利用改進初始化的殘差-密集連接網絡的光伏陣列故障診斷

吳文濤，陳志聰，吳麗君，程樹英，林培杰

(福州大學物理與信息工程學院，微納器件與太陽能電池研究所，福建 福州 350108)

0 引言

隨著不可再生能源的過度利用，環境問題與能源枯竭等問題的相繼出現[1]，人們迫切需要可再生能源. 太陽能以其清潔、環保、取之不盡用之不竭的優點從眾多能源中脫穎而出[2]. 光伏發電是目前利用太陽能的主流，而光伏陣列是實現這一轉換的核心器件，發展迅速. 但是光伏陣列需要長時間工作在惡劣的自然環境中，各種故障隨之而生[3]. 這些故障嚴重地影響著光伏陣列的使用壽命，降低輸出功率，更有可能引發火災，威脅生命和財產安全. 僅僅依靠人工進行檢測故障，極大地增加了成本. 如何有效地檢測故障并進行分類對于降低維護成本，提高光伏陣列使用壽命具有十分重要的現實意義.

近些年來，眾多國內外研究人員對光伏陣列故障診斷進行了大量研究[4]. 對地電容檢測(earth capacitance measurements, ECM)[5]難以檢測早期故障且對設備要求較高，紅外圖像檢測[6]成本高昂且精度較低. 為了檢測早期故障，同時降低成本，許多研究者將機器學習應用于光伏陣列故障檢測[7-11]. 但是機器學習算法需要有大量的真實數據進行訓練以及大量專業經驗和手動提取特征，不同的光伏陣列可能有所差異，也就導致了其泛化性能較差. 為了解決手動提取特征和泛化性差的缺點，文獻[12]利用卷積神經網絡(convolutional neural network, CNN)對時序時間信號進行故障診斷，得到了一個高準確率的故障診斷模型. 文獻[13]基于RGB圖像和卷積神經網絡進行光伏陣列故障檢測和分類，得到了一個具有高泛化性能的模型. 同時淺層學習無法解決數據中高維、復雜等問題，而深度學習可以自動提取特征，很好地解決了這個問題. 但是深度學習需要有大量的真實數據進行訓練，而光伏電站大部分運行在正常狀態下，故障數據較少. 在只有小樣本數據時，機器學習算法以及深度學習算法難以訓練出一個具有高泛化性能、高穩定性的模型.

實際的光伏故障數據樣本少，但是通過電腦仿真建立和實驗室陣列相似的模型可以輕松獲得大量仿真樣本. 仿真數據和實測數據具有較高的相似度，但受實際運行環境的影響，仿真數據和實測數據仍有一些差距，機器學習算法和深度學習算法難以通過大量的仿真數據建立一個用于檢測和診斷實際故障的模型. 針對以上問題，本研究首先提出了一種改進的初始化方法，將從仿真數據訓練得到的權重代替隨機初始化賦值給實際故障診斷模型. 同時，將殘差連接和密集連接結合起來構造殘差-密集連接網絡，進一步提高分類準確率和收斂速度. 通過對比改進初始化方法、隨機初始化方法以及密集連接網絡和殘差網絡，實驗結果表明，改進初始化方法優于隨機初始化方法，同時提出的算法也優于另外兩種算法.

1 仿真模型建立

圖1 單二極管模型Fig.1 Single diode model

對太陽能電池進行分析和建模，可將太陽能電池等效成為一個由光生電流源和一個二極管并聯的電路，如圖1所示. 圖中，Rs為串聯電阻，主要來源于太陽能電池中半導體材料的體電阻、電極和互聯金屬的電阻以及電極和半導體之間的接觸電阻；Rsh為分流電阻，是由于P-N結漏電引起的.

在輻照度和溫度一定時，光生電流Iph不變，可以將其看成為一個恒流源. 由圖1可得到下列公式.

(1)

其中:n為二極管理想因子；Isc為飽和電流；K是玻爾茲曼常數(1.380 7×10-23J·K-1)；q是元電荷常量(1.60 22×10-19C)；T是太陽能電池工作時的溫度.

當有多個太陽能電池串并聯時，可將公式(1)轉換為：

(2)

其中：Ns和Np分別是串聯太陽能模塊和并聯組串的個數.

通過對光生電流，二極管理想因子, 飽和電流, 串聯電阻, 分流電阻設定來建立模型. 考慮到溫度以及輻照度對于太陽能電池的影響，上述公式將變化為：

(3)

其中：Isc, std是指在標準狀況下(Gstd=1 000 W·m-2,Tstd=25 ℃)的短路電流；T,G分別為實測的溫度和輻照度參數；α是光生電流的溫度系數.

常見的故障包括開路故障、短路故障、陰影遮擋以及線路意外老化故障. 本研究光伏面板采用GL-M100的太陽能組件，將6個組件串聯，后將3個串聯組件并聯，共計18塊太陽能組件.

2 故障特性分析

輻照度為450 W·m-2，溫度為26 ℃下的I-V和P-V特性分別如圖2、 圖3所示.從圖2可見，開路故障的Isc遠遠小于正常狀態，Voc與正常情況相比無太大變化，而短路故障的Voc比正常情況下更小，Isc與正常情況無太大變化.部分陰影對比正常情況，其I-V曲線會出現突然下降的點，隨著陰影面積的變大其下降的就越嚴重，且從圖3中可以看出陰影下光伏陣列會出現雙峰.老化故障的Isc、Voc相較于正常沒有太大變化，但是其最大功率在下降，填充因子下降，同時陣列老化比組件老化下降得更加嚴重.通過對正常及各種故障的分析，電壓、電流、溫度、輻照度，最大功率和填充因子特征可以將不同的故障區分出來，因此選取這6項作為輸入特征.

圖2 I-V特性圖Fig.2 I-V characteristic diagram

圖3 P-V特性圖Fig.3 P-V characteristic diagram

3 光伏故障診斷方法

3.1 卷積神經網絡

隨著計算機視覺和目標檢測的興起，卷積神經網絡(CNN)備受歡迎. 對比傳統的神經網絡，卷積神經網絡具有如下的優勢： 1) 減少參數. 由于傳統的神經網絡采用的是全連接的形式，要是內部神經元設置多一點就會導致計算量暴增. 但是卷積神經網絡通過對上一層的感受野(卷積核在的區域則被稱之為感受野)和指定大小(通常有1 ×1, 3 ×3, 5 ×5大部分是奇數)的卷積核計算得來，這就大大地減少了運算量，降低了算法的冗余度. 2) 特征共享. 在上一層輸入當中某一些區域是具有相同的特征，傳統神經網絡沒有考慮到這一點. 卷積神經網絡通過卷積核將某一區域的相同特征提取出來并且共享這些特征. 其結構包括： 1) 輸入層. 卷積神經網絡的輸入可以多種多樣，可以輸入一維，二維，三維的數組. 適應絕大部分的輸入數據. 2) 中間層. 又叫隱含層，包括了卷積層和池化層. 卷積層是整個卷積神經網絡中最為重要的部分，通常是利用一個參數可以學習的大小一定的卷積核與輸入矩陣進行卷積運算，而這個卷積核會在輸入矩陣上進行滑動的. 其公式如下：

yl+1(i,j)=[yl*wl+1](i,j)+bl

(4)

其中：yl+1和yl分別為第l+1層的輸出和輸入，也就是上文所提的特征圖；b為第l+1層的偏差值； *表示卷積運算；wl+1為第l+1層的卷積核.

池化層的目的是降低參數量，通過對特征圖進行壓縮，降低運算參數. 采用平均池化是對卷積核大小范圍內的所有參數求和，再除以卷積核大小作為新的特征. 其公式為：

(5)

其中：h,w分別為卷積核的高度和寬度；i,j為卷積核中第i行和第j列.

在卷積神經網絡的最后是輸出層. 通常會有1層或者多層的全連接層，將上面的特征圖變為一維與這些層全連接. 最后根據任務的不同連接不同的目標函數，Softmax函數廣泛地應用于多分類的任務中.

3.2 殘差連接

卷積神經網絡的層數對于網絡的性能有著重大的影響，層數越深的網絡往往有著更強大的特征提取能力. 但是網絡層數的加深也帶來了過擬合的問題、梯度消失和梯度爆炸現象，會導致網絡模型訓練速度慢，在訓練集準確率高于測試集等問題. 何凱明等[14]提出殘差網絡(res net, RN), 通過殘差連接解決梯度消失和梯度爆炸的問題，同時具有降低過擬合，訓練速度快等優點. 殘差結構，其表達式為：

F(X)=F(X)+X

(6)

其中：X是輸入特征圖；F(X)表示經過卷積運算后的輸出特征圖.

通過殘差連接將輸入和輸出連接起來，可以直接學到上一層的特征而減低過擬合的影響. 同時可有效抑制梯度消失和梯度爆炸. 殘差連接的思想被引入到深度學習中，大大地提高了模型的訓練效率和泛化性能，使網絡層數可以近一步加深.

3.3 密集連接

圖4 密集連接結構Fig.4 Dense connection structure

由于殘差連接可能會導致網絡信息不流通的缺點，Huang等[15]提出密集卷積神經網絡(dense net, DN), 通過密集連接的方式將每一個卷積層都和其他卷積層進行連接，使不同層之間的網絡信息更加流通. 密集連接結構如圖4所示.

與殘差連接直接讓兩個特征圖相加不同，密集連接網絡是通過將特征圖進行堆疊作為下一層的輸入，其公式為：

Yk=Lk(X0, …,Xk-2,Xk-1)

(7)

其中：k表示網絡的第k層，一般采用k=4或5；Lk表示第k層的卷積運算；Yk表示第k層的輸出； (*)表示將內部所有參數進行堆疊.

3.4 殘差-密集連接網絡

密集連接可以改善殘差網絡帶來的信息不流通的問題，但可能未能學習到殘差連接的信息. 因此，提出一種改進方法結合密集連接和殘差連接，既有密集連接的信息流通又有殘差連接的信息. 且采用堆疊一次的密集連接，即k=2，這樣做不僅大大地減少了計算參數，提高了運算速度，也避免了過度堆疊造成的特征冗余的問題. 其結構如圖5所示. 先通過殘差連接將輸入和輸出相加而后在通過密集連接將輸入和殘差連接后的特征圖堆疊作為輸出，兼具有殘差連接和密集連接的優點.

圖5 殘差-密集連接結構Fig.5 Residual dense connection structure

3.5 改進初始化

圖6 改進初始化方法Fig.6 Improved initialization method

隨機初始化是深度學習中常用的初始化方法，通過對網絡模型隨機賦予初始值而后通過反向傳播的方法來進行訓練和調整初始值. 但是初始化對于深度學習十分重要，同一個網絡模型在不同的初始值下可能會跑出一個很好的擬合而另一個可能會完全不會擬合的情況，因此初始化方式對深度學習的模型具有十分重要的作用. 在實際過程中，光伏陣列大部分運行在正常狀態而故障數據較少，難以通過大樣本訓練來獲得高泛化性能的模型. 而通過電腦仿真則可以獲得大量數據，先用仿真數據訓練網絡模型，由于仿真數據樣本大可以獲得一個具有高泛化性能的網絡模型，而后將該權重賦給實測數據的模型, 如圖6所示. 通過這樣的方法進行初始化不僅改善了隨機初始化所導致的同一模型得出不同結果的情況，也可以通過小樣本訓練得到一個高泛化性能的模型，具有實際應用的價值.

4 實驗設計與結果分析

4.1 實驗設計

光伏陣列的日常發電過程中，容易出現短路故障、開路故障、陰影狀況以及老化故障. 其中短路故障是光伏陣列兩個點出現意外的短路. 開路故障是由于光伏陣列出現意外斷路使得原來連接的線路斷開，降低了輸出功率，陰影狀況可能是由于飛鳥的羽毛和樹木的遮擋等造成光伏面板輻照度不一致的問題，降低了光伏陣列的輸出功率同時也可能造成熱斑損害太陽能面板，老化故障是由于線路意外暴露而造成的，提高了功率損耗. 本研究重點為設計短路故障、開路故障、陰影狀況以及老化故障，因為傳統方法難以在早期檢測出這些故障. 創建的具體故障包括： 短路1塊太陽能模塊； 開路一個組串； 組串老化4 Ω和陣列老化4 Ω； 陰影故障，陰影組件的數量為1塊，2塊和3塊.

4.2 實驗結果分析

通過Simulink建模仿真獲得仿真數據. 實驗選擇在晴天進行，對光伏陣列進行I-V曲線掃描獲得實測數據，并將所得的數據分為訓練集和測試集，其分布如表1所示.

訓練集共有140個訓練樣本，測試集共有2 513個樣本，通過小樣本訓練來模擬實際情況中數據難以獲得的情況. 其訓練準確率如圖7所示. 3種網絡對比只有網絡結構不一樣，其他的數據預處理、數據分布、訓練步驟等參數均一致，保證控制變量. 隨機初始化的網絡結構為殘差-密集連接網絡. 可以從圖7中明顯看出，改進初始化在訓練集收斂速度和訓練穩定性高于隨機初始化. 這說明改進初始化的方法具有收斂速度快，高泛化性能的優點. 而3種網絡結構在訓練集上無明顯的差異.

表1 數據分布表

圖7 實測數據訓練集準確率Fig.7 Accuracy of training set of measured data

表2是重復實驗的統計表，對于殘差-密集連接網絡，密集連接網絡和殘差網絡是通過對仿真數據預訓練5次建立5個模型而后每個模型獨立重復實驗10次以驗證每個模型的性能. 隨機初始化則是訓練50次.

表2 5次預訓練10次獨立重復實驗統計表

從表2可見，隨機初始化的測試集準確率最高為95.86%而最低準確率只有70.55%，這就驗證了之前的說法. 即同一個模型，隨機初始化可以得到一個較好的模型，也有可能得到一個差的模型，其穩定性和泛化性能較差. 改進的初始化方法其性能要優于隨機初始化方法. 同時，對比3種不同的網絡結構可以發現，殘差網絡最低準確率為81.22%. 這就說明殘差連接有時會導致信息不流通而使得模型性能下降. 密集連接網絡平均準確率高達98.26%，準確率最低也有96.58%. 就說明相對于殘差網絡，密集連接網絡信息更加流通. 殘差-密集連接網絡在測試時各方面的表現均為最優，說明其結構信息流通高于殘差網絡，也比密集連接網絡多學習到殘差信息，進一步說明殘差-密集連接具有高穩定性和高泛化性能.

5 結語

提出一種利用改進初始化的殘差-密集連接網絡設計光伏陣列故障診斷的方法. 首先，對光伏陣列故障數據進行特征提取，擇優選取輸入特征. 其次，通過不同方法多次實驗仿真采集的數據求取平均準確率來驗證所提方法的性能. 其中，本改進初始化網絡的平均準確率為98.63%，高于隨機初始化網絡的89.33%，殘差網絡的95.53%和密集連接網絡的98.26%，證明本改進網絡是具有高泛化性能、高準確性的網絡結構.