基于Web的光伏电站监控与故障诊断系统

海 涛 ，纪昌青 ，李晓念 ，李朝伟 ，王 路

（1.广西大学 电气工程学院，南宁 530004；2.广西交通职业技术学院，南宁 530004）

发展可再生能源已经成为全球能源发展的重要方向，太阳能是可再生能源中的重要组成部分，光伏、光热、光化学是太阳能利用的3种主要形式。当前，光伏产业蒸蒸日上，已被广泛应用于人们的生活中。我国将会持续大力发展光伏产业，因此未来越来越多的光伏电站将会被建立起来。由于太阳能的特点，大型光伏电站一般都建立在偏远地区，小型电站多建立在城市楼宇等建筑物的上方，这样就给电站的运行维护造成一定的困难，因此设计基于B/S结构Web形式的光伏电站监控系统十分有必要。

本文设计了一种基于.NET平台的光伏电站监控系统，利用GPRS公共无线网络进行数据的传输；采用三层架构软件设计方法，方便日后的维护和扩展；使用Ajax技术实现网页局部刷新，优化用户体验；运用BP神经网络对光伏组件进行故障诊断，方便维护人员及时检修，预防因故障引起不良后果。

1 系统设计方案

1.1 B/S结构和C/S结构

目前使用最广泛的监控结构是C/S（Client/Server）结构。但是C/S结构对客户端的操作系统有限制，不同的操作系统需要不同的客户端软件，这样就加大了开发的工作量；C/S结构难以适应上百台电脑以局域网的方式同时使用，代价高、效率低；C/S结构的维护成本非常高并且需要复杂的技术支持。

随机互联网的发展，人们越来越多地使用B/S（Browser/Server）结构[1-2]。 B/S结构相比 C/S结构不需要给每一种操作系统专门制作客户端软件，不同操作系统的用户只需要通过浏览器就可以访问服务器内容；B/S结构完全可以适应大批量用户同时访问服务器；B/S结构相比C/S结构最大的优点就是维护成本低，工作人员只需要扩展或升级服务器即可，大大降低了工作量，因此本文采用B/S结构进行设计。

1.2 系统总体结构

本文所采用的B/S结构如图1所示，各自的光伏电站有各自的数据采集模块，使用RS485总线将光伏电站传感器的数据传送至现场控制器。现场控制器将接收到的数据通过GPRS移动通信技术[3]以Socket连接方式发送至远程服务器端。

图1 系统总体结构Fig.1 System general structure

在服务器端编写WinForm窗体程序，开启Socket侦听，每接入一个站点都要创建一个新的线程去接收数据，然后解析接收到的数据，将其存入SQL Server数据库中。在服务器端用.NET平台设计WebForm光伏电站监控界面，监控人员通过浏览器即可观察电站的实时运行情况。

当需要检测故障时，用户在Web页面发出故障检测命令，修改数据库对应表中的标志位为“1”，WinForm服务器软件通过检索数据库中的标志位，如果为“1”则向光伏电站控制器发送命令，控制器接收命令后采集故障诊断所需要的数据。

1.3 三层架构模型

Web监控服务器端采用经典的三层架构模型，即表现层（UI）、业务逻辑层（BLL）、数据访问层（DAL），三层架构模型如图2所示。

图2 三层架构模型Fig.2 Three tier architecture model

表现层用来提供与用户交互的界面，本系统的表现层将以Web方式呈现。

业务逻辑层对数据进行逻辑处理，实现不同的业务需求；降低表现层和数据访问层之间的联系，避免在表现层出现冗余逻辑代码。

数据访问层实现与数据库的交互，拼写sql语句，利用ADO.NET直接操作数据库，对数据做增删改查等操作。

通用类库通用的辅助工具类，包含SQLHelper、MD5 加密等。

业务实体这个类同数据库中的表一一对应，类名对应表名，类成员对应表中的字段，方便处理数据。

不同类库之间的引用关系如下：

①DAL 引用：Common、Model

②BLL 引用：Common、DAL、Model

③UI引用：Common、BLL、Model

采用三层架构是为了实现面向对象的高内聚低耦合原则。在表现层和数据访问层中间加一层业务逻辑层，能够有效隔离表现层和数据访问层的联系，可以使开发人员只关注其中某一层的设计，结构更加清晰，有利于代码复用，如果需要更改Web页面的UI层，不会影响BLL层和DAL层，添加或删除功能模块不影响已有模块的代码，可以极大地降低维护成本和维护时间。

1.4 Web程序的功能模块

使用.NET平台设计Web程序，做好三层架构的框架后，就需要根据不同的业务需求填充三层架构。经过分析，设计的监控系统的功能模块如图3所示。

图3 系统功能模块Fig.3 System function module diagram

管理员权限高于普通用户，普通用户只能查看光伏电站运行参数状况，获取各设备运行信息，但管理员可以增加或删除设备，而且可以设置普通用户的权限。

实时数据模块实时显示采集到的数据，采集的信息有设备信息、光伏电池阵列输出电压和电流、逆变器输出电压和电流及其相位、逆变器输出功率、温度、日照强度、各开关器件的状态等。

系统可生成日、月综合报表，用户根据报表可对电站的运行状况进行分析。

1.5 Ajax技术

Ajax（Asynchronous JavaScript and XML），即异步JavaScript和XML[4]。如果不使用Ajax，用户获取不同页面信息需要刷新整个Web页面，使得浏览器与服务器之间需要交互较多的数据，同时也会降低用户使用舒适度，尤其当用户数量增多时会增加服务器访问压力，Web页面将出现卡顿现象。使用Ajax实现Web页面局部刷新，减少了Web页面与后台交互的数据量。考虑实际情况，普通用户访问界面使用较多的Ajax请求，管理员用户则没有使用Ajax请求，因为管理员比较少，与服务器交互数据量小，且主要是对网站进行维护工作，对访问的舒适感要求较低。

C#的WebForm中有专门的Aajx控件，但这种控件仍然需要与服务器交互大量的数据，所以本系统并没有使用，而是使用jQuery写Ajax，让它请求一般处理程序，效果很好。

2 故障诊断

由于光伏电站安装地点多位于楼顶或偏远地带，很难经常性的在电站现场对其进行检查和维护，因此十分有必要对光伏阵列进行智能故障诊断。本系统采用高效且易用的BP神经网络算法对光伏阵列进行故障诊断。

2.1 光伏阵列故障类型

已有研究表明[5-6]，光伏阵列开路电压Voc、短路电流Isc、最大功率点电压Vmp、最大功率点电流Imp会因为不同的故障而发生改变，不同的故障现象对应不同的故障类型。表1列出了故障现象及其对应的类型。

表1 故障现象及对应类型Tab.1 Fault phenomena and corresponding types

2.2 BP神经网络算法

BP 算法（error back propagation algorithm），即误差反向传播算法，是一种在分类、函数拟合、系统仿真、图像处理等方面都有广泛应用的神经网络算法。

BP神经网络包括输入层、隐藏层和输出层，其拓扑结构如图4所示。

图4 BP神经网络拓扑结构Fig.4 BP neural network topology

本系统中，BP网络输入层节点数为4，输出层节点数也为4。输入输出的相关描述如表2所示。

表2 输入输出相关描述Tab.2 Input and output correlation

隐藏层的节点数可根据经验公式来确定：

式中：M为隐藏层节点数；n为输入层节点数；m为输出层节点数；a为0～10之间的常数。因此，本文BP网络隐藏层的结点数应在2～13之间。

由于4个输入变量的单位不一样，量级也不一样，直接输入到BP网络中会影响收敛效果，因此需要对输入数据作归一化处理：

式中：xn为原数据；xmin为原输入数据中的最小值；xmax为原输入数据中的最大值；Xn为归一化后的数据。

BP神经网络的学习算法有很多，从最初的梯度下降法到动量BP算法、学习率可变的BP算法、弹性BP算法、变梯度BP算法、牛顿法、LM算法[7]等等。本系统采用的LM（levenberg-marquardt）算法是对牛顿法的改进，不需要计算二阶导数，收敛速度非常快，权值和偏置由下式更新：

式中：w（n）为第n次迭代各层之间的连接权值向量或偏置向量；J为包含网络误差函数对权值和偏置一阶导数的雅可比矩阵；I为单位矩阵；e为网络的误差向量；μ为很小的系数。

在编写Matlab程序的时候，网络训练函数设为trainlm，其训练终止条件为到达设定的最大迭代次数；超出设定的迭代时间；进行仿真的误差性能连续增加的次数超过设定值；梯度值小于设定最小梯度值；μ值超过设定最大值。

2.3 BP神经网络测试

在实验中所用的光伏模块型号为SFM-50的小型光伏板， 其标称参数是 Voc：21.6 V、Isc：3.2 A、Vmp：17.28 V、Imp：2.9 A，采集不同温度（15 ℃～39 ℃）、日照强度（300 W/m2～800 W/m2）条件下的不同故障，共采集了300组数据，正常、短路、开路、老化、热斑5种状态各60组，每个状态取40组共200组数据作为训练样本，另外每个状态20组共100组数据作为测试样本。

使用Matlab神经网络工具函数net=feedforwardnet（8，‘trainlm’）得到 BP 网络 net，其中设置的隐藏层节点数为8，训练函数为trainlm，设置最大迭代次数2000，学习率0.01，目标误差，使用test_out=sim（net，testInput）语句进行网络仿真测试，得到 BP网络误差性能如图5所示。

图5 BP网络误差性能Fig.5 Error performance of BP network

如图5，经过18次迭代，训练误差已经小于目标误差，学习过程停止。经过多次修改网络训练目标误差，再也不能减小网络的测试误差，说明在该样本下网络训练已经达到最优。图6所示为100组测试数据的诊断结果，其中2个老化故障和1个热斑故障诊断错误，其余均正确，诊断正确率为97%，证明使用的BP神经网络算法高效可行。

图6 BP网络测试结果Fig.6 BP network test results

2.4 C#语言调用Matlab动态链接库

用C#语言调用Matlab自定义函数实现混合编程，要先将Matlab自定义函数编译生成动态链接库dll文件，然后在C#项目中添加该动态链接库。操作步骤为

①保存训练好的 BP 网络：save（'D：LM.mat'，'net'），前一个参数是路径，后一个参数是BP网络的名称，注意：其他需要用到的中间向量也应当保存；

②新建一个.m文件，加载上一步中的网络及所需数据，将测试过程编写成函数接口，输入为4个节点的真实值组成的向量，输出为输出节点组成的向量，保存.m文件；

③在Matlab命令窗口中输入deploytool调出编译选择窗口，并选择Library Compiler；

④配置窗口中TYPE选择.NET Assembly，选择待编译的.m文件，写上类库名myLM，并添加类名及方法名，设置好后点击Package按钮，等待编译完成；

⑤在C#服务器项目中添加两个dll文件的引用，MWArray.dll文件（在Matlab根目录下的toolboxdotnetbuilderinwin64v2.0中）和上一步中生成的myLM.dll文件；

⑥在C#项目中将生成目标平台修改为x64（因为使用的Matlab为x64版本）；

⑦添加命名空间

using MathWorks.MATLAB.NET.Arrays；

using MathWorks.MATLAB.NET.Utility；

using myLM。

完成以上步骤之后，即可在C#项目中调用Matlab使用的BP神经网络函数，实现混合编程。

3 网站运行测试

为了更美观地展示实时数据，使用了一个名为highcharts的图库，该图库使用纯JavaScript语言编写，支持绝大多数浏览器，支持曲线图、柱状图、饼状图等各种图表的绘制。使用post方式发送ajax请求，从SQLServer数据库读取刚由Winform程序插入的数据，显示在图表中。

如图7所示，实时显示2016年4月15日位于综合楼1区的光伏电站的概况，3个图表都设为同时显示30条数据，每隔10 s图表右边无刷新添加一条数据，同时图表最左边的一条数据被移除。经长时间测试，Web页面运行良好。

图7 实时数据Web运行页面Fig.7 Real-time data Web run page

图8为故障监测页面，如果发生故障，则在Web页面展示所有故障的详细信息，用户对故障进行处理后，经故障诊断程序判断，若数据恢复正常，则记为已处理，否则记为未处理。

图8 监控系统故障监测页面Fig.8 Monitor and control system fault monitoring page

4 结语

本文采用.NET平台设计B/S结构，使用C#作为编程语言、SQL Server 2008作为数据库，在VS2013开发工具上开发出一套Web监控系统，该系统故障诊断部分采用BP神经网络算法，使用Matlab和C#混合编程，取得很好的诊断效果，极大地降低了光伏电站的安全性隐患。由于使用了面向对象设计方法和三层架构软件模型，使得该Web监控系统具有良好的拓展性能，大大降低了系统的维护成本，提高了光伏电站的维护效率。

[1]王娜.基于.NET平台的光伏电站视频监控系统的设计与实现[D].北京：北京交通大学，2015.

[2]赵宏伟，秦昌明.基于B/S 3层体系结构的软件设计方法研究[J].实验室研究与探索，2011，30（7）：64-66.

[3] 陈天华，唐海涛.基于ARM和GPRS的远程土壤墒情监测预报系统[J].农业工程学报，2012，28（3）：162-166.

[4]谭力，杨宗源，谢瑾奎.Ajax技术的数据响应优化[J].计算机工程，2010，36（7）：52-54.

[5]王元章，李智华，吴春华，等.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）：2094-2100.

[6]王元章，李智华，吴春华.一种四参数的光伏组件在线故障诊断方法[J].中国电机工程学报，2014，34（13）：2078-2087.

[7]钱华明，姜波，夏全喜.基于LM算法的组合导航系统的故障诊断[J].中国造船，2009，50（4）：102-108.