BP神经网络光伏组件在线故障诊断系统开发

刘玉英， 冯英伟

（1.沈阳航空航天大学，辽宁沈阳 110136；2.河北建筑工程学院，河北张家口 075000）

作为清洁、可再生性的能源，太阳能光伏电池在近几年来得到了长足的发展。理论上，光伏组件的使用寿命为20～25年。但是由于各种各样的原因，光伏组件的故障率也较高。这些故障如果不能及时地发现和排除，会极大地影响光伏发电系统的工作效率，影响光伏系统工作的稳定性，因此，研发具有良好性能的光伏组件在线故障诊断系统具有重要的意义。

光伏电站大多是由数以百计、千计的光伏电池板组成。由于制作工艺的原因，每一块电池板的电量都很小，一般只有几伏。为了实现高电压的输出，光伏发电的运行过程是将这些小太阳电池板用串联和并联的方式组合成一个大的阵列，称为光伏阵列[1]。在光伏阵列的工作过程中，由于其工作场合是处于室外，受各种恶劣环境的影响，难免会发生个别小电池块损坏的情况，而且这些局部的故障，如果造成了电池板的开路、短路或性能下降，会使得整个供电系统输出电压或功率有明显的下降，严重时会发生连锁反应，从而破坏整个系统工作的稳定性和输出功率。

目前，可对电池阵列进行故障监测的方法很多。例如红外图像分析法、多传感器检测法、对地电容测量法等。本文针对光伏电站故障特性，提出了一种基于BP神经网络的光伏组件在线故障诊断策略，相比于前面提及的几种故障诊断方法，所采用的方法设备简单，易于实现，同时精度较高。

1 光伏阵列故障及检测模式分析

光伏发电系统是将太阳能转换成电能的装置。系统由光伏阵列、变换器、逆变器、控制器、蓄电池等环节组成。对于光伏发电系统而言，主要的故障来自于两个方面，一方面是由于光伏阵列热斑效应所造成的；另一方面的原因是安装位置高、地点分散，维护困难。

光伏阵列的热斑现象是当光伏电池板中的某些电池单体由于长时间被遮挡，导致其产生的电流小于其他没有被遮挡的光伏电池单体产生的电流，从而造成这一部分电池单体相对于整体而言形成负电压，成为电路中的负载。这些电池性负载在系统中一方面以热量形式消耗功率；而另一方面，当热量无法发散出去时，会造成器件的物理性损坏。

目前，常用的避免热斑现象的方法是为光伏电池单体并联反向旁路二极管，当某些电池单体因热斑现象带上负压时，旁路二极管导通将负压电池单体短路而避免损坏。检测热斑现象的另一种方法是基于红外图像的分析方法。这种方法的缺陷是检测精度和效率相对较低，不能区分温度相差不明显的状态，也不易实现在线故障分析和故障报警等问题。

除热斑效应之外，恶劣的外界环境也会给光伏阵列的运行带来诸多的问题，这些问题主要集中在功率器件过流、功率器件驱动信号欠压、功率器件过热、太阳能阵列输出欠压及电网过压、欠压等，具体故障及故障原因如表1所示[2]。

表1 光伏阵列故障模式及原因分析

针对以上的问题，可采用多传感器节点故障检测方式来解决。具体的过程是在光伏器件的关键位置设置大量微小的传感器节点，节点通过无线通信方式组成网络，从而实现故障点的监测。该方法容易遭受环境、能源耗尽及其它不可预知因素的影响导致节点故障，造成系统数据监测可靠性差的问题。

2 BP神经网络的结构及学习算法

BP神经网络，即多层前馈式误差反传播神经网络，是目前应用最为广泛的神经网络之一，其可以实现从输入至输出的任意复杂的非线性映射关系，并且具有良好的泛化能力[3]。

如图1所示，BP神经网络由输入层、输出层和隐含层组成。其学习过程由正向传播和反向传播两种方式组成。正向传播过程由输入信号开始，信号从输入层经隐含层传向输出层，并在输出端产生输出信号。正向传播中上一层神经元的状态只影响一下层神经元且在传递过程中网络的权值固定不变；当输出端的实际输出值与期望输出之间存在误差时，则网络转入反向传播，传播过程中，网络的权值由误差反馈进行调节，以使实际输出更接近期望值[2]。

图1 BP神经网络模型

在BP神经网络中，除网络权值需进行确定外，输入层节点、隐含层节点、输出层节点的设置也是网络结构的重要内容。输入层对应于故障现象，由实际系统设置值来确定，隐含层节点的数目可根据系统要求精度来设置，一般来说，隐含层节点太少，网络不能建立复杂的映射关系，使网络培训效果差，容错性不理想；节点数过多，又会使网络学习时间过长，影响网络的收敛性和时效性，因此需要根据设计者的经验及多次实验确定一个最佳的隐含层节点数。隐含层中的节点输出函数为：

式中：f[x]为输入层输出；Wir为输入层到隐含层间的连接权；Tr为隐含层的阈值。

输出层对应于故障原因，其节点的输出函数为：

式中：Vrj为隐含层到输出层间的连接权值；θj为输出层单元阈值。

3 算例仿真分析

本文采用MATLAB的神经网络工具箱进行仿真，具体仿真步骤如下：

(1)确定输入及输出样本

本例输入层神经元个数如表1所示，为5个；输出层神经元为故障原因，根据实际经验，确定个数为8个；隐层神经元个数为9，则对应的输入矩阵如表2所示。其中0表示没有故障，1表示有故障，序号0行为正常状态，其它1～5行对应表1的故障1～5种情况。输出层变量设为8个变量，对应的输出矩阵如表3所示。依据表1及表2建立起故障类型及故障原因的映射关系。

表2 BP神经网络输入学习训练样本

表3 BP神经网络输出学习训练样本

(2)建立BP神经网络

依据以上分析选择公式（1）和公式（2）作为隐含层和输出层神经元传递函数，网络算法采用Levenberg-Marquardt算法trainlm，性能函数采用均方误差性能函数mse()来完成。

(3)训练BP神经网络

在网络进行训练之前，需要设置训练参数，设学习率为10%，训练时间为50 s，训练误差为0.01，误差曲线如图2所示，其中横坐标表示网络的训练次数，纵坐标表示BP网络的误差精度，图2中的横线为系统要求的精度。从图2中可知，经过23次训练后，网络的性能达到了要求，从而证明了该诊断方法的准确性和可靠性。

4 总结

图2 BP算法训练误差曲线图

本文设计了一种基于BP神经网络的光伏发电系统故障诊断方法，以网络故障信息为样本、以Levenberg-Marquardt为优化算法进行网络训练。仿真实验证明，BP神经网络具有强大的自适应能力和非线性映射能力，且迭代次数少、收敛速度快，可有效地提高网络故障诊断的有效性和准确性，从而促使太阳能发电系统故障诊断技术向智能化方向发展。

[1]王元章，李智华，吴春华．基于BP神经网络的光伏组件在线故障诊断[J]．电网技术，2013（8）：2094-2095.

[2]兰琴丽，章乐多．BP神经网络在光伏发电系统故障诊断中的应用[J]．通信电源技术，2011（4）：38-40.

[3]杨金宝，张昌宏，陈平．基于改进BP神经网络的网络故障诊断研究[J]．计算机与数字工程，2012（2）：65-67.