基于BP神经网络的故障光伏组件输出功率预测

杨 磊，高德东*，孟广双，王 珊

(1.青海大学机械工程学院，青海 西宁 810016； 2.唐山工业职业技术学院，河北 唐山 063299)

光伏组件经过一段时间的发电运行会产生热斑、裂纹等故障，而故障的产生会降低组件的输出功率，光伏组件长时间处于故障状态下，可能产生烧结，甚至引发火灾，因此对故障光伏组件的输出功率进行预测具有重要意义。光伏组件输出功率预测模型的建立，可以归纳为以下两类：一是基于电站历史数据建立预测模型。丁明等[1]结合光伏发电系统的历史输出功率和气象信息的短期输出功率，运用改进BP神经网络建立预测模型。王思睿等[2]在历史发电量和气象信息数据的基础上，加入电池板温度作为参考，分析了光伏发电系统输出功率的影响因素，建立了弹性自适应BP神经网络预测模型。陈昌松等[3]在历史发电量数据和气象数据基础上，加入天气预报信息作为参考，建立了BP神经网络的光伏阵列预测模型。虽然基于电站历史数据建模的方法不需要测量太阳辐照强度，但需要光伏发电系统的历史数据作为模型的参数。二是基于太阳辐照度建立预测模型。朱永强等[4]采用最小二乘支持向量机的方法，结合太阳辐照强度、温度、季节以及日类型等因素建立了光伏功率预测模型。Yona等[5]采用前馈神经网络、径向基函数神经网络、递归神经网络三种不同的人工神经网络对太阳辐射强度进行预测，从而对光伏发电系统输出功率进行预测。Chakraborty等[6]采用每小时的太阳辐射强度、湿度、温度等因素作为输入构建神经网络模型。虽然基于太阳辐照度建立模型是一种有效的功率预测方法，但是此方法缺少电站数据的支撑。上述研究是在输入数据的基础上对正常光伏组件的短期输出功率进行预测，针对故障光伏组件输出功率的预测不多。因此，本文在辐照度、环境温度的基础上，加入光伏组件故障面积和串联光伏组件个数作为输入参数，建立BP神经网络预测模型，对故障光伏组件的输出功率进行预测，以达到及早排除故障组件的目的。

1 预测模型的输入

影响光伏阵列输出功率的因素很多，环境温度、辐照度、天气、季节、湿度等的影响都会造成输出功率的波动，光伏阵列的安装角度、阵列面积、转换效率等也会对输出功率产生影响。如果将所有影响因素都加入预测模型的输入中，会使模型变得复杂且运算速度明显降低，因此有必要提取出对光伏阵列输出功率影响较大的因素作为预测模型的输入[7]。

光伏阵列的输出功率计算公式为：

PS=ηSI[1-0.005(Tc+25)]

(1)

式中：η为光伏阵列的转换效率，S为光伏阵列面积，I为太阳辐照强度，Tc为环境温度。

在进行光伏阵列的输出功率预测时，光伏阵列的转换效率等参数是固定的。因此，本文选择BP神经网络预测模型的输入时，转换效率和安装角度等因素可以不考虑。但辐照度、环境温度对光伏阵列输出功率产生的影响不容忽视。

光伏发电的原理是太阳能的光生伏特效应，即太阳能电池板吸收太阳辐射能量，将太阳能转换为电能，因此，辐照度对光伏阵列输出功率有很大的影响。用Simulink对额定功率为213.15 W，短路电流为7.84 A，开路电压为36.3 V的1Soltech 1STH-215-P组件组成的40×10的光伏阵列进行仿真，生成关于环境温度、辐照度对输出功率影响的曲线图(图1、图2)。

1.1 辐照度对光伏阵列输出功率的影响

由图1可知，当环境温度为25 ℃时，在I-V曲线中，随着电压的增大，电流基本不变，当电压达到开路电压时，光伏阵列的电流大幅降低，且辐照度越高，电流越大，下降幅度也越大。在P-V曲线中，每条曲线都有峰值点，即最大功率点，且辐照度越高，光伏阵列的输出功率越高。因此，可将辐照度作为BP神经网络预测模型的输入参数。由于季节、天气等外界环境的影响因素与太阳辐照度息息相关，因此本文将其归为辐照度的范畴来研究。

1.2 环境温度对光伏阵列输出功率的影响

当处于标准辐照度(1 000 W/m2)且环境温度变化时，光伏阵列的I-V，P-V曲线如图2所示。由图可知光伏阵列的电流基本不受环境温度的影响，但光伏阵列的输出功率受温度变化的影响，且电压达到一定值时，随着温度的升高，输出功率降低。因此，结合环境温度对光伏阵列输出功率的影响，选择环境温度作为BP神经网络预测模型的输入参数。

1.3 故障程度对光伏阵列输出功率的影响

对于额定功率为0.125 kW，短路电流为1.74 A，开路电压为100.9 V的光伏组件，当辐照度为300～400 W/m2，温度为30～35 ℃时测量其在不同故障程度下的电压、功率，得到不同故障面积下光伏阵列P-V曲线。由图3可知，故障面积越大，光伏组件输出功率越小。因此，将故障面积作为BP神经网络预测模型的输入，分析故障程度对光伏阵列输出功率的影响。

2 预测模型的建立及改进

本文建立BP神经网络预测模型的目的是预测单片故障光伏组件的输出功率，即针对光伏组件的故障大小预测其输出功率，判断此片光伏组件是否仍能正常工作。对于输入中串联组件个数是单片故障光伏组件的情况，模型的预测功率即单片故障光伏组件的输出功率；对于输入是串联多片光伏组件的情况，模型的预测功率是所有串联光伏组件的输出功率。因此，需要对串联多片组件的模型预测功率进行进一步处理，如将模型的预测功率值减去其余正常组件的功率值，即得到单片故障组件的功率值，再根据故障组件的输出功率与正常组件的输出功率进行对比，判断此片故障光伏组件是否仍可继续使用。因此，本文建立BP神经网络预测模型以便及时对故障程度较大的光伏组件进行更换，提高电站工作效率并防止安全隐患的产生。

2.1 BP神经网络预测模型的建立

BP神经网络一般具有输入层、输出层、隐含层三部分组成，本试验建立的BP神经网络基本结构如图4所示。BP神经网络可以自动地从数据中获取到合适的权重参数，有较好的容错性[8]。

为确定基于BP神经网络的光伏组件输出功率预测模型，首先要明确输入层节点数、输出层节点数以及隐含层节点数。为研究光伏组件故障对其输出功率的影响，输入变量确定为4个，如表1所示。

表1 预测模型的输入变量Tab.1 Input variables of prediction model

(2)

即建立的神经网络模型含有约5个隐含层节点。

2.2 激活函数的确定

神经网络需要激活函数来对输入信号的总和进行处理，而用作激活函数的函数最好具有关于原点对称的性质[10]。BP神经网络的常用激活函数有sigmoid函数、Relu函数和purelin函数，sigmoid函数又包括logsig函数和tansig函数，其中关于原点对称的有tansig函数和purelin函数。因此，本文选用图像关于原点对称的tansig函数和purelin函数作为激活函数，如图5所示。

上图是对BP神经网络预测模型每一层的工作原理进行图形化。该模型含有4个输入参数，在第一层隐含层进行输入参数与权重的加权和从而得到输出，并通过激活函数对输出进行处理，将处理后的结果传递给第二层隐含层，以此类推，最终得到输出层的1个输出参数。

2.3 BP神经网络预测模型的改进

BP神经网络在其网络理论和性能方面已比较完善，但仍有容易陷入局部极小值、收敛速度慢的缺陷。针对BP 神经网络算法的缺陷进行改进的方法归纳为两类：一是基于数值优化算法的改进，如比例共轭梯度法(Scaled Conjugate Gradient，SCG)，列文伯格马夸特法(Levenberg-Marquardt，LM)等，这种改进可以弥补传统的梯度下降法易陷于局部极小值的缺陷；二是提高训练速度的改进，如增加动量项，改变学习率等，这种改进方式可以改善网络模型收敛速度慢的缺陷。本文对比LM算法和SCG算法两种改进方法在预测模型上的改进效果，完成了对BP神经网络算法缺陷的改进。

(1)LM算法。LM算法是介于牛顿法与梯度下降法之间的一种非线性优化方法，其迭代公式为式(3)，LM算法可改善梯度下降法中误差在迭代过程中总是沿着负梯度方向下降的缺陷，使误差沿着上升的方向进行搜索，它的每次迭代是为了寻找一个合适的阻尼因子μk，改善神经网络容易陷入局部极小值的缺陷。

xk+1=xk-[JT(xk)J(xk)+μkI]-1JT(xk)v(xk)

(3)

(2)SCG算法。SCG算法是改进了共轭梯度算法线性搜索步长的方式，使其可以精确计算步长，同时，该算法还考虑到了Hessian矩阵的正定型。

(4)

式(4)中，通过调节λk，对搜索步长的大小进行调节。

3 预测模型的结果与分析

3.1 预测模型的评估方法

对神经网络发电预测模型的评估方法有很多种。常见的有均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方误差(MSE)。本文选用均方误差(MSE)和平均绝对百分比误差(MAPE)对其进行准确性评估，公式如式(5)和式(6)所示[10]。

(5)

(6)

3.2 SCG算法与LM算法对比

图6为SCG算法改进的预测模型与LM算法改进的预测模型误差分析图。LM算法的误差波动范围基本维持在±0.02之内，SCG算法的误差波动范围基本维持在±0.04范围内，且波动较大。两种改进算法的均方误差衰减图如图7所示。由图可知，SCG算法改进的预测模型共训练50次，在训练次数达到44次时，BP神经网络预测模型的性能最理想，其实际误差为0.000 856 8。LM算法改进的预测模型共训练47次，在训练次数为41次时，BP神经网络预测模型的性能最理想，其实际误差为0.000 076 367。

神经网络训练模型的目标误差为0。结合图6和图7可知，LM算法改进的模型误差更接近于0，准确性更高。因此，本文对故障光伏组件的分析是基于LM算法改进的预测模型进行的。

3.3 预测模型准确性的评估

预测模型的准确性对于光伏组件输出功率的预测具有重要意义。将故障程度不同的光伏组件进行分类(表2)，用平均绝对百分比误差和均方误差对BP神经网络预测模型进行准确性评估，分析了光伏组件在不同故障程度下，该预测模型是否可以准确预测光伏组件的输出功率。由表2可知，无论故障面积多大，验证预测模型准确性的平均绝对百分比误差范围都在4%以内，均方误差也在0.01%之内。

表2 不同故障程度下光伏组件对预测模型准确性的评估Tab.2 Accuracy evaluation of BP neural network prediction model for PV modules under different fault degrees

4 讨论与结论

本文对故障光伏组件进行遮光模拟热斑实验，建立以辐照度、环境温度、光伏组件故障面积和串联光伏组件个数作为输入，以光伏组件的输出功率作为输出的BP神经网络预测模型。与朱永强等[4]建立预测模型的方法不同，该预测模型在辐照度的基础上，加入了实时输出功率作为参数，改进了只基于辐照度建立预测模型而不将输出功率作为参数的问题。BP神经网络有容易陷入局部极小值、收敛速度慢的缺陷，针对BP神经网络的缺陷，本研究对比了LM算法和SCG算法两种改进方法在预测模型上的改进效果，根据结果可知，LM算法改进模型比SCG算法改进模型的预测效果更好，LM算法改进模型的平均绝对百分比误差在4%之内，均方误差在0.01%之内。因此，用该预测模型对故障光伏组件的输出功率进行预测是可行的。