基于脈沖神經網絡光伏電站熱斑故障預測

劉海波，吳亦凡，徐小奇，葛 強

(揚州大學電氣與能源動力工程學院，江蘇揚州 225000)

在各種光伏發電系統中，存在各種局部陰影或不均勻光照的情況。當光伏組件中的光伏電池被遮擋時，就會出現溫度過高的現象，通常稱之為熱斑現象。為了防止熱斑故障導致電池燒毀，必須在事故發生前診斷出故障，本文采用基于熱輻射紅外熱成像技術的故障檢測法，在得到處理后的紅外熱圖后，利用脈沖神經網絡對時序信息進行處理，根據光伏組件的時序信息變化，在學習過程中增加神經元的數目，習得故障時序模式，實現對熱斑故障的檢測[1-2]。

1 熱斑現象的研究現狀

1.1 熱斑現象形成的原因

當光伏電池正常工作時，處于正向偏置電壓下，在局部光照不均或者部分被遮擋的情況下，被遮擋的光伏電池電流小于其他光伏電池的電流，該電池可能承受反向電壓，則該電池不再作為電源產生功率，而作為負載消耗其他電池產生的功率，逐漸累積熱量，導致溫度上升，降低發電效率，威脅組件安全。

更重要的是，區別于傳統的熱斑現象，在晶體硅材料組件中，由于低電阻缺陷引發的熱斑效應更為嚴重。在單元結晶邊緣、PN 結接觸面以及裂縫處通常發生該缺陷。存在缺陷的部分可以等效成低電阻，一旦缺陷區域發生熱斑效應，工作在反偏電壓下，將會產生較大的反向電流流過該缺陷區域，造成組件的發熱直至損壞，甚至存在巨大的安全隱患[3]。

1.2 熱斑現象的處理方法

目前針對光伏組件的熱斑故障，采用最為廣泛的應對措施是通過并聯旁路二極管來降低發生熱斑故障電池片兩端的反向電壓和流經電池片的反向電流，但此方法還是無法避免熱斑現象的發生。為了及時診斷出熱斑故障并發出預警，一般采用以下兩種檢測方式[4]：

(1)熱輻射紅外成像技術的故障檢測方法，針對光伏電池在不同溫度和不同狀態下工作的特點，提出了基于紅外熱分析的故障診斷方法；(2)基于電壓和電流的故障檢測方法，基于光伏陣列的串并聯結構，根據光伏陣列在故障狀態下電壓、電流和功率的變化，實時檢測光伏陣列。

基于圖像處理的紅外熱成像檢測方法使用紅外熱成像儀得到光伏組件的紅外熱圖并進行圖像預處理，通過搭建神經網絡熱斑故障檢測模型，實時檢測熱斑現象是否發生。

2 圖像預處理

2.1 光伏組件的紅外熱圖獲取

使用紅外熱成像儀對光伏組件進行掃描，可以得到光伏熱圖，如圖1 所示，產生熱斑故障的光伏電池因溫度上升，其紅外熱圖亮度遠高于周圍其他光伏電池。

圖1 光伏陣列紅外熱圖

2.2 光伏組件的紅外熱圖處理

使用紅外熱成像儀獲取光伏組件的紅外熱圖，得到光伏組件上各光伏電池的紅外熱圖，以幀為單位保存每個光伏電池的紅外熱圖。

由于紅外熱圖普遍存在圖像對比度低、圖像邊緣模糊及成像不均勻等特點，從而無法準確地判斷熱斑故障[5]。需要對獲得的紅外熱圖進行處理，提取其中對判斷熱斑故障最有幫助的特征量，來實現紅外圖像增強的效果[6]。選擇將其轉換為灰度圖像的方法，選用綠色通道作為灰度值，圖像中熱斑故障較為明顯。

2.3 紅外熱圖的狀態編碼

對得到的紅外熱圖進行處理后轉換為灰度圖像，得到以幀為單位的每個光伏電池的一組灰度圖像，如圖2 所示。

圖2 灰度圖像轉換結果

由于熱斑故障的發生是一個漸變的過程，因此在這個溫度逐漸升高的過程，本文選取四種特征明顯的灰度圖像，根據灰度值的大小，將其定義為0～3 這四種不同狀態，如圖3所示。

圖3 灰度圖像狀態圖

根據已有研究，利用卷積神經網絡，通過訓練，不斷地修正各單元的權重，直至誤差小到可以接受的程度，從而準確地識別各位置圖像所處的狀態，并將其轉換為狀態矩陣，圖4為狀態識別示意圖，灰度圖像的狀態圖相較于紅外熱圖特征更為明顯，更容易被計算機識別。

圖4 狀態識別示意圖

3 基于脈沖神經網絡的熱斑故障檢測模型

為了確保光伏列陣的安全，需建立一個兼顧實時性和準確性的模型，對產生熱斑故障的光伏電池狀態過程進行分析學習，使其能在溫度上升到危險溫度之前預測出這塊電池要發生熱斑故障，發出警報并定位，實現熱斑故障的檢測與防護。選擇脈沖神經網絡學習故障電池的時序模式，搭建實時檢測熱斑現象的模型。

3.1 脈沖神經網絡

脈沖神經元的數學模型采用基于電流的帶泄漏整合發放模型。神經元模型的公式如式(1)所示：

式中：τm為神經元細胞膜積分時間常數；Vr為靜息電位；ge為興奮信號輸入電流；gi為抑制信號輸入電流；V為神經元細胞膜電位；τe為興奮時神經元細胞膜時間常數；τi為抑制信號輸入時細胞膜時間常數。

該模型可以反映神經元細胞膜受到刺激，電位上升達到閾值，發出脈沖后，電位下降，最后回到靜息電位的過程。

脈沖神經網絡模型的算法使用脈沖時間依賴的突觸可塑性算法，該算法增加作用于神經元興奮前的突觸前神經元權值，減小作用于神經元興奮后的突觸后神經元權值，依據脈沖發生和突觸發生作用的相對時間的不同，對突觸權值做出調整。

3.2 基于脈沖神經網絡的熱斑故障檢測

根據上述方法，以幀為單位將紅外熱圖轉換為信息量更高的狀態矩陣，如圖5 所示。

圖5 狀態矩陣示意圖

對于發生熱斑故障的光伏電池，該電池的狀態編碼在產生過程中可以簡單地表示為0→1→2→3。以2 狀態保持12幀作為評判熱斑故障的依據。

選取產生熱斑故障的電池片，對它的時序模式進行研究。為了在熱斑故障導致溫度上升燒毀電池片之前發現故障，設置一個故障檢測點，為第50 幀圖像，即981 ms 作為該模型的理想熱斑故障檢測點。

將發生熱斑故障的電池片的時序信息作為時間編碼輸入來訓練該脈沖神經網絡，基于脈沖時間依賴的突觸可塑性(STDP)算法的帶泄漏整合發放(LIF)模型，進行訓練迭代，經過一定次數的迭代后，神經元習得該時序模式。

習得該時序模式后，對該模型進行檢驗。先將訓練時使用的時序模式作為時間序列編碼輸入，脈沖神經網絡模型在設定的理想檢測點附近發出脈沖，實現熱斑故障的檢測功能。輸入未產生熱斑故障的正常工作的電池片狀態時間序列，該脈沖神經網絡模型不會發出脈沖。時間序列中短暫的2 狀態不會干擾脈沖神經網絡對是否發生熱斑故障的判斷，可見脈沖神經網絡的抗干擾能力較強。

當電池片發生熱斑故障而升溫時，其對應位置的狀態信息時間序列也隨之變化，最后使該位置對應的神經網絡發出脈沖，檢測出熱斑故障并定位電池片。在LabVIEW 上搭建交互面板，展示哪塊電池片發生了故障并及時報警，LabVIEW前面板如圖6 所示。

圖6 LabVIEW 交互界面

3.3 基于BP 神經網絡的仿真搭建

上文是用脈沖神經網絡的理論知識得到的結果。脈沖神經網絡是第三代神經網絡，通過脈沖觸發的方式可以較好地處理時間序列信息，擁有比第二代神經網絡更強大的計算單元。但脈沖神經網絡采用的脈沖觸發是一種發生在各個時刻的離散事件，所以脈沖訓練是一種不可微的離散訓練方式，因此對脈沖神經網絡的訓練是非常艱巨的，目前脈沖神經網絡的未來仍不清晰，關于脈沖神經網絡的文獻也比較少且大多停留在理論階段，故采用上述脈沖神經網絡檢測熱斑故障的思路，使用目前已廣泛應用的BP 神經網絡作為仿真檢測，在驗證檢測可行性的同時，也希望對脈沖神經網絡的實踐應用發展做出幫助。

仍以發生熱斑故障的電池片的時序作為輸入樣本，使BP神經網絡學習該時序。BP 神經網絡習得該時序后，只需輸入電池片的歷史狀態信息，即可通過BP 神經網絡預測該電池片在上述設置的理想故障檢測點時的狀態，規定故障檢測點為狀態2、3 時，就視為該電池片發生了熱斑故障。檢測過程如圖7 所示。

圖7 BP神經網絡檢測模型原理圖

基于文獻[7-8]做過的BP 神經網絡方面的研究，建立基于時間序列編碼的BP 神經網絡，即根據歷史的時序信息來預測未來的時序信息。

選擇使用一個隱含層，設置4 個輸入層神經元，10 個隱含層神經元節點，1 個輸出層神經元，設置最大迭代次數為2 500，期望誤差為0.000 1，學習步長η 為0.15，采用S 型激活函數作為BP 神經網絡的算法參數。

在Matlab R2019b 中搭建BP 神經網絡模型，將發生典型熱斑故障的光伏電池片的狀態編碼時間序列作為輸入樣本進行訓練，得到的仿真結果和實驗結果的對比圖如圖8 所示。

圖8 仿真結果與實際結果對比圖

使用BP 神經網絡學習的時序模式在狀態切換處附近具有較大的誤差，因狀態切換處輸入量的值在突變，即為間斷量，BP 神經網絡處理間斷量較為乏力，故采取一系列措施來減小誤差。采取的措施為：

(1)對輸入數據進行歸一化處理，將0～3 的輸入量經歸一化處理后轉為0～1 的狀態量，減少狀態切換時輸入量突變的程度；

(2)采用更適合處理時間序列的多變量插值的徑向基函數(RBF)模型代替BP 模型[9]；

(3)減小輸入狀態間的時間間隔，對狀態切換點進行線性插值，增加輸入量的平滑程度。

采用上述改進措施后，得到的仿真結果和實際狀態對比圖如圖9 所示，其中經過歸一化處理后的光伏電池狀態值0.33 對應狀態1，狀態值0.67 對應狀態2，狀態值1 對應狀態3。

由圖9 可知，改進后的模型在狀態切換時只會產生較小的誤差，偏離狀態值20%以內的值均可認為是該狀態值。因只定義了四種狀態，這種較小的誤差不會影響狀態的判別，因此誤差在可接受的范圍內。

圖9 改進模型后的對比圖

4 結論

紅外熱成像法可以較直觀地展示光伏組件的溫度，檢測光伏電站熱斑故障，本文通過將紅外圖像轉換為灰度圖像使信息增強來更好地區分電池的狀態，輸入信息含量高的狀態矩陣來訓練脈沖神經網絡，使其習得時序模式并診斷發生熱斑故障的光伏電池。使用優化的BP 神經網絡模型驗證上述方法，其準確性和抗干擾性雖不如脈沖神經網絡，但基本實現了預期的效果，驗證了使用脈沖神經網絡診斷光伏電站熱斑故障的可行性。