劉玉英， 馮英偉

（1.沈陽(yáng)航空航天大學(xué)，遼寧沈陽(yáng) 110136；2.河北建筑工程學(xué)院，河北張家口 075000）

作為清潔、可再生性的能源，太陽(yáng)能光伏電池在近幾年來(lái)得到了長(zhǎng)足的發(fā)展。理論上，光伏組件的使用壽命為20～25年。但是由于各種各樣的原因，光伏組件的故障率也較高。這些故障如果不能及時(shí)地發(fā)現(xiàn)和排除，會(huì)極大地影響光伏發(fā)電系統(tǒng)的工作效率，影響光伏系統(tǒng)工作的穩(wěn)定性，因此，研發(fā)具有良好性能的光伏組件在線(xiàn)故障診斷系統(tǒng)具有重要的意義。

光伏電站大多是由數(shù)以百計(jì)、千計(jì)的光伏電池板組成。由于制作工藝的原因，每一塊電池板的電量都很小，一般只有幾伏。為了實(shí)現(xiàn)高電壓的輸出，光伏發(fā)電的運(yùn)行過(guò)程是將這些小太陽(yáng)電池板用串聯(lián)和并聯(lián)的方式組合成一個(gè)大的陣列，稱(chēng)為光伏陣列[1]。在光伏陣列的工作過(guò)程中，由于其工作場(chǎng)合是處于室外，受各種惡劣環(huán)境的影響，難免會(huì)發(fā)生個(gè)別小電池塊損壞的情況，而且這些局部的故障，如果造成了電池板的開(kāi)路、短路或性能下降，會(huì)使得整個(gè)供電系統(tǒng)輸出電壓或功率有明顯的下降，嚴(yán)重時(shí)會(huì)發(fā)生連鎖反應(yīng)，從而破壞整個(gè)系統(tǒng)工作的穩(wěn)定性和輸出功率。

目前，可對(duì)電池陣列進(jìn)行故障監(jiān)測(cè)的方法很多。例如紅外圖像分析法、多傳感器檢測(cè)法、對(duì)地電容測(cè)量法等。本文針對(duì)光伏電站故障特性，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件在線(xiàn)故障診斷策略，相比于前面提及的幾種故障診斷方法，所采用的方法設(shè)備簡(jiǎn)單，易于實(shí)現(xiàn)，同時(shí)精度較高。

1 光伏陣列故障及檢測(cè)模式分析

光伏發(fā)電系統(tǒng)是將太陽(yáng)能轉(zhuǎn)換成電能的裝置。系統(tǒng)由光伏陣列、變換器、逆變器、控制器、蓄電池等環(huán)節(jié)組成。對(duì)于光伏發(fā)電系統(tǒng)而言，主要的故障來(lái)自于兩個(gè)方面，一方面是由于光伏陣列熱斑效應(yīng)所造成的；另一方面的原因是安裝位置高、地點(diǎn)分散，維護(hù)困難。

光伏陣列的熱斑現(xiàn)象是當(dāng)光伏電池板中的某些電池單體由于長(zhǎng)時(shí)間被遮擋，導(dǎo)致其產(chǎn)生的電流小于其他沒(méi)有被遮擋的光伏電池單體產(chǎn)生的電流，從而造成這一部分電池單體相對(duì)于整體而言形成負(fù)電壓，成為電路中的負(fù)載。這些電池性負(fù)載在系統(tǒng)中一方面以熱量形式消耗功率；而另一方面，當(dāng)熱量無(wú)法發(fā)散出去時(shí)，會(huì)造成器件的物理性損壞。

目前，常用的避免熱斑現(xiàn)象的方法是為光伏電池單體并聯(lián)反向旁路二極管，當(dāng)某些電池單體因熱斑現(xiàn)象帶上負(fù)壓時(shí)，旁路二極管導(dǎo)通將負(fù)壓電池單體短路而避免損壞。檢測(cè)熱斑現(xiàn)象的另一種方法是基于紅外圖像的分析方法。這種方法的缺陷是檢測(cè)精度和效率相對(duì)較低，不能區(qū)分溫度相差不明顯的狀態(tài)，也不易實(shí)現(xiàn)在線(xiàn)故障分析和故障報(bào)警等問(wèn)題。

除熱斑效應(yīng)之外，惡劣的外界環(huán)境也會(huì)給光伏陣列的運(yùn)行帶來(lái)諸多的問(wèn)題，這些問(wèn)題主要集中在功率器件過(guò)流、功率器件驅(qū)動(dòng)信號(hào)欠壓、功率器件過(guò)熱、太陽(yáng)能陣列輸出欠壓及電網(wǎng)過(guò)壓、欠壓等，具體故障及故障原因如表1所示[2]。

表1 光伏陣列故障模式及原因分析

針對(duì)以上的問(wèn)題，可采用多傳感器節(jié)點(diǎn)故障檢測(cè)方式來(lái)解決。具體的過(guò)程是在光伏器件的關(guān)鍵位置設(shè)置大量微小的傳感器節(jié)點(diǎn)，節(jié)點(diǎn)通過(guò)無(wú)線(xiàn)通信方式組成網(wǎng)絡(luò)，從而實(shí)現(xiàn)故障點(diǎn)的監(jiān)測(cè)。該方法容易遭受環(huán)境、能源耗盡及其它不可預(yù)知因素的影響導(dǎo)致節(jié)點(diǎn)故障，造成系統(tǒng)數(shù)據(jù)監(jiān)測(cè)可靠性差的問(wèn)題。

2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)，即多層前饋式誤差反傳播神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一，其可以實(shí)現(xiàn)從輸入至輸出的任意復(fù)雜的非線(xiàn)性映射關(guān)系，并且具有良好的泛化能力[3]。

如圖1所示，BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成。其學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩種方式組成。正向傳播過(guò)程由輸入信號(hào)開(kāi)始，信號(hào)從輸入層經(jīng)隱含層傳向輸出層，并在輸出端產(chǎn)生輸出信號(hào)。正向傳播中上一層神經(jīng)元的狀態(tài)只影響一下層神經(jīng)元且在傳遞過(guò)程中網(wǎng)絡(luò)的權(quán)值固定不變；當(dāng)輸出端的實(shí)際輸出值與期望輸出之間存在誤差時(shí)，則網(wǎng)絡(luò)轉(zhuǎn)入反向傳播，傳播過(guò)程中，網(wǎng)絡(luò)的權(quán)值由誤差反饋進(jìn)行調(diào)節(jié)，以使實(shí)際輸出更接近期望值[2]。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

在BP神經(jīng)網(wǎng)絡(luò)中，除網(wǎng)絡(luò)權(quán)值需進(jìn)行確定外，輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)的設(shè)置也是網(wǎng)絡(luò)結(jié)構(gòu)的重要內(nèi)容。輸入層對(duì)應(yīng)于故障現(xiàn)象，由實(shí)際系統(tǒng)設(shè)置值來(lái)確定，隱含層節(jié)點(diǎn)的數(shù)目可根據(jù)系統(tǒng)要求精度來(lái)設(shè)置，一般來(lái)說(shuō)，隱含層節(jié)點(diǎn)太少，網(wǎng)絡(luò)不能建立復(fù)雜的映射關(guān)系，使網(wǎng)絡(luò)培訓(xùn)效果差，容錯(cuò)性不理想；節(jié)點(diǎn)數(shù)過(guò)多，又會(huì)使網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，影響網(wǎng)絡(luò)的收斂性和時(shí)效性，因此需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)及多次實(shí)驗(yàn)確定一個(gè)最佳的隱含層節(jié)點(diǎn)數(shù)。隱含層中的節(jié)點(diǎn)輸出函數(shù)為：

式中：f[x]為輸入層輸出；Wir為輸入層到隱含層間的連接權(quán)；Tr為隱含層的閾值。

輸出層對(duì)應(yīng)于故障原因，其節(jié)點(diǎn)的輸出函數(shù)為：

式中：Vrj為隱含層到輸出層間的連接權(quán)值；θj為輸出層單元閾值。

3 算例仿真分析

本文采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真，具體仿真步驟如下：

(1)確定輸入及輸出樣本

本例輸入層神經(jīng)元個(gè)數(shù)如表1所示，為5個(gè)；輸出層神經(jīng)元為故障原因，根據(jù)實(shí)際經(jīng)驗(yàn)，確定個(gè)數(shù)為8個(gè)；隱層神經(jīng)元個(gè)數(shù)為9，則對(duì)應(yīng)的輸入矩陣如表2所示。其中0表示沒(méi)有故障，1表示有故障，序號(hào)0行為正常狀態(tài)，其它1～5行對(duì)應(yīng)表1的故障1～5種情況。輸出層變量設(shè)為8個(gè)變量，對(duì)應(yīng)的輸出矩陣如表3所示。依據(jù)表1及表2建立起故障類(lèi)型及故障原因的映射關(guān)系。

表2 BP神經(jīng)網(wǎng)絡(luò)輸入學(xué)習(xí)訓(xùn)練樣本

表3 BP神經(jīng)網(wǎng)絡(luò)輸出學(xué)習(xí)訓(xùn)練樣本

(2)建立BP神經(jīng)網(wǎng)絡(luò)

依據(jù)以上分析選擇公式（1）和公式（2）作為隱含層和輸出層神經(jīng)元傳遞函數(shù)，網(wǎng)絡(luò)算法采用Levenberg-Marquardt算法trainlm，性能函數(shù)采用均方誤差性能函數(shù)mse()來(lái)完成。

(3)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

在網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要設(shè)置訓(xùn)練參數(shù)，設(shè)學(xué)習(xí)率為10%，訓(xùn)練時(shí)間為50 s，訓(xùn)練誤差為0.01，誤差曲線(xiàn)如圖2所示，其中橫坐標(biāo)表示網(wǎng)絡(luò)的訓(xùn)練次數(shù)，縱坐標(biāo)表示BP網(wǎng)絡(luò)的誤差精度，圖2中的橫線(xiàn)為系統(tǒng)要求的精度。從圖2中可知，經(jīng)過(guò)23次訓(xùn)練后，網(wǎng)絡(luò)的性能達(dá)到了要求，從而證明了該診斷方法的準(zhǔn)確性和可靠性。

4 總結(jié)

圖2 BP算法訓(xùn)練誤差曲線(xiàn)圖

本文設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)故障診斷方法，以網(wǎng)絡(luò)故障信息為樣本、以L(fǎng)evenberg-Marquardt為優(yōu)化算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練。仿真實(shí)驗(yàn)證明，BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自適應(yīng)能力和非線(xiàn)性映射能力，且迭代次數(shù)少、收斂速度快，可有效地提高網(wǎng)絡(luò)故障診斷的有效性和準(zhǔn)確性，從而促使太陽(yáng)能發(fā)電系統(tǒng)故障診斷技術(shù)向智能化方向發(fā)展。

[1]王元章，李智華，吳春華．基于BP神經(jīng)網(wǎng)絡(luò)的光伏組件在線(xiàn)故障診斷[J]．電網(wǎng)技術(shù)，2013（8）：2094-2095.

[2]蘭琴麗，章樂(lè)多．BP神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電系統(tǒng)故障診斷中的應(yīng)用[J]．通信電源技術(shù)，2011（4）：38-40.

[3]楊金寶，張昌宏，陳平．基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷研究[J]．計(jì)算機(jī)與數(shù)字工程，2012（2）：65-67.