基于BP神經(jīng)網(wǎng)絡的光伏陣列故障診斷研究

王元章，吳春華，周笛青，付 立，李智華

(上海大學自動化系上海市電站自動化技術重點實驗室，上海 200072)

0 引言

近幾年來，具有環(huán)保和清潔能源特性的光伏發(fā)電得到了快速發(fā)展。為降低光伏發(fā)電系統(tǒng)的建設成本，目前采取的主要措施有：提高光伏電池的轉換效率、實施最大功率點跟蹤技術以及采用高效的功率變換器等。另外，在光伏發(fā)電運行過程中有效檢測出光伏陣列的故障，也可以進一步提高光伏發(fā)電系統(tǒng)的運行效率及降低發(fā)電成本[1]。

目前，光伏系統(tǒng)故障診斷方法有在線診斷和離線診斷兩大類。比較有代表性的在線診斷法有紅外 圖像檢測法[2-3]和多傳感器法[4]等。紅外圖像檢測法利用光伏模塊在正常和故障兩種狀態(tài)時具有明顯 溫差的特點，通過紅外攝像儀拍攝光伏模塊的紅外圖像并加以分析，就可以判斷出光伏模塊的故障類型和故障位置。多傳感器法的原理是為一個或數(shù)個光伏模塊安裝電壓和電流傳感器，分析采集到的電壓和電流數(shù)據(jù)就可以判斷光伏陣列的故障類型和故障位置。對于大規(guī)模的光伏發(fā)電系統(tǒng)而言，采用這兩種方法需要安裝數(shù)量不小的紅外攝像儀和傳感器，這會增加光伏發(fā)電系統(tǒng)的發(fā)電成本。同時由于光伏陣列通常安裝在環(huán)境惡劣的地方，對紅外攝像儀和傳感器的正常工作也會有一定的影響，這在某種程度上也會增加光伏陣列故障診斷的復雜性和影響故障診斷的精確性。

離線診斷法有對地電容測量法[5-7](Earth Capacitance Measurement,EMC)和時域反射分析法[8](Time Domain Reflectometry,TDR)等。對地電容測量法通過測量串聯(lián)光伏模塊的對地電容值就可以判斷出斷路的位置。時域反射分析法通過向串聯(lián)光伏電路注入一個脈沖，觀察和分析返回的信號形狀和延遲時間來判斷故障類型和位置。這兩種方法都需要離線和現(xiàn)場操作，難以普及和推廣；而且因為要對波形進行分析，對于測量設備的精度要求會很高；同時這兩種方法只適用于串聯(lián)光伏模塊，并不適用于串并聯(lián)模塊形成的光伏陣列。

本文建立了一種基于BP 神經(jīng)網(wǎng)絡的光伏陣列故障診斷模型。相比于前面提及的幾種故障診斷方法，所采用的方法不需要額外的設備支持和復雜的計算模型就可以判斷出光伏陣列的故障類型，可以自動實時通知維護人員相關的故障信息。根據(jù)得到的信息，維護人員就可以有針對性地對陣列中的光伏模塊進行簡單的電壓和電流測量，判斷出有故障的光伏模塊。如果需要判斷更具體的故障位置，可以使用文獻[2-7]中使用的方法。但是對于無法更換其中電池單元的光伏模塊而言，再進一步的檢測實際上沒有太大的意義。

1 故障診斷模型輸入變量的選擇

基于BP 神經(jīng)網(wǎng)絡的光伏故障診斷模型的輸入變量選擇是十分重要的，合適的輸入變量可以使故障診斷模型蘊含最豐富的信息，提高故障診斷的正確率。

圖1 不同光照強度和環(huán)境溫度下的輸出特性曲線Fig.1 Output curve under different isolation and temperature

分析圖1(a)可以發(fā)現(xiàn)：光照強度下降時，短路電流（Isc）隨之下降；分析圖1(c)可以得到：當環(huán) 境溫度上升時，開路電壓（Uoc）隨之下降。因此，短路電流和開路電壓中蘊含了光照強度和環(huán)境溫度的信息，可以將Isc和Uoc作為故障診斷模型的其中兩個輸入變量。

當光伏陣列發(fā)生故障時，除了輸出功率下降外，不同的故障類型對于陣列輸出有不同的影響，圖2是在相同光照強度和環(huán)境溫度條件下，光伏陣列在不同故障狀態(tài)時的U-I曲線。

圖2 不同故障狀態(tài)下的U-I曲線Fig.2 U-Icurves under different faults

如圖2所示，在同一測試條件(1 000 W/m2，25oC)下，光伏陣列在正常狀態(tài)和短路狀態(tài)時U-I曲線變化與圖1(c)的U-I曲線變化相類似：短路電流基本不變而開路電壓下降；光伏陣列在正常狀態(tài)和開路狀態(tài)時U-I曲線變化與圖1(a)的U-I曲線變化相類似：開路電壓基本不變而短路電流下降。分析圖1 和圖2的波形可以發(fā)現(xiàn)：針對光伏陣列U-I曲線發(fā)生的變化，不能確定是由于故障還是光照強度或溫度的變化而引起的。同時也表明僅僅通過分析U-I曲線變化對光伏陣列進行故障診斷的方法是不可行的。

從圖2 還可以得到如下信息：短路故障時，開路電壓會有明顯的下降；開路故障時，短路電流會有明顯的下降；當其中一個模塊老化現(xiàn)象特別嚴重即異常老化時，其最大功率點電壓(Umpp)和電流(Impp)值較正常情況下的輸出值會有明顯的下降；當有局部陰影現(xiàn)象發(fā)生時，其Umpp值與短路時的Umpp值幾乎相同，但是其Uoc值明顯大于短路時的Uoc值。 通過分析，在不同的故障狀態(tài)下，都有一個或數(shù)個光伏陣列輸出變量發(fā)生顯著的變化。所以，選擇光伏陣列故障診斷模型的輸入變量分別為Umpp、Impp、Isc和Uoc。

2 故障診斷模型設計

2.1 BP 神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡是目前在故障診斷領域應用的最廣泛和成功的人工神經(jīng)網(wǎng)絡之一[9]。神經(jīng)網(wǎng)絡可以處理一般算法無法處理的非線性問題。由于光伏陣列故障診斷問題本質上是非線性的，所以本文采用BP 神經(jīng)網(wǎng)絡來設計光伏陣列的故障診斷模型。

2.2 故障診斷模型

所建立的故障診斷模型結構如圖3所示，共有3 層，分別為輸入層、隱含層和輸出層。

圖3 BP 神經(jīng)網(wǎng)絡模型Fig.3 Model of BP neural network

2.2.1 輸入層

通過對光伏陣列在不同狀態(tài)下輸出的分析，確定了故障診斷模型的輸入變量為Umpp、Impp、Isc和Uoc，如表1 所列。

表1 故障診斷模型輸入變量Table 1 Input variables of fault diagnostic model

2.2.2 輸出層

光伏陣列的故障類型有很多，本文所設計的故障診斷模型可以辨別四種故障狀態(tài)，分別為短路、 開路、異常老化、局部陰影等。所以故障診斷模型的輸出層設計如表2所示。

表2 故障診斷模型輸出層定義Table 2 Output of fault diagnostic model

2.2.3 隱含層

在BP 神經(jīng)網(wǎng)絡中，隱含層節(jié)點數(shù)的確定是一個非常重要和復雜的問題。目前，沒有一種標準的方法來確定隱含層的節(jié)點數(shù)。如果選取過少，會使神經(jīng)網(wǎng)絡的性能很差或無法進行訓練，不能產(chǎn)生足夠的連接權組合數(shù)來滿足神經(jīng)網(wǎng)絡對樣本的學習；選取過多，雖然可以使神經(jīng)網(wǎng)絡的系統(tǒng)誤差變小，但同時會使網(wǎng)絡訓練時間增加，容易陷入局部極小點而達不到最優(yōu)點。對于如何確定隱含層的節(jié)點數(shù)，有幾個參考公式[10]：

2）12lognn=，其中，n1為隱含層單元數(shù)，n為輸入單元數(shù)。

本文所設計的BP 神經(jīng)網(wǎng)絡模型有4 個輸入節(jié)點和4 個輸出節(jié)點，經(jīng)過多次試驗，隱含層節(jié)點為10 個時，網(wǎng)絡的性能最好。

2.2.4 輸入數(shù)據(jù)的歸一化

陣列最大功率點輸出電壓(Umpp)、陣列最大功率點輸出電流(Impp)、陣列短路電流(Isc)和陣列開路電壓(Uoc)四個參數(shù)單位不同，數(shù)量級相差也比較大，將原始的數(shù)據(jù)直接輸入神經(jīng)網(wǎng)絡進行訓練會使得網(wǎng)絡的性能和收斂性變差，同時由于本文設計的故障診斷模型使用S函數(shù)，其輸出被限定在(-1,1)或(0,1)之間[11]。所以必須在對神經(jīng)網(wǎng)絡進行訓練之前，對輸入數(shù)據(jù)進行預處理，即進行歸一化。由于輸出層的輸出本身在(0,1)之間，不需要進行歸一化，所以，只要對輸入數(shù)據(jù)進行歸一化就可以了，其公式如下[11]

其中：In為原始輸入數(shù)據(jù)；Imax、Imin分別為原始輸入數(shù)據(jù)中的最大值和最小值；Pn為歸一化后的輸入數(shù)據(jù)。值得注意的是，在利用神經(jīng)網(wǎng)絡進行訓練和測試時對于數(shù)據(jù)的歸一化應該使用相同的最大值和最小值。

2.3 學習算法

BP 神經(jīng)網(wǎng)絡的訓練過程直接關系到光伏陣列故障診斷模型的診斷精度。傳統(tǒng)的BP 神經(jīng)網(wǎng)絡具有許多的不足，如收斂速度慢；網(wǎng)絡不收斂；易陷入局部最小值等[12]。目前，針對梯度下降法的缺點，已經(jīng)有很多學者提出了相關的改進算法，如附加動量法、彈性BP 算法、自適應學習速率算法等[12]。通過比較幾種學習算法的性能優(yōu)劣，決定采用L-M算法來改善傳統(tǒng)BP 網(wǎng)絡的不足，提高網(wǎng)絡的收斂速度，以及增加網(wǎng)絡訓練的精度。L-M 優(yōu)化方法的的權值調整率為[12]

其中：J為誤差對權值微分的雅可比矩陣；e為誤差向量；μ為一標量。

3 仿真分析

所建立的光伏陣列故障診斷模型在Matlab 軟件中實現(xiàn)[13]。整個故障診斷模型的結構如圖4所示。包括一塊由六個光伏模塊串并聯(lián)構成的的3×2 光伏陣列、采集U-I曲線的模塊和神經(jīng)網(wǎng)絡模塊。警報模塊用于通知維護人員相關的故障信息以便及時采取措施確定故障的位置。

圖4 故障診斷模型Fig.4 Fault diagnosis model

3.1 數(shù)據(jù)樣本的收集

利用在Matlab/Simulink 中建立的光伏陣列模型，采集在光照強度為(200 W/m2、1 000 W/m2)和模塊溫度為（25oC，45oC）范圍內的Uoc、Isc、Umpp和Impp值，作為訓練BP 神經(jīng)網(wǎng)絡的數(shù)據(jù)樣本。在Matlab 中編寫神經(jīng)網(wǎng)絡程序建立所需的神經(jīng)網(wǎng)絡模型。共采集得到680 組數(shù)據(jù)，將其中的600 組數(shù)據(jù)作為訓練樣本，另外80 組數(shù)據(jù)作為測試樣本。

3.2 Matlab 仿真結果

假定BP 神經(jīng)網(wǎng)絡結構不變，輸入相同的訓練樣本，最大訓練次數(shù)為20 000 次，最小誤差設定為10-3。分別使用標準BP 算法、附加動量法、彈性BP 算法和L-M 算法進行訓練。訓練結果誤差曲線如圖5所示。

分析圖5 可以發(fā)現(xiàn)，L-M 算法的效果最好，網(wǎng)絡收斂速度最快，網(wǎng)絡訓練66 次后誤差達到E-4 數(shù)量級。由此可得L-M 算法比其他算法在訓練時間、迭代次數(shù)和訓練誤差等方面都有比較出色的性能。

用基于L-M 算法的BP 神經(jīng)網(wǎng)絡對80 組光伏陣列故障數(shù)據(jù)進行診斷，正確率為97.32%。選取5 組典型的故障數(shù)據(jù)進行診斷分析，其相應的數(shù)據(jù)如表3所示。

圖5 網(wǎng)絡誤差曲線Fig.5 Error curve of network

用L-M 算法得到的診斷結果如表4所示。分析表4 中的數(shù)據(jù)，神經(jīng)網(wǎng)絡的輸出與預定義的不同故障類型下神經(jīng)網(wǎng)絡的輸出值相一致。說明將BP神經(jīng)網(wǎng)絡應用于光伏陣列故障診斷是可行的。

表3 光伏陣列故障測試樣本Table 3 Fault test samples of PV array

表4 L-M 算法的診斷結果Table 4 Diagnosis result of L-M algorithm

3.3 仿真結果分析

通過分析可知，光伏陣列開路時的短路電流和最大功率點電流明顯區(qū)別于其他故障狀態(tài)和正常情況時的電流值，同樣的，光伏陣列短路時的開路電壓和最大功率點電壓也明顯區(qū)別于其他故障狀態(tài)和正常情況時的電壓值。開路和短路故障具有的這種特性，使得這兩種故障可以很好地被神經(jīng)網(wǎng)絡訓練和分類。而局部陰影和異常老化故障由于其復雜性和易變性，在一些情況下，不能很好地被神經(jīng)網(wǎng)絡所識別。這也是導致神經(jīng)網(wǎng)絡誤判的主要原因。

3.3.1 異常老化分析

光伏模塊會隨著時間的流逝而老化，使輸出功率在一定程度上降低。本文所研究的老化故障指的是異常老化，比如模塊部分受到水汽侵蝕等，造成陣列中的模塊不匹配，輸出功率嚴重下降。通過分析可知，老化故障時對陣列輸出影響最大的是Umpp，其他三個輸出參數(shù)與正常情況下的輸出參數(shù)的差異并不大。

模擬光伏模塊老化可以增加串聯(lián)電阻Rs或減小并聯(lián)電阻Rsh[14]。在實驗中，選擇的方法是增加串聯(lián)電阻Rs。正常情況下，所選光伏陣列的串聯(lián)電阻為0.086 4 Ω，并聯(lián)電阻為72 Ω。為了選擇合適的串聯(lián)電阻值模擬異常老化故障，在光照強度為800 W/m2下，比較不同串聯(lián)電阻值下的光伏陣列最大功率點電壓Umpp，如圖6所示。

圖6 不同串聯(lián)阻值下的UmppFig.6 Umppunder different serial resistors

從圖6 中可以發(fā)現(xiàn)，隨著串聯(lián)阻值的增加，最大功率點電壓下降，為了有利于神經(jīng)網(wǎng)絡進行故障分類，選擇串聯(lián)電阻值為8 Ω 來模擬老化故障，此時，其最大功率點電壓值與正常情況下的最大功率點電壓值的差異比較大。

分析仿真結果可以發(fā)現(xiàn)，當光照強度下降時，特別是在低光照強度下，異常老化時的Umpp值與正常情況下的Umpp值幾乎相同，如圖7所示。因此，在低照度情況下，故障診斷模型會發(fā)生誤判現(xiàn)象，診斷模型會認為光伏陣列運行正常。但是只要光伏陣列中存在異常老化情況，在光照強度較高的時候，故障診斷模型就會發(fā)出警報。不影響故障的報告，但會延遲一段時間。

圖7 照度變化時的Umpp值Fig.7 Umppunder different illumination

3.3.2 局部陰影故障分析

使模塊產(chǎn)生局部陰影的因素很多，比如天上的云、旁邊的樹木或飛來的紙屑等。這使得局部陰影故障的分析會變得十分復雜，為了簡化陰影的仿真，實驗中只采集了一個模塊被陰影遮擋及遮擋系數(shù)為0.5 情況下的陣列輸出數(shù)據(jù)。

經(jīng)過仿真測試，發(fā)現(xiàn)遮擋系數(shù)為0.4～0.7 的陰影可以被神經(jīng)網(wǎng)絡正確診斷出，其它遮擋系數(shù)的陰影不能被神經(jīng)網(wǎng)絡識別。分析其原因，認為主要由于神經(jīng)網(wǎng)絡的訓練樣本不夠，可以采取的方法是采集多個遮擋系數(shù)下的陣列輸出參數(shù)作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，完善神經(jīng)網(wǎng)絡。

4 實例分析

為了進一步驗證基于L-M 算法的BP 神經(jīng)網(wǎng)絡在光伏陣列故障診斷應用中的有效性，進行了初步的實驗證明。選取參數(shù)相同的六塊光伏模塊構成3×2 的光伏陣列為研究對象。

為了驗證所建立的故障診斷模型在不同環(huán)境條件下的有效性。實驗選取在晴天和陰天分別進行。采集在不同光照強度和環(huán)境溫度下的陣列輸出參數(shù)的值。經(jīng)過反復的測量操作，最終得到300 組數(shù)據(jù)，將其中的200 組數(shù)據(jù)作為訓練樣本，剩余的100 組數(shù)據(jù)作為測試樣本。最后得到的正確率為95%。同樣選取5 組典型的故障數(shù)據(jù)，如表5所示。

表5 光伏陣列故障測試樣本Table 5 Fault test samples of PV array

用基于L-M 算法的BP 神經(jīng)網(wǎng)絡得到的診斷結果如表6所示。

表6 L-M 算法的診斷結果Table 6 Diagnosis result of L-M algorithm

從實驗的結果可以看出，L-M 算法對5 組光伏陣列的診斷結果均為正確，證明基于L-M 算法的BP神經(jīng)網(wǎng)絡能很好地辨別出光伏陣列的故障類型。

5 總結

本文建立了一種基于L-M算法的BP神經(jīng)網(wǎng)絡光伏陣列故障診斷模型，可以實現(xiàn)對開路、短路、異常老化及局部陰影等四種故障進行檢測。仿真和初步實驗結果表明此方法能有效判斷出光伏陣列的故障類型，并具有很高的準確性。所提出的方法不需要額外的設備支持，同時可以在線實時測試。維護人員在得到故障警報后，可以實施具體的措施，有針對性地測量各個模塊的電壓和電流，快速的找到故障的模塊。但由于光伏陣列受環(huán)境因素影響很大，導致故障信息的不確定性和復雜性，所提出的故障診斷方法還有待于進一步研究和完善。

[1]胡義華,陳昊,徐瑞東.基于電壓掃描的光伏陣列故障診斷策略[J].中國電機工程學報,2010,30(S1):185-191.

HU Yi-hua,CHEN Hao,XU Rui-dong.A type of PV array fault diagnosis strategy based on voltage scan[J].Proceedings of the CSEE,2010,30(S1):185-191.

[2]王培珍,鄭詩程.基于紅外圖像的太陽能光伏陣列故障分析[J].太陽能學報,2010,31(2):197-201.

WANG Pei-zhen,ZHENG Shi-cheng.Fault analysis of photovoltaic array based on infrared image[J].Acta Energiae Solaris Sinica,2010,31(2):197-201.

[3]NIAN Bei,FU Zhi-zhong.Automatic detection of defects in solar modules:Image processing in detecting[C]// International Conference on Wireless Communications Networking and Mobile Computing,2010:1-4.

[4]ZHU Yong-qiang,WANG Wen-shan.Fault diagnosis method and simulation analysis for photovoltaic array[C]// International Conference on Electrical and Control Engineering,2011:1569-1573.

[5]Takumi,Junji,Kenji,et al.Experimental studies of failure detection methods in PV module strings[C]// IEEE 4th World Conference on Photovoltaic Energy Conversion,2006:2227-2230.

[6]Takumi,Junji,Masayoshi.Fault detection by signal response in PV module strings[C]// IEEE Photovoltaic Specialists on Industrial Electronics,2008:1-5.

[7]Schirone L,Califano F P.Fault finding in a 1 MW photovoltaic plant by reflectometry[C]// IEEE Photovoltaic Energy Conversion,1994,1(1):846-849.

[8]Takumi Takashima,Junji Yamaguchi,Masayoshi Ishida.Disconnection detection using earth capacitance measurement in photovoltaic module string[J].Progress in Photovoltaics,2008,16(8):669-677.

[9]熊樹,俞阿龍.基于BP 網(wǎng)絡遠程無線電力變壓器故障診斷系統(tǒng)[J].電力系統(tǒng)保護與控制,2010,38(23):207-211.

XIONG Shu,YU A-long.Power transformer long distance wireless fault diagnosis system[J].PowerSystem Protection and Control,2010,38(23):207-211.

[10]沈花玉,王兆霞,高成耀,等.BP 神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J].天津理工大學學報,2008,24(5):13-15.

SHEN Hua-yu,WANG Zhao-xia,GAO Cheng-yao,et al.Determining the number of BP neural network hidden layer units[J].Journal of zTianjin University of Technology,2008,24(5):13-15.

[11]陳昌松,段善旭,殷進軍.基于神經(jīng)網(wǎng)絡的光伏陣列發(fā)電預測模型的設計[J].電工技術學報,2009,24(9):153-158.

CHEN Chang-song,DUAN Shan-xu,YIN Jin-jun.Design of photovoltaic array power forecasting model based on neural network[J].Transactions of China Electrotechnical Society,2009,24(9):153-158.

[12]項文強,張華,王姮,等.基于L-M 算法的BP 網(wǎng)絡在變壓器故障診斷中的應用[J].電力系統(tǒng)保護與控制,2011,39(8):100-103.

XIANG Wen-qiang,ZHANG Hua,WANG Heng,et al.Application of BP neural network with L-M algorithm in power transformer fault diagnosis[J].Power System Protection and Control,2011,39(8):100-103.

[13]王曉雷,王衛(wèi)星,路進升,等.光伏陣列特性仿真及其在光伏并網(wǎng)逆變器測試系統(tǒng)中的應用[J].電力系統(tǒng)保護與控制,2011,39(10):70-73.

WANG Xiao-lei,WANG Wei-xing,LU Jin-sheng,et al.Modeling of PV array characteristic and application in testing system of PV grid-connected inverter[J].Power System Protection and Control,2011,39(10):70-73.

[14]Meyer E L,van Dyk E E.Assessing the reliability and degradation of photovoltaic module performance parameters[J].IEEE Trans on Reliability,2004,53(1):83-93.