基于BP神经网络的光伏阵列故障诊断研究

崔艺梦 华北水利水电大学

1 引言

光伏发电是利用半导体界面的光伏效应将光能直接转化为电能的技术，它由三个主要部件组成：太阳能电池板、逆变器和控制器。将太阳能电池串联成大面积太阳能电池组件，然后与功率控制器等结合形成太阳能发电装置。作为整个光伏发电系统的心脏，光伏阵列的运行状况直接影响整个光伏发电系统的工作状态。对光伏阵列发电机组进行故障检测与诊断，可以及时有效预测和排除故障，增强光伏阵列发电机组工作的安全性，提高使用效率，降低维修成本，在避免重大事故上有着重要的安全意义。

随着人工智能技术及传感器技术的迅猛发展，机器学习与深度学习的应用研究为光伏阵列发电机组故障诊断提供了一种崭新的思路。BP神经网络较传统的前馈网络相比，是一种按照系统误差进行反向训练的多层前馈网络，它的算法亦可称做BP算法，其基本思想是利用降维梯度下降法，使神经网络的期望输出值与实际输出值误差的均方差为达到最小水平。较传统的人工经验故障诊断方法，基于BP神经网络的光伏阵列故障诊断方法具有非线性能力强、鲁棒性高、故障识别速度快、故障诊断处理结果准确等优点。

2 神经网络建模

与传统的故障诊断方法不同，人工神经网络是自适应和可以被训练的，它具有自适应能力，同时有对信息的并行处理及并行推理的能力，从原理上计算速度相对较快。基于人工神经网络的故障诊断不依赖精确的机理数学模型，参数调优水平较高、非线性及鲁棒性较好，鉴于此，BP人工神经网络在光伏阵列发电机组故障诊断中的应用可实现对光伏阵列发电系统的高效故障检测与故障诊断，并能有效提高光伏发电系统的工作效率。

基于BP神经网络的光伏阵列发电机组故障诊断模型的建立方法可归结为以下步骤：

1）光伏阵列发电机组故障特征值选择；

2）光伏阵列发电机组故障分类器设计；

3）光伏阵列发电机组故障样本数据处理；

4）BP神经网络训练。

2.1 特征选择

光伏阵列发电机组物理结构复杂，具有较复杂的非线性耦合关系，它的运行工况受到温度、光照、辐射热等诸多因素的共同影响，致使光伏阵列发电机组在运行过程中的故障形式多样化呈现。光伏阵列发电机组的多数故障现象都可在发电机组的电压信号、电流信号（统称电信号）中得以反映体现；最具代表性的电信号有最大功率点输出电流、最大功率点输出电压、短路电流和开路电压信号等四种故障监测信号，对上述四种电信号的实时监测也是光伏阵列设备故障诊断中最有效、最常用的方法。

光伏阵列发电机组的故障电信号分析可分为时域、频域分析两种方法，时域信号参数是电波形的统计信息，统计信息包含均值、方差、峰值、裕度因子、脉冲因子等因素。频域分析需要将光伏阵列发电机组的采集的电信号转换到频域。时域信号具有较强的实时性，因此这里选择光伏阵列发电机组的时域电信号作为特征信号。

2.2 分类器设计

分类器的概念是在已有故障数据的基础上构造出一个故障分类模型，该函数或模型能够把数据库中的故障数据纪录映射到给定故障类别中的某一个，从而可以应用于光伏发电机组故障分类。

故障分类器的构造和实施大体会经过以下几个步骤：

1）选定样本（包含正样本和负样本）。

2）在训练样本上执行分类器算法。

3）在测试样本上执行分类模型。

4）根据预测结果，计算必要的评估指标。

2.3 样本数据处理

首先定义光伏阵列发电机组的故障类型，定义4种光伏阵列发电机组的故障模式：老化、阴影、短路、开路，再加上光伏阵列发电机组正常状态共5种分类模式，编号如下所示。

编号1：老化 编号2：阴影 编号3：短路 编号4：开路 编号5：正常状态

采集光伏阵列发电机组的正常运转和4种故障模式下的电信号，并对电波行进行统计学处理。由于光伏阵列发电机组故障原因复杂，实际监测数据量大，直接用BP神经网络进行故障诊断，网络规模大，诊断效率比较低。结合相关的数据集处理算法，可以得到降维归一化的能量参数、峰值参数、波形参数、裕度参数、脉冲参数及峰度参数，形成一个5维向量每个参数收集两组故障分类模式的样本，共计10份训练样本。

2.4 BP神经网络训练

光伏阵列发电机组故障诊断BP神经网络的训练过程可分为以下几个步骤进行：

1）定义BP神经网络的结构和前向传播的输入、输出结果；

2）定义神经网络的损失函数以及选择反向传播优化权值算法；

3）生成优化会话并且在训练数据上反复进行反向传播优化算法。

训练好的BP神经网络故障诊断分类模式为5种，建立的BP神经网络如图1所示。

图1 BP神经网络模型

由图1可以看出，BP神经网络模型的输入层包含5个神经元，与光伏阵列发电机组故障模型的输入特征向量维数一致。径向基层包含10个神经元节点，每个节点对应一个输入的故障数据样本。隐含层包含5个神经元，代表光伏阵列发电机组的5种故障分类模型。输出层有一个，代表光伏阵列发电机组的故障类别。

3 光伏阵列发电机组故障诊断实现

基于BP神经网络的光伏阵列发电机组的故障诊断流程包括：定义样本（样本初始化）、样本处理（归一化、粗糙集处理）、创建故障模型、测试故障样本集、输出诊断结果。

1）定义样本：把光伏阵列发电机组的某次故障监测作为对象，对监测所得故障数据进行相关处理后，对应的故障类别作为信息表决策属性，形成故障初始化样本。

2）样本处理：对光伏阵列发电机组各故障特征样本数据进行相应的归一化、粗糙集处理，对诊断数据中的连续属性值进行离散化处理。

3）创建故障模型：以光伏阵列发电机组的故障特征样本数据作为训练好的BP神经网络模型的输入，以故障分类（如0、1、2、3、4）作为BP神经网络模型的输出，构造相应的BP神经网络，并对其进行学习及训练，优化神经网络相应的结构参数及权值。

4）测试故障样本集并输出结果：将光伏阵列发电机组故障测试样本输入神经网络进行检验，如达不到要求则返回步骤2）、3），直到输出结果满意为止。

4 结语

本文通过对BP神经网络的故障诊断及建模方法的分析，将基于BP神经网络的故障诊断方法应用于光伏阵列发电机组的故障诊断研究中。基于BP神经网络的故障诊断方法能有效对光伏阵列发电机组的电故障数据进行准确有效分类，为光伏阵列发电机组故障的初期诊断及电故障数据处理提供了一种切实有效的方法及途径，在实际工程应用中，也有着较高的工程参考价值。