基于概率神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷

劉俊杰，汪石農(nóng)

(安徽工程大學(xué) 電氣工程學(xué)院，安徽 蕪湖 241000)

由于光伏陣列大多建設(shè)在較偏遠(yuǎn)地區(qū)，多變的復(fù)雜環(huán)境會造成光伏陣列出現(xiàn)各種如開路、短路、老化、局部陰影等故障，大大降低了光伏陣列的使用壽命[1]。且光伏陣列規(guī)模較大，出現(xiàn)故障不容易被檢測到。

目前主要的光伏陣列故障診斷方法有紅外線檢測法[2]、時域反射法[3]等。其中紅外線檢測法是當(dāng)光照、環(huán)境溫度等條件一樣時，在不同的工作狀況下，光伏組件之間有著明顯的溫度差異。通過利用紅外線的方法，提取出可能由于熱斑現(xiàn)象而出現(xiàn)的故障區(qū)域以及該區(qū)域的特征信息來判斷出光伏陣列是否發(fā)生故障[4]。雖然該方法原理簡單，但耗費成本大且檢測精度不高。時域反射法是當(dāng)光伏陣列發(fā)生故障時，信號會發(fā)生延遲且信號的波形會發(fā)生相應(yīng)的變化，這樣就可以通過該方法確定故障發(fā)生的位置以及故障發(fā)生的類型[5]。但該方法只能在關(guān)閉系統(tǒng)工作的情況下去檢測故障的發(fā)生。

本文通過搭建光伏陣列仿真模型并對光伏陣列各故障條件下的輸出特性進(jìn)行仿真分析，給出光伏陣列在各種故障條件下的各電氣參數(shù)變化趨勢，確定概率神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立概率神經(jīng)網(wǎng)絡(luò)模型并運用概率神經(jīng)網(wǎng)絡(luò)實現(xiàn)對光伏陣列的故障診斷。

1 光伏陣列故障診斷流程

圖1給出了本文運用概率神經(jīng)網(wǎng)絡(luò)對光伏陣列進(jìn)行故障診斷的流程圖。首先，通過對光伏陣列各項模型參數(shù)的估計并建立MATLAB仿真模型；然后，通過對光伏陣列在各種狀態(tài)下的仿真研究建立數(shù)據(jù)集；其次，建立概率神經(jīng)網(wǎng)絡(luò)模型；最后，輸入測試數(shù)據(jù)并輸出故障診斷的類型。

圖1 光伏陣列故障診斷流程圖

2 光伏模塊仿真分析

2.1 光伏模塊數(shù)學(xué)模型

光伏模塊的發(fā)電原理是通過光伏效應(yīng)或者光化學(xué)效應(yīng)將光能轉(zhuǎn)化為電能。光伏模塊的一般等效電路模型如圖2所示。

圖2 光伏組件等效電路模型

根據(jù)光伏模塊等效電路模型可得表達(dá)式(1)為：

I=Iph-Id-Ish

(1)

式中：Iph為光生電流；Id為流經(jīng)二極管的電流；Ish為流經(jīng)等效二極管的電流。

2.2 光伏模塊的建模與仿真分析

通過運用MATLAB搭建光伏模塊仿真模型，其仿真結(jié)構(gòu)如圖3所示。

圖3 光伏模塊仿真圖

本文采用型號為1-Soltech 1STH-215-P的光伏模塊，在標(biāo)準(zhǔn)狀況(25℃、1000W/m2)下該光伏模塊各參數(shù)如表1所示。

表1 光伏組件主要參數(shù)

通過保持溫度T=25℃恒定，改變光照強度G的大小，得到圖4所示的輸出特性曲線。由圖4(a)可知，當(dāng)保持溫度T恒定時，隨著光照強度G減少，最大功率Pm逐漸減小，但最大功率點處的電壓Ump保持不變。由圖4(b)可知，當(dāng)保持溫度T恒定時，隨著光照強度G減少，短路電流Isc和最大功率點處的電流Imp逐漸減小，而開路電壓Uoc基本保持不變。

(a)P-U特性曲線

(b)I-U特性曲線圖4 光伏組件恒定溫度不同光照強度下輸出特性曲線

當(dāng)保持光照強度G=1000W/m2恒定，改變溫度T的大小，得到圖5所示特性曲線。由圖5(a)可知，當(dāng)保持光照強度G恒定時，隨著溫度T提高，最大功率Pm逐漸減少，最大功率點處的電壓Ump也逐漸減小。由圖5(b)可知，當(dāng)保持光照強度G恒定時，隨著溫度T的提高，開路電壓Uoc逐漸減小，而最大功率點處的電流Imp和短路電流Isc基本不變。

(a)P-U特性曲線

(b)I-U特性曲線圖5 光伏組件恒定光照強度不同溫度下輸出特性曲線

3 光伏陣列故障仿真模型

3.1 光伏陣列仿真模型

由于在實際生活中光伏陣列數(shù)量較為龐大，不易進(jìn)行實地實驗，所以本文通過運用MATLAB程序運用9個型號為1-Soltech 1STH-215-P的光伏模塊來搭建一種3×3的光伏陣列仿真模型，并分析光伏陣列在開路、短路、局部陰影、異常老化等各種故障狀態(tài)下的輸出特性[6]。光伏陣列仿真模型如圖6所示。其中，PV1-PV3組成支路I，PV4-PV6組成支路II，PV7-PV9組成支路III。

圖6 光伏陣列仿真模型

3.2 開路

開路故障一般是由于光伏陣列中光伏組件因為某種原因?qū)е戮€路斷開而引起的[8]。通過分別在圖6中的支路I、II上設(shè)置阻值為無限大的電阻來模擬光伏陣列開路故障，得到如圖7所示特性曲線。通過圖7(a)可以看出，隨著支路開路個數(shù)的增加，光伏陣列最大功率Pm在逐漸較小，而最大功率點處的電壓Ump基本保持不變。通過圖7(b)可以看出，隨著光伏陣列的支路開路個數(shù)的增加，開路電壓Uoc基本不變，而短路電流Isc和最大功率點處的電流Imp逐漸降低。

(a)P-U特性曲線

(b)I-U特性曲線圖7 光伏陣列在開路狀態(tài)下的輸出特性曲線

3.3 短路

光伏陣列的短路一般是由光伏組件內(nèi)部局部腐蝕和線路損壞導(dǎo)致的。通過在圖6中的支路I、II上并聯(lián)兩個阻值為0的電阻來模擬光伏陣列的短路故障，得到如圖8所示特性曲線。通過圖8(a)可以看出，光伏陣列的最大功率Pm和最大功率點處的電壓Ump隨著光伏陣列短路個數(shù)的增加而降低。通過圖8(b)可以看出，隨著光伏陣列短路個數(shù)的增加，短路電流Isc和最大功率點處的電流Imp基本不變而開路電壓Uoc在逐漸減小。

(a)P-U特性曲線

(b)I-U特性曲線圖8 光伏陣列在短路故障下的輸出特性曲線

3.4 局部陰影

局部陰影通常是因為光伏陣列中部分光伏組件由于各種環(huán)境影響導(dǎo)致光照強度不均勻[7]。通過對圖6中的光伏陣列支路I上分別設(shè)置不同遮光率來模擬局部陰影故障，得到圖9所示特性曲線。通過圖9(a)可以看出，隨著光照強度的下降，光伏陣列最大功率Pm和最大功率點處的電壓Ump逐漸降低。通過圖9(b)可以看出，隨著光照強度的下降，光伏陣列的短路電流Isc和最大功率點處的電流Imp逐漸減小，而開路電壓Uoc基本不變。

(a)P-U特性曲線

(b)I-U特性曲線圖9 光伏陣列在局部陰影故障下的輸出特性曲線

3.5 異常老化

光伏組件一般具有較長的使用壽命，但在使用過程中受環(huán)境影響而造成光伏組件的老化。通過將光伏陣列串聯(lián)一塊電阻來模擬光伏組件老化故障[8]。通過在圖6的主線路上設(shè)置一個電阻并設(shè)定阻值分別為2Ω、4Ω和6Ω來模擬光伏陣列的老化故障，得到如圖10所示特性曲線。通過圖10(a)可以看出，隨著R阻值的增大，最大功率Pm逐漸降低，最大功率點處的電壓Ump基本不變。通過圖10(b)可以看出，隨著R阻值的增大，開路電壓Uoc和短路電流Isc幾乎無變化，而最大功率點處的電流Imp逐漸降低。

(a)P-U特性曲線

(b)I-U特性曲線圖10 光伏陣列在異常老化故障下的輸出特性曲線

4 基于概率神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷分析

4.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(PNN)是在1989年被D.F.Specht博士提出的一種結(jié)構(gòu)相對簡單的前饋神經(jīng)網(wǎng)絡(luò)[9]。概率神經(jīng)網(wǎng)絡(luò)由于能用線性學(xué)習(xí)代替非線性學(xué)習(xí)算法，所以經(jīng)常被人類用來解決模式分類的問題。

概率神經(jīng)網(wǎng)絡(luò)由輸入層、模式層(隱含層)、求和層、決策層(輸出層)組成[10]。其模型圖如圖11所示。

圖11 概率神經(jīng)網(wǎng)絡(luò)模型

通過將訓(xùn)練樣本輸入到輸入層，經(jīng)隱含層中的輸出關(guān)系處理。通過求和層將每種故障發(fā)生的概率相加從而得到估計密度函數(shù)，由輸出層對各種故障模式進(jìn)行分類：函數(shù)值最大的類別輸出為正確，其余均為錯誤[11]。隱含層的輸出關(guān)系由下式(2)給出。

(2)

式中：ωi表示輸入層輸入到隱含層的權(quán)值；σ表示平滑因子，是神經(jīng)網(wǎng)絡(luò)的重要部分。

4.2 概率神經(jīng)網(wǎng)絡(luò)特征信號的選擇

通過對光伏陣列故障仿真分析可知，當(dāng)光伏陣列發(fā)生開路、短路、部陰影、異常老化這四種主要故障時，開路電壓Uoc、短路電流Isc、最大功率點電壓Ump和最大功率點電流Imp都會相應(yīng)的發(fā)生變化，所以選擇Uoc、Isc、Ump和Imp作為該神經(jīng)網(wǎng)絡(luò)的輸入變量。

4.3 故障診斷仿真分析

通過對光伏陣列故障仿真研究，檢測光伏陣列四種特征參數(shù)的值，并建立數(shù)據(jù)樣本，將這些樣本分為待訓(xùn)練樣本和待測試樣本并進(jìn)行歸一化處理[12]。數(shù)據(jù)的歸一化公式(3)如下：

(3)

式(3)中，xn為初始數(shù)據(jù)，xmax為初始數(shù)據(jù)中的最大值，xmin為初始數(shù)據(jù)的最小值，Xn為數(shù)據(jù)歸一化后的輸入數(shù)據(jù)。

故障診斷的流程如圖12所示。

圖12 故障診斷流程圖

通過對樣本進(jìn)行歸一化處理后輸入到概率神經(jīng)網(wǎng)絡(luò)中，樣本經(jīng)過訓(xùn)練并完成診斷后得到如圖13所示結(jié)果。序號1代表正常，序號2表示故障診斷為開路，序號3表示故障診斷為短路，序號4表示故障診斷為局部陰影，序號5表示故障診斷為異常老化。由圖13(a)可知，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差全部為0，精確度極高。由圖13(b)可知，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實際故障類型完全重合，即診斷結(jié)果全部正確，能夠進(jìn)行準(zhǔn)確的故障診斷。

(a)訓(xùn)練結(jié)果

(b)預(yù)測結(jié)果圖13 概率神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

5 結(jié)論

本文通過運用MATLAB程序搭建光伏陣列仿真模型，對光伏陣列的主要故障狀況進(jìn)行仿真分析，表明了光伏陣列在各種故障狀態(tài)下，光伏陣列的Ump、Imp、Uoc和Isc都會發(fā)生相應(yīng)的變化。因此，將這四種參數(shù)作為概率神經(jīng)網(wǎng)絡(luò)模型的輸入變量并通過建立概率神經(jīng)網(wǎng)絡(luò)仿真模型，對光伏陣列進(jìn)行故障診斷。仿真結(jié)果表明，概率神經(jīng)網(wǎng)絡(luò)在診斷過程中所需樣本較少，精確度較高且訓(xùn)練過程簡單，為實際的光伏陣列故障診斷提供了較好的理論參考。