基于SOM-BP神經網絡的光伏逆變器軟故障診斷研究

摘要：為了解決光伏系統光伏逆變器故障持續時間短、線路復雜的問題，使用SOM-BP串聯神經網絡并利用Simulink軟件進行仿真，對光伏逆變器的軟故障進行建模，收集了相關的參數作為研究樣本。在MATLAB環境中，與BP網絡、SOM神經網絡診斷結果進行對比，證明該串聯神經網絡在光伏逆變器軟故障診斷方面具有實用性。

關鍵詞：光伏逆變器；故障診斷；SOM-BP串聯神經網絡

中圖分類號：TP206""""""""" 文獻標志碼：A

太陽能是可再生的清潔能源，已經廣泛存在于日常生活中。太陽能光伏發電站設計簡單，建設安裝周期短，無噪聲，不易損壞，維護簡單。太陽能光伏列陣發出直流電，經過光伏逆變器轉換為可用市電。當太陽能充足時，室內可利用太陽能發電；當太陽能電力不足時，自動切換市電。在這個過程中，光伏逆變器作用十分重要，因此本文研究其故障診斷[1]。

光伏逆變器故障信息出現時間非常短，電路復雜，故障分為軟故障和硬故障。軟故障是參數性故障，例如電路元器件的性能退化等。硬故障是開關元件損毀，導致其拓撲結構發生異常。光伏逆變器故障診斷方法有自組織特征映射神經網絡（Self-Organizing feature Map，SOM）和反向傳播神經網絡[2]（Back Propagation，BP）等。本文就BP神經網絡泛化性能差、需要大量樣本、實時性差以及SOM神經網絡需要多次訓練且不能以向量形式表示結果的限制等問題，用simulink軟件搭建三相半橋式逆變器仿真模型，使用該模型作為試驗對象，設置不同的電容退化值，模擬電路25種軟故障，再以BP、SOM和SOM-BP神經網絡分別作為診斷網絡，進行結果對比，選擇最優診斷網絡，提高故障診斷率。

1神經網絡

1.1BP神經網絡

BP神經網絡[3]是一種利用誤差反向傳播來訓練算法，提高算法精確度的多層前饋網絡。由單個輸入層、單個或多個隱藏層以及單個輸出層組成。BP神經網絡拓撲結構如圖1所示。BP神經網絡利用誤差反向傳播，判斷輸出值和期望值的誤差平方和是否達到預設誤差值，決定算法是否結束，得到目標值[4]。

其算法步驟如下。

步驟一：網絡初始化。

步驟二：計算隱含層輸出。設隱藏層神經元為激勵函數，出Hj如公式（1）所示。

（1）

式中：f為隱含層激勵函數；xi為輸入值；aj為隱含層第j節點閾值。

步驟三：計算輸出層O輸出。輸出層第k節點的預測輸出Ok如公式（2）所示。

式中：wjk為權值；bk為輸出層第節點閾值。

步驟四：誤差ek的計算過程如公式（3）所示。

式中：Yk為輸出層第k節點的期望輸出，k=1，2，…，m。

步驟五：權值更新。根據公式（1）和公式（3），更新wij與wjk，如公式（4）、公式（5）所示。

式中：η為學習速率。k=1，2，... ，m，m輸出層節點數。

步驟六：閾值更新。計算過程如公式（6）、公式（7）所示。

步驟七：是否滿足條件，是，結束；否，返回步驟二。

BP神經網絡有以下3個方面的不足之處。1）BP神經網絡對初始值敏感，如果步長和方向不同就會導致局部尋優的結果不同。在每次訓練的過程中，其會收斂于不同的局部最小值，導致網絡性能不穩定。2）根據經驗設定初始網絡，再根據輸出結果進行調整，如果結果過于復雜，就會出現過度擬合，影響BP神經網絡推廣能力；如果過于簡單，就會無法收斂。3）樣本依賴性，如果樣本冗余、不具有代表性或者出現分類錯誤等情況，那么網絡訓練分類效果會降低。

1.2SOM神經網絡

SOM神經網絡是無教師、自組織和自學習網絡。SOM網絡分為輸入層和競爭層，其中競爭層即輸出層，是一種無隱含層的網絡，其拓撲結構如圖2所示。在該網絡中的各個神經元會競爭并抑制周圍神經元，獲得輸入機會，其是一種可以學習訓練數據輸入向量的分布特征和拓撲結構的網絡[5]。一旦SOM神經網絡訓練完成，就可以對數據進行聚類。

其算法步驟如下[6]。

步驟一：網絡初始化。

步驟二：輸入向量。輸入向量X=（x1，x2，...，xm）T。

步驟三：計算競爭層的權值向量和輸入向量的距離d，競爭層的第j個神經元和輸入向量的距離dj如公式（8）所示。

式中：Wj為第j個神經元的權值向量；xi（t）為當前時間的輸入；Wij（t）為輸入層中的i神經元和競爭層中的j神經元在當前時間的權值。

步驟四：權值學習。更新神經元j*及其鄰接神經元的權值，如公式（9）所示。

式中：wij（t-1）為輸入層中的i神經元和競爭層中的j神經元在上一個時間的權值；wij（t）為輸入層中的i神經元和競爭層中的j神經元在當前時間的權值；φ（t）為學習速率，且0lt;φ隨時間增加而減少。

步驟五：計算輸出ok，如公式（10）所示。

ok=fmin||X-Wj||（10）

式中：f為函數；0≤f≤1或f為其他線性函數。

步驟六：是否達到期望值。如果達到，就結束；如果未達到，就返回步驟二，進行下一輪學習。

SOM神經網絡能夠進行有限的自適應分類，但是學習速度和穩定性不能兩全，學習速度快可能會導致最終權值向量不穩定，獲取穩定性則需要大量時間。有的神經元可能因為初始值輸入向量太遠，導致其從未在競爭中獲勝，成為“死”神經元。

2SOM-BP串聯神經網絡

2.1原理及結構

本文利用的SOM-BP神經網絡[7]是以SOM為初級網絡，BP為次級網絡的串聯神經網絡。首先，利用SOM神經網絡對數據進行聚類，進行初步判斷。其次，計算SOM神經網絡的獲勝神經元位置信息。再次，將位置信息輸入BP神經網絡中。最后，訓練BP神經網絡。2種神經網絡互相取長補短，同時避免了BP神經網絡需要大量樣本和SOM神經網絡不能以向量模式表示結果的缺陷[8]。SOM-BP串聯神經網絡有輸入層、競爭層、隱含層和輸出層4個組成部分（如圖3所示），即在傳統的BP神經網絡的隱含層前添加一個競爭層。

2.2算法步驟

SOM-BP神經網絡的算法步驟如下[9]。

步驟一：選取樣本數據（X1，X2，…，Xn），將樣本數據與測試數據進行歸一化處理。

步驟二：初始化SOM神經網絡，輸入樣本數據，經過訓練后得到初步的分類結果。

步驟三：將SOM競爭層輸出的結果進行歸一化處理。

步驟四：初始化BP神經網絡，將步驟三的結果輸入至BP神經網絡，再次進行訓練。

步驟五：進行多次訓練后形成SOM-BP神經網絡的分類模型，輸入測試樣本進行測試，并分析結果。

3光伏逆變器故障診斷

3.1仿真試驗

本文采用三相半橋式逆變器，利用Simulink進行仿真，選取三相橋臂中間點線電壓信號作為故障信號，分別以N：0～10%；A：10%～20%；B：20%～30%；C：30%～40%和D：40%～50%的5種退化程度設置三相半橋式逆變器中的2個電容C1、C2容量，模擬25種軟故障模式，故障類型見表1。再分別用BP神經網絡、SOM神經網絡和SOM-BP串聯神經網絡進行故障診斷，得到結果進行對比。

3.2試驗結果

隨機選取1250組信號，其中1100組為訓練集樣本，150組為測試集樣本。3種神經網絡的搭建結構如下。1）BP神經網絡由5個輸入節點、32個隱含層節點和25個輸出層節點構成。2）在SOM神經網絡中有25個競爭層神經元，拓撲結構為5×5網狀結構。3）SOM-BP神經網絡的競爭層為8×8=64個神經元，隱含層節點為32個，輸出層節點為25個。SOM-BP神經網絡的訓練集預測誤差如圖4所示，測試集預測誤差如圖5所示，3種網絡的診斷精度見表2。

由本節試驗結果可知，使用SOM-BP串聯神經網絡模型對光伏逆變器軟故障進行故障診斷，與BP神經網絡模型以及SOM神經網絡模型的結果進行對比，故障診斷準確率更高。

4結論

為解決光伏逆變器的軟故障診斷難題，本文采用SOM-BP串聯神經網絡技術來進行故障分類和診斷。與BP神經網絡和SOM神經網絡的診斷數據進行對比，SOM-BP串聯神經網絡在輸入節點數量和訓練樣本數量方面都有所減少，提高了光伏逆變器軟故障診斷的準確性。因此，利用SOM-BP串聯神經網絡對光伏逆變器的軟故障進行診斷，應用價值很高。

參考文獻

[1]姜媛媛，張書婷. 基于改進的VMD和CNN神經網絡的光伏逆變器軟故障診斷方法研究[J]. 電測與儀表，2021，58（2）：158-163.

[2]張曉陽，李田澤，張涵瑞，等. 應用于光伏陣列故障診斷的DA-SOM算法研究[J]. 電源學報，2022，20（2）：122-128.

[3]徐逍帆，葛強. 基于BP神經網絡的全貫流電機泵故障診斷[J]. 內燃機與配件，2021（2）：139-140.

[4]梁榮波，于灝，李軍霖. 基于BSA與BP神經網絡的礦用變壓器故障診斷[J]. 山東煤炭科技，2023，41（5）：139-142.

[5]呂帥. 礦井采煤裝備智能控制與運行信息管理系統研究與設計[D]. 徐州：中國礦業大學，2019.

[6]呂建豐. 基于SOM神經網絡的柴油機故障診斷[J]. 科學技術創新，2019（35）：140-141.

[7]程鵬，潘宏俠.SOM-BP復合神經網絡在齒輪箱故障診斷中的應用研究[J]. 噪聲與振動控制，2010，30（5）：165-168.

[8]段玉兵，胡曉黎，張皓，等. 基于SOM-BP組合神經網絡的交聯電纜局部放電模式識別[J]. 電氣應用，2016，35（23）：71-75.

[9]張明遠，楊濤，慕洪勝，等.SOM-BP復合神經網絡在不接地IT系統對地絕緣故障相判別中的應用[J]. 船電技術，2016，36（12）：28-32，36.

通信作者：張書婷（1991-），女，漢族，安徽合肥人，碩士研究生，助教，研究方向為故障預測與診斷技術。

電子郵箱：664037096@qq.com。