網絡的光伏陣列故障診斷模型。通過光伏陣列的建模研究了不同故障下光伏陣列四個特征參數的變化規律，并將結果與基于L-M算法的BP神經網絡相結合，最終得到用于光伏陣列故障診斷的模型。結果表明，該模型能夠識別光伏陣列異常老化、短路和陰影遮蔽三種故障，為光伏電站故障診斷提供了參考。
關鍵詞：光伏陣列；BP神經網絡；故障診斷
1 背景及意義
隨著全球變暖和能源短缺問題的日益嚴重，開發太陽能、風能、水能等清潔能源替代傳統的化石能源逐漸引起人們的重視。隨著技術的革新，光伏組件的安裝、使用和光伏發電的成本日趨降低，各地的光伏電站如雨后春筍一般出現，光伏發電的應用范圍和應用規模也在迅速擴大[1]。
然而，由于光伏電站大多建在山坡、荒漠和灰場等環境惡劣的地區，各種外界因素會造成發電系統設備損壞，進而導致整個電站的發電量降低[2]，有些故障還會產生更嚴重的后果，比如陰影遮蔽，久而久之會形成熱斑，嚴重時會導致光伏組件起火，造成巨大的經濟損失。因此，必須采取一種有效的方法及時發現故障，這對提高光伏電站發電量，保障光伏電站安全穩定運行具有重要意義。
目前光伏陣列的故障診斷方法主要有紅外檢測法、時域反射法、對地電容測量法、I-V測量法、基于BP神經網絡和故障樹的智能故障診斷法和基于信號處理的故障診斷法等[3]。其中BP神經網絡故障診斷法由于具有自我學習和診斷精度高的特點，在光伏陣列故障診斷領域有著廣泛的應用。本文采用Matlab對光伏陣列進行模擬建模，并通過該模型得到光伏陣列故障的數據，以用于構建BP神經網絡，最終實現故障診斷的功能。
2 光伏陣列建模
由于BP神經網絡的建立需要采用大量光伏陣列在正常運行和故障狀態的數據進行訓練，這在實際操作過程中存在成本高和效率低的問題。因此本文采用Matlab根據光伏組件的等效模型進行仿真模擬，來獲得用于BP神經網絡訓練的數據。
2.1 光伏組件等效模型
研究光伏組件的等效模型首先要從組成光伏組件的最小單元——單體光伏電池入手。單體光伏電池負載RL電流和其兩端電壓的關系，如式（1）所示[4]。
其中，I代表負載電流，V代表負載電壓，Iph代表光生電流，I0代表二極管反向飽和電流，n為二極管特性因子，k代表光學玻爾茲曼常數（1.6×10-19）。T代表單體光伏電池溫度，單位為K；Rs為單體光伏電池的等效串聯電阻，單位為Ω；Rsh為單體光伏電池的并聯電阻，單位為Ω。
由于單體光伏電池的并聯電阻遠遠大于串聯電阻，因此通過并聯電阻的漏電流
遠小于光生電流Iph，故可以忽略不計，因此式（1）可以簡化為式（2）[5]。
進而可以得出由多個單體電池片組合構成的光伏組件的數學模型，如式（3）所示。
式中Imodel為光伏組件輸出電流，單位為A；Vmodel為光伏組件輸出電壓，單位為V；N為光伏組件中的單體光伏電池數目。
2.2 光生電流Iph
光生電流可采用如式（4）所示進行估算。
其中，Iph_T1為當前輻照度，25℃條件下的光伏組件光生電流，單位為A；Isc_T1為標準條件下光伏電池的光伏組件短路電流，單位為A；Isc_T2為1000W/m2，75℃條件下光伏組件的短路電流。
2.3 反向飽和電流I0
反向飽和電流采用式（5）進行估算[6]。
其中，I0_T1表示當溫度為25℃時反向飽和電流；T1為光伏組件表面溫度，單位為K；Vg表示帶隙電壓，由材料性質決定。
2.4 串聯電阻Rs的估算
對電流方程兩邊求導，得到串聯電阻Rs的表達式[7]，如式（6）所示。
2.5 光伏組件仿真模型的求解
聯立方程（3）至（6）采用牛頓迭代法進行求解建立光伏組件仿真模型[8]。首先構造如式（7）所示的函數。
其中Vk為第k次牛頓迭代的初始電壓值；Ik為第k次牛頓迭代的初始電流值。
之后求解
的近似根，求解方程如式（8）所示。
其中，Ik+1為第k+1次迭代后的電流值。
式（7）和式（8）通過多次迭代最終得到光伏組件輸出電壓和電流的關系，該過程通過Matlab建模實現，最終得到光伏組件輸出方陣模型。
3 光伏陣列故障模擬
光伏陣列由于其所處的自然環境惡劣，其自身容易發生各種故障，其中比較常見的三種故障為光伏陣列異常老化、光伏陣列短路和光伏陣列陰影遮蔽故障。
3.1 光伏陣列異常老化故障
光伏陣列異常老化故障主要體現在光伏組件串聯電阻增加。為了模擬光伏組件老化故障，本文構建了一個由3個光伏組件組成的光伏組串，通過調整其中一塊組件的串聯電阻的大小，達到模擬光伏陣列異常老化故障的情況。模擬后得到的光伏陣列I-V圖如圖1所示。根據模擬的結果可以看出，當光伏組件發生異常老化故障時，陣列開路電壓和短路電流變化不大，最大功率以及最大功率點電壓和電流隨著串聯電阻的增加而減少。
圖1 異常老化故障光伏陣列I-V圖
3.2 光伏陣列短路故障
光伏組件發生短路故障等效于故障組件輸出功率為0，故本文用輻照度為0來模擬光伏組件短路故障。仍然采用三個光伏組件組成的光伏陣列，分別設置第二塊組件輻照度為0、第二塊和第三塊輻照度為0來模擬陣列中光伏陣列短路故障。模擬得到的光伏陣列I-V圖如圖2所示。根據模擬的結果可以看出當光伏陣列發生短路故障時，光伏陣列的輸出電流變化不大，而輸出電壓隨著短路組件的增多而減少。
圖2 短路故障光伏陣列I-V圖
3.3 光伏陣列陰影遮蔽故障
本文采用三個組件組成的光伏陣列來模擬光伏陣列發生陰影遮蔽時的情形，分為三種情況。第一種情況，沒有組件發生遮擋，陣列正常工作；第二種情況，設置第二塊組件輻照度為600W/m2，溫度20℃，模擬一塊組件被遮擋的情形；第三種情況，設置第二塊組件輻照度為600W/m2，溫度為20℃，第三塊組件輻照度為400W/m2，溫度為15℃，模擬兩塊組件發生遮擋的情形。最終得出的陣列I-V圖如圖3所示。根據模擬的結果可以看出，當發生陰影遮蔽故障時，最顯著的特征是I-V曲線出現了多階梯。
圖3 陰影遮蔽故障光伏陣列I-V圖
4 基于BP神經網絡的光伏陣列故障診斷
4.1 BP神經網絡簡介
光伏陣列故障診斷屬于一種非線性問題，而BP神經網絡算法作為一種機器學習算法，非常適合用來處理非線性問題。簡單來說，BP神經網絡算法是使用類似人類神經元的學習方式，在每一個神經元中進行信息處理、存儲和反饋。這種算法最早由Rumelhart和McClelland于1986年提出，其主要思路為利用輸出后的誤差來估計輸出層的直接前導層的誤差，再利用這個誤差估計更前一層的誤差，如此逐漸調整所有各層的誤差[9]。
4.2 故障診斷模型建立
根據上述光伏陣列的模擬可以看出，當光伏陣列發生異常老化、短路和陰影遮蔽故障時，光伏陣列的最大功率點電壓（Umpp）、最大功率點電流（Impp）、開路電壓（Uoc）和短路電流（Isc）會發生相應的變化，因此本文選取以上四個參數作為模型的輸入變量。相對應的輸出變量如表1所示。
表1 BP神經網絡輸出層定義
根據以上內容，本文建立三層神經網絡，整個網絡包括：輸入層、隱含層和輸出層。其中輸入層有四個變量，分別為光伏陣列的最大功率點（Umpp）、最大功率點電流（Impp）、開路電壓（Uoc）和短路電流（Isc），用來表征陣列發生的故障狀態。輸出層為表2所示的三個參量，通過不同的組合形式來表示不同的故障類型。
4.3 隱含層節點數
隱含層作為BP神經網絡的重要組成部分，其節點個數是決定整個BP神經網絡性能的重要參數[10]。若節點數選取過少，會導致整個BP神經網絡的連接權組合數較少，使得整個BP神經網絡無法準確的預測故障；若節點數選取過多，又會產生擬合過度、訓練時間過長等問題。因此必須選擇合適隱含層節點數來保證整個BP神經網絡的性能。
BP神經網絡隱含層節點數的確定主要有以下兩種方法：
（1）
，式中z為隱含層節點數，n為輸入層節點個數，m為輸出層節點個數，a為0-10之間的常數。
（2）
，式中z為隱含層節點數，n為輸入層節點數。
由于本文建立的BP神經網絡的輸入層節點數為4，輸出層節點數為3，經過多次測試本文選取隱含層節點數為10個。
4.4 輸入數據歸一化
使用BP神經網絡進行故障診斷必須對輸入的數據進行歸一化處理，其原因主要在于以下兩點[11]。
（1）由于采集的數據為不同類型的信號，不同類型數據范圍偏差可能較大，如果不進行歸一化處理，會產生BP神經網絡收斂速度慢和訓練時間長的問題。
（2）本文中，BP神經網絡使用的診斷函數為S函數，而根據S函數的特點，S函數的值域為（0,1），且整個函數在（-1,1）之間變化較大，在之外的區域較平緩。因此，用于神經網絡的訓練數據和測試數據必須進行歸一化處理。
對數據進行歸一化處理可以采用如（9）所示的公式。
式中：xmin和xmax為待處理數據的最大值和最小值，ymin和ymax為待進行變換的數據范圍的上下限。
4.5 訓練算法
BP神經網絡能否準確的預測光伏陣列故障類型，其主要在于對已經建立好的BP神經網絡進行訓練。BP神經網絡的訓練方法有很多種，如梯度下降法、自適應lr梯度下降法、共軛梯度法、擬牛頓算法、一步正割算法和Levenberg-Marquardt算法（以下簡稱L-M算法）。由于L-M算法具有減少陷入局域極值幾率、穩定性強和收斂速度快等優點[12]，是快速求解優化目標函數的常用方法，廣泛用于優化BP神經網絡的權值和閾值。
L-M算法主要可表示為式（10）[13]。
變換可得權值調整率如（11）所示。
式中J為誤差對權值微分的雅可比矩陣；μ為一大于零的常數，其數值越大表示算法越接近最速下降法，其數值越小表示算法越接近高斯-牛頓算法；v為誤差向量。
4.6 仿真模擬
使用第三章中建立的光伏陣列模型，修改不同的參數，采集了光照強度在300W/m2~1000W/m2，溫度在15℃~50℃范圍內的光伏陣列的最大功率點電壓Umpp、最大功率點電流Impp、開路電壓Uoc和短路電流Isc，生成500組數據，其中450組用做BP神經網絡的訓練數據，50組用做測試數據。經過多次測試，預測準確率可達90%以上，表明該BP神經網絡具備一定的光伏陣列故障識別能力。表2所示的為測試過程中的一組數據。
表2 BP神經網絡故障診斷結果
5 總結
光伏陣列作為光伏電站最重要的設備，其運行良好程度直接影響整個電站的運行狀態。由于光伏陣列處于室外較為惡劣的環境，難免會發生諸如異常老化、短路和陰影遮蔽等故障。這些故障輕則會造成發電量下降，重則會引發諸如火災等事故，嚴重影響光伏電站安全、高效運行。而光伏電站占地面積大，設備數量多且分散的特點無形中增加了故障診斷的難度。本文提出了一種基于BP神經網絡的光伏陣列故障診斷的方法，依托智能匯流箱和組串式逆變器這些設備所采集的光伏陣列運行參數，可以對常見的異常老化、短路和陰影遮蔽故障進行識別，為光伏電站在線故障診斷提供了參考。由于光伏陣列故障類型具有多樣性和多重性的特點，提出的故障診斷模型仍需進一步研究和完善。
作者簡介：
曹晟磊（1992-），男，江蘇連云港人，中級工程師，碩士，就職于中電華創電力技術研究有限公司，研究方向是新能源光伏發電。
參考文獻：
[1] 閆天一. 太陽能電站光伏組件故障監測系統的研發[D]. 江蘇大學, 2019.
[2] 王元章, 李智華, 吳春華. 光伏系統故障診斷方法綜述[J]. 電源技術, 2013, 37 (09) : 1700 - 1705.
[3] 鐘小鳳, 賀德強. 光伏發電系統故障診斷方法綜述[J]. 裝備制造技術, 2013 (11) : 46 - 49.
[4] 王元章, 李智華, 吳春華. 一種四參數的光伏組件在線故障診斷方法[J]. 中國電機工程學報, 2014, 34 (13) : 2078 - 2087.
[5] Mishina T, Kawamura H, Yamanaka S, et al. A study of the automatic analysis for the I-V curves of a photovoltaic subarray[A]. Photovoltaic Specialists Conference, 2002. Conference Record of the Twenty-Ninth IEEE[C]. 2002 : 1630 - 1633.
[6] Gow J A, Manning C D. Development of a photovoltaic array model for use in power-electronics simulation studies[J]. IEE Proceedings - Electric Power Applications, 1999, 146 (2) : 193 - 200.
[7] Xuan H N. Matlab/Simulink Based Modeling to Study Effect of Partial Shadow on Solar Photovoltaic Array[J]. Environmental Systems Research, 2015, 4 (1) : 20.
[8] 宗憲爽. 一種新的光伏陣列故障診斷方法[D]. 吉林: 東北電力大學, 2018.
[9] 王元章, 李智華, 吳春華, 周笛青, 付立. 基于BP神經網絡的光伏組件在線故障診斷[J]. 電網技術, 2013, 37 (08) : 2094 - 2100.
[10] 胡超. 基于BP人工神經網絡的區域森林火災預測研究[D]. 杭州: 浙江海洋學院, 2015.
[11] 楊店飛, 郭宇杰, 沈桂鵬. 基于BP神經網絡的光伏組件故障類型診斷[J]. 陜西電力, 2016, 44 (02) : 15 - 21.
[12] 王炳萱. LM優化算法和神經網絡預測控制在非線性系統中的研究[D]. 太原理工大學, 2016 : 17 - 20.
[13] 李世科. 基于LM-BP神經網絡的液壓支架頂梁疲勞壽命預測及應用[J]. 中國礦業, 2019, 28 (05) : 92 - 96.
摘自《自動化博覽》2022年11月刊
北京市公安局海淀分局備案號：11010802023656號