★曹晟磊，王尊（中電華創(chuàng)（蘇州）電力技術(shù)研究有限公司，江蘇蘇州215123）

★楊建衛(wèi)（中電華創(chuàng)電力技術(shù)研究有限公司，上海200086）

★李強(qiáng)（甘肅中電瓜州風(fēng)力發(fā)電有限公司，甘肅酒泉735000）

摘要：光伏陣列處于惡劣的室外環(huán)境，容易發(fā)生諸如異常老化、短路和陰影遮蔽等故障。為了解決這個(gè)問(wèn)題，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷模型。通過(guò)光伏陣列的建模研究了不同故障下光伏陣列四個(gè)特征參數(shù)的變化規(guī)律，并將結(jié)果與基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，最終得到用于光伏陣列故障診斷的模型。結(jié)果表明，該模型能夠識(shí)別光伏陣列異常老化、短路和陰影遮蔽三種故障，為光伏電站故障診斷提供了參考。

關(guān)鍵詞：光伏陣列；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

1 背景及意義

隨著全球變暖和能源短缺問(wèn)題的日益嚴(yán)重，開(kāi)發(fā)太陽(yáng)能、風(fēng)能、水能等清潔能源替代傳統(tǒng)的化石能源逐漸引起人們的重視。隨著技術(shù)的革新，光伏組件的安裝、使用和光伏發(fā)電的成本日趨降低，各地的光伏電站如雨后春筍一般出現(xiàn)，光伏發(fā)電的應(yīng)用范圍和應(yīng)用規(guī)模也在迅速擴(kuò)大^[1]。

然而，由于光伏電站大多建在山坡、荒漠和灰場(chǎng)等環(huán)境惡劣的地區(qū)，各種外界因素會(huì)造成發(fā)電系統(tǒng)設(shè)備損壞，進(jìn)而導(dǎo)致整個(gè)電站的發(fā)電量降低^[2]，有些故障還會(huì)產(chǎn)生更嚴(yán)重的后果，比如陰影遮蔽，久而久之會(huì)形成熱斑，嚴(yán)重時(shí)會(huì)導(dǎo)致光伏組件起火，造成巨大的經(jīng)濟(jì)損失。因此，必須采取一種有效的方法及時(shí)發(fā)現(xiàn)故障，這對(duì)提高光伏電站發(fā)電量，保障光伏電站安全穩(wěn)定運(yùn)行具有重要意義。

目前光伏陣列的故障診斷方法主要有紅外檢測(cè)法、時(shí)域反射法、對(duì)地電容測(cè)量法、I-V測(cè)量法、基于BP神經(jīng)網(wǎng)絡(luò)和故障樹(shù)的智能故障診斷法和基于信號(hào)處理的故障診斷法等^[3]。其中BP神經(jīng)網(wǎng)絡(luò)故障診斷法由于具有自我學(xué)習(xí)和診斷精度高的特點(diǎn)，在光伏陣列故障診斷領(lǐng)域有著廣泛的應(yīng)用。本文采用Matlab對(duì)光伏陣列進(jìn)行模擬建模，并通過(guò)該模型得到光伏陣列故障的數(shù)據(jù)，以用于構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，最終實(shí)現(xiàn)故障診斷的功能。

2 光伏陣列建模

由于BP神經(jīng)網(wǎng)絡(luò)的建立需要采用大量光伏陣列在正常運(yùn)行和故障狀態(tài)的數(shù)據(jù)進(jìn)行訓(xùn)練，這在實(shí)際操作過(guò)程中存在成本高和效率低的問(wèn)題。因此本文采用Matlab根據(jù)光伏組件的等效模型進(jìn)行仿真模擬，來(lái)獲得用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)。

2.1 光伏組件等效模型

研究光伏組件的等效模型首先要從組成光伏組件的最小單元——單體光伏電池入手。單體光伏電池負(fù)載RL電流和其兩端電壓的關(guān)系，如式（1）所示^[4]。

其中，I代表負(fù)載電流，V代表負(fù)載電壓，I_ph代表光生電流，I₀代表二極管反向飽和電流，n為二極管特性因子，k代表光學(xué)玻爾茲曼常數(shù)（1.6×10^-19）。T代表單體光伏電池溫度，單位為K；R_s為單體光伏電池的等效串聯(lián)電阻，單位為Ω；R_sh為單體光伏電池的并聯(lián)電阻，單位為Ω。

由于單體光伏電池的并聯(lián)電阻遠(yuǎn)遠(yuǎn)大于串聯(lián)電阻，因此通過(guò)并聯(lián)電阻的漏電流遠(yuǎn)小于光生電流I_ph，故可以忽略不計(jì)，因此式（1）可以簡(jiǎn)化為式（2）^[5]。

進(jìn)而可以得出由多個(gè)單體電池片組合構(gòu)成的光伏組件的數(shù)學(xué)模型，如式（3）所示。

式中I_model為光伏組件輸出電流，單位為A；V_model為光伏組件輸出電壓，單位為V；N為光伏組件中的單體光伏電池?cái)?shù)目。

2.2 光生電流I_ph

光生電流可采用如式（4）所示進(jìn)行估算。

其中，I_{ph_T1}為當(dāng)前輻照度，25℃條件下的光伏組件光生電流，單位為A；I_{sc_T1}為標(biāo)準(zhǔn)條件下光伏電池的光伏組件短路電流，單位為A；I_{sc_T2}為1000W/m²，75℃條件下光伏組件的短路電流。

2.3 反向飽和電流I₀

反向飽和電流采用式（5）進(jìn)行估算^[6]。

其中，I_{0_T1}表示當(dāng)溫度為25℃時(shí)反向飽和電流；T1為光伏組件表面溫度，單位為K；V_g表示帶隙電壓，由材料性質(zhì)決定。

2.4 串聯(lián)電阻Rs的估算

對(duì)電流方程兩邊求導(dǎo)，得到串聯(lián)電阻Rs的表達(dá)式^[7]，如式（6）所示。

2.5 光伏組件仿真模型的求解

聯(lián)立方程（3）至（6）采用牛頓迭代法進(jìn)行求解建立光伏組件仿真模型^[8]。首先構(gòu)造如式（7）所示的函數(shù)。

其中V_k為第k次牛頓迭代的初始電壓值；I_k為第k次牛頓迭代的初始電流值。

之后求解的近似根，求解方程如式（8）所示。

其中，I_k+1為第k+1次迭代后的電流值。

式（7）和式（8）通過(guò)多次迭代最終得到光伏組件輸出電壓和電流的關(guān)系，該過(guò)程通過(guò)Matlab建模實(shí)現(xiàn)，最終得到光伏組件輸出方陣模型。

3 光伏陣列故障模擬

光伏陣列由于其所處的自然環(huán)境惡劣，其自身容易發(fā)生各種故障，其中比較常見(jiàn)的三種故障為光伏陣列異常老化、光伏陣列短路和光伏陣列陰影遮蔽故障。

3.1 光伏陣列異常老化故障

光伏陣列異常老化故障主要體現(xiàn)在光伏組件串聯(lián)電阻增加。為了模擬光伏組件老化故障，本文構(gòu)建了一個(gè)由3個(gè)光伏組件組成的光伏組串，通過(guò)調(diào)整其中一塊組件的串聯(lián)電阻的大小，達(dá)到模擬光伏陣列異常老化故障的情況。模擬后得到的光伏陣列I-V圖如圖1所示。根據(jù)模擬的結(jié)果可以看出，當(dāng)光伏組件發(fā)生異常老化故障時(shí)，陣列開(kāi)路電壓和短路電流變化不大，最大功率以及最大功率點(diǎn)電壓和電流隨著串聯(lián)電阻的增加而減少。

圖1 異常老化故障光伏陣列I-V圖

3.2 光伏陣列短路故障

光伏組件發(fā)生短路故障等效于故障組件輸出功率為0，故本文用輻照度為0來(lái)模擬光伏組件短路故障。仍然采用三個(gè)光伏組件組成的光伏陣列，分別設(shè)置第二塊組件輻照度為0、第二塊和第三塊輻照度為0來(lái)模擬陣列中光伏陣列短路故障。模擬得到的光伏陣列I-V圖如圖2所示。根據(jù)模擬的結(jié)果可以看出當(dāng)光伏陣列發(fā)生短路故障時(shí)，光伏陣列的輸出電流變化不大，而輸出電壓隨著短路組件的增多而減少。

圖2 短路故障光伏陣列I-V圖

3.3 光伏陣列陰影遮蔽故障

本文采用三個(gè)組件組成的光伏陣列來(lái)模擬光伏陣列發(fā)生陰影遮蔽時(shí)的情形，分為三種情況。第一種情況，沒(méi)有組件發(fā)生遮擋，陣列正常工作；第二種情況，設(shè)置第二塊組件輻照度為600W/m²，溫度20℃，模擬一塊組件被遮擋的情形；第三種情況，設(shè)置第二塊組件輻照度為600W/m²，溫度為20℃，第三塊組件輻照度為400W/m²，溫度為15℃，模擬兩塊組件發(fā)生遮擋的情形。最終得出的陣列I-V圖如圖3所示。根據(jù)模擬的結(jié)果可以看出，當(dāng)發(fā)生陰影遮蔽故障時(shí)，最顯著的特征是I-V曲線出現(xiàn)了多階梯。

圖3 陰影遮蔽故障光伏陣列I-V圖

4 基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷

4.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

光伏陣列故障診斷屬于一種非線性問(wèn)題，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)算法作為一種機(jī)器學(xué)習(xí)算法，非常適合用來(lái)處理非線性問(wèn)題。簡(jiǎn)單來(lái)說(shuō)，BP神經(jīng)網(wǎng)絡(luò)算法是使用類(lèi)似人類(lèi)神經(jīng)元的學(xué)習(xí)方式，在每一個(gè)神經(jīng)元中進(jìn)行信息處理、存儲(chǔ)和反饋。這種算法最早由Rumelhart和McClelland于1986年提出，其主要思路為利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再利用這個(gè)誤差估計(jì)更前一層的誤差，如此逐漸調(diào)整所有各層的誤差^[9]。

4.2 故障診斷模型建立

根據(jù)上述光伏陣列的模擬可以看出，當(dāng)光伏陣列發(fā)生異常老化、短路和陰影遮蔽故障時(shí)，光伏陣列的最大功率點(diǎn)電壓（U_mpp）、最大功率點(diǎn)電流（I_mpp）、開(kāi)路電壓（U_oc）和短路電流（I_sc）會(huì)發(fā)生相應(yīng)的變化，因此本文選取以上四個(gè)參數(shù)作為模型的輸入變量。相對(duì)應(yīng)的輸出變量如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)輸出層定義

根據(jù)以上內(nèi)容，本文建立三層神經(jīng)網(wǎng)絡(luò)，整個(gè)網(wǎng)絡(luò)包括：輸入層、隱含層和輸出層。其中輸入層有四個(gè)變量，分別為光伏陣列的最大功率點(diǎn)（U_mpp）、最大功率點(diǎn)電流（I_mpp）、開(kāi)路電壓（U_oc）和短路電流（I_sc），用來(lái)表征陣列發(fā)生的故障狀態(tài)。輸出層為表2所示的三個(gè)參量，通過(guò)不同的組合形式來(lái)表示不同的故障類(lèi)型。

4.3 隱含層節(jié)點(diǎn)數(shù)

隱含層作為BP神經(jīng)網(wǎng)絡(luò)的重要組成部分，其節(jié)點(diǎn)個(gè)數(shù)是決定整個(gè)BP神經(jīng)網(wǎng)絡(luò)性能的重要參數(shù)^[10]。若節(jié)點(diǎn)數(shù)選取過(guò)少，會(huì)導(dǎo)致整個(gè)BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)組合數(shù)較少，使得整個(gè)BP神經(jīng)網(wǎng)絡(luò)無(wú)法準(zhǔn)確的預(yù)測(cè)故障；若節(jié)點(diǎn)數(shù)選取過(guò)多，又會(huì)產(chǎn)生擬合過(guò)度、訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題。因此必須選擇合適隱含層節(jié)點(diǎn)數(shù)來(lái)保證整個(gè)BP神經(jīng)網(wǎng)絡(luò)的性能。

BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定主要有以下兩種方法：

（1），式中z為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，m為輸出層節(jié)點(diǎn)個(gè)數(shù)，a為0-10之間的常數(shù)。

（2），式中z為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)。

由于本文建立的BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為3，經(jīng)過(guò)多次測(cè)試本文選取隱含層節(jié)點(diǎn)數(shù)為10個(gè)。

4.4 輸入數(shù)據(jù)歸一化

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷必須對(duì)輸入的數(shù)據(jù)進(jìn)行歸一化處理，其原因主要在于以下兩點(diǎn)^[11]。

（1）由于采集的數(shù)據(jù)為不同類(lèi)型的信號(hào)，不同類(lèi)型數(shù)據(jù)范圍偏差可能較大，如果不進(jìn)行歸一化處理，會(huì)產(chǎn)生BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題。

（2）本文中，BP神經(jīng)網(wǎng)絡(luò)使用的診斷函數(shù)為S函數(shù)，而根據(jù)S函數(shù)的特點(diǎn)，S函數(shù)的值域?yàn)椋?,1），且整個(gè)函數(shù)在（-1,1）之間變化較大，在之外的區(qū)域較平緩。因此，用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)必須進(jìn)行歸一化處理。

對(duì)數(shù)據(jù)進(jìn)行歸一化處理可以采用如（9）所示的公式。

式中：x_min和x_max為待處理數(shù)據(jù)的最大值和最小值，y_min和y_max為待進(jìn)行變換的數(shù)據(jù)范圍的上下限。

4.5 訓(xùn)練算法

BP神經(jīng)網(wǎng)絡(luò)能否準(zhǔn)確的預(yù)測(cè)光伏陣列故障類(lèi)型，其主要在于對(duì)已經(jīng)建立好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法有很多種，如梯度下降法、自適應(yīng)lr梯度下降法、共軛梯度法、擬牛頓算法、一步正割算法和Levenberg-Marquardt算法（以下簡(jiǎn)稱(chēng)L-M算法）。由于L-M算法具有減少陷入局域極值幾率、穩(wěn)定性強(qiáng)和收斂速度快等優(yōu)點(diǎn)^[12]，是快速求解優(yōu)化目標(biāo)函數(shù)的常用方法，廣泛用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

L-M算法主要可表示為式（10）^[13]。

變換可得權(quán)值調(diào)整率如（11）所示。

式中J為誤差對(duì)權(quán)值微分的雅可比矩陣；μ為一大于零的常數(shù)，其數(shù)值越大表示算法越接近最速下降法，其數(shù)值越小表示算法越接近高斯-牛頓算法；v為誤差向量。

4.6 仿真模擬

使用第三章中建立的光伏陣列模型，修改不同的參數(shù)，采集了光照強(qiáng)度在300W/m²~1000W/m²，溫度在15℃~50℃范圍內(nèi)的光伏陣列的最大功率點(diǎn)電壓U_mpp、最大功率點(diǎn)電流I_mpp、開(kāi)路電壓U_oc和短路電流I_sc，生成500組數(shù)據(jù)，其中450組用做BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，50組用做測(cè)試數(shù)據(jù)。經(jīng)過(guò)多次測(cè)試，預(yù)測(cè)準(zhǔn)確率可達(dá)90%以上，表明該BP神經(jīng)網(wǎng)絡(luò)具備一定的光伏陣列故障識(shí)別能力。表2所示的為測(cè)試過(guò)程中的一組數(shù)據(jù)。

表2 BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

5 總結(jié)

光伏陣列作為光伏電站最重要的設(shè)備，其運(yùn)行良好程度直接影響整個(gè)電站的運(yùn)行狀態(tài)。由于光伏陣列處于室外較為惡劣的環(huán)境，難免會(huì)發(fā)生諸如異常老化、短路和陰影遮蔽等故障。這些故障輕則會(huì)造成發(fā)電量下降，重則會(huì)引發(fā)諸如火災(zāi)等事故，嚴(yán)重影響光伏電站安全、高效運(yùn)行。而光伏電站占地面積大，設(shè)備數(shù)量多且分散的特點(diǎn)無(wú)形中增加了故障診斷的難度。本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷的方法，依托智能匯流箱和組串式逆變器這些設(shè)備所采集的光伏陣列運(yùn)行參數(shù)，可以對(duì)常見(jiàn)的異常老化、短路和陰影遮蔽故障進(jìn)行識(shí)別，為光伏電站在線故障診斷提供了參考。由于光伏陣列故障類(lèi)型具有多樣性和多重性的特點(diǎn)，提出的故障診斷模型仍需進(jìn)一步研究和完善。

作者簡(jiǎn)介：

曹晟磊（1992-），男，江蘇連云港人，中級(jí)工程師，碩士，就職于中電華創(chuàng)電力技術(shù)研究有限公司，研究方向是新能源光伏發(fā)電。

參考文獻(xiàn)：

[1] 閆天一. 太陽(yáng)能電站光伏組件故障監(jiān)測(cè)系統(tǒng)的研發(fā)[D]. 江蘇大學(xué), 2019.

[2] 王元章, 李智華, 吳春華. 光伏系統(tǒng)故障診斷方法綜述[J]. 電源技術(shù), 2013, 37 (09) : 1700 - 1705.

[3] 鐘小鳳, 賀德強(qiáng). 光伏發(fā)電系統(tǒng)故障診斷方法綜述[J]. 裝備制造技術(shù), 2013 (11) : 46 - 49.

[4] 王元章, 李智華, 吳春華. 一種四參數(shù)的光伏組件在線故障診斷方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34 (13) : 2078 - 2087.

[5] Mishina T, Kawamura H, Yamanaka S, et al. A study of the automatic analysis for the I-V curves of a photovoltaic subarray[A]. Photovoltaic Specialists Conference, 2002. Conference Record of the Twenty-Ninth IEEE[C]. 2002 : 1630 - 1633.

[6] Gow J A, Manning C D. Development of a photovoltaic array model for use in power-electronics simulation studies[J]. IEE Proceedings - Electric Power Applications, 1999, 146 (2) : 193 - 200.

[7] Xuan H N. Matlab/Simulink Based Modeling to Study Effect of Partial Shadow on Solar Photovoltaic Array[J]. Environmental Systems Research, 2015, 4 (1) : 20.

[8] 宗憲爽. 一種新的光伏陣列故障診斷方法[D]. 吉林: 東北電力大學(xué), 2018.

[9] 王元章, 李智華, 吳春華, 周笛青, 付立. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件在線故障診斷[J]. 電網(wǎng)技術(shù), 2013, 37 (08) : 2094 - 2100.

[10] 胡超. 基于BP人工神經(jīng)網(wǎng)絡(luò)的區(qū)域森林火災(zāi)預(yù)測(cè)研究[D]. 杭州: 浙江海洋學(xué)院, 2015.

[11] 楊店飛, 郭宇杰, 沈桂鵬. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件故障類(lèi)型診斷[J]. 陜西電力, 2016, 44 (02) : 15 - 21.

[12] 王炳萱. LM優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制在非線性系統(tǒng)中的研究[D]. 太原理工大學(xué), 2016 : 17 - 20.

[13] 李世科. 基于LM-BP神經(jīng)網(wǎng)絡(luò)的液壓支架頂梁疲勞壽命預(yù)測(cè)及應(yīng)用[J]. 中國(guó)礦業(yè), 2019, 28 (05) : 92 - 96.

摘自《自動(dòng)化博覽》2022年11月刊