基于概率神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷

劉俊杰，汪石農(nóng)

(安徽工程大學(xué) 電氣工程學(xué)院，安徽 蕪湖 241000)

由于光伏陣列大多建設(shè)在較偏遠(yuǎn)地區(qū)，多變的復(fù)雜環(huán)境會(huì)造成光伏陣列出現(xiàn)各種如開路、短路、老化、局部陰影等故障，大大降低了光伏陣列的使用壽命[1]。且光伏陣列規(guī)模較大，出現(xiàn)故障不容易被檢測(cè)到。

目前主要的光伏陣列故障診斷方法有紅外線檢測(cè)法[2]、時(shí)域反射法[3]等。其中紅外線檢測(cè)法是當(dāng)光照、環(huán)境溫度等條件一樣時(shí)，在不同的工作狀況下，光伏組件之間有著明顯的溫度差異。通過利用紅外線的方法，提取出可能由于熱斑現(xiàn)象而出現(xiàn)的故障區(qū)域以及該區(qū)域的特征信息來判斷出光伏陣列是否發(fā)生故障[4]。雖然該方法原理簡(jiǎn)單，但耗費(fèi)成本大且檢測(cè)精度不高。時(shí)域反射法是當(dāng)光伏陣列發(fā)生故障時(shí)，信號(hào)會(huì)發(fā)生延遲且信號(hào)的波形會(huì)發(fā)生相應(yīng)的變化，這樣就可以通過該方法確定故障發(fā)生的位置以及故障發(fā)生的類型[5]。但該方法只能在關(guān)閉系統(tǒng)工作的情況下去檢測(cè)故障的發(fā)生。

本文通過搭建光伏陣列仿真模型并對(duì)光伏陣列各故障條件下的輸出特性進(jìn)行仿真分析，給出光伏陣列在各種故障條件下的各電氣參數(shù)變化趨勢(shì)，確定概率神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立概率神經(jīng)網(wǎng)絡(luò)模型并運(yùn)用概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)光伏陣列的故障診斷。

1 光伏陣列故障診斷流程

圖1給出了本文運(yùn)用概率神經(jīng)網(wǎng)絡(luò)對(duì)光伏陣列進(jìn)行故障診斷的流程圖。首先，通過對(duì)光伏陣列各項(xiàng)模型參數(shù)的估計(jì)并建立MATLAB仿真模型；然后，通過對(duì)光伏陣列在各種狀態(tài)下的仿真研究建立數(shù)據(jù)集；其次，建立概率神經(jīng)網(wǎng)絡(luò)模型；最后，輸入測(cè)試數(shù)據(jù)并輸出故障診斷的類型。

圖1 光伏陣列故障診斷流程圖

2 光伏模塊仿真分析

2.1 光伏模塊數(shù)學(xué)模型

光伏模塊的發(fā)電原理是通過光伏效應(yīng)或者光化學(xué)效應(yīng)將光能轉(zhuǎn)化為電能。光伏模塊的一般等效電路模型如圖2所示。

圖2 光伏組件等效電路模型

根據(jù)光伏模塊等效電路模型可得表達(dá)式(1)為：

I=Iph-Id-Ish

(1)

式中：Iph為光生電流；Id為流經(jīng)二極管的電流；Ish為流經(jīng)等效二極管的電流。

2.2 光伏模塊的建模與仿真分析

通過運(yùn)用MATLAB搭建光伏模塊仿真模型，其仿真結(jié)構(gòu)如圖3所示。

圖3 光伏模塊仿真圖

本文采用型號(hào)為1-Soltech 1STH-215-P的光伏模塊，在標(biāo)準(zhǔn)狀況(25℃、1000W/m2)下該光伏模塊各參數(shù)如表1所示。

表1 光伏組件主要參數(shù)

通過保持溫度T=25℃恒定，改變光照強(qiáng)度G的大小，得到圖4所示的輸出特性曲線。由圖4(a)可知，當(dāng)保持溫度T恒定時(shí)，隨著光照強(qiáng)度G減少，最大功率Pm逐漸減小，但最大功率點(diǎn)處的電壓Ump保持不變。由圖4(b)可知，當(dāng)保持溫度T恒定時(shí)，隨著光照強(qiáng)度G減少，短路電流Isc和最大功率點(diǎn)處的電流Imp逐漸減小，而開路電壓Uoc基本保持不變。

(a)P-U特性曲線

(b)I-U特性曲線圖4 光伏組件恒定溫度不同光照強(qiáng)度下輸出特性曲線

當(dāng)保持光照強(qiáng)度G=1000W/m2恒定，改變溫度T的大小，得到圖5所示特性曲線。由圖5(a)可知，當(dāng)保持光照強(qiáng)度G恒定時(shí)，隨著溫度T提高，最大功率Pm逐漸減少，最大功率點(diǎn)處的電壓Ump也逐漸減小。由圖5(b)可知，當(dāng)保持光照強(qiáng)度G恒定時(shí)，隨著溫度T的提高，開路電壓Uoc逐漸減小，而最大功率點(diǎn)處的電流Imp和短路電流Isc基本不變。

(a)P-U特性曲線

(b)I-U特性曲線圖5 光伏組件恒定光照強(qiáng)度不同溫度下輸出特性曲線

3 光伏陣列故障仿真模型

3.1 光伏陣列仿真模型

由于在實(shí)際生活中光伏陣列數(shù)量較為龐大，不易進(jìn)行實(shí)地實(shí)驗(yàn)，所以本文通過運(yùn)用MATLAB程序運(yùn)用9個(gè)型號(hào)為1-Soltech 1STH-215-P的光伏模塊來搭建一種3×3的光伏陣列仿真模型，并分析光伏陣列在開路、短路、局部陰影、異常老化等各種故障狀態(tài)下的輸出特性[6]。光伏陣列仿真模型如圖6所示。其中，PV1-PV3組成支路I，PV4-PV6組成支路II，PV7-PV9組成支路III。

圖6 光伏陣列仿真模型

3.2 開路

開路故障一般是由于光伏陣列中光伏組件因?yàn)槟撤N原因?qū)е戮€路斷開而引起的[8]。通過分別在圖6中的支路I、II上設(shè)置阻值為無限大的電阻來模擬光伏陣列開路故障，得到如圖7所示特性曲線。通過圖7(a)可以看出，隨著支路開路個(gè)數(shù)的增加，光伏陣列最大功率Pm在逐漸較小，而最大功率點(diǎn)處的電壓Ump基本保持不變。通過圖7(b)可以看出，隨著光伏陣列的支路開路個(gè)數(shù)的增加，開路電壓Uoc基本不變，而短路電流Isc和最大功率點(diǎn)處的電流Imp逐漸降低。

(a)P-U特性曲線

(b)I-U特性曲線圖7 光伏陣列在開路狀態(tài)下的輸出特性曲線

3.3 短路

光伏陣列的短路一般是由光伏組件內(nèi)部局部腐蝕和線路損壞導(dǎo)致的。通過在圖6中的支路I、II上并聯(lián)兩個(gè)阻值為0的電阻來模擬光伏陣列的短路故障，得到如圖8所示特性曲線。通過圖8(a)可以看出，光伏陣列的最大功率Pm和最大功率點(diǎn)處的電壓Ump隨著光伏陣列短路個(gè)數(shù)的增加而降低。通過圖8(b)可以看出，隨著光伏陣列短路個(gè)數(shù)的增加，短路電流Isc和最大功率點(diǎn)處的電流Imp基本不變而開路電壓Uoc在逐漸減小。

(a)P-U特性曲線

(b)I-U特性曲線圖8 光伏陣列在短路故障下的輸出特性曲線

3.4 局部陰影

局部陰影通常是因?yàn)楣夥嚵兄胁糠止夥M件由于各種環(huán)境影響導(dǎo)致光照強(qiáng)度不均勻[7]。通過對(duì)圖6中的光伏陣列支路I上分別設(shè)置不同遮光率來模擬局部陰影故障，得到圖9所示特性曲線。通過圖9(a)可以看出，隨著光照強(qiáng)度的下降，光伏陣列最大功率Pm和最大功率點(diǎn)處的電壓Ump逐漸降低。通過圖9(b)可以看出，隨著光照強(qiáng)度的下降，光伏陣列的短路電流Isc和最大功率點(diǎn)處的電流Imp逐漸減小，而開路電壓Uoc基本不變。

(a)P-U特性曲線

(b)I-U特性曲線圖9 光伏陣列在局部陰影故障下的輸出特性曲線

3.5 異常老化

光伏組件一般具有較長(zhǎng)的使用壽命，但在使用過程中受環(huán)境影響而造成光伏組件的老化。通過將光伏陣列串聯(lián)一塊電阻來模擬光伏組件老化故障[8]。通過在圖6的主線路上設(shè)置一個(gè)電阻并設(shè)定阻值分別為2Ω、4Ω和6Ω來模擬光伏陣列的老化故障，得到如圖10所示特性曲線。通過圖10(a)可以看出，隨著R阻值的增大，最大功率Pm逐漸降低，最大功率點(diǎn)處的電壓Ump基本不變。通過圖10(b)可以看出，隨著R阻值的增大，開路電壓Uoc和短路電流Isc幾乎無變化，而最大功率點(diǎn)處的電流Imp逐漸降低。

(a)P-U特性曲線

(b)I-U特性曲線圖10 光伏陣列在異常老化故障下的輸出特性曲線

4 基于概率神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷分析

4.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(PNN)是在1989年被D.F.Specht博士提出的一種結(jié)構(gòu)相對(duì)簡(jiǎn)單的前饋神經(jīng)網(wǎng)絡(luò)[9]。概率神經(jīng)網(wǎng)絡(luò)由于能用線性學(xué)習(xí)代替非線性學(xué)習(xí)算法，所以經(jīng)常被人類用來解決模式分類的問題。

概率神經(jīng)網(wǎng)絡(luò)由輸入層、模式層(隱含層)、求和層、決策層(輸出層)組成[10]。其模型圖如圖11所示。

圖11 概率神經(jīng)網(wǎng)絡(luò)模型

通過將訓(xùn)練樣本輸入到輸入層，經(jīng)隱含層中的輸出關(guān)系處理。通過求和層將每種故障發(fā)生的概率相加從而得到估計(jì)密度函數(shù)，由輸出層對(duì)各種故障模式進(jìn)行分類：函數(shù)值最大的類別輸出為正確，其余均為錯(cuò)誤[11]。隱含層的輸出關(guān)系由下式(2)給出。

(2)

式中：ωi表示輸入層輸入到隱含層的權(quán)值；σ表示平滑因子，是神經(jīng)網(wǎng)絡(luò)的重要部分。

4.2 概率神經(jīng)網(wǎng)絡(luò)特征信號(hào)的選擇

通過對(duì)光伏陣列故障仿真分析可知，當(dāng)光伏陣列發(fā)生開路、短路、部陰影、異常老化這四種主要故障時(shí)，開路電壓Uoc、短路電流Isc、最大功率點(diǎn)電壓Ump和最大功率點(diǎn)電流Imp都會(huì)相應(yīng)的發(fā)生變化，所以選擇Uoc、Isc、Ump和Imp作為該神經(jīng)網(wǎng)絡(luò)的輸入變量。

4.3 故障診斷仿真分析

通過對(duì)光伏陣列故障仿真研究，檢測(cè)光伏陣列四種特征參數(shù)的值，并建立數(shù)據(jù)樣本，將這些樣本分為待訓(xùn)練樣本和待測(cè)試樣本并進(jìn)行歸一化處理[12]。數(shù)據(jù)的歸一化公式(3)如下：

(3)

式(3)中，xn為初始數(shù)據(jù)，xmax為初始數(shù)據(jù)中的最大值，xmin為初始數(shù)據(jù)的最小值，Xn為數(shù)據(jù)歸一化后的輸入數(shù)據(jù)。

故障診斷的流程如圖12所示。

圖12 故障診斷流程圖

通過對(duì)樣本進(jìn)行歸一化處理后輸入到概率神經(jīng)網(wǎng)絡(luò)中，樣本經(jīng)過訓(xùn)練并完成診斷后得到如圖13所示結(jié)果。序號(hào)1代表正常，序號(hào)2表示故障診斷為開路，序號(hào)3表示故障診斷為短路，序號(hào)4表示故障診斷為局部陰影，序號(hào)5表示故障診斷為異常老化。由圖13(a)可知，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差全部為0，精確度極高。由圖13(b)可知，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際故障類型完全重合，即診斷結(jié)果全部正確，能夠進(jìn)行準(zhǔn)確的故障診斷。

(a)訓(xùn)練結(jié)果

(b)預(yù)測(cè)結(jié)果圖13 概率神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

5 結(jié)論

本文通過運(yùn)用MATLAB程序搭建光伏陣列仿真模型，對(duì)光伏陣列的主要故障狀況進(jìn)行仿真分析，表明了光伏陣列在各種故障狀態(tài)下，光伏陣列的Ump、Imp、Uoc和Isc都會(huì)發(fā)生相應(yīng)的變化。因此，將這四種參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)模型的輸入變量并通過建立概率神經(jīng)網(wǎng)絡(luò)仿真模型，對(duì)光伏陣列進(jìn)行故障診斷。仿真結(jié)果表明，概率神經(jīng)網(wǎng)絡(luò)在診斷過程中所需樣本較少，精確度較高且訓(xùn)練過程簡(jiǎn)單，為實(shí)際的光伏陣列故障診斷提供了較好的理論參考。