高天龍，劉衛(wèi)亮，張文軍

（1.西北工業(yè)大學(xué)微電子學(xué)院，陜西 西安 710129；2.華北電力大學(xué)自動(dòng)化系，河北 保定 071003）

近年來，隨著社會(huì)的快速發(fā)展，能源需要日益增加。太陽能作為一種新能源，以其清潔、可再生等優(yōu)勢(shì)得到廣泛應(yīng)用。同時(shí)光伏電站大多修建在沙漠、荒地等環(huán)境比較惡劣地區(qū)，光伏組件長(zhǎng)期裸露在外，容易受到高溫暴曬、風(fēng)沙和雨雪侵蝕，從而發(fā)生故障，影響光伏板的使用壽命以及光伏電站的發(fā)電效益。

針對(duì)光伏電站故障識(shí)別與定位，國內(nèi)外學(xué)者開展了一些相關(guān)研究。國外學(xué)者中，M.S Iqbal等[1]提出了一種基于學(xué)生t檢驗(yàn)的光伏電站故障檢測(cè)方法，該方法只針對(duì)電站的并網(wǎng)直流側(cè)，通過比較光伏電站實(shí)際與理論參數(shù)來識(shí)別不同故障類型；Liang等人[2]采用極限學(xué)習(xí)機(jī)和k均值聚類算法識(shí)別光伏電站異常情況，該方法未對(duì)光伏故障類型進(jìn)行詳 細(xì)區(qū)分；Liu等人[3]通過動(dòng)態(tài)時(shí)間歸整測(cè)量多個(gè)電 壓和電流的時(shí)間子序列，然后利用k均值聚類算法對(duì)相似性進(jìn)行分類，進(jìn)而識(shí)別光伏故障，該方法未對(duì)光伏故障進(jìn)行定位；Dhimish等人[4]提出一種基 于徑向基和模糊控制檢測(cè)光伏故障的方法，采用光伏系統(tǒng)電壓和功率作為模型的輸入，進(jìn)行光伏故障識(shí)別與定位，該方法故障類型設(shè)置單一且識(shí)別精度相對(duì)較低。

國內(nèi)學(xué)者中，于航等[5]提出了一種基于3倍標(biāo)準(zhǔn)差準(zhǔn)則與模糊c均值聚類相結(jié)合的光伏故障定位方法,該方法能夠準(zhǔn)確定位光伏電站直流側(cè)故障，但其未對(duì)光伏故障類型進(jìn)行區(qū)分；李光輝等[6]利用光伏陣列電壓與電流，通過半監(jiān)督機(jī)器學(xué)習(xí)算法識(shí)別故障類型，該方法只針對(duì)老化和開路故障。馬紀(jì)梅等[7]提出一種基于改進(jìn)徑向基（RBF）神經(jīng)網(wǎng)絡(luò)的光伏組件故障識(shí)別策略，能夠?qū)舸㈤_路和短路故障進(jìn)行準(zhǔn)確識(shí)別與定位，但該方法訓(xùn)練樣本較少存在偶然性；葉進(jìn)等[8]提出一種基于級(jí)聯(lián)隨機(jī)森林的光伏組件故障診斷策略，通過氣象監(jiān)測(cè)數(shù)據(jù)與光伏電站監(jiān)測(cè)數(shù)據(jù)，對(duì)是否正常、老化、遮掩、熱斑和其他異常情況進(jìn)行識(shí)別，但未對(duì)故障進(jìn)行定位。

上述光伏故障識(shí)別算法針對(duì)多類型故障識(shí)別率均較低，且故障定位誤判率較高。因此，本文提出一種基于門控循環(huán)（GRU）神經(jīng)網(wǎng)絡(luò)的光伏電站故障識(shí)別與定位策略：依據(jù)光伏組件工程模型，結(jié)合擾動(dòng)觀測(cè)法和并網(wǎng)PQ控制，搭建光伏電站仿真模型；模擬光伏電站典型故障，獲取直流測(cè)串聯(lián)光伏板電壓、電流和交流測(cè)電流、輸出功率以及光伏電站特征參數(shù)；采用GRU神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別與定位。最后通過光伏實(shí)驗(yàn)平臺(tái)驗(yàn)證模型的準(zhǔn)確性和有效性。

1 光伏電站仿真模型搭建

1.1 光伏組件數(shù)學(xué)模型

光伏組件為光伏陣列的最小發(fā)電單元，由眾多P-N結(jié)構(gòu)成，結(jié)合材料物理和電子學(xué)理論，可得光伏組件數(shù)學(xué)模型為[9]：

式中：V和I分別為光伏組件輸出電壓與電流；IPV為光生電流；I0為反向飽和電流；q為電量電荷；n為理想因子；k為玻爾茲曼常數(shù)；RSh和RS分別為并聯(lián)電阻和串聯(lián)電阻；T為光伏板溫度。

依據(jù)光伏組件的數(shù)學(xué)模型和標(biāo)準(zhǔn)工況下的電氣特性，可推導(dǎo)出光伏組件的工程模型為：

式中：ISC和Voc分別為光伏組件短路電流與開路電壓；Tref為工作溫度；S為輻射強(qiáng)度；Vm和Im分別為最大功率點(diǎn)下的電壓與電流；α、β為溫度系數(shù)。

1.2 光伏電站仿真模型

光伏陣列一般由多個(gè)光伏光伏板串聯(lián)或并聯(lián)組成，無論串聯(lián)還是并聯(lián)都不會(huì)改變單個(gè)光伏板的特性。因此依據(jù)光伏組件工程模型，在標(biāo)準(zhǔn)測(cè)試條件下（輻射強(qiáng)度1 000 W/m2，溫度25 ℃）搭建光伏組件的仿真模型，如圖1所示。將光伏板模型進(jìn)行封裝，給每塊光伏板后都配備1個(gè)最大功率點(diǎn)跟蹤（maximum power point tracking，MPPT）控制器，并采用擾動(dòng)觀測(cè)法實(shí)現(xiàn)光伏組件的最大功率跟蹤。 在Simulink環(huán)境下，采用封裝后的光伏組件模型，搭建3×4光伏陣列，其中每列由4塊光伏板串聯(lián)而成。然后結(jié)合采用擾動(dòng)觀測(cè)法的MPPT控制器和基于并網(wǎng)PQ控制的三相逆變器，構(gòu)成光伏電站仿真模型。其中采樣時(shí)間設(shè)置為0.000 1 μs，逆變器設(shè)置為平均VSC模型，整個(gè)光伏發(fā)電系統(tǒng)的主電路仿真如圖2所示。

圖1 光伏組件仿真模型 Fig.1 The photovoltaic module engineering model

圖2 光伏發(fā)電系統(tǒng)的主電路仿真 Fig.2 Simulation diagram of main circuit of the photovoltaic system

兩級(jí)式三相逆變器采用PQ控制策略，將三相電壓Vabc和電流Iabc經(jīng)dq變換，轉(zhuǎn)換成不存在耦合關(guān)系的d軸分量vd、id和q軸分量iq。利用光伏電站并網(wǎng)無功功率Q和vd計(jì)算參考電流iq*。引入電網(wǎng)電壓前饋信號(hào)Vdc和參考電壓Vref，經(jīng)過PI控制器計(jì)算得參考電流id*。通過功率解耦控制，分別計(jì)算q軸和d軸的參考電壓，經(jīng)dq/abc坐標(biāo)變換，轉(zhuǎn)換成電壓Uabc，從而控制三相逆變器，其Simulink控制模型如圖3所示。

圖3 三相逆變器PQ控制模型 Fig.3 The PQ control model of three-phase inverter

2 光伏電站故障特征模擬

本文選取光伏陣列中常見的6種故障進(jìn)行分析，利用光伏電站仿真模型模擬光伏故障，獲取不同故障下光伏電站輸出參數(shù)，通過分析對(duì)比選定光伏故障識(shí)別特征參數(shù)。

2.1 光伏電站輸出參數(shù)選取

選取光伏陣列輸出電壓、電流和功率來識(shí)別與定位光伏故障，考慮到光伏電站減少傳感器數(shù)量會(huì)降低運(yùn)營(yíng)成本，于是在光伏陣列每一列的每2塊光伏板并聯(lián)1個(gè)電壓傳感器，共需要6個(gè)電壓傳感器。為確保光伏故障能夠精確識(shí)別與定位，并驗(yàn)證系統(tǒng)的穩(wěn)定性，引入光伏電站交流側(cè)電流。運(yùn)行仿真模型，測(cè)試系統(tǒng)的動(dòng)態(tài)響應(yīng)性能，將光照強(qiáng)度設(shè)置為階躍信號(hào)，初始值為1 000 W/m2，在0.04 s時(shí)光照強(qiáng)度下降至500 W/m2，繪制三相并網(wǎng)電流響應(yīng)曲線，結(jié)果如圖4所示。由圖4可見，并網(wǎng)電流能夠快速響應(yīng)，經(jīng)0.01 s暫態(tài)過程后趨于穩(wěn)定。且隨著光照強(qiáng)度降低，交流電流的有效值也隨之減小。

圖4 三相并網(wǎng)電流響應(yīng)曲線 Fig.4 Response curves of three-phase grid-connected current

因此，選取每2塊光伏板對(duì)應(yīng)的輸出電壓Vdc1—Vdc6、直流電流IPV、交流電流Iabc、輸出功率PPV以及輻射強(qiáng)度G作為光伏電站的特征參數(shù)。

2.2 光伏電站故障工況設(shè)置

圖5為光伏陣列不同故障模擬。首先，在標(biāo)準(zhǔn)狀況下將第1列中的1塊光伏板從光伏陣列中斷開，來模擬光伏陣列斷路故障。同樣，通過導(dǎo)線將光伏板兩端短接，來模擬光伏陣列短路故障。通過改變光伏陣列區(qū)域光照強(qiáng)度來模擬陰影遮擋，不同陰影遮擋系數(shù)不同[10]。經(jīng)仿真測(cè)試，發(fā)現(xiàn)遮擋系數(shù)小于0.95時(shí)模型可以正確區(qū)分，于是將第2列2塊光伏板光強(qiáng)設(shè)置為正常光強(qiáng)的0.9倍，來模擬局部遮擋。將后2塊光伏板光強(qiáng)設(shè)置為正常光強(qiáng)0.3倍，來模擬陰影遮擋。同樣的情況下，將2塊光伏組件遮擋系數(shù)調(diào)整為0.9，且將光伏板溫度設(shè)置為80 ℃，來模擬光伏熱斑[11]。

圖5 光伏陣列不同故障 Fig.5 Different faults of the photovoltaic array

光伏組件暴露在室外一段時(shí)間，會(huì)在表面附著一層積灰，從而影響光伏組件的輸出功率。李練兵等[12]在天津開展一項(xiàng)實(shí)驗(yàn)表明，光伏組件在室外靜置6天，其表面積灰密度達(dá)到1 g/m2，輸出功率相應(yīng)衰減8%。表1[13]為黃土積灰下光伏組件發(fā)電效率，擬合積灰密度R與相對(duì)發(fā)電效率η函數(shù)，可得：

表1 黃土積灰下光伏組件發(fā)電效率 Tab.1 The power generation efficiency of photovoltaic panels under loess ash accumulation

根據(jù)式(6)，在Simulink環(huán)境搭建積灰模塊，模擬密度為5 g/m2的積灰故障。

2.3 光伏電站故障模擬結(jié)果

采用光伏電站仿真模型驗(yàn)證所選參數(shù)能否滿足光伏陣列故障的識(shí)別與定位。在標(biāo)準(zhǔn)工況下，采集光伏陣列逆變后的輸出功率，并繪制曲線，結(jié)果如圖6所示。

圖6 不同故障情況下光伏電站的輸出功率曲線 Fig.6 The grid-connected power curves of photovoltaic power stations under different fault conditions

由圖6可見，光伏陣列在不同故障狀態(tài)下輸出功率區(qū)分明顯，故所選輸出參數(shù)合理。

模擬不同光伏故障時(shí)，采集不同輻射強(qiáng)度（400～1 000 W/m2）下的光伏陣列輸出數(shù)據(jù)，對(duì)應(yīng)故障分別記錄280組，構(gòu)建1 960組訓(xùn)練樣本集，表2為光伏電站在不同故障下的輸出參數(shù)。

表2 光伏電站在不同故障下輸出參數(shù) Tab.2 The output parameters of photovoltaic power station with different faults

3 光伏電站故障診斷模型

基于GRU神經(jīng)網(wǎng)絡(luò)的光伏電站故障診斷流程如圖7所示。

圖7 光伏電站故障診斷流程 Fig.7 The fault diagnosis flow chart of photovoltaic power station

由圖7可見，將預(yù)處理后的數(shù)據(jù)輸入GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定初始權(quán)重、偏置、迭代次數(shù)N、期望損失值θ，計(jì)算GRU神經(jīng)網(wǎng)絡(luò)各個(gè)輸出門和損失值L。每次通過比較L與θ的大小，得到迭代N次數(shù)后的最優(yōu)權(quán)重和偏置，最后利用光伏實(shí)驗(yàn)平臺(tái)對(duì)故障診斷模型進(jìn)行驗(yàn)證。

3.1 GRU神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

GRU神經(jīng)網(wǎng)絡(luò)在2014年由Kyunghyun Cho提出，解決了標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的梯度消失問題。GRU神經(jīng)網(wǎng)絡(luò)基于長(zhǎng)短時(shí)記憶（LSTM）神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，簡(jiǎn)化門結(jié)構(gòu)為更新門與重置門，其原理如圖8所示。

圖8 GRU神經(jīng)網(wǎng)絡(luò)原理 Fig.8 Principle diagram of cellular structure of the GRU neural network

由圖8可見，GRU神經(jīng)網(wǎng)絡(luò)中輸入層沿網(wǎng)絡(luò)正向傳播，其中包括更新門rt、重置門zt、當(dāng)前存儲(chǔ)狀態(tài)單元、當(dāng)前時(shí)刻輸出狀態(tài)ht4個(gè)變量，各變量計(jì)算公式為：

式中：σ為sigmod激勵(lì)函數(shù)；Wr、Wz、分別為更新門、重置門和當(dāng)前存儲(chǔ)狀態(tài)單元的權(quán)重；ht-1、xt分別為上一時(shí)刻輸出和當(dāng)前時(shí)刻輸入；br、bz、分別為更新門、重置門和當(dāng)前存儲(chǔ)狀態(tài)單元的偏置。

3.2 數(shù)據(jù)預(yù)處理與模型評(píng)估

采用上述光伏電站故障模擬獲取的1 960組樣本集，來訓(xùn)練故障診斷模型。為確保診斷模型能夠快速進(jìn)行迭代訓(xùn)練且訓(xùn)練結(jié)果真實(shí)有效，對(duì)訓(xùn)練樣本進(jìn)行數(shù)據(jù)清洗和歸一化處理。通過歸一化后的盒形圖能更直觀地區(qū)分正常光伏板與不同故障下光伏板的特征參數(shù)，圖9為正常光伏板與故障光伏板歸一化后的特征參數(shù)。圖9中樣本集輻射強(qiáng)度范圍400～1 000 W/m2，組成訓(xùn)練樣本時(shí)取后20個(gè)輻射強(qiáng)度對(duì)應(yīng)的490組樣本集作為測(cè)試樣本。

圖9 正常光伏板與故障光伏板歸一化后的特征參數(shù) Fig.9 The normalized characteristic parameters of normal and fault panels

本文選用準(zhǔn)確率和交叉熵?fù)p失函數(shù)（L）作為模型評(píng)估指標(biāo)，對(duì)光伏故障分類效果進(jìn)行評(píng)估。損失函數(shù)值越小，模型分類結(jié)果越好。其計(jì)算公式為：

式中：L(θ)和hθ分別為實(shí)際和預(yù)測(cè)光伏故障識(shí)別結(jié)果；n為時(shí)間序列。

3.3 模型訓(xùn)練

將預(yù)處理后的數(shù)據(jù)作為GRU神經(jīng)網(wǎng)絡(luò)的輸入，依據(jù)第2節(jié)選取的光伏電站故障特征參數(shù)，設(shè)置GRU神經(jīng)網(wǎng)絡(luò)模型輸入層為10維（對(duì)應(yīng)光伏電站10個(gè)故障特征參數(shù)），將隱藏狀態(tài)和輸出狀態(tài)進(jìn)行全鏈接，設(shè)置32個(gè)隱藏節(jié)點(diǎn)、輸出層為3維，即輸出故障類型（對(duì)應(yīng)故障類型1—6）和故障定位（對(duì)應(yīng)3×4陣列）。然后對(duì)GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，其訓(xùn)練過程模型損失值如圖10a)所示。

圖10 BP神經(jīng)網(wǎng)絡(luò)與GRU神經(jīng)網(wǎng)絡(luò)迭代過程的損失值 Fig.10 Loss values of iterative process of the BP and GRU neural network

同樣，將預(yù)處理后的數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層、輸出層，并由權(quán)值互相連接，分別設(shè)置輸入層為10維，隱含層節(jié)點(diǎn)為20，輸出層為3維，學(xué)習(xí)率為0.01，迭代次數(shù)為20 000，構(gòu)建10-20-3的BP神經(jīng)網(wǎng)絡(luò)。其訓(xùn)練過程損失值如圖10b)所示。

由圖10可見，剛開始訓(xùn)練損失值快速下降，隨著迭代次數(shù)增加，損失值曲線逐漸趨于平緩。BP神經(jīng)網(wǎng)絡(luò)迭代18 000次后損失值降為0.035 7，而GRU神經(jīng)網(wǎng)絡(luò)迭代1 750次后損失值降為0.009 1。故障分類和定位已達(dá)到精度要求，故停止模型迭代訓(xùn)練。

采用490組測(cè)試樣本進(jìn)一步對(duì)比BP神經(jīng)網(wǎng)絡(luò)和GRU神經(jīng)網(wǎng)絡(luò)故障分類和定位的準(zhǔn)確性，訓(xùn)練結(jié)果見表3。由表3可見，GRU神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，GRU神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證集損失值為0.006 1，測(cè)試正確率為99.59%，相對(duì)BP神經(jīng)網(wǎng)絡(luò)提高0.41百分點(diǎn)。

表3 BP神經(jīng)網(wǎng)絡(luò)和GRU神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果 Tab.3 Training results of the BP and GRU neural network model

將GRU神經(jīng)網(wǎng)絡(luò)故障診斷模型的測(cè)試集結(jié)果進(jìn)行反歸一化處理，輸出光伏電站故障分類和定位，結(jié)果如圖11所示。由圖11可見，GRU神經(jīng)網(wǎng)絡(luò)模型只有1次將局部遮擋故障誤認(rèn)為短路故障，且對(duì)應(yīng)位置誤定位為（1, 2），其余測(cè)試樣本均能準(zhǔn)確識(shí)別和定位。

圖11 GRU神經(jīng)網(wǎng)絡(luò)故障識(shí)別與定位結(jié)果 Fig.11 The fault identification and location results based on GRU neural network

4 實(shí)驗(yàn)分析

基于保定某地的光伏實(shí)驗(yàn)平臺(tái)（圖12）進(jìn)行驗(yàn)證，光伏實(shí)驗(yàn)平臺(tái)由32個(gè)光伏組件、MPPT控制器和負(fù)載構(gòu)成。其中光伏組件的額定功率為50 W，傾角為48°，每塊光伏板都配備MPPT控制和負(fù)載，選取4塊光伏板進(jìn)行編號(hào)（PV1—PV4）。

圖12 光伏實(shí)驗(yàn)平臺(tái)設(shè)備連接示意 Fig.12 Schematic diagram of the equipment connection of photovoltaic experimental platform

實(shí)驗(yàn)中創(chuàng)建4類常見故障：開路、局部遮擋、陰影遮擋和積灰故障。人為斷開PV1光伏板模擬光伏陣列開路故障，由樹葉、鳥糞等附著在光伏板表面形成局部遮擋故障。本文于2021年4月27日12:00—16:30晴天工況下進(jìn)行光伏板局部遮擋實(shí)驗(yàn)，將遮擋物在PV2光伏板表面放置20 min，測(cè)量光伏陣列輸出功率。

然后在2021年4月28日12:00—17:00晴天工況下進(jìn)行光伏積灰實(shí)驗(yàn)，首先將光伏板清洗干凈，人為在PV3光伏板上均勻涂抹密度為5 g/m2的黃土，采集光伏組件的運(yùn)行參數(shù)。在同樣工況下，于2021年5月2日12:00—17:00開展陰影遮擋實(shí)驗(yàn)，測(cè)量光伏陣列輸出功率。

繪制不同故障下測(cè)量的光伏陣列輸出功率曲線，結(jié)果如圖13所示。由圖13可見，當(dāng)PV4支路從光伏陣列中斷開模擬光伏陣列開路故障，出現(xiàn)輸出功率整體下降。局部遮擋故障在放置遮擋物后，光伏陣列輸出功率突然下降，移除后功率恢復(fù)正常。當(dāng)PV2發(fā)生積灰故障時(shí)，光伏陣列輸出功率與正常工況下有明顯區(qū)分。在15:30時(shí)PV4光伏板被建筑物所遮擋，形成陰影遮擋故障，其輸出功率呈斷崖式下降。

圖13 不同故障狀態(tài)下光伏陣列的輸出功率對(duì)比 Fig.13 Comparison of output power of the photovoltaic array under different fault conditions

光伏實(shí)驗(yàn)平臺(tái)每隔5 min保存一次數(shù)據(jù)，分別采集5 h不同故障下的光伏陣列輸出參數(shù)，構(gòu)建了420個(gè)測(cè)試樣本集。將測(cè)試樣本輸入訓(xùn)練好的GRU神經(jīng)網(wǎng)絡(luò)中，其部分輸出結(jié)果見表4。由表4可見，本文GRU神經(jīng)網(wǎng)絡(luò)模型的故障診斷準(zhǔn)確率為100%，能準(zhǔn)確識(shí)別和定位故障。

表4 不同故障下光伏4×1陣列的識(shí)別與定位結(jié)果 Tab.4 Identification and location results of photovoltaic 4×1 array with different faults

5 結(jié) 論

1）將GRU神經(jīng)網(wǎng)絡(luò)應(yīng)用于光伏電站故障診斷與識(shí)別中，搭建光伏電站仿真模型。模擬光伏陣列典型故障，采集光伏電站輸出參數(shù)，作為GRU神經(jīng)網(wǎng)絡(luò)故障識(shí)別與定位的訓(xùn)練樣本。

2）提出一種基于GRU神經(jīng)網(wǎng)絡(luò)的光伏電站故障識(shí)別與定位策略，可以準(zhǔn)確識(shí)別與定位光伏電站典型故障，便于發(fā)生故障時(shí)，能夠快速對(duì)光伏板進(jìn)行維護(hù)，也可以提前預(yù)警，避免永久損壞光伏板。

3）通過仿真和實(shí)驗(yàn)，GRU神經(jīng)網(wǎng)絡(luò)故障診斷方法的損失值為0.006 1，其正確率相較于BP神經(jīng)網(wǎng)絡(luò)提高了2.75百分點(diǎn)，且測(cè)試集準(zhǔn)確率達(dá)到99.95%；證明GRU神經(jīng)網(wǎng)絡(luò)故障診斷方法在實(shí)際工況下能正確識(shí)別與定位光伏陣列故障，可用于指導(dǎo)光伏電站日常維護(hù)，提高電站的經(jīng)濟(jì)效益。