,,,
(南昌航空大學(xué) 信息工程學(xué)院,南昌 330063)
近幾年,隨著生態(tài)問題的日益突出,不可再生能源的過度使用,對(duì)環(huán)境造成了不小的影響,比如近幾年我國(guó)霧霾尤其嚴(yán)重,這就凸顯出清潔可再生能源的重要性了。近年來,光伏產(chǎn)業(yè)作為可再生能源工業(yè)的代表,一直在我們生活的各個(gè)領(lǐng)域得到快速發(fā)展和應(yīng)用。但光伏組件的故障直接影響光伏電池輸出功率,所以準(zhǔn)確檢測(cè)光伏組件故障是十分有必要的。
不同型號(hào)的光伏組件是由不同特定數(shù)量且型號(hào)相同的光伏電池單體串聯(lián)而成,為了防止光伏電池單體出現(xiàn)故障而成為負(fù)載,通常需要將光伏組件分組并在每組并聯(lián)一個(gè)旁路二極管,以達(dá)到保護(hù)電路和降低功率損失。目前對(duì)光伏組件進(jìn)行故障診斷的大部分都是通過提取光伏組件外部特性,建立光伏組件故障診斷模型進(jìn)行故障診斷。文獻(xiàn)[1]采用S、T、Imp和Ump作為光伏陣列故障特征,對(duì)光伏組件進(jìn)行短路和老化的故障診斷;文獻(xiàn)[2-3]通過光伏組件故障時(shí)組件溫度升高的特性,采用紅外圖形特性進(jìn)行光伏組件故障類型診斷。這些故障診斷方法都是通過外部特性,對(duì)光伏組件進(jìn)行故障診斷的;本文采用光伏組件內(nèi)部參數(shù)作為故障特征值,根據(jù)不同故障下內(nèi)部參數(shù)變化規(guī)律對(duì)故障那光伏組件進(jìn)行故障診斷。利用改進(jìn)量子粒子群算法對(duì)各狀況下光伏組件內(nèi)部參數(shù)進(jìn)行準(zhǔn)確辨識(shí),將辨識(shí)數(shù)據(jù)記錄并建立故障診斷模型,從而準(zhǔn)確診斷光伏組件故障類型。
光伏電池是利用光生伏特效應(yīng)把太陽(yáng)能轉(zhuǎn)變?yōu)殡娔艿难b置,其單二極管模型如圖1所示[ 4- 5]。
圖1 光伏組件內(nèi)部參數(shù)等效模型
由圖1得出光伏組件內(nèi)部參數(shù)等效電流和電壓表達(dá)式:
(1)
式中,U為負(fù)載兩端電壓,I為通過負(fù)載的電流,Iph為光生電流,Io為二極管反向飽和電流,A為二極管影響因子,Rs為電池串聯(lián)電阻,Rsh為電池并聯(lián)電阻,T為電池的絕對(duì)溫度,K為波爾茲曼常數(shù)(1.38e-23J/K),q為電荷常數(shù)(1.6e-19C)。
其中 Iph,Io,A,Rs,Rsh 為待辨識(shí)參數(shù)。光伏組件外部輸出電壓 V 以及組件外部回路中輸出電流 I 可以通過仿真或?qū)嶒?yàn)測(cè)得。適應(yīng)值是將識(shí)別到模型中的5個(gè)參數(shù)和輸出電壓計(jì)算而得到的電流值和實(shí)際電流值的均方根誤差?;谝陨峡紤],首先應(yīng)將(1)關(guān)系式轉(zhuǎn)換為電流的顯示表達(dá)式,以便進(jìn)行適應(yīng)度值計(jì)算。
基于上述光伏組件的理論模型特點(diǎn),將改進(jìn)量子粒子群算法引入其中,從而準(zhǔn)確提取該模型中的未知五參數(shù)的值 。文獻(xiàn)[6]引用 Lambert W函數(shù)簡(jiǎn)化光伏電池電流 I 的顯式表達(dá)式:
(2)
其中:
(3)
其中:X=(Iph,Io,A,Rs,Rsh),為每個(gè)粒子的位置向量代表5個(gè)電池模型的參數(shù)值。Ical和Imea分別為算法辨識(shí)的參數(shù)帶入公式(2)中所得到的辨識(shí)電流值和實(shí)際的電流值。適應(yīng)度值越小表示辨識(shí)參數(shù)越準(zhǔn)確。
設(shè)某一光伏組件由36個(gè)光伏電池串聯(lián)而成,其中每12個(gè)光伏電池并聯(lián)一個(gè)旁路二極管,如圖2所示[7],圖中I為光伏組件中流過的電流。
圖2 光伏組件一般結(jié)構(gòu)示意圖
光伏組件常見的故障類型主要有短路、開路和老化,下面對(duì)上述3種故障類型的故障特性進(jìn)行分析。
1.3.1 短路故障分析
如圖2所示,光伏組件發(fā)生短路故障時(shí),故障所在組對(duì)應(yīng)的旁路二極管不導(dǎo)通,等效光伏組件的內(nèi)部參數(shù)與短路電池個(gè)數(shù)滿足如下關(guān)系:
Ys=(36-x)Y
(4)
式中,Ys為光伏組件短路時(shí)對(duì)應(yīng)的內(nèi)部參數(shù)值;Y為正常狀況下的光伏電池單元內(nèi)部參數(shù)值;x為光伏電池短路個(gè)數(shù);Y分別代表A,Rs,Rsh。圖3為光伏電池短路個(gè)數(shù)不同條件下的輸出特性曲線。
圖3 短路故障輸出特性
1.3.2 開路故障分析
如圖2所示,光伏組件發(fā)生開路故障時(shí),其對(duì)應(yīng)的旁路二極管導(dǎo)通,等效光伏組件的內(nèi)部參數(shù)與對(duì)應(yīng)導(dǎo)通二極管滿足如下關(guān)系:
Yk=(36-12n)Y
(5)
式中,Yk為光伏組件開路是對(duì)應(yīng)的內(nèi)部參數(shù)值;Y為正常狀況下的光伏電池單元內(nèi)部參數(shù)值;n為二極管導(dǎo)通個(gè)數(shù);Y分別代表A,Rs,Rsh。圖4為光伏組件開路狀況下導(dǎo)通不同二極管個(gè)數(shù)的輸出特性曲線。
圖4 路故障輸出特性
1.3.3 老化故障分析
光伏組件發(fā)生老化時(shí),旁路二極管不導(dǎo)通,組件發(fā)生老化時(shí)對(duì)應(yīng)的串聯(lián)電阻會(huì)增加,光伏組件串聯(lián)電阻存在如下關(guān)系:
Rs=36Rsc+R1+R2+…+Ri
(6)
式中:Rs為光伏組件串聯(lián)電阻;Rsc為光伏電池單體的串聯(lián)電阻;Ri為老化組件對(duì)應(yīng)增加的串聯(lián)電阻。圖5為不同串聯(lián)電阻對(duì)應(yīng)的輸出特性曲線。
圖5 老化故障輸出特性
此外,Iph和Io隨外界變化的計(jì)算公式[]為:
(7)
(8)
式中,Isc為短路電流,S為光照強(qiáng)度,CT為溫度系數(shù),T為絕對(duì)溫度,Tref為標(biāo)況下的絕對(duì)溫度,Io-STC為標(biāo)況下的反向飽和電流,Eg能帶系能量。
綜上所述,通過參數(shù)辨識(shí)出的參數(shù)值作為故障特征可以準(zhǔn)確區(qū)分出各故障類型。
由于在QPSO算法中的種群初始化是采用隨機(jī)分布的,所以種群初始化存在一定的局限性,無法遍歷整個(gè)區(qū)域。從而提出對(duì)其種群進(jìn)行混沌初始化,以提高粒子初始化遍歷范圍,同時(shí)在尋優(yōu)過程中對(duì)局部最優(yōu)解進(jìn)行混沌化處理,以防止陷入局部最優(yōu)解。混沌學(xué)由E.N.洛倫茲提出,由于混沌狀態(tài)與一般的無規(guī)則狀態(tài)不同,其主要特征有規(guī)律性,隨機(jī)性和遍歷性,所以混沌理論已經(jīng)成為一個(gè)新的和潛在的優(yōu)化工具。由于混沌序列具有上述優(yōu)點(diǎn),因此利用混沌序列用于初始化粒子,可以提高粒子初始化的遍歷性,從而為尋優(yōu)精度和收斂速度奠定基礎(chǔ)。Logistic混沌方程[8]如公式(10)所示:
Zi+1=μZi(1-Zi),i=0,1,2,…,μ∈[0,4]
(10)
式中,0≤Z0≤1,Zi為第i個(gè)變化量。μ為控制系數(shù)。
綜上,改進(jìn)QPSO算法步驟如下:
1)初始化算法的相關(guān)參數(shù),如種群的大小、變量的個(gè)數(shù)、慣性因子、迭代次數(shù)、速度和位置的范圍限定等。
2)采用式(10)對(duì)種群進(jìn)行混沌初始化,增加初始種群整體的遍歷性。
3)通過適應(yīng)度函數(shù)計(jì)算每個(gè)粒子的當(dāng)前適應(yīng)度值,并與對(duì)應(yīng)于個(gè)體歷史最優(yōu)解的值進(jìn)行比較。如果當(dāng)前適應(yīng)度值優(yōu)于對(duì)應(yīng)個(gè)體歷史最優(yōu)解對(duì)應(yīng)的適應(yīng)度值時(shí),就把當(dāng)前解替換成為個(gè)體最優(yōu)解pBesti,否則就不替換。
4)將所有粒子最優(yōu)的適應(yīng)值進(jìn)行比較從而確定當(dāng)前種群的最優(yōu)解gBest。
5)更新每個(gè)粒子的位置,計(jì)算每個(gè)粒子的適應(yīng)值,保留群體中最優(yōu)適應(yīng)度值對(duì)應(yīng)的粒子位置。
6)對(duì)群體中的最佳粒子再執(zhí)行一次混沌優(yōu)化算法,并更新其pBest和群體gBest。
7)根據(jù)算法中設(shè)置的精度要求和最大迭代次數(shù)確定當(dāng)前迭代是否滿足要求,如果沒有達(dá)到,就返回3)繼續(xù)迭代;相反則停止迭代,輸出全局最優(yōu)解是
X=(Iph,Io,A,Rs,Rsh)。
BP網(wǎng)絡(luò)是一種按誤差反向傳播的多層前饋網(wǎng)絡(luò)。其學(xué)習(xí)規(guī)則是使用最速下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP網(wǎng)絡(luò)的優(yōu)點(diǎn)是只要有足夠的隱含層和隱節(jié)點(diǎn),BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系,屬于全局逼近算法并具有較好的泛化能力[9]。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括輸入層、隱含層和輸出層3個(gè)部分。基于 BP 神經(jīng)網(wǎng)絡(luò)光伏組件故障診斷模型的對(duì)應(yīng)關(guān)系如圖6所示
通過分析可知,本文光伏組件故障診斷模型的輸入層為參數(shù)辨識(shí)算法辨識(shí)出的內(nèi)部5參數(shù),對(duì)應(yīng)輸出4個(gè)診斷結(jié)果,故障類型輸出定義表如表1所示。具體參數(shù)訓(xùn)練方法參見文獻(xiàn)[10]。
表1 故障類型輸出層定義表
根據(jù)光伏組件五參數(shù)特性,在MATLAB/Simulink中建立光伏組件仿真模型[11],得出相應(yīng)的參數(shù)辨識(shí)數(shù)據(jù)。模型中光伏組件標(biāo)況下(T=25 C°S=1 000 W/m2)的電氣參數(shù)為Im=2.788 8,Vm=18.85,Voc=23.40,Isc=3;為了驗(yàn)證上述參數(shù)辨識(shí)方法的精確性和快速性,對(duì)仿真模型在標(biāo)況下的一組數(shù)據(jù)采用PSO,QPSO和CQPSO三種方法分別進(jìn)行辨識(shí)并做對(duì)比試驗(yàn),試驗(yàn)都迭代100次,由于適應(yīng)度函數(shù)值大小直接可以反映出參數(shù)辨識(shí)的精度,圖7為不同方法迭代后的適應(yīng)度值變化圖,表2為不同算法辨識(shí)出的光伏組件參數(shù)值,結(jié)合表2和圖7的相關(guān)數(shù)據(jù)和圖像顯示可得出,CQPSO算法適應(yīng)度值為0.052 86,相比于PSO的0.589 42收斂精度要高許多,且迭代次數(shù)只需要15次便收斂了,所以改進(jìn)量子粒子群算法既避免的陷入局部最優(yōu)提高了收斂精度又加快了收斂的速度,說明此算法可以準(zhǔn)確地對(duì)光伏組件內(nèi)部參數(shù)進(jìn)行辨識(shí)且優(yōu)化了其他算法易陷入局部最優(yōu)和迭代次數(shù)過多的問題。
圖7 不同算法尋優(yōu)適應(yīng)度值結(jié)果對(duì)比圖
參數(shù)PSOQPSOCQPSOIph2.9722.9892.998Io9.86e-68.134e-71.285e-8A46.89247.23847.682Rs0.35460.38610.3942Rsh1126.45982.46993.57最優(yōu)迭代次數(shù)83615最優(yōu)適應(yīng)度值0.589420.185630.05286
在MATLAB/Simulink中建立個(gè)故障類型的等效模型,通過參數(shù)辨識(shí)算法對(duì)不同工況下的不同故障類型辨識(shí)內(nèi)部參數(shù)并記錄,用作BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。本文共記錄溫度范圍在20~50 C°,光照強(qiáng)度范圍在200~1 000 W/m2的400組數(shù)據(jù),其中300組作為訓(xùn)練樣本,剩余100組作為測(cè)試樣本。由于所選故障特征值變量具有不同的數(shù)量單位,直接進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練會(huì)使網(wǎng)絡(luò)的性能和收斂性變差,因此在進(jìn)行訓(xùn)練之前須對(duì)各數(shù)據(jù)值進(jìn)行歸一化處理,有利于 BP 算法在運(yùn)行后期加快收斂。本文BP神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)為5,輸出節(jié)點(diǎn)數(shù)為4,經(jīng)過多次試驗(yàn)當(dāng)隱含層節(jié)點(diǎn)為8時(shí),模型最為穩(wěn)定,網(wǎng)絡(luò)訓(xùn)練次數(shù)為200次,學(xué)習(xí)效率設(shè)為0.1。完成網(wǎng)絡(luò)訓(xùn)練后,利用測(cè)試數(shù)據(jù)對(duì)故障模型進(jìn)行測(cè)試。如表3為對(duì)應(yīng)不同故障下的部分測(cè)試數(shù)據(jù),表4為對(duì)應(yīng)的診斷結(jié)果。
表3 光伏組件故障診斷模型的測(cè)試樣本
表4 BP神經(jīng)網(wǎng)絡(luò)算法的診斷結(jié)果
對(duì)比表3和表4的仿真結(jié)果可知,診斷結(jié)果與測(cè)試樣本的故障類型一致,說明BP神經(jīng)網(wǎng)絡(luò)可以對(duì)不同的光伏組件故障進(jìn)行準(zhǔn)確分類,同時(shí)也證明了本文對(duì)光伏組件故障特征的提取是正確且可行的。
本文建立了一種基于光伏組件內(nèi)部參數(shù)辨識(shí)的故障診斷模型,首先通過改進(jìn)量子粒子群算法,準(zhǔn)確辨識(shí)出各故障類型下的光伏組件內(nèi)部參數(shù)(Iph,Io,A,Rs,Rsh),再通過分析各故障類型下內(nèi)部參數(shù)變化規(guī)律,提取相應(yīng)的故障特征,通過仿真建立光伏組件故障診斷模型,對(duì)不同故障類型進(jìn)行分類和診斷。通過仿真結(jié)果可以看出,本文采取的參數(shù)辨識(shí)算法能夠準(zhǔn)確的辨識(shí)出光伏組件內(nèi)部參數(shù);并通過比較正常、短路、開路、老化的內(nèi)部參數(shù)特性,建立的故障診斷模型可以很好的區(qū)分不同的故障類型,說明此方法的有效性和可行性。但由于組件短路與開路故障特性有些相似,只是數(shù)量上有些不同,所以當(dāng)出現(xiàn)大范圍短路時(shí),通過內(nèi)部參數(shù)建立的故障模型還是不容易區(qū)分短路還是開路故障,所以下一步將進(jìn)一步研究是否可以通過加入適量外部特性,從而可以進(jìn)一步準(zhǔn)確診斷光伏組件故障特性。
[1] 王元章,吳春華,周笛青,等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J].電力系統(tǒng)保護(hù)與控制,2013,41(16):108-114.
[2] 王培珍,鄭詩(shī)程.基于紅外圖像的太陽(yáng)能光伏陣列故障分析[J].太陽(yáng)能學(xué)報(bào),2010,31(2):197-201.
[3] Nian Bei,F(xiàn)u Zhizhong.Automatic detection of defects in solar modules : image processing in detecting[A]. International Conference on Wireless Communications Networking and Mobile Computing[C].Chengdu,China:IEEE,2010:1-4.
[4] Green M A. Photovoltaic principles [J]. Physica E:Low-dimensional Systems and Nanostructures,2002,14 (1):11-17.
[5] Saravanan C,Panneerselvam M A. A comprehensive anal ysis for extracting single diode PV model parameters by hybrid GA -PSO algorithm [J]. International Journal of Computer Applications,2013,78(8):16-19.
[6] 程 澤,董夢(mèng)男,楊添剴,等.基于自適應(yīng)混沌粒子群算法的光伏電池模型參數(shù)辨識(shí)[J].電工技術(shù)學(xué)報(bào),2014,29(9):245-252.
[7] 王元章,李智華,吳春華,等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件在線故障診斷[J].電網(wǎng)技術(shù),2013,37(8):2094-2100.
[8] 王振樹,卞紹潤(rùn),劉曉宇,等.基于混沌與量子粒子群算法相結(jié)合的負(fù)荷模型參數(shù)辨識(shí)研究[J].電工技術(shù)學(xué)報(bào),2014, 39(4): 1504-1514.
[9]龍 泉,劉永前,楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J].太陽(yáng)能學(xué)報(bào),2012,33(1):120-125.
[10] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006.
[11] 趙 樂,張彥曉.基于 Simulink 光伏電池建模及其輸出特性仿真研究[J].現(xiàn)代電子技術(shù),2014,33(11):125-128.