基于BP神经网络光伏发电系统的稳定优化与故障诊断

李昊 严新迪 戴耀威

摘   要：光伏发电在我国的发电总量比例虽然很小，但呈现逐年上升的趋势，目前多地建立起了光伏发电站，将产生的电能并入到交流电网中。但一般的 PI调节控制并不能解决光伏并网逆变系统稳定性差的问题，而且在环境极为恶劣的情况下，光伏发电系统还会发生多种故障。为了能够提高光伏发电系统的稳定性能，本文在传统光伏发电系统的基础上采用神经网络进一步优化需要对光伏发电输出功率进行预测。光伏发电并网逆变器因其内部存在电感、电容等非线性器件，所以控制难度较大。并通过测取光伏发电的输出电压、电流与逆变器输出电压进行分析，从而检测出光伏发电系统中的故障。

关键词：光伏发电系统  BP神经网络  稳定性  逆变器

中图分类号：TM91                                  文献标识码：A                       文章编号：1674-098X（2019）06（a）-0002-02

由于不可再生资源的日益减少以及全球环境的恶化导致世界各国对太阳能发电的开发格外重视。但目前就我国对光伏发电而言，发电所占的比例并不高，且呈现逐年升高的趋势，但发电系统的稳定性差和并网电流谐波高依然是两个非常严重的问题。

此外，我国的绝大多数光伏发电站建立在新疆、西藏和青海等西北的平原、沙漠等人烟稀少、面积广阔的地方，传统的人工检测效率低且检测中存在人身安全的隐患，已经远远不能够满足我国的光伏发电系统对诊断故障的要求。而神经网络方法在实时故障诊断方面以其较高的故障诊断效率和较低的运行成本，受到了企业的喜爱。

1  光伏发电系统的基本工作原理及影响因素

1.1 光伏发电系统的基本工作原理

光伏发电系统的基本工作原理如下：当太阳能电池板光伏阵列将吸收的光能通过光伏效应转化为直流电后通过控制器的控制选择，利用逆变器将直流电转变成交流电，将所产生的电能并列到交流电网中或直接供给负载使用。在整个系统中，控制器起到系统的控制与管理作用，并且在一些带有储能电池的并网光伏发电系统中对蓄电池起到充、放电保护的作用，用以延长蓄电池的使用年限。

1.2 光伏发电系统的影响因素

本文参考各种资料对地方年均温度、光照强度、相对湿度、云团密度等影响光伏发电的相关参考量逐时发电量进行分析。主要针对温度和光辐照对光伏发电系统输出功率的影响进行分析，辐照度的变化影响微型光伏电站周围的温度。因此，选择在一个温度差小的房间里进行实验，以减少周围环境温度引起的干扰。结合相关参考值得出：光辐照和温度对光伏发电系统的发电量的影响较大;光辐照和时长越长，温度越高，则发电量越多;同时云团密度也会造成光照强度减弱，间接影响系统的发电量[1]。而湿度等其它因素对系统的影响比较小。

2  光伏发电系统的逆变器模型

在光伏发电系统中，逆变器的作用是实现直流电与交流电的转换，然后通过升压变压器将电压、频率、相位按照一定的规律进行整理，达到用户对电网的需要标准，同时提高了系统发电效率以及保护系统的功能。

因为是电流型逆变电路，故其输出电流波形接近于矩形波，且谐波幅值远小于基波。因基波频率接近负载电路谐振频率，故谐波在负载电路上产生的压降很小，因此负载电压的波形接近正弦波[2]。同时为解决电容、电感非线性元件导致的系统稳定性差的问题，本文在典型Ι型环节上提出了双闭环PI控制系统，增强了系统的抗扰性和稳态精度。在保持稳定的范围内对系统的各参数进行调整，使电流谐波最低。

3  光伏发电系统BP神经网络预测分析

3.1 BP神经网络简介

BP神经网络即Back Propagation，它首次提出于1986年。BP神经网络的训练就是将测试集用来训练，验证集代入每次训练后的输出，求其误差和，当训练误差的方差趋于 0 而验证误差的方差在不断增大时，算法即可以终止。当给定的数据首先进入输入层，接着在隐含层进行数据整定分析，输出预测的误差，然后在决在BP神经网络中，隐藏层的神经元与神经元之间拥有数据有选择方向传递，根据这种结构使神经网络能够体现动态时序。不同于前馈神经网络的多层反馈，BP神经网络通过自身的记忆可以处理任意的序列，从而使得数据预测、文段整理更便捷。

3.2 BP神经网络的故障诊断

BP神经网络光伏发电系统故障诊断方法是神经网络优化训练策略，首先筛选初始值，从多个神经网络初始值中选取性能较好的模型，采用BP优化算法进行平滑调和，使整个算法向好的方向发展;在一定程度上避免了初始值对神经网络性能的影响[3]。

对于故障诊断，本文主要针对系统短路故障和断路故障进行分析。通过采集初始数据对系统中所出现的故障进行分析，通过BP神经网络的模拟平台记录每一个故障的各变量的参数，并归纳到数据库，供下一次使用。

将采集的初始数据进行分类整理，组成输入输出样本数据集。对样本数据集进行预处理，检查样本数据是否缺失，删除错误数据并归一化。样本数据分为训练数据集与验证数据集，并重新存入数据库。

4  总结

本文针对现阶段普通控制器控制的光伏发电系统进行改善，同时运用BP算法，对影响光伏发电的典型天气情况进行了系统分析预测，形成了一套针对运行线路短路和断路的可靠故障诊断方法，减少了传统诊断建模复杂，运行缓慢的状况，其综合性能要远远好于其它网络模型。

参考文献

[1] 迟晨.光伏发电系统的RBF神经网络预测研究[J].数据库技术，2019.

[2] 王兆安，刘进军.电力电子技术[M].北京：机械工业出版社， 2009

[3] 俞瑋捷，刘光宇.基于BP神经网络的光伏系统故障诊断方法[J].杭州电子科技大学学报（自然科学版）， 2018， v.38;No.174（4）：56-61+93.

[4] 郑雪生，李春文，汤洪海，等.三相电压型逆变器的鲁棒跟踪双环控制器[J].清华大学学报：自然科学版， 2008（1）：145-148.