基于参数优化的光伏电池故障诊断

毛乾龙 汪石农

摘 要：提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识，获取不同故障类型光伏电池特征参数数据集，建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明，优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识，故障诊断结果与故障特征一致，验证了基于参数优化光伏电池故障诊断方法的有效性.

关键词：人工蜂群算法;参数辨识;故障诊断;概率神经网络

[中图分类号]TP23   [文献标志码]A

Abstract：A fault diagnosis method for photovoltaic cells based on parameter optimization is proposed. The optimized artificial bee colony algorithm is used to identify the parameters that affect the I-V curve of photovoltaic cells， obtain the characteristic parameter data sets of different fault types of photovoltaic cells， and establish the probabilistic neural network fault diagnosis model to diagnose the fault types of photovoltaic cells. The simulation results show that the optimized artificial bee colony algorithm can identify the characteristic parameters of photovoltaic cells quickly and accurately， and the fault diagnosis results are consistent with the fault characteristics， which verifies the effectiveness of the fault diagnosis method based on parameter optimization.

Key words：artificial bee colony algorithm;parameter identification;troubleshooting;probability neural network

經济全球化推动着时代的潮流往可持续方向发展，可再生资源成为各国能源发展的重点.随着光伏电池生产工艺的提高，生产成本的不断降低，极大地促进了光伏产业的发展.光伏电池在工程使用中会因为各种故障如短路、开路、老化以及由阴影而产生的热斑效应而发生重大工程事故，因此，有必要科学诊断光伏电池的故障，保证生产持续稳定进行.智能算法是光伏电池故障诊断的有效方法之一.智能检测方法检测光伏电池主要基于提取光伏电池外部特性值或内部参数值，通过建立光伏电池故障诊断模型进行故障诊断.光伏电池I-V特性方程是一个复杂超越非线性函数，无法通过简单计算求解出参数值.翟载腾 Chan D S H 、王刚[1-2，5]等通过建立光伏电池单二极管模型和双二极管模型，使用微分求导和列方程组的方法提取光伏电池内部参数，利用迭代减小误差值.该方法在数值分析上能准确提取光伏电池内部参数值.Muhsen D H， Kichou S[3-4]等通过智能算法对光伏电池模型进行参数提取，其优势在于减轻人工对方程组的求解，加快参数提取速度.杜康宇、杨琳[6-8]等通过多种智能算法结弥补单一智能算法的缺陷. 简献忠、程泽、 Lin P[9-14，16]等通过多种算法结合提取光伏电池内部参数，相比单一算法在光伏电池参数提取上误差减小，收敛速度加快，但在工程应用中光伏电池故障特征值的精度和可靠性方面要求苛刻.本文基于人工蜂群算法，根据不同蜜蜂选择不同的路径来修改自己的位置（避免人工蜂群算法陷入局部最优解），再跟随蜂搜索阶段引入随机步进函数来增加种群多样性.通过对光伏电池模型I-V方程的推导，减少人工蜂群算法对光伏电池参数辨识的数量，减少误差和迭代次数，提高参数辨识的准确度，从而为准确提取故障特征值、提高光伏电池故障诊断正确率提供基础.

1 光伏电池智能检测

1.1 光伏电池参数优化

2.3 光伏电池模型故障诊断

从人工蜂群算法中辨识的52组数据作为PNN网络的输入，正常、短路、开路、老化作为输出.其中，前40组数据作训练集，后12组数据作测试集.在训练前先对数据进行归一化处理，使用测试数据对PNN网络进行多次测试，计算诊断的正确率平均能达到96%，相比文献[17]和[18]诊断效果都好.测试样本预测图及PNN训练结果见图8和图9.

3 结论

本文提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识，获取不同故障类型光伏电池特征参数数据集，建立概率神经网络故障诊断模型，对光伏电池故障类型进行诊断.算法减少了人工蜂群算法所要辨识光伏电池的参数值，在人工蜂群算法的基础上优化了采蜜蜂和跟随蜂的寻优路径，加强了算法的局部搜索能力，使人工蜂群算法在光伏电池参数辨识上能够准确快速辨识出光伏电池参数值，加快了光伏电池故障诊断模型的建立.通过分析不同情况下短路、开路、老化的五参数特征变化规律，提取故障特征值，建立基于概率神经网络算法的光伏电池故障诊断模型，对故障类型数据进行分类.本文在提高光伏电池模型参数辨识的准确度、收敛性和快速性方面有很大提升.优化的数据集提高了故障诊断的正确率，有利于避免光伏电站重大事故的发生，对于光伏电站的维护有很重要的参考价值.