謝祥穎,劉 虎,王 棟,冷彪

(1.北京航空航天大學計算機學院，北京 100191；2.國網(wǎng)電子商務有限公司戰(zhàn)略發(fā)展部，北京 100053；3.國家電網(wǎng)有限公司互聯(lián)網(wǎng)部，北京 100031；4.國網(wǎng)電子商務有限公司數(shù)字科技部，北京 100053)

1 引言

太陽能資源是取之不盡、用之不竭的清潔能源，光伏發(fā)電是目前使用太陽能最廣泛、有效的方式。根據(jù)2016年12月發(fā)布的《太陽能發(fā)展“十三五”規(guī)劃》，到2020年底，中國光伏發(fā)電裝機容量指標為105 GW,光熱發(fā)電裝機容量指標為5 GW。截至2018年底，中國光伏累計并網(wǎng)裝機量174 GW，遠超《太陽能發(fā)展“十三五”規(guī)劃》目標。但是，在光伏發(fā)電廣泛應用的同時，光伏電站故障頻發(fā)成為了光伏產(chǎn)業(yè)發(fā)展亟待解決的問題。目前光伏故障診斷方法可以分為3大類：(1)傳統(tǒng)基于光伏電路特點的診斷方法；(2)機器學習診斷方法；(3)深度學習診斷方法。

傳統(tǒng)的故障診斷方法包括時域反射法[1,2]和等效電路法[3]。時域反射法通過對比時域反射信號與輸入信號確定故障發(fā)生的位置。這種方法的缺點包括：能夠檢測出的故障類別少；白天光照會對時域反射信號產(chǎn)生干擾；需要系統(tǒng)停機進行故障診斷，難以實時進行。等效電路法是一種利用伏安特性進行故障診斷的方法，通過在電路中串聯(lián)等效電阻來判斷系統(tǒng)中是否存在故障組件。等效電路法雖解決了實時故障診斷的問題，但該檢測方法不能大范圍使用。

基于機器學習的故障診斷方法主要通過分析光伏電站的運行數(shù)據(jù)，然后對當前狀態(tài)進行故障診斷。畢銳等[4,5]提出了使用模糊C均值聚類的方法，通過對不同故障進行特征提取從而實現(xiàn)聚類，構建故障特征向量與故障類型之間的模糊對應關系，然后根據(jù)正態(tài)分布特征計算故障特征向量與故障類型之間的隸屬度關系，最終確定故障類型。葉進等[6]提出了基于改進DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法的光伏故障檢測方法，首先將發(fā)電條件類似的電站聚類，然后對比同類電站的發(fā)電量，最終確定故障電站?；谪惾~斯網(wǎng)絡BN(Bayesian Network)的概率集成學習方法[7]可以對工業(yè)場景中發(fā)生的故障類別進行診斷。除了上述研究方法之外，支持向量機SVM(Support Vector Machine)[8-11]和多層感知機MLP(MultiLayer Perceptron)[12]等分類方法也被用來對光伏電站運行狀況進行故障診斷。但是，由于分布式光伏電站運行數(shù)據(jù)維度較高，一般的機器學習分類方法對故障的診斷準確率還有待提升。

深度學習故障診斷方法通常是基于數(shù)據(jù)驅動的解決方案：首先對光伏電站的運行數(shù)據(jù)進行分析，然后構建深度網(wǎng)絡模型，接著根據(jù)歷史運行數(shù)據(jù)對模型展開訓練，最后將訓練好的模型用于故障診斷。張國豪等[13]提出了一種使用采用卷積神經(jīng)網(wǎng)絡CNN(Convolutional Neural Network)和雙向門控循環(huán)單元的時間序列分類方法，該方法探索了卷積神經(jīng)網(wǎng)絡在時間序列分類上的可行性。另外，全卷積神經(jīng)網(wǎng)絡FCN(Fully Convolutional Network)[14,15]也被廣泛應用于故障診斷領域，并取得了良好的效果。

卷積神經(jīng)網(wǎng)絡方法有許多優(yōu)點：不受時間和空間的約束，故障檢測范圍廣，能同時檢測多種故障類型。但是，隨著檢測故障的種類的增多，數(shù)據(jù)量和模型深度也會增加，模型的泛化能力會有所下降。

目前光伏電站的故障診斷方法存在檢測故障種類單一、檢測方法復雜難以推廣、準確率低、網(wǎng)絡退化等問題。針對這些問題，本文提出了一種基于殘差網(wǎng)絡結構的光伏故障診斷ResFD-PV(ResNet Fault Diagnosis for PhotoVoltaic)模型。該模型在某測試電站的故障診斷實驗中，對4種故障類型的診斷準確率高達98.59%，適合在分布式光伏電站廣泛推廣。本文的主要創(chuàng)新點包含以下2點：

(1)本文利用卷積操作的平移不變性，采用一維卷積核對光伏電站的時間序列數(shù)據(jù)進行感知和特征提取，并建立了多級卷積的深度網(wǎng)絡模型來提升光伏故障診斷的準確率。

(2)本文采用殘差結構建立了深度網(wǎng)絡跨層連接，解決了深度模型隨著層數(shù)增加而導致的梯度消失問題，優(yōu)化了深度模型的訓練過程。

2 基于殘差網(wǎng)絡的故障診斷模型

2.1 光伏故障類型

分布式光伏電站每天會產(chǎn)生海量的數(shù)據(jù)，這些數(shù)據(jù)分別由位于不同區(qū)域和不同組的發(fā)電設備產(chǎn)生。每個區(qū)域和組的設備類型相同，發(fā)生的故障種類也相似，所以可以根據(jù)每組設備的運行狀態(tài)來做故障診斷。

根據(jù)日常維修記錄，常見的故障類別可以歸納為4種，分別是光伏板遮擋故障、逆變器運行故障、逆變器短路故障和電壓數(shù)值異常故障。光伏板遮擋故障主要表現(xiàn)為光伏板的熱斑現(xiàn)象，這種問題產(chǎn)生的原因一般是光伏板被遮擋，在數(shù)據(jù)中的表現(xiàn)一般是逆變器中電流顯著降低。逆變器運行故障一般會導致電壓較大，這樣會導致逆變器運行異常。逆變器輸出端短路一般會導致電路電流的迅速增大。電壓數(shù)值異常是指三相電壓超出正常的范圍，一般是三相阻抗偏低或偏高導致的。常見故障與相關故障表現(xiàn)如表1所示。

Table 1 Fault categories,causes and results表1 故障類別及其表現(xiàn)

Figure 2 Network structure of the ResFD-PV model圖2 ResFD-PV模型的網(wǎng)絡結構

2.2 故障診斷流程

根據(jù)上文中選擇的光伏故障類型和對應的故障數(shù)據(jù)表現(xiàn)可以得出，選擇逆變器的三相電壓和三相電流數(shù)據(jù)可對上述4種故障進行診斷。故障診斷可以分為提取原始數(shù)據(jù)、數(shù)據(jù)預處理、模型訓練和模型測試與輸出4個階段，總體流程如圖1所示。

Figure 1 Flow chart of fault diagnosis圖1 故障診斷流程圖

提取原始數(shù)據(jù)階段：這個階段的目的是根據(jù)故障類型提取出與故障相關的運行數(shù)據(jù)。根據(jù)表1可以得出，與本文研究的4種故障相關的數(shù)據(jù)為三相電壓和三相電流。在提取數(shù)據(jù)階段，將三相電壓和三相電流值取出，然后分別對這些數(shù)據(jù)做預處理。

數(shù)據(jù)預處理階段：由于原始數(shù)據(jù)有時會出現(xiàn)數(shù)據(jù)缺失異常的情況，對于原始三相電流和三相電壓數(shù)據(jù)，需要根據(jù)缺失位置的前后數(shù)據(jù)取均值補全所缺數(shù)據(jù)。通常光伏電站在有光照的時候才能夠正常開機運行，所以需要選擇時間在8：00～18：00時的運行數(shù)據(jù)。由于電流數(shù)據(jù)變化較大，需要首先對電流值做濾波處理，減小瞬時異常數(shù)據(jù)的影響。然后計算每半個小時運行數(shù)據(jù)的均值作為該時間段的數(shù)據(jù)，減小短時間的異常數(shù)據(jù)對故障診斷產(chǎn)生的影響。為了使模型更容易提取故障特征，需要分別對電壓和電流數(shù)據(jù)做處理，即預提取操作。最后將預處理特征的數(shù)據(jù)與原始數(shù)據(jù)結合為一維數(shù)據(jù)，劃分為訓練集與測試集。

模型訓練階段：首先設置模型的超參數(shù)，然后在訓練集上對預設超參數(shù)的模型進行訓練。

模型測試與輸出階段：該階段主要是導出訓練模型，然后在測試集上衡量模型的診斷效果。

2.3 殘差網(wǎng)絡模型

He等[16]提出了ResNet模型，該模型采用了殘差網(wǎng)絡結構來解決卷積神經(jīng)網(wǎng)絡退化和梯度消失的問題。殘差網(wǎng)絡模型主要用于圖像識別領域，卷積核為二維卷積核。使用殘差結構的神經(jīng)網(wǎng)絡在解決梯度消失問題上有著很好的表現(xiàn)。本文提出了一種基于殘差網(wǎng)絡結構的光伏故障診斷模型ResFD-PV，模型結構如圖2所示。

ResFD-PV模型所用的卷積單元包含卷積層、規(guī)范化層BN(Batch Normalization)和激活層ReLU(Rectified Linear Unit)。

卷積操作的目的是將相鄰數(shù)據(jù)的數(shù)據(jù)特征提取出來，多個卷積操作的疊加有利于擴大特征提取范圍。

BN層的作用是規(guī)范數(shù)據(jù)范圍、加快收斂速度和歸一化數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡的訓練過程中會出現(xiàn)內(nèi)部協(xié)變量移位現(xiàn)象。隨著訓練的進行，底層網(wǎng)絡中的參數(shù)發(fā)生微弱變化時，這種變化會隨著網(wǎng)絡的深入不斷被放大。另外，隨著反向傳播的進行，上層網(wǎng)絡也因需要不斷適應這種變化而進行調(diào)整，使得網(wǎng)絡學習速度降低，減緩了收斂速度。本文針對這種現(xiàn)象，在每層卷積輸出時增加規(guī)范化操作，以減少數(shù)據(jù)微弱變化對深層網(wǎng)絡層的影響。

由于卷積操作是線性運算，如果僅僅是卷積層相連，那么最終也只能學習到線性關系的參數(shù)，所以需要在每個卷積操作之后加上激活函數(shù)層。激活函數(shù)層的引入使得原始的線性關系轉化為了非線性關系，這樣訓練出的模型可以逼近非線性函數(shù)。ReLU函數(shù)常用于隱層神經(jīng)元輸出，如式(1)所示：

ReLU(x)=max(0,x)

(1)

基本卷積單元的計算公式如式(2)所示：

(2)

其中，W表示要訓練的權重，x表示輸入的參數(shù)，b為偏移，?是卷積操作符，BN為歸一化操作，s為ReLU激活函數(shù)的輸入。

如圖2所示，分布式光伏故障診斷模型的基本框架使用了3個殘差結構。每層殘差結構由3個基本卷積單元組成，每個基本殘差單元的最后一個ReLU層與殘差輸入相加的結果作為下一個殘差結構的輸入，3個殘差結構中的卷積層通道數(shù)分別是64，128和128。基本殘差結構如式(3)所示：

(3)

其中，每個Block表示一個基本的卷積單元，ki表示第k個殘差結構的第i個基本卷積單元。

第3個殘差結構的輸出作為平均池化的輸入。平均池化之后增加Softmax層輸出分類結果。

Softmax是一種歸一化指數(shù)函數(shù)，在深度學習領域，Softmax常用于分類問題。給定一系列類別，Softmax 可以給出某輸入被劃分到各個類別的概率分布。Softmax公式如式(4)所示：

(4)

(5)

其中，z表示原始向量，σ(z)j表示經(jīng)Softmax操作后的第j個值，P(y=j|x)表示樣本x屬于第j類的概率,zj表示原始向量z的第j個分量,K表示類別數(shù)量。

傳統(tǒng)的ResNet結構對每2個卷積層做一次殘差相加。而ResFD-PV模型使用3層基本卷積作為殘差基本單元，簡化了模型結構，減少了參數(shù)。

3 實驗與模型設置

3.1 數(shù)據(jù)集簡介

實驗中所使用的數(shù)據(jù)來源于某光伏電站2019年7月至2020年3月的運行日志和故障維修記錄。運行日志數(shù)據(jù)包含發(fā)電量、上網(wǎng)電量、日發(fā)電量、電壓和電流等72項數(shù)據(jù)記錄。經(jīng)過與故障維修記錄的對比分析，發(fā)現(xiàn)故障常常出現(xiàn)在光伏組件上。另外，結合故障發(fā)生時的運行數(shù)據(jù)表現(xiàn)：故障發(fā)生時，運行異常數(shù)據(jù)常常反映在逆變器上。根據(jù)以上情況分析，篩選出逆變器運行數(shù)據(jù)6項和常見故障4項。篩選出的運行數(shù)據(jù)分別是三相電壓U_AB、U_BC、U_AC和三相電流I_A、I_B、I_C。

3.2 數(shù)據(jù)預處理

本文將分布式光伏電站的運行狀態(tài)劃分為5種，其中1種為正常情況，另外4種為故障狀態(tài)。為了避免因目標值大小引起的計算損失函數(shù)誤差，本文采用了one-hot向量的方式來表示分類目標。one-hot向量中每一個位置的數(shù)值代表了一種分類結果，每個向量中僅有一位的值為1，代表了該組數(shù)據(jù)的所屬類型，其它值都為0。

為了更加直觀地體現(xiàn)故障數(shù)據(jù)特征，加速模型的訓練過程，本文抽取出三相電壓差(U1,U2,U3)和電流前后變化差值(I1,I2,I3)6項數(shù)據(jù)作為人工特征。然后對數(shù)據(jù)進行歸一化處理，將原始缺失的數(shù)據(jù)補全。本文采用低通濾波器和小波變換分別對歸一化后的數(shù)據(jù)進行降噪處理，歸一化數(shù)據(jù)和降噪處理后數(shù)據(jù)對比如圖3所示。

從圖3中可以看出，經(jīng)過小波變換后的曲線能夠更加準確地描繪出電流變化趨勢，所以后續(xù)的實驗將使用小波變換來對電流數(shù)據(jù)進行濾波處理。

光伏電站每5 min產(chǎn)生一組運行數(shù)據(jù)，每天可產(chǎn)生120組(上午8：00至下午6：00)數(shù)據(jù)。這樣的數(shù)據(jù)冗余度較高且訓練中產(chǎn)生的參數(shù)較多。選擇將每半小時計算一次數(shù)據(jù)的均值作為一組數(shù)據(jù)，所以每天產(chǎn)生20組數(shù)據(jù)。根據(jù)數(shù)據(jù)的時間序列特性，卷積網(wǎng)絡使用一維卷積模型，將每天的數(shù)據(jù)變換為一維向量作為一個訓練樣本個體，則該向量長度為240。

Figure 3 Comparison between normalized data and noise reduction treated data圖3 歸一化數(shù)據(jù)和降噪處理后數(shù)據(jù)對比

3.3 評價指標

故障診斷類型一共劃分為5種，分別是正常狀態(tài)和表1中的4種故障類別。模型采用準確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1等評價指標。

準確率描述了模型預測正確的樣本概率,其計算公式如式(6)所示：

(6)

對于二分類問題，TP表示預測結果與實際結果均為正樣本的數(shù)量；TN表示預測結果與實際結果均為負樣本的數(shù)量；FP表示預測結果為正樣本，實際為負樣本的數(shù)量；FN表示預測結果為負樣本，實際為正樣本的數(shù)量。

精確率、召回率和F1的計算公式如式(7)～式(9)所示：

(7)

(8)

(9)

對于多分類的問題，只統(tǒng)計準確率，即分類正確的樣本數(shù)占總體樣本數(shù)的比例。在計算每種故障類別診斷的精確率、召回率和F1時，按照二分類的標準計算。

3.4 模型設置與分析

ResFD-PV模型訓練過程中，需要手動指定一些超參數(shù)，這些超參數(shù)的設置在一定程度上影響了模型訓練的最優(yōu)結果。在本次實驗中，設置的超參數(shù)如表2所示。

Table 2 Hyperparameter settings in ResFD-PV model表2 ResFD-PV模型中超參數(shù)的設置

卷積核的大小反映了模型感受野的范圍。在傳統(tǒng)圖像處理的模型中，卷積核越大，模型的感受野越大，然而參數(shù)量會增加，花費的訓練時間也就越長。在本次實驗中，為了探究最優(yōu)化的模型結構，選擇不同的卷積核大小交叉排列，同時兼顧了計算量和精度。實驗中選擇的卷積核的長度分別是3,5,7和8。不同大小卷積核訓練結果如表3所示。

Table 3 Training results using different convolution kernels表3 不同卷積核模型的訓練結果

從表3中可以看出，在三層殘差單元中卷積核大小均為3和殘差單元中卷積核大小分別為5,5和3時，模型取得了比其他參數(shù)更好的實驗效果，在測試集上的準確率為98.59%。而隨著卷積核大小的增加，模型的泛化能力反而有所下降，導致此結果的原因可能有3種：(1)訓練周期(Epoch)較小導致訓練模型還未收斂；(2)參數(shù)過多而樣本數(shù)量較少導致模型過擬合。

本文進一步探究了卷積核尺度對模型訓練過程和模型準確率的影響。圖4展示了3個殘差基本單元中卷積核長度均為5,5,3時，模型訓練過程中損失函數(shù)Loss值的變化曲線。從圖4中可以看出,當訓練周期在300時，訓練模型的準確率已經(jīng)不再變化，說明模型已經(jīng)收斂。Loss值在訓練過程中不斷降低，當訓練周期達到969時，Loss值達到最低點6.87e-4?？梢娋矸e核大小均為5,5,3時已經(jīng)達到了模型的最優(yōu)化訓練狀態(tài)，過大的卷積核可能會造成模型的過擬合，影響泛化能力。

表4所示為卷積核為3時ResFD-PV模型得到的不同種類故障的精確率、召回率和F1 的值。從表4中可以看出，對不同種類的故障，ResFD-PV模型均有較好的表現(xiàn)。

Table 4 Performance of the ResFD-PV (kernel=3)model on the test set表4 ResFD-PV(kernel=3)模型在測試集上的結果 %

4 結果與討論

4.1 故障診斷結果比較

本文選擇了CNN[13]、FCN[14,15]、MLP[12]、SVM[9-11]和BN[7]等多個常見的故障診斷智能模型進行對比實驗，結果如表5所示。

Table 5 Comparison of results of several fault diagnosis models表5 不同故障診斷模型的結果比較

從表5可以看出，本文提出的ResFD-PV模型在測試集上的準確率為98.59%，明顯優(yōu)于幾種常見的故障診斷智能模型。CNN模型的網(wǎng)絡結構與ResFD-PV模型類似，而且卷積核的大小與卷積層數(shù)量也保持一致，但是缺少了殘差結構，在測試集上的準確率為95.30%。

采用卷積神經(jīng)網(wǎng)絡的模型在測試集上的準確率均在95%以上，最低的CNN模型為95.30%。而采用傳統(tǒng)機器學習方法的模型，準確率均在80%以下，說明卷積神經(jīng)網(wǎng)絡故障診斷更加有效。這是因為：(1)從數(shù)據(jù)上來看，故障數(shù)據(jù)具有時序性的特點，即前后數(shù)據(jù)與時間有關。如上午陽光較弱時產(chǎn)生的電流值與中午光照強度較大時的電流值不同，電流值大小與監(jiān)測時間相關，而這個關系通過SVM等傳統(tǒng)算法難以學習。(2)不同維度的數(shù)據(jù)之間存在相互影響。如不同相的電壓值應該大致相同，不同時間電壓值變化很小，而不同相電壓值相差超出一定范圍則表明發(fā)生了故障。這種不同維度數(shù)據(jù)之間的相互關系也很難通過傳統(tǒng)算法學習得到。(3)故障發(fā)生的時間較為隨機，所以數(shù)據(jù)異常的時刻不固定，即使相同的故障數(shù)據(jù)也會呈現(xiàn)出不同的特征表現(xiàn)，因此傳統(tǒng)方法會受到較大的限制。

隨著社會經(jīng)濟不斷發(fā)展，綠色發(fā)展的理念愈發(fā)深入民心，在此背景下，環(huán)境影響的評價機制作為一種預防性的環(huán)境保護制度顯得十分重要。環(huán)境保護制度能夠為環(huán)境綜合治理和城市的環(huán)境規(guī)劃提供參考依據(jù)，促進經(jīng)濟社會的長遠發(fā)展。

由于ResFD-PV模型使用卷積神經(jīng)網(wǎng)絡，具有寬闊的感受野，能夠學習到同一組數(shù)據(jù)和不同組數(shù)據(jù)之間的相互關系。而且多層卷積核的疊加，能夠極大地拓寬感受野，學習到更多數(shù)據(jù)特征。同時，卷積神經(jīng)網(wǎng)絡與數(shù)據(jù)位置無關的特性正好適用于時序數(shù)據(jù)。采用殘差結構能夠加速模型訓練過程，增加跨層間的聯(lián)系，減弱梯度消失對模型訓練的影響，進一步提高模型預測的準確率。從上述實驗結果可以看出，殘差神經(jīng)網(wǎng)絡在光伏故障診斷方面相比傳統(tǒng)分類方法較優(yōu)。

4.2 卷積網(wǎng)絡模型訓練過程比較

ResFD-PV模型采用了殘差結構來解決深度卷積網(wǎng)絡梯度消失的問題，從而加速模型的訓練過程。為了驗證殘差結構的有效性，采用CNN模型與ResFD-PV模型進行實驗對比。訓練過程如圖5所示。

Figure 5 Comparison of the training process of the ResFD-PV model and the CNN model 圖5 殘差網(wǎng)絡模型和傳統(tǒng)CNN模型的訓練過程對比

從圖5訓練過程的準確率變化曲線可以看出，ResFD-PV模型有2個顯著的特點：(1)訓練剛開始時，準確率提升明顯，且訓練速度快。當Epoch達到380左右時，ResFD-PV模型已收斂，準確率達到最高點，而同周期的CNN模型還未收斂。當Epoch約為600時，CNN模型才收斂。(2)準確率高。ResFD-PV模型預測準確率一直高于CNN模型，最終的準確率為98.59%，明顯高于CNN模型的95.30%。(3)在CNN模型訓練后期，準確率波動一直較大，而ResFD-PV模型幾乎沒有波動，一直穩(wěn)定在98.00%附近。從上述實驗結果可以看出，本文提出的ResFD-PV模型在光伏故障診斷問題上顯著優(yōu)于CNN模型。

5 結束語

為了較好地解決分布式光伏電站運行時故障診斷問題，本文提出了一種基于殘差結構的卷積神經(jīng)網(wǎng)絡模型，實現(xiàn)了光伏電站故障類型的快速診斷。針對光伏電站運行數(shù)據(jù)的時序性和故障發(fā)生時間的不確定性等特點，深度卷積神經(jīng)網(wǎng)絡能夠有效地學習到數(shù)據(jù)之間的時序性特征。由于卷積操作的平移不變性，無論故障發(fā)生在什么時刻，均可以提取出相同的故障特征。另一方面本文采用殘差網(wǎng)絡結構，解決了深度模型隨著層數(shù)增加而導致的梯度消失問題，優(yōu)化了深度模型的訓練過程。

光伏電站的測試數(shù)據(jù)上的實驗結果表明，本文提出的ResFD-PV模型顯著優(yōu)于現(xiàn)有多種故障診斷模型，該模型可以廣泛應用在分布式光伏電站的檢測運維中，為電力巡檢、故障分析提供新的解決方案。