基于時(shí)鐘循環(huán)神經(jīng)網(wǎng)絡(luò)的光伏故障診斷

林永君，張世成，楊 凱，李 靜

（華北電力大學(xué)，河北 保定 071003）

0 引言

在雙碳背景下，太陽能光伏發(fā)電作為重要的可再生能源利用形式之一，其規(guī)模將繼續(xù)保持快速增長。光伏陣列是光伏電站核心部分，由于裸露在室外環(huán)境中，容易受到雨水和高溫的侵蝕，加之自身材料老化，容易出現(xiàn)多類型故障，影響光伏電站的經(jīng)濟(jì)效益及使用壽命。隨著光伏電站規(guī)模的持續(xù)增大，傳統(tǒng)運(yùn)維模式難以實(shí)現(xiàn)對(duì)光伏組件故障進(jìn)行實(shí)時(shí)準(zhǔn)確的識(shí)別與定位［1］。針對(duì)以上問題，亟待開發(fā)具有高精度、可定位故障的光伏故障診斷平臺(tái)。

針對(duì)光伏故障診斷問題，國內(nèi)外學(xué)者開展了大量研究［2］，主要提出了四類故障監(jiān)測(cè)方法：物理監(jiān)測(cè)法、時(shí)序電壓電流法、能量損失法和I-V 曲線法［3］。蔣琳等提出一種基于最小二乘法的光伏故障診斷策略，并結(jié)合灰度直方圖的B 樣條來處理紅外圖像，進(jìn)而識(shí)別光伏熱斑故障［4］；毛峽等人提出基于無人機(jī)系統(tǒng)能力的高頻幀拍攝電致發(fā)光成像圖，能夠識(shí)別故障類型［5］；Dhimish 等人發(fā)明一種全新的過錯(cuò)檢驗(yàn)算法，通過t檢驗(yàn)統(tǒng)計(jì)分析方式能夠判別被檢測(cè)光伏在并網(wǎng)發(fā)電系統(tǒng)直流側(cè)的故障，準(zhǔn)確地檢測(cè)并網(wǎng)光伏的各種故障類型［6］；華北電力大學(xué)張文軍等人采用粒子群算法對(duì)光伏故障特征參數(shù)進(jìn)行優(yōu)化，基于長短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)故障類型進(jìn)行識(shí)別，與反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，顯示其有效性與準(zhǔn)確率［7］；Madeti 提出基于最近鄰準(zhǔn)則的光伏串級(jí)故障檢測(cè)診斷［8］，長安大學(xué)的李兆輝利用光伏陣列電壓與電流建立了一種考慮半監(jiān)督化的機(jī)器學(xué)習(xí)算法下的故障識(shí)別模型［9］；王元章等人在BP 算法基礎(chǔ)上建立故障識(shí)別模型，采用開路電壓、短路電流、最大功率點(diǎn)電壓與電流作為神經(jīng)網(wǎng)絡(luò)算法的輸入層，從而有效準(zhǔn)確地識(shí)別故障類型［10］；Akram 等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)處理光伏組件的紅外熱成像圖片，來識(shí)別有缺陷的光伏模塊［11］。陳華寶等人通過對(duì)光伏組件實(shí)際輸出功率和內(nèi)部等效參數(shù)模型所得最大輸出功率理論值之差進(jìn)行分析，提出一種基于功率預(yù)測(cè)的光伏組件陰影故障類型判定方法［12］；河北工業(yè)大學(xué)馬紀(jì)梅等人采用多傳感器法提取短路和開路故障特征，通過K 均值聚類算法的改進(jìn)徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)進(jìn)行光伏故障診斷［13］。

隨著“互聯(lián)網(wǎng)+”領(lǐng)域方向的拓展，結(jié)合目前大數(shù)據(jù)驅(qū)動(dòng)下數(shù)字化平臺(tái)的大面積推廣，針對(duì)光伏故障診斷運(yùn)維監(jiān)測(cè)的研究中，光伏故障監(jiān)測(cè)與互聯(lián)網(wǎng)數(shù)字運(yùn)維的結(jié)合將成為趨勢(shì)［14］。合肥工業(yè)大學(xué)團(tuán)隊(duì)采用Access 和VB 語言技術(shù)研制出一套并網(wǎng)光伏發(fā)電系統(tǒng)的數(shù)據(jù)采集裝置和光伏監(jiān)控軟件［15］；廣西大學(xué)利用仿真技術(shù)與模型能夠匹配對(duì)應(yīng)的模式對(duì)光伏陣列電站實(shí)現(xiàn)監(jiān)測(cè)效果［16］；西安理工大學(xué)劉興等人設(shè)計(jì)了基于數(shù)據(jù)傳輸單元（data transfer unit，DTU）三層架構(gòu)的光伏陣列監(jiān)測(cè)平臺(tái)［17］。上述研究中，使用各種智能算法對(duì)光伏故障診斷研究已經(jīng)愈發(fā)成熟，但是有些故障診斷方式只是對(duì)光伏故障進(jìn)行識(shí)別，并未對(duì)故障位置進(jìn)行定位，而Dhimish 等人雖對(duì)光伏故障進(jìn)行識(shí)別與定位，但故障類型較為單一且精度相對(duì)較差，缺乏對(duì)光伏電站運(yùn)維的故障有效的監(jiān)控。

針對(duì)以上問題，提出采用CW-RNN 算法對(duì)光伏故障進(jìn)行診斷與定位，并搭建光伏陣列故障診斷平臺(tái)進(jìn)行驗(yàn)證。通過MATLAB/Simulink，搭建光伏陣列仿真模型，模擬5 種典型不同故障仿真實(shí)驗(yàn)，采集不同類型故障光伏陣列輸出電壓、電流、功率以及逆變后的電壓、電流等參數(shù)，提出一種基于CW-RNN的光伏故障診斷模型，搭建了包含底層、中間層和上層的光伏發(fā)電故障診斷平臺(tái)，驗(yàn)證了CW-RNN 算法對(duì)光伏組件故障診斷的有效性和準(zhǔn)確性。

1 光伏陣列輸出特性

1.1 光伏電池?cái)?shù)學(xué)模型

光伏發(fā)電的主要原理是半導(dǎo)體的光電效應(yīng)。光伏電池板由眾多P-N 結(jié)構(gòu)成，電池板在太陽光輻射下，內(nèi)部的P-N 結(jié)半導(dǎo)體發(fā)生反應(yīng)，當(dāng)外界負(fù)載接入時(shí)電路導(dǎo)通形成電流。光伏電池板其物理內(nèi)部特性由眾多P-N 結(jié)構(gòu)成，結(jié)合材料物理以及電子學(xué)理論，可得光伏電池板數(shù)學(xué)模型［18］為：

式中：I為光伏電池輸出電流；U為光伏電池輸出的電壓；Iph為光伏電池由太陽光激發(fā)而生成的電流；I0為反相飽和電流值；A為二極管理想因子；Rs為電池的等效串聯(lián)電阻；Rsh為電池的等效并聯(lián)電阻；q為電荷常數(shù)；K為玻爾茲曼常數(shù)；S為太陽輻射度；SSTC為標(biāo)準(zhǔn)狀況下太陽輻射度；T為工作溫度；TSTC為標(biāo)準(zhǔn)狀況下組件溫度；IO-STC為標(biāo)準(zhǔn)狀況下二極管反向飽和電流；ui為電流溫度系數(shù)。

1.2 光伏陣列系統(tǒng)仿真模型

依據(jù)光伏電池模型，在MATLAB/Simulink 中，以光照強(qiáng)度為1 000 W/m2，溫度298 K 的標(biāo)準(zhǔn)環(huán)境下建立光伏電池仿真模型，如圖1 所示。

圖1 光伏電池板仿真模型Fig.1 Simulation model of photovoltaic panel

光伏陣列由多個(gè)光伏電池板串并聯(lián)形成，每塊電池板配備最大功率跟蹤（maximum power point tracking，MPPT）控制器，MPPT 控制器通過擾動(dòng)觀察法進(jìn)行最大功率跟蹤，基于光伏電池仿真模型，搭建光伏陣列仿真模型。仿真模型共3 條支路并聯(lián)，每條支路由4 個(gè)光伏組件串聯(lián)。支路Ⅰ由PV1-PV4組成，支路Ⅱ由PV5-PV8 組成，支路Ⅲ由PV9-PV12組成，如圖2 所示。

圖2 光伏陣列發(fā)電仿真模型Fig.2 Power generation simulation model of photovoltaic array

1.3 光伏故障實(shí)驗(yàn)?zāi)M

光伏電站多部署在地勢(shì)較高的山坡或環(huán)境相對(duì)惡劣的地區(qū)，易導(dǎo)致光伏電池板出現(xiàn)故障問題，考慮當(dāng)前研究中多種故障類型，選取開路、短路、局部遮擋、陰影遮擋和光伏熱斑5 種經(jīng)典的光伏陣列故障進(jìn)行測(cè)試分析，基于所搭建的光伏陣列模型，模擬光伏陣列的各種故障，如圖3 所示。

圖3 光伏陣列故障模擬Fig.3 Fault simulation of photovoltaic array

光伏組件開路相當(dāng)于光伏電池板與并網(wǎng)逆變器連接線斷開，將光伏板串聯(lián)一個(gè)無窮大的電阻R1模擬斷路故障；光伏陣列組件的短路故障是輸出線路相連接形成的，本文并聯(lián)一個(gè)極小的電阻R2模擬短路故障；通過連接一個(gè)乘法器，設(shè)置不同光照強(qiáng)度，以0.3 倍和0.8 倍正常光照強(qiáng)度分別實(shí)現(xiàn)對(duì)局部遮擋和陰影遮擋的模擬；對(duì)于光伏熱斑效應(yīng)，將光照強(qiáng)度設(shè)定為900 W/m2、溫度設(shè)定為80℃實(shí)現(xiàn)對(duì)光伏熱斑故障進(jìn)行模擬。然后對(duì)不同故障的光伏出力特性數(shù)據(jù)進(jìn)行采集，得到出力特性曲線如圖4 所示。

圖4 不同故障下光伏陣列特性曲線Fig.4 Characteristic curves of photovoltaic array under different faults

由圖4 可知，光伏陣列出現(xiàn)開路故障時(shí)，光伏陣列的最大功率點(diǎn)電壓和開路電壓基本不變，但由于最大功率點(diǎn)電流的減小，光伏陣列的功率會(huì)明顯降低；出現(xiàn)短路故障時(shí)，光伏陣列的短路電流基本維持不變，開路電壓下降較為明顯，由于最大功率點(diǎn)電壓的減小，光伏陣列的功率明顯降低；出現(xiàn)遮擋故障時(shí)（陰影遮擋和局部遮擋），最大功率點(diǎn)的電壓和電流出現(xiàn)明顯下降趨勢(shì)，功率-電壓曲線最大功率出現(xiàn)峰上有谷現(xiàn)象，電流-電壓曲線有多膝現(xiàn)象；出現(xiàn)熱斑故障時(shí)，光伏陣列的最大功率點(diǎn)電壓和開路電壓有一定程度的下降，光伏陣列的功率也會(huì)隨之降低。

2 故障診斷

2.1 CW-RNN神經(jīng)網(wǎng)絡(luò)算法

CW-RNN 為解決長期記憶的問題而對(duì)簡單循環(huán)網(wǎng)格（simple recurrent network，SRN）算法框架實(shí)現(xiàn)了改進(jìn)，CW-RNN 算法中間部分的隱含層被劃分為了獨(dú)立模塊，每個(gè)模塊實(shí)現(xiàn)自我的時(shí)間梯度計(jì)算，能夠顯著提高測(cè)試任務(wù)的效率問題，加快網(wǎng)絡(luò)構(gòu)建的速度，整體分為3 層架構(gòu)，包括輸入層、輸出層和隱藏層，CW-RNN 神經(jīng)網(wǎng)絡(luò)原理如圖5 所示。

圖5 CW-RNN算法原理Fig.5 CW-RNN algorithm principle

計(jì)算t時(shí)刻的輸出的計(jì)算公式為：

式中：WH、WI和WO分別為隱式、輸入和輸出權(quán)矩陣；x(t)為當(dāng)時(shí)刻為t時(shí)的輸入?yún)?shù)；均為參數(shù)矩陣，分別代表t時(shí)刻和t-1 時(shí)刻的隱含層的神經(jīng)元激活函數(shù)；fH(.)和fO(.)為網(wǎng)絡(luò)算法中的非線性激活函數(shù)矩陣。

2.2 軟件架構(gòu)

通過CW-RNN 算法對(duì)光伏陣列組件故障數(shù)據(jù)分析、特征參數(shù)提取，進(jìn)行CW-RNN 算法網(wǎng)絡(luò)訓(xùn)練，其采用算法流程如圖6 所示。

圖6 CW-RNN算法故障診斷流程Fig.6 CW-RNN algorithm fault diagnosis process

綜合考慮，CW-RNN 模型輸入為10 維，以6 個(gè)電壓傳感器輸出的電壓U1～U6、光伏陣列輸出的電流Ipv、并網(wǎng)輸出的電流Iabc、逆變并網(wǎng)功率Ppv和光照強(qiáng)度G共10 個(gè)元素作為輸入?yún)?shù)。選擇時(shí)鐘周期性的更新和內(nèi)部神經(jīng)元的全連接方式來建立隱藏層模型，隱藏層的神經(jīng)元數(shù)為32，算法模型的輸出層設(shè)定為2 維，輸出1 為光伏陣列故障類型（0～5 分別對(duì)應(yīng)正常、開路、短路、局部遮擋、陰影遮擋、光伏熱斑），輸出2 為光伏陣列故障位置（1～12 分別對(duì)應(yīng)3×4 光伏組件）。

3 光伏故障診斷平臺(tái)搭建

光伏故障分析平臺(tái)涉及底層數(shù)據(jù)庫、可視化界面以及組態(tài)工具，光伏發(fā)電故障分析平臺(tái)整體架構(gòu)分為3 層，如圖7 所示。中間層數(shù)據(jù)庫系統(tǒng)采集光伏陣列各項(xiàng)參數(shù)，實(shí)現(xiàn)數(shù)據(jù)的存儲(chǔ)、運(yùn)維、查詢等功能；底層則通過S-function 模塊連接搭建的Simulink光伏陣列仿真模型或通過RS232 串口實(shí)現(xiàn)光伏陣列電池板實(shí)驗(yàn)設(shè)備通信；上層通過嵌套算法的計(jì)算引擎庫，對(duì)光伏故障進(jìn)行識(shí)別與定位，最終通過可視化界面展示［19］。

圖7 光伏故障診斷平臺(tái)框架Fig.7 Framework of photovoltaic fault diagnosis platform

3.1 數(shù)據(jù)庫實(shí)現(xiàn)

基于MySql 開發(fā)的數(shù)據(jù)庫，通過與頂層的可視化界面與底層的設(shè)備及仿真模型實(shí)時(shí)通信，給數(shù)據(jù)分析過程開發(fā)和實(shí)踐提供一個(gè)數(shù)據(jù)化平臺(tái)，在數(shù)據(jù)庫的基礎(chǔ)上，設(shè)計(jì)能量管理算法，故障診斷仿真平臺(tái)可基于不同類型的光伏電站實(shí)現(xiàn)多類型算法的引擎庫搭建，可實(shí)現(xiàn)自定義算法、算法周期管理、調(diào)試以及編譯［20］。算法引擎庫通過可視化界面設(shè)定輸入和輸出參數(shù)，完成算法診斷系統(tǒng)的運(yùn)行。

平臺(tái)診斷算法基于時(shí)序數(shù)據(jù)庫搭建的數(shù)據(jù)通信體系，使用兩種接口程序［21］。第一種考慮神經(jīng)網(wǎng)絡(luò)算法庫，利用C#命令行，調(diào)用MATLAB 函數(shù)打包好的可執(zhí)行DLL 文件，完成神經(jīng)網(wǎng)絡(luò)算法的調(diào)用；第二種C#語言直接連接程序文件路徑，完成算法模型的調(diào)用。

計(jì)算引擎庫搭建的算法引擎使用繼承類搭建，可同時(shí)進(jìn)行多類型的神經(jīng)網(wǎng)絡(luò)算法策略執(zhí)行，搭建的計(jì)算引擎算法庫模塊能夠?qū)崿F(xiàn)在線調(diào)整、完善及模型周期性的設(shè)定，可方便后續(xù)算法的嵌入。

3.2 平臺(tái)界面搭建

基于可視化組態(tài)平臺(tái)，搭建光伏故障診斷界面，實(shí)現(xiàn)對(duì)光伏陣列實(shí)時(shí)參數(shù)的監(jiān)控；界面設(shè)計(jì)包括依據(jù)時(shí)間記錄的監(jiān)控統(tǒng)計(jì)數(shù)據(jù)，如：光伏電站監(jiān)控的實(shí)時(shí)數(shù)據(jù)、參數(shù)特性、所監(jiān)控設(shè)備的狀態(tài)量等，如圖8所示，界面可對(duì)光伏陣列的光照強(qiáng)度G和溫度T進(jìn)行設(shè)置，模擬不同的故障特征，點(diǎn)擊開始按鈕可進(jìn)行實(shí)驗(yàn)平臺(tái)算法驗(yàn)證分析。

圖8 平臺(tái)可視化界面Fig.8 Visual interface platform

4 仿真與實(shí)驗(yàn)驗(yàn)證

4.1 仿真驗(yàn)證

依據(jù)所搭建的Simulink 模型，根據(jù)第1 節(jié)所分析故障類型，選取1 680 組的數(shù)據(jù)參數(shù)集，建立光伏陣列數(shù)據(jù)庫。仿真模型的故障特征數(shù)據(jù)集設(shè)置如表1 所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集設(shè)置情況Table 1 Experimental data set settings

以模型識(shí)別準(zhǔn)確率和交叉熵?fù)p失函數(shù)L兩個(gè)評(píng)價(jià)指標(biāo)對(duì)光伏故障診斷效果進(jìn)行評(píng)估，其數(shù)學(xué)表達(dá)式為

式中：L為實(shí)際故障類型值；yi為預(yù)測(cè)故障類型值；pi為預(yù)測(cè)故障類型值；n為時(shí)間序列。

由式（5）可知，損失值L值越小，分類效果越好。然后構(gòu)建包含BP 神經(jīng)網(wǎng)絡(luò)算法和CW-RNN 算法的計(jì)算引擎庫，分別對(duì)光伏陣列數(shù)據(jù)采取訓(xùn)練和驗(yàn)證過程，輸入采用光伏陣列的特征參數(shù)，輸出為故障類型和故障位置。

用戶通過界面設(shè)置光照強(qiáng)度和溫度模擬光伏故障，數(shù)據(jù)下控至Simulink 仿真模型，模型傳回來的各故障特征參數(shù)傳輸至數(shù)據(jù)庫作為計(jì)算引擎輸入，設(shè)置訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集通過神經(jīng)網(wǎng)絡(luò)算法迭代。算法迭代過程中的模型損失值如圖9 所示，CW-RNN 算法在迭代至2 000 次后，迭代結(jié)果的損失值降至精度要求，損失值約為0.024 1，BP 算法在迭代2 400 次后模型迭代結(jié)果的損失值為0.045 2。

圖9 算法模型迭代結(jié)果Fig.9 Algorithm model iteration results

分別將訓(xùn)練集和驗(yàn)證集輸入BP 算法模型和CW-RNN 算法模型中，驗(yàn)證模型算法對(duì)故障診斷的正確性，如表2 所示，CW-RNN 算法模型驗(yàn)證集的正確率為99.79%，相比較與BP 算法結(jié)果更為準(zhǔn)確，有效驗(yàn)證了所提算法在光伏故障診斷的適用性。

表2 仿真模型算法結(jié)果Table 2 Simulation model algorithm results

4.2 實(shí)驗(yàn)驗(yàn)證

光伏陣列實(shí)驗(yàn)系統(tǒng)采用某大學(xué)校區(qū)一頂樓的光伏陣列測(cè)控實(shí)驗(yàn)系統(tǒng)，如圖10 所示。該系統(tǒng)由頂樓32 塊太陽能電池板，實(shí)驗(yàn)測(cè)控平臺(tái)和后接負(fù)載組成，單塊電池板額定功率為50 W，傾斜角度為48°，選取4 塊參數(shù)相同、輸出特性一致的電池板人為模擬故障類型，采用上位機(jī)實(shí)現(xiàn)與YCTR 實(shí)驗(yàn)平臺(tái)搭建的XS128 單片機(jī)實(shí)現(xiàn)數(shù)據(jù)通信。

圖10 光伏陣列實(shí)驗(yàn)平臺(tái)搭建Fig.10 Photovoltaic array experiment platform

通過設(shè)置不同類型故障，將模擬故障的實(shí)際光伏陣列輸出參數(shù)經(jīng)數(shù)據(jù)庫傳輸至計(jì)算引擎，實(shí)現(xiàn)CW-RNN 算法對(duì)光伏故障進(jìn)行診斷。依據(jù)光伏實(shí)驗(yàn)電池板模擬的故障數(shù)據(jù)，采集得到2 000 組實(shí)驗(yàn)樣本數(shù)據(jù)，每類故障數(shù)據(jù)集500 組，分別將樣本集中的400 組作為訓(xùn)練集樣本，100 組作為驗(yàn)證樣本集，通過CW-RNN 算法模型進(jìn)行訓(xùn)練和驗(yàn)證，對(duì)每類光伏電池板狀態(tài)選取兩組數(shù)據(jù)診斷結(jié)果顯示如圖11（a）所示，診斷結(jié)果符合實(shí)際故障類型，診斷有效。模型的訓(xùn)練結(jié)果和測(cè)試結(jié)果如圖11（b）所示，故障診斷的準(zhǔn)確度為99.59%，診斷結(jié)果滿足實(shí)驗(yàn)精度要求，進(jìn)一步得出本文建立的基于CW-RNN 算法的光伏故障診斷的有效性和準(zhǔn)確性。

圖11 CW-RNN算法故障診斷結(jié)果Fig.11 CW-RNN algorithm fault diagnosis results

5 結(jié)束語

依據(jù)光伏電池?cái)?shù)學(xué)特性，在Simulink 環(huán)境下搭建光伏陣列仿真模型，模擬不同故障類型，提取仿真模型故障特征參數(shù)，通過CW-RNN 算法進(jìn)行故障識(shí)別與識(shí)別。

搭建了包含BP 算法和CW-RNN 算法的光伏故障診斷平臺(tái)，分別將分布式光伏發(fā)電測(cè)控實(shí)驗(yàn)平臺(tái)和光伏仿真模型與實(shí)時(shí)數(shù)據(jù)庫的通信，并在數(shù)據(jù)庫底層嵌套計(jì)算引擎庫，完成模型庫搭建，實(shí)現(xiàn)故障分析的可視化展示。

基于搭建的光伏故障診斷平臺(tái)，對(duì)模型故障的診斷與定位。通過可視化界面展示預(yù)測(cè)值與實(shí)際值的對(duì)比，CW-RNN 神經(jīng)網(wǎng)絡(luò)對(duì)光伏故障診斷的正確率與BP 相比，正確率提高了3.06%，測(cè)試集正確率達(dá)到99.79%，由仿真結(jié)果可證明CW-RNN 神經(jīng)網(wǎng)絡(luò)算法能對(duì)光伏陣列故障準(zhǔn)確識(shí)別與定位，可快速對(duì)光伏電站進(jìn)行日常維護(hù)，提高電站的效益。