基于門控循環(huán)神經(jīng)網(wǎng)絡的光伏陣列 故障識別與定位研究

高天龍，劉衛(wèi)亮，張文軍

（1.西北工業(yè)大學微電子學院，陜西 西安 710129；2.華北電力大學自動化系，河北 保定 071003）

近年來，隨著社會的快速發(fā)展，能源需要日益增加。太陽能作為一種新能源，以其清潔、可再生等優(yōu)勢得到廣泛應用。同時光伏電站大多修建在沙漠、荒地等環(huán)境比較惡劣地區(qū)，光伏組件長期裸露在外，容易受到高溫暴曬、風沙和雨雪侵蝕，從而發(fā)生故障，影響光伏板的使用壽命以及光伏電站的發(fā)電效益。

針對光伏電站故障識別與定位，國內外學者開展了一些相關研究。國外學者中，M.S Iqbal等[1]提出了一種基于學生t檢驗的光伏電站故障檢測方法，該方法只針對電站的并網(wǎng)直流側，通過比較光伏電站實際與理論參數(shù)來識別不同故障類型；Liang等人[2]采用極限學習機和k均值聚類算法識別光伏電站異常情況，該方法未對光伏故障類型進行詳 細區(qū)分；Liu等人[3]通過動態(tài)時間歸整測量多個電 壓和電流的時間子序列，然后利用k均值聚類算法對相似性進行分類，進而識別光伏故障，該方法未對光伏故障進行定位；Dhimish等人[4]提出一種基 于徑向基和模糊控制檢測光伏故障的方法，采用光伏系統(tǒng)電壓和功率作為模型的輸入，進行光伏故障識別與定位，該方法故障類型設置單一且識別精度相對較低。

國內學者中，于航等[5]提出了一種基于3倍標準差準則與模糊c均值聚類相結合的光伏故障定位方法,該方法能夠準確定位光伏電站直流側故障，但其未對光伏故障類型進行區(qū)分；李光輝等[6]利用光伏陣列電壓與電流，通過半監(jiān)督機器學習算法識別故障類型，該方法只針對老化和開路故障。馬紀梅等[7]提出一種基于改進徑向基（RBF）神經(jīng)網(wǎng)絡的光伏組件故障識別策略，能夠對擊穿、開路和短路故障進行準確識別與定位，但該方法訓練樣本較少存在偶然性；葉進等[8]提出一種基于級聯(lián)隨機森林的光伏組件故障診斷策略，通過氣象監(jiān)測數(shù)據(jù)與光伏電站監(jiān)測數(shù)據(jù)，對是否正常、老化、遮掩、熱斑和其他異常情況進行識別，但未對故障進行定位。

上述光伏故障識別算法針對多類型故障識別率均較低，且故障定位誤判率較高。因此，本文提出一種基于門控循環(huán)（GRU）神經(jīng)網(wǎng)絡的光伏電站故障識別與定位策略：依據(jù)光伏組件工程模型，結合擾動觀測法和并網(wǎng)PQ控制，搭建光伏電站仿真模型；模擬光伏電站典型故障，獲取直流測串聯(lián)光伏板電壓、電流和交流測電流、輸出功率以及光伏電站特征參數(shù)；采用GRU神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡進行故障識別與定位。最后通過光伏實驗平臺驗證模型的準確性和有效性。

1 光伏電站仿真模型搭建

1.1 光伏組件數(shù)學模型

光伏組件為光伏陣列的最小發(fā)電單元，由眾多P-N結構成，結合材料物理和電子學理論，可得光伏組件數(shù)學模型為[9]：

式中：V和I分別為光伏組件輸出電壓與電流；IPV為光生電流；I0為反向飽和電流；q為電量電荷；n為理想因子；k為玻爾茲曼常數(shù)；RSh和RS分別為并聯(lián)電阻和串聯(lián)電阻；T為光伏板溫度。

依據(jù)光伏組件的數(shù)學模型和標準工況下的電氣特性，可推導出光伏組件的工程模型為：

式中：ISC和Voc分別為光伏組件短路電流與開路電壓；Tref為工作溫度；S為輻射強度；Vm和Im分別為最大功率點下的電壓與電流；α、β為溫度系數(shù)。

1.2 光伏電站仿真模型

光伏陣列一般由多個光伏光伏板串聯(lián)或并聯(lián)組成，無論串聯(lián)還是并聯(lián)都不會改變單個光伏板的特性。因此依據(jù)光伏組件工程模型，在標準測試條件下（輻射強度1 000 W/m2，溫度25 ℃）搭建光伏組件的仿真模型，如圖1所示。將光伏板模型進行封裝，給每塊光伏板后都配備1個最大功率點跟蹤（maximum power point tracking，MPPT）控制器，并采用擾動觀測法實現(xiàn)光伏組件的最大功率跟蹤。 在Simulink環(huán)境下，采用封裝后的光伏組件模型，搭建3×4光伏陣列，其中每列由4塊光伏板串聯(lián)而成。然后結合采用擾動觀測法的MPPT控制器和基于并網(wǎng)PQ控制的三相逆變器，構成光伏電站仿真模型。其中采樣時間設置為0.000 1 μs，逆變器設置為平均VSC模型，整個光伏發(fā)電系統(tǒng)的主電路仿真如圖2所示。

圖1 光伏組件仿真模型 Fig.1 The photovoltaic module engineering model

圖2 光伏發(fā)電系統(tǒng)的主電路仿真 Fig.2 Simulation diagram of main circuit of the photovoltaic system

兩級式三相逆變器采用PQ控制策略，將三相電壓Vabc和電流Iabc經(jīng)dq變換，轉換成不存在耦合關系的d軸分量vd、id和q軸分量iq。利用光伏電站并網(wǎng)無功功率Q和vd計算參考電流iq*。引入電網(wǎng)電壓前饋信號Vdc和參考電壓Vref，經(jīng)過PI控制器計算得參考電流id*。通過功率解耦控制，分別計算q軸和d軸的參考電壓，經(jīng)dq/abc坐標變換，轉換成電壓Uabc，從而控制三相逆變器，其Simulink控制模型如圖3所示。

圖3 三相逆變器PQ控制模型 Fig.3 The PQ control model of three-phase inverter

2 光伏電站故障特征模擬

本文選取光伏陣列中常見的6種故障進行分析，利用光伏電站仿真模型模擬光伏故障，獲取不同故障下光伏電站輸出參數(shù)，通過分析對比選定光伏故障識別特征參數(shù)。

2.1 光伏電站輸出參數(shù)選取

選取光伏陣列輸出電壓、電流和功率來識別與定位光伏故障，考慮到光伏電站減少傳感器數(shù)量會降低運營成本，于是在光伏陣列每一列的每2塊光伏板并聯(lián)1個電壓傳感器，共需要6個電壓傳感器。為確保光伏故障能夠精確識別與定位，并驗證系統(tǒng)的穩(wěn)定性，引入光伏電站交流側電流。運行仿真模型，測試系統(tǒng)的動態(tài)響應性能，將光照強度設置為階躍信號，初始值為1 000 W/m2，在0.04 s時光照強度下降至500 W/m2，繪制三相并網(wǎng)電流響應曲線，結果如圖4所示。由圖4可見，并網(wǎng)電流能夠快速響應，經(jīng)0.01 s暫態(tài)過程后趨于穩(wěn)定。且隨著光照強度降低，交流電流的有效值也隨之減小。

圖4 三相并網(wǎng)電流響應曲線 Fig.4 Response curves of three-phase grid-connected current

因此，選取每2塊光伏板對應的輸出電壓Vdc1—Vdc6、直流電流IPV、交流電流Iabc、輸出功率PPV以及輻射強度G作為光伏電站的特征參數(shù)。

2.2 光伏電站故障工況設置

圖5為光伏陣列不同故障模擬。首先，在標準狀況下將第1列中的1塊光伏板從光伏陣列中斷開，來模擬光伏陣列斷路故障。同樣，通過導線將光伏板兩端短接，來模擬光伏陣列短路故障。通過改變光伏陣列區(qū)域光照強度來模擬陰影遮擋，不同陰影遮擋系數(shù)不同[10]。經(jīng)仿真測試，發(fā)現(xiàn)遮擋系數(shù)小于0.95時模型可以正確區(qū)分，于是將第2列2塊光伏板光強設置為正常光強的0.9倍，來模擬局部遮擋。將后2塊光伏板光強設置為正常光強0.3倍，來模擬陰影遮擋。同樣的情況下，將2塊光伏組件遮擋系數(shù)調整為0.9，且將光伏板溫度設置為80 ℃，來模擬光伏熱斑[11]。

圖5 光伏陣列不同故障 Fig.5 Different faults of the photovoltaic array

光伏組件暴露在室外一段時間，會在表面附著一層積灰，從而影響光伏組件的輸出功率。李練兵等[12]在天津開展一項實驗表明，光伏組件在室外靜置6天，其表面積灰密度達到1 g/m2，輸出功率相應衰減8%。表1[13]為黃土積灰下光伏組件發(fā)電效率，擬合積灰密度R與相對發(fā)電效率η函數(shù)，可得：

表1 黃土積灰下光伏組件發(fā)電效率 Tab.1 The power generation efficiency of photovoltaic panels under loess ash accumulation

根據(jù)式(6)，在Simulink環(huán)境搭建積灰模塊，模擬密度為5 g/m2的積灰故障。

2.3 光伏電站故障模擬結果

采用光伏電站仿真模型驗證所選參數(shù)能否滿足光伏陣列故障的識別與定位。在標準工況下，采集光伏陣列逆變后的輸出功率，并繪制曲線，結果如圖6所示。

圖6 不同故障情況下光伏電站的輸出功率曲線 Fig.6 The grid-connected power curves of photovoltaic power stations under different fault conditions

由圖6可見，光伏陣列在不同故障狀態(tài)下輸出功率區(qū)分明顯，故所選輸出參數(shù)合理。

模擬不同光伏故障時，采集不同輻射強度（400～1 000 W/m2）下的光伏陣列輸出數(shù)據(jù)，對應故障分別記錄280組，構建1 960組訓練樣本集，表2為光伏電站在不同故障下的輸出參數(shù)。

表2 光伏電站在不同故障下輸出參數(shù) Tab.2 The output parameters of photovoltaic power station with different faults

3 光伏電站故障診斷模型

基于GRU神經(jīng)網(wǎng)絡的光伏電站故障診斷流程如圖7所示。

圖7 光伏電站故障診斷流程 Fig.7 The fault diagnosis flow chart of photovoltaic power station

由圖7可見，將預處理后的數(shù)據(jù)輸入GRU神經(jīng)網(wǎng)絡進行訓練，設定初始權重、偏置、迭代次數(shù)N、期望損失值θ，計算GRU神經(jīng)網(wǎng)絡各個輸出門和損失值L。每次通過比較L與θ的大小，得到迭代N次數(shù)后的最優(yōu)權重和偏置，最后利用光伏實驗平臺對故障診斷模型進行驗證。

3.1 GRU神經(jīng)網(wǎng)絡學習算法

GRU神經(jīng)網(wǎng)絡在2014年由Kyunghyun Cho提出，解決了標準循環(huán)神經(jīng)網(wǎng)絡（RNN）的梯度消失問題。GRU神經(jīng)網(wǎng)絡基于長短時記憶（LSTM）神經(jīng)網(wǎng)絡進行改進，簡化門結構為更新門與重置門，其原理如圖8所示。

圖8 GRU神經(jīng)網(wǎng)絡原理 Fig.8 Principle diagram of cellular structure of the GRU neural network

由圖8可見，GRU神經(jīng)網(wǎng)絡中輸入層沿網(wǎng)絡正向傳播，其中包括更新門rt、重置門zt、當前存儲狀態(tài)單元、當前時刻輸出狀態(tài)ht4個變量，各變量計算公式為：

式中：σ為sigmod激勵函數(shù)；Wr、Wz、分別為更新門、重置門和當前存儲狀態(tài)單元的權重；ht-1、xt分別為上一時刻輸出和當前時刻輸入；br、bz、分別為更新門、重置門和當前存儲狀態(tài)單元的偏置。

3.2 數(shù)據(jù)預處理與模型評估

采用上述光伏電站故障模擬獲取的1 960組樣本集，來訓練故障診斷模型。為確保診斷模型能夠快速進行迭代訓練且訓練結果真實有效，對訓練樣本進行數(shù)據(jù)清洗和歸一化處理。通過歸一化后的盒形圖能更直觀地區(qū)分正常光伏板與不同故障下光伏板的特征參數(shù)，圖9為正常光伏板與故障光伏板歸一化后的特征參數(shù)。圖9中樣本集輻射強度范圍400～1 000 W/m2，組成訓練樣本時取后20個輻射強度對應的490組樣本集作為測試樣本。

圖9 正常光伏板與故障光伏板歸一化后的特征參數(shù) Fig.9 The normalized characteristic parameters of normal and fault panels

本文選用準確率和交叉熵損失函數(shù)（L）作為模型評估指標，對光伏故障分類效果進行評估。損失函數(shù)值越小，模型分類結果越好。其計算公式為：

式中：L(θ)和hθ分別為實際和預測光伏故障識別結果；n為時間序列。

3.3 模型訓練

將預處理后的數(shù)據(jù)作為GRU神經(jīng)網(wǎng)絡的輸入，依據(jù)第2節(jié)選取的光伏電站故障特征參數(shù)，設置GRU神經(jīng)網(wǎng)絡模型輸入層為10維（對應光伏電站10個故障特征參數(shù)），將隱藏狀態(tài)和輸出狀態(tài)進行全鏈接，設置32個隱藏節(jié)點、輸出層為3維，即輸出故障類型（對應故障類型1—6）和故障定位（對應3×4陣列）。然后對GRU神經(jīng)網(wǎng)絡進行迭代訓練，其訓練過程模型損失值如圖10a)所示。

圖10 BP神經(jīng)網(wǎng)絡與GRU神經(jīng)網(wǎng)絡迭代過程的損失值 Fig.10 Loss values of iterative process of the BP and GRU neural network

同樣，將預處理后的數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡，BP神經(jīng)網(wǎng)絡包含輸入層、隱含層、輸出層，并由權值互相連接，分別設置輸入層為10維，隱含層節(jié)點為20，輸出層為3維，學習率為0.01，迭代次數(shù)為20 000，構建10-20-3的BP神經(jīng)網(wǎng)絡。其訓練過程損失值如圖10b)所示。

由圖10可見，剛開始訓練損失值快速下降，隨著迭代次數(shù)增加，損失值曲線逐漸趨于平緩。BP神經(jīng)網(wǎng)絡迭代18 000次后損失值降為0.035 7，而GRU神經(jīng)網(wǎng)絡迭代1 750次后損失值降為0.009 1。故障分類和定位已達到精度要求，故停止模型迭代訓練。

采用490組測試樣本進一步對比BP神經(jīng)網(wǎng)絡和GRU神經(jīng)網(wǎng)絡故障分類和定位的準確性，訓練結果見表3。由表3可見，GRU神經(jīng)網(wǎng)絡模型訓練結果均優(yōu)于BP神經(jīng)網(wǎng)絡，GRU神經(jīng)網(wǎng)絡模型的驗證集損失值為0.006 1，測試正確率為99.59%，相對BP神經(jīng)網(wǎng)絡提高0.41百分點。

表3 BP神經(jīng)網(wǎng)絡和GRU神經(jīng)網(wǎng)絡模型訓練結果 Tab.3 Training results of the BP and GRU neural network model

將GRU神經(jīng)網(wǎng)絡故障診斷模型的測試集結果進行反歸一化處理，輸出光伏電站故障分類和定位，結果如圖11所示。由圖11可見，GRU神經(jīng)網(wǎng)絡模型只有1次將局部遮擋故障誤認為短路故障，且對應位置誤定位為（1, 2），其余測試樣本均能準確識別和定位。

圖11 GRU神經(jīng)網(wǎng)絡故障識別與定位結果 Fig.11 The fault identification and location results based on GRU neural network

4 實驗分析

基于保定某地的光伏實驗平臺（圖12）進行驗證，光伏實驗平臺由32個光伏組件、MPPT控制器和負載構成。其中光伏組件的額定功率為50 W，傾角為48°，每塊光伏板都配備MPPT控制和負載，選取4塊光伏板進行編號（PV1—PV4）。

圖12 光伏實驗平臺設備連接示意 Fig.12 Schematic diagram of the equipment connection of photovoltaic experimental platform

實驗中創(chuàng)建4類常見故障：開路、局部遮擋、陰影遮擋和積灰故障。人為斷開PV1光伏板模擬光伏陣列開路故障，由樹葉、鳥糞等附著在光伏板表面形成局部遮擋故障。本文于2021年4月27日12:00—16:30晴天工況下進行光伏板局部遮擋實驗，將遮擋物在PV2光伏板表面放置20 min，測量光伏陣列輸出功率。

然后在2021年4月28日12:00—17:00晴天工況下進行光伏積灰實驗，首先將光伏板清洗干凈，人為在PV3光伏板上均勻涂抹密度為5 g/m2的黃土，采集光伏組件的運行參數(shù)。在同樣工況下，于2021年5月2日12:00—17:00開展陰影遮擋實驗，測量光伏陣列輸出功率。

繪制不同故障下測量的光伏陣列輸出功率曲線，結果如圖13所示。由圖13可見，當PV4支路從光伏陣列中斷開模擬光伏陣列開路故障，出現(xiàn)輸出功率整體下降。局部遮擋故障在放置遮擋物后，光伏陣列輸出功率突然下降，移除后功率恢復正常。當PV2發(fā)生積灰故障時，光伏陣列輸出功率與正常工況下有明顯區(qū)分。在15:30時PV4光伏板被建筑物所遮擋，形成陰影遮擋故障，其輸出功率呈斷崖式下降。

圖13 不同故障狀態(tài)下光伏陣列的輸出功率對比 Fig.13 Comparison of output power of the photovoltaic array under different fault conditions

光伏實驗平臺每隔5 min保存一次數(shù)據(jù)，分別采集5 h不同故障下的光伏陣列輸出參數(shù)，構建了420個測試樣本集。將測試樣本輸入訓練好的GRU神經(jīng)網(wǎng)絡中，其部分輸出結果見表4。由表4可見，本文GRU神經(jīng)網(wǎng)絡模型的故障診斷準確率為100%，能準確識別和定位故障。

表4 不同故障下光伏4×1陣列的識別與定位結果 Tab.4 Identification and location results of photovoltaic 4×1 array with different faults

5 結 論

1）將GRU神經(jīng)網(wǎng)絡應用于光伏電站故障診斷與識別中，搭建光伏電站仿真模型。模擬光伏陣列典型故障，采集光伏電站輸出參數(shù)，作為GRU神經(jīng)網(wǎng)絡故障識別與定位的訓練樣本。

2）提出一種基于GRU神經(jīng)網(wǎng)絡的光伏電站故障識別與定位策略，可以準確識別與定位光伏電站典型故障，便于發(fā)生故障時，能夠快速對光伏板進行維護，也可以提前預警，避免永久損壞光伏板。

3）通過仿真和實驗，GRU神經(jīng)網(wǎng)絡故障診斷方法的損失值為0.006 1，其正確率相較于BP神經(jīng)網(wǎng)絡提高了2.75百分點，且測試集準確率達到99.95%；證明GRU神經(jīng)網(wǎng)絡故障診斷方法在實際工況下能正確識別與定位光伏陣列故障，可用于指導光伏電站日常維護，提高電站的經(jīng)濟效益。