王福忠, 侯 奧, 張 麗

(河南理工大學 電氣工程與自動化學院,河南 焦作 454000)

0 引 言

光伏(photovoltaic,PV)組件長期工作在室外惡劣條件下導致工況異常情況頻發(fā),影響發(fā)電效率,嚴重時可使組件損壞[1～3]。因此,需要一種經濟高效的措施實現(xiàn)對PV組件[4,5]運行健康狀況的實時診斷,及時發(fā)現(xiàn)是否存在異常,防止事故的發(fā)生和擴大,保證系統(tǒng)的可靠運行。

目前,國內外在對PV組件異常診斷方法中,文獻[6]通過智能算法對光伏陣列進行診斷,但診斷類型較少。文獻[7]獲取特征向量需要額外設備且無法實現(xiàn)在線診斷。文獻[8]中參數(shù)需要人工測量。文獻[9]沒有考慮環(huán)境因素。

針對上述問題,本文建立一種基于T-S模糊神經網(wǎng)絡(Takagi-Sugeno fuzzy neural network, T-S FNN)算法的模型,通過分析組件異常工況下的輸出特性選取特征向量進行處理后作為模型輸入,使用模糊C均值(fuzzy C-means,FCM)選取適當初始值提高模型的收斂速度,改進自適應LM(improved adaptive LM,IALM)算法作為學習算法以提高模型精度,實現(xiàn)組件在線健康診斷且顯示異常類型,最后通過仿真驗證本文模型的精確度及實用性。

1 PV組件異常類型與特征參數(shù)選取

1.1 異常類型

PV組件內部結構與異常示意如圖1所示。

圖1 PV組件內部結構及異常示意

本文以某PV組件為例,該組件由60塊單體電池串聯(lián)而成,每20個電池片并聯(lián)一個旁路二極管起保護作用。通常組件異常情況有電池片短路、EVA變黃、老化、陰影、出線絕緣降低等[10]。

1.2 特征參數(shù)選取

組件的U-I曲線在異常運行與正常運行時差異較大,蘊含大量異常特征,且組件易受外界因素影響,因此，對組件相同外界條件下同異常不同程度運行的U-I曲線分析,如圖2所示。

圖2 同異常不同程度運行狀態(tài)下的U-I曲線

由圖2分析可知,在相同的光照強度(S)及溫度(T)條件下，組件外部電氣參數(shù)隨著異常程度加深的變化情況如表1所示。表1中，“↓”代表參數(shù)下降,“-”代表參數(shù)無明顯變化。

表1 外部電氣參數(shù)變化情況

在實際運行中，PV系統(tǒng)內帶有直接采集最大功率點電壓(Um)、電流(Im)數(shù)據(jù)的功率變換器,而開路電壓(Uoc)、短路電流(Isc)需要額外儀器獲得,故采用式(1)對Um和Im進行處理,式(1)中Uoc-r和Isc-r為標準測試條件下的組件開路電壓和短路電流

U*=Um/Uoc-r,I*=Im/Isc-r

(1)

為區(qū)分因環(huán)境因素造成模型的誤判,將處理后的電壓U*和I*電流以及S和T作為PV組件健康診斷模型的輸入。

2 基于T-S FNN的PV陣列健康診斷模型構建

PV組件沒有精確的特征量變化標準來衡量是否出現(xiàn)異常,存在一定的模糊性。而T-S FNN結合非線性映射的神經網(wǎng)絡以及進行知識推理的模糊邏輯,實現(xiàn)模型自動更新且能夠對輸入量進行模糊處理[11]。T-S FNN結構如圖3所示[12],主要分為前件網(wǎng)絡和后件網(wǎng)絡兩大部分。

圖3 某PV組件的T-S FNN工作狀態(tài)診斷模型

1)前件網(wǎng)絡

輸入層：由上節(jié)確定本文模型輸入特征向量為：U*,I*,S,T。為消除輸入?yún)?shù)量綱,需對其進行歸一化處理

(2)

式中Xn為歸一化后的數(shù)據(jù),xn為原始數(shù)據(jù),xmax和xmin為原始數(shù)據(jù)中的最大值和最小值。

(3)

式中i=1,…,N;j=1,…,M。cij和bij分別為第i個輸入的第j個高斯函數(shù)的中心和寬度,M為隸屬函數(shù)個數(shù),N為輸入樣本總數(shù)。

模糊規(guī)則層：計算每條規(guī)則的激活度。每節(jié)點對應一條模糊規(guī)則,有MN個節(jié)點

Tk=μ1s1j…μNsNj

(4)

式中k=1,…,MN;s1j∈{1,2,…M},…,sNj∈{1,2,…M}。

規(guī)則歸一化層：對輸入?yún)?shù)規(guī)則激活度的釋放,節(jié)點數(shù)與上一層相同。該層節(jié)點輸出為

(5)

2)后件網(wǎng)絡

本文設計診斷異常類型有五種,故T-S FNN模型后件網(wǎng)絡由五個結構相同的子網(wǎng)絡并聯(lián)構成,每個子網(wǎng)絡由三層組成。

輸入層：與前件網(wǎng)絡第一層相同但第0個節(jié)點輸入值為1(提供常數(shù)項)。

規(guī)則后件層：每個節(jié)點輸出的是每一模糊規(guī)則的后件,為輸入層通過連接權值ρ連接求和輸出。有MN個節(jié)點

(6)

式中k=1,2,…MN;O=1,2,…,5。

輸出層：子網(wǎng)絡的最終輸出結果。計算如下

(7)

得到每個子網(wǎng)絡的最終輸出后,對5個子網(wǎng)絡的輸出做出定義如表2所示。

表2 健康診斷的輸出定義

3 基于T-S FNN的PV陣列健康診斷模型的優(yōu)化

3.1 基于模糊C均值的隸屬函數(shù)初始化

本文使用FCM確定T-S FNN參數(shù)初始值。給定的數(shù)據(jù)集X分為M類,第j類的聚類中心為Pj(j=1,2,…,M),μi(xi)為第i個樣本對應第j類的隸屬度函數(shù)。則FCM可表述為

(8)

式中N為樣本組數(shù),b為加權指數(shù)。對μj(xi)和Pj求偏導并等于0可得Ef達到極小值的必要條件為

(9)

Dj=|Pj-j|/γ,j=1,2,…,M

(10)

3.2 基于LALM算法的隸屬函數(shù)參數(shù)學習

LALM是LM的改進算法,在具有局部收斂速度快、求解誤差小特性的基礎上,計算更簡便且可根據(jù)輸出誤差來調整學習系數(shù),LALM參數(shù)更新規(guī)則采用[13]

θ(t+1)=θ(t)-(ψ(t)+η(t)I)-1Ω(t)

(11)

式中θ(t)=[b(t),c(t)]T為需要更新的參數(shù)向量,I為防止矩陣求逆出現(xiàn)奇異的單位陣。ψ(t)為準海森矩陣,Ω(t)為梯度向量,η(t)為自適應學習率。η(t)規(guī)則如下

η(t)=α‖e(t)‖+(1-α)‖Ω(t)‖,0<α<1

(12)

式中e(t)=[e1(t),…,ep(t)]T為誤差向量,P為樣本總數(shù),對第p個樣本ep(t)定義為期望輸出與網(wǎng)絡輸出之間的差值為

ep(t)=ydp(t)-yop(t)，p=1,2,…,P

(13)

式中ψ(t)和Ω(t)為所有樣本子矩陣φp(t)、子向量ωp(t)的累加和,如式(14)、式(15)所示

(14)

(15)

(16)

根據(jù)T-S FNN采用的梯度下降學習算法,式(16)中對于第i個學習樣本雅可比矩陣行向量對應元素的值如式(17)、式(18)所示

(17)

(18)

3.3 改進模型流程

本文通過FCM算法解決T-S FNN模型因初始值選取不當造成收斂速度慢的問題,采用LALM算法使得模型輸出精度更高,最終建立的健康診斷模型流程示意如圖4所示。

圖4 基于T-S FNN健康診斷流程示意

4 仿真驗證

4.1 樣本數(shù)據(jù)的選取

本文使用的PV組件型號為Auxin Solar AXN-P6T210(Uoc-r=35.9 V,Isc-r=7.6 A,Um-r=29.64 V,Im=7.09 A)通過軟件仿真搭建組件模型,采集外界環(huán)境參數(shù)光照強度S在1 000～500 W/m2以及溫度T在40 ℃至5 ℃的特征參數(shù),如表3所示。

表3 模型數(shù)據(jù)選取

4.2 仿真驗證

在結果中以短路異常工況下三種診斷模型的訓練誤差曲線為例進行說明,如圖5所示。

圖5 訓練誤差變化

從圖5中可以看出,T-S FNN模型在迭代200次后趨于穩(wěn)定,總誤差值為45。FCM初始化后模型在迭代70次后趨于穩(wěn)定,總誤差值為45。本文模型迭代70次后趨于穩(wěn)定且誤差值減小為23。

4.3 診斷結果與分析

經過990組特征參數(shù)訓練后,剩余110組測試數(shù)據(jù)的診斷輸出如表4所示。

表4 模型診斷輸出結果

本文模型與T-S FNN模型輸出誤差對比如圖6所示。

圖6 改進算法與傳統(tǒng)算法輸出誤差

結合表4和圖6可知：1)本文模型診斷準確率能保持在94 %,正確率較高且診斷誤差很小。2)T-S FNN模型的正確率僅為36 %,誤判率較高且診斷誤差較大。3)本文模型能夠有效地對光伏組件異常進行診斷,比傳統(tǒng)T-S FNN模型的診斷精度提高了58 %。能夠實現(xiàn)PV組件異常情況在線健康診斷的準確性、高效性。

面對越往后監(jiān)督執(zhí)紀越嚴的新形勢，執(zhí)紀審查調查工作對紀檢監(jiān)察干部的能力、素質和要求也越來越嚴、越來越高。隨著《中華人民共和國監(jiān)察法》的頒布實施和監(jiān)察委的成立，監(jiān)察對象的數(shù)量持續(xù)增長、監(jiān)察對象的范圍進一步擴大。面對全新形勢、任務和挑戰(zhàn)，少數(shù)干部適應全新工作環(huán)境和駕馭復雜問題的工作能力不足。一些干部“本領恐慌”、擔當不足、主動創(chuàng)新和謀劃工作不夠，致使在推動和落實工作時，未能取得最佳成績。

5 結 論

1)為了能夠實現(xiàn)光伏PV組件的在線診斷及避免外界環(huán)境造成模型的誤判,選取經處理后的PV組件電壓U*,電流I*,S和T作為診斷模型輸入。

2)建立了基于T-S模糊神經網(wǎng)絡的PV組件在線健康診斷模型,實現(xiàn)了光伏組件短路故障、EVA變黃、老化、陰影、出線絕緣降低等異常工況的在線健康診斷。

3)采用FCM作為模型初始化算法,IALM作為模型學習算法,提高了模型的收斂速度與輸出精度。

4)基于仿真結果分析得到,模型對于組件的健康診斷精度可達到94 %,滿足對PV組件實時監(jiān)控并顯示異常類型的要求。