陳世群 高 偉 陳孝琪 涂彥昭 楊 艷
一種基于極限學(xué)習(xí)機(jī)和皮爾遜相關(guān)系數(shù)的光伏陣列故障快速診斷方法
陳世群1高 偉2陳孝琪2涂彥昭2楊 艷3
(1. 國網(wǎng)福建省電力有限公司福州市長樂區(qū)供電公司,福州 350202; 2. 福州大學(xué)電氣工程與自動(dòng)化學(xué)院,福州 350108; 3. 淮陰工學(xué)院自動(dòng)化學(xué)院,江蘇 淮安 223003)
光伏陣列故障會(huì)造成能量損失,甚至引發(fā)供電中斷或火災(zāi)事故。因此,對(duì)故障的快速識(shí)別至關(guān)重要。本文提出一種光伏陣列故障快速診斷方法,用于快速感知故障及故障發(fā)生的時(shí)刻。通過分析光伏陣列常見故障的信號(hào)變化規(guī)律,提出利用正常運(yùn)行時(shí)的功率波形訓(xùn)練一個(gè)極限學(xué)習(xí)機(jī)預(yù)測模型,用于預(yù)測短時(shí)功率的變化;接著計(jì)算實(shí)測波形和預(yù)測波形的皮爾遜相關(guān)系數(shù);若光伏陣列發(fā)生故障,相關(guān)系數(shù)將低于一定的閾值,從而識(shí)別故障的發(fā)生。實(shí)測實(shí)驗(yàn)驗(yàn)證了所提方法具有很強(qiáng)的故障辨識(shí)能力,準(zhǔn)確率達(dá)到99.37%。所提方法的故障辨識(shí)時(shí)間僅為4.355ms,亦可作為光伏陣列故障錄波的啟動(dòng)方法使用。
光伏陣列;故障錄波;極限學(xué)習(xí)機(jī)(ELM);皮爾遜相關(guān)系數(shù)
近年來傳統(tǒng)化石燃料逐漸枯竭,且化石燃料所引起的環(huán)境污染問題日益嚴(yán)重,人們對(duì)可再生清潔能源的需求不斷提高。太陽能發(fā)電在不產(chǎn)生有害物質(zhì)的前提下,將太陽能直接轉(zhuǎn)換為電能,得到各國的青睞和廣泛應(yīng)用。在過去的十年里,光伏裝機(jī)容量快速增加。根據(jù)國家能源局官網(wǎng)發(fā)布的《國家能源局2021年一季度網(wǎng)上新聞發(fā)布會(huì)文字實(shí)錄》[1],截至2020年底,我國累計(jì)光伏并網(wǎng)裝機(jī)容量已經(jīng)達(dá)到253GW,位列世界第一;光伏全年發(fā)電量達(dá)到2 605億kW·h,同比增長16.1%。
光伏陣列安裝在室外環(huán)境,持續(xù)暴露在惡劣的環(huán)境條件(陽光、降雨等)下會(huì)誘發(fā)各種故障,導(dǎo)致發(fā)電效率降低。當(dāng)故障嚴(yán)重時(shí)甚至?xí)p壞設(shè)備,造成火災(zāi)等嚴(yán)重安全事故[2]。因此,對(duì)光伏陣列的故障識(shí)別和故障診斷至關(guān)重要。光伏陣列的故障診斷方法可分為離網(wǎng)診斷和并網(wǎng)診斷兩種。離網(wǎng)診斷方法是在光伏系統(tǒng)退出運(yùn)行的情況下,通過專用設(shè)備,執(zhí)行電流-電壓(-)掃描操作,獲得當(dāng)前狀態(tài)的-曲線。接著針對(duì)該曲線,推導(dǎo)光伏陣列的內(nèi)、外特征參數(shù)。根據(jù)故障前后內(nèi)、外特征參數(shù)的變化規(guī)律,識(shí)別光伏陣列的故障類型。文獻(xiàn)[3]提出一種通過觀察和評(píng)估電壓、電流的變化來診斷光伏故障的新方法。用開路電壓、短路電流和最大功率點(diǎn)的電壓、電流來定義電壓、電流指標(biāo),并根據(jù)故障特征的變化確定閾值。通過對(duì)實(shí)時(shí)采集的指標(biāo)值和閾值的比較,判斷系統(tǒng)是否存在故障。由于受電站規(guī)模、組件參數(shù)的影響,通過閾值判斷故障狀態(tài)的方式,泛化性較弱,在組件性能老化時(shí),閾值需重新確定。文獻(xiàn)[4]以-曲線中mpp、mpp、sc、oc等4個(gè)特征參數(shù)作為辨識(shí)特征量,通過大量的標(biāo)簽樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),從而建立一個(gè)能夠識(shí)別短路、開路、老化和遮陰的診斷模型。文獻(xiàn)[5]首先利用Lambert W函數(shù)重新建立光伏陣列的-關(guān)系,然后提出使用混沌粒子群算法搜索光伏陣列的模型參數(shù),估計(jì)出5個(gè)內(nèi)部參數(shù)。將正常和異常狀態(tài)的參數(shù)進(jìn)行比較實(shí)現(xiàn)故障辨識(shí)。參數(shù)估計(jì)法往往只能求得局部最優(yōu)值,而不是全局最優(yōu)值。兩個(gè)結(jié)果相似的解析解差異可能很大。因此,以最優(yōu)值代替真實(shí)值進(jìn)行診斷容易導(dǎo)致誤判。離網(wǎng)診斷方法的最大缺陷是難以實(shí)現(xiàn)實(shí)時(shí)的故障診斷,導(dǎo)致故障無法在第一時(shí)間被檢測到,并且在執(zhí)行-曲線掃描時(shí),需要斷開網(wǎng)絡(luò),造成人為的能量損失。
并網(wǎng)診斷方法是在光伏系統(tǒng)運(yùn)行時(shí),利用電壓、電流波形在故障發(fā)生前后的變化規(guī)律識(shí)別故障類型。常用于解決多串列系統(tǒng)的線間故障、動(dòng)態(tài)遮陰及電弧故障診斷問題[6]。線間故障又稱為失配故障,因線間故障存在故障電流回流的現(xiàn)象,故常采用瞬時(shí)波形分解及時(shí)頻變換來提取故障特征、辨識(shí)故障類型。而失配比例、接地電阻的大小及阻塞二極管的使用,都會(huì)限制故障電流的產(chǎn)生和變化,給故障辨識(shí)帶來很大困難。文獻(xiàn)[7]從理論上解釋了線間故障及其演化過程,通過仿真和實(shí)驗(yàn)研究,證明了在低失配比、高阻抗、低輻照度或晝夜變化等條件下,故障串的回流電流不足以讓過電流保護(hù)裝置動(dòng)作,給系統(tǒng)的安全運(yùn)行帶來很大隱患。為此,文獻(xiàn)[8]利用光伏陣列輸出特征中右側(cè)功率峰值(right power peak, RPP)的惟一性來檢測線-線、線- 地故障,使用全局的擾動(dòng)觀測的最大功率點(diǎn)跟蹤(maximum power point tracking, MPPT)算法來追蹤RPP。實(shí)驗(yàn)結(jié)果表明,該方法可以有效檢測出故障,而與失配級(jí)別、系統(tǒng)類型和系統(tǒng)額定值無關(guān)。在低輻照度和局部遮陰下,同樣有效。文獻(xiàn)[9]將功率數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解,將分解后得到的固有模態(tài)函數(shù)(intrinsic mode function, IMF)分量、分解余項(xiàng)和相關(guān)因素(太陽輻射強(qiáng)度、濕度、溫度)作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量,建立一個(gè)能夠?qū)崿F(xiàn)短時(shí)功率預(yù)測的模型。然而,傳感器存在安裝角度偏差,陣列積灰或老化都會(huì)影響該方法的準(zhǔn)確性。文獻(xiàn)[10]利用提取的低分辨率功率和照度損失比計(jì)算陣列損失,尋找多串列光伏系統(tǒng)中,失配、局部遮陰和正常狀態(tài)在上述特征量范圍內(nèi)的幅值差異,進(jìn)行故障探測。并網(wǎng)故障診斷法的優(yōu)點(diǎn)是無需停機(jī)即可辨識(shí)故障,避免了人為的功率損失。但若故障發(fā)生在逆變器停機(jī)期間,由于無法提取波形變化的數(shù)據(jù),這類方法就會(huì)失效。因此,需要將并網(wǎng)和離網(wǎng)故障診斷方法相結(jié)合,從而實(shí)現(xiàn)光伏系統(tǒng)故障的快速、準(zhǔn)確識(shí)別。
目前,絕大部分的研究主要關(guān)注使用何種算法對(duì)已獲得的數(shù)據(jù)進(jìn)行準(zhǔn)確診斷。這些數(shù)據(jù)大多是通過仿真和實(shí)驗(yàn)獲得,并通過人工選取的方式得到理想時(shí)間窗的信息。在實(shí)際應(yīng)用中,首先需要能辨識(shí)故障,自動(dòng)發(fā)現(xiàn)故障發(fā)生的時(shí)刻,記錄故障發(fā)生前后的波形,再利用前述診斷方法辨識(shí)故障類型。因此,故障自動(dòng)錄波是故障辨識(shí)的前提,為故障辨識(shí)提供數(shù)據(jù)支撐。鑒于這方面的研究工作甚少,本文提出一種基于極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)和序列相關(guān)系數(shù)的光伏系統(tǒng)故障快速診斷方法,通過比較發(fā)電功率的預(yù)測波形和實(shí)際波形的相關(guān)系數(shù)變化,實(shí)現(xiàn)光伏系統(tǒng)的故障診斷和對(duì)故障時(shí)刻的甄別。
并網(wǎng)故障檢測可以辨識(shí)開路、遮陰、線間等故障類型。在不同的故障類型下,電壓、電流、功率的波形在故障瞬間均會(huì)產(chǎn)生特異性波動(dòng)。各狀態(tài)下的時(shí)序電壓、電流如圖1所示。正常狀態(tài)下,電壓、電流、功率波形均保持規(guī)律性變化,如圖1(a)所示。
圖1 各狀態(tài)下的時(shí)序電壓、電流
部分遮陰指光伏陣列的某些模組被云層、樹木、建筑物等物體遮擋,導(dǎo)致陣列輸出功率出現(xiàn)受損的情況。遮陰故障發(fā)生時(shí),被遮陰模組的輻照度會(huì)逐漸減小,所以陣列的總輸出電流開始下降。當(dāng)被遮陰模組的輻照度減小到一定程度時(shí),對(duì)應(yīng)的旁路二極管就會(huì)因電壓差而被激活。此時(shí)被遮陰模組短路,陣列輸出電流出現(xiàn)回升,而陣列電壓因?yàn)楸徽陉幠=M短路而變小,這個(gè)過程的時(shí)序波形如圖1(b)所示。
線間故障指在光伏陣列中,兩個(gè)不同電位點(diǎn)發(fā)生連接,導(dǎo)致部分光伏模組被短路,進(jìn)而導(dǎo)致陣列的輸出功率受到損失[11]。線間故障可以發(fā)生在同一光伏串內(nèi),也可發(fā)生在相鄰的兩個(gè)光伏串之間。被短路的模組越多,則失配比越大,線間故障越嚴(yán)重。這個(gè)過程的時(shí)序波形如圖1(c)所示。由于故障電流容易受到光照輻射度和MPPT的影響,線間故障在光伏陣列中難以檢測,特別是低失配比的線間故障,波形的變化非常小。若不及時(shí)清除線間故障,則其會(huì)一直隱藏在陣列中,導(dǎo)致更大的安全隱患[12]。
開路故障指光伏陣列中的某串任意一點(diǎn)發(fā)生斷路,導(dǎo)致故障串開路,不產(chǎn)生能量。當(dāng)開路故障發(fā)生時(shí),陣列的電流瞬間下降為非故障串電流之和。由于開路故障前后最大功率工作點(diǎn)的電壓相差不大,因此經(jīng)過一個(gè)較短的時(shí)間,時(shí)序波形就趨于穩(wěn)定,如圖1(d)所示。
從上述分析可以發(fā)現(xiàn),當(dāng)光伏陣列發(fā)生故障時(shí),電壓、電流和功率的波形均會(huì)發(fā)生規(guī)律性變化。因此本文以功率波形為研究對(duì)象,通過機(jī)器學(xué)習(xí)算法,預(yù)測波形的發(fā)展變化。當(dāng)實(shí)測波形和預(yù)測波形出現(xiàn)明顯差異時(shí),即判定發(fā)生故障,記錄故障發(fā)生的時(shí)刻,并以此作為故障錄波的啟動(dòng)判據(jù)。
考慮到不同模組參數(shù)的差異及光伏陣列規(guī)模的不同,需要對(duì)采集到的電壓、電流數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理以提高方法的適應(yīng)性。本文將時(shí)序電壓、電流分別除以在標(biāo)準(zhǔn)測試條件(standard test condition, STC)(1 000W/m2, 25℃)下的陣列開路電壓oc和陣列短路電流sc,得到標(biāo)準(zhǔn)化后的電壓、電流值,再將標(biāo)準(zhǔn)化后的電壓、電流相乘則得到功率的標(biāo)準(zhǔn)化值。其表達(dá)式為
極限學(xué)習(xí)機(jī)[13]網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,其為單隱含層前饋神經(jīng)網(wǎng)絡(luò)與隨機(jī)學(xué)習(xí)相結(jié)合的產(chǎn)物。ELM隨機(jī)生成輸入層與隱含層之間的權(quán)重與偏置,一旦確定就不再改變。隱含層與輸出層之間的權(quán)重和偏置則是通過矩陣變化求解,無需多次迭代計(jì)算。ELM在學(xué)習(xí)過程中無需耗時(shí)調(diào)整網(wǎng)絡(luò)參數(shù),學(xué)習(xí)速度極快,需要的計(jì)算內(nèi)存很少。ELM網(wǎng)絡(luò)模型的訓(xùn)練過程可描述如下。
式(6)可以簡化為
圖2 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)
相關(guān)系數(shù)是一種用于表征變量之間變化關(guān)系的數(shù)學(xué)統(tǒng)計(jì)指標(biāo)[14],最早由統(tǒng)計(jì)學(xué)家卡爾·皮爾遜設(shè)計(jì),包含標(biāo)準(zhǔn)差和協(xié)方差。兩變量之間的皮爾遜相關(guān)系數(shù)為
正常情況下,光伏陣列一般運(yùn)行在電壓、電流相對(duì)穩(wěn)定的狀態(tài)下。在這種情況下,功率波形短時(shí)間內(nèi)基本保持在一個(gè)較小的范圍內(nèi)波動(dòng)。而當(dāng)光伏陣列發(fā)生故障時(shí),功率波形在短時(shí)內(nèi)會(huì)出現(xiàn)明顯的下降趨勢。基于此,本文提出基于ELM功率預(yù)測結(jié)合相關(guān)系數(shù)的光伏陣列故障快速診斷方法。通過將正常運(yùn)行的功率數(shù)據(jù)作為ELM的訓(xùn)練樣本,生成一個(gè)功率預(yù)測模型,實(shí)現(xiàn)正常運(yùn)行情況下的短時(shí)功率預(yù)測。在正常運(yùn)行時(shí),由于ELM所輸出的功率預(yù)測值與實(shí)際值之間存在強(qiáng)相關(guān),則相關(guān)系數(shù)值較大。當(dāng)故障出現(xiàn)時(shí),預(yù)測模型輸出的是正常狀態(tài)的預(yù)測值,則預(yù)測值與實(shí)際值的相關(guān)性變低,相關(guān)系數(shù)會(huì)出現(xiàn)明顯的下降。故障診斷流程如圖3所示,具體如下:
1)以一定的采樣率采集光伏陣列的電壓、電流。
2)按式(1)~式(3)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。
3)使用標(biāo)準(zhǔn)化后的時(shí)序功率訓(xùn)練一個(gè)實(shí)現(xiàn)短時(shí)功率預(yù)測的模型。
4)求取功率預(yù)測值與實(shí)際值之間的皮爾遜相關(guān)系數(shù)。
圖3 故障診斷流程
光伏系統(tǒng)實(shí)驗(yàn)平臺(tái)由光伏陣列、直流匯流箱、逆變器、交流電源和數(shù)據(jù)采集模塊組成。光伏陣列的規(guī)模為2×12,即2串列并聯(lián),每串列有12塊光伏模組,裝機(jī)容量為6.48kWp。標(biāo)準(zhǔn)測試條件下的光伏系統(tǒng)技術(shù)參數(shù)見表1,實(shí)驗(yàn)場景如圖4所示。在本文中,通過霍爾傳感器將陣列電壓與電流轉(zhuǎn)換為小電壓信號(hào);NI 9220采集卡將電壓模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào);NI cDAQ—9185承擔(dān)NI 9220采集卡和PC端之間的數(shù)據(jù)交互角色;使用LabView和Python編寫相關(guān)程序。
表1 標(biāo)準(zhǔn)測試條件下的光伏系統(tǒng)技術(shù)參數(shù)
正常類別的樣本由輻照度穩(wěn)定的樣本和輻照度快速變化的樣本組成;通過硬紙板對(duì)任意串任意模組進(jìn)行遮擋以模擬部分遮陰;在任意時(shí)刻斷開直流匯流箱中任意一串的空氣開關(guān)以模擬開路故障;利用“Y”型接頭及短路發(fā)生器(固態(tài)繼電器)在某一時(shí)刻連通陣列中兩個(gè)不同電位點(diǎn)以模擬線間故障。實(shí)驗(yàn)在200~900W/m2的輻照度和20~50℃的環(huán)境下完成??傆?jì)獲得了448個(gè)樣本,其中正常樣本144個(gè)、部分遮陰樣本100個(gè)、開路故障樣本102個(gè)、線間故障樣本102個(gè)。數(shù)據(jù)采樣率為500Hz,時(shí)間窗口為0.2s。
圖4 光伏實(shí)驗(yàn)場及故障模擬實(shí)驗(yàn)場景
將實(shí)驗(yàn)中采集到的100個(gè)正常運(yùn)行樣本作為訓(xùn)練集對(duì)極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練,其余44個(gè)正常樣本及304個(gè)故障樣本用于測試所提方法的性能。極限學(xué)習(xí)機(jī)神經(jīng)元使用300個(gè),激活函數(shù)采用Sigmoid。以0~0.15s內(nèi)功率波形的數(shù)據(jù)作為ELM的輸入數(shù)據(jù),ELM的輸出數(shù)據(jù)則為0.15~0.20s內(nèi)的預(yù)測功率數(shù)據(jù)。通過分析功率預(yù)測波形同實(shí)測波形之間相關(guān)系數(shù)的變化關(guān)系來決定故障辨識(shí)的閾值。
1)正常狀態(tài)
圖5 正常狀態(tài)下的功率曲線
圖6 正常狀態(tài)下50個(gè)檢測周期的相關(guān)系數(shù)變化
2)線間故障
在線間故障中,失配比越小,故障的嚴(yán)重程度越低,檢測難度越大。為此,本文直接使用在本實(shí)驗(yàn)環(huán)境下能夠獲得的最低失配比(一個(gè)模塊失配)的故障樣本進(jìn)行測試。
圖7 線間故障下的功率曲線
圖8 線間故障下50個(gè)檢測周期的相關(guān)系數(shù)變化
3)開路故障
開路故障為光伏陣列故障中較為嚴(yán)重的一種,相對(duì)而言更容易檢測。開路故障下的功率曲線如圖9所示。從圖9可以看出,預(yù)測值與實(shí)際值之間變化趨勢顯著不同。故障發(fā)生前,預(yù)測值與實(shí)際值較為近似;故障出現(xiàn)后,實(shí)際功率輸出突然下降,而預(yù)測功率值仍然保持在0.45附近波動(dòng)。
圖9 開路故障下的功率曲線
開路故障下50個(gè)檢測周期的相關(guān)系數(shù)變化如圖10所示。在圖10中,在0.164s前相關(guān)系數(shù)都高于0.85,而在0.166s開始突降,由前一刻的0.896 0瞬間降低至0.245 8,此后持續(xù)低于0.6,區(qū)分度極高。
圖10 開路故障下50個(gè)檢測周期的相關(guān)系數(shù)變化
4)部分遮陰
在光伏陣列的故障中,部分遮陰是相對(duì)較難檢測的。原因在于其不存在突變量,故障暫態(tài)的時(shí)序波形變化較為緩慢,并且功率變化幅值較小,遠(yuǎn)不及線間故障和開路故障,極易與正常狀態(tài)混淆。部分遮陰下的功率曲線如圖11所示。在圖11中,故障出現(xiàn)在0.162s。故障發(fā)生后,功率實(shí)際值逐漸下降。預(yù)測值與實(shí)測值逐漸出現(xiàn)偏差。
圖11 部分遮陰下的功率曲線
部分遮陰下50個(gè)檢測周期的相關(guān)系數(shù)變化如圖12所示。在圖12中,0.10~0.162s期間的相關(guān)系數(shù)都在0.9以上波動(dòng)。在0.162s發(fā)生部分遮陰故障后,相關(guān)系數(shù)開始逐漸減小。在0.168s時(shí),相關(guān)系數(shù)減小到0.641 2,此后,相關(guān)系數(shù)持續(xù)低于0.7。不同于前述的開路和線間故障,部分遮陰發(fā)生后,相關(guān)系數(shù)不會(huì)突降,而是逐漸減小,并且減小程度也不如前兩者。但本文所提方法仍然能夠有效檢測到部分遮陰故障。
圖12 部分遮陰下50個(gè)檢測周期的相關(guān)系數(shù)變化
由于所提方法主要實(shí)現(xiàn)光伏陣列的故障檢測,以作為錄波啟動(dòng)的判據(jù),因此需要盡可能地降低硬件需求,實(shí)現(xiàn)最快速的故障判斷。為此,在原算法的基礎(chǔ)上,需要考慮滑動(dòng)窗口長度及滑動(dòng)步長的選擇?;瑒?dòng)窗口的長度關(guān)系到ELM運(yùn)行速率,窗口越長則所需計(jì)算的數(shù)據(jù)越多,影響故障檢測的速率;窗口越短則難以準(zhǔn)確地獲得預(yù)測值,預(yù)測結(jié)果的不準(zhǔn)確將進(jìn)一步降低方法的準(zhǔn)確率?;瑒?dòng)步長則關(guān)系到故障檢測的周期,滑動(dòng)步長越短,檢測周期也越短,對(duì)硬件要求越高;滑動(dòng)步長越大,則故障暫態(tài)波形難以有效填充整個(gè)預(yù)測值的窗口,導(dǎo)致預(yù)測準(zhǔn)確率下降。事實(shí)上,預(yù)測精度越高,預(yù)測功率和正常狀態(tài)下的實(shí)測功率吻合度就越高,正常狀態(tài)被誤判的幾率就越小,故障識(shí)別的成功率也越高。
為了測試不同長度滑動(dòng)窗口下所提方法的故障檢測性能,本文對(duì)上述304個(gè)故障樣本進(jìn)行測試,不同時(shí)間窗口的準(zhǔn)確率及運(yùn)行時(shí)間見表2??梢钥闯?,0.2s長度的滑動(dòng)窗口表現(xiàn)出最優(yōu)的性能,判斷總準(zhǔn)確率為99.37%,與窗口長度為0.4s、0.7s的準(zhǔn)確率相同,而運(yùn)行時(shí)間卻比上述兩者更短。當(dāng)窗口長度為0.1s時(shí),所提方法的故障檢測準(zhǔn)確率出現(xiàn)明顯的下降。綜上,本文以0.2s作為所提方法的滑動(dòng)窗口長度。
表2 不同時(shí)間窗口的準(zhǔn)確率及運(yùn)行時(shí)間
本文故障檢測模型的運(yùn)行環(huán)境為:Windows操作系統(tǒng),i5—8300H的CPU,內(nèi)存8G,集成顯卡。運(yùn)行時(shí)間由數(shù)據(jù)預(yù)處理、ELM功率預(yù)測、相關(guān)系數(shù)計(jì)算三部分組成。從表2可以看出,本文所提方法單次運(yùn)行時(shí)間十分短,僅使用4.355ms。本文方法的采樣率為500Hz,兩個(gè)數(shù)據(jù)點(diǎn)采樣間隔時(shí)間為0.002s,因此最小的滑動(dòng)步長為6ms。
針對(duì)光伏陣列故障診斷方法在實(shí)際應(yīng)用中缺乏故障錄波啟動(dòng)判據(jù)的問題,本文提出了一種基于極限學(xué)習(xí)機(jī)和皮爾遜相關(guān)系數(shù)的故障快速檢測方法。所提方法通過極限學(xué)習(xí)機(jī)模型預(yù)測了未來功率波形的變化,并通過波形相關(guān)系數(shù)的下降特征判定故障發(fā)生的時(shí)刻。經(jīng)實(shí)驗(yàn)驗(yàn)證,所提方法能準(zhǔn)確辨識(shí)出線間、開路、遮陰等故障,準(zhǔn)確率達(dá)到99.37%,運(yùn)行時(shí)間僅4.355ms,達(dá)到實(shí)際應(yīng)用要求。
在本文中,逆變器的MPPT啟動(dòng),可能會(huì)導(dǎo)致算法將其誤判為故障。但是作為故障錄波的啟動(dòng)算法,追求的是快速性,而非極高的辨識(shí)準(zhǔn)確率。位于其后端的故障分類算法可以將MPPT啟動(dòng)的樣本辨識(shí)出來[15]。因此,所提方法滿足作為故障啟動(dòng)判據(jù)的要求。在后續(xù)的研究中,將重點(diǎn)考慮將算法部署到單片機(jī)或樹莓派上,以測試其在實(shí)際應(yīng)用中的適應(yīng)性。
[1] 國家能源局. 國家能源局2021年一季度網(wǎng)上新聞發(fā)布會(huì)文字實(shí)錄[EB/OL]. [2021-01-30]. http://www.nea. gov.cn/2021-01/30/c_139708580.htm.
[2] 陳國燈, 林培杰, 賴云鋒, 等. 基于電流時(shí)間序列的光伏故障在線監(jiān)測系統(tǒng)[J]. 電氣技術(shù), 2018, 19(6): 20-25.
[3] PEI Tingting, HAO Xiaohong. A fault detection method for photovoltaic systems based on voltage and current observation and evaluation[J]. Energies, 2019, 12(9): 1-16.
[4] 王元章, 吳春華, 周笛青, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(16): 108-114.
[5] 程澤, 董夢男, 楊添剴, 等. 基于自適應(yīng)混沌粒子群算法的光伏電池模型參數(shù)辨識(shí)[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(9): 245-252.
[6] GEORGIJEVIC N, JANKOVIC M, SRDIC S, et al. The detection of series arc fault in photovoltaic systems based on the arc current entropy[J]. IEEE Transactions on Power Electronics, 2016, 31(8): 5917- 5930.
[7] ZHAO Ye, PALMA J D, MOSESIAN J, et al. Line-line fault analysis and protection challenges in solar photovoltaic arrays[J]. IEEE Transactions on Industrial Electronics, 2013, 60(9): 3784-3795.
[8] PILLAI D S, NATARAJAN R. An MPPT-based sensorless line-line and line-ground fault detection technique for PV systems[J]. IEEE Transactions on Power Electronics, 2019, 34(9): 8646-8659.
[9] 孫祥晟, 陳芳芳, 賈鑒, 等. 基于經(jīng)驗(yàn)?zāi)B(tài)分解的神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測方法研究[J]. 電氣技術(shù), 2019, 20(8): 54-58.
[10] HARIHARAN R, MANICKAM C, ILANGO G S, et al. A method to detect photovoltaic array faults and partial shading in PV systems[J]. IEEE Journal of Photo- voltaics, 2016, 6(5): 1278-1285.
[11] MOHAMMED K A, FAISAL K, JAY J, et al. A comprehensive review of catastrophic faults in PV arrays: types, detection, and mitigation techniques[J]. IEEE Journal of Photovoltaics, 2015, 5(3): 982-997.
[12] GAO Wei, WAI Rongjong, CHEN Shiqun. Novel PV fault diagnoses via SAE and improved multi-grained cascade forest with string voltage and currents measures[J]. IEEE Access, 2020(8): 133144-133160.
[13] HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man & Cybernetics Part B, 2012, 42(2): 513-529.
[14] 師愉航, 汲勝昌, 張凡, 等. 變壓器油箱表面運(yùn)行變形振型特性研究[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(5): 202-209.
[15] CHEN Shiqun, YANG Gengjie, GAO Wei, et al. Photovoltaic fault diagnosis via semi-supervised ladder network with string voltage and current measures[J]. IEEE Journal of Photovoltaics, 2021, 11(1): 219-231.
A fast fault diagnosis method for photovoltaic array via extreme learning machine and Pearson’s correlation coefficient
CHEN Shiqun1GAO Wei2CHEN Xiaoqi2TU Yanzhao2YANG Yan3
(1. Fuzhou Changle District Electric Power Supply Branch of State Grid Fujian Electric Power Co., Ltd, Fuzhou 350202; 2. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108; 3. Faculty of Automation, Huaiyin Institute of Technology, Huaian, Jiangsu 223003)
The failure of the photovoltaic (PV) array can cause energy loss and even cause power supply interruption or fire accident. Therefore, it is very important to identify the fault quickly. A new fast fault diagnosis method for PV array is proposed to quickly perceive the fault and the time of fault occurrence in this paper. Based on the analysis of the signal variation rule of PV array traditional faults, a prediction model of extreme learning machine (ELM) is investigated to train the power waveform during normal operation, which is adopted to predict the short-time power variation. Then Pearson’s correlation coefficient of measured waveforms and predicted waveforms are calculated. If the PV array fails, the correlation coefficient will be below the threshold, thus identifying the occurrence of the fault. Experimental results show that the proposed method has strong ability of fault identification, and the accuracy reaches 99.37%. The fault identification time of the proposed method is only 4.355ms, and it can be used as the start-up method of PV array fault recording.
photovoltaic array; fault recording; extreme learning machine (ELM); Pearson’s correlation coefficient
江蘇省住房和城鄉(xiāng)建設(shè)廳指導(dǎo)項(xiàng)目(2019ZD001287)
江蘇淮安市科技局自然科學(xué)研究計(jì)劃項(xiàng)目(HAB201905)
2021-02-26
2021-03-31
陳世群(1995—),男,福建福州人,碩士,研究方向?yàn)樾履茉垂收显\斷研究。