基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的光伏故障實(shí)時(shí)在線診斷方法研究

曾瑞江，黃縉華，李志勇

南方電網(wǎng)公司電網(wǎng)自動(dòng)化重點(diǎn)實(shí)驗(yàn)室(廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院)，廣東廣州，510630

0 引言

傳統(tǒng)的光伏發(fā)電系統(tǒng)故障診斷方法主要分為兩類：一類是基于傳統(tǒng)的電特性參數(shù)或電氣特性的故障診斷方法，如電參數(shù)法、電氣特性法和開路電壓法；另一類是基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法，如BP神經(jīng)網(wǎng)絡(luò)、徑向基（RBF）神經(jīng)網(wǎng)絡(luò)等。以上兩類故障診斷方法均是在光伏發(fā)電系統(tǒng)出現(xiàn)故障后才能進(jìn)行，若在未出現(xiàn)故障時(shí)即發(fā)現(xiàn)或檢測(cè)到了故障，則會(huì)導(dǎo)致檢測(cè)結(jié)果出現(xiàn)偏差，甚至誤報(bào)。針對(duì)上述問(wèn)題，本文提出了一種基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的光伏組件故障實(shí)時(shí)在線診斷方法，該方法能夠根據(jù)實(shí)際光伏組件出現(xiàn)的各種故障類型，動(dòng)態(tài)識(shí)別光伏組件發(fā)生的各種故障。本文所提出的基于LM算法的BP神經(jīng)網(wǎng)絡(luò)的光伏組件故障實(shí)時(shí)在線診斷方法，與傳統(tǒng)方法相比，具有較高的識(shí)別準(zhǔn)確率，且檢測(cè)時(shí)間短、效率高、無(wú)需維護(hù)[1-3]。

1 預(yù)測(cè)模型的輸入

本文中采用的預(yù)測(cè)模型來(lái)自Simulink仿真軟件中的SimPowerSystems模塊。Simulink是美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室開發(fā)的一種用于模擬與仿真的軟件工具，具有強(qiáng)大的仿真功能，可以快速、方便地建立復(fù)雜系統(tǒng)的仿真模型。Simulink提供了強(qiáng)大的建模、仿真、分析工具，使用其進(jìn)行仿真實(shí)驗(yàn)具有很大的優(yōu)勢(shì)。為了方便對(duì)光伏陣列進(jìn)行故障預(yù)測(cè)，本文采用Simulink對(duì)光伏陣列輸出功率進(jìn)行仿真實(shí)驗(yàn)[4-5]。

光伏陣列的輸出功率計(jì)算公式為：

公式中：P表示光伏陣列的能量轉(zhuǎn)換效率，S表示光伏陣列的容量，l表示太陽(yáng)光的照射強(qiáng)度，Tc表示溫度[6]。

由于輻射強(qiáng)度是影響太陽(yáng)能電池陣列發(fā)電效率的重要因素，我們使用Simulink進(jìn)行計(jì)算，模擬一個(gè)由單元×10太陽(yáng)能光伏發(fā)電器件陣列組成的系統(tǒng)。該系統(tǒng)的額定功率為213.15W，故障電流為784A，型號(hào)為SSH-215。我們通過(guò)這個(gè)模擬得到環(huán)境溫度和輻射強(qiáng)度對(duì)輸出功率的影響曲線，分別如圖1和圖2所示。

圖1 光伏陣列隨輻射強(qiáng)度變化曲線圖

圖2 光伏陣列隨環(huán)境溫度變化曲線圖

1.1 輻射強(qiáng)度對(duì)光伏陣列輸出功率的影響

圖1的結(jié)果顯示，在溫度為25℃時(shí)，我們可以觀察到在l-V曲線上，隨著流量的增加，出口流量基本保持不變。當(dāng)流量超過(guò)開關(guān)壓力時(shí)，光電陣列的流量會(huì)急劇下降。此外，我們還可以觀察到隨著照射度的增加，流量也隨之增加。而在P-V曲線上，每條曲線都有一個(gè)峰值點(diǎn)，即輸出能量最大的點(diǎn)。此外，照明程度越高，輸出能量也越大。因此，我們可以將輻射強(qiáng)度作為BP神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸入?yún)?shù)。由于外部環(huán)境，如季節(jié)和氣候等，都與太陽(yáng)輻射相關(guān)，所以我們將其納入輻射范疇進(jìn)行研究和討論。

1.2 環(huán)境溫度對(duì)光伏陣列輸出功率的影響

在標(biāo)準(zhǔn)輻射（1000W/m2）下，圖2展示了光伏陣列在環(huán)境溫度變化下的l-V和P-V曲線。從圖中可以觀察到，光伏陣列的電壓基本上不受溫度的影響。然而，光伏陣列的輸入和輸出能量會(huì)受到周圍環(huán)境氣溫變化的限制。當(dāng)電壓超過(guò)規(guī)定值時(shí)，隨著周圍環(huán)境氣溫的升高，會(huì)導(dǎo)致輸入輸出功率的下降[7]。因此，考慮到環(huán)境氣溫對(duì)光伏陣列輸入和輸出能量的限制，我們選擇溫度作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)。

1.3 故障程度對(duì)光伏陣列輸出功率的影響

如圖3所示，失效面積愈大，太陽(yáng)能電池模塊的輸出就愈小。在此基礎(chǔ)上，建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的太陽(yáng)能電池板故障預(yù)測(cè)模型，并對(duì)其進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

圖3 不同故障面積下P-V 曲線圖

2 預(yù)測(cè)模型的建立及改進(jìn)

本文旨在建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用于估算單個(gè)故障光伏模塊的輸入輸出能量。通過(guò)評(píng)估光伏模塊的故障程度，我們可以判斷該模塊是否仍能正常工作。對(duì)于具有相同并聯(lián)模塊數(shù)量的情況，預(yù)測(cè)模型的輸入/輸出能量就是每個(gè)故障模塊的輸入/輸出能量。對(duì)于具有多塊并聯(lián)模塊的情況，模型估算的輸入/輸出能量是每個(gè)并聯(lián)光伏模塊的總輸入/輸出能量。基于此，我們需要對(duì)多個(gè)并聯(lián)模塊進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)能量與其他正常模塊的能量差相乘，以獲得單個(gè)故障模塊的能量值。具體來(lái)說(shuō)，對(duì)于具有相同并聯(lián)模塊數(shù)量的情況，每個(gè)并聯(lián)模塊都有自己的預(yù)測(cè)輸入/輸出能量，該模塊的預(yù)測(cè)輸入/輸出能量應(yīng)該等于該模塊正常工作時(shí)的輸入/輸出能量。該方法解決了BP神經(jīng)網(wǎng)絡(luò)中當(dāng)網(wǎng)絡(luò)層數(shù)較多時(shí)，學(xué)習(xí)過(guò)程較為復(fù)雜的問(wèn)題。本文采用了一種基于LM算法的BP神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建預(yù)測(cè)模型，該模型使用了LM算法來(lái)確定BP神經(jīng)網(wǎng)絡(luò)模型中各個(gè)神經(jīng)元的權(quán)值和閾值。LM算法是一種基于梯度下降法的全局優(yōu)化算法，具有搜索速度快、計(jì)算精度高等特點(diǎn)。

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

本文預(yù)測(cè)模型中使用了三個(gè)輸入變量來(lái)描述光伏模塊的特性：初始狀態(tài)、模塊故障狀態(tài)和正常工作狀態(tài)。預(yù)測(cè)模型的輸入變量如表1所示。

表1 預(yù)測(cè)模型的輸入變量

并以此為基礎(chǔ)，對(duì)各種故障情況下的光伏組件對(duì)整體發(fā)電性能的影響進(jìn)行了分析。在此基礎(chǔ)上，本文提出了一種新的太陽(yáng)能電池板的設(shè)計(jì)方法。隱節(jié)點(diǎn)的選擇對(duì)網(wǎng)絡(luò)的規(guī)模、性能有很大的影響。為增加模型穩(wěn)定性，本文選用如下公式確定隱藏層節(jié)點(diǎn)數(shù)。

2.2 激活函數(shù)的確定

神經(jīng)網(wǎng)絡(luò)需要一個(gè)能處理全部輸入信息的初值，而初值必須與原點(diǎn)的對(duì)稱性有關(guān)[8]。BP神經(jīng)網(wǎng)絡(luò)中常見(jiàn)的激活函數(shù)有：sigmoid參數(shù)、Relu參數(shù)和purelin參數(shù)，sigmoid參數(shù)又可以被劃分為logsig參數(shù)和tansig參數(shù)，其中tansig參數(shù)和purelin參數(shù)是與原點(diǎn)對(duì)稱有關(guān)的。為此，我們選取了與原點(diǎn)對(duì)稱性有關(guān)的tansig及purelin兩個(gè)變量，并將其作為激活函數(shù)。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型如圖5所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

對(duì)于每個(gè)光伏模塊，其輸出電壓可以由一個(gè)電壓傳感器獲得，傳感器的輸出電壓與模塊的電流和電壓有關(guān)。但是在實(shí)際應(yīng)用中，光伏模塊并不是固定在光伏電池板上，而是隨著時(shí)間的推移會(huì)發(fā)生傾斜和偏移。因此，我們需要建立一個(gè)基于時(shí)間變量的輸出能量預(yù)測(cè)模型。該模型只需計(jì)算當(dāng)前時(shí)刻的輸出能量即可。對(duì)于具有相同并聯(lián)模塊數(shù)量的情況，光伏模塊的輸出電壓可以用一系列預(yù)測(cè)模型來(lái)表示，而每個(gè)預(yù)測(cè)模型都需要計(jì)算輸入/輸出能量、功率損耗和電流損耗等參數(shù)。通過(guò)將上述計(jì)算結(jié)果與實(shí)際值進(jìn)行比較，可以得到相應(yīng)的預(yù)測(cè)模型并實(shí)現(xiàn)其預(yù)測(cè)功能。

2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)理論和性能方面已經(jīng)相當(dāng)成熟，但仍存在一些問(wèn)題，例如容易陷入局部極小值和收斂速度緩慢等。針對(duì)這些問(wèn)題，通過(guò)比較改進(jìn)的LM和SCG方法的預(yù)測(cè)模型，并對(duì)BP神經(jīng)網(wǎng)絡(luò)中的錯(cuò)誤進(jìn)行改進(jìn)[9]。

LM算法是一種介于牛頓法與梯級(jí)法之間的非線性參數(shù)改進(jìn)技術(shù)，其迭代公式如下，可以對(duì)該算法的誤差進(jìn)行修正，該算法在迭代時(shí)始終遵循著負(fù)梯度的方向，并將錯(cuò)誤按上升的方向進(jìn)行查找，并通過(guò)反復(fù)迭代來(lái)找出適合的因子u，從而解決網(wǎng)絡(luò)中存在的下確界問(wèn)題。

SCG算法主要是對(duì)共軛梯度法和量化步長(zhǎng)進(jìn)行了改進(jìn)，使得量化步長(zhǎng)得到了較高的精度，同時(shí)還考慮了Hessian矩陣的正態(tài)。

3 分析和結(jié)果

3.1 評(píng)價(jià)模式

在電力系統(tǒng)中，有多種方法可用于預(yù)測(cè)電力系統(tǒng)的表現(xiàn)。常用的評(píng)估指標(biāo)包括均方根偏差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）以及均方誤差（MSE）。通過(guò)使用MSE和MAPE進(jìn)行精度評(píng)估，其計(jì)算公式如下所示：

3.2 SCG和LM的比較

圖6為用SCG算法對(duì)預(yù)報(bào)模型進(jìn)行了修改，并用LM算法對(duì)其進(jìn)行了校正。LM算法誤差變化幅度在±0.02左右，SCG誤差范圍基本維持在±0.04的范圍之內(nèi)，但誤差幅度較大。兩種最優(yōu)解的平均方差衰減曲線示于圖7。從圖中可以看出，利用SCG算法進(jìn)行了50次預(yù)測(cè)，在平均訓(xùn)練時(shí)間為44次的情況下，BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性要好很多，實(shí)際上，它的邊際變化是0.0008568。LM算法中的修正后的預(yù)測(cè)模型經(jīng)過(guò)47次的訓(xùn)練，在平均訓(xùn)練時(shí)間為41次的情況下，該模型的穩(wěn)定性得到了較好的改善，但其真實(shí)誤差為0.000076367。

圖6 誤差分析圖

圖7 SCG 和LM 算法均方誤差圖

該模型的預(yù)測(cè)變異數(shù)為0。由圖6、圖7可知，用LM算法對(duì)其進(jìn)行校正后，所得到的預(yù)報(bào)誤差趨于零，并且具有較高的準(zhǔn)確率。因此，本文基于LM算法對(duì)光伏組件進(jìn)行了改進(jìn)。

對(duì)于光伏模塊的故障分類，常用的方法有神經(jīng)網(wǎng)絡(luò)法和機(jī)器學(xué)習(xí)法，本文選用SCOPSO模型和LM算法來(lái)進(jìn)行分類。在實(shí)際應(yīng)用中，由于光伏發(fā)電系統(tǒng)的復(fù)雜性與非線性，SCOPSO模型具有很強(qiáng)的全局搜索能力，能快速地找出故障光伏模塊。SCOPSO模型與LM算法預(yù)測(cè)出來(lái)的結(jié)果基本一致。但不同之處在于SCOPSO模型使用了基于BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)故障數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)后得到了一個(gè)高精度預(yù)測(cè)值；而LM算法則使用了自適應(yīng)加權(quán)平均法對(duì)故障數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，從而得到一個(gè)低精度預(yù)測(cè)值。本文基于SCOPSO模型和LM算法優(yōu)化了光伏發(fā)電系統(tǒng)的故障信息分類方法。利用神經(jīng)網(wǎng)絡(luò)建立故障分類模型，結(jié)合LM算法提出了一種改進(jìn)的分類模型[10]。

3.3 評(píng)價(jià)預(yù)報(bào)模式的精確度

我們將不同故障等級(jí)的光電元件進(jìn)行分類（表2），并使用平均絕對(duì)百分比誤差和平均偏差來(lái)評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型。同時(shí)，我們分析了在不同故障等級(jí)下，該模型如何準(zhǔn)確地估計(jì)光伏組件的輸出功率。從表2中可以看出，無(wú)論出現(xiàn)何種故障，該模型的平均絕對(duì)百分比誤差都在4%以內(nèi)，平均偏差在0.01以內(nèi)。

表2 不同故障程度下光伏組件對(duì)預(yù)測(cè)模型準(zhǔn)確性的評(píng)估

4 結(jié)論

為了解決BP網(wǎng)絡(luò)中存在的主要問(wèn)題，本研究對(duì)改進(jìn)后的LM和SCG算法進(jìn)行了比較。結(jié)果表明：在最大功率跟蹤狀態(tài)下，光伏陣列輸出功率隨故障程度增加而增大；故障程度增加時(shí)，光伏陣列輸出功率受外界環(huán)境影響較大，且故障程度越嚴(yán)重，對(duì)光伏陣列的影響越大。本文的研究?jī)?nèi)容主要是通過(guò)理論分析得出的結(jié)論，并不能完全反映實(shí)際情況下的光伏陣列運(yùn)行特性。