基于ABC-SVM算法的光伏陣列故障診斷

劉開石，李田澤，劉 東，王夢婕，徐立賓

(山東理工大學電氣與電子工程學院，山東淄博 255049)

隨著大型光伏裝置投入使用，光伏陣列作為光伏發電系統中最重要的部分，對它的電氣參數監測和故障類型診斷顯得尤為重要。由于光伏組件自身的特性且工作環境較為惡劣，易受環境影響發生開路、短路等各種故障，影響光伏組件的使用壽命[1]。因此，快速準確地檢測出光伏陣列的故障可以提高發電效率，避免造成不必要的損失。

光伏陣列的故障主要集中在直流側，目前一些智能化光伏電站直流側監控已達到了組件級[2]。利用光伏組件的實時運行數據對光伏陣列狀態分析檢測是現在的研究熱點，以智能算法為核心的故障診斷方法是今后的發展趨勢。文獻[3-5]提出了基于BP 神經網絡的故障診斷方法，該方法操作簡單、成本低、檢測效果較好，但容易陷入局部最優解且收斂速度較慢。文獻[6-7]利用粒子群算法優化神經網絡方法對光伏陣列故障進行診斷，加快了收斂速度，提升了預測精度。文獻[8]基于快速采樣主成分分析法，通過檢測電流信號和工作點狀態來識別故障類型。文獻[9]通過將光伏陣列數據輸入進決策樹模型并進行訓練，實現對故障的檢測和診斷。

支持向量機(SVM)理論通過結構風險最小化原理和統計學習來提高分類泛化能力，已廣泛應用于模式識別、實時預測、故障診斷等領域[10-11]。SVM 的參數選取對其性能起著決定性作用，而參數的選擇本質上是一個優化問題，為獲得最優SVM 參數，利用人工蜂群(ABC)算法進行尋優。本文利用Matlab 仿真模擬故障，獲取樣本數據，構建ABC-SVM 光伏陣列故障診斷模型，將光伏陣列故障特征向量輸入模型進行訓練并驗證。

1 算法原理

1.1 支持向量機

SVM 是一種基于結構風險最小化通過高維運算和內積運算建立的算法，是機器學習領域的經典分類算法之一，具有較好的分類識別能力，其原理如圖1 所示。

圖1 SVM分類圖

圖1 中的空心圈和實心圈分別代表兩類不同的樣本，實線為兩類樣本的分界線，即超平面，兩條虛線分別對應穿過兩類樣本且距超平面最近的兩個平面，它們之間的間隔即為分類間隔(margin)，虛線上的樣本數據就是待分類問題的支持向量。支持向量機的原理就是找到一個最優分類超平面，使得錯誤率最低，分類間隔最大。

設有線性可分的訓練樣本數據集(xi，yi)，i=1,2,…,n，xi∈Rd，分類超平面方程記為wx+b=0，尋找最優超平面可通過轉化為求解式(1)的約束問題來實現：

式中：w為超平面的權值向量；b是偏置。在實際問題中，會遇到線性不可分的情況，可能會導致硬間隔分類失敗，因此引入松弛變量ζ 來放松約束條件，允許某些數據樣本點超出分類平面。同時引入非負的懲罰因子C對ζ 加以約束，確保分類的準確率。

引入拉格朗日函數，將二次規劃問題轉化為式(2)對偶問題求解：

式中：α 是拉格朗日乘子，若訓練樣本數據集是非線性不可分的，為了得到準確的分類結果，要將原始空間的訓練樣本映射到較高維的空間。實現這一過程的途徑是核函數，則式(2)需要轉變為分類函數式(3)：

式中：K(xi，xj)為核函數。核函數的選擇將直接影響SVM 的性能，決定分類的準確性。常用的核函數有多項式核函數、徑向基核函數(RBF)、高斯核函數(GAUSS)和sigmoid 核函數。RBF 核函數具有較好的性能[12]，本文選擇RBF 核函數作為支持向量機的核函數，并采用ABC 算法實現對懲罰因子C和核函數參數g進行尋優。

1.2 人工蜂群算法

人工蜂群算法是一種根據蜜蜂覓食原理提出的算法。在該算法中，蜜蜂被分為采蜜蜂(EF)、觀察蜂(UF 或待工蜂)、偵察蜂3 種，各蜜源位置均代表著優化問題中的一個可能解，而蜜源處的花蜜量對應各個解的適應度。蜜蜂尋找蜜源的過程即該算法尋找最優解的過程[13]。

人工蜂群算法初始化并隨機產生SN個初始解。完成初始化后，采蜜蜂會遍歷搜索全部蜜源。再次遍歷搜索過程中，采蜜蜂會記錄各蜜源的花蜜量并將進行收益率評估，完成蜜源位置的更新操作。完成搜索后，采蜜蜂會回到蜂巢，將收集到的信息(蜜源位置，花蜜量的多少等)傳遞給觀察蜂。觀察蜂根據收到的信息，根據與花蜜量相關的概率來選擇一個蜜源，并在該蜜源附近區域進行下一次蜜源搜索，直到找到花蜜量更多的蜜源。通過不斷的操作，直到找到花蜜量最多的蜜源，也就是最優解。當某個新解經歷limit次的循環后仍未獲得改進時，該解就會被放棄，該解處的采蜜蜂會轉換為偵察蜂。

1.3 ABC-SVM 診斷模型的構建

在采用ABC 算法優化SVM 參數的過程中，蜂群中采蜜蜂的搜索范圍即為SVM 參數尋優的范圍，每一個蜜源的位置均代表一個可能解。SVM 需要優化的參數是懲罰因子和核函數參數，因此可以用一個二維向量(C,g)來表示蜜源位置。ABC 對SVM 參數尋優的過程如下[14-15]：

(1)數據歸一化：輸入的數據單位不同，數值相差較大，不利于分類，因此對輸入的數據做歸一化處理，將每個輸入數據處理成[0,1]區間內的數據，便于對其做進一步的處理。具體公式為：

式中：ymin和ymax分別為范圍下限0 和上限1；xmin和xmax分別為數據集矩陣每一行的最小值和最大值；xi為待歸一化的輸入數據。再將歸一化后的數據集分成訓練數據和測試數據兩部分并輸入。

(2)算法初始化：確定懲罰因子C和核函數參數g的取值范圍；設置ABC 算法的基本參數，如蜂群規模SN，蜜源(解)數量NP，最大循環次數limit，最大迭代次數M，并對各蜜源的適應度做出評估。

(3)采蜜蜂根據式(5)在各隨機解附近發現新解并保存。若vij適應度大于xij的適應度，則把vij賦值給xij，否則不改變。

(4)觀察蜂選擇蜜源，記錄全局最優解和對應的適應度值，并更新蜜源的位置。

(5)若采蜜蜂對蜜源的搜索次數超過設定最大循環次數limit仍未更新，則舍棄該解，

該處的采蜜蜂轉換為觀察蜂，并隨機生成一個新解來替換。

(6)判斷算法是否滿足終止條件，若是滿足或循環次數達到最大迭代次數M，則輸出最優解并結束；否則，轉到第(3)步再一次計算。

(7)將獲得的最優解作為SVM 的最優參數代入，對測試數據進行訓練，輸出分類結果，驗證參數的準確性。

2 光伏陣列故障分析

2.1 光伏陣列故障樣本選取提取

為模擬仿真光伏陣列在各種環境下的故障特性并獲得數據，以1 000 W/m2光照強度，25 ℃溫度為參考標準，在Matlab/Simulink 內建立了仿真光伏陣列模型，如圖2 所示[16-17]。

圖2 光伏陣列故障模擬

仿真模擬了四種光伏陣列實際運行中常見的故障：電池間的線路由于天氣等原因造成的絕緣層腐蝕、電池內部材料損壞等造成的組件短路，在仿真系統中通過將模塊短接來模擬；因外力或電池原件自身潛在的損傷造成的開路故障，通過在一條支路中串聯一個無窮大的電阻來模擬；光伏陣列因局部遮陰造成的熱斑故障，也就是光伏陣列中各個組件所接收的光照強度不同，通過改變光伏組件的局部光照強度值來模擬；由于光伏陣列所處環境較為惡劣且使用時間較長引發的光伏電池老化故障，通過在支路中串聯電阻來模擬[18]。仿真得到的I-V特性曲線如圖3 所示。

圖3 四種故障下光伏陣列的輸出特性曲線

由圖3 可知，對比正常狀態下，發生故障的光伏陣列的輸出特性會有一個或多個顯著變化。例如：在局部短路狀態下，光伏陣列的短路電流不變，但開路電壓減小；在局部遮陰狀態下，光伏陣列的I-V特性曲線呈階梯形變化，最大功率點的電流、電壓均發生變化。因此，選用短路電流Isc、開路電壓Uoc、最大功率點電流Im、最大功率點電壓Um四個特征作為輸入量，可以準確區分這四種故障類型。

2.2 故障樣本的分類

通過在Matlab/Simulink 中搭建光伏陣列仿真模型并模擬四種類型故障，得到了包含相應的光伏陣列輸出特征參數Isc、Uoc、Im、Um的值，將其作為光伏陣列故障診斷定位訓練樣本。從中挑選出300 組數據，并隨機選取100 組作為優化后的支持向量機的訓練樣本，另外200 組作為測試數據，如表1 所示。

表1 數據樣本分類表

3 仿真實驗分析

3.1 算法參數設置

本文設置ABC 算法優化SVM 的懲罰因子C和核函數參數g，取值范圍為[0.01,100]，蜂群規模SN=20，蜜源(解)數量NP=10，最大循環次數limit=100，最大迭代次數M=100。仿真所得適應度曲線如圖4 所示。由圖4 可知，在第25 次迭代時，適應度值達到97.57 且趨于穩定。

圖4 適應度曲線

3.2 ABC-SVM 診斷結果

本文提出的ABC-SVM 光伏陣列故障診斷模型經過100組故障訓練數據訓練后，再對200 組測試數據進行準確率預測，正確分類197 組，準確率為98.5%，分類結果如圖5 所示。由圖5 可知，診斷模型對故障狀態類別2～4 對應的遮陰、短路、開路故障以及類別5 正常狀態均能準確識別，但在識別類別1 老化故障時出現誤判，有三組數據被誤分到類別2。出現老化故障時，光伏陣列開路電壓與短路電流均不發生改變，最大功率點的電流電壓有所減弱，與類別2 遮陰故障特征相似，易發生誤判。

圖5 測試數據分類圖

3.3 對比分析

RBF 神經網絡是一種3 層前饋神經網絡，具有結構簡單和學習速度較快的優點，但本身的參數初始值影響預測精度和學習速度。粒子群優化(PSO)算法利用每個粒子在迭代過程中尋找到的粒子最佳位置來改變本身的速度矢量和位置矢量并實現全局搜索。利用PSO 算法優化RBF 神經網絡權值得到的PSO-RBF(粒子群優化徑向基函數)算法有更好的非線性函數逼近能力。為了進一步驗證本文提出的ABC-SVM算法在光伏陣列故障診斷中的準確性，對同樣的數據集又分別使用SVM 算法、RBF 算法和PSO-RBF 算法進行正確率對比驗證，對比結果如表2 所示。

表2 四種診斷模型的診斷正確率 %

由表2 可知，相比其他三種算法，ABC-SVM 算法對光伏陣列故障有更好的分類能力，識別準確率更高。

4 結語

作為機器學習領域的經典分類算法，SVM 有較好的分類能力。針對光伏陣列在實際運行中幾種常見的故障，本文用ABC 算法對SVM 的懲罰因子及核函數參數尋優，得到故障診斷模型并輸入故障特征向量，獲得對光伏陣列正常工作狀態及四種典型故障狀態的分類識別。仿真實驗表明，與基本SVM、RBF 以及PSO-RBF 神經網絡相比，改進后的算法分類效果得到明顯提高，對光伏陣列故障能夠得到較優的診斷效果，診斷正確率有大幅提高。