涂彦昭 高 伟 杨耿杰

一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法

涂彦昭 高 伟 杨耿杰

（福州大学电气工程与自动化学院，福州 350108）

随着光伏发电装机容量的不断上升，如何及时检测并解决光伏组件故障和异常，减少组件能量损失，提高光伏系统的发电效率成为一项重要任务。本文通过研究光伏阵列处于不同故障状态下的-曲线之间的特征差异性，直接以-曲线作为故障诊断的输入量，提出一种融合卷积神经网络（CNN）与长短期记忆（LSTM）网络的光伏系统故障辨识方法。实验结果表明，该方法不仅能识别出单一故障，如短路、遮阴、老化等，而且能有效识别出双重故障同时存在的情况。

光伏系统；故障诊断；-曲线；卷积神经网络（CNN）；长短期记忆（LSTM）网络

0 引言

相较于传统的发电方式，光伏发电具有安全可靠、无噪声、无污染排放、建设周期短等特点。据统计，2020年全球光伏新增装机容量256GW，占新能源装机容量的54.1%，总装机容量达到760GW。当光伏系统在恶劣的天气条件下运行时，可能会出现各种故障[1-2]，这些故障的发生使光伏系统的输出功率下降，严重时甚至会引起火灾事故[3-4]。

现有光伏故障检测算法可分为两大类：光热检测法和电气量检测法。常见的光热检测法主要有电致发光检测和稳态条件下的红外热成像检测。文献[5]结合电致发光现象与红外热成像图来检测光伏电池的内部缺陷与人工缺陷。文献[6]通过高斯滤波改善噪声对红外图像产生的干扰。这类方法通常需要配置大量的传感器及昂贵的仪器设备，致其使用范围受限[7]。

电气量检测法又可以进一步分为功率损失诊断法、实测电压电流诊断法和-曲线诊断法三大类。文献[8]通过确定分数阶动态误差以量化能量退化，然后使用色调-饱和度-像素值（hue-saturation-value, HSV）颜色模型和颜色关系分析，将正常条件与太阳能组件故障分开。文献[9]利用主成分分析法、K均值聚类算法和经验模态分解对光伏阵列的时序输出电流进行特征提取，再使用卷积神经网络（con- volutional neural network, CNN）对特征进行分类。文献[10]构建一个七维特征矩阵以表征各类故障，最后采用支持向量机完成故障辨识。以上方法虽然能对光伏系统的故障进行有效辨识，但文献[8]方法随着设备老化，检测精度会逐渐降低；文献[9]方法容易受到扰动的干扰，造成误判；文献[10]方法无法适用于混合故障诊断。

除了传统的诊断手段之外，包括BP神经网络[11]和高斯核模糊C均值聚类[12]在内的深度学习算法也在光伏系统故障诊断过程中发挥着重要的作用。

本文在回顾和总结前人工作的基础上，结合卷积神经网络与长短期记忆网络（long short-term memory, LSTM），构建一个基于CNN与LSTM的融合模型。本文提出的方法无需进行故障特征量的提取工作，直接以光伏阵列的-曲线作为网络的输入量，利用训练好的网络对光伏阵列故障进行辨识和归类。

1 光伏阵列输出I-V曲线故障特性分析

一个光伏阵列通常通过组件的串联提高直流系统的输出电压，通过并联提高输出电流，本文主要关注单串列光伏系统中的故障诊断研究。通过Matlab/Simulink软件构建一个光伏发电模型获得数值仿真数据，仿真模型如图1所示。光伏阵列由13块光伏模组串联而成，每60个电池串联组成一块光伏组件，每20个电池两端并联一个反向旁路二极管。通过受控电压源控制输出电压从0～oc（阵列开路电压）线性变化，然后使用电压和电流示波器分别记录光伏阵列输出的电压和电流从而绘制-曲线。

数值仿真考虑了短路、二极管导通遮阴、二极管截止遮阴、异常老化四种单一故障。通过短接线来决定模组的短路数量；通过调节电池单元的温度和辐照度的大小，使整个阵列的温度和辐照度不均衡，实现二极管导通遮阴和二极管截止遮阴；通过调节老化电阻的阻值大小来模拟异常老化故障。标准测试条件下（standard test condition, STC）（ 辐照度为1 000W/m2，温度为25℃）不同故障状态下所对应的-曲线如图2所示。

图1 光伏系统数值仿真模型

图2 标准测试条件下不同故障状态对应的I-V曲线

通过研究光伏阵列处在不同状态下的-曲线可以发现，对于不同故障类型，-曲线形状有明显差别，外特征参数（开路电压oc，短路电流sc，最大功率点的电压mpp及电流mpp）也包含于-曲线中，因此以-曲线作为输入特征进行诊断是最简单、最直接的方法。此外，由-曲线的特征方程[13]可知，辐照度和短路电流的大小成正比，温度和开路电压的大小成反比。温度和辐照度的波动只会影响-曲线的幅度，不会导致曲线的形状产生变化。为了尽可能提高算法的诊断效率，在本文研究中不考虑将组件的面板温度和所受辐照度作为故障诊断网络的输入量。综上所述，本文直接使用-曲线作为输入特征。

2 CNN-LSTM融合模型

2.1 CNN原理

卷积神经网络能够从输入信息中提取高阶特征，其内部结构主要由输入层、卷积层、池化层、全连接层和输出层组成[14]。本文采用一维卷积神经网络，其结构如图3所示。

图3 一维卷积神经网络结构

CNN能从大量故障样本中学习相应的抽象特征，但其内部结构不含循环神经元，这导致其不具备记忆功能。因此，在面对类似-曲线这种类型的时序序列数据时，容易忽略局部与整体之间的联系。

2.2 LSTM原理

长短期记忆网络是一种时间递归网络，其作用是为了解决长序列训练过程中的梯度消失和梯度爆炸问题[15-16]。LSTM的原理可以简单理解为：通过遗忘门决定丢弃的信息，通过输入门传递前一层隐藏状态的信息和当前输入的信息，通过输出门确定下一个隐藏状态的值。

图4 长短期记忆网络结构

当前单元状态和隐藏层状态的值可以由以下公式给出，即

LSTM拥有很好的时序信息建模能力，在对特征的理解上有其独特的优势。但-曲线作为长序列数据，未经特征提取直接导入LSTM会增大系统对计算资源的需求，训练困难。经CNN处理过的序列数据不仅保留了原始数据的大部分特征，也缩短了序列长度，减少了系统的资源消耗。

2.3 基于CNN-LSTM模型的故障诊断流程

本文提出一种基于卷积神经网络和长短期记忆网络的融合模型，该模型通过三个不同尺度的卷积分支挖掘各个局部数据特征之间的关系，对三个特征进行叠加后再利用LSTM单元对挖掘出的时序动态特征加以记忆并建模，使模型更容易捕获-曲线数据之间相互关联和依赖的特性。相比于单尺度卷积的方式，模型采用多尺度卷积能以多个尺度观察样本，得到的特征信息相比于单尺度也更加具体。

本文所构建的融合模型结构如图5所示。其中，代表卷积核个数，代表卷积核尺度，代表池化层尺度，代表池化步长。批标准化（batch normalization, BN）和Dropout算法被用于防止网络产生过拟合现象。

图5 CNN-LSTM融合模型结构

假设0为输入的序列矩阵，为第个输出的序列矩阵。输入层将电压、电流整合成一个×2的矩阵，为输入序列的长度。0=[]，其中为电压向量，为电流向量。

卷积层的作用是对输入的序列数据实现局部特征提取。在CNN中，卷积层和池化层通常是交替出现的，假设（为奇数）为卷积层的输出矩阵，其可以被描述为

式中：w为第层的权重；b为第层的偏差；(∙)为激活函数。

池化层的作用是将卷积层提取的特征压缩，实现信息降维。本文使用最大池化函数（×1），保留池化核中的最大值为输出特征。池化层的输出矩阵（为从2开始的偶数）可以表示为

式中：(·)为最大池化函数；的大小为(/)×，和为-1层特征的尺度，为当前池化层的尺度。

LSTM对CNN提取的特征向量进行学习，记忆不同特征的内在规律。

输出层本质上是一层全连接层，它的作用是分类，选择softmax作为其激活函数。在这一层，模型计算当前每个样本对应每一种类型的概率，然后得到一个新的表达式，即

式中：(·)为softmax激活函数；为样本输出的概率矩阵；l为输入样本属于第个类型的概率；q为全连接层的输出矩阵；为权重；为偏置。

使用2.1节所提的电压电流序列作为输入特征，建立基于CNN-LSTM的融合模型用于光伏系统故障辨识。所提方法的故障诊断流程如图6所示。

3 实验平台

3.1 实验平台介绍

图6 故障诊断流程

图7 光伏实验案场

表1 光伏组件在标准测试条件下的参数

表2 实测样本的组成结构

3.2 模型超参数设置与训练结果分析

搭建光伏故障诊断模型时，所使用的服务器参数为：XEON W—2123的CPU，2块GTX1080Ti的GPU，32G的RAM。融合模型的超参数见表3，Dropout比为0.2；输出层选择L2正则化，正则化系数为0.001 5；选用交叉熵损失函数；训练时最大Epochs为2 000；Adam的初始学习率为1×10-4；batch等于32。

表3 融合模型的超参数

图8展示了模型经过2 000次迭代后训练集的准确率和损失的变化情况。训练集的准确率与损失在迭代500次以后迅速达到收敛，训练准确率稳定在98.71%。为提高训练速度，最终Epochs取1 000。

图8 2 000次迭代后的训练结果

3.3 测试结果分析

准确率和召回率是常用的性能评判指标。准确率（Accuracy）反映了被正确识别的样本比例，召回率（Recall）代表正样本被正确预测的数量。

式中：TP为真正类；FN为假负类；FP为假正类；TN为真负类。

利用训练好的模型对测试集样本进行故障诊断，总体准确率为96.82%。图9为召回率混淆矩阵，用混淆矩阵表示模型分类结果，图中每行进行了归一化处理，代表召回率。图9中样本的标签与表2保持一致。正常样本与误判样本的-曲线如图10所示。

图9 召回率混淆矩阵

观察混淆矩阵的第二行发现，有2%的短路样本被判为正常样本。这是因为这些样本采集时的环境温度过低，样本的开路电压变大，导致其短路特征不够明显，趋向于正常样本的形状，如图10（a）和图10（b）所示。观察混淆矩阵第四行，异常老化样本的召回率为0.70，即有30%样本被判定为正常样本。进一步对被误判的样本进行分析，发现由于所串联的老化电阻阻值不大，这部分样本在低辐照度时的-曲线靠近开路点的斜率变化特征不够明显，如图10（c）和图10（d）所示，这也导致有2%的正常样本被误判为异常老化样本。除去短路与异常老化样本，其余类型的样本均达到了100%的召回率。

4 结论

本文提出一种融合卷积神经网络与长短期记忆网络的光伏系统直流侧故障辨识方法。所提方法通过采集离网状态下光伏阵列的-曲线，然后利用多尺度卷积网络丰富了模型对样本的局部特征提取，对曲线的时序动态特征进行建模，从而实现特征的记忆和分类。实验结果表明，所提方法对实测数据的分类准确率达到了96.82%，在实际应用中能满足光伏系统故障诊断对准确率的要求。

[1] HUANG Junming, WAI Rongjong, YANG Gengjie. Design of hybrid artificial bee colony algorithm and semi-supervised extreme learning machine for PV fault diagnoses by considering dust impact[J]. IEEE Transa- ctions on Power Electronics, 2020, 35(7): 7086- 7099.

[2] 马铭遥, 张志祥, 刘恒, 等. 基于-特性分析的晶硅光伏组件故障诊断[J]. 太阳能学报, 2021, 42(6): 130-137.

[3] 王尧, 张彦风, 牛峰, 等. 光伏直流电弧电磁辐射特性分析与测量方法[J]. 电工技术学报, 2019, 34(14): 2913-2921.

[4] 王先发, 顾卫祥. 光伏系统直流侧故障电弧的检测与判别[J]. 电气技术, 2019, 20(5): 10-13.

[5] 邓堡元, 何赟泽, 王洪金, 等. 光伏电池图像序列的深度学习检测方法[J]. 机械工程学报, 2021, 57(8): 98-106.

[6] 冯宗海, 蔡广, 曾华锋, 等. 基于Sobel算法的太阳能光伏组件红外图像识别技术研究及应用[J]. 中阿科技论坛(中英文), 2021(7): 94-96.

[7] 甘雨涛, 吴振辉, 陈志聪, 等. 基于LoRa和自适应神经网络模糊推理系统的光伏阵列故障诊断系统[J]. 电气技术, 2020, 21(8): 80-86.

[8] KUO Chaolin, CHEN Jianliang, CHEN S J, et al. Photovoltaic energy conversion system fault detection using fractional-order color relation classifier in micro- distribution systems[J]. IEEE Transactions on Smart Grid, 2017, 8(3): 1163-1172.

[9] 裴刘生, 周双全, 王海峰, 等. PCA-CLUSTER和EMD-CNN相结合的光伏发电设备故障诊断方法[J]. 太阳能, 2021(7): 59-65.

[10] 张晓鹏, 张兴忠. 基于高斯核函数的支持向量机光伏故障诊断研究[J]. 可再生能源, 2021, 39(6): 760- 765.

[11] 何根新, 周俊杰, 周家兴, 等. 基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断方法研究[J]. 电子设计工程, 2021, 29(9): 75-79.

[12] 刘圣洋, 冬雷, 王晓晓, 等. 基于高斯核模糊C均值聚类的光伏阵列故障诊断方法[J]. 太阳能学报, 2021, 42(5): 286-294.

[13] CHINE W, MELLIT A, LUGHI V, et al. A novel fault diagnosis technique for photovoltaic systems based on artificial neural networks[J]. Renewable Energy, 2016, 90: 501-512.

[14] 王召军, 许志猛. 基于低分辨率红外阵列传感器的人体身份和动作识别[J]. 电气技术, 2019, 20(11): 6-10, 26.

[15] 李冬辉, 尹海燕, 郑博文, 等. 改进的LSTM方法在冷水机组传感器故障检测中的应用[J]. 电工技术学报, 2019, 34(11): 2324-2332.

[16] 王晨, 寇鹏. 基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测[J]. 电工技术学报, 2020, 35(13): 2723-2735.

A photovoltaic system fault identification method based on convolutional neural network and long short-term memory network

TU Yanzhao GAO Wei YANG Gengjie

(College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108)

As the installed capacity of photovoltaic power generation continues to rise, how to detect and solve the faults and abnormalities of the photovoltaic modules in time to reduce energy loss and improve the power generation efficiency of photovoltaic systems has become a significant task. The characteristic differences between the-curves of photovoltaic arrays in different fault states are studied in this paper. The-curves are directly used as the input for fault diagnosis. On these grounds, a photovoltaic system fault identification method based on convolutional neural network (CNN) and long short-term memory (LSTM) network is proposed in this paper. Experimental results show that this method can not only identify single faults like short circuit, partial shading, abnormal aging and so on, but also effectively identify the simultaneous existence of hybrid faults.

photovoltaic power system; fault diagnosis;-curves; convolutional neural network (CNN); long short-term memory (LSTM) network

2021-09-02

2021-10-08

涂彦昭（1997—），男，福建省永春县人，硕士研究生，主要从事新能源系统故障诊断研究工作。

福建省自然科学基金资助项目（2021J01633）