BP神經網絡光伏組件在線故障診斷系統(tǒng)開發(fā)

劉玉英， 馮英偉

（1.沈陽航空航天大學，遼寧沈陽 110136；2.河北建筑工程學院，河北張家口 075000）

作為清潔、可再生性的能源，太陽能光伏電池在近幾年來得到了長足的發(fā)展。理論上，光伏組件的使用壽命為20～25年。但是由于各種各樣的原因，光伏組件的故障率也較高。這些故障如果不能及時地發(fā)現(xiàn)和排除，會極大地影響光伏發(fā)電系統(tǒng)的工作效率，影響光伏系統(tǒng)工作的穩(wěn)定性，因此，研發(fā)具有良好性能的光伏組件在線故障診斷系統(tǒng)具有重要的意義。

光伏電站大多是由數(shù)以百計、千計的光伏電池板組成。由于制作工藝的原因，每一塊電池板的電量都很小，一般只有幾伏。為了實現(xiàn)高電壓的輸出，光伏發(fā)電的運行過程是將這些小太陽電池板用串聯(lián)和并聯(lián)的方式組合成一個大的陣列，稱為光伏陣列[1]。在光伏陣列的工作過程中，由于其工作場合是處于室外，受各種惡劣環(huán)境的影響，難免會發(fā)生個別小電池塊損壞的情況，而且這些局部的故障，如果造成了電池板的開路、短路或性能下降，會使得整個供電系統(tǒng)輸出電壓或功率有明顯的下降，嚴重時會發(fā)生連鎖反應，從而破壞整個系統(tǒng)工作的穩(wěn)定性和輸出功率。

目前，可對電池陣列進行故障監(jiān)測的方法很多。例如紅外圖像分析法、多傳感器檢測法、對地電容測量法等。本文針對光伏電站故障特性，提出了一種基于BP神經網絡的光伏組件在線故障診斷策略，相比于前面提及的幾種故障診斷方法，所采用的方法設備簡單，易于實現(xiàn)，同時精度較高。

1 光伏陣列故障及檢測模式分析

光伏發(fā)電系統(tǒng)是將太陽能轉換成電能的裝置。系統(tǒng)由光伏陣列、變換器、逆變器、控制器、蓄電池等環(huán)節(jié)組成。對于光伏發(fā)電系統(tǒng)而言，主要的故障來自于兩個方面，一方面是由于光伏陣列熱斑效應所造成的；另一方面的原因是安裝位置高、地點分散，維護困難。

光伏陣列的熱斑現(xiàn)象是當光伏電池板中的某些電池單體由于長時間被遮擋，導致其產生的電流小于其他沒有被遮擋的光伏電池單體產生的電流，從而造成這一部分電池單體相對于整體而言形成負電壓，成為電路中的負載。這些電池性負載在系統(tǒng)中一方面以熱量形式消耗功率；而另一方面，當熱量無法發(fā)散出去時，會造成器件的物理性損壞。

目前，常用的避免熱斑現(xiàn)象的方法是為光伏電池單體并聯(lián)反向旁路二極管，當某些電池單體因熱斑現(xiàn)象帶上負壓時，旁路二極管導通將負壓電池單體短路而避免損壞。檢測熱斑現(xiàn)象的另一種方法是基于紅外圖像的分析方法。這種方法的缺陷是檢測精度和效率相對較低，不能區(qū)分溫度相差不明顯的狀態(tài)，也不易實現(xiàn)在線故障分析和故障報警等問題。

除熱斑效應之外，惡劣的外界環(huán)境也會給光伏陣列的運行帶來諸多的問題，這些問題主要集中在功率器件過流、功率器件驅動信號欠壓、功率器件過熱、太陽能陣列輸出欠壓及電網過壓、欠壓等，具體故障及故障原因如表1所示[2]。

表1 光伏陣列故障模式及原因分析

針對以上的問題，可采用多傳感器節(jié)點故障檢測方式來解決。具體的過程是在光伏器件的關鍵位置設置大量微小的傳感器節(jié)點，節(jié)點通過無線通信方式組成網絡，從而實現(xiàn)故障點的監(jiān)測。該方法容易遭受環(huán)境、能源耗盡及其它不可預知因素的影響導致節(jié)點故障，造成系統(tǒng)數(shù)據(jù)監(jiān)測可靠性差的問題。

2 BP神經網絡的結構及學習算法

BP神經網絡，即多層前饋式誤差反傳播神經網絡，是目前應用最為廣泛的神經網絡之一，其可以實現(xiàn)從輸入至輸出的任意復雜的非線性映射關系，并且具有良好的泛化能力[3]。

如圖1所示，BP神經網絡由輸入層、輸出層和隱含層組成。其學習過程由正向傳播和反向傳播兩種方式組成。正向傳播過程由輸入信號開始，信號從輸入層經隱含層傳向輸出層，并在輸出端產生輸出信號。正向傳播中上一層神經元的狀態(tài)只影響一下層神經元且在傳遞過程中網絡的權值固定不變；當輸出端的實際輸出值與期望輸出之間存在誤差時，則網絡轉入反向傳播，傳播過程中，網絡的權值由誤差反饋進行調節(jié)，以使實際輸出更接近期望值[2]。

圖1 BP神經網絡模型

在BP神經網絡中，除網絡權值需進行確定外，輸入層節(jié)點、隱含層節(jié)點、輸出層節(jié)點的設置也是網絡結構的重要內容。輸入層對應于故障現(xiàn)象，由實際系統(tǒng)設置值來確定，隱含層節(jié)點的數(shù)目可根據(jù)系統(tǒng)要求精度來設置，一般來說，隱含層節(jié)點太少，網絡不能建立復雜的映射關系，使網絡培訓效果差，容錯性不理想；節(jié)點數(shù)過多，又會使網絡學習時間過長，影響網絡的收斂性和時效性，因此需要根據(jù)設計者的經驗及多次實驗確定一個最佳的隱含層節(jié)點數(shù)。隱含層中的節(jié)點輸出函數(shù)為：

式中：f[x]為輸入層輸出；Wir為輸入層到隱含層間的連接權；Tr為隱含層的閾值。

輸出層對應于故障原因，其節(jié)點的輸出函數(shù)為：

式中：Vrj為隱含層到輸出層間的連接權值；θj為輸出層單元閾值。

3 算例仿真分析

本文采用MATLAB的神經網絡工具箱進行仿真，具體仿真步驟如下：

(1)確定輸入及輸出樣本

本例輸入層神經元個數(shù)如表1所示，為5個；輸出層神經元為故障原因，根據(jù)實際經驗，確定個數(shù)為8個；隱層神經元個數(shù)為9，則對應的輸入矩陣如表2所示。其中0表示沒有故障，1表示有故障，序號0行為正常狀態(tài)，其它1～5行對應表1的故障1～5種情況。輸出層變量設為8個變量，對應的輸出矩陣如表3所示。依據(jù)表1及表2建立起故障類型及故障原因的映射關系。

表2 BP神經網絡輸入學習訓練樣本

表3 BP神經網絡輸出學習訓練樣本

(2)建立BP神經網絡

依據(jù)以上分析選擇公式（1）和公式（2）作為隱含層和輸出層神經元傳遞函數(shù)，網絡算法采用Levenberg-Marquardt算法trainlm，性能函數(shù)采用均方誤差性能函數(shù)mse()來完成。

(3)訓練BP神經網絡

在網絡進行訓練之前，需要設置訓練參數(shù)，設學習率為10%，訓練時間為50 s，訓練誤差為0.01，誤差曲線如圖2所示，其中橫坐標表示網絡的訓練次數(shù)，縱坐標表示BP網絡的誤差精度，圖2中的橫線為系統(tǒng)要求的精度。從圖2中可知，經過23次訓練后，網絡的性能達到了要求，從而證明了該診斷方法的準確性和可靠性。

4 總結

圖2 BP算法訓練誤差曲線圖

本文設計了一種基于BP神經網絡的光伏發(fā)電系統(tǒng)故障診斷方法，以網絡故障信息為樣本、以Levenberg-Marquardt為優(yōu)化算法進行網絡訓練。仿真實驗證明，BP神經網絡具有強大的自適應能力和非線性映射能力，且迭代次數(shù)少、收斂速度快，可有效地提高網絡故障診斷的有效性和準確性，從而促使太陽能發(fā)電系統(tǒng)故障診斷技術向智能化方向發(fā)展。

[1]王元章，李智華，吳春華．基于BP神經網絡的光伏組件在線故障診斷[J]．電網技術，2013（8）：2094-2095.

[2]蘭琴麗，章樂多．BP神經網絡在光伏發(fā)電系統(tǒng)故障診斷中的應用[J]．通信電源技術，2011（4）：38-40.

[3]楊金寶，張昌宏，陳平．基于改進BP神經網絡的網絡故障診斷研究[J]．計算機與數(shù)字工程，2012（2）：65-67.