基于T-S模糊神经网络的光伏组件在线健康诊断*

王福忠, 侯 奥, 张 丽

(河南理工大学 电气工程与自动化学院,河南 焦作 454000)

0 引 言

光伏(photovoltaic,PV)组件长期工作在室外恶劣条件下导致工况异常情况频发,影响发电效率,严重时可使组件损坏[1～3]。因此,需要一种经济高效的措施实现对PV组件[4,5]运行健康状况的实时诊断,及时发现是否存在异常,防止事故的发生和扩大,保证系统的可靠运行。

目前,国内外在对PV组件异常诊断方法中,文献[6]通过智能算法对光伏阵列进行诊断,但诊断类型较少。文献[7]获取特征向量需要额外设备且无法实现在线诊断。文献[8]中参数需要人工测量。文献[9]没有考虑环境因素。

针对上述问题,本文建立一种基于T-S模糊神经网络(Takagi-Sugeno fuzzy neural network, T-S FNN)算法的模型,通过分析组件异常工况下的输出特性选取特征向量进行处理后作为模型输入,使用模糊C均值(fuzzy C-means,FCM)选取适当初始值提高模型的收敛速度,改进自适应LM(improved adaptive LM,IALM)算法作为学习算法以提高模型精度,实现组件在线健康诊断且显示异常类型,最后通过仿真验证本文模型的精确度及实用性。

1 PV组件异常类型与特征参数选取

1.1 异常类型

PV组件内部结构与异常示意如图1所示。

图1 PV组件内部结构及异常示意

本文以某PV组件为例,该组件由60块单体电池串联而成,每20个电池片并联一个旁路二极管起保护作用。通常组件异常情况有电池片短路、EVA变黄、老化、阴影、出线绝缘降低等[10]。

1.2 特征参数选取

组件的U-I曲线在异常运行与正常运行时差异较大,蕴含大量异常特征,且组件易受外界因素影响,因此，对组件相同外界条件下同异常不同程度运行的U-I曲线分析,如图2所示。

图2 同异常不同程度运行状态下的U-I曲线

由图2分析可知,在相同的光照强度(S)及温度(T)条件下，组件外部电气参数随着异常程度加深的变化情况如表1所示。表1中，“↓”代表参数下降,“-”代表参数无明显变化。

表1 外部电气参数变化情况

在实际运行中，PV系统内带有直接采集最大功率点电压(Um)、电流(Im)数据的功率变换器,而开路电压(Uoc)、短路电流(Isc)需要额外仪器获得,故采用式(1)对Um和Im进行处理,式(1)中Uoc-r和Isc-r为标准测试条件下的组件开路电压和短路电流

U*=Um/Uoc-r,I*=Im/Isc-r

(1)

为区分因环境因素造成模型的误判,将处理后的电压U*和I*电流以及S和T作为PV组件健康诊断模型的输入。

2 基于T-S FNN的PV阵列健康诊断模型构建

PV组件没有精确的特征量变化标准来衡量是否出现异常,存在一定的模糊性。而T-S FNN结合非线性映射的神经网络以及进行知识推理的模糊逻辑,实现模型自动更新且能够对输入量进行模糊处理[11]。T-S FNN结构如图3所示[12],主要分为前件网络和后件网络两大部分。

图3 某PV组件的T-S FNN工作状态诊断模型

1)前件网络

输入层：由上节确定本文模型输入特征向量为：U*,I*,S,T。为消除输入参数量纲,需对其进行归一化处理

(2)

式中Xn为归一化后的数据,xn为原始数据,xmax和xmin为原始数据中的最大值和最小值。

(3)

式中i=1,…,N;j=1,…,M。cij和bij分别为第i个输入的第j个高斯函数的中心和宽度,M为隶属函数个数,N为输入样本总数。

模糊规则层：计算每条规则的激活度。每节点对应一条模糊规则,有MN个节点

Tk=μ1s1j…μNsNj

(4)

式中k=1,…,MN;s1j∈{1,2,…M},…,sNj∈{1,2,…M}。

规则归一化层：对输入参数规则激活度的释放,节点数与上一层相同。该层节点输出为

(5)

2)后件网络

本文设计诊断异常类型有五种,故T-S FNN模型后件网络由五个结构相同的子网络并联构成,每个子网络由三层组成。

输入层：与前件网络第一层相同但第0个节点输入值为1(提供常数项)。

规则后件层：每个节点输出的是每一模糊规则的后件,为输入层通过连接权值ρ连接求和输出。有MN个节点

(6)

式中k=1,2,…MN;O=1,2,…,5。

输出层：子网络的最终输出结果。计算如下

(7)

得到每个子网络的最终输出后,对5个子网络的输出做出定义如表2所示。

表2 健康诊断的输出定义

3 基于T-S FNN的PV阵列健康诊断模型的优化

3.1 基于模糊C均值的隶属函数初始化

本文使用FCM确定T-S FNN参数初始值。给定的数据集X分为M类,第j类的聚类中心为Pj(j=1,2,…,M),μi(xi)为第i个样本对应第j类的隶属度函数。则FCM可表述为

(8)

式中N为样本组数,b为加权指数。对μj(xi)和Pj求偏导并等于0可得Ef达到极小值的必要条件为

(9)

Dj=|Pj-j|/γ,j=1,2,…,M

(10)

3.2 基于LALM算法的隶属函数参数学习

LALM是LM的改进算法,在具有局部收敛速度快、求解误差小特性的基础上,计算更简便且可根据输出误差来调整学习系数,LALM参数更新规则采用[13]

θ(t+1)=θ(t)-(ψ(t)+η(t)I)-1Ω(t)

(11)

式中θ(t)=[b(t),c(t)]T为需要更新的参数向量,I为防止矩阵求逆出现奇异的单位阵。ψ(t)为准海森矩阵,Ω(t)为梯度向量,η(t)为自适应学习率。η(t)规则如下

η(t)=α‖e(t)‖+(1-α)‖Ω(t)‖,0<α<1

(12)

式中e(t)=[e1(t),…,ep(t)]T为误差向量,P为样本总数,对第p个样本ep(t)定义为期望输出与网络输出之间的差值为

ep(t)=ydp(t)-yop(t)，p=1,2,…,P

(13)

式中ψ(t)和Ω(t)为所有样本子矩阵φp(t)、子向量ωp(t)的累加和,如式(14)、式(15)所示

(14)

(15)

(16)

根据T-S FNN采用的梯度下降学习算法,式(16)中对于第i个学习样本雅可比矩阵行向量对应元素的值如式(17)、式(18)所示

(17)

(18)

3.3 改进模型流程

本文通过FCM算法解决T-S FNN模型因初始值选取不当造成收敛速度慢的问题,采用LALM算法使得模型输出精度更高,最终建立的健康诊断模型流程示意如图4所示。

图4 基于T-S FNN健康诊断流程示意

4 仿真验证

4.1 样本数据的选取

本文使用的PV组件型号为Auxin Solar AXN-P6T210(Uoc-r=35.9 V,Isc-r=7.6 A,Um-r=29.64 V,Im=7.09 A)通过软件仿真搭建组件模型,采集外界环境参数光照强度S在1 000～500 W/m2以及温度T在40 ℃至5 ℃的特征参数,如表3所示。

表3 模型数据选取

4.2 仿真验证

在结果中以短路异常工况下三种诊断模型的训练误差曲线为例进行说明,如图5所示。

图5 训练误差变化

从图5中可以看出,T-S FNN模型在迭代200次后趋于稳定,总误差值为45。FCM初始化后模型在迭代70次后趋于稳定,总误差值为45。本文模型迭代70次后趋于稳定且误差值减小为23。

4.3 诊断结果与分析

经过990组特征参数训练后,剩余110组测试数据的诊断输出如表4所示。

表4 模型诊断输出结果

本文模型与T-S FNN模型输出误差对比如图6所示。

图6 改进算法与传统算法输出误差

结合表4和图6可知：1)本文模型诊断准确率能保持在94 %,正确率较高且诊断误差很小。2)T-S FNN模型的正确率仅为36 %,误判率较高且诊断误差较大。3)本文模型能够有效地对光伏组件异常进行诊断,比传统T-S FNN模型的诊断精度提高了58 %。能够实现PV组件异常情况在线健康诊断的准确性、高效性。

面对越往后监督执纪越严的新形势，执纪审查调查工作对纪检监察干部的能力、素质和要求也越来越严、越来越高。随着《中华人民共和国监察法》的颁布实施和监察委的成立，监察对象的数量持续增长、监察对象的范围进一步扩大。面对全新形势、任务和挑战，少数干部适应全新工作环境和驾驭复杂问题的工作能力不足。一些干部“本领恐慌”、担当不足、主动创新和谋划工作不够，致使在推动和落实工作时，未能取得最佳成绩。

5 结 论

1)为了能够实现光伏PV组件的在线诊断及避免外界环境造成模型的误判,选取经处理后的PV组件电压U*,电流I*,S和T作为诊断模型输入。

2)建立了基于T-S模糊神经网络的PV组件在线健康诊断模型,实现了光伏组件短路故障、EVA变黄、老化、阴影、出线绝缘降低等异常工况的在线健康诊断。

3)采用FCM作为模型初始化算法,IALM作为模型学习算法,提高了模型的收敛速度与输出精度。

4)基于仿真结果分析得到,模型对于组件的健康诊断精度可达到94 %,满足对PV组件实时监控并显示异常类型的要求。