基于T-S模糊神經(jīng)網(wǎng)絡(luò)的光伏組件在線健康診斷*

王福忠, 侯 奧, 張 麗

(河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院,河南 焦作 454000)

0 引 言

光伏(photovoltaic,PV)組件長期工作在室外惡劣條件下導(dǎo)致工況異常情況頻發(fā),影響發(fā)電效率,嚴(yán)重時(shí)可使組件損壞[1～3]。因此,需要一種經(jīng)濟(jì)高效的措施實(shí)現(xiàn)對(duì)PV組件[4,5]運(yùn)行健康狀況的實(shí)時(shí)診斷,及時(shí)發(fā)現(xiàn)是否存在異常,防止事故的發(fā)生和擴(kuò)大,保證系統(tǒng)的可靠運(yùn)行。

目前,國內(nèi)外在對(duì)PV組件異常診斷方法中,文獻(xiàn)[6]通過智能算法對(duì)光伏陣列進(jìn)行診斷,但診斷類型較少。文獻(xiàn)[7]獲取特征向量需要額外設(shè)備且無法實(shí)現(xiàn)在線診斷。文獻(xiàn)[8]中參數(shù)需要人工測(cè)量。文獻(xiàn)[9]沒有考慮環(huán)境因素。

針對(duì)上述問題,本文建立一種基于T-S模糊神經(jīng)網(wǎng)絡(luò)(Takagi-Sugeno fuzzy neural network, T-S FNN)算法的模型,通過分析組件異常工況下的輸出特性選取特征向量進(jìn)行處理后作為模型輸入,使用模糊C均值(fuzzy C-means,FCM)選取適當(dāng)初始值提高模型的收斂速度,改進(jìn)自適應(yīng)LM(improved adaptive LM,IALM)算法作為學(xué)習(xí)算法以提高模型精度,實(shí)現(xiàn)組件在線健康診斷且顯示異常類型,最后通過仿真驗(yàn)證本文模型的精確度及實(shí)用性。

1 PV組件異常類型與特征參數(shù)選取

1.1 異常類型

PV組件內(nèi)部結(jié)構(gòu)與異常示意如圖1所示。

圖1 PV組件內(nèi)部結(jié)構(gòu)及異常示意

本文以某PV組件為例,該組件由60塊單體電池串聯(lián)而成,每20個(gè)電池片并聯(lián)一個(gè)旁路二極管起保護(hù)作用。通常組件異常情況有電池片短路、EVA變黃、老化、陰影、出線絕緣降低等[10]。

1.2 特征參數(shù)選取

組件的U-I曲線在異常運(yùn)行與正常運(yùn)行時(shí)差異較大,蘊(yùn)含大量異常特征,且組件易受外界因素影響,因此，對(duì)組件相同外界條件下同異常不同程度運(yùn)行的U-I曲線分析,如圖2所示。

圖2 同異常不同程度運(yùn)行狀態(tài)下的U-I曲線

由圖2分析可知,在相同的光照強(qiáng)度(S)及溫度(T)條件下，組件外部電氣參數(shù)隨著異常程度加深的變化情況如表1所示。表1中，“↓”代表參數(shù)下降,“-”代表參數(shù)無明顯變化。

表1 外部電氣參數(shù)變化情況

在實(shí)際運(yùn)行中，PV系統(tǒng)內(nèi)帶有直接采集最大功率點(diǎn)電壓(Um)、電流(Im)數(shù)據(jù)的功率變換器,而開路電壓(Uoc)、短路電流(Isc)需要額外儀器獲得,故采用式(1)對(duì)Um和Im進(jìn)行處理,式(1)中Uoc-r和Isc-r為標(biāo)準(zhǔn)測(cè)試條件下的組件開路電壓和短路電流

U*=Um/Uoc-r,I*=Im/Isc-r

(1)

為區(qū)分因環(huán)境因素造成模型的誤判,將處理后的電壓U*和I*電流以及S和T作為PV組件健康診斷模型的輸入。

2 基于T-S FNN的PV陣列健康診斷模型構(gòu)建

PV組件沒有精確的特征量變化標(biāo)準(zhǔn)來衡量是否出現(xiàn)異常,存在一定的模糊性。而T-S FNN結(jié)合非線性映射的神經(jīng)網(wǎng)絡(luò)以及進(jìn)行知識(shí)推理的模糊邏輯,實(shí)現(xiàn)模型自動(dòng)更新且能夠?qū)斎肓窟M(jìn)行模糊處理[11]。T-S FNN結(jié)構(gòu)如圖3所示[12],主要分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩大部分。

圖3 某PV組件的T-S FNN工作狀態(tài)診斷模型

1)前件網(wǎng)絡(luò)

輸入層：由上節(jié)確定本文模型輸入特征向量為：U*,I*,S,T。為消除輸入?yún)?shù)量綱,需對(duì)其進(jìn)行歸一化處理

(2)

式中Xn為歸一化后的數(shù)據(jù),xn為原始數(shù)據(jù),xmax和xmin為原始數(shù)據(jù)中的最大值和最小值。

(3)

式中i=1,…,N;j=1,…,M。cij和bij分別為第i個(gè)輸入的第j個(gè)高斯函數(shù)的中心和寬度,M為隸屬函數(shù)個(gè)數(shù),N為輸入樣本總數(shù)。

模糊規(guī)則層：計(jì)算每條規(guī)則的激活度。每節(jié)點(diǎn)對(duì)應(yīng)一條模糊規(guī)則,有MN個(gè)節(jié)點(diǎn)

Tk=μ1s1j…μN(yùn)sNj

(4)

式中k=1,…,MN;s1j∈{1,2,…M},…,sNj∈{1,2,…M}。

規(guī)則歸一化層：對(duì)輸入?yún)?shù)規(guī)則激活度的釋放,節(jié)點(diǎn)數(shù)與上一層相同。該層節(jié)點(diǎn)輸出為

(5)

2)后件網(wǎng)絡(luò)

本文設(shè)計(jì)診斷異常類型有五種,故T-S FNN模型后件網(wǎng)絡(luò)由五個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)并聯(lián)構(gòu)成,每個(gè)子網(wǎng)絡(luò)由三層組成。

輸入層：與前件網(wǎng)絡(luò)第一層相同但第0個(gè)節(jié)點(diǎn)輸入值為1(提供常數(shù)項(xiàng))。

規(guī)則后件層：每個(gè)節(jié)點(diǎn)輸出的是每一模糊規(guī)則的后件,為輸入層通過連接權(quán)值ρ連接求和輸出。有MN個(gè)節(jié)點(diǎn)

(6)

式中k=1,2,…MN;O=1,2,…,5。

輸出層：子網(wǎng)絡(luò)的最終輸出結(jié)果。計(jì)算如下

(7)

得到每個(gè)子網(wǎng)絡(luò)的最終輸出后,對(duì)5個(gè)子網(wǎng)絡(luò)的輸出做出定義如表2所示。

表2 健康診斷的輸出定義

3 基于T-S FNN的PV陣列健康診斷模型的優(yōu)化

3.1 基于模糊C均值的隸屬函數(shù)初始化

本文使用FCM確定T-S FNN參數(shù)初始值。給定的數(shù)據(jù)集X分為M類,第j類的聚類中心為Pj(j=1,2,…,M),μi(xi)為第i個(gè)樣本對(duì)應(yīng)第j類的隸屬度函數(shù)。則FCM可表述為

(8)

式中N為樣本組數(shù),b為加權(quán)指數(shù)。對(duì)μj(xi)和Pj求偏導(dǎo)并等于0可得Ef達(dá)到極小值的必要條件為

(9)

Dj=|Pj-j|/γ,j=1,2,…,M

(10)

3.2 基于LALM算法的隸屬函數(shù)參數(shù)學(xué)習(xí)

LALM是LM的改進(jìn)算法,在具有局部收斂速度快、求解誤差小特性的基礎(chǔ)上,計(jì)算更簡便且可根據(jù)輸出誤差來調(diào)整學(xué)習(xí)系數(shù),LALM參數(shù)更新規(guī)則采用[13]

θ(t+1)=θ(t)-(ψ(t)+η(t)I)-1Ω(t)

(11)

式中θ(t)=[b(t),c(t)]T為需要更新的參數(shù)向量,I為防止矩陣求逆出現(xiàn)奇異的單位陣。ψ(t)為準(zhǔn)海森矩陣,Ω(t)為梯度向量,η(t)為自適應(yīng)學(xué)習(xí)率。η(t)規(guī)則如下

η(t)=α‖e(t)‖+(1-α)‖Ω(t)‖,0<α<1

(12)

式中e(t)=[e1(t),…,ep(t)]T為誤差向量,P為樣本總數(shù),對(duì)第p個(gè)樣本ep(t)定義為期望輸出與網(wǎng)絡(luò)輸出之間的差值為

ep(t)=ydp(t)-yop(t)，p=1,2,…,P

(13)

式中ψ(t)和Ω(t)為所有樣本子矩陣φp(t)、子向量ωp(t)的累加和,如式(14)、式(15)所示

(14)

(15)

(16)

根據(jù)T-S FNN采用的梯度下降學(xué)習(xí)算法,式(16)中對(duì)于第i個(gè)學(xué)習(xí)樣本雅可比矩陣行向量對(duì)應(yīng)元素的值如式(17)、式(18)所示

(17)

(18)

3.3 改進(jìn)模型流程

本文通過FCM算法解決T-S FNN模型因初始值選取不當(dāng)造成收斂速度慢的問題,采用LALM算法使得模型輸出精度更高,最終建立的健康診斷模型流程示意如圖4所示。

圖4 基于T-S FNN健康診斷流程示意

4 仿真驗(yàn)證

4.1 樣本數(shù)據(jù)的選取

本文使用的PV組件型號(hào)為Auxin Solar AXN-P6T210(Uoc-r=35.9 V,Isc-r=7.6 A,Um-r=29.64 V,Im=7.09 A)通過軟件仿真搭建組件模型,采集外界環(huán)境參數(shù)光照強(qiáng)度S在1 000～500 W/m2以及溫度T在40 ℃至5 ℃的特征參數(shù),如表3所示。

表3 模型數(shù)據(jù)選取

4.2 仿真驗(yàn)證

在結(jié)果中以短路異常工況下三種診斷模型的訓(xùn)練誤差曲線為例進(jìn)行說明,如圖5所示。

圖5 訓(xùn)練誤差變化

從圖5中可以看出,T-S FNN模型在迭代200次后趨于穩(wěn)定,總誤差值為45。FCM初始化后模型在迭代70次后趨于穩(wěn)定,總誤差值為45。本文模型迭代70次后趨于穩(wěn)定且誤差值減小為23。

4.3 診斷結(jié)果與分析

經(jīng)過990組特征參數(shù)訓(xùn)練后,剩余110組測(cè)試數(shù)據(jù)的診斷輸出如表4所示。

表4 模型診斷輸出結(jié)果

本文模型與T-S FNN模型輸出誤差對(duì)比如圖6所示。

圖6 改進(jìn)算法與傳統(tǒng)算法輸出誤差

結(jié)合表4和圖6可知：1)本文模型診斷準(zhǔn)確率能保持在94 %,正確率較高且診斷誤差很小。2)T-S FNN模型的正確率僅為36 %,誤判率較高且診斷誤差較大。3)本文模型能夠有效地對(duì)光伏組件異常進(jìn)行診斷,比傳統(tǒng)T-S FNN模型的診斷精度提高了58 %。能夠?qū)崿F(xiàn)PV組件異常情況在線健康診斷的準(zhǔn)確性、高效性。

面對(duì)越往后監(jiān)督執(zhí)紀(jì)越嚴(yán)的新形勢(shì)，執(zhí)紀(jì)審查調(diào)查工作對(duì)紀(jì)檢監(jiān)察干部的能力、素質(zhì)和要求也越來越嚴(yán)、越來越高。隨著《中華人民共和國監(jiān)察法》的頒布實(shí)施和監(jiān)察委的成立，監(jiān)察對(duì)象的數(shù)量持續(xù)增長、監(jiān)察對(duì)象的范圍進(jìn)一步擴(kuò)大。面對(duì)全新形勢(shì)、任務(wù)和挑戰(zhàn)，少數(shù)干部適應(yīng)全新工作環(huán)境和駕馭復(fù)雜問題的工作能力不足。一些干部“本領(lǐng)恐慌”、擔(dān)當(dāng)不足、主動(dòng)創(chuàng)新和謀劃工作不夠，致使在推動(dòng)和落實(shí)工作時(shí)，未能取得最佳成績。

5 結(jié) 論

1)為了能夠?qū)崿F(xiàn)光伏PV組件的在線診斷及避免外界環(huán)境造成模型的誤判,選取經(jīng)處理后的PV組件電壓U*,電流I*,S和T作為診斷模型輸入。

2)建立了基于T-S模糊神經(jīng)網(wǎng)絡(luò)的PV組件在線健康診斷模型,實(shí)現(xiàn)了光伏組件短路故障、EVA變黃、老化、陰影、出線絕緣降低等異常工況的在線健康診斷。

3)采用FCM作為模型初始化算法,IALM作為模型學(xué)習(xí)算法,提高了模型的收斂速度與輸出精度。

4)基于仿真結(jié)果分析得到,模型對(duì)于組件的健康診斷精度可達(dá)到94 %,滿足對(duì)PV組件實(shí)時(shí)監(jiān)控并顯示異常類型的要求。