陳 偉，陳克松 ，紀青春，裴婷婷，王忠飛，何 峰

(1.蘭州理工大學電氣工程與信息工程學院，甘肅 蘭州 730050；2.國網甘肅省蘭州供電公司，甘肅 蘭州 730070)

0 引言

光伏電站運行環(huán)境惡劣。光伏陣列出現故障的情況屢見不鮮，導致光伏電站檢修成本提高、生產效益降低。因此，提高光伏陣列故障分類的準確性具有重要意義[1]。

國內外對光伏故障診斷的方法主要有3大類。第一類是基于傳感器的數學理論檢測方法。這類方法通過對陣列傳感器的優(yōu)化確保故障檢測的準確性[2]。文獻[3]通過建立阻抗模型，對電壓故障魯棒M估計在線判別模型進行診斷。文獻[4]對電壓波動的情況進行觀測并判斷狀態(tài)，用于發(fā)現光伏組件有無故障。國內外研究人員及光伏運維工作者的大量研究和實踐表明，雖然提高了光伏陣列故障診斷的準確率，但在面對大規(guī)模陣列時仍需要一定數量的傳感器。第二類是基于圖像處理的方法[5]。這類方法根據不同狀態(tài)下光伏組件呈現的不同溫度特性，通過紅外成像拍照，再用計算機視覺等方法進行分類[6]。因圖像處理對圖像的分辨率要求高，該方法在環(huán)境噪聲較大以及分辨率較低的情況下，不能完全識別故障。第三類是基于模型的人工智能分類方法。這類方法通過深度學習中的一維神經網絡分類模型，使用訓練集進行模型訓練，對故障特征進行提取，進而提高提取效率和分類準確率[7]。王鈞石等[8]提出基于無監(jiān)督的人工智能算法，通過聚類提取故障類型特征值實現分類和訓練數據，并確定故障類型。由于外界條件的干擾造成的不確定性較大，該方法在泛化性能方面還需要優(yōu)化。王惠中等[9]提出的長短時記憶(long-short term memory，LSTM)網絡以及徐先鋒等[10]提出的LSTM和卷積神經網絡(convolutional neural network，CNN)相結合的故障診斷方法，為故障診斷在時間序列上的分類拓展了新思路。

本文主要對深度神經網絡進行研究，并提出了基于一維卷積門控循環(huán)網絡的光伏陣列故障診斷方法。該方法首先對故障的特征量進行提?。蝗缓笫褂梅蔷€性激活函數對每一層賦予不同權重；最后經過卷積和門控網絡的結合，進行故障特征的自動提取。該方法采用了堆疊式結構，將CNN作為前置網絡，提取了數據的空間特征，選用門控制循環(huán)單元(gated recurrent unit，GRU)進一步挖掘數據在時間維度上的特征，使用自適應批量歸一化(adaptive batch normalization，AdaBN)函數實現分類結果的精確輸出。試驗結果表明，本文方法在分類和抗噪方面效果更好。

1 光伏陣列數學模型

當一個光伏串出現開路故障時，光伏陣列輸出電流的減少部分等于故障串的電流。在開路情況下，當前電流標的為：

(1)

式中：RIO為當光伏陣列中存在開路故障時電流標的的值；Isc為光伏陣列的開路電流；Im為光伏陣列無故障狀態(tài)下最大功率點(max power point,MPP)的輸出電流；NP為光伏陣列的串的數量。

(2)

式中：α為正常運行時，當前指標與開路故障時的比值。

類似地，當一個光伏串中發(fā)生光伏模塊短路時，光伏陣列輸出電壓的降低部分等于短路光伏模塊的電壓?；谶@種情況的電壓標的為：

(3)

式中：RVS為當一個光伏串中存在短路光伏模塊時的電壓標的；NS為光伏陣列組件數量；Voc為光伏陣列的開路電壓。

(4)

式中：β為正常運行時當前指標與短路故障時的比值。

當光伏陣列的一部分被遮蔽而另一部分完全暴露在太陽輻照下時，光伏陣列的輸出電流急劇減小。在部分遮光期間，輸出電流可以計算如下：

(5)

式中：Imp為陣列輸出電流；Gp為部分遮光條件下光伏陣列的最大接收輻射；KI為短路電流溫度系數；Imm-STC為標準測試條件下光伏組件MPP的電流；TSTC=25 ℃。

大多數退化故障可表現為光伏陣列的退化光伏模塊的串聯等效電阻累加。而光伏模塊的嚴重退化可導致光伏支架短路故障。電阻只是在一個范圍之內。因此，本文只考慮退化故障，也就是光伏陣列串聯電阻增加的情況。

在實際應用中，光伏板裂紋處的灰塵堆積會影響光透率，并導致灰塵堆積處出現集熱效應。這被稱為熱斑故障。在熱斑故障下，光伏電池自身會變成負載并導致溫度繼續(xù)升高，被稱為低電阻熱斑效應。此時，光伏板電壓表示為：

(6)

式中：a為二極管個數；N為組件個數；T為電池二級管PN結絕對溫度；q為單位電荷；VD為二極管導通電壓。

2 基于GRU的一維卷積神經網絡框架

2.1 一維卷積神經網絡

CNN的本質是1個多層感知機(multi-layer perceptron，MLP)。其能在計算機科學領域廣泛使用的原因之一是它通過局部連接及共享權值的方式，一方面降低了權值數量、優(yōu)化了網絡結構，另一方面降低了過擬合的風險。其中，二維、三維卷積神經網絡用于圖像和視頻處理。一維卷積神經網絡(one dimensional convolutional neural network,1D-CNN)在文本分類和時間序列預測方面已取得成功應用。本文研究的故障特征是通過一維信號提取的。因此，本文采用1D-CNN對其進行研究。

在1D-CNN中，前一層一維卷積經過前向傳播，到后一層的神經元輸入。

(7)

(8)

傳統(tǒng)CNN對時序特征并不敏感。如果信號中有伴隨時序特征，使用CNN會造成診斷不準確。而循環(huán)門控網絡能夠有效解決這些問題。因此，本文引入了GRU。

2.2 GRU

門控神經網絡是循環(huán)神經網絡(recurrent neural network，RNN)的一種。和LSTM一樣，RNN是為解決長期記憶和反向傳播中的梯度問題所提出的。因RNN在處理時間順序性問題方面效果較好，在處理時間序列時是一種非常有效的深度學習網絡。GRU的結構較LSTM網絡更加簡單，而且效果也很好。GRU模型結構是將重置門和更新門結合。GRU可以調節(jié)遞歸單元的信息流，使每個遞歸單元自適應地獲取不同時間尺度下的特征，以調節(jié)遞歸單元的信息流。

首先，通過上一個傳輸狀態(tài)ht-l和當前輸入xt獲取兩個門控狀態(tài)。其中：決定遺忘程度的重置門如式(9)所示；決定保留和遺忘信息的更新門如式(10)所示。

rt=σ[Wr(ht-l,xt)]

(9)

式中：σ為sigmoid函數，可以將數據變換為0～1范圍內的數值，從而得到門控信號;Wr為遺忘門權重參數;rt為重置門。

zt=σ[Wz(ht-l,xt0]

(10)

式中：Wz為更新門的權重參數;zt為更新門。

然后，得到門控信號，使用重置門得到重置后的數據，再與輸入xt進行拼接，通過激活函數tanh將數據變?yōu)?1～+1的范圍內。具體表達式為：

(11)

最后，計算隱含狀態(tài)ht。在這個階段，同時進行了遺忘和記憶兩個步驟。具體表達式為：

(12)

為了彌補CNN對時間步順序不敏感的缺陷，本文引入GRU來解決這個問題。而為了提高所提模型方法的域適應能力，本文引入了AdaBN優(yōu)化分類器。

2.3 自適應批量歸一化

域適應是故障診斷中一個現實且具有挑戰(zhàn)性的問題。當分類器在一個工作環(huán)境中收集的樣本進行訓練時，很難從該工作環(huán)境中對樣本進行分類。AdaBN在泛化方面可以較為明顯地提高網絡模型的分類能力。

首先，給定預訓練的模型和目標域，通過串聯神經元作用于目標域所有數據。

Xj=[xj(1)，xj(2),...,xj(m),...，xj(n)]

(13)

然后，計算目標域的均值和標準差：

(14)

(15)

最后，計算批量歸一化輸出：

(16)

式中：j為神經元；m為目標域測試數據；γj和βj為要學習的參數。

2.4 光伏陣列診斷策略

本文所提出的方法可識別故障的時間特性，在GRU之前使用1D-CNN作為預處理步驟來處理長時間序列，可將故障在時間順序上進行分類。CNN通過卷積層獲取原始序列數據的特征。把CNN特征作為GRU的輸入，按照時間序列處理其特征，并引入AdaBN，確定診斷模型。在訓練模型時，先用訓練數據集進行訓練；達到預設效果后，使用測試集進行測試；通過準確率方面的對比，可得到用于光伏陣列領域的適應性故障診斷模型。

此模型可用在多分類問題中：在使用分類層時，用Softmax作為激活函數；在選擇模型的損失函數時，用分類交叉熵損失函數。因交叉熵通過比較模型訓練結果概率分布與真實分布之間的不同，將實際輸出(概率)與期望輸出(概率)作差。差值越小，則概率分布就越接近真實情況。

(17)

式中：c為交叉熵；y為期望的輸出；a為神經元實際輸出，a=σ(z)，z=∑Wj×xj+b。

在訓練神經網絡過程中，通過梯度下降法更新W和b，因此需要計算損失函數對W和b的導數。

(18)

(19)

權重的更新會受到σ(z)-y這一項結果的影響。誤差的大小與更新頻率負相關。

3 試驗結果與分析

3.1 數據集

本文運用電力仿真軟件(power simulation,PSIM)與Simulink軟件聯合仿真光伏陣列電路，在PSIM中建立了故障電路，并在Simulink中建立了控制電路。在Simulink中，將溫度參數設置為25 ℃、輻照度設置為1 000 W/m2。仿真時，由Simulink給定參數以及收集PSIM中電路的開路、短路，光伏組件的陰影、退化及低電阻熱斑的故障情況下的數據，并保存為數據集。

根據輻照度600 W/m2、1 000 W/m2、1 600 W/m2，本文分別建立了A、B、C這3個數據集。每個數據集的樣本數量為400。通過重疊采樣進行數據增強后，每個故障共有900個樣本。試驗選用每個故障樣本中66.7%的數據作為訓練集、16.7%的數據作為測試集，剩下的數據作為驗證集。數據集標簽0～5分別代表正常和其他5種故障類型。

3.2 試驗結果及分析

為了選擇最佳的模型框架，本文進行了測試試驗，通過使用不同自適應學習優(yōu)化器進行訓練和測試。試驗通過調整學習率、優(yōu)化器的測試準確率和損失值，確定最佳模型優(yōu)化器和學習率。對試驗結果進行比較，可得到最終模型優(yōu)化器選擇AdaBN，學習率為0.1%。不同激活函數的試驗結果如表1所示。

表1 不同激活函數的試驗結果

本文為了實現更強的適應性，在試驗時依次選取數據集A、B、C中的2個集合合并后作為訓練集，剩下1個作為測試集，以達到交叉驗證。另外，為保證結果的有效性，規(guī)定每次試驗訓練都歷經200步、訓練50次。通過8組試驗，本文模型(1D-CNN+RGU)在不同參數下的試驗結果如表2所示。

表2 本文模型在不同參數下的試驗結果

通過對比準確率和損失值，可看出編號8的參數在準確率和損失率方面優(yōu)于其他7組結果，因此確定該參數作為后續(xù)試驗參數。本文試驗在Windows10系統(tǒng)中實現，使用Python中的TensorFlow框架。

通過試驗確定最優(yōu)參數、優(yōu)化器和學習率之后，考慮到工況相差較大可能會引起準確率降低的現象，分別通過不同數據集進行交叉訓練和測試。

本文模型故障分類混淆矩陣如圖1所示。

圖1 本文模型故障分類混淆矩陣

由圖1可知，本文模型整體結果較好，而對陰影和熱點故障的分類效果并不非常顯著。分析其原因，是由于2類故障在其故障特征上的相似性導致的。

不同模型的損失值和準確率如圖2所示。

圖2 不同模型的損失值和準確率

通過1D-CNN+GRU、1D-CNN+LSTM和1D-CNN方法對比可知：在損失值方面，1D-CNN+GRU比其他2種方法更低；在準確率方面，1D-CNN+GRU比其他2種方法更高。該結果證明了本文模型具有更好的分類能力和更強的域自適應能力。同時，從圖2可以看出，經GRU提取的時空特征分類明顯，每類故障分布間隔規(guī)則有序，類內的間距很小，類間的間距較大。由此可以說明本文方法的時空特征效果更好，能夠從不同類型故障提取到時空特征。1D-CNN+GRU在光伏故障分類中具有更高的準確率，并且穩(wěn)定性更高。

不同模型準確率對比如表3所示。

表3 不同模型準確率對比

通過測試數據集A+B，迭代50次后的準確率分別為93.98%、94.53%、96.28%。由此可知，本文提出的診斷模型在準確率方面優(yōu)于其他2種方法。

在實際系統(tǒng)中，由于現場環(huán)境和大量接入的電力電子設備，采集到的光伏陣列數據會伴隨噪聲信號。因此，在試驗中，為了更好地模擬實際環(huán)境對光伏陣列的的影響，對現有采集到的數據疊加了信噪比在-4～+4 dB之間的高斯噪聲，再測試并比較所提方法與其他方法在此情景下的準確率。

不同噪聲情況模型準確率對比如表4所示。

表4 不同噪聲情況模型準確率對比

由表4可知，本文方法的抗噪能力較其他2種算法效果更好，可用于現場環(huán)境下的故障分類。

4 結論

本文根據光伏陣列運行時電信號在時間維度上蘊含著豐富的特征信息，利用RNN善于處理時序問題的能力，挖掘出數據樣本內在的時序特征。首先，提出故障診斷模型，采用堆疊式結構，把CNN作為前置網絡，提取數據的空間特征。然后，將提取的特征作為后置網絡GRU的輸入，進一步挖掘數據在時間維度上的特征。最后，把GRU的輸出導入AdaBN函數，實現了故障分類。通過比較1D-CNN、1D-CNN+LSTM和本文所設計的1D-CNN+GRU模型的分類結果，驗證了本文方法更具精確性。為進一步驗證本文方法的適用能力，在不同噪聲下進行了測試。結果表明，本文方法在分類方面更具優(yōu)越性以及在噪聲環(huán)境下更具抗噪性。本文方法可以擴展到電力系統(tǒng)及其他系統(tǒng)信號異常的故障診斷中，具有良好的推廣應用價值。