基于VMD-LSTM的太阳能光伏组件故障检测方法

毕润敏，宋国雄，程前华

（1. 云南电网有限责任公司丽江供电局，云南 丽江 674100；2. 云南电网有限责任公司研究生工作站，云南 昆明 650217）

0 前言

随着全世界化石能源的持续性消耗和生态系统的恶化，全球各个国家已然将新能源发电作为主要的发电方式。太阳能作为一种清洁且环保的能量，将其作为光伏发电的能量来源在近年来得到了全球关注并加以利用，所以现如今的光伏发电发展呈上升趋势。另外，在我国光伏电站的装机规模逐年递增的趋势下，截至2019 年底，光伏发电装机容量已累计达到了204.3 GW。

针对于我国的地貌情况，光伏发电场通常优先建设在太阳能丰富的西北部地区，但是该地区大部分为沙漠、高原等条件恶劣，在这样的条件下，光伏组件就会被受到有害影响，从而导致光伏组件发生故障的可能性变大；并且在这种环境条件下，人类的生活更为艰苦，所以对其进行运维操作的难度加大，周期变长，从而导致该地区光伏发电场的发电量降低。根据最新信息，地区不一样，环境不一样的光伏发电场每年的输出功率下降率在0.6% ～1.0% 之间，这极大影响了整个光伏电站的发电能力[1]。文献[2]所提出的一种基于SP 结构的光伏组件故障诊断方法，主要是依靠变化的光伏组件电压来计算出光伏组件所发生故障的区域范围，从而对光伏组件的故障点进行定位。文献[3]通过对上述文献提及方法进行优化，并且提出了重构拓扑结构，先是通过在各个光伏组串内部都进行电流传感器的安装，其次对所得出的电流值进行初步的训练并检查，最后就可以对光伏组件的故障进行更为精确的定位。文献[4]提出了基于SP 结构的基础上对光伏阵列进行分区域评估，通过对每一个光伏组件区域的电压值的变化范围的不同来进行故障的精确定位。文献[5]通过利用TCT 结构基础从而构建了CTCT 结构，并且提出了一种基于CTCT 结构的新的光伏组件故障诊断方法，具体方法就是通过对串联的光伏组件进行每两排之间加装m层的电流互感器，然后通过所安装的电流互感器所测的电流数值进去故障区域定位的确定。文献[6]通过构成由TCT 结构和SP 结构所组成的CTCT 结构，从而得到基于CTCT 结构的新的光伏组件故障诊断方法，该方法主要是针对于现如今的光伏阵列不断增加的形势，利用该方法可以使传感器的数量减少至以往的50%～80%。上述光伏组件的故障识别定位方法都只能进行简单的故障定位操作，但是并无法通过上述方法进行所发生故障的类型。然而在文献[14]作者提出基于SN-TCT 结构的光伏组件故障诊断方法，该诊断方法通过对环境信息与传感器信息进行精密结合，从而使故障模式的识别能力得到提升，最终提高了光伏组件的故障定位准确率。

除此之外，随着我国计算机的发展，文献[7]提出了时序卷积神经网络，该神经网络与现如今已经成熟的时序深度学习模型如RNN、LSTM、GRU 等，有着很好的先进性，特别是在对时间序列数据预测问题进行处理方面表现良好。而光伏电站电流数据的本质就是时间序列数据，同时因为现如今的光伏组件一般是在环境十分恶劣的条件下，所以数据的采集设备存在精度不够的问题，另外在数据的传输上，设备也存在老化的不良现象，所以，实验所需要的电流数据就存在大量的噪声问题。文献[8]中提出了震动信号，光伏电站支路电流数据也是叠加了复杂表现特征和高噪声的信号，而噪声会对时序卷积神经网络学习性能产生重要负面影响。文献[9]提出一种软阈值化的时序卷积神经网络(Soft Thresholding Temporal Convolutional Network，ST-TCN)光伏组件故障诊断模型，该方法收敛速度快，而且故障诊断准确率高。

综合上述方法，本文提出了一种基于变分模态分解（VMD）和长短期记忆网络（LSTM）结合的太阳能光伏组件故障检测方法。首先分析了不同运行工况条件下的特性曲线并采集正常与故障时的电压、电流信号，利用VMD 对所采集的信号进行自适应分解为K个IMF 分量。然后把IMF 分量输入训练好的LSTM 神经网络进行故障检测。最后，在PSCAD/EMTDC 中建立仿真模型并验证本方法的可行性与准确性，结果表明该方法可以用于光伏组件的故障检测，并且准确率高。

1 光伏电池建模与故障分析

太阳能光伏电池是一种利用光生伏特效应将光能转化为电能的元件，通常由若干个光伏电池单体串联封装成光伏组件，并组装成光伏阵列。本文针对光伏阵列进行建模及典型故障分析。

1.1 光伏组件的建模

光伏组件中的光伏电池物理特性可由两个二极管电路模型进行描述。两个二极管电路模型是由电流源、并联二极管和串并联电阻组成，如图1 所示。

图1 光伏电池双二极管等效电路模型

本文通过在PSCAD 中进行光伏组件的模型建立，搭建了由4 个光伏阵列并联的光伏电池，每个光伏阵列由10 个模块串联，然后通过250个模块进行并联。所搭建的光伏阵列模型如图2所示。

图2 光伏阵列模型

1.2 正常运行时光伏组件输出特性

光伏阵列输出特性既受其自身属性影响，同时还与其所处的环境条件紧密相关。图3 是温度为30℃时光伏阵列模型随辐照度变化输出特性曲线。由图3 可以看出，随着辐照度的下降，光伏阵列的短路电流（Isc）呈线性下降，其开路电压（Voc）则呈现非线性下降的态势，其最大功率（Pmax）随着辐照度的下降而减小，而最大功率点电压基本保持不变。

图3 温度为30℃时光伏阵列模型随辐照度变化输出特性曲线

1.3 光伏组件故障输出特性

光伏阵列是光伏发电场的主要设备之一，整个光伏发电系统的运行状态与运行是否稳定都与光伏阵列的运行状态紧密关联。但是现如今的光伏组件的组成结构非常复杂，从而导致缺陷难以被发现，另外光伏组件长期暴露在室外环境进行运行，时间越长导致故障的几率就会呈上升趋势。通过对已有的光伏电站的运行情况进行分析，发现光伏阵列之中经常发生开路、污垢、阴影、着色等故障。当发生故障时，光伏发电系统的效率就会出现下降趋势，从而使能量损失，另外当故障严重的时候可能会造成组件损坏，从而导致火灾的严重安全事故。

在现如今的光伏组件故障类型中，常见的有开路、短路、退化、阴影、旁路。本文通过对这几种故障进行仿真得出了光伏组件在每个故障中的P-V 图和V-I 图，如下图所示

图4（a）描述了在正常情况下以及开路、短路、退化、三类阴影、旁路二极管失效的情况下电压和功率的输出关系，可以看出随着电压值的增大，功率也随之增大，当发生某一故障时，功率发生变化，然后按照故障后的电压功率特性输出。图4（b）所描述的是在正常情况下以及开路、短路、退化、三类阴影、旁路二极管失效的情况下电压和电流的输出关系，可以看出电流值随着电压值的增大先保持不变到一定数值时再开始减小。当发生某一故障时，电流发生变化，然后按照故障后的电压电流特性输出。

图4 温度为30℃时光伏阵列故障电压电流故障输出特性

2 基于VMD-LSTM的故障检测方法

2.1 变分模态分解

变分模态分解(VMD)是一种自适应、完全非递归的模态变分和信号处理的方法[10]。将原始信号分解成K个本征模态IMF 分量，保证分解序列为具有中心频率和有限带宽的IMF 分量。构造的约束性变分表达式为：

式中：K为模态分量个数；uk为变分模态分解到的第k个IMF 分量；ωk为第k个IMF 分量的中心频率；δ(t)为单位脉冲函数；f为原始信号。

2.2 长短期记忆网络

长 短 期 记 忆 网 络（Long Short-Term Memory，LSTM）在波动性较大的时间序列数据建模方面表现更为优异。其实质是对RNN 的循环层神经元进行改造，LSTM 内部由循环连接的子网组成，内部神经元之间互相连接，传统神经网络只能将当前输入数据映射到输出，LSTM 处理数据时可以将当前时刻信息和过去全部历史信息共同作为输入，并在一定程度上克服了RNN 梯度消失的问题，大幅度提高了网络的识别准确率[11]。

LSTM 中的重复模块则包含四个交互的层，三个Sigmoid 和一个tanh 层，如图5 所示，并以一种非常特殊的方式进行交互，这样的设置有助于更新或忘记信息。图5 中，σ表示Sigmoid 激活函数，其作用是将值压缩到0～1之间；tanh 表示tanh 函数，其作用是将值压缩到-1～1 之间。

图5 LSTM结构图

2.3 模型参数设置

本文采用的VMD 分解算法需预先设置分解模态数K、惩罚因子α以及收敛容差tol。当K取值过大时会出现过分解现象，故障信息分解不充分；当K取值过小时，会产生一些无用的虚假分量，结果的误差较大。当α取值很大时，模态极值变小，可能被高斯噪声干扰淹没故障信息，导致被分解的信号中某些信号丢失；当α取值很小时，模态极值变大，会导致某些故障分量信号中包含着其他分量信号，结果误差较大；收敛容差是优化的停止准则之一，即在连续两次迭代中，当向IMF 收敛的绝对平均平方改进小于tol 时，优化停止。通过大量仿真实验，当本文取K=6、α=3000 和tol=1e-6 时，VMD分解效果最优。具体参数设置如表1 所示。

表1 模型参数

2.4 模型训练

将VMD 提取的初步特征输入到LSTM 中能够更好地挖掘时间序列数据中更深层次、更抽象的特征，能够充分发现数据样本之间的相互关系，大幅度提高模型的识别准确率[12]其网络结构图如图6 所示。

图6 VMD-LSTM网络结构图

本文采样频率设置为20 kHz，故障发生时刻为1 s。采样点个数为100，由于输入量X中各数值之间差异较大，为了提高网络对故障区域的识别精度，采用式（3）所示的归一化方法对输入量X进行归一化处理[13]。

式中，xi为故障输入量X 中的数据点，为归一化后故障输入量X 中的数据点。

本文在PSCAD 平台中进行故障仿真，生成1200 组训练样本，对VMD-LSTM 网络模型进行训练，训练结果如图7、图8 所示。

图7 训练集损失值曲线

图8 准确率变化曲线

由图7、图8 可知，准确率随着迭代次数的增加而提高，当迭代次数达到200 次以上，准确率趋近于1，损失值接近为零。

3 仿真验证分析

在PSCAD/EMTDC 中利用所搭建的光伏阵列输出特性仿真模型，在辐照度为（300 W/m2、1200 W/m2）、温度为（25 ℃,50 ℃）范围下进行仿真。主要采集6 种运行状态下的光伏阵列Voc、Isc值，每种运行状态均采集200 组数据，并随机提取其中3/4 的数据样本作为训练集，其余1/4 的数据样本作为测试集，即共采集1200组数据样本。

本文将故障电压、电流信号作为VMDLSTM 网络的输入量，即X=[Voc Isc]。为实现故障类型的检测，本文VMD-LSTM 网络设计6个输出结果，输出量为Y=(y1,y2,y3,y4,y5,y6)，故障发生时，检测结果如表2 所示。

表2 VMD-LSTM测试结果

4 结束语

本文提出了一种基于VMD-LSTM 的光伏组件故障检测方法，主要会实现对光伏组件正常运行、开路故障、短路故障、阴影遮挡故障等6 种状态进行检测。建立了基于VMD-LSTM 的故障诊断模型，通过在PSCAD/EMTDC 中建立仿真模型，采集不同运行工况下光伏组件的电压电流数据集，对所构建的模型进行训练。然后将测试集数据输入VMD-LSTM 模型，实现光伏组件的故障检测。主要结论如下：

1）该方法相对于传统方法在故障检测准确性和鲁棒性方面具有显著的改进；

2）使用VMD 分解可以指定想要得到的模态数，有效避免模态混叠，对故障信号可以实现更好的分解，以提取更有效的故障特征。