基于脉冲神经网络光伏电站热斑故障预测

刘海波，吴亦凡，徐小奇，葛 强

(扬州大学电气与能源动力工程学院，江苏扬州 225000)

在各种光伏发电系统中，存在各种局部阴影或不均匀光照的情况。当光伏组件中的光伏电池被遮挡时，就会出现温度过高的现象，通常称之为热斑现象。为了防止热斑故障导致电池烧毁，必须在事故发生前诊断出故障，本文采用基于热辐射红外热成像技术的故障检测法，在得到处理后的红外热图后，利用脉冲神经网络对时序信息进行处理，根据光伏组件的时序信息变化，在学习过程中增加神经元的数目，习得故障时序模式，实现对热斑故障的检测[1-2]。

1 热斑现象的研究现状

1.1 热斑现象形成的原因

当光伏电池正常工作时，处于正向偏置电压下，在局部光照不均或者部分被遮挡的情况下，被遮挡的光伏电池电流小于其他光伏电池的电流，该电池可能承受反向电压，则该电池不再作为电源产生功率，而作为负载消耗其他电池产生的功率，逐渐累积热量，导致温度上升，降低发电效率，威胁组件安全。

更重要的是，区别于传统的热斑现象，在晶体硅材料组件中，由于低电阻缺陷引发的热斑效应更为严重。在单元结晶边缘、PN 结接触面以及裂缝处通常发生该缺陷。存在缺陷的部分可以等效成低电阻，一旦缺陷区域发生热斑效应，工作在反偏电压下，将会产生较大的反向电流流过该缺陷区域，造成组件的发热直至损坏，甚至存在巨大的安全隐患[3]。

1.2 热斑现象的处理方法

目前针对光伏组件的热斑故障，采用最为广泛的应对措施是通过并联旁路二极管来降低发生热斑故障电池片两端的反向电压和流经电池片的反向电流，但此方法还是无法避免热斑现象的发生。为了及时诊断出热斑故障并发出预警，一般采用以下两种检测方式[4]：

(1)热辐射红外成像技术的故障检测方法，针对光伏电池在不同温度和不同状态下工作的特点，提出了基于红外热分析的故障诊断方法；(2)基于电压和电流的故障检测方法，基于光伏阵列的串并联结构，根据光伏阵列在故障状态下电压、电流和功率的变化，实时检测光伏阵列。

基于图像处理的红外热成像检测方法使用红外热成像仪得到光伏组件的红外热图并进行图像预处理，通过搭建神经网络热斑故障检测模型，实时检测热斑现象是否发生。

2 图像预处理

2.1 光伏组件的红外热图获取

使用红外热成像仪对光伏组件进行扫描，可以得到光伏热图，如图1 所示，产生热斑故障的光伏电池因温度上升，其红外热图亮度远高于周围其他光伏电池。

图1 光伏阵列红外热图

2.2 光伏组件的红外热图处理

使用红外热成像仪获取光伏组件的红外热图，得到光伏组件上各光伏电池的红外热图，以帧为单位保存每个光伏电池的红外热图。

由于红外热图普遍存在图像对比度低、图像边缘模糊及成像不均匀等特点，从而无法准确地判断热斑故障[5]。需要对获得的红外热图进行处理，提取其中对判断热斑故障最有帮助的特征量，来实现红外图像增强的效果[6]。选择将其转换为灰度图像的方法，选用绿色通道作为灰度值，图像中热斑故障较为明显。

2.3 红外热图的状态编码

对得到的红外热图进行处理后转换为灰度图像，得到以帧为单位的每个光伏电池的一组灰度图像，如图2 所示。

图2 灰度图像转换结果

由于热斑故障的发生是一个渐变的过程，因此在这个温度逐渐升高的过程，本文选取四种特征明显的灰度图像，根据灰度值的大小，将其定义为0～3 这四种不同状态，如图3所示。

图3 灰度图像状态图

根据已有研究，利用卷积神经网络，通过训练，不断地修正各单元的权重，直至误差小到可以接受的程度，从而准确地识别各位置图像所处的状态，并将其转换为状态矩阵，图4为状态识别示意图，灰度图像的状态图相较于红外热图特征更为明显，更容易被计算机识别。

图4 状态识别示意图

3 基于脉冲神经网络的热斑故障检测模型

为了确保光伏列阵的安全，需建立一个兼顾实时性和准确性的模型，对产生热斑故障的光伏电池状态过程进行分析学习，使其能在温度上升到危险温度之前预测出这块电池要发生热斑故障，发出警报并定位，实现热斑故障的检测与防护。选择脉冲神经网络学习故障电池的时序模式，搭建实时检测热斑现象的模型。

3.1 脉冲神经网络

脉冲神经元的数学模型采用基于电流的带泄漏整合发放模型。神经元模型的公式如式(1)所示：

式中：τm为神经元细胞膜积分时间常数；Vr为静息电位；ge为兴奋信号输入电流；gi为抑制信号输入电流；V为神经元细胞膜电位；τe为兴奋时神经元细胞膜时间常数；τi为抑制信号输入时细胞膜时间常数。

该模型可以反映神经元细胞膜受到刺激，电位上升达到阈值，发出脉冲后，电位下降，最后回到静息电位的过程。

脉冲神经网络模型的算法使用脉冲时间依赖的突触可塑性算法，该算法增加作用于神经元兴奋前的突触前神经元权值，减小作用于神经元兴奋后的突触后神经元权值，依据脉冲发生和突触发生作用的相对时间的不同，对突触权值做出调整。

3.2 基于脉冲神经网络的热斑故障检测

根据上述方法，以帧为单位将红外热图转换为信息量更高的状态矩阵，如图5 所示。

图5 状态矩阵示意图

对于发生热斑故障的光伏电池，该电池的状态编码在产生过程中可以简单地表示为0→1→2→3。以2 状态保持12帧作为评判热斑故障的依据。

选取产生热斑故障的电池片，对它的时序模式进行研究。为了在热斑故障导致温度上升烧毁电池片之前发现故障，设置一个故障检测点，为第50 帧图像，即981 ms 作为该模型的理想热斑故障检测点。

将发生热斑故障的电池片的时序信息作为时间编码输入来训练该脉冲神经网络，基于脉冲时间依赖的突触可塑性(STDP)算法的带泄漏整合发放(LIF)模型，进行训练迭代，经过一定次数的迭代后，神经元习得该时序模式。

习得该时序模式后，对该模型进行检验。先将训练时使用的时序模式作为时间序列编码输入，脉冲神经网络模型在设定的理想检测点附近发出脉冲，实现热斑故障的检测功能。输入未产生热斑故障的正常工作的电池片状态时间序列，该脉冲神经网络模型不会发出脉冲。时间序列中短暂的2 状态不会干扰脉冲神经网络对是否发生热斑故障的判断，可见脉冲神经网络的抗干扰能力较强。

当电池片发生热斑故障而升温时，其对应位置的状态信息时间序列也随之变化，最后使该位置对应的神经网络发出脉冲，检测出热斑故障并定位电池片。在LabVIEW 上搭建交互面板，展示哪块电池片发生了故障并及时报警，LabVIEW前面板如图6 所示。

图6 LabVIEW 交互界面

3.3 基于BP 神经网络的仿真搭建

上文是用脉冲神经网络的理论知识得到的结果。脉冲神经网络是第三代神经网络，通过脉冲触发的方式可以较好地处理时间序列信息，拥有比第二代神经网络更强大的计算单元。但脉冲神经网络采用的脉冲触发是一种发生在各个时刻的离散事件，所以脉冲训练是一种不可微的离散训练方式，因此对脉冲神经网络的训练是非常艰巨的，目前脉冲神经网络的未来仍不清晰，关于脉冲神经网络的文献也比较少且大多停留在理论阶段，故采用上述脉冲神经网络检测热斑故障的思路，使用目前已广泛应用的BP 神经网络作为仿真检测，在验证检测可行性的同时，也希望对脉冲神经网络的实践应用发展做出帮助。

仍以发生热斑故障的电池片的时序作为输入样本，使BP神经网络学习该时序。BP 神经网络习得该时序后，只需输入电池片的历史状态信息，即可通过BP 神经网络预测该电池片在上述设置的理想故障检测点时的状态，规定故障检测点为状态2、3 时，就视为该电池片发生了热斑故障。检测过程如图7 所示。

图7 BP神经网络检测模型原理图

基于文献[7-8]做过的BP 神经网络方面的研究，建立基于时间序列编码的BP 神经网络，即根据历史的时序信息来预测未来的时序信息。

选择使用一个隐含层，设置4 个输入层神经元，10 个隐含层神经元节点，1 个输出层神经元，设置最大迭代次数为2 500，期望误差为0.000 1，学习步长η 为0.15，采用S 型激活函数作为BP 神经网络的算法参数。

在Matlab R2019b 中搭建BP 神经网络模型，将发生典型热斑故障的光伏电池片的状态编码时间序列作为输入样本进行训练，得到的仿真结果和实验结果的对比图如图8 所示。

图8 仿真结果与实际结果对比图

使用BP 神经网络学习的时序模式在状态切换处附近具有较大的误差，因状态切换处输入量的值在突变，即为间断量，BP 神经网络处理间断量较为乏力，故采取一系列措施来减小误差。采取的措施为：

(1)对输入数据进行归一化处理，将0～3 的输入量经归一化处理后转为0～1 的状态量，减少状态切换时输入量突变的程度；

(2)采用更适合处理时间序列的多变量插值的径向基函数(RBF)模型代替BP 模型[9]；

(3)减小输入状态间的时间间隔，对状态切换点进行线性插值，增加输入量的平滑程度。

采用上述改进措施后，得到的仿真结果和实际状态对比图如图9 所示，其中经过归一化处理后的光伏电池状态值0.33 对应状态1，状态值0.67 对应状态2，状态值1 对应状态3。

由图9 可知，改进后的模型在状态切换时只会产生较小的误差，偏离状态值20%以内的值均可认为是该状态值。因只定义了四种状态，这种较小的误差不会影响状态的判别，因此误差在可接受的范围内。

图9 改进模型后的对比图

4 结论

红外热成像法可以较直观地展示光伏组件的温度，检测光伏电站热斑故障，本文通过将红外图像转换为灰度图像使信息增强来更好地区分电池的状态，输入信息含量高的状态矩阵来训练脉冲神经网络，使其习得时序模式并诊断发生热斑故障的光伏电池。使用优化的BP 神经网络模型验证上述方法，其准确性和抗干扰性虽不如脉冲神经网络，但基本实现了预期的效果，验证了使用脉冲神经网络诊断光伏电站热斑故障的可行性。