基于Web的光伏電站監控與故障診斷系統

海 濤 ，紀昌青 ，李曉念 ，李朝偉 ，王 路

（1.廣西大學 電氣工程學院，南寧 530004；2.廣西交通職業技術學院，南寧 530004）

發展可再生能源已經成為全球能源發展的重要方向，太陽能是可再生能源中的重要組成部分，光伏、光熱、光化學是太陽能利用的3種主要形式。當前，光伏產業蒸蒸日上，已被廣泛應用于人們的生活中。我國將會持續大力發展光伏產業，因此未來越來越多的光伏電站將會被建立起來。由于太陽能的特點，大型光伏電站一般都建立在偏遠地區，小型電站多建立在城市樓宇等建筑物的上方，這樣就給電站的運行維護造成一定的困難，因此設計基于B/S結構Web形式的光伏電站監控系統十分有必要。

本文設計了一種基于.NET平臺的光伏電站監控系統，利用GPRS公共無線網絡進行數據的傳輸；采用三層架構軟件設計方法，方便日后的維護和擴展；使用Ajax技術實現網頁局部刷新，優化用戶體驗；運用BP神經網絡對光伏組件進行故障診斷，方便維護人員及時檢修，預防因故障引起不良后果。

1 系統設計方案

1.1 B/S結構和C/S結構

目前使用最廣泛的監控結構是C/S（Client/Server）結構。但是C/S結構對客戶端的操作系統有限制，不同的操作系統需要不同的客戶端軟件，這樣就加大了開發的工作量；C/S結構難以適應上百臺電腦以局域網的方式同時使用，代價高、效率低；C/S結構的維護成本非常高并且需要復雜的技術支持。

隨機互聯網的發展，人們越來越多地使用B/S（Browser/Server）結構[1-2]。 B/S結構相比 C/S結構不需要給每一種操作系統專門制作客戶端軟件，不同操作系統的用戶只需要通過瀏覽器就可以訪問服務器內容；B/S結構完全可以適應大批量用戶同時訪問服務器；B/S結構相比C/S結構最大的優點就是維護成本低，工作人員只需要擴展或升級服務器即可，大大降低了工作量，因此本文采用B/S結構進行設計。

1.2 系統總體結構

本文所采用的B/S結構如圖1所示，各自的光伏電站有各自的數據采集模塊，使用RS485總線將光伏電站傳感器的數據傳送至現場控制器。現場控制器將接收到的數據通過GPRS移動通信技術[3]以Socket連接方式發送至遠程服務器端。

圖1 系統總體結構Fig.1 System general structure

在服務器端編寫WinForm窗體程序，開啟Socket偵聽，每接入一個站點都要創建一個新的線程去接收數據，然后解析接收到的數據，將其存入SQL Server數據庫中。在服務器端用.NET平臺設計WebForm光伏電站監控界面，監控人員通過瀏覽器即可觀察電站的實時運行情況。

當需要檢測故障時，用戶在Web頁面發出故障檢測命令，修改數據庫對應表中的標志位為“1”，WinForm服務器軟件通過檢索數據庫中的標志位，如果為“1”則向光伏電站控制器發送命令，控制器接收命令后采集故障診斷所需要的數據。

1.3 三層架構模型

Web監控服務器端采用經典的三層架構模型，即表現層（UI）、業務邏輯層（BLL）、數據訪問層（DAL），三層架構模型如圖2所示。

圖2 三層架構模型Fig.2 Three tier architecture model

表現層用來提供與用戶交互的界面，本系統的表現層將以Web方式呈現。

業務邏輯層對數據進行邏輯處理，實現不同的業務需求；降低表現層和數據訪問層之間的聯系，避免在表現層出現冗余邏輯代碼。

數據訪問層實現與數據庫的交互，拼寫sql語句，利用ADO.NET直接操作數據庫，對數據做增刪改查等操作。

通用類庫通用的輔助工具類，包含SQLHelper、MD5 加密等。

業務實體這個類同數據庫中的表一一對應，類名對應表名，類成員對應表中的字段，方便處理數據。

不同類庫之間的引用關系如下：

①DAL 引用：Common、Model

②BLL 引用：Common、DAL、Model

③UI引用：Common、BLL、Model

采用三層架構是為了實現面向對象的高內聚低耦合原則。在表現層和數據訪問層中間加一層業務邏輯層，能夠有效隔離表現層和數據訪問層的聯系，可以使開發人員只關注其中某一層的設計，結構更加清晰，有利于代碼復用，如果需要更改Web頁面的UI層，不會影響BLL層和DAL層，添加或刪除功能模塊不影響已有模塊的代碼，可以極大地降低維護成本和維護時間。

1.4 Web程序的功能模塊

使用.NET平臺設計Web程序，做好三層架構的框架后，就需要根據不同的業務需求填充三層架構。經過分析，設計的監控系統的功能模塊如圖3所示。

圖3 系統功能模塊Fig.3 System function module diagram

管理員權限高于普通用戶，普通用戶只能查看光伏電站運行參數狀況，獲取各設備運行信息，但管理員可以增加或刪除設備，而且可以設置普通用戶的權限。

實時數據模塊實時顯示采集到的數據，采集的信息有設備信息、光伏電池陣列輸出電壓和電流、逆變器輸出電壓和電流及其相位、逆變器輸出功率、溫度、日照強度、各開關器件的狀態等。

系統可生成日、月綜合報表，用戶根據報表可對電站的運行狀況進行分析。

1.5 Ajax技術

Ajax（Asynchronous JavaScript and XML），即異步JavaScript和XML[4]。如果不使用Ajax，用戶獲取不同頁面信息需要刷新整個Web頁面，使得瀏覽器與服務器之間需要交互較多的數據，同時也會降低用戶使用舒適度，尤其當用戶數量增多時會增加服務器訪問壓力，Web頁面將出現卡頓現象。使用Ajax實現Web頁面局部刷新，減少了Web頁面與后臺交互的數據量。考慮實際情況，普通用戶訪問界面使用較多的Ajax請求，管理員用戶則沒有使用Ajax請求，因為管理員比較少，與服務器交互數據量小，且主要是對網站進行維護工作，對訪問的舒適感要求較低。

C#的WebForm中有專門的Aajx控件，但這種控件仍然需要與服務器交互大量的數據，所以本系統并沒有使用，而是使用jQuery寫Ajax，讓它請求一般處理程序，效果很好。

2 故障診斷

由于光伏電站安裝地點多位于樓頂或偏遠地帶，很難經常性的在電站現場對其進行檢查和維護，因此十分有必要對光伏陣列進行智能故障診斷。本系統采用高效且易用的BP神經網絡算法對光伏陣列進行故障診斷。

2.1 光伏陣列故障類型

已有研究表明[5-6]，光伏陣列開路電壓Voc、短路電流Isc、最大功率點電壓Vmp、最大功率點電流Imp會因為不同的故障而發生改變，不同的故障現象對應不同的故障類型。表1列出了故障現象及其對應的類型。

表1 故障現象及對應類型Tab.1 Fault phenomena and corresponding types

2.2 BP神經網絡算法

BP 算法（error back propagation algorithm），即誤差反向傳播算法，是一種在分類、函數擬合、系統仿真、圖像處理等方面都有廣泛應用的神經網絡算法。

BP神經網絡包括輸入層、隱藏層和輸出層，其拓撲結構如圖4所示。

圖4 BP神經網絡拓撲結構Fig.4 BP neural network topology

本系統中，BP網絡輸入層節點數為4，輸出層節點數也為4。輸入輸出的相關描述如表2所示。

表2 輸入輸出相關描述Tab.2 Input and output correlation

隱藏層的節點數可根據經驗公式來確定：

式中：M為隱藏層節點數；n為輸入層節點數；m為輸出層節點數；a為0～10之間的常數。因此，本文BP網絡隱藏層的結點數應在2～13之間。

由于4個輸入變量的單位不一樣，量級也不一樣，直接輸入到BP網絡中會影響收斂效果，因此需要對輸入數據作歸一化處理：

式中：xn為原數據；xmin為原輸入數據中的最小值；xmax為原輸入數據中的最大值；Xn為歸一化后的數據。

BP神經網絡的學習算法有很多，從最初的梯度下降法到動量BP算法、學習率可變的BP算法、彈性BP算法、變梯度BP算法、牛頓法、LM算法[7]等等。本系統采用的LM（levenberg-marquardt）算法是對牛頓法的改進，不需要計算二階導數，收斂速度非常快，權值和偏置由下式更新：

式中：w（n）為第n次迭代各層之間的連接權值向量或偏置向量；J為包含網絡誤差函數對權值和偏置一階導數的雅可比矩陣；I為單位矩陣；e為網絡的誤差向量；μ為很小的系數。

在編寫Matlab程序的時候，網絡訓練函數設為trainlm，其訓練終止條件為到達設定的最大迭代次數；超出設定的迭代時間；進行仿真的誤差性能連續增加的次數超過設定值；梯度值小于設定最小梯度值；μ值超過設定最大值。

2.3 BP神經網絡測試

在實驗中所用的光伏模塊型號為SFM-50的小型光伏板， 其標稱參數是 Voc：21.6 V、Isc：3.2 A、Vmp：17.28 V、Imp：2.9 A，采集不同溫度（15 ℃～39 ℃）、日照強度（300 W/m2～800 W/m2）條件下的不同故障，共采集了300組數據，正常、短路、開路、老化、熱斑5種狀態各60組，每個狀態取40組共200組數據作為訓練樣本，另外每個狀態20組共100組數據作為測試樣本。

使用Matlab神經網絡工具函數net=feedforwardnet（8，‘trainlm’）得到 BP 網絡 net，其中設置的隱藏層節點數為8，訓練函數為trainlm，設置最大迭代次數2000，學習率0.01，目標誤差，使用test_out=sim（net，testInput）語句進行網絡仿真測試，得到 BP網絡誤差性能如圖5所示。

圖5 BP網絡誤差性能Fig.5 Error performance of BP network

如圖5，經過18次迭代，訓練誤差已經小于目標誤差，學習過程停止。經過多次修改網絡訓練目標誤差，再也不能減小網絡的測試誤差，說明在該樣本下網絡訓練已經達到最優。圖6所示為100組測試數據的診斷結果，其中2個老化故障和1個熱斑故障診斷錯誤，其余均正確，診斷正確率為97%，證明使用的BP神經網絡算法高效可行。

圖6 BP網絡測試結果Fig.6 BP network test results

2.4 C#語言調用Matlab動態鏈接庫

用C#語言調用Matlab自定義函數實現混合編程，要先將Matlab自定義函數編譯生成動態鏈接庫dll文件，然后在C#項目中添加該動態鏈接庫。操作步驟為

①保存訓練好的 BP 網絡：save（'D：LM.mat'，'net'），前一個參數是路徑，后一個參數是BP網絡的名稱，注意：其他需要用到的中間向量也應當保存；

②新建一個.m文件，加載上一步中的網絡及所需數據，將測試過程編寫成函數接口，輸入為4個節點的真實值組成的向量，輸出為輸出節點組成的向量，保存.m文件；

③在Matlab命令窗口中輸入deploytool調出編譯選擇窗口，并選擇Library Compiler；

④配置窗口中TYPE選擇.NET Assembly，選擇待編譯的.m文件，寫上類庫名myLM，并添加類名及方法名，設置好后點擊Package按鈕，等待編譯完成；

⑤在C#服務器項目中添加兩個dll文件的引用，MWArray.dll文件（在Matlab根目錄下的toolboxdotnetbuilderinwin64v2.0中）和上一步中生成的myLM.dll文件；

⑥在C#項目中將生成目標平臺修改為x64（因為使用的Matlab為x64版本）；

⑦添加命名空間

using MathWorks.MATLAB.NET.Arrays；

using MathWorks.MATLAB.NET.Utility；

using myLM。

完成以上步驟之后，即可在C#項目中調用Matlab使用的BP神經網絡函數，實現混合編程。

3 網站運行測試

為了更美觀地展示實時數據，使用了一個名為highcharts的圖庫，該圖庫使用純JavaScript語言編寫，支持絕大多數瀏覽器，支持曲線圖、柱狀圖、餅狀圖等各種圖表的繪制。使用post方式發送ajax請求，從SQLServer數據庫讀取剛由Winform程序插入的數據，顯示在圖表中。

如圖7所示，實時顯示2016年4月15日位于綜合樓1區的光伏電站的概況，3個圖表都設為同時顯示30條數據，每隔10 s圖表右邊無刷新添加一條數據，同時圖表最左邊的一條數據被移除。經長時間測試，Web頁面運行良好。

圖7 實時數據Web運行頁面Fig.7 Real-time data Web run page

圖8為故障監測頁面，如果發生故障，則在Web頁面展示所有故障的詳細信息，用戶對故障進行處理后，經故障診斷程序判斷，若數據恢復正常，則記為已處理，否則記為未處理。

圖8 監控系統故障監測頁面Fig.8 Monitor and control system fault monitoring page

4 結語

本文采用.NET平臺設計B/S結構，使用C#作為編程語言、SQL Server 2008作為數據庫，在VS2013開發工具上開發出一套Web監控系統，該系統故障診斷部分采用BP神經網絡算法，使用Matlab和C#混合編程，取得很好的診斷效果，極大地降低了光伏電站的安全性隱患。由于使用了面向對象設計方法和三層架構軟件模型，使得該Web監控系統具有良好的拓展性能，大大降低了系統的維護成本，提高了光伏電站的維護效率。

[1]王娜.基于.NET平臺的光伏電站視頻監控系統的設計與實現[D].北京：北京交通大學，2015.

[2]趙宏偉，秦昌明.基于B/S 3層體系結構的軟件設計方法研究[J].實驗室研究與探索，2011，30（7）：64-66.

[3] 陳天華，唐海濤.基于ARM和GPRS的遠程土壤墑情監測預報系統[J].農業工程學報，2012，28（3）：162-166.

[4]譚力，楊宗源，謝瑾奎.Ajax技術的數據響應優化[J].計算機工程，2010，36（7）：52-54.

[5]王元章，李智華，吳春華，等.基于BP神經網絡的光伏組件在線故障診斷[J].電網技術，2013（8）：2094-2100.

[6]王元章，李智華，吳春華.一種四參數的光伏組件在線故障診斷方法[J].中國電機工程學報，2014，34（13）：2078-2087.

[7]錢華明，姜波，夏全喜.基于LM算法的組合導航系統的故障診斷[J].中國造船，2009，50（4）：102-108.