GA-BP神經網絡在光伏陣列故障檢測中的應用研究

劉 東， 李田澤， 劉開石， 張曉陽， 韓鴻雁

(山東理工大學電氣與電子工程學院，山東淄博255049)

光能作為一種可再生能源，具有取之不盡、用之不竭的優點，且對環境的污染幾乎為零，但是光伏發電系統一般建設在氣候、環境比較惡劣的地方，容易發生短路、開路、老化和熱斑效應等故障。Jiang L. L.等指出，因光伏陣列產生的故障導致整個光伏發電系統的功率損耗高達18.9%[1]。因此，研究光伏陣列的故障檢測技術具有重要的意義。

光伏陣列的故障檢測技術目前主要有以下幾種：張曉娜等采用電路結構法，通過改變電路的連接方式來減少傳感器的數量，但是采用這種方式需要復雜的電路結構，而且適用范圍較小，僅限于一些小型或特殊場合[2]；毛峽等利用紅外設備來檢測光伏陣列的溫度變化，通過與正常的溫度對比來尋找故障發生位置，這種方法成本較高且受外界干擾嚴重[3]；畢銳等采用隸屬度算法優化模糊C 均值聚類的方法，計算所取樣本的隸屬度大小進行故障診斷[4]；陶彩霞等采集大量的光伏陣列故障樣本訓練深度信念網絡，進行光伏陣列的故障檢測[5]。

BP 神經網絡檢測方法作為智能檢測手段的一種，具有優秀的學習能力和極好的數學特性，這一點恰恰與光伏輸出表現出的非線性相得益彰，非常適合用來檢測光伏陣列出現的故障[6]。但BP 神經網絡容易陷入局部極值，訓練時間收斂速度慢的缺點，從而導致診斷性能變差[7]。本文通過研究傳統BP 神經網絡的工作原理，提出了一種利用遺傳算法的全局搜索能力來尋找最優的初始權值與閾值的方法，來解決傳統BP神經網絡在光伏陣列故障檢測應用方面易陷入局部最優和收斂速度慢的缺點，通過仿真驗證，該方法可以更高效、更準確地完成光伏陣列的故障診斷。

1 GA-BP 神經網絡輸入變量的選取

GA-BP 神經網絡輸入變量的選擇不僅決定了GA-BP 神經網絡模型的結構，而且對整個模型能否快速、準確地完成故障檢測有著重要的影響。因此，輸入變量必須涵蓋光伏陣列的所有故障信息，鑒于目前大多數光伏電站采用串并聯結構，所以本文使用Simulink 仿真軟件搭建了6 行3 列的串并聯結構的光伏陣列，即包含3 列并聯的光伏組件串，每列含有6塊串聯的光伏電池，選用的每塊光伏電池型號為1STH-215-P，其開路電壓Uoc為36.3 V，短路電流Isc為7.84 A，最大功率點處的電壓Um為29 V，最大功率點處的電流Im為7.35 A。

在光伏陣列搭建完成之后，通過提高單塊電池的串聯電阻老化故障來模擬；遮陰故障通過減小光照強度來模擬；將光伏電池的正負極進行短接來模擬短路故障；開路故障通過切斷故障電池與相鄰光伏電池的連接導線來模擬[8]。運行仿真軟件，得到不同運行狀態下的I-U 曲線，如圖1 所示，需要注意的是，本文搭建的光伏陣列，為了保護電路，給每一個光伏電池單體都并聯了一支二極管，因此除開路故障之外，短路電流Isc保持在一個穩定數值。

圖1 正常狀態與故障狀態下的I-U 曲線

從I-U 曲線可以直觀地看出：當發生開路故障時，PV 陣列的短路電流Isc減小，最大功率點處的電流Im顯著減??；當出現短路故障時，光伏陣列的開路電壓Uoc與最大功率點處的電壓Um下降明顯；當光伏陣列出現部分遮擋的情況時，光伏陣列最大功率點處的電壓Um明顯下降，開路電壓Uoc略微下降；當出現老化故障時，與光伏陣列的正常狀態相比，光伏陣列最大功率點處的電壓Um降低明顯。

根據以上分析，每種故障都會引起Isc、Uoc、Im、Um其中一個或者兩個參數的變化，因此選擇這四個參數作為BP 神經網絡的輸入變量。

2 GA-BP 神經網絡的構建

2.1 BP 神經網絡的工作原理

BP 神經網絡工作過程可分為正向傳播過程與反向傳播過程，各過程工作原理如下。

正向傳播過程：輸入信號Xi在正向傳播過程中，網絡的權值保持不變，其中，輸入層第i 個節點與隱含層第j 個節點的連接權值為wij，隱含層第j 個節點與輸出層第k 個節點的連接權值為wjk，在輸出層得到實際輸出Y，并將Y 與期望輸出Y～做差，若誤差過大則轉入反向轉播過程。具體計算過程如下：

式中：F(x)為隱含層激勵函數；Hj為隱含層第j 個節點的輸出值；m 為輸出層節點數；γj為隱含層第j 個節點的閾值。

式中：Yk為輸出層第k 個節點的輸出；n 為輸出層節點數；θk為輸出層第k 個節點的閾值；ek為實際輸出與預測輸出之間的誤差。

反向傳播過程：誤差信號以某種方式從輸出層開始向前傳播，網絡的權值會隨著誤差信號的反饋不斷進行調整，通過不斷的修正網絡的權值和閾值，使實際輸出與期望輸出保持在可接受的誤差范圍內。

權值的調整由以下公式來計算：

式中：η 為神經網絡學習率；q 為隱含層節點數。

閾值的調整計算如下：

2.2 BP 神經網絡的設計

標準BP 神經網絡的結構包括輸入層、隱含層、輸出層三個層次。定義輸入層節點數為m，隱含層節點數為q，輸出層節點數為n，每一層的節點互不連接，與下一層的節點進行全連接[9]。本文選擇的輸入變量為Isc、Uoc、Im、Um四個變量，即n=4，輸出狀態為老化、遮陰、短路、開路、正常五種，即m=5，隱含層節點數q 用公式(9)來確定，通過計算得到隱含層個數為9最適合，故采用如圖2 所示的4-9-5 結構。圖中：X1、X2、X3、X4為輸入變量，Y1、Y2、Y3、Y4、Y5為輸出變量。

式中：a 為[0，10]之間的常數。

圖2 BP神經網絡結構

2.3 GA 優化BP 神經網絡

遺傳算法在處理優化問題的方式上選擇漸進式優化：從最開始的初始解不斷逼近最優解，利用復制、交叉、變異，使下一代不斷地優于上一代[10]。遺傳算法優化BP 神經網絡的具體步驟如下。

(1)種群初始化：每個個體由BP 神經網絡的權值和閾值按照順序排列組成，即輸入層與隱含層權值、隱含層與輸出層權值、輸入層與隱含層閾值、隱含層與輸出層閾值組成一個個體。個體采用實數編碼。

(2)設定適應度函數：本文采用的適應度函數為均方誤差函數，其數學表達式由公式(10)給出，通過計算每個個體的適應度，來判斷是否符合優化的標準，若符合則執行步驟(5)完成解碼。

(3)復制：按照適應度的高低進行順序排列，淘汰適應度低的個體，復制適應度高的個體，本文中該步驟采用最佳個體保存的方法，即最高適應度個體不參加步驟(4)的交叉與變異。

(4)交叉與變異：選擇保留下的個體中的一小部分進行交叉與變異，這一步驟可以有效地保障種群的多樣性。

(5)解碼：將最后保留的個體按順序排列并拆分解碼。

(6)轉向個體評價：評價所得個體是否滿足適應度要求，若不滿足則轉向第二次循環。

(7)賦值：賦予BP 神經網絡已滿足適應度要求的權值閥值作為初始權值閥值進行訓練過程。

經過上述步驟，遺傳算法賦予BP 神經網絡最優的初始權值與閾值，GA-BP 神經網絡模型搭建完成。

GA-BP 神經網絡模型進行故障檢測的流程如圖3 所示。

圖3 GA-BP檢測流程

3 仿真實驗分析

3.1 數據預處理

由于本文所選用的輸入變量為電流電壓，它們單位不同，數量級相差較大，若不進行歸一化處理而直接輸入網絡，會導致BP 神經網絡的訓練時間變長、處理效率變低，所以必須進行輸入數據的歸一化處理。本文所采用的歸一化公式如下：

式中：Xmax為樣本數據中的最大值；Xmin為樣本數據中的最小值。

3.2 驗證與分析

通過自行搭建的光伏陣列仿真模型，共測得訓練樣本200 組，測試樣本50 組。首先要對GA-BP 神經網絡模型相關的參數進行設定。本文設置種群數量為40 個，進化代數為60代，訓練次數為1 000 次，交叉與變異的概率分別為0.7 和0.01。BP 神經網絡模型的學習速率設置為0.1，訓練目標最小誤差為0.000 01，最小性能梯度為10-6，最高失敗次數為11次，訓練函數采用train 函數。

經過仿真程序的運行，得到了BP 神經網絡與GA-BP 神經網絡均方誤差與訓練迭代次數之間的曲線，如圖4 和圖5所示，從圖中可以清晰地看出BP 神經網絡在第87 次迭代均方誤差的精度才達到0.000 833 9，而GA-BP 神經網絡僅僅經過24 次迭代均方誤差的精度就已經達到了0.000 732 15，通過兩者對比，GA-BP 神經網絡在訓練速度與均方誤差精確度兩個方面明顯優于普通的BP 神經網絡，說明GA-BP 神經網絡具有更快的收斂速度。

圖4 BP神經網絡訓練效果

圖5 GA-BP神經網絡訓練效果

為驗證GA-BP 神經網絡與BP 神經網絡的故障診斷性能差異，將GA-BP 神經網絡和BP 神經網絡進行1 000 次訓練之后，開始對50 組測試樣本進行故障診斷，診斷結果如圖6 所示，BP 神經網絡與GA-BP 神經網絡輸出端輸出為1、2、3、4、5，分別對應的故障類別為老化、遮陰、短路、開路故障以及正常狀態。分析50 組測試數據的故障診斷結果，BP 神經網絡有3 組數據診斷失敗，均為網絡輸出2 對應的遮陰故障并將其誤診斷為老化故障，對測試樣本的診斷準確度是94%；GABP 神經網絡的只有一組數據診斷失敗，為網絡輸出2 對應的遮陰故障，也將其誤診斷為老化故障，對剩下的49 組測試數據均診斷正確，診斷準確度為98%。根據診斷結果得出，GABP 神經網絡比經典BP 神經網絡的準確度提高了4%，可以更準確地診斷故障類別。

通過圖6 可以看出，GA-BP 神經網絡對第16 組數據診斷失敗，分析第16 組測試數據，發現其開路電壓與其他遮陰故障數據相比要大，與老化類別數據相比要小，因此可以分析出GA-BP 神經網絡診斷失敗的主要原因是所采集的訓練數據與訓練次數較少。BP 神經網絡對13、16、19 組數據診斷失敗，分析這13、19 兩組數據，發現與其他數據并無差異，因此BP 神經網絡診斷失敗的主要原因是網絡本身存在的硬性缺點。

圖6 BP與GA-BP神經網絡診斷結果對比

4 結語

本文利用遺傳算法的全局搜索能力對BP 神經網絡的初始權值閾值進行最優化，建立了GA-BP 神經網絡檢測模型，解決了BP 神經網絡在進行光伏陣列故障診斷時容易陷入局部極值導致檢測結果不夠精準的問題，同時還提高了BP 神經網絡訓練時的收斂速度，因此，GA-BP 神經網絡模型對光伏陣列故障檢測技術的提高有一定的研究價值。