李東虎，徐凌樺，龍道銀，王 霄,3，覃 濤，楊 靖,3

（1.貴州大學電氣工程學院，貴陽 550025；2.中國電建集團貴州工程有限公司，貴陽 550025；2.貴州省“互聯(lián)網(wǎng)+”協(xié)同智能制造重點實驗室，貴陽 550025）

1 引 言

隨著光伏產(chǎn)業(yè)的飛速發(fā)展，光伏電站的成本控制、運行維護等問題廣受關(guān)注。光伏陣列是光伏電站的核心組成部分，所處的工作環(huán)境較為惡劣，在雨水、灰塵的侵蝕下容易發(fā)生故障，若不能及時發(fā)現(xiàn)并解決光伏陣列的故障問題，將會降低發(fā)電效率，尋求解決方案的種種努力促進了直流側(cè)光伏陣列故障診斷技術(shù)的發(fā)展［1］。文獻［2］利用模糊C 均值聚類和隸屬度函數(shù)算法來進行故障診斷；文獻［2］等將故障樹、事件樹與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合起來，提升了復(fù)雜非線性系統(tǒng)的診斷效率；文獻［4］利用L-M 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)進行故障識別；文獻［5］將BP 神經(jīng)網(wǎng)絡(luò)量化，利用定性數(shù)據(jù)解決設(shè)備故障診斷問題。在從多研究成果中，仍然存在收斂速度慢、收斂精度低、正確率不高等問題［6-8］。在此提出一種遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)光伏陣列故障診斷方法。利用全局搜索性能好的遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，嘗試提高算法收斂速度與收斂精度。

2 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)

新方法是來自生物學原理的遺傳算法與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)合。首先要對種群數(shù)量、各項參數(shù)進行初始化。對種群個體進行編碼，采用二進制形式進行，具體表達式如下：

其中m 表示輸入層神經(jīng)節(jié)點個數(shù)，n 表示輸出層神經(jīng)節(jié)點個數(shù)，q 表示隱含層神經(jīng)節(jié)點個數(shù)，L 為編碼總長度。在光伏陣列故障診斷模型中，輸入量為Voc、Isc、Imp、Ump共四個參數(shù)，輸出診斷結(jié)果為正常狀況、短路故障、開路故障、老化故障、局部陰影，共五種結(jié)果，因此整個網(wǎng)絡(luò)結(jié)構(gòu)為4-6-5 型。

在本研究中，改進的方向是對權(quán)值、閾值進行優(yōu)化，減少輸出誤差，所以根據(jù)實際輸出與期望輸出的差值來構(gòu)造適應(yīng)度函數(shù)如下：

其中，n 為輸出層神經(jīng)節(jié)點數(shù)，Ti為輸出層神經(jīng)節(jié)點i 的期望輸出；yi為輸出層神經(jīng)節(jié)點i 的實際輸出。

隨之，要選擇運算方式。采用適應(yīng)度比例法，即輪盤賭法的方式，盡量將適應(yīng)度值較高的優(yōu)秀個體遺傳到下一代。選擇的概率公式如下：其中，η 為交叉算子，為［0,1］區(qū)間上的隨機數(shù)；Xaj、Xbj分別代表第a 個染色體、第b 個染色體在j 位的交叉運算。

在此采取變異運算，即改變個體的某處基因隨機產(chǎn)生變異基因。變異后的染色體為：

其中，σ 表示變異算子，Xmin、Xmax分別代表種群中的最小值、最大值。

若計算的個體適應(yīng)度達到了終止條件，例如訓練誤差閾值或最大迭代次數(shù)，則停止迭代。解碼賦值給BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和初始閾值，訓練新的BP 神經(jīng)網(wǎng)絡(luò)。如未達到終止條件，則返回公式（2）繼續(xù)迭代。以上述流程進行改進后的BP 神經(jīng)網(wǎng)絡(luò)的后續(xù)訓練，用于光伏陣列的故障診斷。

3 光伏陣列故障分析

在MATLAB/Simulink 建立2×2 的光伏陣列模型，如圖1 所示。每一個支路為2 個光伏組件串聯(lián)，一共2 個支路并聯(lián)。每一個光伏組件都是相同的，對應(yīng)的參數(shù)為：最大輸出功率218.871 W，最大功率點電壓29.2V，最大功率點電流7.47A，短路電流7.97A，開路電壓26.6V，輻照強度1000W/m2，溫度25℃。

圖1 2×2 光伏陣列仿真模型

在診斷模型研究中，合理選擇輸入變量，不僅能使模型設(shè)計變得簡單，而且能夠提高模型輸出性能。此處在四種故障狀態(tài)下，對光伏陣列的輸出特性進行詳細分析，對應(yīng)的特性曲線由圖2 所示。

圖2 不同工況下光伏陣列輸出特性曲線

4 實驗結(jié)果與分析

實驗平臺采用離網(wǎng)型發(fā)電系統(tǒng)，利用模擬故障的方式進行數(shù)據(jù)的獲取。將某串的陣列連接線斷開模擬開路故障；空氣開關(guān)連接一個導(dǎo)線與某組件并聯(lián)，開關(guān)打開時為短路故障；連接大功率可調(diào)電阻，模擬老化故障；利用透光率低的不透明紙遮擋光伏組件模擬陰影遮擋。以此獲取2020 組數(shù)據(jù)，每類運行工作狀態(tài)410 組作為輸入樣本，其中200 組作為訓練數(shù)據(jù)樣本，剩余的作為測試數(shù)據(jù)樣本，具體數(shù)據(jù)集設(shè)置情況如表1 所示。

表1 實驗數(shù)據(jù)集設(shè)置情況

從構(gòu)建的數(shù)據(jù)集中再選出550 組作為測試數(shù)據(jù)，來比較不同故障診斷算法的診斷效果。表2 為光伏陣列的五種輸出狀態(tài)。初始化遺傳算法，種群數(shù)量為50，最大迭代次數(shù)為100，變異算子、交叉算子分別為0.1、0.2；BP 神經(jīng)網(wǎng)絡(luò)部分的輸入層節(jié)點數(shù)為4，隱含層節(jié)點數(shù)為9，輸出層節(jié)點數(shù)為5，學習因子為0.1，訓練目標最小誤差為10-2。

表2 光伏陣列輸出狀態(tài)表

仿真訓練后，得到神經(jīng)網(wǎng)絡(luò)誤差曲線，如圖2所示。圖4 則為遺傳算法改進BP 神經(jīng)網(wǎng)絡(luò)誤差曲線。從二圖對比可知，未經(jīng)優(yōu)化改進的BP 神經(jīng)網(wǎng)絡(luò)最小驗證誤差出現(xiàn)在第29 次迭代，值為0.0078401；遺傳算法改進BP 神經(jīng)網(wǎng)絡(luò)的最小驗證誤差出現(xiàn)在第17 次迭代，值為0.0068062，算法訓練誤差趨于平穩(wěn)?？梢娊?jīng)過遺傳算法改進之后，不僅BP 神經(jīng)網(wǎng)絡(luò)的收斂速度提高了，誤差也有減小。

圖3 BP 神經(jīng)網(wǎng)絡(luò)誤差曲線

圖4 遺傳算法改進BP 神經(jīng)網(wǎng)絡(luò)誤差曲線

兩種診斷模型故障診斷結(jié)果如圖5 所示，其中橫坐標表示測試樣本數(shù)，縱坐標中的1、2、2、4、5 對應(yīng)著光伏陣列五種狀態(tài)：正常狀態(tài)、開路故障、短路故障、老化故障、局部陰影。診斷精度的詳細數(shù)據(jù)記錄在表2 中。

圖5 兩種模型故障診斷結(jié)果

表3 兩種模型故障診斷準確率

可見，針對光伏陣列的五種工作狀態(tài)，遺傳優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)模型有更好的效果，各類型工況和平均正確率都是最好的，整體的正確率達到了90%，較BP 神經(jīng)網(wǎng)絡(luò)模型提高了12.4%。在局部陰影和老化故障方面，BP 神經(jīng)網(wǎng)絡(luò)識別率低，僅有72.6%、56.4%，但在優(yōu)化BP 中均達到了87.2%、78.2%，表明通過遺傳算法優(yōu)化得到的權(quán)值、閾值能有效提高故障診斷正確率，驗證了所提出的使用遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化來進行光伏陣列故障診斷的可行性、準確性和優(yōu)越性。

5 結(jié) 束 語

使用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，可很好應(yīng)用于光伏陣列故障診斷。利用全局搜索性能好的遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值，提高了BP 神經(jīng)網(wǎng)絡(luò)的收斂速度、收斂精度?；趯夥嚵泄收项愋偷姆治隹偨Y(jié)，針對實際的故障輸出特性，通過合理設(shè)計，在光伏陣列實驗平臺進行故障診斷的實驗驗證，以實驗結(jié)果證明了將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)相融合的新方法帶來的新的效果，研究也為光伏陣列故障診斷領(lǐng)域提供了新的助力。