基于时钟循环神经网络的光伏故障诊断

林永君，张世成，杨 凯，李 静

（华北电力大学，河北 保定 071003）

0 引言

在双碳背景下，太阳能光伏发电作为重要的可再生能源利用形式之一，其规模将继续保持快速增长。光伏阵列是光伏电站核心部分，由于裸露在室外环境中，容易受到雨水和高温的侵蚀，加之自身材料老化，容易出现多类型故障，影响光伏电站的经济效益及使用寿命。随着光伏电站规模的持续增大，传统运维模式难以实现对光伏组件故障进行实时准确的识别与定位［1］。针对以上问题，亟待开发具有高精度、可定位故障的光伏故障诊断平台。

针对光伏故障诊断问题，国内外学者开展了大量研究［2］，主要提出了四类故障监测方法：物理监测法、时序电压电流法、能量损失法和I-V 曲线法［3］。蒋琳等提出一种基于最小二乘法的光伏故障诊断策略，并结合灰度直方图的B 样条来处理红外图像，进而识别光伏热斑故障［4］；毛峡等人提出基于无人机系统能力的高频帧拍摄电致发光成像图，能够识别故障类型［5］；Dhimish 等人发明一种全新的过错检验算法，通过t检验统计分析方式能够判别被检测光伏在并网发电系统直流侧的故障，准确地检测并网光伏的各种故障类型［6］；华北电力大学张文军等人采用粒子群算法对光伏故障特征参数进行优化，基于长短期记忆神经网络对故障类型进行识别，与反向传播（back propagation，BP）神经网络算法进行比较，显示其有效性与准确率［7］；Madeti 提出基于最近邻准则的光伏串级故障检测诊断［8］，长安大学的李兆辉利用光伏阵列电压与电流建立了一种考虑半监督化的机器学习算法下的故障识别模型［9］；王元章等人在BP 算法基础上建立故障识别模型，采用开路电压、短路电流、最大功率点电压与电流作为神经网络算法的输入层，从而有效准确地识别故障类型［10］；Akram 等提出一种基于卷积神经网络处理光伏组件的红外热成像图片，来识别有缺陷的光伏模块［11］。陈华宝等人通过对光伏组件实际输出功率和内部等效参数模型所得最大输出功率理论值之差进行分析，提出一种基于功率预测的光伏组件阴影故障类型判定方法［12］；河北工业大学马纪梅等人采用多传感器法提取短路和开路故障特征，通过K 均值聚类算法的改进径向基函数（radial basis function，RBF）神经网络进行光伏故障诊断［13］。

随着“互联网+”领域方向的拓展，结合目前大数据驱动下数字化平台的大面积推广，针对光伏故障诊断运维监测的研究中，光伏故障监测与互联网数字运维的结合将成为趋势［14］。合肥工业大学团队采用Access 和VB 语言技术研制出一套并网光伏发电系统的数据采集装置和光伏监控软件［15］；广西大学利用仿真技术与模型能够匹配对应的模式对光伏阵列电站实现监测效果［16］；西安理工大学刘兴等人设计了基于数据传输单元（data transfer unit，DTU）三层架构的光伏阵列监测平台［17］。上述研究中，使用各种智能算法对光伏故障诊断研究已经愈发成熟，但是有些故障诊断方式只是对光伏故障进行识别，并未对故障位置进行定位，而Dhimish 等人虽对光伏故障进行识别与定位，但故障类型较为单一且精度相对较差，缺乏对光伏电站运维的故障有效的监控。

针对以上问题，提出采用CW-RNN 算法对光伏故障进行诊断与定位，并搭建光伏阵列故障诊断平台进行验证。通过MATLAB/Simulink，搭建光伏阵列仿真模型，模拟5 种典型不同故障仿真实验，采集不同类型故障光伏阵列输出电压、电流、功率以及逆变后的电压、电流等参数，提出一种基于CW-RNN的光伏故障诊断模型，搭建了包含底层、中间层和上层的光伏发电故障诊断平台，验证了CW-RNN 算法对光伏组件故障诊断的有效性和准确性。

1 光伏阵列输出特性

1.1 光伏电池数学模型

光伏发电的主要原理是半导体的光电效应。光伏电池板由众多P-N 结构成，电池板在太阳光辐射下，内部的P-N 结半导体发生反应，当外界负载接入时电路导通形成电流。光伏电池板其物理内部特性由众多P-N 结构成，结合材料物理以及电子学理论，可得光伏电池板数学模型［18］为：

式中：I为光伏电池输出电流；U为光伏电池输出的电压；Iph为光伏电池由太阳光激发而生成的电流；I0为反相饱和电流值；A为二极管理想因子；Rs为电池的等效串联电阻；Rsh为电池的等效并联电阻；q为电荷常数；K为玻尔兹曼常数；S为太阳辐射度；SSTC为标准状况下太阳辐射度；T为工作温度；TSTC为标准状况下组件温度；IO-STC为标准状况下二极管反向饱和电流；ui为电流温度系数。

1.2 光伏阵列系统仿真模型

依据光伏电池模型，在MATLAB/Simulink 中，以光照强度为1 000 W/m2，温度298 K 的标准环境下建立光伏电池仿真模型，如图1 所示。

图1 光伏电池板仿真模型Fig.1 Simulation model of photovoltaic panel

光伏阵列由多个光伏电池板串并联形成，每块电池板配备最大功率跟踪（maximum power point tracking，MPPT）控制器，MPPT 控制器通过扰动观察法进行最大功率跟踪，基于光伏电池仿真模型，搭建光伏阵列仿真模型。仿真模型共3 条支路并联，每条支路由4 个光伏组件串联。支路Ⅰ由PV1-PV4组成，支路Ⅱ由PV5-PV8 组成，支路Ⅲ由PV9-PV12组成，如图2 所示。

图2 光伏阵列发电仿真模型Fig.2 Power generation simulation model of photovoltaic array

1.3 光伏故障实验模拟

光伏电站多部署在地势较高的山坡或环境相对恶劣的地区，易导致光伏电池板出现故障问题，考虑当前研究中多种故障类型，选取开路、短路、局部遮挡、阴影遮挡和光伏热斑5 种经典的光伏阵列故障进行测试分析，基于所搭建的光伏阵列模型，模拟光伏阵列的各种故障，如图3 所示。

图3 光伏阵列故障模拟Fig.3 Fault simulation of photovoltaic array

光伏组件开路相当于光伏电池板与并网逆变器连接线断开，将光伏板串联一个无穷大的电阻R1模拟断路故障；光伏阵列组件的短路故障是输出线路相连接形成的，本文并联一个极小的电阻R2模拟短路故障；通过连接一个乘法器，设置不同光照强度，以0.3 倍和0.8 倍正常光照强度分别实现对局部遮挡和阴影遮挡的模拟；对于光伏热斑效应，将光照强度设定为900 W/m2、温度设定为80℃实现对光伏热斑故障进行模拟。然后对不同故障的光伏出力特性数据进行采集，得到出力特性曲线如图4 所示。

图4 不同故障下光伏阵列特性曲线Fig.4 Characteristic curves of photovoltaic array under different faults

由图4 可知，光伏阵列出现开路故障时，光伏阵列的最大功率点电压和开路电压基本不变，但由于最大功率点电流的减小，光伏阵列的功率会明显降低；出现短路故障时，光伏阵列的短路电流基本维持不变，开路电压下降较为明显，由于最大功率点电压的减小，光伏阵列的功率明显降低；出现遮挡故障时（阴影遮挡和局部遮挡），最大功率点的电压和电流出现明显下降趋势，功率-电压曲线最大功率出现峰上有谷现象，电流-电压曲线有多膝现象；出现热斑故障时，光伏阵列的最大功率点电压和开路电压有一定程度的下降，光伏阵列的功率也会随之降低。

2 故障诊断

2.1 CW-RNN神经网络算法

CW-RNN 为解决长期记忆的问题而对简单循环网格（simple recurrent network，SRN）算法框架实现了改进，CW-RNN 算法中间部分的隐含层被划分为了独立模块，每个模块实现自我的时间梯度计算，能够显著提高测试任务的效率问题，加快网络构建的速度，整体分为3 层架构，包括输入层、输出层和隐藏层，CW-RNN 神经网络原理如图5 所示。

图5 CW-RNN算法原理Fig.5 CW-RNN algorithm principle

计算t时刻的输出的计算公式为：

式中：WH、WI和WO分别为隐式、输入和输出权矩阵；x(t)为当时刻为t时的输入参数；均为参数矩阵，分别代表t时刻和t-1 时刻的隐含层的神经元激活函数；fH(.)和fO(.)为网络算法中的非线性激活函数矩阵。

2.2 软件架构

通过CW-RNN 算法对光伏阵列组件故障数据分析、特征参数提取，进行CW-RNN 算法网络训练，其采用算法流程如图6 所示。

图6 CW-RNN算法故障诊断流程Fig.6 CW-RNN algorithm fault diagnosis process

综合考虑，CW-RNN 模型输入为10 维，以6 个电压传感器输出的电压U1～U6、光伏阵列输出的电流Ipv、并网输出的电流Iabc、逆变并网功率Ppv和光照强度G共10 个元素作为输入参数。选择时钟周期性的更新和内部神经元的全连接方式来建立隐藏层模型，隐藏层的神经元数为32，算法模型的输出层设定为2 维，输出1 为光伏阵列故障类型（0～5 分别对应正常、开路、短路、局部遮挡、阴影遮挡、光伏热斑），输出2 为光伏阵列故障位置（1～12 分别对应3×4 光伏组件）。

3 光伏故障诊断平台搭建

光伏故障分析平台涉及底层数据库、可视化界面以及组态工具，光伏发电故障分析平台整体架构分为3 层，如图7 所示。中间层数据库系统采集光伏阵列各项参数，实现数据的存储、运维、查询等功能；底层则通过S-function 模块连接搭建的Simulink光伏阵列仿真模型或通过RS232 串口实现光伏阵列电池板实验设备通信；上层通过嵌套算法的计算引擎库，对光伏故障进行识别与定位，最终通过可视化界面展示［19］。

图7 光伏故障诊断平台框架Fig.7 Framework of photovoltaic fault diagnosis platform

3.1 数据库实现

基于MySql 开发的数据库，通过与顶层的可视化界面与底层的设备及仿真模型实时通信，给数据分析过程开发和实践提供一个数据化平台，在数据库的基础上，设计能量管理算法，故障诊断仿真平台可基于不同类型的光伏电站实现多类型算法的引擎库搭建，可实现自定义算法、算法周期管理、调试以及编译［20］。算法引擎库通过可视化界面设定输入和输出参数，完成算法诊断系统的运行。

平台诊断算法基于时序数据库搭建的数据通信体系，使用两种接口程序［21］。第一种考虑神经网络算法库，利用C#命令行，调用MATLAB 函数打包好的可执行DLL 文件，完成神经网络算法的调用；第二种C#语言直接连接程序文件路径，完成算法模型的调用。

计算引擎库搭建的算法引擎使用继承类搭建，可同时进行多类型的神经网络算法策略执行，搭建的计算引擎算法库模块能够实现在线调整、完善及模型周期性的设定，可方便后续算法的嵌入。

3.2 平台界面搭建

基于可视化组态平台，搭建光伏故障诊断界面，实现对光伏阵列实时参数的监控；界面设计包括依据时间记录的监控统计数据，如：光伏电站监控的实时数据、参数特性、所监控设备的状态量等，如图8所示，界面可对光伏阵列的光照强度G和温度T进行设置，模拟不同的故障特征，点击开始按钮可进行实验平台算法验证分析。

图8 平台可视化界面Fig.8 Visual interface platform

4 仿真与实验验证

4.1 仿真验证

依据所搭建的Simulink 模型，根据第1 节所分析故障类型，选取1 680 组的数据参数集，建立光伏阵列数据库。仿真模型的故障特征数据集设置如表1 所示。

表1 实验数据集设置情况Table 1 Experimental data set settings

以模型识别准确率和交叉熵损失函数L两个评价指标对光伏故障诊断效果进行评估，其数学表达式为

式中：L为实际故障类型值；yi为预测故障类型值；pi为预测故障类型值；n为时间序列。

由式（5）可知，损失值L值越小，分类效果越好。然后构建包含BP 神经网络算法和CW-RNN 算法的计算引擎库，分别对光伏阵列数据采取训练和验证过程，输入采用光伏阵列的特征参数，输出为故障类型和故障位置。

用户通过界面设置光照强度和温度模拟光伏故障，数据下控至Simulink 仿真模型，模型传回来的各故障特征参数传输至数据库作为计算引擎输入，设置训练数据集和验证数据集通过神经网络算法迭代。算法迭代过程中的模型损失值如图9 所示，CW-RNN 算法在迭代至2 000 次后，迭代结果的损失值降至精度要求，损失值约为0.024 1，BP 算法在迭代2 400 次后模型迭代结果的损失值为0.045 2。

图9 算法模型迭代结果Fig.9 Algorithm model iteration results

分别将训练集和验证集输入BP 算法模型和CW-RNN 算法模型中，验证模型算法对故障诊断的正确性，如表2 所示，CW-RNN 算法模型验证集的正确率为99.79%，相比较与BP 算法结果更为准确，有效验证了所提算法在光伏故障诊断的适用性。

表2 仿真模型算法结果Table 2 Simulation model algorithm results

4.2 实验验证

光伏阵列实验系统采用某大学校区一顶楼的光伏阵列测控实验系统，如图10 所示。该系统由顶楼32 块太阳能电池板，实验测控平台和后接负载组成，单块电池板额定功率为50 W，倾斜角度为48°，选取4 块参数相同、输出特性一致的电池板人为模拟故障类型，采用上位机实现与YCTR 实验平台搭建的XS128 单片机实现数据通信。

图10 光伏阵列实验平台搭建Fig.10 Photovoltaic array experiment platform

通过设置不同类型故障，将模拟故障的实际光伏阵列输出参数经数据库传输至计算引擎，实现CW-RNN 算法对光伏故障进行诊断。依据光伏实验电池板模拟的故障数据，采集得到2 000 组实验样本数据，每类故障数据集500 组，分别将样本集中的400 组作为训练集样本，100 组作为验证样本集，通过CW-RNN 算法模型进行训练和验证，对每类光伏电池板状态选取两组数据诊断结果显示如图11（a）所示，诊断结果符合实际故障类型，诊断有效。模型的训练结果和测试结果如图11（b）所示，故障诊断的准确度为99.59%，诊断结果满足实验精度要求，进一步得出本文建立的基于CW-RNN 算法的光伏故障诊断的有效性和准确性。

图11 CW-RNN算法故障诊断结果Fig.11 CW-RNN algorithm fault diagnosis results

5 结束语

依据光伏电池数学特性，在Simulink 环境下搭建光伏阵列仿真模型，模拟不同故障类型，提取仿真模型故障特征参数，通过CW-RNN 算法进行故障识别与识别。

搭建了包含BP 算法和CW-RNN 算法的光伏故障诊断平台，分别将分布式光伏发电测控实验平台和光伏仿真模型与实时数据库的通信，并在数据库底层嵌套计算引擎库，完成模型库搭建，实现故障分析的可视化展示。

基于搭建的光伏故障诊断平台，对模型故障的诊断与定位。通过可视化界面展示预测值与实际值的对比，CW-RNN 神经网络对光伏故障诊断的正确率与BP 相比，正确率提高了3.06%，测试集正确率达到99.79%，由仿真结果可证明CW-RNN 神经网络算法能对光伏阵列故障准确识别与定位，可快速对光伏电站进行日常维护，提高电站的效益。