基于時鐘循環神經網絡的光伏故障診斷

林永君，張世成，楊 凱，李 靜

（華北電力大學，河北 保定 071003）

0 引言

在雙碳背景下，太陽能光伏發電作為重要的可再生能源利用形式之一，其規模將繼續保持快速增長。光伏陣列是光伏電站核心部分，由于裸露在室外環境中，容易受到雨水和高溫的侵蝕，加之自身材料老化，容易出現多類型故障，影響光伏電站的經濟效益及使用壽命。隨著光伏電站規模的持續增大，傳統運維模式難以實現對光伏組件故障進行實時準確的識別與定位［1］。針對以上問題，亟待開發具有高精度、可定位故障的光伏故障診斷平臺。

針對光伏故障診斷問題，國內外學者開展了大量研究［2］，主要提出了四類故障監測方法：物理監測法、時序電壓電流法、能量損失法和I-V 曲線法［3］。蔣琳等提出一種基于最小二乘法的光伏故障診斷策略，并結合灰度直方圖的B 樣條來處理紅外圖像，進而識別光伏熱斑故障［4］；毛峽等人提出基于無人機系統能力的高頻幀拍攝電致發光成像圖，能夠識別故障類型［5］；Dhimish 等人發明一種全新的過錯檢驗算法，通過t檢驗統計分析方式能夠判別被檢測光伏在并網發電系統直流側的故障，準確地檢測并網光伏的各種故障類型［6］；華北電力大學張文軍等人采用粒子群算法對光伏故障特征參數進行優化，基于長短期記憶神經網絡對故障類型進行識別，與反向傳播（back propagation，BP）神經網絡算法進行比較，顯示其有效性與準確率［7］；Madeti 提出基于最近鄰準則的光伏串級故障檢測診斷［8］，長安大學的李兆輝利用光伏陣列電壓與電流建立了一種考慮半監督化的機器學習算法下的故障識別模型［9］；王元章等人在BP 算法基礎上建立故障識別模型，采用開路電壓、短路電流、最大功率點電壓與電流作為神經網絡算法的輸入層，從而有效準確地識別故障類型［10］；Akram 等提出一種基于卷積神經網絡處理光伏組件的紅外熱成像圖片，來識別有缺陷的光伏模塊［11］。陳華寶等人通過對光伏組件實際輸出功率和內部等效參數模型所得最大輸出功率理論值之差進行分析，提出一種基于功率預測的光伏組件陰影故障類型判定方法［12］；河北工業大學馬紀梅等人采用多傳感器法提取短路和開路故障特征，通過K 均值聚類算法的改進徑向基函數（radial basis function，RBF）神經網絡進行光伏故障診斷［13］。

隨著“互聯網+”領域方向的拓展，結合目前大數據驅動下數字化平臺的大面積推廣，針對光伏故障診斷運維監測的研究中，光伏故障監測與互聯網數字運維的結合將成為趨勢［14］。合肥工業大學團隊采用Access 和VB 語言技術研制出一套并網光伏發電系統的數據采集裝置和光伏監控軟件［15］；廣西大學利用仿真技術與模型能夠匹配對應的模式對光伏陣列電站實現監測效果［16］；西安理工大學劉興等人設計了基于數據傳輸單元（data transfer unit，DTU）三層架構的光伏陣列監測平臺［17］。上述研究中，使用各種智能算法對光伏故障診斷研究已經愈發成熟，但是有些故障診斷方式只是對光伏故障進行識別，并未對故障位置進行定位，而Dhimish 等人雖對光伏故障進行識別與定位，但故障類型較為單一且精度相對較差，缺乏對光伏電站運維的故障有效的監控。

針對以上問題，提出采用CW-RNN 算法對光伏故障進行診斷與定位，并搭建光伏陣列故障診斷平臺進行驗證。通過MATLAB/Simulink，搭建光伏陣列仿真模型，模擬5 種典型不同故障仿真實驗，采集不同類型故障光伏陣列輸出電壓、電流、功率以及逆變后的電壓、電流等參數，提出一種基于CW-RNN的光伏故障診斷模型，搭建了包含底層、中間層和上層的光伏發電故障診斷平臺，驗證了CW-RNN 算法對光伏組件故障診斷的有效性和準確性。

1 光伏陣列輸出特性

1.1 光伏電池數學模型

光伏發電的主要原理是半導體的光電效應。光伏電池板由眾多P-N 結構成，電池板在太陽光輻射下，內部的P-N 結半導體發生反應，當外界負載接入時電路導通形成電流。光伏電池板其物理內部特性由眾多P-N 結構成，結合材料物理以及電子學理論，可得光伏電池板數學模型［18］為：

式中：I為光伏電池輸出電流；U為光伏電池輸出的電壓；Iph為光伏電池由太陽光激發而生成的電流；I0為反相飽和電流值；A為二極管理想因子；Rs為電池的等效串聯電阻；Rsh為電池的等效并聯電阻；q為電荷常數；K為玻爾茲曼常數；S為太陽輻射度；SSTC為標準狀況下太陽輻射度；T為工作溫度；TSTC為標準狀況下組件溫度；IO-STC為標準狀況下二極管反向飽和電流；ui為電流溫度系數。

1.2 光伏陣列系統仿真模型

依據光伏電池模型，在MATLAB/Simulink 中，以光照強度為1 000 W/m2，溫度298 K 的標準環境下建立光伏電池仿真模型，如圖1 所示。

圖1 光伏電池板仿真模型Fig.1 Simulation model of photovoltaic panel

光伏陣列由多個光伏電池板串并聯形成，每塊電池板配備最大功率跟蹤（maximum power point tracking，MPPT）控制器，MPPT 控制器通過擾動觀察法進行最大功率跟蹤，基于光伏電池仿真模型，搭建光伏陣列仿真模型。仿真模型共3 條支路并聯，每條支路由4 個光伏組件串聯。支路Ⅰ由PV1-PV4組成，支路Ⅱ由PV5-PV8 組成，支路Ⅲ由PV9-PV12組成，如圖2 所示。

圖2 光伏陣列發電仿真模型Fig.2 Power generation simulation model of photovoltaic array

1.3 光伏故障實驗模擬

光伏電站多部署在地勢較高的山坡或環境相對惡劣的地區，易導致光伏電池板出現故障問題，考慮當前研究中多種故障類型，選取開路、短路、局部遮擋、陰影遮擋和光伏熱斑5 種經典的光伏陣列故障進行測試分析，基于所搭建的光伏陣列模型，模擬光伏陣列的各種故障，如圖3 所示。

圖3 光伏陣列故障模擬Fig.3 Fault simulation of photovoltaic array

光伏組件開路相當于光伏電池板與并網逆變器連接線斷開，將光伏板串聯一個無窮大的電阻R1模擬斷路故障；光伏陣列組件的短路故障是輸出線路相連接形成的，本文并聯一個極小的電阻R2模擬短路故障；通過連接一個乘法器，設置不同光照強度，以0.3 倍和0.8 倍正常光照強度分別實現對局部遮擋和陰影遮擋的模擬；對于光伏熱斑效應，將光照強度設定為900 W/m2、溫度設定為80℃實現對光伏熱斑故障進行模擬。然后對不同故障的光伏出力特性數據進行采集，得到出力特性曲線如圖4 所示。

圖4 不同故障下光伏陣列特性曲線Fig.4 Characteristic curves of photovoltaic array under different faults

由圖4 可知，光伏陣列出現開路故障時，光伏陣列的最大功率點電壓和開路電壓基本不變，但由于最大功率點電流的減小，光伏陣列的功率會明顯降低；出現短路故障時，光伏陣列的短路電流基本維持不變，開路電壓下降較為明顯，由于最大功率點電壓的減小，光伏陣列的功率明顯降低；出現遮擋故障時（陰影遮擋和局部遮擋），最大功率點的電壓和電流出現明顯下降趨勢，功率-電壓曲線最大功率出現峰上有谷現象，電流-電壓曲線有多膝現象；出現熱斑故障時，光伏陣列的最大功率點電壓和開路電壓有一定程度的下降，光伏陣列的功率也會隨之降低。

2 故障診斷

2.1 CW-RNN神經網絡算法

CW-RNN 為解決長期記憶的問題而對簡單循環網格（simple recurrent network，SRN）算法框架實現了改進，CW-RNN 算法中間部分的隱含層被劃分為了獨立模塊，每個模塊實現自我的時間梯度計算，能夠顯著提高測試任務的效率問題，加快網絡構建的速度，整體分為3 層架構，包括輸入層、輸出層和隱藏層，CW-RNN 神經網絡原理如圖5 所示。

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

計算t時刻的輸出的計算公式為：

式中：WH、WI和WO分別為隱式、輸入和輸出權矩陣；x(t)為當時刻為t時的輸入參數；均為參數矩陣，分別代表t時刻和t-1 時刻的隱含層的神經元激活函數；fH(.)和fO(.)為網絡算法中的非線性激活函數矩陣。

2.2 軟件架構

通過CW-RNN 算法對光伏陣列組件故障數據分析、特征參數提取，進行CW-RNN 算法網絡訓練，其采用算法流程如圖6 所示。

圖6 CW-RNN算法故障診斷流程Fig.6 CW-RNN algorithm fault diagnosis process

綜合考慮，CW-RNN 模型輸入為10 維，以6 個電壓傳感器輸出的電壓U1～U6、光伏陣列輸出的電流Ipv、并網輸出的電流Iabc、逆變并網功率Ppv和光照強度G共10 個元素作為輸入參數。選擇時鐘周期性的更新和內部神經元的全連接方式來建立隱藏層模型，隱藏層的神經元數為32，算法模型的輸出層設定為2 維，輸出1 為光伏陣列故障類型（0～5 分別對應正常、開路、短路、局部遮擋、陰影遮擋、光伏熱斑），輸出2 為光伏陣列故障位置（1～12 分別對應3×4 光伏組件）。

3 光伏故障診斷平臺搭建

光伏故障分析平臺涉及底層數據庫、可視化界面以及組態工具，光伏發電故障分析平臺整體架構分為3 層，如圖7 所示。中間層數據庫系統采集光伏陣列各項參數，實現數據的存儲、運維、查詢等功能；底層則通過S-function 模塊連接搭建的Simulink光伏陣列仿真模型或通過RS232 串口實現光伏陣列電池板實驗設備通信；上層通過嵌套算法的計算引擎庫，對光伏故障進行識別與定位，最終通過可視化界面展示［19］。

圖7 光伏故障診斷平臺框架Fig.7 Framework of photovoltaic fault diagnosis platform

3.1 數據庫實現

基于MySql 開發的數據庫，通過與頂層的可視化界面與底層的設備及仿真模型實時通信，給數據分析過程開發和實踐提供一個數據化平臺，在數據庫的基礎上，設計能量管理算法，故障診斷仿真平臺可基于不同類型的光伏電站實現多類型算法的引擎庫搭建，可實現自定義算法、算法周期管理、調試以及編譯［20］。算法引擎庫通過可視化界面設定輸入和輸出參數，完成算法診斷系統的運行。

平臺診斷算法基于時序數據庫搭建的數據通信體系，使用兩種接口程序［21］。第一種考慮神經網絡算法庫，利用C#命令行，調用MATLAB 函數打包好的可執行DLL 文件，完成神經網絡算法的調用；第二種C#語言直接連接程序文件路徑，完成算法模型的調用。

計算引擎庫搭建的算法引擎使用繼承類搭建，可同時進行多類型的神經網絡算法策略執行，搭建的計算引擎算法庫模塊能夠實現在線調整、完善及模型周期性的設定，可方便后續算法的嵌入。

3.2 平臺界面搭建

基于可視化組態平臺，搭建光伏故障診斷界面，實現對光伏陣列實時參數的監控；界面設計包括依據時間記錄的監控統計數據，如：光伏電站監控的實時數據、參數特性、所監控設備的狀態量等，如圖8所示，界面可對光伏陣列的光照強度G和溫度T進行設置，模擬不同的故障特征，點擊開始按鈕可進行實驗平臺算法驗證分析。

圖8 平臺可視化界面Fig.8 Visual interface platform

4 仿真與實驗驗證

4.1 仿真驗證

依據所搭建的Simulink 模型，根據第1 節所分析故障類型，選取1 680 組的數據參數集，建立光伏陣列數據庫。仿真模型的故障特征數據集設置如表1 所示。

表1 實驗數據集設置情況Table 1 Experimental data set settings

以模型識別準確率和交叉熵損失函數L兩個評價指標對光伏故障診斷效果進行評估，其數學表達式為

式中：L為實際故障類型值；yi為預測故障類型值；pi為預測故障類型值；n為時間序列。

由式（5）可知，損失值L值越小，分類效果越好。然后構建包含BP 神經網絡算法和CW-RNN 算法的計算引擎庫，分別對光伏陣列數據采取訓練和驗證過程，輸入采用光伏陣列的特征參數，輸出為故障類型和故障位置。

用戶通過界面設置光照強度和溫度模擬光伏故障，數據下控至Simulink 仿真模型，模型傳回來的各故障特征參數傳輸至數據庫作為計算引擎輸入，設置訓練數據集和驗證數據集通過神經網絡算法迭代。算法迭代過程中的模型損失值如圖9 所示，CW-RNN 算法在迭代至2 000 次后，迭代結果的損失值降至精度要求，損失值約為0.024 1，BP 算法在迭代2 400 次后模型迭代結果的損失值為0.045 2。

圖9 算法模型迭代結果Fig.9 Algorithm model iteration results

分別將訓練集和驗證集輸入BP 算法模型和CW-RNN 算法模型中，驗證模型算法對故障診斷的正確性，如表2 所示，CW-RNN 算法模型驗證集的正確率為99.79%，相比較與BP 算法結果更為準確，有效驗證了所提算法在光伏故障診斷的適用性。

表2 仿真模型算法結果Table 2 Simulation model algorithm results

4.2 實驗驗證

光伏陣列實驗系統采用某大學校區一頂樓的光伏陣列測控實驗系統，如圖10 所示。該系統由頂樓32 塊太陽能電池板，實驗測控平臺和后接負載組成，單塊電池板額定功率為50 W，傾斜角度為48°，選取4 塊參數相同、輸出特性一致的電池板人為模擬故障類型，采用上位機實現與YCTR 實驗平臺搭建的XS128 單片機實現數據通信。

圖10 光伏陣列實驗平臺搭建Fig.10 Photovoltaic array experiment platform

通過設置不同類型故障，將模擬故障的實際光伏陣列輸出參數經數據庫傳輸至計算引擎，實現CW-RNN 算法對光伏故障進行診斷。依據光伏實驗電池板模擬的故障數據，采集得到2 000 組實驗樣本數據，每類故障數據集500 組，分別將樣本集中的400 組作為訓練集樣本，100 組作為驗證樣本集，通過CW-RNN 算法模型進行訓練和驗證，對每類光伏電池板狀態選取兩組數據診斷結果顯示如圖11（a）所示，診斷結果符合實際故障類型，診斷有效。模型的訓練結果和測試結果如圖11（b）所示，故障診斷的準確度為99.59%，診斷結果滿足實驗精度要求，進一步得出本文建立的基于CW-RNN 算法的光伏故障診斷的有效性和準確性。

圖11 CW-RNN算法故障診斷結果Fig.11 CW-RNN algorithm fault diagnosis results

5 結束語

依據光伏電池數學特性，在Simulink 環境下搭建光伏陣列仿真模型，模擬不同故障類型，提取仿真模型故障特征參數，通過CW-RNN 算法進行故障識別與識別。

搭建了包含BP 算法和CW-RNN 算法的光伏故障診斷平臺，分別將分布式光伏發電測控實驗平臺和光伏仿真模型與實時數據庫的通信，并在數據庫底層嵌套計算引擎庫，完成模型庫搭建，實現故障分析的可視化展示。

基于搭建的光伏故障診斷平臺，對模型故障的診斷與定位。通過可視化界面展示預測值與實際值的對比，CW-RNN 神經網絡對光伏故障診斷的正確率與BP 相比，正確率提高了3.06%，測試集正確率達到99.79%，由仿真結果可證明CW-RNN 神經網絡算法能對光伏陣列故障準確識別與定位，可快速對光伏電站進行日常維護，提高電站的效益。