基于光伏組件內(nèi)部參數(shù)辨識(shí)的故障診斷模型

，，，

(南昌航空大學(xué) 信息工程學(xué)院,南昌 330063)

0 引言

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。

1 光伏組件數(shù)學(xué)模型與故障輸出特性分析

1.1 光伏電池理論模型的提出

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。

1.2 目標(biāo)函數(shù)的建立

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。

1.3 光伏組件故障輸出特性分析

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。

2 算法介紹

2.1 改進(jìn)量子粒子群參數(shù)辨識(shí)算法

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)。

2.2 BP神經(jīng)網(wǎng)絡(luò)故障診斷算法

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

3 仿真結(jié)果與分析

3.1 光伏組件參數(shù)辨識(shí)算法驗(yàn)證

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

3.2 光伏組件故障診斷

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。

4 結(jié)論

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.