基于改進原子軌道搜索算法優(yōu)化隨機森林分類器的光伏系統(tǒng)故障診斷

楊曉燕，謝滿承，郭小璇，趙巖，陳翀旻，陳子民，廖卓穎

（1.廣西電網(wǎng)有限責任公司南寧供電局，南寧 530001； 2.廣西電網(wǎng)有限責任公司電力科學研究院，南寧 530023；3.中國科學院廣州能源研究所，廣州 501640）

0 引言

隨著我國“雙碳”目標的提出及碳減排工作的不斷深入，以新能源為主體的新型電力系統(tǒng)快速發(fā)展，光伏發(fā)電因可用性高、安裝速度快、維護成本低、能源獨立性強，成為常用的可再生清潔能源之一［1-2］。國家能源局公布的數(shù)據(jù)顯示，截至2022 年年底，全國累計光伏并網(wǎng)容量約為3.920 4 億kW，同比增長了28.12%，其中集中式光伏電站累計并網(wǎng)容量為2.344 2 億kW，分布式光伏電站累計并網(wǎng)容量為1.576 2 億kW［3］。光伏電站系統(tǒng)由組件、逆變器、匯流箱、支架等多個部件組成，它們通常在惡劣的室外環(huán)境中運行，強風、大雨、冰雹、污染、紫外線、熱循環(huán)和不當?shù)倪\輸、安裝、維護等都會導致光伏系統(tǒng)出現(xiàn)各種故障［4］。光伏系統(tǒng)部件眾多，任何一個環(huán)節(jié)出現(xiàn)問題，都會影響電站的正常運行［5］，輕則損失發(fā)電量（據(jù)Firth 等的統(tǒng)計，光伏陣列故障可導致輸出電能減少18.9%［6］），重則引起火災(zāi)等。光伏系統(tǒng)故障大多發(fā)生在直流側(cè)，即模塊或陣列本身，也可能發(fā)生在交流側(cè)，涉及逆變器或與電網(wǎng)的連接異常［7］。據(jù)統(tǒng)計，組件、逆變器、匯流箱等直流側(cè)設(shè)備故障占比高達90.18%；電纜、箱式變電站、土建、升壓站等交流側(cè)設(shè)備故障占比達9.82%［8］。為了確保光伏陣列可靠運行，近年來許多國內(nèi)外學者對故障檢測和診斷方法進行了廣泛研究。

通過時序電流-電壓（I-V）測量進行光伏陣列故障診斷是目前較普遍的診斷方法［9］，光伏電站數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)通過傳感器測量并采集各部件的相關(guān)運行參數(shù)，這些電壓、電流、頻率等參數(shù)能反映組件的運行狀態(tài)信息［10］。對比電壓、電流、頻率等數(shù)據(jù)正常運行值和實際值間的差值，經(jīng)過算法分析得到故障診斷的結(jié)果［9］。在分析計算過程中，常采用群智能算法對核極限學習機［11-12］、神 經(jīng) 網(wǎng) 絡(luò)［13］、隨 機 森 林（Random Forest，RF）［14］等分類診斷算法進行優(yōu)化。文獻［11］提出了一種基于螢火蟲擾動的改進麻雀搜索算法優(yōu)化傳統(tǒng)極限學習機的光伏系統(tǒng)故障診斷方法，能夠有效解決傳統(tǒng)故障診斷方法收斂速度慢的問題。文獻［12］利用Levy 飛行策略和自適應(yīng)t分布策略對麻雀搜索算法進行改進，再利用改進后的麻雀搜索算法對核極限學習機的核參數(shù)和正則化系數(shù)進行優(yōu)化，提高了核極限學習機分類的準確率。文獻［13］提出了利用自適應(yīng)權(quán)重粒子群對反向傳播（Back Propagationg，BP）神經(jīng)網(wǎng)絡(luò)優(yōu)化的光伏陣列故障診斷方法，提高了故障診斷的實時性。文獻［14］提出了一種基于級聯(lián)RF 的光伏組件在線故障診斷模型，其準確率和收斂時間都優(yōu)于單一的RF 模型與BP神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)故障診斷方法對樣本數(shù)量要求高，對相關(guān)參數(shù)的依賴性強；核極限學習機方法對數(shù)據(jù)集中存在的離群點過于敏感；而RF 算法對泛化誤差采用無偏估計，具有較強的泛化能力及強抗干擾和抗過擬合特性。因此，本文選擇RF 分類器作為光伏系統(tǒng)故障診斷的基礎(chǔ)算法，同時在原子軌道搜索（Atomic Orbital Search，AOS）算法的基礎(chǔ)上提出改進的IAOS 算法，共同構(gòu)建光伏陣列故障診斷模型。首先，對光伏系統(tǒng)故障進行分類；然后，用IAOS算法優(yōu)化RF 分類器，形成更加高效的IAOS-RF 模型；最后，對光伏系統(tǒng)故障進行仿真試驗分析。

1 光伏系統(tǒng)故障分類

本文使用實驗室可實現(xiàn)的典型并網(wǎng)光伏系統(tǒng)來驗證所提算法在最大功率點跟蹤（Maximum Power Point Tracking，MPPT）模式下的故障診斷性能。該光伏系統(tǒng)由N×M個光伏組件陣列、反饋傳感器、MPPT 控制器、逆變器和升壓變壓器組成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 光伏系統(tǒng)結(jié)構(gòu)Fig.1 Structure of a PV system

常見的光伏系統(tǒng)故障只考慮了光伏組件老化、遮陰問題和陣列之間的短路、開路問題［15-17］，很少涉及系統(tǒng)中傳感器、控制器、逆變器等元件的故障。本文除了常見的光伏陣列故障，更偏重對不同元件的故障類型進行分類，所述光伏系統(tǒng)不同工作狀態(tài)包括正常狀態(tài)、逆變器故障、反饋傳感器故障、電網(wǎng)異常故障、局部陰影故障、單支路開路故障、MPPT控制器故障和升壓轉(zhuǎn)換器控制器故障，并對此進行編號。表1為以上運行狀態(tài)及故障成因。

2 算法原理與改進

2.1 AOS算法基本原理

AOS 算法是在原子搜索算法基礎(chǔ)上提出的新型元啟發(fā)式算法，原子間的相互作用力是該算法數(shù)學模型的關(guān)鍵，而電子密度配置和原子吸收或發(fā)射能量的基本原理則是AOS算法的主要思想［18］。AOS算法模擬了電子在高低兩種能態(tài)之間的轉(zhuǎn)移過程，在該算法中，每個電子代表一個可行解X，搜索空間為圍繞原子核的電子云，其物理模型可分成不同半徑的薄球殼層，也稱為電子軌道。每個電子由搜索空間中的可行解Xi表示，決策變量xji用于定義候選解在搜索空間中的位置，該目標的數(shù)學方程為

式中：m為搜索空間內(nèi)電子的數(shù)量；d為可行解的維數(shù)。

電子云中電子的初始位置根據(jù)以下數(shù)學方程隨機確定。

式中：E為目標函數(shù)值的向量；Ei為第i個電子的能級。

在基于量子的原子模型中，電子在原子核周圍的位置由電子的概率密度函數(shù)（Probability Density Function，PDF）決定。原子核周圍的電子云分為多個虛擬層，PDF用于確定可行解在這些層中的位置?？尚薪饣谧钚』蜃畲蠡瘍?yōu)化問題按升序或降序進行排序，較好目標函數(shù)值的可行解代表較低能級的電子。因此，具有較高PDF 值的可行解位于內(nèi)部虛擬電子層，而具有較低PDF 值的可行解位于外部虛擬電子層，如圖2所示。

圖2 通過PDF確定可行解位置Fig.2 Determining the positions of solution candidates by PDF

圖2 所示的原子軌道模型中，隨機整數(shù)n用于表示虛擬層L的數(shù)量。這些層將整個搜索空間劃分為多個部分，以便在數(shù)學上表示原子核周圍電子的波動行為。這些層的半徑表示這些層在核周圍的分布方式，其中較小半徑的層為核層（L0），較大半徑的層為核周圍n個（L1—Ln）球形層。

虛擬層中可行解位置Xk和目標函數(shù)值Ek的矢量方程如下

2.2 IAOS算法

在光子的發(fā)射、吸收部分的更新策略中引入自適應(yīng)權(quán)重和反向?qū)W習機制更新電子位置，可以提高搜索空間的全面勘探和開發(fā)能力，更加快速準確地找到最佳值。

2.3 IAOS-RF算法

利用IAOS算法對RF的決策樹數(shù)目和決策樹深度進行優(yōu)化求解，形成更加高效的組合訓練模型。選取該模型的期望輸出值和實際輸出值的均方差為目標函數(shù)即適應(yīng)度值，利用原子軌道中的電子聚集來確定決策樹數(shù)目和決策樹深度，當均方差值最小時，就確定了RF的一組理論最優(yōu)參數(shù)。IAOS-RF模型的具體實現(xiàn)步驟如下。

（1）數(shù)據(jù)預(yù)處理。對采集的原始特征參數(shù)進行數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)歸一化和數(shù)據(jù)打亂等。

（2）算法初始化。初始化AOS 算法參數(shù)和RF的最大迭代次數(shù)，其中AOS 算法參數(shù)及其常見的取值范圍為：軌道數(shù)n∈［2，10］，原子數(shù)i∈［2，50］，光子速率vp∈（0，1）。

（3）計算個體適應(yīng)度值。每個電子都有一個能量狀態(tài)，對應(yīng)各個個體的適應(yīng)度值。

（4）確定各個層級的結(jié)合能和結(jié)合態(tài)。將各層中的電子位置平均值記為結(jié)合態(tài)，結(jié)合能為各個個體適應(yīng)度值的平均值。

（5）更新電子位置。引入自適應(yīng)權(quán)重和反向?qū)W習機制對光子的發(fā)射、吸收部分的更新策略進行改進，更新電子狀態(tài)。

（6）更新電子最優(yōu)位置與適應(yīng)度值。在尋優(yōu)迭代過程中，對電子的位置向量和適應(yīng)度進行更新。

（7）確定RF 分類器最優(yōu)參數(shù)。重復步驟（3）—（6），當達到算法最大迭代次數(shù)或滿足算法設(shè)定精度時，則認為算法趨于收斂，停止迭代，輸出理論最優(yōu)決策樹數(shù)目和決策樹深度給RF分類器。

（8）抽取子數(shù)據(jù)集。采取有放回的抽樣方式在原始數(shù)據(jù)集中進行子數(shù)據(jù)集的隨機抽取。

（9）構(gòu)建決策樹。假設(shè)一個子數(shù)據(jù)集有X個屬性，決策樹的節(jié)點需要分裂時，從這些屬性中隨機抽選出Y個屬性（Y?X）；再通過信息增益方式從Y個屬性中選擇一個作為該節(jié)點的分裂屬性；不斷重復這個步驟，直到達到?jīng)Q策深度值為止。

（10）構(gòu)建RF。按照步驟（8）—（9）來構(gòu)建大量若干的決策樹直到達到?jīng)Q策樹數(shù)目值為止，這些子決策樹就會構(gòu)成RF。

（11）進行故障診斷。將數(shù)據(jù)集輸入不同的子決策樹，得到不同的判斷結(jié)果，判斷結(jié)果最多的就是RF的最佳故障診斷分類結(jié)果。

3 算例分析

3.1 數(shù)據(jù)樣本選取

本文數(shù)據(jù)來自Azzeddine Bakdi提供的實驗室并網(wǎng)光伏系統(tǒng)故障數(shù)據(jù)［19］。在并網(wǎng)光伏系統(tǒng)的8種工作狀態(tài)下分別采集200 組數(shù)據(jù)，共1 600 組，隨機抽取1 200 組數(shù)據(jù)作為故障診斷的訓練樣本，其余400組數(shù)據(jù)作為該模型的測試樣本。采用的光伏發(fā)電陣列工作于最大功率點，關(guān)注的電氣參數(shù)包括光伏陣列電流Ipv、光伏陣列電壓Vpv、直流電壓Vdc、A 相電流ia、B相電流ib、C相電流ic、A相電壓va、B相電壓vb、C相電壓vc，典型樣本數(shù)據(jù)見表2。

3.2 試驗過程及診斷結(jié)果

將IAOS-RF 算法的最大迭代次數(shù)設(shè)為100，用于電子位置測定的光子率設(shè)為0.1，電子數(shù)量設(shè)為30，虛擬層數(shù)設(shè)為5。以上參數(shù)對算法性能的影響是相互關(guān)聯(lián)的：較小的最大迭代次數(shù)和較高的光子率可加快算法的收斂速度，但也可能降低搜索的精度；較多的電子數(shù)量和較大的虛擬層數(shù)可以增加全局搜索的能力，但也增加了計算和存儲的壓力。因此，選擇適當?shù)膮?shù)組合以平衡算法的速度和品質(zhì)至關(guān)重要。本文參數(shù)設(shè)定原因如下。

表2 光伏陣列典型樣本數(shù)據(jù)Table 2 Typical sample data for PV arrays

（1）本算法用于故障診斷場景時，目標函數(shù)趨于穩(wěn)定所需的迭代次數(shù)基本都少于100，因此將最大迭代次數(shù)設(shè)為100。較小的迭代次數(shù)可以在相對較短的時間內(nèi)得到結(jié)果，適用于簡單問題或需要較快得到結(jié)果的場景，避免算法過度迭代。

（2）較高的光子率意味著光子更有可能進入較遠的位置，擴大搜索空間，以便更好地發(fā)現(xiàn)潛在的解，但會降低搜索精度。綜合考慮精度和收斂速度要求，選擇光子率為0.1。

（3）較多的電子數(shù)量可以提高算法的全局搜索能力，但也增加了計算和存儲的成本，選擇適當?shù)碾娮訑?shù)量可在考慮效率的同時保持算法的搜索品質(zhì)。為了平衡搜索的速度和精度，將電子數(shù)量設(shè)為30。

（4）通過引入虛擬層，算法可以探索更多不同的解并避免陷入局部最優(yōu)解，較大的虛擬層數(shù)將增加計算和存儲要求，但可以提高算法的搜索效果。為了增加搜索的靈活性和多樣性，將虛擬層數(shù)設(shè)為5。

利用3.1 節(jié)采集的數(shù)據(jù)集，在IAOS-RF 算法模型中進行迭代訓練，將訓練結(jié)果與AOS-RF 模型和傳統(tǒng)RF 模型的訓練結(jié)果進行對比，其中各電氣特征參數(shù)在診斷過程中的重要性如圖3 所示。其中，Ipv，Vpv，Vdc這3 個特征參數(shù)占較高比重。由此可見，不同運行狀態(tài)下，這3個參數(shù)差異較大，其閾值差能有效幫助識別故障類型。

圖3 電氣特征參數(shù)的重要性Fig.3 Importance of electrical characteristic parameters

經(jīng)過仿真試驗得到IAOS-RF 和AOS-RF 算法模型的迭代次數(shù)值和適應(yīng)度值，結(jié)果見表3。由表3可以看出：IAOS-RF 算法模型迭代55次左右時目標函數(shù)的結(jié)果就趨于穩(wěn)定，而AOS-RF 需要迭代70 次左右才能趨于穩(wěn)定，說明改進后的算法可以更好地跳出局部極值點，能以更快的速度收斂到全局最優(yōu)；同時，IAOS-RF 算法模型適應(yīng)度為0.032，而AOS-RF算法模型的適應(yīng)度為0.035，說明改進后的算法尋優(yōu)精度更好。這是因為引入了自適應(yīng)權(quán)重和反向?qū)W習機制對光子發(fā)射和吸收部分的更新策略進行改進，用于更新電子狀態(tài)。自適應(yīng)權(quán)重機制的作用是根據(jù)當前搜索狀態(tài)和解的情況，動態(tài)調(diào)整光子發(fā)射和吸收的權(quán)重，使得算法能夠更好地平衡探索和利用的能力，更有效地搜索解空間；通過引入反向?qū)W習機制，電子的位置將根據(jù)光子發(fā)射和吸收的結(jié)果進行更新，這種更新機制使得電子能夠更快地朝著更優(yōu)解的方向移動，從而加速算法的收斂。

表3 2種算法模型的迭代次數(shù)和適應(yīng)度Table 3 Iteration times and fitness of the two models

對故障特征參數(shù)的樣本數(shù)據(jù)進行訓練后，將其余400 組測試集數(shù)據(jù)輸入3 種模型，得到的測試集的故障診斷分類結(jié)果見表4。

表4 3種算法模型診斷結(jié)果Table 4 Diagnostic accuracy of the three models

（1）在相同樣本數(shù)據(jù)集下，IAOS-RF 算法模型的診斷精度達到了98.00%，略高于AOS-RF 的95.00%，二者均遠高于RF 算法模型的77.25%。這是由于AOS 優(yōu)化了RF 分類器的決策樹數(shù)目和決策樹深度，使得分類器中的決策樹可以更好地將光伏陣列的故障數(shù)據(jù)分解為不同維度的細節(jié)信息，理論上可以不斷逼近實際故障類型的輸入輸出非線性映射關(guān)系。

（2）在測試的400組數(shù)據(jù)中，IAOS-RF 算法模型僅誤診斷8 組數(shù)據(jù)，IAOS-RF 算法模型的測試集預(yù)測結(jié)果如圖4所示。AOS-RF 算法模型誤診斷20組數(shù)據(jù)，傳統(tǒng)RF 模型則誤診斷60 組數(shù)據(jù)。表明改進的IAOS 優(yōu)化RF 分類器后，有效增強了故障模型的分類診斷能力，在區(qū)域搜索過程中收斂速度和適應(yīng)度均得到了一定提升，因此可以更準確地對光伏系統(tǒng)故障進行診斷。另外，對于第4種故障，即電網(wǎng)異常故障，IAOS-RF 算法和AOS-RF 算法的誤診率均為最高。究其原因，可能是樣本不平衡以及算法對特定故障類型的魯棒性不足等。

針對這些問題，提出以下能增強算法對各種故障類型適應(yīng)能力的方法。

圖4 IAOS-RF算法模型測試集預(yù)測結(jié)果Fig.4 Predicted results of the testing set by IAOS-RF algorithm

（1）數(shù)據(jù)清洗和預(yù)處理。引入更多的數(shù)據(jù)清洗和預(yù)處理步驟，減少噪聲，處理缺失數(shù)據(jù)等，以提高算法對數(shù)據(jù)質(zhì)量的魯棒性并降低誤診斷的風險。

（2）特征選取和特征工程。使用領(lǐng)域?qū)＜业戎R，結(jié)合模型進行自動篩選和特征提取，進一步改善特征表示能力，優(yōu)化特征選擇的過程。

4 結(jié)論

針對光伏系統(tǒng)故障難以被準確高效地診斷和分類問題，利用IAOS-RF 算法模型對光伏系統(tǒng)進行故障診斷，得到如下結(jié)論。

（1）IAOS具有更強的尋優(yōu)能力和更快的收斂速度，可有效對光伏系統(tǒng)故障進行診斷，不受模型其他參數(shù)影響。

（2）相較于傳統(tǒng)RF 和AOS-RF 算法模型，IAOS-RF 算法模型可以更加迅速準確地識別出光伏陣列的各類故障，在故障診斷效率和精度上都有明顯的優(yōu)勢。

（3）利用IAOS-RF 算法建立基于數(shù)據(jù)驅(qū)動的診斷模型，在樣本有限的情況下具有良好的泛化能力，能夠有效提高光伏發(fā)電陣列故障分類的準確性，仿真證明該方法的故障診斷準確率可達98%。

IAOS-RF 算法在光伏系統(tǒng)故障診斷方面取得了顯著的成果，但仍存在一些局限性和改進空間，需要進一步研究和探討。

（1）在現(xiàn)實應(yīng)用中，光伏系統(tǒng)故障數(shù)據(jù)可能受到多種因素的影響，如噪聲、缺失數(shù)據(jù)等。因此，如何處理和優(yōu)化這些數(shù)據(jù)質(zhì)量問題以及如何更準確地選擇和提取故障特征，仍然是一個值得研究的方向。

（2）盡管IAOS-RF 算法能夠有效地處理光伏系統(tǒng)的故障診斷問題，但結(jié)合其他機器學習方法可能進一步提升其性能。例如，可以考慮結(jié)合深度學習方法，如卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)，以便更好地解決特征提取和模式識別問題。

（3）隨著光伏系統(tǒng)的不斷發(fā)展，其結(jié)構(gòu)和運行情況可能變得更加復雜。如何進一步提升IAOSRF算法的泛化能力，以適應(yīng)各種系統(tǒng)結(jié)構(gòu)和工況變化，是未來研究的一個關(guān)鍵方向。