裴劉生，周雙全，王海峰，趙華鴻

(北京金鴻泰科技有限公司，北京 100081)

0 引言

隨著光伏發(fā)電并網(wǎng)規(guī)模的不斷增大，針對(duì)光伏發(fā)電設(shè)備故障診斷方法[1]進(jìn)行研究變得尤為重要。光伏電站中光伏發(fā)電設(shè)備的類型眾多，包括逆變器、匯流箱、光伏組件等基本的電氣單元。由于光伏發(fā)電設(shè)備在運(yùn)行過程中長(zhǎng)期暴露在各種自然環(huán)境條件下，會(huì)造成設(shè)備的損壞，尤其是光伏組件會(huì)因遮擋、熱斑等情況導(dǎo)致其故障頻發(fā)；而且光伏發(fā)電設(shè)備在運(yùn)行過程中還存在老化、失配、性能衰減等問題。這些問題會(huì)嚴(yán)重影響光伏發(fā)電設(shè)備的使用壽命和光伏電站長(zhǎng)期、安全、穩(wěn)定、高效地運(yùn)行，設(shè)備一旦發(fā)生故障，勢(shì)必會(huì)增加維護(hù)成本并造成發(fā)電量的損失。因此，通過光伏發(fā)電設(shè)備的輸出特性研究光伏發(fā)電設(shè)備故障的診斷方法，并將診斷方法運(yùn)用于設(shè)備的實(shí)際工作中，對(duì)于防止因設(shè)備故障造成的嚴(yán)重事故，降低電站的收益損失，實(shí)現(xiàn)光伏電站安全、穩(wěn)定、持續(xù)、高效地運(yùn)行，具有極其重要的意義。

各種光伏發(fā)電設(shè)備的輸出特性表現(xiàn)出典型的時(shí)間序列[2]特征。在太陽(yáng)輻照度、環(huán)境溫度、遮擋等自然及人為因素影響下，光伏發(fā)電設(shè)備輸出特性的時(shí)間序列呈現(xiàn)出不同的變化趨勢(shì)；而且，光伏發(fā)電設(shè)備輸出特性的時(shí)間序列趨勢(shì)會(huì)與其匹配的光伏發(fā)電設(shè)備之間存在強(qiáng)相關(guān)性，比如，完全被陰影遮擋的光伏組件的輸出電流普遍低于未被遮擋的光伏組件的輸出電流；同時(shí)，失配會(huì)造成逆變器的輸出功率降低[3]。

目前，傳統(tǒng)的基于時(shí)間序列的光伏發(fā)電設(shè)備故障診斷方法普遍存在以下3方面的問題：

1)傳統(tǒng)的數(shù)學(xué)建模方法是通過建立輸入與輸出之間的數(shù)學(xué)關(guān)系，利用統(tǒng)計(jì)學(xué)和閾值來進(jìn)行故障診斷，在復(fù)雜條件下很難完成對(duì)所研究系統(tǒng)的精確建模，具有很大的局限性；

2)對(duì)于傳統(tǒng)的人工智能故障診斷方法，可能存在弱化時(shí)間序列之間的相關(guān)信息及時(shí)間序列隨時(shí)間變化的時(shí)序信息的情況，導(dǎo)致模型的診斷能力下降，引起誤診、漏診等現(xiàn)象；

3)在技術(shù)方面，針對(duì)單個(gè)光伏發(fā)電設(shè)備的輸出特征提取方法，通常是采用快速傅立葉變換(FFT)和小波變換技術(shù)，而這2種技術(shù)一般用于處理平穩(wěn)的時(shí)間序列，難以挖掘光伏發(fā)電設(shè)備運(yùn)行時(shí)的時(shí)間序列的深層次特征[4]。

針對(duì)以上問題，本文提出一種主成分分析－聚類算法(PCA-CLUSTER)和經(jīng)驗(yàn)?zāi)B(tài)分解－卷積神經(jīng)網(wǎng)絡(luò)(EMD-CNN)相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法。為彌補(bǔ)傳統(tǒng)的人工智能故障診斷方法經(jīng)常弱化光伏發(fā)電設(shè)備之間的相關(guān)信息從而導(dǎo)致存在誤診、漏診的缺陷，本方法對(duì)光伏發(fā)電設(shè)備輸出特性的時(shí)間序列進(jìn)行主成分分析(PCA)[5]，從冗余特征中提取主要成分，降低聚類輸入維數(shù)，再利用K-Means算法對(duì)時(shí)間序列進(jìn)行聚類分析，初步識(shí)別光伏發(fā)電設(shè)備的故障分類集合；在技術(shù)方面，針對(duì)非平穩(wěn)的時(shí)間序列的特性，利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)提取故障分類集合中的時(shí)間序列的特征，繼而使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為分類器對(duì)時(shí)間序列特征進(jìn)行訓(xùn)練和分類，以最終判斷光伏發(fā)電設(shè)備具體的故障類型。

1 本文所述方法的介紹

1) PCA-CLUSTER。光伏發(fā)電設(shè)備輸出特性的時(shí)間序列趨勢(shì)特性是設(shè)備潛在故障的外在表現(xiàn)，每1個(gè)時(shí)間序列可以理解為多個(gè)維度的集合，且對(duì)應(yīng)1種故障分類。但是，時(shí)間序列具有維度高、時(shí)間長(zhǎng)、噪音多等特點(diǎn)，大量時(shí)間序列數(shù)據(jù)會(huì)導(dǎo)致聚類算法的效率低下、干擾因素過多，使時(shí)間序列失去了聚類趨勢(shì)，也不易于進(jìn)行聚類。因此，本文提出的PCA-CLUSTER方法的基本思路是：當(dāng)研究的時(shí)間序列包含高維度、多噪音數(shù)據(jù)時(shí)，并且數(shù)據(jù)體現(xiàn)的信息存在交叉重疊情況時(shí)，應(yīng)用PCA[6]來提取時(shí)間序列的關(guān)鍵特征維度，然后利用K-Means算法[7]對(duì)經(jīng)過PCA后得到的時(shí)間序列進(jìn)行聚類分析。以光伏發(fā)電設(shè)備輸出特性的時(shí)間序列為例，先通過PCA對(duì)時(shí)間序列進(jìn)行特征降維，盡量在不損失原有模型質(zhì)量的情況下，將包含相同信息的特征維度從時(shí)間序列中剔除，以減少時(shí)間序列的特征維數(shù)；在此基礎(chǔ)上，再進(jìn)行時(shí)間序列的聚類。

2) EMD-CNN。光伏發(fā)電設(shè)備的輸出特性是在設(shè)備受到包含環(huán)境溫度、太陽(yáng)輻照度、遮擋等外界環(huán)境的干擾信號(hào)及設(shè)備自身故障形成的干擾信號(hào)后生成的，因此，屬于典型的非線性、非平穩(wěn)時(shí)間序列。本文提出的EMD-CNN方法的基本思路是：通過采用EMD[8]和CNN[9]技術(shù)實(shí)現(xiàn)時(shí)間序列的特征提取、模型訓(xùn)練和異常判斷；在對(duì)時(shí)間序列的原始數(shù)據(jù)進(jìn)行預(yù)處理之后，首先利用EMD對(duì)預(yù)處理后的時(shí)間序列進(jìn)行計(jì)算，提取時(shí)間序列的特征，并將其作為CNN模型訓(xùn)練的輸入集；然后，由于CNN可以實(shí)現(xiàn)在一定數(shù)量的訓(xùn)練集中尋找到最優(yōu)的分類效果，因此，采用CNN作為分類器對(duì)時(shí)間序列的特征進(jìn)行訓(xùn)練和分類；最后，在CNN模型的基礎(chǔ)上，針對(duì)待識(shí)別的時(shí)間序列進(jìn)行異常判斷。

2 采用本文所述方法時(shí)的具體步驟

本文提出的PCA-CLUSTER和EMD-CNN相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法的具體流程如圖1所示。

圖1 本文所述光伏發(fā)電設(shè)備故障診斷方法的流程圖Fig. 1 Flowchart of PV power generation equipment fault diagnosis method described in this paper

本文所述光伏發(fā)電設(shè)備故障診斷方法的具體步驟為：

步驟1)：定義n個(gè)光伏發(fā)電設(shè)備t個(gè)時(shí)刻的時(shí)間序列S，用于反映光伏發(fā)電設(shè)備的輸出特性，如式(1)所示。

步驟2)：定義光伏電站中t個(gè)時(shí)刻的太陽(yáng)輻照度集合G，如式(2)所示。

步驟3)：以太陽(yáng)輻照度集合為參考標(biāo)準(zhǔn)，對(duì)時(shí)間序列S進(jìn)行歸一化處理，得到歸一化時(shí)間序列S′，如式(3)所示。

步驟4)：利用PCA對(duì)歸一化時(shí)間序列S′進(jìn)行處理。首先，計(jì)算S′的相關(guān)數(shù)矩陣R；然后，求解t個(gè)特征值λ1，λ2，…，λt(其中λ1≥…≥λt≥0)和與其對(duì)應(yīng)的標(biāo)準(zhǔn)正交特征向量e1，e2，…，et。求解主成分對(duì)總變差的累積貢獻(xiàn)率，即并取得適當(dāng)?shù)膠值，其中1＜z≤t。

步驟5)：基于步驟4)計(jì)算得到的主成分對(duì)總變差的累計(jì)貢獻(xiàn)率，從而確定S′的主要成分因素，然后利用PCA-CLUSTER對(duì)S′進(jìn)行聚類，獲得k個(gè)聚類子集的集合C，如式(4)所示。

步驟6)：基于集合C，利用EMD依次對(duì)k個(gè)聚類子集分別進(jìn)行特征提取，經(jīng)過處理獲得不同故障情況下S′對(duì)應(yīng)的特征數(shù)據(jù)集合，然后將S′按照一定的比例劃分為訓(xùn)練樣本和測(cè)試數(shù)據(jù)，為后續(xù)樣本訓(xùn)練和模型驗(yàn)證提供基礎(chǔ)數(shù)據(jù)。

步驟7)：利用Spark技術(shù)搭建基于CNN的并行化模型訓(xùn)練應(yīng)用架構(gòu)，以實(shí)現(xiàn)對(duì)S′的快速和批量樣本訓(xùn)練，并且通過不斷對(duì)大量光伏發(fā)電設(shè)備的時(shí)間序列樣本進(jìn)行訓(xùn)練，逐步優(yōu)化和提升故障診斷模型。

步驟8)：利用Spark技術(shù)搭建基于CNN的并行化分類計(jì)算應(yīng)用架構(gòu)，基于步驟7)的故障診斷模型，對(duì)光伏電站中大量光伏發(fā)電設(shè)備輸出特性的時(shí)間序列進(jìn)行實(shí)時(shí)分類和計(jì)算，從而獲得時(shí)間序列的分類結(jié)果，判斷光伏發(fā)電設(shè)備的故障類型。

3 實(shí)驗(yàn)結(jié)果和實(shí)際應(yīng)用效果

3.1 實(shí)驗(yàn)結(jié)果

3.1.1 數(shù)據(jù)來源

本次實(shí)驗(yàn)數(shù)據(jù)來自于某100 MW光伏電站中環(huán)境監(jiān)測(cè)儀、逆變器、匯流箱、光伏組串等設(shè)備的2019年全年的數(shù)據(jù)，包括輸出電流、輸出電壓、輸出功率、太陽(yáng)輻照度等；數(shù)據(jù)具備典型的時(shí)間序列特征，采樣周期為1 min?，F(xiàn)僅以2019年10月12日某個(gè)匯流箱匯集的12路(1#～12#)光伏組串的輸出電流數(shù)據(jù)為例，闡述PCACLUSTER和EMD-CNN相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法的實(shí)現(xiàn)過程。

3.1.2 數(shù)據(jù)預(yù)處理

由于光伏發(fā)電設(shè)備所處環(huán)境復(fù)雜，獲得的數(shù)據(jù)量龐大且干擾因素較多，因此光伏組串輸出電流的時(shí)間序列表現(xiàn)出不同的變化趨勢(shì)。例如，若采集設(shè)備出現(xiàn)通信故障時(shí)，光伏組串輸出電流的時(shí)間序列是恒值；若出現(xiàn)遮擋時(shí)，光伏組串輸出電流的時(shí)間序列數(shù)值明顯偏低等。10月12日某個(gè)匯流箱中1#～12#光伏組串的輸出電流數(shù)據(jù)情況如圖2所示。

從圖2中可以看出，7#光伏組串的輸出電流曲線反映了采集設(shè)備存在通信故障，3#光伏組串的輸出電流曲線反映了該組串受到了遮擋。

圖2 10月12日某匯流箱中1#～12#光伏組串的輸出電流數(shù)據(jù)Fig. 2 Output current data by 1#～12# PV strings in a combiner box on October 12

當(dāng)光伏組串的輸出電流受到太陽(yáng)輻照度的影響后，其會(huì)隨著太陽(yáng)輻照度的變化而產(chǎn)生波動(dòng)，在環(huán)境溫度、大氣質(zhì)量等其他條件保持不變的情況下，光伏組串的短路電流基本和太陽(yáng)輻照度成正比。因此，為剔除太陽(yáng)輻照度對(duì)光伏組串輸出電流的影響，將輸出電流歸一化處理為單位太陽(yáng)輻照度下的光伏組串輸出電流。歸一化處理后的光伏組串輸出電流曲線如圖3所示。

圖3 歸一化處理后的1#～12#光伏組串的輸出電流曲線Fig. 3 Output current curve of 1#～12# PV strings after normalization treatment

3.1.3 降維和聚類

首先，對(duì)歸一化處理后的1#～12#光伏組串輸出電流的時(shí)間序列進(jìn)行PCA，利用PCA來優(yōu)化算法的輸入維數(shù)，從而降低聚類分析時(shí)的復(fù)雜度，提高識(shí)別準(zhǔn)確率。利用PCA進(jìn)行特征降維，在確保累計(jì)貢獻(xiàn)率不低于99%的情況下，提取時(shí)間序列中的前3個(gè)主成分的數(shù)據(jù)作為聚類算法分析時(shí)的輸入數(shù)據(jù)，其得到的貢獻(xiàn)率依次為62.11888%、34.531165%、2.509278%，此時(shí)的累計(jì)貢獻(xiàn)率達(dá)到了99.159323%；由于其他時(shí)間序列的貢獻(xiàn)率很小，因此將不作為聚類算法分析時(shí)的輸入數(shù)據(jù)。

然后，利用K-Means算法對(duì)時(shí)間序列進(jìn)行聚類，此時(shí)輸入維數(shù)大量減少，極大地提高了計(jì)算效率和準(zhǔn)確率。K-Means算法將1#～12#光伏組串的輸出電流數(shù)據(jù)分成正常、恒值、偏低、偏低且下降、偏高5類。

3.1.4 特征提取和深度學(xué)習(xí)

針對(duì)聚類算法分析得到的5類結(jié)果，分別進(jìn)行EMD-CNN析型，以提取故障特征、訓(xùn)練CNN模型和識(shí)別故障類型。在通過聚類算法分析得到的5類結(jié)果的基礎(chǔ)上，對(duì)時(shí)間序列進(jìn)行EMD，以提取時(shí)間序列特征。對(duì)不同分類結(jié)果進(jìn)行EMD后的結(jié)果分別如圖4～圖8所示。

1)輸出電流為正常類型時(shí)進(jìn)行EMD后的結(jié)果如圖4所示。

圖4 輸出電流為正常類型時(shí)進(jìn)行EMD后的結(jié)果Fig. 4 Results of EMD when output current is normal type

由圖4可見，原始信號(hào)(Signal)經(jīng)過一小段時(shí)間的上升后，最終達(dá)到一個(gè)相對(duì)平穩(wěn)的狀態(tài)；Signal中的各頻率分量(即IMF分量)大部分表現(xiàn)出相對(duì)平穩(wěn)的狀態(tài)，但有部分IMF分量呈現(xiàn)出上升趨勢(shì)；殘余項(xiàng)分量(res.)呈現(xiàn)先升后降的趨勢(shì)。

2)輸出電流為恒值類型時(shí)進(jìn)行EMD后的結(jié)果如圖5所示。

圖5 輸出電流為恒值類型時(shí)進(jìn)行EMD后的結(jié)果Fig. 5 Result of EMD when output current is constant value type

由圖5可見，Signal一開始時(shí)呈現(xiàn)逐漸下降的趨勢(shì)，但經(jīng)過一段時(shí)間的穩(wěn)定運(yùn)行后，又呈現(xiàn)逐漸上升的態(tài)勢(shì)；IMF分量大部分表現(xiàn)出平穩(wěn)的狀態(tài)，只有IMF4分量出現(xiàn)較大幅度下降后又呈現(xiàn)平穩(wěn)狀態(tài)；res.呈現(xiàn)先降后升的趨勢(shì)。

3)輸出電流為偏低類型時(shí)進(jìn)行EMD后的結(jié)果如圖6所示。

圖6 輸出電流為偏低類型時(shí)進(jìn)行EMD后的結(jié)果Fig. 6 Results of EMD when output current is low type

由圖6可見，Signal經(jīng)過一小段時(shí)間的上升后，最終達(dá)到一個(gè)相對(duì)平穩(wěn)的狀態(tài)；IMF分量大部分表現(xiàn)出平穩(wěn)的狀態(tài)，小部分IMF分量有上升趨勢(shì)；res.呈現(xiàn)下降趨勢(shì)。

4)輸出電流為偏低且有下降類型時(shí)進(jìn)行EMD后的結(jié)果如圖7所示。

由圖7可見，Signal出現(xiàn)明顯的變化趨勢(shì)，IMF分量的波動(dòng)性較大，res.呈現(xiàn)先升后降的趨勢(shì)。

圖7 輸出電流為偏低且有下降類型時(shí)進(jìn)行EMD后的結(jié)果Fig. 7 Result of EMD when output current is low and declining type

5)輸出電流為偏高類型時(shí)進(jìn)行EMD后的結(jié)果如圖8所示。

圖8 輸出電流為偏高類型時(shí)進(jìn)行EMD后的結(jié)果Fig. 8 Result of EMD when output current is high type

由圖8可見，Signal出現(xiàn)大幅下降趨勢(shì)，IMF分量表現(xiàn)出或上升或下降的波動(dòng)趨勢(shì)，res.呈現(xiàn)下降趨勢(shì)。

基于以上EMD提取的時(shí)間序列特征，利用CNN算法和Spark技術(shù)進(jìn)行樣本訓(xùn)練和測(cè)試，并利用某100 MW光伏電站中的14400個(gè)光伏組串進(jìn)行故障診斷驗(yàn)證。

驗(yàn)證結(jié)果表明：僅采用PCA-CLUSTER方法時(shí)的故障診斷準(zhǔn)確率為78%；僅采用EMDCNN方法時(shí)的故障診斷準(zhǔn)確率為85%；而采用PCA-CLUSTER和EMD-CNN相結(jié)合方法時(shí)的故障診斷準(zhǔn)確率可達(dá)到95%。由此可知，PCACLUSTER和EMD-CNN相結(jié)合的方法可使故障診斷的準(zhǔn)確率顯著提高。不同故障診斷方法的準(zhǔn)確率情況如表1所示。

表1 不同故障診斷方法時(shí)的準(zhǔn)確率情況Table 1 Accuracy of different fault diagnosis methods

由此可見，PCA-CLUSTER和EMD-CNN相結(jié)合的故障診斷方法可以實(shí)現(xiàn)對(duì)光伏發(fā)電設(shè)備故障的精準(zhǔn)診斷，且對(duì)光伏組串進(jìn)行故障診斷時(shí)切實(shí)有效。

3.2 實(shí)際應(yīng)用效果

本文提出的PCA-CLUSTER和EMD-CNN相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法目前在光伏電站的使用規(guī)模已達(dá)到3 GW，取得了良好的應(yīng)用效果，具有巨大的使用價(jià)值和廣闊的應(yīng)用前景。

4 結(jié)論

本文提出了一種PCA-CLUSTER和EMDCNN相結(jié)合的光伏發(fā)電設(shè)備故障診斷方法，并以某100 MW光伏電站中的14400個(gè)光伏組串為例，采用該方法進(jìn)行了故障診斷驗(yàn)證。結(jié)果顯示，此方法的準(zhǔn)確率可達(dá)95%，高于僅采用PCACLUSTER方法時(shí)78%的準(zhǔn)確率和僅采用EMDCNN方法時(shí)85%的準(zhǔn)確率。

本文提出的光伏發(fā)電設(shè)備故障診斷方法在不損害光伏組串輸出電流時(shí)間序列特征的前提下，利用PCA方法剔除了光伏組串輸出電流的時(shí)間序列之間的冗余性和相關(guān)性，降低了高維度時(shí)包含的噪音影響，提高了PCA-CLUSTER方法的性能，從而取得良好的聚類效果；PCA和K-Means相結(jié)合的PCA-CLUSTER算法具有極大的創(chuàng)新性，且提升了聚類算法的準(zhǔn)確率。將EMD方法提取的時(shí)間序列特征作為CNN的訓(xùn)練樣本和測(cè)試數(shù)據(jù)，利用Spark技術(shù)搭建基于CNN的并行化模型訓(xùn)練和分類計(jì)算應(yīng)用架構(gòu)，極大地提升了樣本訓(xùn)練的效率和故障類型識(shí)別的準(zhǔn)確性。