基于SSA-DBN的光伏陣列故障診斷方法

姜 萍，郭歡歡，代金超

(河北大學電子信息工程學院，河北保定 071000)

近年來，隨著光伏發(fā)電技術(shù)的飛速發(fā)展，光伏陣列也逐漸規(guī)模化。然而光伏陣列設(shè)施往往建立在環(huán)境比較惡劣的條件下，難以避免地會發(fā)生一些故障，如開路、短路、局部陰影問題、老化問題等。因此如何有效地對光伏組件的故障進行檢測,使光伏陣列運行得更加穩(wěn)定、有效變得尤為重要[1-3]。

目前常用的光伏故障診斷方法主要包括；紅外圖像識別技術(shù)[4]、單刀多擲開關(guān)結(jié)合傳感器[5]、支持向量機[6]、人工神經(jīng)網(wǎng)絡(luò)[7]、主成分分析法[8]等。隨著人工智能的快速發(fā)展，許多專家和學者把目光投向了模糊聚類、相關(guān)向量機，并且在光伏診斷方法中機器學習、模糊神經(jīng)網(wǎng)絡(luò)等方法中取得了很好的效果，然而這些方法局限于小數(shù)據(jù)集的學習和訓練，處理數(shù)據(jù)集特征能力不足，容易陷入局部最優(yōu)、提取特征困難等問題。

在智能診斷算法當中，深度學習網(wǎng)絡(luò)憑借其深度挖掘樣本的特征能力，分層處理樣本的特征信息等優(yōu)點，已經(jīng)廣泛應(yīng)用于人臉識別[9]、功率預(yù)測[10]等領(lǐng)域，近幾年來也漸漸應(yīng)用于各種模型故障的診斷當中。

然而在深度信念網(wǎng)絡(luò)訓練中依然會遇到諸多的問題，如DBN 網(wǎng)絡(luò)在訓練和學習時其權(quán)值、偏置是隨機產(chǎn)生的，網(wǎng)絡(luò)參數(shù)會陷入局部最優(yōu)。文獻[11]采用改進粒子群算法對深度信念網(wǎng)絡(luò)的權(quán)值進行優(yōu)化，以此提高模型預(yù)測的能力；文獻[12]采用混沌免疫算法對DBN 網(wǎng)絡(luò)參數(shù)進行優(yōu)化，并且引入了可變選擇算子，提高了網(wǎng)絡(luò)尋優(yōu)的收斂速度；文獻[13]提出利用布谷鳥搜索算法的全局尋優(yōu)能力優(yōu)化DBN 網(wǎng)絡(luò)的初始權(quán)值，解決了原始DBN 網(wǎng)絡(luò)的權(quán)值隨機初始化問題。盡管這些智能算法對深度信念網(wǎng)絡(luò)權(quán)重進行了優(yōu)化，卻缺乏對網(wǎng)絡(luò)神經(jīng)元的偏置優(yōu)化。為了提高DBN 網(wǎng)絡(luò)的有效性和穩(wěn)定性，需要同時對網(wǎng)絡(luò)的權(quán)重和偏置進行優(yōu)化編碼。

本文采用一種新型的智能算法麻雀搜索算法來提高DBN 網(wǎng)絡(luò)的容錯性，麻雀搜索算法在尋優(yōu)精度、收斂性、穩(wěn)定性和魯棒性等方面優(yōu)于其他智能算法[14]，可以有效地避免陷入局部最優(yōu)。將麻雀搜索算法用于深度信念網(wǎng)絡(luò)中，對網(wǎng)絡(luò)權(quán)值和偏置的優(yōu)化起到了至關(guān)重要的作用，也提高了光伏陣列故障診斷的識別精度。

1 深度信念網(wǎng)絡(luò)

1.1 DBN 模型

DBN 模型[15]是一種概率生成模型，由多個限制玻爾茲曼機堆疊而形成的網(wǎng)絡(luò)模型，既可以完成有監(jiān)督的數(shù)據(jù)分類和預(yù)測，也可以實現(xiàn)無監(jiān)督的數(shù)據(jù)特征提取。本文利用DBN 網(wǎng)絡(luò)對光伏陣列采集的故障數(shù)據(jù)集進行特征提取以及數(shù)據(jù)分類，DBN 故障診斷模型如圖1 所示，輸入端為標況下光伏組件典型四種參數(shù)，分別是開路電壓Uoc、短路電流Isc、最大功率點電壓Um、最大功率點電流Im，輸出層分別為正常、短路、開路、老化異常、局部陰影五種狀態(tài)，經(jīng)歷隱藏層對數(shù)據(jù)的處理和模型的自學習過程后，最終由分類器實現(xiàn)數(shù)據(jù)的分類。

圖1 DBN 故障診斷模型

1.2 受限玻爾茲曼機

受限玻爾茲曼機(restricted Boltzmann machine,RBM)由兩層神經(jīng)網(wǎng)絡(luò)構(gòu)成：第一層是可見層，第二層是隱藏層。各層之間權(quán)值進行無向全聯(lián)系，可用于對仿真模型計數(shù)統(tǒng)計。確定第一層狀態(tài)后，第二層神經(jīng)元不會受其他神經(jīng)元影響，訓練可分為三部分：正向傳播、反向傳播、比較。RBM 結(jié)構(gòu)圖如圖2 所示。

圖2 RBM 結(jié)構(gòu)圖

[Y1，Y2……Ym]為第一層神經(jīng)元，m為可見層神經(jīng)元數(shù)量，Yi是可見層神經(jīng)元狀態(tài)；[X1，X2，X3……Xn]第二層神經(jīng)元，n表示隱藏層神經(jīng)元數(shù)量，Xj是隱藏層神經(jīng)元的狀態(tài)，可見層和隱藏層用二進制數(shù)0 和1 來分別表示神經(jīng)元的斷開和接通狀態(tài)，可見層和隱藏層之間的能量函數(shù)可表示為式(1)：

式中：Bi和Yi為第一層可見層偏置值和神經(jīng)元；Cj和Xj為第二層隱藏層偏置值和神經(jīng)元；Bi、Cj為基于二進制狀態(tài)的數(shù)值；Wij為各層神經(jīng)單元的連接權(quán)值，可得到能量函數(shù)(Y,X)隱藏向量聯(lián)合概率分布為式(2)：

式中：函數(shù)F是通過所有可能的可見層和隱藏層的向量求和而產(chǎn)生的，如式(3)：

隨著可見層狀態(tài)確定，隱藏層的激活概率也能計算，得到第j個神經(jīng)元的激活條件概率為式(4)：

本文選用ReLU 函數(shù)，通過ReLU 函數(shù)求得激活概率值，相比于sigmoid 函數(shù)計算速度會更快，表達式為式(5)：

式中：σ(x)為激活函數(shù)。

一旦隱藏層神經(jīng)元狀態(tài)確定后，隨機選擇二進制數(shù)0 或1更新可見層的狀態(tài)，可見層中第i個神經(jīng)元激活的條件概率可表示為式(6)：

未被激活的概率則可表示為式(7)：

1.3 深度信念網(wǎng)絡(luò)訓練步驟

(1)預(yù)訓練階段：采用無監(jiān)督貪婪學習算法對RBM 網(wǎng)絡(luò)進行逐層訓練，將底層的原始數(shù)據(jù)轉(zhuǎn)化為更抽象的特性信息以初始化RBM 的參數(shù)，將隱藏層輸出作為可見層輸入，保證訓練過程中參數(shù)避免陷入局部最優(yōu)解，提高參數(shù)在訓練過程中的抗振蕩性能；

(2)微調(diào)階段：預(yù)訓練完成后，基本完成模型的建立，但是依然只能確定每個RBM 達到最優(yōu)狀態(tài)，無法確保堆疊后的網(wǎng)絡(luò)參數(shù)最優(yōu)化，還需要把分類器輸出的參數(shù)矩陣進行微調(diào)，確保初始信息可以被放大，在此過程中采用BP 神經(jīng)網(wǎng)絡(luò)從上到下微調(diào)并監(jiān)督深度信念網(wǎng)絡(luò)的參數(shù)讓整個網(wǎng)絡(luò)由局部最優(yōu)狀態(tài)轉(zhuǎn)變成全局最優(yōu)，整體結(jié)構(gòu)圖如圖3 所示。

圖3 DBN 網(wǎng)絡(luò)結(jié)構(gòu)圖

2 基于麻雀搜索算法的DBN 網(wǎng)絡(luò)

2.1 麻雀搜索算法

對于DBN 網(wǎng)絡(luò)在訓練和學習過程中容易陷入局部最優(yōu)解且求解速度緩慢等問題，采用近年來提出的麻雀搜索算法(SSA)來優(yōu)化DBN 網(wǎng)絡(luò)的權(quán)值和偏置，以提高DBN 網(wǎng)絡(luò)的識別精度和收斂速度。

SSA 算法是一種新型元啟發(fā)式算法。在麻雀的覓食行為中，分為發(fā)現(xiàn)者和加入者兩個角色，并加入觀察報警機制。發(fā)現(xiàn)者負責種群的搜索和覓食，為種群提供方向；新加入者可以跟隨發(fā)現(xiàn)者，獲取更佳的適應(yīng)值。當種群發(fā)生危險時可以進行反向捕食行為，根據(jù)麻雀的這些覓食行為，得到發(fā)現(xiàn)位置更新公式(8)：

式中：t為種群目前迭代次數(shù)；N為最大迭代次數(shù)；β 取值為(0，1]之間的隨機數(shù)為第i個麻雀第j維的位置；R2為[0,1]的隨機數(shù)，表示種群的預(yù)警值；ST為[0.5,1]的隨機數(shù)，代表種群的安全值。R2SN時，此時發(fā)現(xiàn)危險信號，停止搜索。其中麻雀追隨者也在進行位置更新，位置更新如式(9)：

式中：Xworst為目前全局最差的位置；A矩陣中的元素賦值-1 或1。當i>n/2 時，代表最差的追隨者需要前往更遠的區(qū)域獲取更多的能量源。出現(xiàn)危險時，麻雀的反捕食行為公式為(10)：

式中：α參數(shù)用來控制迭代步長，是一個服從正態(tài)分布的隨機數(shù)；Xbest為種群最優(yōu)位置；K為[-1,1]之間的隨機數(shù)；fg為最佳適應(yīng)度值；fw為最差適應(yīng)度值。

2.2 SSA 優(yōu)化深度信念網(wǎng)絡(luò)

SSA-DBN 流程設(shè)計為：

(1)初始化種群數(shù)量：對DBN 網(wǎng)絡(luò)可見層權(quán)值和隱藏層進行編碼操作，設(shè)置覓食種群中發(fā)現(xiàn)者和加入者個體的比例；

(2)選擇適應(yīng)度函數(shù)：在對DBN 網(wǎng)絡(luò)進行訓練時，可以采取合適的適應(yīng)度函數(shù)對動量參數(shù)進行優(yōu)化，可減小參數(shù)訓練過程中的誤差，具體函數(shù)為式(11)：

(3)覓食：在m維空間進行覓食搜索，其中第j只麻雀最先找到食物的概率為式(12)：

式中：Fitnessl為第l只麻雀的適應(yīng)度值，l取值范圍為[1，n]。

(4)種群飛行路線：種群根據(jù)飛行過程中食物的位置，選擇合適的飛行路線，對覓食路線中的慣性權(quán)重Z進行優(yōu)化，可表示為式(13)：

式中：R為最大迭代次數(shù)；Zmax和Zmin分別為權(quán)重的最大和最小值；r為當前的迭代次數(shù)。

(5)覓食位置調(diào)整：種群在靠近食物時，發(fā)現(xiàn)者以新加入者目前所在位置附近能否發(fā)現(xiàn)更好的食物為依據(jù)，以此來不斷調(diào)整飛行速度、方向和位置，可表示為式(14)和(15)：

SSA 優(yōu)化后DBN 網(wǎng)絡(luò)的權(quán)值和偏置根據(jù)原始網(wǎng)絡(luò)結(jié)構(gòu)自行調(diào)節(jié)，對各參數(shù)進行微調(diào)如圖4 所示，最終構(gòu)建起應(yīng)用于光伏故障檢測的優(yōu)化SSA-DBN 模型。

圖4 SSA優(yōu)化DBN 網(wǎng)絡(luò)結(jié)構(gòu)圖

3 光伏陣列故障診斷模型

3.1 確定網(wǎng)絡(luò)輸入輸出節(jié)點

把麻雀搜索算法優(yōu)化DBN 網(wǎng)絡(luò)模型應(yīng)用到光伏組件的故障診斷模型當中，以光伏組件的四個特征參數(shù)作為優(yōu)化網(wǎng)絡(luò)的輸入層，以最常見的五種光伏運行狀態(tài)為輸出層，對不同類型的故障進行輸出節(jié)點編碼如表1 所示。

表1 輸出編碼及運行狀態(tài)

3.2 獲取樣本數(shù)據(jù)集

本文通過MATLAB 與PSIM 聯(lián)合仿真來模擬各類光伏故障運行狀態(tài)，首先在PSIM 軟件中對光伏組件進行參數(shù)設(shè)置，然后模擬了四種故障類型如表2 所示。

表2 故障類型及對應(yīng)參數(shù)值

在PSIM 中設(shè)置接口模塊與Simulink 通訊，改變PSIM 內(nèi)部電氣參數(shù)，以輻照度、溫度為輸入，輸出為組串一、二的電壓和電流值及相應(yīng)故障標簽如圖5 所示。Simulink 模擬四種故障的過程：先采集光伏電站中光伏組件的輻照度、溫度；再設(shè)置各類故障參數(shù)，改變故障類型實現(xiàn)模擬；加入示波器觀察輸入變化過程；最終得到10 萬組正常和故障數(shù)據(jù)集，聯(lián)合仿真整體結(jié)構(gòu)見圖6。

圖5 PSIM整體故障模擬電路圖

圖6 聯(lián)合仿真整體結(jié)構(gòu)圖

3.3 仿真結(jié)果分析

根據(jù)仿真平臺實驗，可以獲取標況下(G=1 000 W/m2，t=25 ℃)各個故障數(shù)據(jù)集，得到光伏陣列四個參數(shù)(Uoc、Isc、Um、Im)的典型值，以及在5 種運行狀態(tài)下的P-U和I-U曲線，如圖7 和圖8 所示。

圖7 五種工作狀態(tài)下的P-U 曲線

圖8 五種工作狀態(tài)下的I-U 曲線

3.4 樣本數(shù)據(jù)集的歸一化

故障數(shù)據(jù)參數(shù)在取值范圍方面存在差異性，具有不同的度量尺度，因此在實驗過程中其所占權(quán)值比例也存在差異，所以需要把原始數(shù)據(jù)進行歸一化處理，可表示為式(16)：

式中：M為原始數(shù)據(jù)為數(shù)據(jù)集參數(shù)量；Mσ為此特征的標準差；M*為歸一化處理后數(shù)據(jù)。不同量綱的參數(shù)進行比較，可提高最優(yōu)解的速度和精度，加快求出最優(yōu)解。

4 實驗驗證

為減少訓練時間，從所得10 萬組故障數(shù)據(jù)集中隨機選取20 000 組數(shù)據(jù)進行訓練，隨機選取500 組數(shù)據(jù)用來檢驗?zāi)Ｐ偷臏蚀_性和有效性，具體設(shè)置如表3 所示。進行15 次實驗，以減少偶然誤差，記錄訓練模型所花費的時間。

表3 數(shù)據(jù)集設(shè)置

DBN 故障診斷模型參數(shù)設(shè)置：輸入輸出神經(jīng)元個數(shù)分別為4 和5；迭代次數(shù)100；動量參量取0.4～0.8 之間，取中間值0.6；學習率取0.1；隱藏層網(wǎng)絡(luò)層數(shù)采取20-30-50-30-20 的中凸形最佳結(jié)構(gòu)。

4.1 SSA-DBN 特征分析

為充分表現(xiàn)SSA-DBN 算法的優(yōu)勢，采用重構(gòu)誤差對其進行評估，重構(gòu)誤差是一種最大似然估計方法，能夠反映受限玻爾茲曼機的學習效果，也是對模型進行評價的重要指標，其定義如式(17)所示：

式中：k為樣本個數(shù)；l為輸入維數(shù)；vi,j為原始數(shù)據(jù)為受限玻爾茲曼機進行一次采樣后得到的重構(gòu)數(shù)據(jù)，三種算法的重構(gòu)誤差如圖9 所示。

圖9 重構(gòu)誤差曲線

根據(jù)圖9 分析可知，SSA-DBN 的重構(gòu)誤差明顯低于DCNN 模型和傳統(tǒng)DBN 網(wǎng)絡(luò)；DCNN 模型的初始值和穩(wěn)定時的重構(gòu)誤差最高，迭代130 步后趨于穩(wěn)定，但仍有波動，幅度也較大；而原始DBN 的初始誤差要比DCNN 略低，經(jīng)歷90 個迭代步數(shù)后達到穩(wěn)定；相比這兩個算法來說，改進后的DBN算法初始值為0.1 左右，起始值也最低，只經(jīng)歷10 次步數(shù)已達到穩(wěn)定。證明了SSA 在DBN 參數(shù)優(yōu)化方面取得了顯著的效果，不僅提高了收斂速度，也降低了重構(gòu)誤差。

4.2 結(jié)果對比分析

將DCNN 算法、DBN 算法、SSA-DBN 算法進行對比分析，見表4。

從表4 數(shù)據(jù)對比分析可知，在這三種算法中DCNN 算法各類型故障準確率均值只有86.93%，在陰影故障方面表現(xiàn)稍好；其次是DBN 算法平均準確率達到92.1%，各個故障類型均達到了90%以上，表現(xiàn)良好；最后是SSA-DBN 算法，光伏組件五種工作狀態(tài)的平均診斷準確率達到97.71%，與原始DBN 算法相比提高5.61%，實驗證明SSA-DBN 在故障診斷過程中達到了較好的全局尋優(yōu)效果。

表4 不同算法診斷準確率 %

5 結(jié)論

本文提出了一種麻雀搜索算法優(yōu)化DBN 網(wǎng)絡(luò)的光伏陣列故障診斷方法，通過仿真實驗與傳統(tǒng)的深度學習網(wǎng)絡(luò)相比得出以下結(jié)論：

(1)通過SSA 算法對DBN 網(wǎng)絡(luò)的權(quán)值和偏置進行優(yōu)化，避免模型訓練過程中由于迭代更新而影響訓練速度，同時也增強了對光伏故障數(shù)據(jù)集特征提取和分類的能力。

(2)優(yōu)化后的DBN 網(wǎng)絡(luò)重構(gòu)誤差明顯低于傳統(tǒng)DBN 網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)，其故障診斷準確率明顯高于另外兩種網(wǎng)絡(luò)，SSA-DBN 模型不僅提高了收斂速度，也提高了光伏故障診斷精度。