一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)故障辨識(shí)方法

涂彥昭 高 偉 楊耿杰

一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)故障辨識(shí)方法

涂彥昭 高 偉 楊耿杰

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108）

隨著光伏發(fā)電裝機(jī)容量的不斷上升，如何及時(shí)檢測并解決光伏組件故障和異常，減少組件能量損失，提高光伏系統(tǒng)的發(fā)電效率成為一項(xiàng)重要任務(wù)。本文通過研究光伏陣列處于不同故障狀態(tài)下的-曲線之間的特征差異性，直接以-曲線作為故障診斷的輸入量，提出一種融合卷積神經(jīng)網(wǎng)絡(luò)（CNN）與長短期記憶（LSTM）網(wǎng)絡(luò)的光伏系統(tǒng)故障辨識(shí)方法。實(shí)驗(yàn)結(jié)果表明，該方法不僅能識(shí)別出單一故障，如短路、遮陰、老化等，而且能有效識(shí)別出雙重故障同時(shí)存在的情況。

光伏系統(tǒng)；故障診斷；-曲線；卷積神經(jīng)網(wǎng)絡(luò)（CNN）；長短期記憶（LSTM）網(wǎng)絡(luò)

0 引言

相較于傳統(tǒng)的發(fā)電方式，光伏發(fā)電具有安全可靠、無噪聲、無污染排放、建設(shè)周期短等特點(diǎn)。據(jù)統(tǒng)計(jì)，2020年全球光伏新增裝機(jī)容量256GW，占新能源裝機(jī)容量的54.1%，總裝機(jī)容量達(dá)到760GW。當(dāng)光伏系統(tǒng)在惡劣的天氣條件下運(yùn)行時(shí)，可能會(huì)出現(xiàn)各種故障[1-2]，這些故障的發(fā)生使光伏系統(tǒng)的輸出功率下降，嚴(yán)重時(shí)甚至?xí)鸹馂?zāi)事故[3-4]。

現(xiàn)有光伏故障檢測算法可分為兩大類：光熱檢測法和電氣量檢測法。常見的光熱檢測法主要有電致發(fā)光檢測和穩(wěn)態(tài)條件下的紅外熱成像檢測。文獻(xiàn)[5]結(jié)合電致發(fā)光現(xiàn)象與紅外熱成像圖來檢測光伏電池的內(nèi)部缺陷與人工缺陷。文獻(xiàn)[6]通過高斯濾波改善噪聲對紅外圖像產(chǎn)生的干擾。這類方法通常需要配置大量的傳感器及昂貴的儀器設(shè)備，致其使用范圍受限[7]。

電氣量檢測法又可以進(jìn)一步分為功率損失診斷法、實(shí)測電壓電流診斷法和-曲線診斷法三大類。文獻(xiàn)[8]通過確定分?jǐn)?shù)階動(dòng)態(tài)誤差以量化能量退化，然后使用色調(diào)-飽和度-像素值（hue-saturation-value, HSV）顏色模型和顏色關(guān)系分析，將正常條件與太陽能組件故障分開。文獻(xiàn)[9]利用主成分分析法、K均值聚類算法和經(jīng)驗(yàn)?zāi)B(tài)分解對光伏陣列的時(shí)序輸出電流進(jìn)行特征提取，再使用卷積神經(jīng)網(wǎng)絡(luò)（con- volutional neural network, CNN）對特征進(jìn)行分類。文獻(xiàn)[10]構(gòu)建一個(gè)七維特征矩陣以表征各類故障，最后采用支持向量機(jī)完成故障辨識(shí)。以上方法雖然能對光伏系統(tǒng)的故障進(jìn)行有效辨識(shí)，但文獻(xiàn)[8]方法隨著設(shè)備老化，檢測精度會(huì)逐漸降低；文獻(xiàn)[9]方法容易受到擾動(dòng)的干擾，造成誤判；文獻(xiàn)[10]方法無法適用于混合故障診斷。

除了傳統(tǒng)的診斷手段之外，包括BP神經(jīng)網(wǎng)絡(luò)[11]和高斯核模糊C均值聚類[12]在內(nèi)的深度學(xué)習(xí)算法也在光伏系統(tǒng)故障診斷過程中發(fā)揮著重要的作用。

本文在回顧和總結(jié)前人工作的基礎(chǔ)上，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)（long short-term memory, LSTM），構(gòu)建一個(gè)基于CNN與LSTM的融合模型。本文提出的方法無需進(jìn)行故障特征量的提取工作，直接以光伏陣列的-曲線作為網(wǎng)絡(luò)的輸入量，利用訓(xùn)練好的網(wǎng)絡(luò)對光伏陣列故障進(jìn)行辨識(shí)和歸類。

1 光伏陣列輸出I-V曲線故障特性分析

一個(gè)光伏陣列通常通過組件的串聯(lián)提高直流系統(tǒng)的輸出電壓，通過并聯(lián)提高輸出電流，本文主要關(guān)注單串列光伏系統(tǒng)中的故障診斷研究。通過Matlab/Simulink軟件構(gòu)建一個(gè)光伏發(fā)電模型獲得數(shù)值仿真數(shù)據(jù)，仿真模型如圖1所示。光伏陣列由13塊光伏模組串聯(lián)而成，每60個(gè)電池串聯(lián)組成一塊光伏組件，每20個(gè)電池兩端并聯(lián)一個(gè)反向旁路二極管。通過受控電壓源控制輸出電壓從0～oc（陣列開路電壓）線性變化，然后使用電壓和電流示波器分別記錄光伏陣列輸出的電壓和電流從而繪制-曲線。

數(shù)值仿真考慮了短路、二極管導(dǎo)通遮陰、二極管截止遮陰、異常老化四種單一故障。通過短接線來決定模組的短路數(shù)量；通過調(diào)節(jié)電池單元的溫度和輻照度的大小，使整個(gè)陣列的溫度和輻照度不均衡，實(shí)現(xiàn)二極管導(dǎo)通遮陰和二極管截止遮陰；通過調(diào)節(jié)老化電阻的阻值大小來模擬異常老化故障。標(biāo)準(zhǔn)測試條件下（standard test condition, STC）（ 輻照度為1 000W/m2，溫度為25℃）不同故障狀態(tài)下所對應(yīng)的-曲線如圖2所示。

圖1 光伏系統(tǒng)數(shù)值仿真模型

圖2 標(biāo)準(zhǔn)測試條件下不同故障狀態(tài)對應(yīng)的I-V曲線

通過研究光伏陣列處在不同狀態(tài)下的-曲線可以發(fā)現(xiàn)，對于不同故障類型，-曲線形狀有明顯差別，外特征參數(shù)（開路電壓oc，短路電流sc，最大功率點(diǎn)的電壓mpp及電流mpp）也包含于-曲線中，因此以-曲線作為輸入特征進(jìn)行診斷是最簡單、最直接的方法。此外，由-曲線的特征方程[13]可知，輻照度和短路電流的大小成正比，溫度和開路電壓的大小成反比。溫度和輻照度的波動(dòng)只會(huì)影響-曲線的幅度，不會(huì)導(dǎo)致曲線的形狀產(chǎn)生變化。為了盡可能提高算法的診斷效率，在本文研究中不考慮將組件的面板溫度和所受輻照度作為故障診斷網(wǎng)絡(luò)的輸入量。綜上所述，本文直接使用-曲線作為輸入特征。

2 CNN-LSTM融合模型

2.1 CNN原理

卷積神經(jīng)網(wǎng)絡(luò)能夠從輸入信息中提取高階特征，其內(nèi)部結(jié)構(gòu)主要由輸入層、卷積層、池化層、全連接層和輸出層組成[14]。本文采用一維卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示。

圖3 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

CNN能從大量故障樣本中學(xué)習(xí)相應(yīng)的抽象特征，但其內(nèi)部結(jié)構(gòu)不含循環(huán)神經(jīng)元，這導(dǎo)致其不具備記憶功能。因此，在面對類似-曲線這種類型的時(shí)序序列數(shù)據(jù)時(shí)，容易忽略局部與整體之間的聯(lián)系。

2.2 LSTM原理

長短期記憶網(wǎng)絡(luò)是一種時(shí)間遞歸網(wǎng)絡(luò)，其作用是為了解決長序列訓(xùn)練過程中的梯度消失和梯度爆炸問題[15-16]。LSTM的原理可以簡單理解為：通過遺忘門決定丟棄的信息，通過輸入門傳遞前一層隱藏狀態(tài)的信息和當(dāng)前輸入的信息，通過輸出門確定下一個(gè)隱藏狀態(tài)的值。

圖4 長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)前單元狀態(tài)和隱藏層狀態(tài)的值可以由以下公式給出，即

LSTM擁有很好的時(shí)序信息建模能力，在對特征的理解上有其獨(dú)特的優(yōu)勢。但-曲線作為長序列數(shù)據(jù)，未經(jīng)特征提取直接導(dǎo)入LSTM會(huì)增大系統(tǒng)對計(jì)算資源的需求，訓(xùn)練困難。經(jīng)CNN處理過的序列數(shù)據(jù)不僅保留了原始數(shù)據(jù)的大部分特征，也縮短了序列長度，減少了系統(tǒng)的資源消耗。

2.3 基于CNN-LSTM模型的故障診斷流程

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的融合模型，該模型通過三個(gè)不同尺度的卷積分支挖掘各個(gè)局部數(shù)據(jù)特征之間的關(guān)系，對三個(gè)特征進(jìn)行疊加后再利用LSTM單元對挖掘出的時(shí)序動(dòng)態(tài)特征加以記憶并建模，使模型更容易捕獲-曲線數(shù)據(jù)之間相互關(guān)聯(lián)和依賴的特性。相比于單尺度卷積的方式，模型采用多尺度卷積能以多個(gè)尺度觀察樣本，得到的特征信息相比于單尺度也更加具體。

本文所構(gòu)建的融合模型結(jié)構(gòu)如圖5所示。其中，代表卷積核個(gè)數(shù)，代表卷積核尺度，代表池化層尺度，代表池化步長。批標(biāo)準(zhǔn)化（batch normalization, BN）和Dropout算法被用于防止網(wǎng)絡(luò)產(chǎn)生過擬合現(xiàn)象。

圖5 CNN-LSTM融合模型結(jié)構(gòu)

假設(shè)0為輸入的序列矩陣，為第個(gè)輸出的序列矩陣。輸入層將電壓、電流整合成一個(gè)×2的矩陣，為輸入序列的長度。0=[]，其中為電壓向量，為電流向量。

卷積層的作用是對輸入的序列數(shù)據(jù)實(shí)現(xiàn)局部特征提取。在CNN中，卷積層和池化層通常是交替出現(xiàn)的，假設(shè)（為奇數(shù)）為卷積層的輸出矩陣，其可以被描述為

式中：w為第層的權(quán)重；b為第層的偏差；(?)為激活函數(shù)。

池化層的作用是將卷積層提取的特征壓縮，實(shí)現(xiàn)信息降維。本文使用最大池化函數(shù)（×1），保留池化核中的最大值為輸出特征。池化層的輸出矩陣（為從2開始的偶數(shù)）可以表示為

式中：(·)為最大池化函數(shù)；的大小為(/)×，和為-1層特征的尺度，為當(dāng)前池化層的尺度。

LSTM對CNN提取的特征向量進(jìn)行學(xué)習(xí)，記憶不同特征的內(nèi)在規(guī)律。

輸出層本質(zhì)上是一層全連接層，它的作用是分類，選擇softmax作為其激活函數(shù)。在這一層，模型計(jì)算當(dāng)前每個(gè)樣本對應(yīng)每一種類型的概率，然后得到一個(gè)新的表達(dá)式，即

式中：(·)為softmax激活函數(shù)；為樣本輸出的概率矩陣；l為輸入樣本屬于第個(gè)類型的概率；q為全連接層的輸出矩陣；為權(quán)重；為偏置。

使用2.1節(jié)所提的電壓電流序列作為輸入特征，建立基于CNN-LSTM的融合模型用于光伏系統(tǒng)故障辨識(shí)。所提方法的故障診斷流程如圖6所示。

3 實(shí)驗(yàn)平臺(tái)

3.1 實(shí)驗(yàn)平臺(tái)介紹

圖6 故障診斷流程

圖7 光伏實(shí)驗(yàn)案場

表1 光伏組件在標(biāo)準(zhǔn)測試條件下的參數(shù)

表2 實(shí)測樣本的組成結(jié)構(gòu)

3.2 模型超參數(shù)設(shè)置與訓(xùn)練結(jié)果分析

搭建光伏故障診斷模型時(shí)，所使用的服務(wù)器參數(shù)為：XEON W—2123的CPU，2塊GTX1080Ti的GPU，32G的RAM。融合模型的超參數(shù)見表3，Dropout比為0.2；輸出層選擇L2正則化，正則化系數(shù)為0.001 5；選用交叉熵?fù)p失函數(shù)；訓(xùn)練時(shí)最大Epochs為2 000；Adam的初始學(xué)習(xí)率為1×10-4；batch等于32。

表3 融合模型的超參數(shù)

圖8展示了模型經(jīng)過2 000次迭代后訓(xùn)練集的準(zhǔn)確率和損失的變化情況。訓(xùn)練集的準(zhǔn)確率與損失在迭代500次以后迅速達(dá)到收斂，訓(xùn)練準(zhǔn)確率穩(wěn)定在98.71%。為提高訓(xùn)練速度，最終Epochs取1 000。

圖8 2 000次迭代后的訓(xùn)練結(jié)果

3.3 測試結(jié)果分析

準(zhǔn)確率和召回率是常用的性能評判指標(biāo)。準(zhǔn)確率（Accuracy）反映了被正確識(shí)別的樣本比例，召回率（Recall）代表正樣本被正確預(yù)測的數(shù)量。

式中：TP為真正類；FN為假負(fù)類；FP為假正類；TN為真負(fù)類。

利用訓(xùn)練好的模型對測試集樣本進(jìn)行故障診斷，總體準(zhǔn)確率為96.82%。圖9為召回率混淆矩陣，用混淆矩陣表示模型分類結(jié)果，圖中每行進(jìn)行了歸一化處理，代表召回率。圖9中樣本的標(biāo)簽與表2保持一致。正常樣本與誤判樣本的-曲線如圖10所示。

圖9 召回率混淆矩陣

觀察混淆矩陣的第二行發(fā)現(xiàn)，有2%的短路樣本被判為正常樣本。這是因?yàn)檫@些樣本采集時(shí)的環(huán)境溫度過低，樣本的開路電壓變大，導(dǎo)致其短路特征不夠明顯，趨向于正常樣本的形狀，如圖10（a）和圖10（b）所示。觀察混淆矩陣第四行，異常老化樣本的召回率為0.70，即有30%樣本被判定為正常樣本。進(jìn)一步對被誤判的樣本進(jìn)行分析，發(fā)現(xiàn)由于所串聯(lián)的老化電阻阻值不大，這部分樣本在低輻照度時(shí)的-曲線靠近開路點(diǎn)的斜率變化特征不夠明顯，如圖10（c）和圖10（d）所示，這也導(dǎo)致有2%的正常樣本被誤判為異常老化樣本。除去短路與異常老化樣本，其余類型的樣本均達(dá)到了100%的召回率。

4 結(jié)論

本文提出一種融合卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)直流側(cè)故障辨識(shí)方法。所提方法通過采集離網(wǎng)狀態(tài)下光伏陣列的-曲線，然后利用多尺度卷積網(wǎng)絡(luò)豐富了模型對樣本的局部特征提取，對曲線的時(shí)序動(dòng)態(tài)特征進(jìn)行建模，從而實(shí)現(xiàn)特征的記憶和分類。實(shí)驗(yàn)結(jié)果表明，所提方法對實(shí)測數(shù)據(jù)的分類準(zhǔn)確率達(dá)到了96.82%，在實(shí)際應(yīng)用中能滿足光伏系統(tǒng)故障診斷對準(zhǔn)確率的要求。

[1] HUANG Junming, WAI Rongjong, YANG Gengjie. Design of hybrid artificial bee colony algorithm and semi-supervised extreme learning machine for PV fault diagnoses by considering dust impact[J]. IEEE Transa- ctions on Power Electronics, 2020, 35(7): 7086- 7099.

[2] 馬銘遙, 張志祥, 劉恒, 等. 基于-特性分析的晶硅光伏組件故障診斷[J]. 太陽能學(xué)報(bào), 2021, 42(6): 130-137.

[3] 王堯, 張彥風(fēng), 牛峰, 等. 光伏直流電弧電磁輻射特性分析與測量方法[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(14): 2913-2921.

[4] 王先發(fā), 顧衛(wèi)祥. 光伏系統(tǒng)直流側(cè)故障電弧的檢測與判別[J]. 電氣技術(shù), 2019, 20(5): 10-13.

[5] 鄧堡元, 何赟澤, 王洪金, 等. 光伏電池圖像序列的深度學(xué)習(xí)檢測方法[J]. 機(jī)械工程學(xué)報(bào), 2021, 57(8): 98-106.

[6] 馮宗海, 蔡廣, 曾華鋒, 等. 基于Sobel算法的太陽能光伏組件紅外圖像識(shí)別技術(shù)研究及應(yīng)用[J]. 中阿科技論壇(中英文), 2021(7): 94-96.

[7] 甘雨濤, 吳振輝, 陳志聰, 等. 基于LoRa和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)的光伏陣列故障診斷系統(tǒng)[J]. 電氣技術(shù), 2020, 21(8): 80-86.

[8] KUO Chaolin, CHEN Jianliang, CHEN S J, et al. Photovoltaic energy conversion system fault detection using fractional-order color relation classifier in micro- distribution systems[J]. IEEE Transactions on Smart Grid, 2017, 8(3): 1163-1172.

[9] 裴劉生, 周雙全, 王海峰, 等. PCA-CLUSTER和EMD-CNN相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法[J]. 太陽能, 2021(7): 59-65.

[10] 張曉鵬, 張興忠. 基于高斯核函數(shù)的支持向量機(jī)光伏故障診斷研究[J]. 可再生能源, 2021, 39(6): 760- 765.

[11] 何根新, 周俊杰, 周家興, 等. 基于自適應(yīng)權(quán)重粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷方法研究[J]. 電子設(shè)計(jì)工程, 2021, 29(9): 75-79.

[12] 劉圣洋, 冬雷, 王曉曉, 等. 基于高斯核模糊C均值聚類的光伏陣列故障診斷方法[J]. 太陽能學(xué)報(bào), 2021, 42(5): 286-294.

[13] CHINE W, MELLIT A, LUGHI V, et al. A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks[J]. Renewable Energy, 2016, 90: 501-512.

[14] 王召軍, 許志猛. 基于低分辨率紅外陣列傳感器的人體身份和動(dòng)作識(shí)別[J]. 電氣技術(shù), 2019, 20(11): 6-10, 26.

[15] 李冬輝, 尹海燕, 鄭博文, 等. 改進(jìn)的LSTM方法在冷水機(jī)組傳感器故障檢測中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(11): 2324-2332.

[16] 王晨, 寇鵬. 基于卷積神經(jīng)網(wǎng)絡(luò)和簡單循環(huán)單元集成模型的風(fēng)電場內(nèi)多風(fēng)機(jī)風(fēng)速預(yù)測[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(13): 2723-2735.

A photovoltaic system fault identification method based on convolutional neural network and long short-term memory network

TU Yanzhao GAO Wei YANG Gengjie

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108)

As the installed capacity of photovoltaic power generation continues to rise, how to detect and solve the faults and abnormalities of the photovoltaic modules in time to reduce energy loss and improve the power generation efficiency of photovoltaic systems has become a significant task. The characteristic differences between the-curves of photovoltaic arrays in different fault states are studied in this paper. The-curves are directly used as the input for fault diagnosis. On these grounds, a photovoltaic system fault identification method based on convolutional neural network (CNN) and long short-term memory (LSTM) network is proposed in this paper. Experimental results show that this method can not only identify single faults like short circuit, partial shading, abnormal aging and so on, but also effectively identify the simultaneous existence of hybrid faults.

photovoltaic power system; fault diagnosis;-curves; convolutional neural network (CNN); long short-term memory (LSTM) network

2021-09-02

2021-10-08

涂彥昭（1997—），男，福建省永春縣人，碩士研究生，主要從事新能源系統(tǒng)故障診斷研究工作。

福建省自然科學(xué)基金資助項(xiàng)目（2021J01633）