摘要：光伏陣列長(zhǎng)期暴露在惡劣的環(huán)境中，容易產(chǎn)生各類故障，影響電力系統(tǒng)安全運(yùn)行。為了提高光伏陣列故障診斷精度，文章提出了一種基于改進(jìn)極限學(xué)習(xí)機(jī)的光伏陣列故障診斷方法。該方法采用野狗優(yōu)化算法（Dog Optimization Algorithm，DOA）對(duì)極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）的權(quán)值系數(shù)和偏置系數(shù)進(jìn)行全局尋優(yōu)，較好地解決了ELM網(wǎng)絡(luò)參數(shù)選擇盲目性問題，以此為基礎(chǔ)搭建了基于DOA-ELM的光伏陣列故障診斷模型。文章采用仿真實(shí)驗(yàn)數(shù)據(jù)對(duì)DOA-ELM模型的有效性進(jìn)行驗(yàn)證。結(jié)果表明，DOA-ELM模型的光伏陣列故障診斷精度高達(dá)99%。該模型能夠進(jìn)一步提升光伏陣列故障診斷精度。

關(guān)鍵詞：光伏陣列；故障診斷；極限學(xué)習(xí)機(jī)；野狗優(yōu)化算法

中圖分類號(hào)：TP18

文獻(xiàn)標(biāo)志碼：A

0 引言

從世界第一次工業(yè)革命開始，化石能源一直占據(jù)著主導(dǎo)地位，化石能源的大量消耗帶來了嚴(yán)重的環(huán)境問題，人們逐步認(rèn)識(shí)到發(fā)展清潔能源的重要性。太陽能不僅是一種綠色、無污染的清潔能源，也是一種安全可靠的可再生能源，應(yīng)用前景廣闊。目前，光伏發(fā)電技術(shù)在全球范圍內(nèi)得到廣泛應(yīng)用^［1］。光伏陣列是實(shí)現(xiàn)光電轉(zhuǎn)化的核心部件，其運(yùn)行環(huán)境復(fù)雜，長(zhǎng)期暴露在野外容易出現(xiàn)短路、老化、熱斑等各類故障^［2］，這些故障如果不能及時(shí)處理，可能引發(fā)嚴(yán)重的安全問題^［3］，因此，對(duì)光伏陣列故障診斷方法進(jìn)行研究具有重要意義。

目前，應(yīng)用于光伏陣列故障診斷方法主要有反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、支持向量機(jī)（Support Vector Machine，SVM）和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）。李東虎等^［4］針對(duì)BPNN的閾值和權(quán)值不確定的問題，采用遺傳算法找到了BPNN的最優(yōu)閾值，設(shè)計(jì)了一種基于遺傳優(yōu)化BPNN的光伏陣列故障診斷模型，應(yīng)用光伏陣列仿真平臺(tái)驗(yàn)證了模型的有效性。王一鳴等^［5］利用麻雀搜索算法（Sparrow Search Algorithm，SSA）對(duì)SVM的核函數(shù)和懲罰系數(shù)進(jìn)行了尋優(yōu)搜索，構(gòu)建了一種基于SSA-SVM的光伏陣列故障診斷模型，仿真結(jié)果表明，該模型具有較高的診斷精度。相比BPNN和SVM，ELM的非線性學(xué)習(xí)性能更好，錢亮等^［6］為了實(shí)現(xiàn)光伏陣列復(fù)合故障的精準(zhǔn)診斷，利用哈里斯鷹算法對(duì)ELM的網(wǎng)絡(luò)參數(shù)進(jìn)行了全局搜索，設(shè)計(jì)了一種基于優(yōu)化ELM的光伏陣列故障診斷模型，但由于哈里斯鷹算法的尋優(yōu)性能有限，基于ELM的光伏陣列故障診斷方法還有待進(jìn)一步研究。

1 光伏陣列故障分析

光伏發(fā)電系統(tǒng)主要由控制器、匯流器、光伏組件、逆變器、電纜和監(jiān)控系統(tǒng)等部件組成。其中，光伏組件采用電池封裝的形式，其故障相對(duì)隱蔽。目前，常見的光伏陣列主要有下列5種^［7］。

1.1 短路故障

短路故障是由于光伏電池板內(nèi)部2個(gè)電位點(diǎn)短接造成的，故障原因可能是絕緣破壞或材料劣化，短路故障會(huì)造成電池板溫度升高而燒毀，嚴(yán)重時(shí)甚至引發(fā)火災(zāi)。

1.2 開路故障

開路故障主要是連接線斷裂造成的，故障原因可能是連接點(diǎn)焊接不足或者電纜連線松動(dòng)，開路故障會(huì)顯著降低電池輸出電流和輸出功率。

1.3 老化故障

老化故障主要是由于光伏部件長(zhǎng)期暴露在野外造成的，老化故障往往是不可逆的，老化嚴(yán)重時(shí)，光伏組件內(nèi)部電阻異常增加，使光伏組件輸出特性遭到嚴(yán)重破壞。

1.4 陰影故障

陰影故障是由于光伏電池板的光能吸收不足引起的，局部電阻增加使電池板出現(xiàn)局部過熱，從而形成“熱斑”現(xiàn)象，陰影故障使電池板輸出電壓和電流均降低，影響其輸出特性。

1.5 裂紋故障

裂紋故障通常是由于雨后太陽直射光伏電池板使其表面破裂而產(chǎn)生的，裂紋故障容易引起電池板內(nèi)部進(jìn)水，從而加速電池板材料老化或者引起電池板內(nèi)部短路。

根據(jù)上述5種典型故障的故障特點(diǎn)并結(jié)合相關(guān)文獻(xiàn)資料，確定光伏陣列故障診斷的輸入特征量為太陽輻射度z₁、溫度z₂、濕度z₃、光伏陣列輸出電流z₄、直流負(fù)載電流z₅、光伏陣列輸出電壓z₆和光伏陣列輸出電流z₇。

2 野狗優(yōu)化算法（DOA）

DOA是Peraza等^［8］提出的一種仿生搜索算法，該算法是受澳洲野狗種群狩獵行為的啟發(fā)提出的，澳洲野狗通過迫害、分組和清掃等一系列行為向獵物發(fā)起攻擊，最終捕獲獵物。此外，澳洲野狗種群瀕臨滅絕，因此，DOA算法中還考慮了野狗的生存概率。

DOA算法的數(shù)學(xué)模型主要包含下列4個(gè)策略。

2.1 策略1：群體攻擊

澳洲野狗種群喜歡群居生活，在捕獵過程中，也喜歡采用群攻的方式攻擊大獵物，一旦發(fā)現(xiàn)獵物便立刻將其包圍，該過程中鬣狗位置變化公式為：

式中：x_i（t+1）為野狗i在下一次迭代時(shí)的位置；n為隨機(jī)整數(shù)，取值區(qū)間為［2，S/2］，其中，S表示野狗總數(shù)量；φ_k（t）為當(dāng)前搜索產(chǎn)生的子集，滿足φX，其中，X表示當(dāng)前階段隨機(jī)產(chǎn)生的野狗種群；x_i（t）為野狗i在當(dāng)前迭代時(shí)的位置；x_θ（t）為野狗在當(dāng)前迭代時(shí)的最佳位置；β₁為比例因子，取值區(qū)間為［-2，2］，其作用是控制野狗運(yùn)動(dòng)軌跡。

2.2 策略2：迫害攻擊

對(duì)于個(gè)體較小的獵物，澳洲野狗采用單獨(dú)捕獵的方式一直追趕獵物，直到將其抓獲，該過程中野狗位置變化公式為：

式中：β₂為隨機(jī)數(shù)，取值區(qū)間為［-1，1］；r₁為隨機(jī)整數(shù)，取值范圍是［1，x_max］，其中x_max表示最大野狗個(gè)體的位置；x_r1（t）為野狗r₁的當(dāng)前位置，其中r₁≠i。

2.3 策略3：清掃行為

清掃行為是指野狗在搜索范圍內(nèi)進(jìn)行隨機(jī)游走的行為，野狗在隨機(jī)游走時(shí)發(fā)現(xiàn)的腐肉也可以作為它的食物，該過程中野狗位置變化公式為：

式中：σ為算法隨機(jī)產(chǎn)生的二進(jìn)制數(shù)，取值為0和1。

2.4 策略4：低活概率搜索

目前，澳洲野狗屬于一種瀕臨滅絕的生物，其主要原因是非法狩獵。在DOA算法中，野狗存活概率可表示為：

式中：p_i為野狗i的存活概率；f_i為野狗i的適應(yīng)度值；f_max為野狗i的最佳適應(yīng)度值；f_min為野狗i的最差適應(yīng)度值。

當(dāng)野狗存活率較低時(shí)，野狗位置變化公式為：

式中：r₂為隨機(jī)整數(shù)，取值范圍是［1，x_max］；x_r2（t）為野狗r₂的當(dāng)前位置，其中r₂≠r₁。

相比蟻群、粒子群等傳統(tǒng)優(yōu)化算法，DOA算法具有更好的全局性和更優(yōu)的局部性，能夠更快地找到全局最優(yōu)解，提升尋優(yōu)結(jié)果的準(zhǔn)確性。目前，DOA算法金融、醫(yī)療、能源等領(lǐng)域得到了廣泛應(yīng)用。

3 極限學(xué)習(xí)機(jī)及其改進(jìn)

3.1 ELM原理

極限學(xué)習(xí)機(jī)是在單隱層前饋神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出的一種學(xué)習(xí)算法。ELM的輸入層權(quán)重系數(shù)及隱含層偏置系數(shù)是隨機(jī)生成的^［9］，其網(wǎng)絡(luò)訓(xùn)練只需要獲得權(quán)重，相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的訓(xùn)練效率更高，訓(xùn)練速度較快且具有更好的泛化性能。令任意樣本數(shù)據(jù)集為｛x_i，t_i|x_i∈Rⁿ，t_i∈Rⁿ，i=1，2，…，N｝，x_i表示輸入量，t_i表示目標(biāo)輸出量，假設(shè)g（x）為激勵(lì)函數(shù)，則有：

式中：H為隱含層矩陣；w_l為權(quán)值系數(shù)；b_l為閾值系數(shù)；β為輸出層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)的連接權(quán)值系數(shù)；n、l、m分別為ELM的輸入層、隱含層、輸出層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)；T為目標(biāo)輸出矩陣。

根據(jù)預(yù)測(cè)結(jié)果平方差最小原則對(duì)連接權(quán)值系數(shù)β進(jìn)行求解，可以得到：

式中：β為最優(yōu)連接權(quán)值系數(shù)。

通過求解線性系統(tǒng)，可以得到：

式中：H⁺為矩陣H的廣義逆矩陣。

ELM結(jié)構(gòu)簡(jiǎn)單、控制參數(shù)少，容易實(shí)現(xiàn)，筆者采用ELM作為光伏陣列故障診斷的學(xué)習(xí)工具，但由于ELM的學(xué)習(xí)效果受權(quán)值系數(shù)和偏置系數(shù)的影響較大，為了提高光伏陣列的故障診斷精度，筆者采用DOA算法優(yōu)化ELM的權(quán)值系數(shù)和偏置系數(shù)。

3.2 基于改進(jìn)ELM的光伏陣列故障診斷模型

為了提升ELM的分類效果，筆者利用DOA算法對(duì)ELM的最優(yōu)權(quán)值系數(shù)和最優(yōu)偏置系數(shù)進(jìn)行全局搜索，以7個(gè)特征量為輸入量，光伏陣列的5種典型故障為輸出量，構(gòu)建基于DOA-ELM的光伏陣列故障診斷模型，DOA-ELM模型的建模步驟如下。

（1） 根據(jù)前文所述7個(gè)特征量和光伏陣列故障類型組成樣本數(shù)據(jù)集，歸一化樣本數(shù)據(jù)集并將其劃分為訓(xùn)練集和測(cè)試集。

（2） 初始化ELM網(wǎng)絡(luò)，通過網(wǎng)絡(luò)訓(xùn)練確定隱含層節(jié)點(diǎn)數(shù)量。

（3） 設(shè)置DOA算法的主要參數(shù)，包括野狗數(shù)量、最大迭代次數(shù)等，利用隨機(jī)函數(shù)初始化野狗種群。

（4） 將ELM模型輸出結(jié)果的正確率作為適應(yīng)度函數(shù)，計(jì)算野狗個(gè)體適應(yīng)度值，確定當(dāng)前最優(yōu)野狗位置。

（5） 采用群體攻擊、迫害攻擊和清掃行為3種策略更新野狗個(gè)體位置。

（6） 利用策略4計(jì)算澳洲野狗的存活率，當(dāng)存活率低于設(shè)定概率時(shí)，利用式（5）變化野狗位置。

（7） 計(jì)算野狗適應(yīng)度值，更新當(dāng)前最優(yōu)野狗位置。

（8） 判斷最大迭代次數(shù)是否達(dá)到上限，若是，則輸出ELM的最優(yōu)權(quán)值系數(shù)和最優(yōu)偏置系數(shù)，否則，迭代繼續(xù)執(zhí)行。

（9） 利用DOA-ELM模型對(duì)光伏陣列進(jìn)行故障診斷。

4 算例分析

4.1 仿真數(shù)據(jù)獲取

由于光伏電站大多數(shù)處在偏遠(yuǎn)地區(qū)，光伏陣列實(shí)際故障數(shù)據(jù)搜集相對(duì)困難，為了獲得更加接近實(shí)際運(yùn)行場(chǎng)景的光伏陣列故障數(shù)據(jù)，利用PSIM軟件中的光伏組件物理模型進(jìn)行仿真實(shí)驗(yàn)，以太陽輻射度z₁、溫度z₂、濕度z₃、光伏陣列輸出電流z₄、直流負(fù)載電流z₅、光伏陣列輸出電壓z₆和光伏陣列輸出電流z₇7個(gè)特征量為輸入量，對(duì)短路、開路、老化、陰影和裂紋5種典型故障進(jìn)行模擬，對(duì)應(yīng)輸出編碼分別為1～5，共獲得500組實(shí)驗(yàn)數(shù)據(jù)，其中，每種故障數(shù)據(jù)為100組，每種故障數(shù)據(jù)按照4∶1劃分為訓(xùn)練集和測(cè)試集。

在MATLAB軟件中，對(duì)400組訓(xùn)練集樣本進(jìn)行訓(xùn)練，通過選取不同個(gè)數(shù)的隱含層神經(jīng)元進(jìn)行反復(fù)訓(xùn)練，最終確定隱含層神經(jīng)元的最優(yōu)個(gè)數(shù)為13，由此可以確定ELM的網(wǎng)絡(luò)結(jié)構(gòu)為7-13-5。

4.2 實(shí)驗(yàn)結(jié)果分析

采用DOA-ELM模型進(jìn)行光伏陣列故障診斷，DOA-ELM模型的診斷結(jié)果如圖1所示。為了對(duì)比分析DOA-ELM模型的有效性，采用李東虎等^［4］的遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)（Genetic Algorithm- Back Propagation Neural Network，GA-BPNN）模型和王一鳴等^［5］中的SSA-SVM模型對(duì)測(cè)試集中的100組數(shù)據(jù)進(jìn)行故障診斷，GA-BPNN模型和SSA-SVM模型的診斷結(jié)果分別如圖2和圖3所示。

統(tǒng)計(jì)DOA-ELM模型、GA-BPNN模型和SSA-SVM模型的光伏陣列故障診斷結(jié)果，正確率分別為99%、95%、94%。由此可以看出，DOA-ELM模型診斷結(jié)果的正確率更高，相比GA-BPNN模型和SSA-SVM模型分別提升4.21%和5.32%，由此可見，DOA-ELM模型在光伏陣列故障診斷方面效果更好，能夠進(jìn)一步提升光伏陣列故障診斷精度。

5 結(jié)語

本文以太陽輻射度、溫度、濕度、電流等特征量為輸入量，以光伏陣列5種典型故障為輸出量，采用DOA算法對(duì)ELM的權(quán)值系數(shù)和偏置系數(shù)進(jìn)行優(yōu)化，設(shè)計(jì)了一種基于DOA-ELM的光伏陣列故障診斷模型。仿真實(shí)驗(yàn)結(jié)果表明，相比GA-BPNN模型和SSA-SVM模型，DOA-ELM模型的光伏陣列故障診斷精度分別提升4.21%和5.32%，所提模型的故障診斷效果更好，驗(yàn)證了DOA-ELM模型在光伏陣列故障診斷方面有效性。

參考文獻(xiàn)

［1］武文棟，施保華，鄭傳良，等．基于改進(jìn)麻雀搜索

算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷［J］．智慧電力，2023（2）：77-83.

［2］祁煒雯，張俊，吳洋，等.基于改進(jìn)BP-Bagging算法的光伏電站故障診斷方法［J］．浙江電力，2024（3）：65-74.

［3］鄒凱，曾憲文，王洋，等.基于LDA-IBES-RELM的光伏陣列故障診斷方法［J］．上海電機(jī)學(xué)院學(xué)報(bào)，2024（1）：1-6，19.

［4］李東虎，徐凌樺，龍道銀，等．遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷［J］．微處理機(jī)，2021（6）：23-26.

［5］王一鳴，許頗，張凌翔，等．基于SSA-SVM的光伏陣列故障診斷模型［J］．電子設(shè)計(jì)工程，2024（13）：46-49.

［6］錢亮，黃偉，楊建衛(wèi)．基于HHO-ELM的光伏陣列故障診斷方法研究［J］．電源技術(shù)，2024（2）：345-350.

［7］代金超．改進(jìn)深度學(xué)習(xí)算法在光伏陣列故障診斷中的研究與應(yīng)用［D］．保定：河北大學(xué)，2021.

［8］代廣超，吳維敏．基于改進(jìn)野狗優(yōu)化算法優(yōu)化極限學(xué)習(xí)機(jī)的空調(diào)負(fù)荷預(yù)測(cè)方法［J］．制冷與空調(diào)（四川），2024（3）：320-329.

［9］王濤，林培杰，周海芳，等．采用ELM和優(yōu)化電壓傳感器布局的光伏陣列故障檢測(cè)與區(qū)域定位［J］．福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022（4）：475-482.

（編輯 王永超）

Fault diagnosis of photovoltaic array based on improved extreme learning machine

CHEN Xi

（Plant Resource Technology Co.， Ltd.， Shenzhen 518000， China）

Abstract：Photovoltaic arrays are exposed to harsh environments for a long time， which can easily cause various faults and affect the safe operation of the power system. In order to improve the accuracy of photovoltaic array fault diagnosis， the author proposes a photovoltaic array fault diagnosis method based on an improved extreme learning machine. The author used the dog optimization algorithm （DOA） to globally optimize the weight and bias coefficients of the extreme learning machine （ELM）， effectively solving the problem of blind parameter selection in ELM networks. Based on this， a fault diagnosis model for photovoltaic arrays based on DOA-ELM was constructed. The author used simulation experimental data to verify the effectiveness of the DOA-ELM model， and the results showed that the fault diagnosis accuracy of the DOA-ELM model for photovoltaic arrays was as high as 99%. This model can further improve the fault diagnosis accuracy of photovoltaic arrays.

Key words：photovoltaic array; fault diagnosis; extreme learning machine; dog optimization algorithm