基于BP神經網絡光伏發電系統的穩定優化與故障診斷

李昊 嚴新迪 戴耀威

摘? ?要：光伏發電在我國的發電總量比例雖然很小，但呈現逐年上升的趨勢，目前多地建立起了光伏發電站，將產生的電能并入到交流電網中。但一般的 PI調節控制并不能解決光伏并網逆變系統穩定性差的問題，而且在環境極為惡劣的情況下，光伏發電系統還會發生多種故障。為了能夠提高光伏發電系統的穩定性能，本文在傳統光伏發電系統的基礎上采用神經網絡進一步優化需要對光伏發電輸出功率進行預測。光伏發電并網逆變器因其內部存在電感、電容等非線性器件，所以控制難度較大。并通過測取光伏發電的輸出電壓、電流與逆變器輸出電壓進行分析，從而檢測出光伏發電系統中的故障。

關鍵詞：光伏發電系統? BP神經網絡? 穩定性? 逆變器

中圖分類號：TM91? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2019）06（a）-0002-02

由于不可再生資源的日益減少以及全球環境的惡化導致世界各國對太陽能發電的開發格外重視。但目前就我國對光伏發電而言，發電所占的比例并不高，且呈現逐年升高的趨勢，但發電系統的穩定性差和并網電流諧波高依然是兩個非常嚴重的問題。

此外，我國的絕大多數光伏發電站建立在新疆、西藏和青海等西北的平原、沙漠等人煙稀少、面積廣闊的地方，傳統的人工檢測效率低且檢測中存在人身安全的隱患，已經遠遠不能夠滿足我國的光伏發電系統對診斷故障的要求。而神經網絡方法在實時故障診斷方面以其較高的故障診斷效率和較低的運行成本，受到了企業的喜愛。

1? 光伏發電系統的基本工作原理及影響因素

1.1 光伏發電系統的基本工作原理

光伏發電系統的基本工作原理如下：當太陽能電池板光伏陣列將吸收的光能通過光伏效應轉化為直流電后通過控制器的控制選擇，利用逆變器將直流電轉變成交流電，將所產生的電能并列到交流電網中或直接供給負載使用。在整個系統中，控制器起到系統的控制與管理作用，并且在一些帶有儲能電池的并網光伏發電系統中對蓄電池起到充、放電保護的作用，用以延長蓄電池的使用年限。

1.2 光伏發電系統的影響因素

本文參考各種資料對地方年均溫度、光照強度、相對濕度、云團密度等影響光伏發電的相關參考量逐時發電量進行分析。主要針對溫度和光輻照對光伏發電系統輸出功率的影響進行分析，輻照度的變化影響微型光伏電站周圍的溫度。因此，選擇在一個溫度差小的房間里進行實驗，以減少周圍環境溫度引起的干擾。結合相關參考值得出：光輻照和溫度對光伏發電系統的發電量的影響較大;光輻照和時長越長，溫度越高，則發電量越多;同時云團密度也會造成光照強度減弱，間接影響系統的發電量[1]。而濕度等其它因素對系統的影響比較小。

2? 光伏發電系統的逆變器模型

在光伏發電系統中，逆變器的作用是實現直流電與交流電的轉換，然后通過升壓變壓器將電壓、頻率、相位按照一定的規律進行整理，達到用戶對電網的需要標準，同時提高了系統發電效率以及保護系統的功能。

因為是電流型逆變電路，故其輸出電流波形接近于矩形波，且諧波幅值遠小于基波。因基波頻率接近負載電路諧振頻率，故諧波在負載電路上產生的壓降很小，因此負載電壓的波形接近正弦波[2]。同時為解決電容、電感非線性元件導致的系統穩定性差的問題，本文在典型Ι型環節上提出了雙閉環PI控制系統，增強了系統的抗擾性和穩態精度。在保持穩定的范圍內對系統的各參數進行調整，使電流諧波最低。

3? 光伏發電系統BP神經網絡預測分析

3.1 BP神經網絡簡介

BP神經網絡即Back Propagation，它首次提出于1986年。BP神經網絡的訓練就是將測試集用來訓練，驗證集代入每次訓練后的輸出，求其誤差和，當訓練誤差的方差趨于 0 而驗證誤差的方差在不斷增大時，算法即可以終止。當給定的數據首先進入輸入層，接著在隱含層進行數據整定分析，輸出預測的誤差，然后在決在BP神經網絡中，隱藏層的神經元與神經元之間擁有數據有選擇方向傳遞，根據這種結構使神經網絡能夠體現動態時序。不同于前饋神經網絡的多層反饋，BP神經網絡通過自身的記憶可以處理任意的序列，從而使得數據預測、文段整理更便捷。

3.2 BP神經網絡的故障診斷

BP神經網絡光伏發電系統故障診斷方法是神經網絡優化訓練策略，首先篩選初始值，從多個神經網絡初始值中選取性能較好的模型，采用BP優化算法進行平滑調和，使整個算法向好的方向發展;在一定程度上避免了初始值對神經網絡性能的影響[3]。

對于故障診斷，本文主要針對系統短路故障和斷路故障進行分析。通過采集初始數據對系統中所出現的故障進行分析，通過BP神經網絡的模擬平臺記錄每一個故障的各變量的參數，并歸納到數據庫，供下一次使用。

將采集的初始數據進行分類整理，組成輸入輸出樣本數據集。對樣本數據集進行預處理，檢查樣本數據是否缺失，刪除錯誤數據并歸一化。樣本數據分為訓練數據集與驗證數據集，并重新存入數據庫。

4? 總結

本文針對現階段普通控制器控制的光伏發電系統進行改善，同時運用BP算法，對影響光伏發電的典型天氣情況進行了系統分析預測，形成了一套針對運行線路短路和斷路的可靠故障診斷方法，減少了傳統診斷建模復雜，運行緩慢的狀況，其綜合性能要遠遠好于其它網絡模型。

參考文獻

[1] 遲晨.光伏發電系統的RBF神經網絡預測研究[J].數據庫技術，2019.

[2] 王兆安，劉進軍.電力電子技術[M].北京：機械工業出版社， 2009

[3] 俞瑋捷，劉光宇.基于BP神經網絡的光伏系統故障診斷方法[J].杭州電子科技大學學報（自然科學版）， 2018， v.38;No.174（4）：56-61+93.

[4] 鄭雪生，李春文，湯洪海，等.三相電壓型逆變器的魯棒跟蹤雙環控制器[J].清華大學學報：自然科學版， 2008（1）：145-148.