張治 ，王悅 ，王林

（1.國家電投集團光伏產業(yè)創(chuàng)新中心，青海 西寧 810000；2.西安理工大學電子工程系，陜西 西安 710048）

光伏陣列是光伏發(fā)電過程中的重要組成部分，由于其長期處于室外，導致光伏系統(tǒng)的發(fā)電效率極易受到環(huán)境的影響。在光伏陣列運行過程中，陰影遮擋導致的最直接結果是輸出曲線呈現(xiàn)多峰和多膝現(xiàn)象[1]，由于光伏陣列在產生熱斑故障時與陰影遮擋時在輸出特征上有相似之處，因此可通過先識別陰影遮擋程度后再進一步分析是否存在熱斑故障。此外，陰影遮擋會造成光伏陣列中電池片輸出功率的不匹配，長期如此，便會損壞電池，影響光伏電站的發(fā)電性能。因此，對陰影遮擋的不同程度進行及時甄別，可達到預防熱斑故障的目的，避免其對陣列本身造成損害，降低發(fā)電效率。

文獻[2]提出一種基于參數(shù)識別的光伏陣列陰影分類方法，其通過混合RBF神經網絡和人工魚群算法，基于灰色預測得到光伏陣列的輸出功率，進而判斷出固定陰影遮擋和隨機陰影遮擋。但該方法由于參數(shù)過多，導致計算量較大。文獻[3]提出了基于電壓掃描的光伏陣列陰影診斷策略，該方法通過掃描得到光伏陣列的I—V與P—V特性曲線，將其作為判斷固定陰影和隨機陰影的基礎。此方法的局限性表現(xiàn)為對大規(guī)模電站進行監(jiān)測時，需大量采集數(shù)據(jù)的傳感器設備，硬件成本較高。文獻[4]使用紅外熱成像法來判斷陰影遮擋，根據(jù)光伏組件在各種工況下的溫度改變情況來識別陣列中是否存在故障，同樣地，運用該方法對大規(guī)模陣列使用高分辨率的熱像儀時會導致成本過高。文獻[5]通過對光伏陣列的I—V曲線與實測曲線進行比較，從而達到陰影判斷的目的。但其需離線掃描，是以減少電站的發(fā)電量為代價的。此外，該方法響應相對滯后，不適用于對實時性要求較高的情況。文獻[6]基于優(yōu)化算法采用傳統(tǒng)的BP神經網絡智能方法對陰影故障進行了判別，但其存在易陷入局部最優(yōu)問題。同時，該方法所需的診斷參數(shù)需在極端條件下獲得，數(shù)據(jù)難以獲取的同時也會給光伏電站的穩(wěn)定安全運行帶來隱患。

針對上述文獻中存在的開路電壓、短路電流等數(shù)據(jù)難以獲取、采集設備成本高、傳統(tǒng)智能分類算法易出現(xiàn)過擬合、耗時長等問題，提出了不依賴于大量環(huán)境參數(shù)的LPP-ABC-SVM方法對光伏陣列不同程度的陰影遮擋進行區(qū)分。其基于最大功率跟蹤數(shù)據(jù)，使用局部保持投影（locality preserving projection，LPP）降維方法對高維度的數(shù)據(jù)特征進行降維和特征提取，得到低維度向量。利用支持向量機（support vector machine，SVM）對不同程度的陰影遮擋進行分類，支持向量機的參數(shù)采用人工蜂群算法（artificial bee colony，ABC）對其尋優(yōu)，繼而提高陣列的陰影遮擋分類準確率。通過仿真實驗，證明了使用此方法的有效性和可行性。

1 LPP-ABC-SVM的分類策略

1.1 LPP降維方法原理

局部保持投影LPP降維方法屬于拉普拉斯映射中的一種線性逼近法[7-8]，其具有學習高維空間中樣本局部鄰域結構的能力，從而達到使用線性數(shù)據(jù)對非線性數(shù)據(jù)降維處理的目的。該方法通過建立高維數(shù)據(jù)空間，找出附近鄰域數(shù)據(jù)樣本間的關聯(lián)關系，使高維空間的樣本數(shù)據(jù)映射到低維空間中，同時不改變數(shù)據(jù)樣本間的局部特征，從而達到對數(shù)據(jù)降維的目的[9]。

1.2 支持向量機原理

SVM方法主要用于模式識別、數(shù)據(jù)分類和預測回歸等領域[10]，其工作原理是將不同的樣本通過比較，從而獲得一個分類超平面。對于線性可分的兩類問題，其求得一條分離線或分類平面；而對于非線性可分的問題，使用恰當?shù)暮撕瘮?shù)使低維空間的各個輸入點一一映射到某高維空間中，以便低維數(shù)據(jù)能夠在高維空間中線性可分，進而得到基于線性可分的最優(yōu)分類面。其中“最優(yōu)”是指為了將不同的樣本區(qū)分開，其分類間隔應該最大[11]。

1.3 人工蜂群算法原理

本文使用全局優(yōu)化算法——ABC算法，對支持向量機的關鍵參數(shù)進行尋優(yōu)操作。該算法旨在通過模擬自然界中蜜蜂群的行為來尋求各種問題的最優(yōu)解。該算法由3種蜂群組成，分別為偵察蜂、守望蜂和受雇用蜂，蜂群的總數(shù)是被雇用的蜜蜂數(shù)量的2倍，被雇用的蜜蜂數(shù)等于食物來源的數(shù)量[12-13]。

1）初始化時，假設解的個數(shù)為SN，且解是隨機產生的，食物來源的數(shù)量也為SN。初始解為

1.4 ABC-SVM模型的建立

本文建立ABC-SVM模型如下：

1）使用人工蜂群算法優(yōu)化支持向量機的懲罰因子C和核函數(shù)寬度σ，蜂群參數(shù)為：食物來源=雇用蜂=偵察蜂=N=25，最大的食物來源次數(shù)和迭代次數(shù)分別為50和1 000[15]。

2）為提高分類準確率，可通過使用SVM分類錯誤率來計算適應度函數(shù)，即

式中：Vacc為分類正確率。

3）設置懲罰因子C為[10-1，103]，核函數(shù)寬度r為[10-2，102]。

2 光伏陣列陰影遮擋分類策略

本文采用APM72M170W型號作為光伏陣列仿真模型，每20個電池片作為一個子陣列，且并聯(lián)1個二極管，其中涉及到的電氣參數(shù)如下：開路電壓Voc=44.2 V，最大功率點電壓Vmp=35.8 V，最大功率點功率Pmp=170 W，最大功率點電流Imp=4.75 A，短路電流Isc=5.05 A。

2.1 根據(jù)陰影遮擋的不同程度劃分

以STC條件為標準，溫度設置為25℃，分別將700 W/m2，400 W/m2作為輕度、中度陰影的上限，即表示3個光伏子陣列分別處于光照強度為700～1 000 ，400～1 000，100～1 000 W/m2的范圍內，為更貼合實際情況，設置光照強度變步長分別為30 ，60 ，90 W/m2，其I—V，P—V輸出特性與極值點分布情況如圖1～圖3所示。

圖1 輕度陰影遮擋的輸出特性與極值點分布情況Fig.1 The output characteristics and extreme points distribution of light shadow occlusion

圖2 中度陰影遮擋的輸出特性與極值點分布情況Fig.2 The output characteristics and extreme points distribution of moderate shadow occlusion

圖3 重度陰影遮擋的輸出特性與極值點分布情況Fig.3 The output characteristics and extreme points distribution of severe shadow occlusion

由圖1～圖3可知，可根據(jù)最大功率點集中的不同區(qū)域與極值點的個數(shù)來實現(xiàn)對不同陰影遮擋程度進行分類。對本文而言，輕度、中度、重度陰影遮擋所對應的極值點個數(shù)分別為1，2，3，通過獲得不同光照強度下的電壓及其對應的最大功率數(shù)據(jù)，可實現(xiàn)對光伏陣列不同程度陰影遮擋情況的檢測。

現(xiàn)將陣列陰影遮擋情況分為3種狀況，分類依據(jù)如表1所示。

表1 光伏陣列陰影遮擋分類依據(jù)Tab.1 Classification basis of shadow occlusion of photovoltaic array

2.2 根據(jù)陰影的類型劃分

根據(jù)陰影類型的不同進行劃分，可將光伏陣列的陰影遮擋分為固定陰影遮擋和隨機陰影遮擋。前者具有時不變性，而后者會根據(jù)時間、被擋面積等的變化而改變。

以STC條件為準則，溫度定為25℃，設置的光照強度則根據(jù)光照強度范圍100～900 W/m2，按照每個值相差100 W/m2的規(guī)律將其劃分為9個值，并作為光伏陣列陰影固定遮擋的依據(jù)。通過不斷改變光照強度來模擬被擋面積的變化，隨機遮擋則以上述不同程度陰影遮擋下的遮擋策略為基礎，對應其變步長分別將光照強度為900，700，400，700，900 W/m2的值作為隨機陰影遮擋光照強度的上限。

3 陰影遮擋分類策略仿真驗證

3.1 數(shù)據(jù)的獲取

采用改進型變步長擾動觀察法作為MPPT跟蹤算法[16-17]，依據(jù)上述表1中光照強度的改變來獲取不同陰影遮擋狀況下的電壓和最大功率數(shù)據(jù)，3種不同程度陰影遮擋的部分數(shù)據(jù)分布如圖4～圖6所示。

圖4 輕度陰影遮擋數(shù)據(jù)分布Fig.4 Distribution of light shadow occlusion data

圖5 中度陰影遮擋數(shù)據(jù)分布Fig.5 Distribution of moderate shadow occlusion data

圖6 重度陰影遮擋數(shù)據(jù)分布Fig.6 Distribution of severe shadow occlusion data

3.2 特征量的提取

使用LPP局部保持投影方法對取得的數(shù)據(jù)進行降維處理，根據(jù)所獲取的數(shù)據(jù)維度為并聯(lián)二極管個數(shù)的2倍，采用LPP方法對其降維，即舍棄無效的電壓和功率數(shù)據(jù)10%的信息，表示如下：

式中：V1mp為電壓極值點數(shù)據(jù)1，V2mp為電壓極值點數(shù)據(jù)2，V3mp為電壓極值點數(shù)據(jù)3；P1mp為功率極值點數(shù)據(jù)1，P2mp為功率極值點數(shù)據(jù)2，P3mp為功率極值點數(shù)據(jù)3。

其重要方向參數(shù)為

3.3 仿真結果

將得到的不同陰影遮擋下的功率及電壓數(shù)據(jù)總樣本隨機分為測試集和訓練集，分別使用BP神經網絡方法、SVM方法和本文提出的LPPABC-SVM方法來對不同陰影遮擋程度下的訓練集和測試集進行訓練和測試。該陰影遮擋分類策略下的BP神經網絡模型結構共有3層，分別為輸入層、隱含層和輸出層[18]。將電壓和功率數(shù)據(jù)表示為輸入向量X1～X6，并將3種不同程度的陰影遮擋表示為輸出向量Y1～Y3。其中隱含層節(jié)點的選取可參考如下公式在該式中，L表示為隱含層節(jié)點個數(shù)，M表示為輸入向量個數(shù)，N表示為輸出向量個數(shù)，θ為1～10之間的常數(shù)。

多次試驗結果表明，BP神經網絡隱含層節(jié)點的個數(shù)為9時，網絡性能最好，其部分訓練樣本如表2所示。

表2 BP神經網絡的訓練樣本Tab.2 Training samples of BP neural network

在經過1 000次訓練以后，BP神經網絡的分類性能已經基本達到了要求，輸出樣本的分類結果如表3所示。

表3 BP神經網絡的分類結果Tab.3 BP neural network classification results

BP神經網絡的分類總體辨識準確率為81.31%，分析表3中的數(shù)據(jù)，神經網絡的輸出結果與預定義的不同陰影遮擋程度下的輸出結果表現(xiàn)基本是一致的，證實了將其應用于光伏陣列的陰影遮擋分類中是可行的。

此外，本文使用泛化性能較高的RBF函數(shù)作為SVM的核函數(shù)，懲罰參數(shù)C=16，核函數(shù)寬度r=1.9。

為表明本文所提方法的優(yōu)越性，將上述前兩種方法作為參照，得到的不同訓練比例下不同陰影遮擋程度的狀況總體趨勢和分類準確率如圖7～圖9所示。

圖7 BP神經網絡算法下不同陰影遮擋程度的總體趨勢Fig.7 The overall trend of different shadow occlusion degrees under BP neural network algorithm

圖8 SVM算法下不同陰影遮擋程度的總體趨勢Fig.8 The overall trend of different shadow occlusion degrees under SVM algorithm

圖9 LPP-ABC-SVM算法下不同陰影遮擋程度的總體趨勢Fig.9 The overall trend of different shadow occlusion degrees under LPP-ABC-SVM algorithm

由圖7～圖9可知，當訓練集比例達到95%時，BP神經網絡的分類正確率遠遠小于其它兩種方法。此時，采用三種方法的測試集分類結果如圖10所示。比較上述各個方法在速度和準確率方面的性能，性能對比結果如表4所示。由表4可知，分別使用BP神經網絡方法、SVM方法和本文提出的LPP-ABC-SVM方法應用于按照不同類型劃分的陰影遮擋分類中，其分類準確率相較于按照不同陰影遮擋程度劃分的準確率整體有所提高，同時，本文所提方法的分類表現(xiàn)優(yōu)于SVM方法與BP神經網絡方法。

圖10 三種方法下不同陰影遮擋程度的分類結果對比圖Fig.10 Comparison of the classification results of different shadow occlusion degrees under three methods

表4 對不同程度陰影遮擋的分類方法性能對比Tab.4 Performance comparison of classification methods for different degrees of shadow occlusion

基于固定陰影遮擋和隨機陰影遮擋的三種分類算法的測試分類結果表現(xiàn)也較為一致，如表5所示。

表5 對不同類型陰影遮擋的分類方法對比Tab.5 Comparison of classification methods for different types of shadow occlusion.

使用上述三種方法將陰影遮擋分為固定陰影遮擋與隨機陰影遮擋，其中BP神經網絡方法的總體分類正確數(shù)占總樣本數(shù)量的90.15%，SVM方法的分類正確數(shù)占總樣本數(shù)量的94.33%，而應用本文的LPP-ABC-SVM方法在對陰影遮擋進行分類時，其分類表現(xiàn)更加優(yōu)異，分類的正確數(shù)占總體樣本數(shù)量的98.84%。

采用上述三種方法，基于固定陰影遮擋與隨機陰影遮擋2種遮擋的測試集分類結果圖如圖11所示。

圖11 三種方法下不同類型陰影遮擋分類結果圖Fig.11 Classification results of different types of shadow under three methods

經過上述對比可知，使用BP神經網絡對光伏陣列的陰影遮擋分類在準確率上較為一般，由于其自身的局限性導致速度較慢，在三種方法中消耗時間最長。而SVM方法的分類性能較前者良好，消耗時間短，算法的快速性表現(xiàn)較好。本文提出的LPP-ABC-SVM方法是在SVM算法的基礎上，對其關鍵參數(shù)使用人工蜂群算法進行尋優(yōu)操作，大大提高了算法的正確率，消耗時間與SVM算法相比持平。隨著串聯(lián)子陣列的增加，采用LPP方法在分類速度上的優(yōu)勢逐漸凸顯?？梢?，本文提出的陰影遮擋分類算法在準確率和實現(xiàn)速度上表現(xiàn)較為優(yōu)越，從而驗證了該方法的實用性和可行性。

4 結論

為了有效預防熱斑故障的產生，需要及時甄別光伏陣列的不同陰影遮擋狀況。

本文提出基于LPP-ABC-SVM的光伏陣列陰影遮擋分類方法以最大功率及電壓數(shù)據(jù)作為輸入數(shù)據(jù)，大大節(jié)省了數(shù)據(jù)獲取成本；采用LPP局部保持投影方法降低了數(shù)據(jù)維度，減小了運算數(shù)據(jù)量；ABC-SVM算法的應用，提高了對光伏陣列的陰影遮擋情況的分類準確率，有效解決了使用傳統(tǒng)智能算法時出現(xiàn)的訓練耗時長、易過擬合等問題。

仿真結果表明，使用所提方法可高效快速地實現(xiàn)對光伏陣列不同陰影程度及類型的分類，從而為預防光伏電站的熱斑故障奠定了重要基礎。