神经网络在光伏发电系统故障诊断中的应用

2018-01-31唐珂

中国设备工程 2018年15期

唐珂

（上海电力新能源发展有限公司，上海 200001）

随着能源的消耗特别是不可再生能源的消耗不断增加，全球范围内的能源危机日益突显，寻求可再生能源的地位逐步提升，20世纪80年代，太阳能就开始商业应用。现在随着太阳能光伏发电技术不断成熟和普及，太阳能被人们接受的程度越来越高，同时应用的领域越来越广，由辅助能源变向基础能源。由于光伏系统一般位于人烟稀少的地方，所以一般都是在无人值守的情况下进行工作。同时，由于光伏系统所占地域广泛，要想进行维护监测，需要耗费很大的精力，尤其是人工和保障的资源，因此找到能节省人力但又能同时达到检测目的的方法尤其重要。现在，人工智能不断出现，如围棋、自动驾驶、电力监测，人工智能基于人工神经网络，神经网络通过人工模拟动物的大脑神经网络，来对外界的信息进行反应并改变自己的内部结构，最终形成一套适应的模型，是一种自适应系统。本文提出一种基于神经网络的方法，针对太阳能光伏发电系统故障诊断方法，将网络适当的修改来达到节省人力物力的目的。

1 并网光伏发电系统故障诊断模式及分析

一般来说，并网光伏发电系统包含有光伏阵列、变换器、控制器、逆变器、电网或交流负载，待选的系统组成部分有蓄电池。按照是否有蓄电池，并网系统可以分为两类，其中一类为可调度的系统，其结构中除了含并网之外还含有蓄电池来储能，借由该系统中蓄电池与逆变器开关的作用，系统可以具有不间断的电源。这就意味着，对于一些重要的用电负载或者某些家庭用户，不担心断电的问题。除此之外，该系统还能够充当功率调节器，抵消有害的高次谐波分量，起到稳定电网电压，保护负载的作用。另外一类并网光伏发电系统为不带蓄电池的，称之为有逆流型并网系统，该系统在太阳能转化为电能的能量多于负载所需时，就将多余电能流向电网，反过来，当电能少于负载所需时，从电网中得到补充。

并网光伏发电系统有优点，它的优点比如并网光伏系统比较容易安装，因为该系统的电池系统是非必须的；并网光伏发电系统有着有效利用发电功率的优点，因为它的使用中不涉及储存损耗。并网发电系统也有缺点，如并网光伏系统会引起电压调节的问题，同时它还会影响电能质量。

对于并网光伏发电的监测与维护方面，由于太阳能电池的广阔性和分散性以及安装地位偏远，地势较高等缘故，使其人工进行检查和维护的难度大大增加，不过在以往的经验中，人们总结了一些故障的模式及其故障的原因如由电气故障引起的孤岛效应，由灰尘遮挡引起的效率降低，由阴影、积雪遮挡引起的发电功率损失，由太阳能电池板损坏或光照不好导致的太阳能电池输出电压过低，由并网电压过压或欠压导致的并网电压表读数异常。针对这样一些故障以及人工故障检测的困难，人们提出了一些基于模糊控制理论的并网光伏发电系统的故障诊断方法，该方法主要是通过计算机模拟检测人员的判断，从而达到对系统的优化控制作用。然而该方法的难点在于模糊规则，即如何确定实用的函数和规则来保证系统的稳定性和准确性。而这些方法，往往无法通过直接的数学计算得到。但如今人工神经网络给我们带来了新的解决方案，结合人工神经网络的模仿生物神经网络的能力，将其应用于光伏发电有着不可比拟的优势，由于它可以基于不同的故障模式修改自身使自己适应不同的环境和问题。

2 神经网络

人工神经网络，简称神经网络或类神经网络，在机器学习和认知科学领域，早有模拟生物的一些算法，如遗传算法、模拟退火算法、蚁群算法等，而这些算法，往往没有适应的能力，也就是说，对于外部环境的改变，内部结构没有变化。神经网络像人类的大脑一样，由神经元和突触构成。人工神经网络的优势就在于，它能通过不断的学习，不断的反馈，修改相应的超参数，能在外界信息的基础上改变内部连接结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：结构、激励函数、学习规则。

神经网络的构筑理念是受到生物神经网络功能的运作启发而产生的。它与生物神经网络结构相同，但又有许多不同的地方，人工神经网络与传统的数学科学不同，传统的数学科学基于逻辑推断，而神经网络基于统计推断，故神经网络更多的是统计数学模型，所以人工神经网络也是应用数理统计学方法的一种实际应用，通过统计学的方法如线性回归、拟合等，我们首先得到大量的先验数据，然后基于该数据来对未知数据进行预测，另一方面人工智能对于我们潜意识的模拟非常有效，也能模拟我们在潜意识中对外界感知。

在众多神经网络中，以BP网络的应用最为广泛，BP神经网络是一种多层网络，包含三层：输入层、输出层和隐层；对BP算法而言，其是误差反向传播的简称，它通常与训练人工神经网络的常见方法一起来优化网络。该方法首先根据突触权值产生一些输出值，接着将输出值与已知的良好输出值进行对比，计算其均方误差，然后将其误差反向传播给网络，使每一层网络中的权值相应的改动，权值的更改最终导致误差信号的减少，最后一直重复该过程，使整体的误差值小于阈值。因此，它通常被认为是一种监督式学习方法，即通过事先已经人为标记的样本标签和样本特征值来计算模型，通过不断的迭代，不断修改超参数，最终使模型的准确度高于我们的阈值，就此就可以来预测新的样本。

3 BP神经网络在光伏发电系统故障诊断中的应用

BP神经网络的建立，包括训练样本的选取和网络的建立，对于神经网络的训练来说，样本的准确性是首要的，要精确分类出样本的特征与标签。另外，网络的建立同样非常重要，它决定接下来任务的有效性，对于本文研究的背景来说，我们根据前人总结的故障，可以筛选出其中故障的特征与标签，当我们的故障特征和样本总量多时，模型的准确率就越高，但实样本获取是问题的难点。通常以故障模式I作为网络的输入，故障原因J作为网络的输出，然后通过网络训练找到故障模式与故障原因之间的关系，输入向量xi为各种故障模式，输出向量yi对应各种故障原因。网络训练样本中，样本的标签可以通过二元化来表示，即0为有故障，1为没有故障。

在进行BP神经网络设计时、每层中的神经元个数和学习率是需要考虑的三大因素。一般的神经网络都是由输入层、隐层和输出层组成，在本文的背景下，输入节点由问题模式决定。输出节点由问题原因标签决定，从上文的分析可知，输入节点的个数由故障模式决定，而同时输出节点数由故障原因向量决定，而隐层的节点选取与问题要求、输入节点与输出节点都有关系；对于第二节所述的问题类型，我们可以选取输入层神经元的节点数为5，因为在已有经验中知道，故障模式数有5个，同理输出层神经元个数为8，由故障原因决定，隐层神经元个数根据实际情况选取为9，隐层神经元的传递函数采用S型正切函数，输出层神经元传递函数为S型对数函数。