劉開石，李田澤，劉 東，王夢(mèng)婕，徐立賓

(山東理工大學(xué)電氣與電子工程學(xué)院，山東淄博 255049)

隨著大型光伏裝置投入使用，光伏陣列作為光伏發(fā)電系統(tǒng)中最重要的部分，對(duì)它的電氣參數(shù)監(jiān)測(cè)和故障類型診斷顯得尤為重要。由于光伏組件自身的特性且工作環(huán)境較為惡劣，易受環(huán)境影響發(fā)生開路、短路等各種故障，影響光伏組件的使用壽命[1]。因此，快速準(zhǔn)確地檢測(cè)出光伏陣列的故障可以提高發(fā)電效率，避免造成不必要的損失。

光伏陣列的故障主要集中在直流側(cè)，目前一些智能化光伏電站直流側(cè)監(jiān)控已達(dá)到了組件級(jí)[2]。利用光伏組件的實(shí)時(shí)運(yùn)行數(shù)據(jù)對(duì)光伏陣列狀態(tài)分析檢測(cè)是現(xiàn)在的研究熱點(diǎn)，以智能算法為核心的故障診斷方法是今后的發(fā)展趨勢(shì)。文獻(xiàn)[3-5]提出了基于BP 神經(jīng)網(wǎng)絡(luò)的故障診斷方法，該方法操作簡(jiǎn)單、成本低、檢測(cè)效果較好，但容易陷入局部最優(yōu)解且收斂速度較慢。文獻(xiàn)[6-7]利用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方法對(duì)光伏陣列故障進(jìn)行診斷，加快了收斂速度，提升了預(yù)測(cè)精度。文獻(xiàn)[8]基于快速采樣主成分分析法，通過檢測(cè)電流信號(hào)和工作點(diǎn)狀態(tài)來識(shí)別故障類型。文獻(xiàn)[9]通過將光伏陣列數(shù)據(jù)輸入進(jìn)決策樹模型并進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)故障的檢測(cè)和診斷。

支持向量機(jī)(SVM)理論通過結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)來提高分類泛化能力，已廣泛應(yīng)用于模式識(shí)別、實(shí)時(shí)預(yù)測(cè)、故障診斷等領(lǐng)域[10-11]。SVM 的參數(shù)選取對(duì)其性能起著決定性作用，而參數(shù)的選擇本質(zhì)上是一個(gè)優(yōu)化問題，為獲得最優(yōu)SVM 參數(shù)，利用人工蜂群(ABC)算法進(jìn)行尋優(yōu)。本文利用Matlab 仿真模擬故障，獲取樣本數(shù)據(jù)，構(gòu)建ABC-SVM 光伏陣列故障診斷模型，將光伏陣列故障特征向量輸入模型進(jìn)行訓(xùn)練并驗(yàn)證。

1 算法原理

1.1 支持向量機(jī)

SVM 是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化通過高維運(yùn)算和內(nèi)積運(yùn)算建立的算法，是機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典分類算法之一，具有較好的分類識(shí)別能力，其原理如圖1 所示。

圖1 SVM分類圖

圖1 中的空心圈和實(shí)心圈分別代表兩類不同的樣本，實(shí)線為兩類樣本的分界線，即超平面，兩條虛線分別對(duì)應(yīng)穿過兩類樣本且距超平面最近的兩個(gè)平面，它們之間的間隔即為分類間隔(margin)，虛線上的樣本數(shù)據(jù)就是待分類問題的支持向量。支持向量機(jī)的原理就是找到一個(gè)最優(yōu)分類超平面，使得錯(cuò)誤率最低，分類間隔最大。

設(shè)有線性可分的訓(xùn)練樣本數(shù)據(jù)集(xi，yi)，i=1,2,…,n，xi∈Rd，分類超平面方程記為wx+b=0，尋找最優(yōu)超平面可通過轉(zhuǎn)化為求解式(1)的約束問題來實(shí)現(xiàn)：

式中：w為超平面的權(quán)值向量；b是偏置。在實(shí)際問題中，會(huì)遇到線性不可分的情況，可能會(huì)導(dǎo)致硬間隔分類失敗，因此引入松弛變量ζ 來放松約束條件，允許某些數(shù)據(jù)樣本點(diǎn)超出分類平面。同時(shí)引入非負(fù)的懲罰因子C對(duì)ζ 加以約束，確保分類的準(zhǔn)確率。

引入拉格朗日函數(shù)，將二次規(guī)劃問題轉(zhuǎn)化為式(2)對(duì)偶問題求解：

式中：α 是拉格朗日乘子，若訓(xùn)練樣本數(shù)據(jù)集是非線性不可分的，為了得到準(zhǔn)確的分類結(jié)果，要將原始空間的訓(xùn)練樣本映射到較高維的空間。實(shí)現(xiàn)這一過程的途徑是核函數(shù)，則式(2)需要轉(zhuǎn)變?yōu)榉诸惡瘮?shù)式(3)：

式中：K(xi，xj)為核函數(shù)。核函數(shù)的選擇將直接影響SVM 的性能，決定分類的準(zhǔn)確性。常用的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF)、高斯核函數(shù)(GAUSS)和sigmoid 核函數(shù)。RBF 核函數(shù)具有較好的性能[12]，本文選擇RBF 核函數(shù)作為支持向量機(jī)的核函數(shù)，并采用ABC 算法實(shí)現(xiàn)對(duì)懲罰因子C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)。

1.2 人工蜂群算法

人工蜂群算法是一種根據(jù)蜜蜂覓食原理提出的算法。在該算法中，蜜蜂被分為采蜜蜂(EF)、觀察蜂(UF 或待工蜂)、偵察蜂3 種，各蜜源位置均代表著優(yōu)化問題中的一個(gè)可能解，而蜜源處的花蜜量對(duì)應(yīng)各個(gè)解的適應(yīng)度。蜜蜂尋找蜜源的過程即該算法尋找最優(yōu)解的過程[13]。

人工蜂群算法初始化并隨機(jī)產(chǎn)生SN個(gè)初始解。完成初始化后，采蜜蜂會(huì)遍歷搜索全部蜜源。再次遍歷搜索過程中，采蜜蜂會(huì)記錄各蜜源的花蜜量并將進(jìn)行收益率評(píng)估，完成蜜源位置的更新操作。完成搜索后，采蜜蜂會(huì)回到蜂巢，將收集到的信息(蜜源位置，花蜜量的多少等)傳遞給觀察蜂。觀察蜂根據(jù)收到的信息，根據(jù)與花蜜量相關(guān)的概率來選擇一個(gè)蜜源，并在該蜜源附近區(qū)域進(jìn)行下一次蜜源搜索，直到找到花蜜量更多的蜜源。通過不斷的操作，直到找到花蜜量最多的蜜源，也就是最優(yōu)解。當(dāng)某個(gè)新解經(jīng)歷limit次的循環(huán)后仍未獲得改進(jìn)時(shí)，該解就會(huì)被放棄，該解處的采蜜蜂會(huì)轉(zhuǎn)換為偵察蜂。

1.3 ABC-SVM 診斷模型的構(gòu)建

在采用ABC 算法優(yōu)化SVM 參數(shù)的過程中，蜂群中采蜜蜂的搜索范圍即為SVM 參數(shù)尋優(yōu)的范圍，每一個(gè)蜜源的位置均代表一個(gè)可能解。SVM 需要優(yōu)化的參數(shù)是懲罰因子和核函數(shù)參數(shù)，因此可以用一個(gè)二維向量(C,g)來表示蜜源位置。ABC 對(duì)SVM 參數(shù)尋優(yōu)的過程如下[14-15]：

(1)數(shù)據(jù)歸一化：輸入的數(shù)據(jù)單位不同，數(shù)值相差較大，不利于分類，因此對(duì)輸入的數(shù)據(jù)做歸一化處理，將每個(gè)輸入數(shù)據(jù)處理成[0,1]區(qū)間內(nèi)的數(shù)據(jù)，便于對(duì)其做進(jìn)一步的處理。具體公式為：

式中：ymin和ymax分別為范圍下限0 和上限1；xmin和xmax分別為數(shù)據(jù)集矩陣每一行的最小值和最大值；xi為待歸一化的輸入數(shù)據(jù)。再將歸一化后的數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分并輸入。

(2)算法初始化：確定懲罰因子C和核函數(shù)參數(shù)g的取值范圍；設(shè)置ABC 算法的基本參數(shù)，如蜂群規(guī)模SN，蜜源(解)數(shù)量NP，最大循環(huán)次數(shù)limit，最大迭代次數(shù)M，并對(duì)各蜜源的適應(yīng)度做出評(píng)估。

(3)采蜜蜂根據(jù)式(5)在各隨機(jī)解附近發(fā)現(xiàn)新解并保存。若vij適應(yīng)度大于xij的適應(yīng)度，則把vij賦值給xij，否則不改變。

(4)觀察蜂選擇蜜源，記錄全局最優(yōu)解和對(duì)應(yīng)的適應(yīng)度值，并更新蜜源的位置。

(5)若采蜜蜂對(duì)蜜源的搜索次數(shù)超過設(shè)定最大循環(huán)次數(shù)limit仍未更新，則舍棄該解，

該處的采蜜蜂轉(zhuǎn)換為觀察蜂，并隨機(jī)生成一個(gè)新解來替換。

(6)判斷算法是否滿足終止條件，若是滿足或循環(huán)次數(shù)達(dá)到最大迭代次數(shù)M，則輸出最優(yōu)解并結(jié)束；否則，轉(zhuǎn)到第(3)步再一次計(jì)算。

(7)將獲得的最優(yōu)解作為SVM 的最優(yōu)參數(shù)代入，對(duì)測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練，輸出分類結(jié)果，驗(yàn)證參數(shù)的準(zhǔn)確性。

2 光伏陣列故障分析

2.1 光伏陣列故障樣本選取提取

為模擬仿真光伏陣列在各種環(huán)境下的故障特性并獲得數(shù)據(jù)，以1 000 W/m2光照強(qiáng)度，25 ℃溫度為參考標(biāo)準(zhǔn)，在Matlab/Simulink 內(nèi)建立了仿真光伏陣列模型，如圖2 所示[16-17]。

圖2 光伏陣列故障模擬

仿真模擬了四種光伏陣列實(shí)際運(yùn)行中常見的故障：電池間的線路由于天氣等原因造成的絕緣層腐蝕、電池內(nèi)部材料損壞等造成的組件短路，在仿真系統(tǒng)中通過將模塊短接來模擬；因外力或電池原件自身潛在的損傷造成的開路故障，通過在一條支路中串聯(lián)一個(gè)無窮大的電阻來模擬；光伏陣列因局部遮陰造成的熱斑故障，也就是光伏陣列中各個(gè)組件所接收的光照強(qiáng)度不同，通過改變光伏組件的局部光照強(qiáng)度值來模擬；由于光伏陣列所處環(huán)境較為惡劣且使用時(shí)間較長(zhǎng)引發(fā)的光伏電池老化故障，通過在支路中串聯(lián)電阻來模擬[18]。仿真得到的I-V特性曲線如圖3 所示。

圖3 四種故障下光伏陣列的輸出特性曲線

由圖3 可知，對(duì)比正常狀態(tài)下，發(fā)生故障的光伏陣列的輸出特性會(huì)有一個(gè)或多個(gè)顯著變化。例如：在局部短路狀態(tài)下，光伏陣列的短路電流不變，但開路電壓減?。辉诰植空陉帬顟B(tài)下，光伏陣列的I-V特性曲線呈階梯形變化，最大功率點(diǎn)的電流、電壓均發(fā)生變化。因此，選用短路電流Isc、開路電壓Uoc、最大功率點(diǎn)電流Im、最大功率點(diǎn)電壓Um四個(gè)特征作為輸入量，可以準(zhǔn)確區(qū)分這四種故障類型。

2.2 故障樣本的分類

通過在Matlab/Simulink 中搭建光伏陣列仿真模型并模擬四種類型故障，得到了包含相應(yīng)的光伏陣列輸出特征參數(shù)Isc、Uoc、Im、Um的值，將其作為光伏陣列故障診斷定位訓(xùn)練樣本。從中挑選出300 組數(shù)據(jù)，并隨機(jī)選取100 組作為優(yōu)化后的支持向量機(jī)的訓(xùn)練樣本，另外200 組作為測(cè)試數(shù)據(jù)，如表1 所示。

表1 數(shù)據(jù)樣本分類表

3 仿真實(shí)驗(yàn)分析

3.1 算法參數(shù)設(shè)置

本文設(shè)置ABC 算法優(yōu)化SVM 的懲罰因子C和核函數(shù)參數(shù)g，取值范圍為[0.01,100]，蜂群規(guī)模SN=20，蜜源(解)數(shù)量NP=10，最大循環(huán)次數(shù)limit=100，最大迭代次數(shù)M=100。仿真所得適應(yīng)度曲線如圖4 所示。由圖4 可知，在第25 次迭代時(shí)，適應(yīng)度值達(dá)到97.57 且趨于穩(wěn)定。

圖4 適應(yīng)度曲線

3.2 ABC-SVM 診斷結(jié)果

本文提出的ABC-SVM 光伏陣列故障診斷模型經(jīng)過100組故障訓(xùn)練數(shù)據(jù)訓(xùn)練后，再對(duì)200 組測(cè)試數(shù)據(jù)進(jìn)行準(zhǔn)確率預(yù)測(cè)，正確分類197 組，準(zhǔn)確率為98.5%，分類結(jié)果如圖5 所示。由圖5 可知，診斷模型對(duì)故障狀態(tài)類別2～4 對(duì)應(yīng)的遮陰、短路、開路故障以及類別5 正常狀態(tài)均能準(zhǔn)確識(shí)別，但在識(shí)別類別1 老化故障時(shí)出現(xiàn)誤判，有三組數(shù)據(jù)被誤分到類別2。出現(xiàn)老化故障時(shí)，光伏陣列開路電壓與短路電流均不發(fā)生改變，最大功率點(diǎn)的電流電壓有所減弱，與類別2 遮陰故障特征相似，易發(fā)生誤判。

圖5 測(cè)試數(shù)據(jù)分類圖

3.3 對(duì)比分析

RBF 神經(jīng)網(wǎng)絡(luò)是一種3 層前饋神經(jīng)網(wǎng)絡(luò)，具有結(jié)構(gòu)簡(jiǎn)單和學(xué)習(xí)速度較快的優(yōu)點(diǎn)，但本身的參數(shù)初始值影響預(yù)測(cè)精度和學(xué)習(xí)速度。粒子群優(yōu)化(PSO)算法利用每個(gè)粒子在迭代過程中尋找到的粒子最佳位置來改變本身的速度矢量和位置矢量并實(shí)現(xiàn)全局搜索。利用PSO 算法優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)權(quán)值得到的PSO-RBF(粒子群優(yōu)化徑向基函數(shù))算法有更好的非線性函數(shù)逼近能力。為了進(jìn)一步驗(yàn)證本文提出的ABC-SVM算法在光伏陣列故障診斷中的準(zhǔn)確性，對(duì)同樣的數(shù)據(jù)集又分別使用SVM 算法、RBF 算法和PSO-RBF 算法進(jìn)行正確率對(duì)比驗(yàn)證，對(duì)比結(jié)果如表2 所示。

表2 四種診斷模型的診斷正確率 %

由表2 可知，相比其他三種算法，ABC-SVM 算法對(duì)光伏陣列故障有更好的分類能力，識(shí)別準(zhǔn)確率更高。

4 結(jié)語(yǔ)

作為機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典分類算法，SVM 有較好的分類能力。針對(duì)光伏陣列在實(shí)際運(yùn)行中幾種常見的故障，本文用ABC 算法對(duì)SVM 的懲罰因子及核函數(shù)參數(shù)尋優(yōu)，得到故障診斷模型并輸入故障特征向量，獲得對(duì)光伏陣列正常工作狀態(tài)及四種典型故障狀態(tài)的分類識(shí)別。仿真實(shí)驗(yàn)表明，與基本SVM、RBF 以及PSO-RBF 神經(jīng)網(wǎng)絡(luò)相比，改進(jìn)后的算法分類效果得到明顯提高，對(duì)光伏陣列故障能夠得到較優(yōu)的診斷效果，診斷正確率有大幅提高。