基于BP神经网络的光伏阵列智能故障诊断

张文瑾，葛 强，黄澄扬，周 晨，葛中强

（扬州大学水利与能源动力工程学院，江苏 扬州225127）

基于BP神经网络的光伏阵列智能故障诊断

张文瑾，葛 强*，黄澄扬，周 晨，葛中强

（扬州大学水利与能源动力工程学院，江苏 扬州225127）

针对光伏阵列的故障特点以及传统故障诊断方法的局限性，提出一种基于BP神经网络的光伏阵列智能故障诊断策略.分析了电池裂化、老化短路和阴影故障的后果，通过采集合适的故障样本训练神经网络，并在 Matlab环境中进行了组件在线故障诊断的仿真和实验研究，证明了所提出故障诊断系统的准确性、有效性和环境适应性.

光伏阵列；故障诊断；BP神经网络；网络训练；Matlab仿真

太阳能因其清洁、可再生、无污染等优点而备受人们的青睐［1-2］.但是，光伏阵列运行过程中由于受到外界自然环境与自身老化等问题的影响，不可避免地会发生一些故障，如果这些故障不及时发现与排除，将会直接影响光伏发电系统的正常运行，严重时甚至会烧坏电池组件引发火灾，因此实现光伏系统的故障诊断对发电系统的正常运行具有非常重要的意义.目前的光伏诊断方法主要有红外检测法［3］、对地电容测量法（ECM）［4-5］、时域反射法（TDR）［6］等，其中ECM与TDR均须在系统停止的情况下检测，难以做到实时监测；而红外检测法需要很多红外摄像仪与传感器，增加了系统的运行成本.本文提出了一种基于BP（back propagation）神经网络光伏阵列智能故障诊断系统，能够将光伏阵列的各种故障状态与故障原因之间的对应关系在神经网络结构、连接权值和阈值中表现出来，并将实验测得数据输入训练好的神经故障诊断网络中，从而实现光伏阵列的在线故障诊断.

1　光伏阵列常见故障分析

光伏发电系统因长期工作在室外环境中，经长年风吹日晒和频繁的温度变化，难免会出现一些故障.光伏阵列的常见故障主要分为以下三类：太阳能电池板的裂化问题、因电池板老化损坏而使阵列失配、光伏阵列阴影遮盖现象［7］，主要故障分析见表1.

表1　光伏阵列故障分析Tab.1 Photovoltaic array fault analysis

据目前统计情况，发生概率最大且危害最大的是第3种故障，因此下面主要研究分析光伏阵列的阴影遮盖现象的成因和后果.

实验假设从光伏阵列中选取一个三行四列的矩阵模块，如图1所示，每一行为一组，各组电压为U1～U3，电流均为I.假设图中虚线处的模块发生了遮阴现象，而第二组的电流输出仍为I，则遮阴部分变为负载，电流方向与其他的模块相反，此时第二组中的其他模块的电流将超过I/4，如果持续较长时间，则造成电池板的局部温度过高引发短路，整个系统将不能正常工作.

目前解决阴影遮盖现象的方法主要有并联旁路二极管和红外图像分析法，二者各有其局限性.并联二极管本身消耗功率，造成功率损失，并且它的偏置电压将影响光伏阵列的正常工作电压；红外图像分析法的实时性差，对温差不明显的状态不易区分，不易实现在线故障诊断和报警等.本文提出的BP神经网络智能故障系统具有较强的自学习、自适应、联系记忆及非线性模式识别功能，特别适用于多故障、多模式的复杂故障识别，能够很好地弥补上述方法的不足.

图1　光伏阵列阴影遮盖现象原理图Fig.1 The principle diagram of the PV array shadow

2　BP神经网络在光伏阵列故障诊断中的应用

2.1BP神经网络的建立

由于光伏组件的输出特性和环境因素之间存在高度非线性、强耦合的映射关系，所以光伏阵列的故障诊断实质上就是输入数据样本与一个或多个故障状态之间建立联系的过程.为了实现光伏阵列的在线故障诊断，引入BP神经网络系统作为故障诊断的工具，能够有效地解决非线性问题［8］.

本文中的BP神经网络由输入层、隐含层和输出层构成.每个输入节点对应一种故障输入，相邻层采用互联方式连接，同层各神经元之间无任何连接，输出层与输入层之间也没有直接联系.

设网络的故障输入模式为X=（Tc，Im，Um）T，隐含层的故障输出为Y=（y1，y2，y3）T，建立故障参数与故障原因的映射关系，BP神经网络基本结构见图2，其中Tc，Im，Um作为输入信号分别表示电池板温度、峰值电流、峰值电压，输出y1，y2，y3对应表1中的3种故障.

图2　BP神经网络基本结构Fig.2 Basic structure of BP neural network

隐含层的传递函数采用双曲正切sigmoid函数即tansig函数，设输入层的节点为i（1～3），隐含层节点为j（1～4），输出层节点为k（1～3），对于输入层节点i，隐含层与输出层的输出yi（k）可以表示为［9-10］

式中Ii（k）为节点i在第k层的输入信号，通常表示为所有节点的加权输出总和：

其中wij（k）为第k层中第i个节点到第j个节点的连接权

系数，yj（k）为第k层中第j个节点的输出，θj（k）为该神经元的阈值.

由上述公式可知，如果在已经训练好的神经网络中提取连接权系数和阈值，那么通过输出结果就可以编写程序实现组件在线故障诊断.

2.2BP神经网络故障诊断策略

根据光伏阵列故障诊断的特点，建立可以全面显示监测动态的系统，原理图如图3所示.该系统主要由知识库、数据库、神经网络诊断模块、电池板、解释机制、翻译机制、监控中心组成，当故障发生时可以通过存放于知识库中的诊断对象相关知识快速定位故障源，帮助监控中心人员进行故障的诊断和维修［11］.

实验采用的光伏组件为江苏核新太阳能电力公司的JHX100M72单晶硅系列，在STC（1 000 W·m-2，25℃）条件下的输出数据是：最大功率Pm为100 W，开路电压Uoc为44 V，短路电流Isc为5.49 A，最大功率点电压Um为24.5 V，最大功率点电流Im为4.14 A.该电池组件由72个电池单元经串、并联组成.

实验中通过增加外部串联电阻阻值的方法来模拟裂化现象，用短路电池组件中的电池单元来模拟老化短路现象，用纸板遮挡模拟阴影遮盖现象，通过仿真与实验验证来证明诊断系统的可行性.

图3　BP神经网络故障诊断原理图Fig.3 The principle diagram of the BP neural network fault diagnosis

假设太阳能电池板各种故障类型的输出期望值为正常（0，0，0），电池板裂化（1，0，0），电池板老化短路（0，1，0），局部阴影遮盖（0，0，1），图4为光伏发电系统运行时的神经网络故障诊断流程图，通过检测电池板各参数是否超过与正常值的偏差范围来确定是否出现故障，并判断故障的具体类型，最后报警通知监控中心人员及时检修.

图4　故障诊断流程图Fig.4 The flow chart of fault diagnosis

3　BP神经网络模型训练与实验验证

网络设计完成后，需要采用样本进行训练.对所有训练样本数据正向进行一次并反复修改连接权一次称为一次训练，这样的训练需要反复进行，直至得到满意的映射结果.

为了验证故障诊断系统的准确性和有效性，实验采集了3种故障在不同环境条件下温度、峰值电压、峰值电流的200组样本数据进行网络训练.将神经网络训练样本在Matlab环境中运行，训练次数为1 000次，训练误差为0.001，训练步长为0.05，训练函数采用tansig，训练误差曲线如图5所示.由图中可看出，神经网络经过414次训练后即可达到误差要求，具有良好的学习性能，控制精度达到0.000 9，结果精确.

网络训练好后，将实际测得的4组数据输入诊断系统中，观察其输出是否符合预期的结果，输入数据与输出结果如表2所示，输出每行分别表示正常、电池板裂化、电池板老化短路、阴影遮盖.从表2的数据可以发现，故障节点值接近1，非故障节点值接近0，正确率达到90%以上，网络输出与目标输出的误差已经初步达到预先的要求，证明了系统的可行性和准确性.

图5　BP神经网络训练误差曲线图Fig.5 The curve of BP neural network training error

表2　模型预测结果Tab.2 The predictions of the model

［1］李丹萍，葛强，谈磊.基于DSP光伏发电系统的最大功率跟踪试验［J］.扬州大学学报：自然科学版，2010，13（3）：58-60.

［2］吴昊天，葛强，谈磊，等.局部阴影条件下光伏阵列最大功率点跟踪研究［J］.扬州大学学报：自然科学版，2012，15（2）：52-55.

［3］NIAN Bei，FU Zhizhong，WANG Li，et al.Automatic detection of defects in solar modules：image processing in detecting［C］//International Conference on Wireless Communications Networking and Mobile Computing. Chengdu，China：IEEE，2010：1-4.

［4］TAKASHIMA T，YAMAGUCHI J，OTANI K，et al.Experimental studies of failure detection methods in PV module strings［C］//IEEE 4th World Conference on Photovoltaic Energy Conversion.Waikoloa，HI：IEEE，2006：2227-2230.

［5］TAKASHIMA T，YAMAGUCHI J，ISHIDA M.Fault detection by signal response in PV module strings［C］//IEEE Photovoltaic Specialists on Industrial Electronics.San Diego，CA，USA：IEEE，2008：1-5.

［6］TAKUMI T，JUNJI Y，MASAYOSHI I.Disconnection detection using earth capacitance measurement in photovoltaic module string［J］.Prog Photovoltaics，2008，16（8）：669-677.

［7］钟丹.基于复合信息融合技术的光伏阵列故障诊断研究［D］.天津：天津大学，2012.

［8］段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断［D］.北京：北京交通大学，2008.

［9］SYAFARUDDIN，KARATEPE E，HIYAMA T.Controlling of artificial neural network for fault diagnosis of photovoltaic array［C］//16th International Conference on Intelligent System Application to Power Systems. Hersonissos：IEEE，2011：1-6.

［10］胡义华，陈昊，徐瑞东.基于电压扫描的光伏阵列故障诊断策略［J］.中国电机工程学报，2010，30（S）：185-191.

［11］BAHGAT A B G，HELWA N H，AHMAD G E，et al.Maximum power point traking controller for PV systems using neural networks［J］.Renewable Energy，2005，30：1257-1268.

The photovoltaic array intelligent fault diagnosis based on the BP neural network

ZHANG Weniin，GE Qiang*，HUANG Chengyang，ZHOU Chen，GE Zhongqiang
（Sch of Hydraul&Energy Power Engin，Yangzhou Univ，Yangzhou 225127，China）

In consideration of the PV array fault characteristics and the limitations of traditional fault diagnosis methods an intelligent fault diagnosis strategy for PV array is proposed based on BP neural network.The failure consequences of battery cracking，aging short circuit and the shadow are analyzed.Through collecting appropriate fault samples to train neural network，the simulation and experimental researches on online fault diagnosis of PV modules in the Matlab environment are performed，and the results prove the accuracy，effectiveness and environmental adaptability of the proposed system.

photovoltaic array；fault diagnosis；BP neural network；network training；Matlab simulation

TM 615.2；TP 183

A

1007-824X（2015）01-0032-04

（责任编辑 贾慧鸣）

2013-12-03.*联系人，E-mail：yzgeq@yzu.edu.cn.

江苏省科技支撑计划资助项目（BE2010699）；扬州大学参照211工程建设专项基金；扬州大学学术科技创新基金资助项目（b13294）.

张文瑾，葛强，黄澄扬，等.基于BP神经网络的光伏阵列智能故障诊断［J］.扬州大学学报：自然科学版，2015，18（1）：32-35.