畢潤(rùn)敏，宋國(guó)雄，程前華

（1. 云南電網(wǎng)有限責(zé)任公司麗江供電局，云南 麗江 674100；2. 云南電網(wǎng)有限責(zé)任公司研究生工作站，云南 昆明 650217）

0 前言

隨著全世界化石能源的持續(xù)性消耗和生態(tài)系統(tǒng)的惡化，全球各個(gè)國(guó)家已然將新能源發(fā)電作為主要的發(fā)電方式。太陽(yáng)能作為一種清潔且環(huán)保的能量，將其作為光伏發(fā)電的能量來(lái)源在近年來(lái)得到了全球關(guān)注并加以利用，所以現(xiàn)如今的光伏發(fā)電發(fā)展呈上升趨勢(shì)。另外，在我國(guó)光伏電站的裝機(jī)規(guī)模逐年遞增的趨勢(shì)下，截至2019 年底，光伏發(fā)電裝機(jī)容量已累計(jì)達(dá)到了204.3 GW。

針對(duì)于我國(guó)的地貌情況，光伏發(fā)電場(chǎng)通常優(yōu)先建設(shè)在太陽(yáng)能豐富的西北部地區(qū)，但是該地區(qū)大部分為沙漠、高原等條件惡劣，在這樣的條件下，光伏組件就會(huì)被受到有害影響，從而導(dǎo)致光伏組件發(fā)生故障的可能性變大；并且在這種環(huán)境條件下，人類的生活更為艱苦，所以對(duì)其進(jìn)行運(yùn)維操作的難度加大，周期變長(zhǎng)，從而導(dǎo)致該地區(qū)光伏發(fā)電場(chǎng)的發(fā)電量降低。根據(jù)最新信息，地區(qū)不一樣，環(huán)境不一樣的光伏發(fā)電場(chǎng)每年的輸出功率下降率在0.6% ～1.0% 之間，這極大影響了整個(gè)光伏電站的發(fā)電能力[1]。文獻(xiàn)[2]所提出的一種基于SP 結(jié)構(gòu)的光伏組件故障診斷方法，主要是依靠變化的光伏組件電壓來(lái)計(jì)算出光伏組件所發(fā)生故障的區(qū)域范圍，從而對(duì)光伏組件的故障點(diǎn)進(jìn)行定位。文獻(xiàn)[3]通過(guò)對(duì)上述文獻(xiàn)提及方法進(jìn)行優(yōu)化，并且提出了重構(gòu)拓?fù)浣Y(jié)構(gòu)，先是通過(guò)在各個(gè)光伏組串內(nèi)部都進(jìn)行電流傳感器的安裝，其次對(duì)所得出的電流值進(jìn)行初步的訓(xùn)練并檢查，最后就可以對(duì)光伏組件的故障進(jìn)行更為精確的定位。文獻(xiàn)[4]提出了基于SP 結(jié)構(gòu)的基礎(chǔ)上對(duì)光伏陣列進(jìn)行分區(qū)域評(píng)估，通過(guò)對(duì)每一個(gè)光伏組件區(qū)域的電壓值的變化范圍的不同來(lái)進(jìn)行故障的精確定位。文獻(xiàn)[5]通過(guò)利用TCT 結(jié)構(gòu)基礎(chǔ)從而構(gòu)建了CTCT 結(jié)構(gòu)，并且提出了一種基于CTCT 結(jié)構(gòu)的新的光伏組件故障診斷方法，具體方法就是通過(guò)對(duì)串聯(lián)的光伏組件進(jìn)行每?jī)膳胖g加裝m層的電流互感器，然后通過(guò)所安裝的電流互感器所測(cè)的電流數(shù)值進(jìn)去故障區(qū)域定位的確定。文獻(xiàn)[6]通過(guò)構(gòu)成由TCT 結(jié)構(gòu)和SP 結(jié)構(gòu)所組成的CTCT 結(jié)構(gòu)，從而得到基于CTCT 結(jié)構(gòu)的新的光伏組件故障診斷方法，該方法主要是針對(duì)于現(xiàn)如今的光伏陣列不斷增加的形勢(shì)，利用該方法可以使傳感器的數(shù)量減少至以往的50%～80%。上述光伏組件的故障識(shí)別定位方法都只能進(jìn)行簡(jiǎn)單的故障定位操作，但是并無(wú)法通過(guò)上述方法進(jìn)行所發(fā)生故障的類型。然而在文獻(xiàn)[14]作者提出基于SN-TCT 結(jié)構(gòu)的光伏組件故障診斷方法，該診斷方法通過(guò)對(duì)環(huán)境信息與傳感器信息進(jìn)行精密結(jié)合，從而使故障模式的識(shí)別能力得到提升，最終提高了光伏組件的故障定位準(zhǔn)確率。

除此之外，隨著我國(guó)計(jì)算機(jī)的發(fā)展，文獻(xiàn)[7]提出了時(shí)序卷積神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)與現(xiàn)如今已經(jīng)成熟的時(shí)序深度學(xué)習(xí)模型如RNN、LSTM、GRU 等，有著很好的先進(jìn)性，特別是在對(duì)時(shí)間序列數(shù)據(jù)預(yù)測(cè)問(wèn)題進(jìn)行處理方面表現(xiàn)良好。而光伏電站電流數(shù)據(jù)的本質(zhì)就是時(shí)間序列數(shù)據(jù)，同時(shí)因?yàn)楝F(xiàn)如今的光伏組件一般是在環(huán)境十分惡劣的條件下，所以數(shù)據(jù)的采集設(shè)備存在精度不夠的問(wèn)題，另外在數(shù)據(jù)的傳輸上，設(shè)備也存在老化的不良現(xiàn)象，所以，實(shí)驗(yàn)所需要的電流數(shù)據(jù)就存在大量的噪聲問(wèn)題。文獻(xiàn)[8]中提出了震動(dòng)信號(hào)，光伏電站支路電流數(shù)據(jù)也是疊加了復(fù)雜表現(xiàn)特征和高噪聲的信號(hào)，而噪聲會(huì)對(duì)時(shí)序卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能產(chǎn)生重要負(fù)面影響。文獻(xiàn)[9]提出一種軟閾值化的時(shí)序卷積神經(jīng)網(wǎng)絡(luò)(Soft Thresholding Temporal Convolutional Network，ST-TCN)光伏組件故障診斷模型，該方法收斂速度快，而且故障診斷準(zhǔn)確率高。

綜合上述方法，本文提出了一種基于變分模態(tài)分解（VMD）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合的太陽(yáng)能光伏組件故障檢測(cè)方法。首先分析了不同運(yùn)行工況條件下的特性曲線并采集正常與故障時(shí)的電壓、電流信號(hào)，利用VMD 對(duì)所采集的信號(hào)進(jìn)行自適應(yīng)分解為K個(gè)IMF 分量。然后把IMF 分量輸入訓(xùn)練好的LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障檢測(cè)。最后，在PSCAD/EMTDC 中建立仿真模型并驗(yàn)證本方法的可行性與準(zhǔn)確性，結(jié)果表明該方法可以用于光伏組件的故障檢測(cè)，并且準(zhǔn)確率高。

1 光伏電池建模與故障分析

太陽(yáng)能光伏電池是一種利用光生伏特效應(yīng)將光能轉(zhuǎn)化為電能的元件，通常由若干個(gè)光伏電池單體串聯(lián)封裝成光伏組件，并組裝成光伏陣列。本文針對(duì)光伏陣列進(jìn)行建模及典型故障分析。

1.1 光伏組件的建模

光伏組件中的光伏電池物理特性可由兩個(gè)二極管電路模型進(jìn)行描述。兩個(gè)二極管電路模型是由電流源、并聯(lián)二極管和串并聯(lián)電阻組成，如圖1 所示。

圖1 光伏電池雙二極管等效電路模型

本文通過(guò)在PSCAD 中進(jìn)行光伏組件的模型建立，搭建了由4 個(gè)光伏陣列并聯(lián)的光伏電池，每個(gè)光伏陣列由10 個(gè)模塊串聯(lián)，然后通過(guò)250個(gè)模塊進(jìn)行并聯(lián)。所搭建的光伏陣列模型如圖2所示。

圖2 光伏陣列模型

1.2 正常運(yùn)行時(shí)光伏組件輸出特性

光伏陣列輸出特性既受其自身屬性影響，同時(shí)還與其所處的環(huán)境條件緊密相關(guān)。圖3 是溫度為30℃時(shí)光伏陣列模型隨輻照度變化輸出特性曲線。由圖3 可以看出，隨著輻照度的下降，光伏陣列的短路電流（Isc）呈線性下降，其開(kāi)路電壓（Voc）則呈現(xiàn)非線性下降的態(tài)勢(shì)，其最大功率（Pmax）隨著輻照度的下降而減小，而最大功率點(diǎn)電壓基本保持不變。

圖3 溫度為30℃時(shí)光伏陣列模型隨輻照度變化輸出特性曲線

1.3 光伏組件故障輸出特性

光伏陣列是光伏發(fā)電場(chǎng)的主要設(shè)備之一，整個(gè)光伏發(fā)電系統(tǒng)的運(yùn)行狀態(tài)與運(yùn)行是否穩(wěn)定都與光伏陣列的運(yùn)行狀態(tài)緊密關(guān)聯(lián)。但是現(xiàn)如今的光伏組件的組成結(jié)構(gòu)非常復(fù)雜，從而導(dǎo)致缺陷難以被發(fā)現(xiàn)，另外光伏組件長(zhǎng)期暴露在室外環(huán)境進(jìn)行運(yùn)行，時(shí)間越長(zhǎng)導(dǎo)致故障的幾率就會(huì)呈上升趨勢(shì)。通過(guò)對(duì)已有的光伏電站的運(yùn)行情況進(jìn)行分析，發(fā)現(xiàn)光伏陣列之中經(jīng)常發(fā)生開(kāi)路、污垢、陰影、著色等故障。當(dāng)發(fā)生故障時(shí)，光伏發(fā)電系統(tǒng)的效率就會(huì)出現(xiàn)下降趨勢(shì)，從而使能量損失，另外當(dāng)故障嚴(yán)重的時(shí)候可能會(huì)造成組件損壞，從而導(dǎo)致火災(zāi)的嚴(yán)重安全事故。

在現(xiàn)如今的光伏組件故障類型中，常見(jiàn)的有開(kāi)路、短路、退化、陰影、旁路。本文通過(guò)對(duì)這幾種故障進(jìn)行仿真得出了光伏組件在每個(gè)故障中的P-V 圖和V-I 圖，如下圖所示

圖4（a）描述了在正常情況下以及開(kāi)路、短路、退化、三類陰影、旁路二極管失效的情況下電壓和功率的輸出關(guān)系，可以看出隨著電壓值的增大，功率也隨之增大，當(dāng)發(fā)生某一故障時(shí)，功率發(fā)生變化，然后按照故障后的電壓功率特性輸出。圖4（b）所描述的是在正常情況下以及開(kāi)路、短路、退化、三類陰影、旁路二極管失效的情況下電壓和電流的輸出關(guān)系，可以看出電流值隨著電壓值的增大先保持不變到一定數(shù)值時(shí)再開(kāi)始減小。當(dāng)發(fā)生某一故障時(shí)，電流發(fā)生變化，然后按照故障后的電壓電流特性輸出。

圖4 溫度為30℃時(shí)光伏陣列故障電壓電流故障輸出特性

2 基于VMD-LSTM的故障檢測(cè)方法

2.1 變分模態(tài)分解

變分模態(tài)分解(VMD)是一種自適應(yīng)、完全非遞歸的模態(tài)變分和信號(hào)處理的方法[10]。將原始信號(hào)分解成K個(gè)本征模態(tài)IMF 分量，保證分解序列為具有中心頻率和有限帶寬的IMF 分量。構(gòu)造的約束性變分表達(dá)式為：

式中：K為模態(tài)分量個(gè)數(shù)；uk為變分模態(tài)分解到的第k個(gè)IMF 分量；ωk為第k個(gè)IMF 分量的中心頻率；δ(t)為單位脈沖函數(shù)；f為原始信號(hào)。

2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng) 短 期 記 憶 網(wǎng) 絡(luò)（Long Short-Term Memory，LSTM）在波動(dòng)性較大的時(shí)間序列數(shù)據(jù)建模方面表現(xiàn)更為優(yōu)異。其實(shí)質(zhì)是對(duì)RNN 的循環(huán)層神經(jīng)元進(jìn)行改造，LSTM 內(nèi)部由循環(huán)連接的子網(wǎng)組成，內(nèi)部神經(jīng)元之間互相連接，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)只能將當(dāng)前輸入數(shù)據(jù)映射到輸出，LSTM 處理數(shù)據(jù)時(shí)可以將當(dāng)前時(shí)刻信息和過(guò)去全部歷史信息共同作為輸入，并在一定程度上克服了RNN 梯度消失的問(wèn)題，大幅度提高了網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率[11]。

LSTM 中的重復(fù)模塊則包含四個(gè)交互的層，三個(gè)Sigmoid 和一個(gè)tanh 層，如圖5 所示，并以一種非常特殊的方式進(jìn)行交互，這樣的設(shè)置有助于更新或忘記信息。圖5 中，σ表示Sigmoid 激活函數(shù)，其作用是將值壓縮到0～1之間；tanh 表示tanh 函數(shù)，其作用是將值壓縮到-1～1 之間。

圖5 LSTM結(jié)構(gòu)圖

2.3 模型參數(shù)設(shè)置

本文采用的VMD 分解算法需預(yù)先設(shè)置分解模態(tài)數(shù)K、懲罰因子α以及收斂容差tol。當(dāng)K取值過(guò)大時(shí)會(huì)出現(xiàn)過(guò)分解現(xiàn)象，故障信息分解不充分；當(dāng)K取值過(guò)小時(shí)，會(huì)產(chǎn)生一些無(wú)用的虛假分量，結(jié)果的誤差較大。當(dāng)α取值很大時(shí)，模態(tài)極值變小，可能被高斯噪聲干擾淹沒(méi)故障信息，導(dǎo)致被分解的信號(hào)中某些信號(hào)丟失；當(dāng)α取值很小時(shí)，模態(tài)極值變大，會(huì)導(dǎo)致某些故障分量信號(hào)中包含著其他分量信號(hào)，結(jié)果誤差較大；收斂容差是優(yōu)化的停止準(zhǔn)則之一，即在連續(xù)兩次迭代中，當(dāng)向IMF 收斂的絕對(duì)平均平方改進(jìn)小于tol 時(shí)，優(yōu)化停止。通過(guò)大量仿真實(shí)驗(yàn)，當(dāng)本文取K=6、α=3000 和tol=1e-6 時(shí)，VMD分解效果最優(yōu)。具體參數(shù)設(shè)置如表1 所示。

表1 模型參數(shù)

2.4 模型訓(xùn)練

將VMD 提取的初步特征輸入到LSTM 中能夠更好地挖掘時(shí)間序列數(shù)據(jù)中更深層次、更抽象的特征，能夠充分發(fā)現(xiàn)數(shù)據(jù)樣本之間的相互關(guān)系，大幅度提高模型的識(shí)別準(zhǔn)確率[12]其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖6 所示。

圖6 VMD-LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

本文采樣頻率設(shè)置為20 kHz，故障發(fā)生時(shí)刻為1 s。采樣點(diǎn)個(gè)數(shù)為100，由于輸入量X中各數(shù)值之間差異較大，為了提高網(wǎng)絡(luò)對(duì)故障區(qū)域的識(shí)別精度，采用式（3）所示的歸一化方法對(duì)輸入量X進(jìn)行歸一化處理[13]。

式中，xi為故障輸入量X 中的數(shù)據(jù)點(diǎn)，為歸一化后故障輸入量X 中的數(shù)據(jù)點(diǎn)。

本文在PSCAD 平臺(tái)中進(jìn)行故障仿真，生成1200 組訓(xùn)練樣本，對(duì)VMD-LSTM 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖7、圖8 所示。

圖7 訓(xùn)練集損失值曲線

圖8 準(zhǔn)確率變化曲線

由圖7、圖8 可知，準(zhǔn)確率隨著迭代次數(shù)的增加而提高，當(dāng)?shù)螖?shù)達(dá)到200 次以上，準(zhǔn)確率趨近于1，損失值接近為零。

3 仿真驗(yàn)證分析

在PSCAD/EMTDC 中利用所搭建的光伏陣列輸出特性仿真模型，在輻照度為（300 W/m2、1200 W/m2）、溫度為（25 ℃,50 ℃）范圍下進(jìn)行仿真。主要采集6 種運(yùn)行狀態(tài)下的光伏陣列Voc、Isc值，每種運(yùn)行狀態(tài)均采集200 組數(shù)據(jù)，并隨機(jī)提取其中3/4 的數(shù)據(jù)樣本作為訓(xùn)練集，其余1/4 的數(shù)據(jù)樣本作為測(cè)試集，即共采集1200組數(shù)據(jù)樣本。

本文將故障電壓、電流信號(hào)作為VMDLSTM 網(wǎng)絡(luò)的輸入量，即X=[Voc Isc]。為實(shí)現(xiàn)故障類型的檢測(cè)，本文VMD-LSTM 網(wǎng)絡(luò)設(shè)計(jì)6個(gè)輸出結(jié)果，輸出量為Y=(y1,y2,y3,y4,y5,y6)，故障發(fā)生時(shí)，檢測(cè)結(jié)果如表2 所示。

表2 VMD-LSTM測(cè)試結(jié)果

4 結(jié)束語(yǔ)

本文提出了一種基于VMD-LSTM 的光伏組件故障檢測(cè)方法，主要會(huì)實(shí)現(xiàn)對(duì)光伏組件正常運(yùn)行、開(kāi)路故障、短路故障、陰影遮擋故障等6 種狀態(tài)進(jìn)行檢測(cè)。建立了基于VMD-LSTM 的故障診斷模型，通過(guò)在PSCAD/EMTDC 中建立仿真模型，采集不同運(yùn)行工況下光伏組件的電壓電流數(shù)據(jù)集，對(duì)所構(gòu)建的模型進(jìn)行訓(xùn)練。然后將測(cè)試集數(shù)據(jù)輸入VMD-LSTM 模型，實(shí)現(xiàn)光伏組件的故障檢測(cè)。主要結(jié)論如下：

1）該方法相對(duì)于傳統(tǒng)方法在故障檢測(cè)準(zhǔn)確性和魯棒性方面具有顯著的改進(jìn)；

2）使用VMD 分解可以指定想要得到的模態(tài)數(shù)，有效避免模態(tài)混疊，對(duì)故障信號(hào)可以實(shí)現(xiàn)更好的分解，以提取更有效的故障特征。