基于BP神經網絡的光伏陣列故障診斷研究

崔藝夢 華北水利水電大學

1 引言

光伏發電是利用半導體界面的光伏效應將光能直接轉化為電能的技術，它由三個主要部件組成：太陽能電池板、逆變器和控制器。將太陽能電池串聯成大面積太陽能電池組件，然后與功率控制器等結合形成太陽能發電裝置。作為整個光伏發電系統的心臟，光伏陣列的運行狀況直接影響整個光伏發電系統的工作狀態。對光伏陣列發電機組進行故障檢測與診斷，可以及時有效預測和排除故障，增強光伏陣列發電機組工作的安全性，提高使用效率，降低維修成本，在避免重大事故上有著重要的安全意義。

隨著人工智能技術及傳感器技術的迅猛發展，機器學習與深度學習的應用研究為光伏陣列發電機組故障診斷提供了一種嶄新的思路。BP神經網絡較傳統的前饋網絡相比，是一種按照系統誤差進行反向訓練的多層前饋網絡，它的算法亦可稱做BP算法，其基本思想是利用降維梯度下降法，使神經網絡的期望輸出值與實際輸出值誤差的均方差為達到最小水平。較傳統的人工經驗故障診斷方法，基于BP神經網絡的光伏陣列故障診斷方法具有非線性能力強、魯棒性高、故障識別速度快、故障診斷處理結果準確等優點。

2 神經網絡建模

與傳統的故障診斷方法不同，人工神經網絡是自適應和可以被訓練的，它具有自適應能力，同時有對信息的并行處理及并行推理的能力，從原理上計算速度相對較快。基于人工神經網絡的故障診斷不依賴精確的機理數學模型，參數調優水平較高、非線性及魯棒性較好，鑒于此，BP人工神經網絡在光伏陣列發電機組故障診斷中的應用可實現對光伏陣列發電系統的高效故障檢測與故障診斷，并能有效提高光伏發電系統的工作效率。

基于BP神經網絡的光伏陣列發電機組故障診斷模型的建立方法可歸結為以下步驟：

1）光伏陣列發電機組故障特征值選擇；

2）光伏陣列發電機組故障分類器設計；

3）光伏陣列發電機組故障樣本數據處理；

4）BP神經網絡訓練。

2.1 特征選擇

光伏陣列發電機組物理結構復雜，具有較復雜的非線性耦合關系，它的運行工況受到溫度、光照、輻射熱等諸多因素的共同影響，致使光伏陣列發電機組在運行過程中的故障形式多樣化呈現。光伏陣列發電機組的多數故障現象都可在發電機組的電壓信號、電流信號（統稱電信號）中得以反映體現；最具代表性的電信號有最大功率點輸出電流、最大功率點輸出電壓、短路電流和開路電壓信號等四種故障監測信號，對上述四種電信號的實時監測也是光伏陣列設備故障診斷中最有效、最常用的方法。

光伏陣列發電機組的故障電信號分析可分為時域、頻域分析兩種方法，時域信號參數是電波形的統計信息，統計信息包含均值、方差、峰值、裕度因子、脈沖因子等因素。頻域分析需要將光伏陣列發電機組的采集的電信號轉換到頻域。時域信號具有較強的實時性，因此這里選擇光伏陣列發電機組的時域電信號作為特征信號。

2.2 分類器設計

分類器的概念是在已有故障數據的基礎上構造出一個故障分類模型，該函數或模型能夠把數據庫中的故障數據紀錄映射到給定故障類別中的某一個，從而可以應用于光伏發電機組故障分類。

故障分類器的構造和實施大體會經過以下幾個步驟：

1）選定樣本（包含正樣本和負樣本）。

2）在訓練樣本上執行分類器算法。

3）在測試樣本上執行分類模型。

4）根據預測結果，計算必要的評估指標。

2.3 樣本數據處理

首先定義光伏陣列發電機組的故障類型，定義4種光伏陣列發電機組的故障模式：老化、陰影、短路、開路，再加上光伏陣列發電機組正常狀態共5種分類模式，編號如下所示。

編號1：老化 編號2：陰影 編號3：短路 編號4：開路 編號5：正常狀態

采集光伏陣列發電機組的正常運轉和4種故障模式下的電信號，并對電波行進行統計學處理。由于光伏陣列發電機組故障原因復雜，實際監測數據量大，直接用BP神經網絡進行故障診斷，網絡規模大，診斷效率比較低。結合相關的數據集處理算法，可以得到降維歸一化的能量參數、峰值參數、波形參數、裕度參數、脈沖參數及峰度參數，形成一個5維向量每個參數收集兩組故障分類模式的樣本，共計10份訓練樣本。

2.4 BP神經網絡訓練

光伏陣列發電機組故障診斷BP神經網絡的訓練過程可分為以下幾個步驟進行：

1）定義BP神經網絡的結構和前向傳播的輸入、輸出結果；

2）定義神經網絡的損失函數以及選擇反向傳播優化權值算法；

3）生成優化會話并且在訓練數據上反復進行反向傳播優化算法。

訓練好的BP神經網絡故障診斷分類模式為5種，建立的BP神經網絡如圖1所示。

圖1 BP神經網絡模型

由圖1可以看出，BP神經網絡模型的輸入層包含5個神經元，與光伏陣列發電機組故障模型的輸入特征向量維數一致。徑向基層包含10個神經元節點，每個節點對應一個輸入的故障數據樣本。隱含層包含5個神經元，代表光伏陣列發電機組的5種故障分類模型。輸出層有一個，代表光伏陣列發電機組的故障類別。

3 光伏陣列發電機組故障診斷實現

基于BP神經網絡的光伏陣列發電機組的故障診斷流程包括：定義樣本（樣本初始化）、樣本處理（歸一化、粗糙集處理）、創建故障模型、測試故障樣本集、輸出診斷結果。

1）定義樣本：把光伏陣列發電機組的某次故障監測作為對象，對監測所得故障數據進行相關處理后，對應的故障類別作為信息表決策屬性，形成故障初始化樣本。

2）樣本處理：對光伏陣列發電機組各故障特征樣本數據進行相應的歸一化、粗糙集處理，對診斷數據中的連續屬性值進行離散化處理。

3）創建故障模型：以光伏陣列發電機組的故障特征樣本數據作為訓練好的BP神經網絡模型的輸入，以故障分類（如0、1、2、3、4）作為BP神經網絡模型的輸出，構造相應的BP神經網絡，并對其進行學習及訓練，優化神經網絡相應的結構參數及權值。

4）測試故障樣本集并輸出結果：將光伏陣列發電機組故障測試樣本輸入神經網絡進行檢驗，如達不到要求則返回步驟2）、3），直到輸出結果滿意為止。

4 結語

本文通過對BP神經網絡的故障診斷及建模方法的分析，將基于BP神經網絡的故障診斷方法應用于光伏陣列發電機組的故障診斷研究中。基于BP神經網絡的故障診斷方法能有效對光伏陣列發電機組的電故障數據進行準確有效分類，為光伏陣列發電機組故障的初期診斷及電故障數據處理提供了一種切實有效的方法及途徑，在實際工程應用中，也有著較高的工程參考價值。