遺傳算法優化BP 神經網絡的光伏陣列故障診斷*

李東虎，徐凌樺，龍道銀，王 霄,3，覃 濤，楊 靖,3

（1.貴州大學電氣工程學院，貴陽 550025；2.中國電建集團貴州工程有限公司，貴陽 550025；2.貴州省“互聯網+”協同智能制造重點實驗室，貴陽 550025）

1 引 言

隨著光伏產業的飛速發展，光伏電站的成本控制、運行維護等問題廣受關注。光伏陣列是光伏電站的核心組成部分，所處的工作環境較為惡劣，在雨水、灰塵的侵蝕下容易發生故障，若不能及時發現并解決光伏陣列的故障問題，將會降低發電效率，尋求解決方案的種種努力促進了直流側光伏陣列故障診斷技術的發展［1］。文獻［2］利用模糊C 均值聚類和隸屬度函數算法來進行故障診斷；文獻［2］等將故障樹、事件樹與BP 神經網絡結合起來，提升了復雜非線性系統的診斷效率；文獻［4］利用L-M 算法優化BP 神經網絡進行故障識別；文獻［5］將BP 神經網絡量化，利用定性數據解決設備故障診斷問題。在從多研究成果中，仍然存在收斂速度慢、收斂精度低、正確率不高等問題［6-8］。在此提出一種遺傳算法優化的BP 神經網絡光伏陣列故障診斷方法。利用全局搜索性能好的遺傳算法優化BP 神經網絡的權值、閾值，嘗試提高算法收斂速度與收斂精度。

2 遺傳算法優化BP 神經網絡

新方法是來自生物學原理的遺傳算法與傳統的BP 神經網絡技術的結合。首先要對種群數量、各項參數進行初始化。對種群個體進行編碼，采用二進制形式進行，具體表達式如下：

其中m 表示輸入層神經節點個數，n 表示輸出層神經節點個數，q 表示隱含層神經節點個數，L 為編碼總長度。在光伏陣列故障診斷模型中，輸入量為Voc、Isc、Imp、Ump共四個參數，輸出診斷結果為正常狀況、短路故障、開路故障、老化故障、局部陰影，共五種結果，因此整個網絡結構為4-6-5 型。

在本研究中，改進的方向是對權值、閾值進行優化，減少輸出誤差，所以根據實際輸出與期望輸出的差值來構造適應度函數如下：

其中，n 為輸出層神經節點數，Ti為輸出層神經節點i 的期望輸出；yi為輸出層神經節點i 的實際輸出。

隨之，要選擇運算方式。采用適應度比例法，即輪盤賭法的方式，盡量將適應度值較高的優秀個體遺傳到下一代。選擇的概率公式如下：其中，η 為交叉算子，為［0,1］區間上的隨機數；Xaj、Xbj分別代表第a 個染色體、第b 個染色體在j 位的交叉運算。

在此采取變異運算，即改變個體的某處基因隨機產生變異基因。變異后的染色體為：

其中，σ 表示變異算子，Xmin、Xmax分別代表種群中的最小值、最大值。

若計算的個體適應度達到了終止條件，例如訓練誤差閾值或最大迭代次數，則停止迭代。解碼賦值給BP 神經網絡的初始權值和初始閾值，訓練新的BP 神經網絡。如未達到終止條件，則返回公式（2）繼續迭代。以上述流程進行改進后的BP 神經網絡的后續訓練，用于光伏陣列的故障診斷。

3 光伏陣列故障分析

在MATLAB/Simulink 建立2×2 的光伏陣列模型，如圖1 所示。每一個支路為2 個光伏組件串聯，一共2 個支路并聯。每一個光伏組件都是相同的，對應的參數為：最大輸出功率218.871 W，最大功率點電壓29.2V，最大功率點電流7.47A，短路電流7.97A，開路電壓26.6V，輻照強度1000W/m2，溫度25℃。

圖1 2×2 光伏陣列仿真模型

在診斷模型研究中，合理選擇輸入變量，不僅能使模型設計變得簡單，而且能夠提高模型輸出性能。此處在四種故障狀態下，對光伏陣列的輸出特性進行詳細分析，對應的特性曲線由圖2 所示。

圖2 不同工況下光伏陣列輸出特性曲線

4 實驗結果與分析

實驗平臺采用離網型發電系統，利用模擬故障的方式進行數據的獲取。將某串的陣列連接線斷開模擬開路故障；空氣開關連接一個導線與某組件并聯，開關打開時為短路故障；連接大功率可調電阻，模擬老化故障；利用透光率低的不透明紙遮擋光伏組件模擬陰影遮擋。以此獲取2020 組數據，每類運行工作狀態410 組作為輸入樣本，其中200 組作為訓練數據樣本，剩余的作為測試數據樣本，具體數據集設置情況如表1 所示。

表1 實驗數據集設置情況

從構建的數據集中再選出550 組作為測試數據，來比較不同故障診斷算法的診斷效果。表2 為光伏陣列的五種輸出狀態。初始化遺傳算法，種群數量為50，最大迭代次數為100，變異算子、交叉算子分別為0.1、0.2；BP 神經網絡部分的輸入層節點數為4，隱含層節點數為9，輸出層節點數為5，學習因子為0.1，訓練目標最小誤差為10-2。

表2 光伏陣列輸出狀態表

仿真訓練后，得到神經網絡誤差曲線，如圖2所示。圖4 則為遺傳算法改進BP 神經網絡誤差曲線。從二圖對比可知，未經優化改進的BP 神經網絡最小驗證誤差出現在第29 次迭代，值為0.0078401；遺傳算法改進BP 神經網絡的最小驗證誤差出現在第17 次迭代，值為0.0068062，算法訓練誤差趨于平穩?？梢娊涍^遺傳算法改進之后，不僅BP 神經網絡的收斂速度提高了，誤差也有減小。

圖3 BP 神經網絡誤差曲線

圖4 遺傳算法改進BP 神經網絡誤差曲線

兩種診斷模型故障診斷結果如圖5 所示，其中橫坐標表示測試樣本數，縱坐標中的1、2、2、4、5 對應著光伏陣列五種狀態：正常狀態、開路故障、短路故障、老化故障、局部陰影。診斷精度的詳細數據記錄在表2 中。

圖5 兩種模型故障診斷結果

表3 兩種模型故障診斷準確率

可見，針對光伏陣列的五種工作狀態，遺傳優化BP 神經網絡模型有更好的效果，各類型工況和平均正確率都是最好的，整體的正確率達到了90%，較BP 神經網絡模型提高了12.4%。在局部陰影和老化故障方面，BP 神經網絡識別率低，僅有72.6%、56.4%，但在優化BP 中均達到了87.2%、78.2%，表明通過遺傳算法優化得到的權值、閾值能有效提高故障診斷正確率，驗證了所提出的使用遺傳算法對BP 神經網絡優化來進行光伏陣列故障診斷的可行性、準確性和優越性。

5 結 束 語

使用遺傳算法優化BP 神經網絡，可很好應用于光伏陣列故障診斷。利用全局搜索性能好的遺傳算法優化BP 神經網絡的權值、閾值，提高了BP 神經網絡的收斂速度、收斂精度?；趯夥嚵泄收项愋偷姆治隹偨Y，針對實際的故障輸出特性，通過合理設計，在光伏陣列實驗平臺進行故障診斷的實驗驗證，以實驗結果證明了將遺傳算法與BP 神經網絡相融合的新方法帶來的新的效果，研究也為光伏陣列故障診斷領域提供了新的助力。