基于HMM的分布式光伏電站故障預警方法研究

杭州華電下沙熱電有限公司 林 翀 周皖奎 丁智華

1 光伏組件故障機理

由于光伏面板長期在室外環(huán)境工作，不可避免的發(fā)生受損、老化等問題，導致熱斑、裂紋等故障，影響了光伏面板的穩(wěn)定運行，縮短了使用壽命。因此光伏組件的故障診斷成為業(yè)界所關(guān)注的重點話題?，F(xiàn)階段光伏發(fā)電廠的信息化系統(tǒng)已十分完善，光伏組件實時的生產(chǎn)數(shù)據(jù)被系統(tǒng)采集和儲存，因此基于數(shù)據(jù)驅(qū)動的光伏組件故障診斷方法開始流行。葉進[1]等通過改進的DBSCAN 算法，基于電站的經(jīng)緯度對地理位置進行聚類，對比將發(fā)電量較低的電站判定為異常。孫艷[2]采用核極限學習機對采集數(shù)據(jù)和各狀態(tài)之間的關(guān)系進行學習，并使用改進粒子群算法對模型參數(shù)進行優(yōu)化。王元章等[3]分析不同故障特性圖并建立BP 神經(jīng)網(wǎng)絡，對正常工作、短路故障及異常老化故障進行學習和診斷。李紅濤等[4]使用最小二乘支持向量機學習短路電流，開路電壓，最大功率點電流和壓值之間的關(guān)系，在小樣本量的試驗中準確率超過了90%。

光伏組件常見的故障有熱斑、玻璃開裂、導線老化、導線短路、內(nèi)部斷路等。當光伏組件發(fā)生故障時輸出的電流、電壓會隨之改變。如發(fā)生熱斑時，由于熱斑區(qū)域大量消耗能量會導致輸出電流降低。但隨著故障的不同和外界環(huán)境的變化，電流、電壓的變化規(guī)律也十分復雜，因此需要能有效識別故障狀態(tài)與電流、電壓間關(guān)系的方法。本文提出基于隱馬爾可夫模型(Hidden Markov model,HMM)對組件的劣化狀態(tài)進行判斷，實現(xiàn)對故障提前發(fā)出警告目的。

2 HMM 模型原理

HMM 是一種時間序列模型，其假設(shè)觀測到的值都是由當前狀態(tài)所決定，在語音識別、文字識別等領(lǐng)域使用較多。對于一個HMM 通常有三個基本問題：觀測序列的概率計算問題。對于已知的HMM，λ=（A,B,π） 和觀測序列O={o1,o2,…ot}，計算觀察值序列O 出現(xiàn)的概率P（O|λ）；馬爾科夫模型的參數(shù)學習問題。當觀測序列O={o1,o2,…ot}已知時,學習λ 的的參數(shù)（A,B,π），使得觀測序列出現(xiàn)的概率P（O|λ）最大；最優(yōu)序列的計算問題。當模型的參數(shù)（A,B,π）和觀測序列O={o1,o2,…ot}給定時,找到能最好解釋當前觀測序列的狀態(tài)序列，即求解使P（I|O）最大的狀態(tài)序列I={i1,i2,…it}。對于光伏組件的故障診斷，將不同的發(fā)電功率等級設(shè)定為模型的當前狀態(tài)，而觀測到的參數(shù)種類為當前觀測值。用HMM對故障進行預警分為兩個步驟：使用不同狀態(tài)下的光伏組件歷史生產(chǎn)數(shù)據(jù)訓練對應的模型，再將實時的生產(chǎn)數(shù)據(jù)輸入訓練好的模型分別計算其概率，概率最大者為實時的狀態(tài)。

2.1 參數(shù)學習

根據(jù)狀態(tài)序列是否可知，參數(shù)學習問題可分為有監(jiān)督和無監(jiān)督兩種，由于狀態(tài)序列由發(fā)電功率等級表示、是已知的，因此使用有監(jiān)督算法：轉(zhuǎn)移概率矩陣A的求解。由狀態(tài)i 轉(zhuǎn)移到為狀態(tài)j 的樣本個數(shù)為Sij個,則由狀態(tài)為i 轉(zhuǎn)移到狀態(tài)j 的概率的估計值為aij組成的矩陣即為轉(zhuǎn)移概率矩陣A；觀測概率矩陣B 的求解。狀態(tài)為i 且觀測值為j 的樣本個數(shù)為Tij個，則狀態(tài)為i 且觀測值為j 的概率估計值為bi(j)組成的矩陣即為觀測概率矩陣B；初始狀態(tài)概率πi的估計值為所有樣本中初始狀態(tài)為i 的頻率。

2.2 觀測序列概率計算

概率計算問題可直接使用的是前向-后向算法。

前向算法：前向概率定義為在t 時刻部分觀測序列為o1,o2,o3,…,ot，狀態(tài)是qi的概率，記作αt（i）=P（o1,o2,…,ot,it=qi|λ）。其計算步驟為：對前向概率賦初值。αt(i)=πibi(o1)，i=1,2,…,N；遞推計算各時刻的前向概率。bi(ot+1),i=1,2,…,N；終止計算。αT(i)。

后向算法：后向概率定義為在t 時刻部分觀測序列為ot+1,ot+2,ot+3,…,oT，狀態(tài)是qi的概率，記作βt(i)=P(ot+1,ot+2,…,oT,it=qi|λ)，其計算步驟為：對后向概率賦初值。βT(i)=1，i=1，2，…，N；遞推計算各時刻的前向概率。βt+1(j),i=1,2,…，N；終止計算。πibi(o1)β1(i)。

根據(jù)前向概率和后向概率的計算方式，觀測序列概率P（O|λ）統(tǒng)一寫成aijbj(ot+1)βt+1(j),t=1,2,…，T-1。

3 HMM 用于故障預警

模型狀態(tài)序列。光伏組件在運行時，隨著外界環(huán)境的不同如氣溫、光照強度等，其發(fā)電功率也會發(fā)生變化。發(fā)電功率和氣溫、光照強度進行單獨比較并非完全相關(guān)，應是多個外界因素共同決定。因此可用發(fā)電功率抽象描述整個外界環(huán)境，并將其作為隱馬爾可夫的狀態(tài)。在同一環(huán)境下短時間內(nèi)為降低故障組件對光伏總體發(fā)電功率的影響，選取所有光伏組件發(fā)電功率的中位數(shù)來準確的描述環(huán)境。隱馬爾可夫的狀態(tài)是離散值而發(fā)電功率是連續(xù)值，因此需對發(fā)電功率進行離散化，以10W 為間隔將發(fā)電功率分成15種狀態(tài)，一段時間的狀態(tài)形成模型的狀態(tài)序列。

圖1 HMM 故障預警流程

圖2 原始故障

圖3 模型故障預測結(jié)果

模型觀測序列。不同外界環(huán)境下其電流和電壓數(shù)據(jù)不一樣，可將其視為外界環(huán)境“產(chǎn)生”的值，即模型的觀測值。由于馬爾科夫模型的觀測值也是離散的，因此也需將電流、電壓值進行離散化，采用K 均值聚類的方式將樣本中的電流、電壓值進行聚類，電流—電壓關(guān)系大致可分為20類，每一類作為一種觀測值，一段時間的觀測值形成模型的觀測值序列。

模型的訓練。光伏組件的故障診斷涉正常狀態(tài)和遮擋、導線短路、導線開路、電池老化四種不同的故障狀態(tài)，一共有5種狀態(tài)。收集5種狀態(tài)的歷史數(shù)據(jù)并訓練HMM 可得到5個HMM。將需診斷的數(shù)據(jù)分別輸入到訓練好的模型，計算當前觀測序列出現(xiàn)的概率P（O|λ）可得到5個不同的概率值，概率最大的即為對應的狀態(tài)。

模型結(jié)果分析。從2019年的光伏發(fā)電數(shù)據(jù)中收集不同工作狀態(tài)下的數(shù)據(jù)，正常狀態(tài)共50個樣本，遮擋、導線短路、導線開路、電池老化各20個樣本，時間序列長度為300分鐘。每1分鐘模型運行一次給出診斷結(jié)果。由圖2、圖3可知模型對光伏設(shè)備的故障預測基本保持較高的準確率，其中模型易將遮擋故障預測為電池老化，這也符合實際的認知。由此可知模型對光伏組件故障預警具有實際意義。