基于HHO-ELM的光伏陣列故障診斷方法研究

錢 亮，黃 偉，楊建衛(wèi)

(1.上海電力大學(xué)自動化工程學(xué)院，上海 200090；2.中電華創(chuàng)(蘇州)電力技術(shù)研究有限公司，江蘇蘇州 215123；3.中電華創(chuàng)電力技術(shù)研究有限公司，上海 200086)

近年來，在“雙碳”目標(biāo)的引領(lǐng)下，我國正在逐步建立低污染的能源生產(chǎn)體系，光伏發(fā)電技術(shù)因具有綠色環(huán)保、無污染排放等優(yōu)點(diǎn)，成為實(shí)現(xiàn)綠色能源建設(shè)的有效途徑之一。但是大型光伏場站一般建立在戈壁、荒漠等地區(qū)，光伏組件長期暴露在惡劣環(huán)境中，容易導(dǎo)致多類故障發(fā)生，如短路、老化、局部陰影等故障，嚴(yán)重時可能會導(dǎo)致火災(zāi)。因此，對光伏組件故障進(jìn)行高效、快速診斷對提升光伏發(fā)電廠的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行具有十分重要的意義[1-3]。

目前國內(nèi)外光伏陣列(PVA)的故障診斷技術(shù)可大致分為三類：傳統(tǒng)診斷算法[4-5]、模型診斷法[6-7]以及智能診斷算法。常見的智能診斷算法有支持向量機(jī)[8]、神經(jīng)網(wǎng)絡(luò)[9]、極限學(xué)習(xí)機(jī)(ELM)[10]等。ELM 由于計(jì)算簡單、速度快的優(yōu)點(diǎn)在故障診斷領(lǐng)域得到了廣泛的發(fā)展。文獻(xiàn)[11]提出一種用ELM 解決8 種單一故障的光伏陣列故障診斷方法。文獻(xiàn)[12]提出一種用ELM 解決6 維故障特征向量的光伏陣列故障診斷模型。

極限學(xué)習(xí)機(jī)用于故障診斷能得到較好的效果，但也存在一些問題，比如網(wǎng)絡(luò)訓(xùn)練中可能會陷入局部最優(yōu)，或出現(xiàn)過擬合等現(xiàn)象。部分學(xué)者使用的優(yōu)化算法如鯨魚優(yōu)化算法(WOA)、粒子群優(yōu)化算法(PSO)、正余弦優(yōu)化算法(SCA)在故障診斷精度上帶來了改進(jìn)[13-15]，但存在不足之處，尤其是對復(fù)合故障的診斷精度較低。故本文在以上學(xué)者的工作基礎(chǔ)上，采用一種新型的群智能算法，即哈里斯鷹優(yōu)化算法(HHO)來優(yōu)化極限學(xué)習(xí)機(jī)的參數(shù)，可以有效地提高復(fù)合故障類型的識別精度。通過與PSO-ELM、SCA-ELM 以及WOA-ELM 算法診斷的效果對比，驗(yàn)證了HHO-ELM 的有效性。

1 理論基礎(chǔ)

1.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(extreme learning machine)和傳統(tǒng)的單隱層神經(jīng)網(wǎng)絡(luò)不同之處在于它只需要在ELM 訓(xùn)練前設(shè)置好網(wǎng)絡(luò)層的隱含節(jié)點(diǎn)個數(shù)即可，在訓(xùn)練過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值和隱含節(jié)點(diǎn)的偏置就可以求解到最優(yōu)解，這使得ELM 具有較快的學(xué)習(xí)速度和較高的學(xué)習(xí)精度。其結(jié)構(gòu)圖如圖1 所示。

圖1 ELM結(jié)構(gòu)圖

圖1 中，H(x)是隱藏層的輸出，X=[X1,…,XD]T是輸入樣本，T=[T1,…,TM]T表示輸出節(jié)點(diǎn)，β=[β1,…,βL]T是隱藏層與輸出層之間的輸出權(quán)重，w和b分別表示隱藏層節(jié)點(diǎn)上的權(quán)值和偏差。

ELM 訓(xùn)練神經(jīng)網(wǎng)絡(luò)主要分為兩個階段：(1)隨機(jī)特征映射階段，即隱藏層的參數(shù)隨機(jī)進(jìn)行初始化，然后激活函數(shù)采用一些非線性映射，將特征輸入映射到一個新的特征空間，簡單來說就是隱藏層節(jié)點(diǎn)上隨機(jī)產(chǎn)生權(quán)值和偏差；(2)線性參數(shù)求解階段，即經(jīng)過了第一階段，隱藏層節(jié)點(diǎn)參數(shù)已經(jīng)確定，由此可以根據(jù)公式確定隱藏層的輸出，在第二階段只需要求出輸出層的權(quán)值即可。

1.2 哈里斯鷹優(yōu)化算法

哈里斯鷹算法具有原理簡單、全局搜索能力出色等優(yōu)點(diǎn)，可以用于各種算法的優(yōu)化問題。故可以用HHO 算法優(yōu)化ELM 的權(quán)值和閾值，從而提高ELM 故障診斷的準(zhǔn)確率和精度。哈里斯算法是一種模擬哈里斯鷹捕食行為的智能優(yōu)化算法，整個算法包括探索、轉(zhuǎn)換和開發(fā)三個階段。

1.2.1 探索階段

當(dāng)處于探索階段的時候，隨機(jī)棲息在某個地方的哈里斯鷹，尋找獵物通過兩種策略，迭代時以概率q進(jìn)行位置更新：

式中：X(t+1)和X(t)分別為下一次迭代和當(dāng)前迭代時個體的位置，t表示迭代次數(shù)；Xrand(t)表示隨機(jī)選出的哈里斯鷹個體的位置；Xrabbit(t)表示獵物位置；r1、r2、r3、r4和q是隨機(jī)數(shù)，范圍在[0,1]之間，Xm(t)表示個體平均位置，其表達(dá)式為：

式中：Xk(t)表示種群中第k個個體的位置；M表示種群規(guī)模。

1.2.2 轉(zhuǎn)換階段

由于獵物逃逸能量會在探索和不同的開發(fā)行為之間進(jìn)行轉(zhuǎn)換，因此哈里斯鷹法定義其逃逸能量E為：

式中：E0是獵物的初始逃逸能量，在[－1,1]范圍內(nèi)隨機(jī)取值。當(dāng)－1＜|E0|＜0 時，獵物處于能量弱的階段；當(dāng)0≤|E0|＜1 時，獵物處于能量恢復(fù)階段。逃逸能量E在迭代過程中呈減小的趨勢。當(dāng)|E|≥1 時，哈里斯鷹在不同區(qū)域搜索獵物的位置，HHO 執(zhí)行探索階段；當(dāng)|E|＜1 時，HHO 算法對相鄰的解進(jìn)行局部搜索，HHO 執(zhí)行開發(fā)階段，此時，個體的位置變化根據(jù)E的不同進(jìn)行更新。

1.2.3 開發(fā)階段

定義一個隨機(jī)數(shù)z，范圍在[0,1]之間，可以根據(jù)隨機(jī)數(shù)z來選取不同的開發(fā)策略：

當(dāng)0.5＜|E|＜1 且z≥0.5 時，采取軟圍攻技術(shù)進(jìn)行位置的更新：

式中：ΔX(t)=Xrabbit(t)－X(t)，表示獵物位置與個體當(dāng)前位置的差值；J是[0,2]之間的隨機(jī)數(shù)，表示獵物在逃跑過程中的跳躍距離。

當(dāng)|E|＜0.5 且z≥0.5 時，采取硬圍攻方法執(zhí)行位置更新：

當(dāng)0.5≤|E|＜1 且z＜0.5 時，采取漸近式快速俯沖的軟包圍策略進(jìn)行更新。第一個更新策略為：

當(dāng)一個策略無效時，執(zhí)行第二個策略：

則該階段的最終的更新策略如下：

式中：f()為適應(yīng)度函數(shù)；Y和Z表示當(dāng)前個體適應(yīng)度位置；D表示問題的維數(shù)；S表示1×D的隨機(jī)向量；LF()是萊維飛行的數(shù)學(xué)表達(dá)式。

當(dāng)|E|＜0.5 且z＜0.5 時，采取漸近式快速俯沖的硬包圍策略進(jìn)行位置更新：

1.3 HHO 優(yōu)化ELM 網(wǎng)絡(luò)

HHO-ELM 優(yōu)化步驟包括五步，其具體的優(yōu)化流程圖如圖2 所示。

圖2 HHO-ELM故障診斷模型圖

步驟一：根據(jù)輸入特征量的結(jié)構(gòu)，初始化ELM的參數(shù)，主要包括輸入、輸出神經(jīng)元的個數(shù)，隱藏層的神經(jīng)元個數(shù)和層數(shù)，然后根據(jù)ELM 的結(jié)構(gòu)初始化HHO 種群的的規(guī)模M、最大迭代次數(shù)N、待優(yōu)化參數(shù)的上界ub和下界lb等。

步驟二：分別計(jì)算個體的最優(yōu)適應(yīng)度值和全局最佳適應(yīng)度值。

步驟三：通過迭代尋優(yōu)過程，對哈里斯鷹的當(dāng)前位置進(jìn)行更新，同時判斷哈里斯鷹的位置約束情況是否滿足最初的設(shè)定條件。

步驟四：判斷是否滿足尋優(yōu)停止的條件，若滿足，輸出優(yōu)化后的值；否則回到步驟二。

步驟五：將優(yōu)化后的值輸入ELM 模型當(dāng)中，用訓(xùn)練集樣本訓(xùn)練診斷模型，并用測試集測試模型的準(zhǔn)確性，最后輸出診斷結(jié)果。

2 光伏陣列故障仿真模型與分析

本文通過MATLAB/Simulink 仿真軟件用旁路二極管來搭建3×3 的光伏陣列，分析光伏陣列中常見的單一故障和復(fù)合故障的I-U 和P-U 特性曲線，并提取故障診斷的特征量。

2.1 典型單一故障

標(biāo)況下，光伏陣列的典型單一故障有四種，分別是短路、開路、老化、局部陰影。相應(yīng)的仿真模擬方法為：通過在兩個并聯(lián)的光伏電池支路上串聯(lián)一個無限大電阻來模擬開路故障；通過在其中一個光伏電池兩端并聯(lián)一個無窮小接近于0 的電阻來模擬短路故障；通過在兩個并聯(lián)的光伏電池支路上串聯(lián)一個3 Ω 電阻來模擬老化故障；通過改變組件的光照強(qiáng)度來模擬局部陰影故障。幾種故障狀態(tài)的輸出特性曲線如圖3 所示。光伏陣列發(fā)生不同的單一故障時，開路電壓Uoc、短路電流Isc、最大功率點(diǎn)電壓Um以及最大功率點(diǎn)電流Im會發(fā)生較為明顯的變化，故選取Uoc、Im、Um以及Isc作為故障診斷的特征量。

圖3 單一故障的輸出特性曲線

2.2 復(fù)合故障

實(shí)際現(xiàn)場運(yùn)行時，光伏陣列在運(yùn)行過程中可能會發(fā)生不止一種類型的故障，如老化陰影、短路陰影、開路陰影、開路老化和短路老化等兩種復(fù)合型故障同時發(fā)生，本文只考慮老化陰影、短路陰影以及開路陰影三種復(fù)合故障，記為復(fù)合故障1、復(fù)合故障2以及復(fù)合故障3，三種復(fù)合故障的輸出特性曲線如圖4 所示，光伏陣列發(fā)生復(fù)合故障時，選取Uoc、Im、Um以及Isc作為故障診斷的特征量。

圖4 復(fù)合故障下的輸出特性曲線

綜上，選取光伏陣列輸出特性曲線的參數(shù)Uoc、Im、Um、Isc以及最大功率Pm作為光伏陣列故障診斷的輸入變量。

3 實(shí)驗(yàn)結(jié)果仿真分析

3.1 數(shù)據(jù)的采集與處理

本文一共選取8 種工作狀態(tài)作為實(shí)驗(yàn)的研究對象，實(shí)驗(yàn)采用MATLAB/Simulink 仿真軟件搭建3×3的光伏陣列模型，分別設(shè)置不同的條件和參數(shù)來模擬8 種故障狀態(tài)，一共采樣收集2 400 組故障數(shù)據(jù)，按8∶2 的比例選取1920 組數(shù)據(jù)來訓(xùn)練模型，剩下的數(shù)據(jù)作為測試集來輸出診斷結(jié)果。由于光伏陣列每個參數(shù)值的單位存在差異，不同數(shù)據(jù)之間的數(shù)量級可能相差比較大，直接輸入原始數(shù)據(jù)會影響建立好的診斷模型的診斷性能和收斂性。因此需要對采集到的數(shù)據(jù)進(jìn)行歸一化處理，歸一化的表達(dá)式如式(12)所示：

式中：X為實(shí)驗(yàn)的原始數(shù)據(jù)表示每一個數(shù)據(jù)的均值；Xσ表示數(shù)據(jù)的標(biāo)準(zhǔn)差；X*表示歸一化后的數(shù)據(jù)。

3.2 確定模型的輸入輸出節(jié)點(diǎn)

為確定診斷模型的輸入輸出節(jié)點(diǎn)，以8 種故障狀態(tài)作為輸出，對不同的故障類型進(jìn)行編碼設(shè)置，如表1 所示。

表1 輸出編碼及運(yùn)行狀態(tài)

模型參數(shù)的設(shè)置：輸入和輸出神經(jīng)元個數(shù)分別設(shè)置為5 和8；隱含層個數(shù)設(shè)置為100；哈里斯鷹種群數(shù)設(shè)為10；最大迭代次數(shù)設(shè)為50。

3.3 實(shí)驗(yàn)仿真結(jié)果分析

將1 920 組訓(xùn)練數(shù)據(jù)輸入到模型中訓(xùn)練，剩余480 組數(shù)據(jù)用于預(yù)測模型的準(zhǔn)確性，未經(jīng)過優(yōu)化的ELM 模型診斷結(jié)果如圖5 所示，縱坐標(biāo)1～8 分別表示開路、短路、局部陰影1、局部陰影2、老化、復(fù)合故障1、復(fù)合故障2、復(fù)合故障3。結(jié)果顯示該方法所得的分類準(zhǔn)確率為73.75%，分類效果較差。其中，有7 組短路樣本被診斷為局部陰影1；15 組局部陰影2 樣本分別被診斷為開路、老化、復(fù)合故障1 以及復(fù)合故障3；5 組老化樣本被診斷為短路故障；40 組復(fù)合故障1樣本分別被診斷為開路、局部陰影2 以及復(fù)合故障3故障；16 組復(fù)合故障2 樣本被診斷為開路、短路以及復(fù)合故障1；43 組復(fù)合故障3 樣本被診斷為局部陰影2、老化以及復(fù)合故障1。由此可見，未經(jīng)過優(yōu)化的ELM 診斷模型對不同故障的分類效果存在不足之處，需要進(jìn)行優(yōu)化。

圖5 ELM算法診斷結(jié)果

經(jīng)過HHO 算法優(yōu)化后的ELM 模型診斷結(jié)果如圖6 所示，其結(jié)果顯示優(yōu)化后所得的分類準(zhǔn)確率為97.5%。相比未優(yōu)化的ELM 模型預(yù)測的準(zhǔn)確率提高了23.75%，優(yōu)化后效果明顯提升。其中只有6 組復(fù)合故障1 樣本被診斷為開路故障；4 組復(fù)合故障2 樣本被診斷為短路故障；2 組復(fù)合故障3 樣本被診斷為復(fù)合故障1。這驗(yàn)證了HHO-ELM 模型的可行性和有效性。

圖6 HHO-ELM算法診斷結(jié)果

為了展現(xiàn)HHO-ELM 算法的優(yōu)勢，下面與PSOELM、SCA-ELM、WOA-ELM 三種算法進(jìn)行對比分析。

PSO-ELM 算法的實(shí)驗(yàn)結(jié)果如圖7 所示，該方法所得的分類準(zhǔn)確率為86.875%，雖然較未優(yōu)化之前的準(zhǔn)確率提高了13.125%，但是其分類效果不如HHOELM 算法。從圖7 中可以看出，該算法對復(fù)合故障1和復(fù)合故障3 的診斷精度比較低。

圖7 PSO-ELM算法診斷結(jié)果圖

SCA-ELM 算法的實(shí)驗(yàn)結(jié)果如圖8 所示，該方法所得的分類準(zhǔn)確率為84.375%。從圖8 中可以看出，該算法不僅對三種復(fù)合故障的診斷效果差，而且對兩個組件的局部陰影分類效果也較差，有兩個被診斷為局部陰影1 故障，四個被診斷為復(fù)合故障。其整體的診斷效果不如PSO-ELM 算法。

圖8 SCA-ELM算法診斷結(jié)果圖

WOA-ELM 算法的實(shí)驗(yàn)結(jié)果如圖9 所示，該方法所得的分類準(zhǔn)確率為91.875%。由圖9 可知，該算法對三種復(fù)合故障的診斷效果比PSO-ELM 和SCAELM 好，但是不如HHO-ELM 算法的診斷效果好。

圖9 WOA-ELM算法診斷結(jié)果圖

五種算法模型的故障診斷準(zhǔn)確率和精度對比如表2 所示。

表2 五種算法模型的診斷正確率 %

從表2 可看出，ELM 算法整體的分類效果較低，每種故障的誤診個數(shù)也較多，尤其是對局部陰影2、復(fù)合故障1 以及復(fù)合故障3 的診斷效果最差。PSO-ELM、WOA-ELM 和SCA-ELM 算法對于三種復(fù)合故障的診斷效果不太好，從而導(dǎo)致整體診斷的準(zhǔn)確率不高。其中SCA-ELM 對三種復(fù)合故障的診斷效果最差，WOA-ELM 最好。HHO-ELM 算法整體的診斷效果最好，并且每一種故障診斷的分類效果也最好。

綜上，HHO-ELM 算法對光伏陣列多類型復(fù)合故障的診斷效果最好，驗(yàn)證了所提模型的可行性和有效性。

4 結(jié)論

本文提出一種基于哈里斯鷹算法優(yōu)化極限學(xué)習(xí)機(jī)的光伏陣列多類型復(fù)合故障診斷方法。通過仿真軟件模擬不同的故障類型并采集數(shù)據(jù)，建立了HHOELM 診斷模型，通過實(shí)驗(yàn)驗(yàn)證了診斷模型的可行性并得出以下結(jié)論：

(1)模擬了包含單一故障和復(fù)合故障在內(nèi)的多種故障類型，提取了對應(yīng)的特征向量，并通過實(shí)驗(yàn)證明所提出模型能夠較好地識別光伏陣列的復(fù)合故障類型；

(2)實(shí)驗(yàn)驗(yàn)證了HHO-ELM 模型可以高效準(zhǔn)確地識別出光伏陣列不同的故障類型，診斷精度達(dá)到97.5%，相較于未優(yōu)化的ELM(73.75%)以及WOAELM(91.875%)、SCA-ELM(84.375%)、PSO-ELM(86.875%)具有更高的精度。