基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列智能故障診斷

張文瑾，葛 強(qiáng)，黃澄揚(yáng)，周 晨，葛中強(qiáng)

（揚(yáng)州大學(xué)水利與能源動力工程學(xué)院，江蘇 揚(yáng)州225127）

基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列智能故障診斷

張文瑾，葛 強(qiáng)*，黃澄揚(yáng)，周 晨，葛中強(qiáng)

（揚(yáng)州大學(xué)水利與能源動力工程學(xué)院，江蘇 揚(yáng)州225127）

針對光伏陣列的故障特點(diǎn)以及傳統(tǒng)故障診斷方法的局限性，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列智能故障診斷策略.分析了電池裂化、老化短路和陰影故障的后果，通過采集合適的故障樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并在 Matlab環(huán)境中進(jìn)行了組件在線故障診斷的仿真和實(shí)驗(yàn)研究，證明了所提出故障診斷系統(tǒng)的準(zhǔn)確性、有效性和環(huán)境適應(yīng)性.

光伏陣列；故障診斷；BP神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)訓(xùn)練；Matlab仿真

太陽能因其清潔、可再生、無污染等優(yōu)點(diǎn)而備受人們的青睞［1-2］.但是，光伏陣列運(yùn)行過程中由于受到外界自然環(huán)境與自身老化等問題的影響，不可避免地會發(fā)生一些故障，如果這些故障不及時(shí)發(fā)現(xiàn)與排除，將會直接影響光伏發(fā)電系統(tǒng)的正常運(yùn)行，嚴(yán)重時(shí)甚至?xí)龎碾姵亟M件引發(fā)火災(zāi)，因此實(shí)現(xiàn)光伏系統(tǒng)的故障診斷對發(fā)電系統(tǒng)的正常運(yùn)行具有非常重要的意義.目前的光伏診斷方法主要有紅外檢測法［3］、對地電容測量法（ECM）［4-5］、時(shí)域反射法（TDR）［6］等，其中ECM與TDR均須在系統(tǒng)停止的情況下檢測，難以做到實(shí)時(shí)監(jiān)測；而紅外檢測法需要很多紅外攝像儀與傳感器，增加了系統(tǒng)的運(yùn)行成本.本文提出了一種基于BP（back propagation）神經(jīng)網(wǎng)絡(luò)光伏陣列智能故障診斷系統(tǒng)，能夠?qū)⒐夥嚵械母鞣N故障狀態(tài)與故障原因之間的對應(yīng)關(guān)系在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)值和閾值中表現(xiàn)出來，并將實(shí)驗(yàn)測得數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)故障診斷網(wǎng)絡(luò)中，從而實(shí)現(xiàn)光伏陣列的在線故障診斷.

1　光伏陣列常見故障分析

光伏發(fā)電系統(tǒng)因長期工作在室外環(huán)境中，經(jīng)長年風(fēng)吹日曬和頻繁的溫度變化，難免會出現(xiàn)一些故障.光伏陣列的常見故障主要分為以下三類：太陽能電池板的裂化問題、因電池板老化損壞而使陣列失配、光伏陣列陰影遮蓋現(xiàn)象［7］，主要故障分析見表1.

表1　光伏陣列故障分析Tab.1 Photovoltaic array fault analysis

據(jù)目前統(tǒng)計(jì)情況，發(fā)生概率最大且危害最大的是第3種故障，因此下面主要研究分析光伏陣列的陰影遮蓋現(xiàn)象的成因和后果.

實(shí)驗(yàn)假設(shè)從光伏陣列中選取一個三行四列的矩陣模塊，如圖1所示，每一行為一組，各組電壓為U1～U3，電流均為I.假設(shè)圖中虛線處的模塊發(fā)生了遮陰現(xiàn)象，而第二組的電流輸出仍為I，則遮陰部分變?yōu)樨?fù)載，電流方向與其他的模塊相反，此時(shí)第二組中的其他模塊的電流將超過I/4，如果持續(xù)較長時(shí)間，則造成電池板的局部溫度過高引發(fā)短路，整個系統(tǒng)將不能正常工作.

目前解決陰影遮蓋現(xiàn)象的方法主要有并聯(lián)旁路二極管和紅外圖像分析法，二者各有其局限性.并聯(lián)二極管本身消耗功率，造成功率損失，并且它的偏置電壓將影響光伏陣列的正常工作電壓；紅外圖像分析法的實(shí)時(shí)性差，對溫差不明顯的狀態(tài)不易區(qū)分，不易實(shí)現(xiàn)在線故障診斷和報(bào)警等.本文提出的BP神經(jīng)網(wǎng)絡(luò)智能故障系統(tǒng)具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、聯(lián)系記憶及非線性模式識別功能，特別適用于多故障、多模式的復(fù)雜故障識別，能夠很好地彌補(bǔ)上述方法的不足.

圖1　光伏陣列陰影遮蓋現(xiàn)象原理圖Fig.1 The principle diagram of the PV array shadow

2　BP神經(jīng)網(wǎng)絡(luò)在光伏陣列故障診斷中的應(yīng)用

2.1BP神經(jīng)網(wǎng)絡(luò)的建立

由于光伏組件的輸出特性和環(huán)境因素之間存在高度非線性、強(qiáng)耦合的映射關(guān)系，所以光伏陣列的故障診斷實(shí)質(zhì)上就是輸入數(shù)據(jù)樣本與一個或多個故障狀態(tài)之間建立聯(lián)系的過程.為了實(shí)現(xiàn)光伏陣列的在線故障診斷，引入BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為故障診斷的工具，能夠有效地解決非線性問題［8］.

本文中的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成.每個輸入節(jié)點(diǎn)對應(yīng)一種故障輸入，相鄰層采用互聯(lián)方式連接，同層各神經(jīng)元之間無任何連接，輸出層與輸入層之間也沒有直接聯(lián)系.

設(shè)網(wǎng)絡(luò)的故障輸入模式為X=（Tc，Im，Um）T，隱含層的故障輸出為Y=（y1，y2，y3）T，建立故障參數(shù)與故障原因的映射關(guān)系，BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)見圖2，其中Tc，Im，Um作為輸入信號分別表示電池板溫度、峰值電流、峰值電壓，輸出y1，y2，y3對應(yīng)表1中的3種故障.

圖2　BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.2 Basic structure of BP neural network

隱含層的傳遞函數(shù)采用雙曲正切sigmoid函數(shù)即tansig函數(shù)，設(shè)輸入層的節(jié)點(diǎn)為i（1～3），隱含層節(jié)點(diǎn)為j（1～4），輸出層節(jié)點(diǎn)為k（1～3），對于輸入層節(jié)點(diǎn)i，隱含層與輸出層的輸出yi（k）可以表示為［9-10］

式中Ii（k）為節(jié)點(diǎn)i在第k層的輸入信號，通常表示為所有節(jié)點(diǎn)的加權(quán)輸出總和：

其中wij（k）為第k層中第i個節(jié)點(diǎn)到第j個節(jié)點(diǎn)的連接權(quán)

系數(shù)，yj（k）為第k層中第j個節(jié)點(diǎn)的輸出，θj（k）為該神經(jīng)元的閾值.

由上述公式可知，如果在已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中提取連接權(quán)系數(shù)和閾值，那么通過輸出結(jié)果就可以編寫程序?qū)崿F(xiàn)組件在線故障診斷.

2.2BP神經(jīng)網(wǎng)絡(luò)故障診斷策略

根據(jù)光伏陣列故障診斷的特點(diǎn)，建立可以全面顯示監(jiān)測動態(tài)的系統(tǒng)，原理圖如圖3所示.該系統(tǒng)主要由知識庫、數(shù)據(jù)庫、神經(jīng)網(wǎng)絡(luò)診斷模塊、電池板、解釋機(jī)制、翻譯機(jī)制、監(jiān)控中心組成，當(dāng)故障發(fā)生時(shí)可以通過存放于知識庫中的診斷對象相關(guān)知識快速定位故障源，幫助監(jiān)控中心人員進(jìn)行故障的診斷和維修［11］.

實(shí)驗(yàn)采用的光伏組件為江蘇核新太陽能電力公司的JHX100M72單晶硅系列，在STC（1 000 W·m-2，25℃）條件下的輸出數(shù)據(jù)是：最大功率Pm為100 W，開路電壓Uoc為44 V，短路電流Isc為5.49 A，最大功率點(diǎn)電壓Um為24.5 V，最大功率點(diǎn)電流Im為4.14 A.該電池組件由72個電池單元經(jīng)串、并聯(lián)組成.

實(shí)驗(yàn)中通過增加外部串聯(lián)電阻阻值的方法來模擬裂化現(xiàn)象，用短路電池組件中的電池單元來模擬老化短路現(xiàn)象，用紙板遮擋模擬陰影遮蓋現(xiàn)象，通過仿真與實(shí)驗(yàn)驗(yàn)證來證明診斷系統(tǒng)的可行性.

圖3　BP神經(jīng)網(wǎng)絡(luò)故障診斷原理圖Fig.3 The principle diagram of the BP neural network fault diagnosis

假設(shè)太陽能電池板各種故障類型的輸出期望值為正常（0，0，0），電池板裂化（1，0，0），電池板老化短路（0，1，0），局部陰影遮蓋（0，0，1），圖4為光伏發(fā)電系統(tǒng)運(yùn)行時(shí)的神經(jīng)網(wǎng)絡(luò)故障診斷流程圖，通過檢測電池板各參數(shù)是否超過與正常值的偏差范圍來確定是否出現(xiàn)故障，并判斷故障的具體類型，最后報(bào)警通知監(jiān)控中心人員及時(shí)檢修.

圖4　故障診斷流程圖Fig.4 The flow chart of fault diagnosis

3　BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與實(shí)驗(yàn)驗(yàn)證

網(wǎng)絡(luò)設(shè)計(jì)完成后，需要采用樣本進(jìn)行訓(xùn)練.對所有訓(xùn)練樣本數(shù)據(jù)正向進(jìn)行一次并反復(fù)修改連接權(quán)一次稱為一次訓(xùn)練，這樣的訓(xùn)練需要反復(fù)進(jìn)行，直至得到滿意的映射結(jié)果.

為了驗(yàn)證故障診斷系統(tǒng)的準(zhǔn)確性和有效性，實(shí)驗(yàn)采集了3種故障在不同環(huán)境條件下溫度、峰值電壓、峰值電流的200組樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練.將神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本在Matlab環(huán)境中運(yùn)行，訓(xùn)練次數(shù)為1 000次，訓(xùn)練誤差為0.001，訓(xùn)練步長為0.05，訓(xùn)練函數(shù)采用tansig，訓(xùn)練誤差曲線如圖5所示.由圖中可看出，神經(jīng)網(wǎng)絡(luò)經(jīng)過414次訓(xùn)練后即可達(dá)到誤差要求，具有良好的學(xué)習(xí)性能，控制精度達(dá)到0.000 9，結(jié)果精確.

網(wǎng)絡(luò)訓(xùn)練好后，將實(shí)際測得的4組數(shù)據(jù)輸入診斷系統(tǒng)中，觀察其輸出是否符合預(yù)期的結(jié)果，輸入數(shù)據(jù)與輸出結(jié)果如表2所示，輸出每行分別表示正常、電池板裂化、電池板老化短路、陰影遮蓋.從表2的數(shù)據(jù)可以發(fā)現(xiàn)，故障節(jié)點(diǎn)值接近1，非故障節(jié)點(diǎn)值接近0，正確率達(dá)到90%以上，網(wǎng)絡(luò)輸出與目標(biāo)輸出的誤差已經(jīng)初步達(dá)到預(yù)先的要求，證明了系統(tǒng)的可行性和準(zhǔn)確性.

圖5　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖Fig.5 The curve of BP neural network training error

表2　模型預(yù)測結(jié)果Tab.2 The predictions of the model

［1］李丹萍，葛強(qiáng)，談磊.基于DSP光伏發(fā)電系統(tǒng)的最大功率跟蹤試驗(yàn)［J］.揚(yáng)州大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，13（3）：58-60.

［2］吳昊天，葛強(qiáng)，談磊，等.局部陰影條件下光伏陣列最大功率點(diǎn)跟蹤研究［J］.揚(yáng)州大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，15（2）：52-55.

［3］NIAN Bei，F(xiàn)U Zhizhong，WANG Li，et al.Automatic detection of defects in solar modules：image processing in detecting［C］//International Conference on Wireless Communications Networking and Mobile Computing. Chengdu，China：IEEE，2010：1-4.

［4］TAKASHIMA T，YAMAGUCHI J，OTANI K，et al.Experimental studies of failure detection methods in PV module strings［C］//IEEE 4th World Conference on Photovoltaic Energy Conversion.Waikoloa，HI：IEEE，2006：2227-2230.

［5］TAKASHIMA T，YAMAGUCHI J，ISHIDA M.Fault detection by signal response in PV module strings［C］//IEEE Photovoltaic Specialists on Industrial Electronics.San Diego，CA，USA：IEEE，2008：1-5.

［6］TAKUMI T，JUNJI Y，MASAYOSHI I.Disconnection detection using earth capacitance measurement in photovoltaic module string［J］.Prog Photovoltaics，2008，16（8）：669-677.

［7］鐘丹.基于復(fù)合信息融合技術(shù)的光伏陣列故障診斷研究［D］.天津：天津大學(xué)，2012.

［8］段侯峰.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷［D］.北京：北京交通大學(xué)，2008.

［9］SYAFARUDDIN，KARATEPE E，HIYAMA T.Controlling of artificial neural network for fault diagnosis of photovoltaic array［C］//16th International Conference on Intelligent System Application to Power Systems. Hersonissos：IEEE，2011：1-6.

［10］胡義華，陳昊，徐瑞東.基于電壓掃描的光伏陣列故障診斷策略［J］.中國電機(jī)工程學(xué)報(bào)，2010，30（S）：185-191.

［11］BAHGAT A B G，HELWA N H，AHMAD G E，et al.Maximum power point traking controller for PV systems using neural networks［J］.Renewable Energy，2005，30：1257-1268.

The photovoltaic array intelligent fault diagnosis based on the BP neural network

ZHANG Weniin，GE Qiang*，HUANG Chengyang，ZHOU Chen，GE Zhongqiang
（Sch of Hydraul&Energy Power Engin，Yangzhou Univ，Yangzhou 225127，China）

In consideration of the PV array fault characteristics and the limitations of traditional fault diagnosis methods an intelligent fault diagnosis strategy for PV array is proposed based on BP neural network.The failure consequences of battery cracking，aging short circuit and the shadow are analyzed.Through collecting appropriate fault samples to train neural network，the simulation and experimental researches on online fault diagnosis of PV modules in the Matlab environment are performed，and the results prove the accuracy，effectiveness and environmental adaptability of the proposed system.

photovoltaic array；fault diagnosis；BP neural network；network training；Matlab simulation

TM 615.2；TP 183

A

1007-824X（2015）01-0032-04

（責(zé)任編輯 賈慧鳴）

2013-12-03.*聯(lián)系人，E-mail：yzgeq@yzu.edu.cn.

江蘇省科技支撐計(jì)劃資助項(xiàng)目（BE2010699）；揚(yáng)州大學(xué)參照211工程建設(shè)專項(xiàng)基金；揚(yáng)州大學(xué)學(xué)術(shù)科技創(chuàng)新基金資助項(xiàng)目（b13294）.

張文瑾，葛強(qiáng)，黃澄揚(yáng)，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列智能故障診斷［J］.揚(yáng)州大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，18（1）：32-35.