基于SOM-BP神经网络的光伏逆变器软故障诊断研究

摘要：为了解决光伏系统光伏逆变器故障持续时间短、线路复杂的问题，使用SOM-BP串联神经网络并利用Simulink软件进行仿真，对光伏逆变器的软故障进行建模，收集了相关的参数作为研究样本。在MATLAB环境中，与BP网络、SOM神经网络诊断结果进行对比，证明该串联神经网络在光伏逆变器软故障诊断方面具有实用性。

关键词：光伏逆变器；故障诊断；SOM-BP串联神经网络

中图分类号：TP206""""""""" 文献标志码：A

太阳能是可再生的清洁能源，已经广泛存在于日常生活中。太阳能光伏发电站设计简单，建设安装周期短，无噪声，不易损坏，维护简单。太阳能光伏列阵发出直流电，经过光伏逆变器转换为可用市电。当太阳能充足时，室内可利用太阳能发电；当太阳能电力不足时，自动切换市电。在这个过程中，光伏逆变器作用十分重要，因此本文研究其故障诊断[1]。

光伏逆变器故障信息出现时间非常短，电路复杂，故障分为软故障和硬故障。软故障是参数性故障，例如电路元器件的性能退化等。硬故障是开关元件损毁，导致其拓扑结构发生异常。光伏逆变器故障诊断方法有自组织特征映射神经网络（Self-Organizing feature Map，SOM）和反向传播神经网络[2]（Back Propagation，BP）等。本文就BP神经网络泛化性能差、需要大量样本、实时性差以及SOM神经网络需要多次训练且不能以向量形式表示结果的限制等问题，用simulink软件搭建三相半桥式逆变器仿真模型，使用该模型作为试验对象，设置不同的电容退化值，模拟电路25种软故障，再以BP、SOM和SOM-BP神经网络分别作为诊断网络，进行结果对比，选择最优诊断网络，提高故障诊断率。

1神经网络

1.1BP神经网络

BP神经网络[3]是一种利用误差反向传播来训练算法，提高算法精确度的多层前馈网络。由单个输入层、单个或多个隐藏层以及单个输出层组成。BP神经网络拓扑结构如图1所示。BP神经网络利用误差反向传播，判断输出值和期望值的误差平方和是否达到预设误差值，决定算法是否结束，得到目标值[4]。

其算法步骤如下。

步骤一：网络初始化。

步骤二：计算隐含层输出。设隐藏层神经元为激励函数，出Hj如公式（1）所示。

（1）

式中：f为隐含层激励函数；xi为输入值；aj为隐含层第j节点阈值。

步骤三：计算输出层O输出。输出层第k节点的预测输出Ok如公式（2）所示。

式中：wjk为权值；bk为输出层第节点阈值。

步骤四：误差ek的计算过程如公式（3）所示。

式中：Yk为输出层第k节点的期望输出，k=1，2，…，m。

步骤五：权值更新。根据公式（1）和公式（3），更新wij与wjk，如公式（4）、公式（5）所示。

式中：η为学习速率。k=1，2，... ，m，m输出层节点数。

步骤六：阈值更新。计算过程如公式（6）、公式（7）所示。

步骤七：是否满足条件，是，结束；否，返回步骤二。

BP神经网络有以下3个方面的不足之处。1）BP神经网络对初始值敏感，如果步长和方向不同就会导致局部寻优的结果不同。在每次训练的过程中，其会收敛于不同的局部最小值，导致网络性能不稳定。2）根据经验设定初始网络，再根据输出结果进行调整，如果结果过于复杂，就会出现过度拟合，影响BP神经网络推广能力；如果过于简单，就会无法收敛。3）样本依赖性，如果样本冗余、不具有代表性或者出现分类错误等情况，那么网络训练分类效果会降低。

1.2SOM神经网络

SOM神经网络是无教师、自组织和自学习网络。SOM网络分为输入层和竞争层，其中竞争层即输出层，是一种无隐含层的网络，其拓扑结构如图2所示。在该网络中的各个神经元会竞争并抑制周围神经元，获得输入机会，其是一种可以学习训练数据输入向量的分布特征和拓扑结构的网络[5]。一旦SOM神经网络训练完成，就可以对数据进行聚类。

其算法步骤如下[6]。

步骤一：网络初始化。

步骤二：输入向量。输入向量X=（x1，x2，...，xm）T。

步骤三：计算竞争层的权值向量和输入向量的距离d，竞争层的第j个神经元和输入向量的距离dj如公式（8）所示。

式中：Wj为第j个神经元的权值向量；xi（t）为当前时间的输入；Wij（t）为输入层中的i神经元和竞争层中的j神经元在当前时间的权值。

步骤四：权值学习。更新神经元j*及其邻接神经元的权值，如公式（9）所示。

式中：wij（t-1）为输入层中的i神经元和竞争层中的j神经元在上一个时间的权值；wij（t）为输入层中的i神经元和竞争层中的j神经元在当前时间的权值；φ（t）为学习速率，且0lt;φ随时间增加而减少。

步骤五：计算输出ok，如公式（10）所示。

ok=fmin||X-Wj||（10）

式中：f为函数；0≤f≤1或f为其他线性函数。

步骤六：是否达到期望值。如果达到，就结束；如果未达到，就返回步骤二，进行下一轮学习。

SOM神经网络能够进行有限的自适应分类，但是学习速度和稳定性不能两全，学习速度快可能会导致最终权值向量不稳定，获取稳定性则需要大量时间。有的神经元可能因为初始值输入向量太远，导致其从未在竞争中获胜，成为“死”神经元。

2SOM-BP串联神经网络

2.1原理及结构

本文利用的SOM-BP神经网络[7]是以SOM为初级网络，BP为次级网络的串联神经网络。首先，利用SOM神经网络对数据进行聚类，进行初步判断。其次，计算SOM神经网络的获胜神经元位置信息。再次，将位置信息输入BP神经网络中。最后，训练BP神经网络。2种神经网络互相取长补短，同时避免了BP神经网络需要大量样本和SOM神经网络不能以向量模式表示结果的缺陷[8]。SOM-BP串联神经网络有输入层、竞争层、隐含层和输出层4个组成部分（如图3所示），即在传统的BP神经网络的隐含层前添加一个竞争层。

2.2算法步骤

SOM-BP神经网络的算法步骤如下[9]。

步骤一：选取样本数据（X1，X2，…，Xn），将样本数据与测试数据进行归一化处理。

步骤二：初始化SOM神经网络，输入样本数据，经过训练后得到初步的分类结果。

步骤三：将SOM竞争层输出的结果进行归一化处理。

步骤四：初始化BP神经网络，将步骤三的结果输入至BP神经网络，再次进行训练。

步骤五：进行多次训练后形成SOM-BP神经网络的分类模型，输入测试样本进行测试，并分析结果。

3光伏逆变器故障诊断

3.1仿真试验

本文采用三相半桥式逆变器，利用Simulink进行仿真，选取三相桥臂中间点线电压信号作为故障信号，分别以N：0～10%；A：10%～20%；B：20%～30%；C：30%～40%和D：40%～50%的5种退化程度设置三相半桥式逆变器中的2个电容C1、C2容量，模拟25种软故障模式，故障类型见表1。再分别用BP神经网络、SOM神经网络和SOM-BP串联神经网络进行故障诊断，得到结果进行对比。

3.2试验结果

随机选取1250组信号，其中1100组为训练集样本，150组为测试集样本。3种神经网络的搭建结构如下。1）BP神经网络由5个输入节点、32个隐含层节点和25个输出层节点构成。2）在SOM神经网络中有25个竞争层神经元，拓扑结构为5×5网状结构。3）SOM-BP神经网络的竞争层为8×8=64个神经元，隐含层节点为32个，输出层节点为25个。SOM-BP神经网络的训练集预测误差如图4所示，测试集预测误差如图5所示，3种网络的诊断精度见表2。

由本节试验结果可知，使用SOM-BP串联神经网络模型对光伏逆变器软故障进行故障诊断，与BP神经网络模型以及SOM神经网络模型的结果进行对比，故障诊断准确率更高。

4结论

为解决光伏逆变器的软故障诊断难题，本文采用SOM-BP串联神经网络技术来进行故障分类和诊断。与BP神经网络和SOM神经网络的诊断数据进行对比，SOM-BP串联神经网络在输入节点数量和训练样本数量方面都有所减少，提高了光伏逆变器软故障诊断的准确性。因此，利用SOM-BP串联神经网络对光伏逆变器的软故障进行诊断，应用价值很高。

参考文献

[1]姜媛媛，张书婷. 基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究[J]. 电测与仪表，2021，58（2）：158-163.

[2]张晓阳，李田泽，张涵瑞，等. 应用于光伏阵列故障诊断的DA-SOM算法研究[J]. 电源学报，2022，20（2）：122-128.

[3]徐逍帆，葛强. 基于BP神经网络的全贯流电机泵故障诊断[J]. 内燃机与配件，2021（2）：139-140.

[4]梁荣波，于灏，李军霖. 基于BSA与BP神经网络的矿用变压器故障诊断[J]. 山东煤炭科技，2023，41（5）：139-142.

[5]吕帅. 矿井采煤装备智能控制与运行信息管理系统研究与设计[D]. 徐州：中国矿业大学，2019.

[6]吕建丰. 基于SOM神经网络的柴油机故障诊断[J]. 科学技术创新，2019（35）：140-141.

[7]程鹏，潘宏侠.SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究[J]. 噪声与振动控制，2010，30（5）：165-168.

[8]段玉兵，胡晓黎，张皓，等. 基于SOM-BP组合神经网络的交联电缆局部放电模式识别[J]. 电气应用，2016，35（23）：71-75.

[9]张明远，杨涛，慕洪胜，等.SOM-BP复合神经网络在不接地IT系统对地绝缘故障相判别中的应用[J]. 船电技术，2016，36（12）：28-32，36.

通信作者：张书婷（1991-），女，汉族，安徽合肥人，硕士研究生，助教，研究方向为故障预测与诊断技术。

电子邮箱：664037096@qq.com。