基于概率神经网络的光伏阵列故障诊断

刘俊杰，汪石农

(安徽工程大学 电气工程学院，安徽 芜湖 241000)

由于光伏阵列大多建设在较偏远地区，多变的复杂环境会造成光伏阵列出现各种如开路、短路、老化、局部阴影等故障，大大降低了光伏阵列的使用寿命[1]。且光伏阵列规模较大，出现故障不容易被检测到。

目前主要的光伏阵列故障诊断方法有红外线检测法[2]、时域反射法[3]等。其中红外线检测法是当光照、环境温度等条件一样时，在不同的工作状况下，光伏组件之间有着明显的温度差异。通过利用红外线的方法，提取出可能由于热斑现象而出现的故障区域以及该区域的特征信息来判断出光伏阵列是否发生故障[4]。虽然该方法原理简单，但耗费成本大且检测精度不高。时域反射法是当光伏阵列发生故障时，信号会发生延迟且信号的波形会发生相应的变化，这样就可以通过该方法确定故障发生的位置以及故障发生的类型[5]。但该方法只能在关闭系统工作的情况下去检测故障的发生。

本文通过搭建光伏阵列仿真模型并对光伏阵列各故障条件下的输出特性进行仿真分析，给出光伏阵列在各种故障条件下的各电气参数变化趋势，确定概率神经网络模型的输入变量，建立概率神经网络模型并运用概率神经网络实现对光伏阵列的故障诊断。

1 光伏阵列故障诊断流程

图1给出了本文运用概率神经网络对光伏阵列进行故障诊断的流程图。首先，通过对光伏阵列各项模型参数的估计并建立MATLAB仿真模型；然后，通过对光伏阵列在各种状态下的仿真研究建立数据集；其次，建立概率神经网络模型；最后，输入测试数据并输出故障诊断的类型。

图1 光伏阵列故障诊断流程图

2 光伏模块仿真分析

2.1 光伏模块数学模型

光伏模块的发电原理是通过光伏效应或者光化学效应将光能转化为电能。光伏模块的一般等效电路模型如图2所示。

图2 光伏组件等效电路模型

根据光伏模块等效电路模型可得表达式(1)为：

I=Iph-Id-Ish

(1)

式中：Iph为光生电流；Id为流经二极管的电流；Ish为流经等效二极管的电流。

2.2 光伏模块的建模与仿真分析

通过运用MATLAB搭建光伏模块仿真模型，其仿真结构如图3所示。

图3 光伏模块仿真图

本文采用型号为1-Soltech 1STH-215-P的光伏模块，在标准状况(25℃、1000W/m2)下该光伏模块各参数如表1所示。

表1 光伏组件主要参数

通过保持温度T=25℃恒定，改变光照强度G的大小，得到图4所示的输出特性曲线。由图4(a)可知，当保持温度T恒定时，随着光照强度G减少，最大功率Pm逐渐减小，但最大功率点处的电压Ump保持不变。由图4(b)可知，当保持温度T恒定时，随着光照强度G减少，短路电流Isc和最大功率点处的电流Imp逐渐减小，而开路电压Uoc基本保持不变。

(a)P-U特性曲线

(b)I-U特性曲线图4 光伏组件恒定温度不同光照强度下输出特性曲线

当保持光照强度G=1000W/m2恒定，改变温度T的大小，得到图5所示特性曲线。由图5(a)可知，当保持光照强度G恒定时，随着温度T提高，最大功率Pm逐渐减少，最大功率点处的电压Ump也逐渐减小。由图5(b)可知，当保持光照强度G恒定时，随着温度T的提高，开路电压Uoc逐渐减小，而最大功率点处的电流Imp和短路电流Isc基本不变。

(a)P-U特性曲线

(b)I-U特性曲线图5 光伏组件恒定光照强度不同温度下输出特性曲线

3 光伏阵列故障仿真模型

3.1 光伏阵列仿真模型

由于在实际生活中光伏阵列数量较为庞大，不易进行实地实验，所以本文通过运用MATLAB程序运用9个型号为1-Soltech 1STH-215-P的光伏模块来搭建一种3×3的光伏阵列仿真模型，并分析光伏阵列在开路、短路、局部阴影、异常老化等各种故障状态下的输出特性[6]。光伏阵列仿真模型如图6所示。其中，PV1-PV3组成支路I，PV4-PV6组成支路II，PV7-PV9组成支路III。

图6 光伏阵列仿真模型

3.2 开路

开路故障一般是由于光伏阵列中光伏组件因为某种原因导致线路断开而引起的[8]。通过分别在图6中的支路I、II上设置阻值为无限大的电阻来模拟光伏阵列开路故障，得到如图7所示特性曲线。通过图7(a)可以看出，随着支路开路个数的增加，光伏阵列最大功率Pm在逐渐较小，而最大功率点处的电压Ump基本保持不变。通过图7(b)可以看出，随着光伏阵列的支路开路个数的增加，开路电压Uoc基本不变，而短路电流Isc和最大功率点处的电流Imp逐渐降低。

(a)P-U特性曲线

(b)I-U特性曲线图7 光伏阵列在开路状态下的输出特性曲线

3.3 短路

光伏阵列的短路一般是由光伏组件内部局部腐蚀和线路损坏导致的。通过在图6中的支路I、II上并联两个阻值为0的电阻来模拟光伏阵列的短路故障，得到如图8所示特性曲线。通过图8(a)可以看出，光伏阵列的最大功率Pm和最大功率点处的电压Ump随着光伏阵列短路个数的增加而降低。通过图8(b)可以看出，随着光伏阵列短路个数的增加，短路电流Isc和最大功率点处的电流Imp基本不变而开路电压Uoc在逐渐减小。

(a)P-U特性曲线

(b)I-U特性曲线图8 光伏阵列在短路故障下的输出特性曲线

3.4 局部阴影

局部阴影通常是因为光伏阵列中部分光伏组件由于各种环境影响导致光照强度不均匀[7]。通过对图6中的光伏阵列支路I上分别设置不同遮光率来模拟局部阴影故障，得到图9所示特性曲线。通过图9(a)可以看出，随着光照强度的下降，光伏阵列最大功率Pm和最大功率点处的电压Ump逐渐降低。通过图9(b)可以看出，随着光照强度的下降，光伏阵列的短路电流Isc和最大功率点处的电流Imp逐渐减小，而开路电压Uoc基本不变。

(a)P-U特性曲线

(b)I-U特性曲线图9 光伏阵列在局部阴影故障下的输出特性曲线

3.5 异常老化

光伏组件一般具有较长的使用寿命，但在使用过程中受环境影响而造成光伏组件的老化。通过将光伏阵列串联一块电阻来模拟光伏组件老化故障[8]。通过在图6的主线路上设置一个电阻并设定阻值分别为2Ω、4Ω和6Ω来模拟光伏阵列的老化故障，得到如图10所示特性曲线。通过图10(a)可以看出，随着R阻值的增大，最大功率Pm逐渐降低，最大功率点处的电压Ump基本不变。通过图10(b)可以看出，随着R阻值的增大，开路电压Uoc和短路电流Isc几乎无变化，而最大功率点处的电流Imp逐渐降低。

(a)P-U特性曲线

(b)I-U特性曲线图10 光伏阵列在异常老化故障下的输出特性曲线

4 基于概率神经网络的光伏阵列故障诊断分析

4.1 概率神经网络

概率神经网络(PNN)是在1989年被D.F.Specht博士提出的一种结构相对简单的前馈神经网络[9]。概率神经网络由于能用线性学习代替非线性学习算法，所以经常被人类用来解决模式分类的问题。

概率神经网络由输入层、模式层(隐含层)、求和层、决策层(输出层)组成[10]。其模型图如图11所示。

图11 概率神经网络模型

通过将训练样本输入到输入层，经隐含层中的输出关系处理。通过求和层将每种故障发生的概率相加从而得到估计密度函数，由输出层对各种故障模式进行分类：函数值最大的类别输出为正确，其余均为错误[11]。隐含层的输出关系由下式(2)给出。

(2)

式中：ωi表示输入层输入到隐含层的权值；σ表示平滑因子，是神经网络的重要部分。

4.2 概率神经网络特征信号的选择

通过对光伏阵列故障仿真分析可知，当光伏阵列发生开路、短路、部阴影、异常老化这四种主要故障时，开路电压Uoc、短路电流Isc、最大功率点电压Ump和最大功率点电流Imp都会相应的发生变化，所以选择Uoc、Isc、Ump和Imp作为该神经网络的输入变量。

4.3 故障诊断仿真分析

通过对光伏阵列故障仿真研究，检测光伏阵列四种特征参数的值，并建立数据样本，将这些样本分为待训练样本和待测试样本并进行归一化处理[12]。数据的归一化公式(3)如下：

(3)

式(3)中，xn为初始数据，xmax为初始数据中的最大值，xmin为初始数据的最小值，Xn为数据归一化后的输入数据。

故障诊断的流程如图12所示。

图12 故障诊断流程图

通过对样本进行归一化处理后输入到概率神经网络中，样本经过训练并完成诊断后得到如图13所示结果。序号1代表正常，序号2表示故障诊断为开路，序号3表示故障诊断为短路，序号4表示故障诊断为局部阴影，序号5表示故障诊断为异常老化。由图13(a)可知，概率神经网络训练后的误差全部为0，精确度极高。由图13(b)可知，概率神经网络的预测结果与实际故障类型完全重合，即诊断结果全部正确，能够进行准确的故障诊断。

(a)训练结果

(b)预测结果图13 概率神经网络诊断结果

5 结论

本文通过运用MATLAB程序搭建光伏阵列仿真模型，对光伏阵列的主要故障状况进行仿真分析，表明了光伏阵列在各种故障状态下，光伏阵列的Ump、Imp、Uoc和Isc都会发生相应的变化。因此，将这四种参数作为概率神经网络模型的输入变量并通过建立概率神经网络仿真模型，对光伏阵列进行故障诊断。仿真结果表明，概率神经网络在诊断过程中所需样本较少，精确度较高且训练过程简单，为实际的光伏阵列故障诊断提供了较好的理论参考。