基于參數優化的光伏電池故障診斷

毛乾龍 汪石農

摘 要：提出一種基于參數優化的光伏電池故障診斷方法.采用優化的人工蜂群算法對影響光伏電池I-V曲線的參數進行辨識，獲取不同故障類型光伏電池特征參數數據集，建立概率神經網絡故障診斷模型對光伏電池故障類型進行診斷.仿真結果表明，優化的人工蜂群算法能夠對光伏電池特征參數進行快速、準確的辨識，故障診斷結果與故障特征一致，驗證了基于參數優化光伏電池故障診斷方法的有效性.

關鍵詞：人工蜂群算法;參數辨識;故障診斷;概率神經網絡

[中圖分類號]TP23 ? [文獻標志碼]A

Abstract：A fault diagnosis method for photovoltaic cells based on parameter optimization is proposed. The optimized artificial bee colony algorithm is used to identify the parameters that affect the I-V curve of photovoltaic cells， obtain the characteristic parameter data sets of different fault types of photovoltaic cells， and establish the probabilistic neural network fault diagnosis model to diagnose the fault types of photovoltaic cells. The simulation results show that the optimized artificial bee colony algorithm can identify the characteristic parameters of photovoltaic cells quickly and accurately， and the fault diagnosis results are consistent with the fault characteristics， which verifies the effectiveness of the fault diagnosis method based on parameter optimization.

Key words：artificial bee colony algorithm;parameter identification;troubleshooting;probability neural network

經濟全球化推動著時代的潮流往可持續方向發展，可再生資源成為各國能源發展的重點.隨著光伏電池生產工藝的提高，生產成本的不斷降低，極大地促進了光伏產業的發展.光伏電池在工程使用中會因為各種故障如短路、開路、老化以及由陰影而產生的熱斑效應而發生重大工程事故，因此，有必要科學診斷光伏電池的故障，保證生產持續穩定進行.智能算法是光伏電池故障診斷的有效方法之一.智能檢測方法檢測光伏電池主要基于提取光伏電池外部特性值或內部參數值，通過建立光伏電池故障診斷模型進行故障診斷.光伏電池I-V特性方程是一個復雜超越非線性函數，無法通過簡單計算求解出參數值.翟載騰 Chan D S H 、王剛[1-2，5]等通過建立光伏電池單二極管模型和雙二極管模型，使用微分求導和列方程組的方法提取光伏電池內部參數，利用迭代減小誤差值.該方法在數值分析上能準確提取光伏電池內部參數值.Muhsen D H， Kichou S[3-4]等通過智能算法對光伏電池模型進行參數提取，其優勢在于減輕人工對方程組的求解，加快參數提取速度.杜康宇、楊琳[6-8]等通過多種智能算法結彌補單一智能算法的缺陷. 簡獻忠、程澤、 Lin P[9-14，16]等通過多種算法結合提取光伏電池內部參數，相比單一算法在光伏電池參數提取上誤差減小，收斂速度加快，但在工程應用中光伏電池故障特征值的精度和可靠性方面要求苛刻.本文基于人工蜂群算法，根據不同蜜蜂選擇不同的路徑來修改自己的位置（避免人工蜂群算法陷入局部最優解），再跟隨蜂搜索階段引入隨機步進函數來增加種群多樣性.通過對光伏電池模型I-V方程的推導，減少人工蜂群算法對光伏電池參數辨識的數量，減少誤差和迭代次數，提高參數辨識的準確度，從而為準確提取故障特征值、提高光伏電池故障診斷正確率提供基礎.

1 光伏電池智能檢測

1.1 光伏電池參數優化

2.3 光伏電池模型故障診斷

從人工蜂群算法中辨識的52組數據作為PNN網絡的輸入，正常、短路、開路、老化作為輸出.其中，前40組數據作訓練集，后12組數據作測試集.在訓練前先對數據進行歸一化處理，使用測試數據對PNN網絡進行多次測試，計算診斷的正確率平均能達到96%，相比文獻[17]和[18]診斷效果都好.測試樣本預測圖及PNN訓練結果見圖8和圖9.

3 結論

本文提出一種基于參數優化的光伏電池故障診斷方法.采用優化的人工蜂群算法對影響光伏電池I-V曲線的參數進行辨識，獲取不同故障類型光伏電池特征參數數據集，建立概率神經網絡故障診斷模型，對光伏電池故障類型進行診斷.算法減少了人工蜂群算法所要辨識光伏電池的參數值，在人工蜂群算法的基礎上優化了采蜜蜂和跟隨蜂的尋優路徑，加強了算法的局部搜索能力，使人工蜂群算法在光伏電池參數辨識上能夠準確快速辨識出光伏電池參數值，加快了光伏電池故障診斷模型的建立.通過分析不同情況下短路、開路、老化的五參數特征變化規律，提取故障特征值，建立基于概率神經網絡算法的光伏電池故障診斷模型，對故障類型數據進行分類.本文在提高光伏電池模型參數辨識的準確度、收斂性和快速性方面有很大提升.優化的數據集提高了故障診斷的正確率，有利于避免光伏電站重大事故的發生，對于光伏電站的維護有很重要的參考價值.