基于LPP-ABC-SVM的光伏陣列陰影遮擋分類(lèi)方法研究

張治 ，王悅 ，王林

（1.國(guó)家電投集團(tuán)光伏產(chǎn)業(yè)創(chuàng)新中心，青海 西寧 810000；2.西安理工大學(xué)電子工程系，陜西 西安 710048）

光伏陣列是光伏發(fā)電過(guò)程中的重要組成部分，由于其長(zhǎng)期處于室外，導(dǎo)致光伏系統(tǒng)的發(fā)電效率極易受到環(huán)境的影響。在光伏陣列運(yùn)行過(guò)程中，陰影遮擋導(dǎo)致的最直接結(jié)果是輸出曲線呈現(xiàn)多峰和多膝現(xiàn)象[1]，由于光伏陣列在產(chǎn)生熱斑故障時(shí)與陰影遮擋時(shí)在輸出特征上有相似之處，因此可通過(guò)先識(shí)別陰影遮擋程度后再進(jìn)一步分析是否存在熱斑故障。此外，陰影遮擋會(huì)造成光伏陣列中電池片輸出功率的不匹配，長(zhǎng)期如此，便會(huì)損壞電池，影響光伏電站的發(fā)電性能。因此，對(duì)陰影遮擋的不同程度進(jìn)行及時(shí)甄別，可達(dá)到預(yù)防熱斑故障的目的，避免其對(duì)陣列本身造成損害，降低發(fā)電效率。

文獻(xiàn)[2]提出一種基于參數(shù)識(shí)別的光伏陣列陰影分類(lèi)方法，其通過(guò)混合RBF神經(jīng)網(wǎng)絡(luò)和人工魚(yú)群算法，基于灰色預(yù)測(cè)得到光伏陣列的輸出功率，進(jìn)而判斷出固定陰影遮擋和隨機(jī)陰影遮擋。但該方法由于參數(shù)過(guò)多，導(dǎo)致計(jì)算量較大。文獻(xiàn)[3]提出了基于電壓掃描的光伏陣列陰影診斷策略，該方法通過(guò)掃描得到光伏陣列的I—V與P—V特性曲線，將其作為判斷固定陰影和隨機(jī)陰影的基礎(chǔ)。此方法的局限性表現(xiàn)為對(duì)大規(guī)模電站進(jìn)行監(jiān)測(cè)時(shí)，需大量采集數(shù)據(jù)的傳感器設(shè)備，硬件成本較高。文獻(xiàn)[4]使用紅外熱成像法來(lái)判斷陰影遮擋，根據(jù)光伏組件在各種工況下的溫度改變情況來(lái)識(shí)別陣列中是否存在故障，同樣地，運(yùn)用該方法對(duì)大規(guī)模陣列使用高分辨率的熱像儀時(shí)會(huì)導(dǎo)致成本過(guò)高。文獻(xiàn)[5]通過(guò)對(duì)光伏陣列的I—V曲線與實(shí)測(cè)曲線進(jìn)行比較，從而達(dá)到陰影判斷的目的。但其需離線掃描，是以減少電站的發(fā)電量為代價(jià)的。此外，該方法響應(yīng)相對(duì)滯后，不適用于對(duì)實(shí)時(shí)性要求較高的情況。文獻(xiàn)[6]基于優(yōu)化算法采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)智能方法對(duì)陰影故障進(jìn)行了判別，但其存在易陷入局部最優(yōu)問(wèn)題。同時(shí)，該方法所需的診斷參數(shù)需在極端條件下獲得，數(shù)據(jù)難以獲取的同時(shí)也會(huì)給光伏電站的穩(wěn)定安全運(yùn)行帶來(lái)隱患。

針對(duì)上述文獻(xiàn)中存在的開(kāi)路電壓、短路電流等數(shù)據(jù)難以獲取、采集設(shè)備成本高、傳統(tǒng)智能分類(lèi)算法易出現(xiàn)過(guò)擬合、耗時(shí)長(zhǎng)等問(wèn)題，提出了不依賴(lài)于大量環(huán)境參數(shù)的LPP-ABC-SVM方法對(duì)光伏陣列不同程度的陰影遮擋進(jìn)行區(qū)分。其基于最大功率跟蹤數(shù)據(jù)，使用局部保持投影（locality preserving projection，LPP）降維方法對(duì)高維度的數(shù)據(jù)特征進(jìn)行降維和特征提取，得到低維度向量。利用支持向量機(jī)（support vector machine，SVM）對(duì)不同程度的陰影遮擋進(jìn)行分類(lèi)，支持向量機(jī)的參數(shù)采用人工蜂群算法（artificial bee colony，ABC）對(duì)其尋優(yōu)，繼而提高陣列的陰影遮擋分類(lèi)準(zhǔn)確率。通過(guò)仿真實(shí)驗(yàn)，證明了使用此方法的有效性和可行性。

1 LPP-ABC-SVM的分類(lèi)策略

1.1 LPP降維方法原理

局部保持投影LPP降維方法屬于拉普拉斯映射中的一種線性逼近法[7-8]，其具有學(xué)習(xí)高維空間中樣本局部鄰域結(jié)構(gòu)的能力，從而達(dá)到使用線性數(shù)據(jù)對(duì)非線性數(shù)據(jù)降維處理的目的。該方法通過(guò)建立高維數(shù)據(jù)空間，找出附近鄰域數(shù)據(jù)樣本間的關(guān)聯(lián)關(guān)系，使高維空間的樣本數(shù)據(jù)映射到低維空間中，同時(shí)不改變數(shù)據(jù)樣本間的局部特征，從而達(dá)到對(duì)數(shù)據(jù)降維的目的[9]。

1.2 支持向量機(jī)原理

SVM方法主要用于模式識(shí)別、數(shù)據(jù)分類(lèi)和預(yù)測(cè)回歸等領(lǐng)域[10]，其工作原理是將不同的樣本通過(guò)比較，從而獲得一個(gè)分類(lèi)超平面。對(duì)于線性可分的兩類(lèi)問(wèn)題，其求得一條分離線或分類(lèi)平面；而對(duì)于非線性可分的問(wèn)題，使用恰當(dāng)?shù)暮撕瘮?shù)使低維空間的各個(gè)輸入點(diǎn)一一映射到某高維空間中，以便低維數(shù)據(jù)能夠在高維空間中線性可分，進(jìn)而得到基于線性可分的最優(yōu)分類(lèi)面。其中“最優(yōu)”是指為了將不同的樣本區(qū)分開(kāi)，其分類(lèi)間隔應(yīng)該最大[11]。

1.3 人工蜂群算法原理

本文使用全局優(yōu)化算法——ABC算法，對(duì)支持向量機(jī)的關(guān)鍵參數(shù)進(jìn)行尋優(yōu)操作。該算法旨在通過(guò)模擬自然界中蜜蜂群的行為來(lái)尋求各種問(wèn)題的最優(yōu)解。該算法由3種蜂群組成，分別為偵察蜂、守望蜂和受雇用蜂，蜂群的總數(shù)是被雇用的蜜蜂數(shù)量的2倍，被雇用的蜜蜂數(shù)等于食物來(lái)源的數(shù)量[12-13]。

1）初始化時(shí)，假設(shè)解的個(gè)數(shù)為SN，且解是隨機(jī)產(chǎn)生的，食物來(lái)源的數(shù)量也為SN。初始解為

1.4 ABC-SVM模型的建立

本文建立ABC-SVM模型如下：

1）使用人工蜂群算法優(yōu)化支持向量機(jī)的懲罰因子C和核函數(shù)寬度σ，蜂群參數(shù)為：食物來(lái)源=雇用蜂=偵察蜂=N=25，最大的食物來(lái)源次數(shù)和迭代次數(shù)分別為50和1 000[15]。

2）為提高分類(lèi)準(zhǔn)確率，可通過(guò)使用SVM分類(lèi)錯(cuò)誤率來(lái)計(jì)算適應(yīng)度函數(shù)，即

式中：Vacc為分類(lèi)正確率。

3）設(shè)置懲罰因子C為[10-1，103]，核函數(shù)寬度r為[10-2，102]。

2 光伏陣列陰影遮擋分類(lèi)策略

本文采用APM72M170W型號(hào)作為光伏陣列仿真模型，每20個(gè)電池片作為一個(gè)子陣列，且并聯(lián)1個(gè)二極管，其中涉及到的電氣參數(shù)如下：開(kāi)路電壓Voc=44.2 V，最大功率點(diǎn)電壓Vmp=35.8 V，最大功率點(diǎn)功率Pmp=170 W，最大功率點(diǎn)電流Imp=4.75 A，短路電流Isc=5.05 A。

2.1 根據(jù)陰影遮擋的不同程度劃分

以STC條件為標(biāo)準(zhǔn)，溫度設(shè)置為25℃，分別將700 W/m2，400 W/m2作為輕度、中度陰影的上限，即表示3個(gè)光伏子陣列分別處于光照強(qiáng)度為700～1 000 ，400～1 000，100～1 000 W/m2的范圍內(nèi)，為更貼合實(shí)際情況，設(shè)置光照強(qiáng)度變步長(zhǎng)分別為30 ，60 ，90 W/m2，其I—V，P—V輸出特性與極值點(diǎn)分布情況如圖1～圖3所示。

圖1 輕度陰影遮擋的輸出特性與極值點(diǎn)分布情況Fig.1 The output characteristics and extreme points distribution of light shadow occlusion

圖2 中度陰影遮擋的輸出特性與極值點(diǎn)分布情況Fig.2 The output characteristics and extreme points distribution of moderate shadow occlusion

圖3 重度陰影遮擋的輸出特性與極值點(diǎn)分布情況Fig.3 The output characteristics and extreme points distribution of severe shadow occlusion

由圖1～圖3可知，可根據(jù)最大功率點(diǎn)集中的不同區(qū)域與極值點(diǎn)的個(gè)數(shù)來(lái)實(shí)現(xiàn)對(duì)不同陰影遮擋程度進(jìn)行分類(lèi)。對(duì)本文而言，輕度、中度、重度陰影遮擋所對(duì)應(yīng)的極值點(diǎn)個(gè)數(shù)分別為1，2，3，通過(guò)獲得不同光照強(qiáng)度下的電壓及其對(duì)應(yīng)的最大功率數(shù)據(jù)，可實(shí)現(xiàn)對(duì)光伏陣列不同程度陰影遮擋情況的檢測(cè)。

現(xiàn)將陣列陰影遮擋情況分為3種狀況，分類(lèi)依據(jù)如表1所示。

表1 光伏陣列陰影遮擋分類(lèi)依據(jù)Tab.1 Classification basis of shadow occlusion of photovoltaic array

2.2 根據(jù)陰影的類(lèi)型劃分

根據(jù)陰影類(lèi)型的不同進(jìn)行劃分，可將光伏陣列的陰影遮擋分為固定陰影遮擋和隨機(jī)陰影遮擋。前者具有時(shí)不變性，而后者會(huì)根據(jù)時(shí)間、被擋面積等的變化而改變。

以STC條件為準(zhǔn)則，溫度定為25℃，設(shè)置的光照強(qiáng)度則根據(jù)光照強(qiáng)度范圍100～900 W/m2，按照每個(gè)值相差100 W/m2的規(guī)律將其劃分為9個(gè)值，并作為光伏陣列陰影固定遮擋的依據(jù)。通過(guò)不斷改變光照強(qiáng)度來(lái)模擬被擋面積的變化，隨機(jī)遮擋則以上述不同程度陰影遮擋下的遮擋策略為基礎(chǔ)，對(duì)應(yīng)其變步長(zhǎng)分別將光照強(qiáng)度為900，700，400，700，900 W/m2的值作為隨機(jī)陰影遮擋光照強(qiáng)度的上限。

3 陰影遮擋分類(lèi)策略仿真驗(yàn)證

3.1 數(shù)據(jù)的獲取

采用改進(jìn)型變步長(zhǎng)擾動(dòng)觀察法作為MPPT跟蹤算法[16-17]，依據(jù)上述表1中光照強(qiáng)度的改變來(lái)獲取不同陰影遮擋狀況下的電壓和最大功率數(shù)據(jù)，3種不同程度陰影遮擋的部分?jǐn)?shù)據(jù)分布如圖4～圖6所示。

圖4 輕度陰影遮擋數(shù)據(jù)分布Fig.4 Distribution of light shadow occlusion data

圖5 中度陰影遮擋數(shù)據(jù)分布Fig.5 Distribution of moderate shadow occlusion data

圖6 重度陰影遮擋數(shù)據(jù)分布Fig.6 Distribution of severe shadow occlusion data

3.2 特征量的提取

使用LPP局部保持投影方法對(duì)取得的數(shù)據(jù)進(jìn)行降維處理，根據(jù)所獲取的數(shù)據(jù)維度為并聯(lián)二極管個(gè)數(shù)的2倍，采用LPP方法對(duì)其降維，即舍棄無(wú)效的電壓和功率數(shù)據(jù)10%的信息，表示如下：

式中：V1mp為電壓極值點(diǎn)數(shù)據(jù)1，V2mp為電壓極值點(diǎn)數(shù)據(jù)2，V3mp為電壓極值點(diǎn)數(shù)據(jù)3；P1mp為功率極值點(diǎn)數(shù)據(jù)1，P2mp為功率極值點(diǎn)數(shù)據(jù)2，P3mp為功率極值點(diǎn)數(shù)據(jù)3。

其重要方向參數(shù)為

3.3 仿真結(jié)果

將得到的不同陰影遮擋下的功率及電壓數(shù)據(jù)總樣本隨機(jī)分為測(cè)試集和訓(xùn)練集，分別使用BP神經(jīng)網(wǎng)絡(luò)方法、SVM方法和本文提出的LPPABC-SVM方法來(lái)對(duì)不同陰影遮擋程度下的訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練和測(cè)試。該陰影遮擋分類(lèi)策略下的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)共有3層，分別為輸入層、隱含層和輸出層[18]。將電壓和功率數(shù)據(jù)表示為輸入向量X1～X6，并將3種不同程度的陰影遮擋表示為輸出向量Y1～Y3。其中隱含層節(jié)點(diǎn)的選取可參考如下公式在該式中，L表示為隱含層節(jié)點(diǎn)個(gè)數(shù)，M表示為輸入向量個(gè)數(shù)，N表示為輸出向量個(gè)數(shù)，θ為1～10之間的常數(shù)。

多次試驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的個(gè)數(shù)為9時(shí)，網(wǎng)絡(luò)性能最好，其部分訓(xùn)練樣本如表2所示。

表2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本Tab.2 Training samples of BP neural network

在經(jīng)過(guò)1 000次訓(xùn)練以后，BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)性能已經(jīng)基本達(dá)到了要求，輸出樣本的分類(lèi)結(jié)果如表3所示。

表3 BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)結(jié)果Tab.3 BP neural network classification results

BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)總體辨識(shí)準(zhǔn)確率為81.31%，分析表3中的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與預(yù)定義的不同陰影遮擋程度下的輸出結(jié)果表現(xiàn)基本是一致的，證實(shí)了將其應(yīng)用于光伏陣列的陰影遮擋分類(lèi)中是可行的。

此外，本文使用泛化性能較高的RBF函數(shù)作為SVM的核函數(shù)，懲罰參數(shù)C=16，核函數(shù)寬度r=1.9。

為表明本文所提方法的優(yōu)越性，將上述前兩種方法作為參照，得到的不同訓(xùn)練比例下不同陰影遮擋程度的狀況總體趨勢(shì)和分類(lèi)準(zhǔn)確率如圖7～圖9所示。

圖7 BP神經(jīng)網(wǎng)絡(luò)算法下不同陰影遮擋程度的總體趨勢(shì)Fig.7 The overall trend of different shadow occlusion degrees under BP neural network algorithm

圖8 SVM算法下不同陰影遮擋程度的總體趨勢(shì)Fig.8 The overall trend of different shadow occlusion degrees under SVM algorithm

圖9 LPP-ABC-SVM算法下不同陰影遮擋程度的總體趨勢(shì)Fig.9 The overall trend of different shadow occlusion degrees under LPP-ABC-SVM algorithm

由圖7～圖9可知，當(dāng)訓(xùn)練集比例達(dá)到95%時(shí)，BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)正確率遠(yuǎn)遠(yuǎn)小于其它兩種方法。此時(shí)，采用三種方法的測(cè)試集分類(lèi)結(jié)果如圖10所示。比較上述各個(gè)方法在速度和準(zhǔn)確率方面的性能，性能對(duì)比結(jié)果如表4所示。由表4可知，分別使用BP神經(jīng)網(wǎng)絡(luò)方法、SVM方法和本文提出的LPP-ABC-SVM方法應(yīng)用于按照不同類(lèi)型劃分的陰影遮擋分類(lèi)中，其分類(lèi)準(zhǔn)確率相較于按照不同陰影遮擋程度劃分的準(zhǔn)確率整體有所提高，同時(shí)，本文所提方法的分類(lèi)表現(xiàn)優(yōu)于SVM方法與BP神經(jīng)網(wǎng)絡(luò)方法。

圖10 三種方法下不同陰影遮擋程度的分類(lèi)結(jié)果對(duì)比圖Fig.10 Comparison of the classification results of different shadow occlusion degrees under three methods

表4 對(duì)不同程度陰影遮擋的分類(lèi)方法性能對(duì)比Tab.4 Performance comparison of classification methods for different degrees of shadow occlusion

基于固定陰影遮擋和隨機(jī)陰影遮擋的三種分類(lèi)算法的測(cè)試分類(lèi)結(jié)果表現(xiàn)也較為一致，如表5所示。

表5 對(duì)不同類(lèi)型陰影遮擋的分類(lèi)方法對(duì)比Tab.5 Comparison of classification methods for different types of shadow occlusion.

使用上述三種方法將陰影遮擋分為固定陰影遮擋與隨機(jī)陰影遮擋，其中BP神經(jīng)網(wǎng)絡(luò)方法的總體分類(lèi)正確數(shù)占總樣本數(shù)量的90.15%，SVM方法的分類(lèi)正確數(shù)占總樣本數(shù)量的94.33%，而應(yīng)用本文的LPP-ABC-SVM方法在對(duì)陰影遮擋進(jìn)行分類(lèi)時(shí)，其分類(lèi)表現(xiàn)更加優(yōu)異，分類(lèi)的正確數(shù)占總體樣本數(shù)量的98.84%。

采用上述三種方法，基于固定陰影遮擋與隨機(jī)陰影遮擋2種遮擋的測(cè)試集分類(lèi)結(jié)果圖如圖11所示。

圖11 三種方法下不同類(lèi)型陰影遮擋分類(lèi)結(jié)果圖Fig.11 Classification results of different types of shadow under three methods

經(jīng)過(guò)上述對(duì)比可知，使用BP神經(jīng)網(wǎng)絡(luò)對(duì)光伏陣列的陰影遮擋分類(lèi)在準(zhǔn)確率上較為一般，由于其自身的局限性導(dǎo)致速度較慢，在三種方法中消耗時(shí)間最長(zhǎng)。而SVM方法的分類(lèi)性能較前者良好，消耗時(shí)間短，算法的快速性表現(xiàn)較好。本文提出的LPP-ABC-SVM方法是在SVM算法的基礎(chǔ)上，對(duì)其關(guān)鍵參數(shù)使用人工蜂群算法進(jìn)行尋優(yōu)操作，大大提高了算法的正確率，消耗時(shí)間與SVM算法相比持平。隨著串聯(lián)子陣列的增加，采用LPP方法在分類(lèi)速度上的優(yōu)勢(shì)逐漸凸顯?？梢?jiàn)，本文提出的陰影遮擋分類(lèi)算法在準(zhǔn)確率和實(shí)現(xiàn)速度上表現(xiàn)較為優(yōu)越，從而驗(yàn)證了該方法的實(shí)用性和可行性。

4 結(jié)論

為了有效預(yù)防熱斑故障的產(chǎn)生，需要及時(shí)甄別光伏陣列的不同陰影遮擋狀況。

本文提出基于LPP-ABC-SVM的光伏陣列陰影遮擋分類(lèi)方法以最大功率及電壓數(shù)據(jù)作為輸入數(shù)據(jù)，大大節(jié)省了數(shù)據(jù)獲取成本；采用LPP局部保持投影方法降低了數(shù)據(jù)維度，減小了運(yùn)算數(shù)據(jù)量；ABC-SVM算法的應(yīng)用，提高了對(duì)光伏陣列的陰影遮擋情況的分類(lèi)準(zhǔn)確率，有效解決了使用傳統(tǒng)智能算法時(shí)出現(xiàn)的訓(xùn)練耗時(shí)長(zhǎng)、易過(guò)擬合等問(wèn)題。

仿真結(jié)果表明，使用所提方法可高效快速地實(shí)現(xiàn)對(duì)光伏陣列不同陰影程度及類(lèi)型的分類(lèi)，從而為預(yù)防光伏電站的熱斑故障奠定了重要基礎(chǔ)。