高天龍，劉衛(wèi)亮，張文軍

（1.西北工業(yè)大學微電子學院，陜西 西安 710129；2.華北電力大學自動化系，河北 保定 071003）

近年來，隨著社會的快速發(fā)展，能源需要日益增加。太陽能作為一種新能源，以其清潔、可再生等優(yōu)勢得到廣泛應用。同時光伏電站大多修建在沙漠、荒地等環(huán)境比較惡劣地區(qū)，光伏組件長期裸露在外，容易受到高溫暴曬、風沙和雨雪侵蝕，從而發(fā)生故障，影響光伏板的使用壽命以及光伏電站的發(fā)電效益。

針對光伏電站故障識別與定位，國內外學者開展了一些相關研究。國外學者中，M.S Iqbal等[1]提出了一種基于學生t檢驗的光伏電站故障檢測方法，該方法只針對電站的并網直流側，通過比較光伏電站實際與理論參數來識別不同故障類型；Liang等人[2]采用極限學習機和k均值聚類算法識別光伏電站異常情況，該方法未對光伏故障類型進行詳 細區(qū)分；Liu等人[3]通過動態(tài)時間歸整測量多個電 壓和電流的時間子序列，然后利用k均值聚類算法對相似性進行分類，進而識別光伏故障，該方法未對光伏故障進行定位；Dhimish等人[4]提出一種基 于徑向基和模糊控制檢測光伏故障的方法，采用光伏系統電壓和功率作為模型的輸入，進行光伏故障識別與定位，該方法故障類型設置單一且識別精度相對較低。

國內學者中，于航等[5]提出了一種基于3倍標準差準則與模糊c均值聚類相結合的光伏故障定位方法,該方法能夠準確定位光伏電站直流側故障，但其未對光伏故障類型進行區(qū)分；李光輝等[6]利用光伏陣列電壓與電流，通過半監(jiān)督機器學習算法識別故障類型，該方法只針對老化和開路故障。馬紀梅等[7]提出一種基于改進徑向基（RBF）神經網絡的光伏組件故障識別策略，能夠對擊穿、開路和短路故障進行準確識別與定位，但該方法訓練樣本較少存在偶然性；葉進等[8]提出一種基于級聯隨機森林的光伏組件故障診斷策略，通過氣象監(jiān)測數據與光伏電站監(jiān)測數據，對是否正常、老化、遮掩、熱斑和其他異常情況進行識別，但未對故障進行定位。

上述光伏故障識別算法針對多類型故障識別率均較低，且故障定位誤判率較高。因此，本文提出一種基于門控循環(huán)（GRU）神經網絡的光伏電站故障識別與定位策略：依據光伏組件工程模型，結合擾動觀測法和并網PQ控制，搭建光伏電站仿真模型；模擬光伏電站典型故障，獲取直流測串聯光伏板電壓、電流和交流測電流、輸出功率以及光伏電站特征參數；采用GRU神經網絡與BP神經網絡進行故障識別與定位。最后通過光伏實驗平臺驗證模型的準確性和有效性。

1 光伏電站仿真模型搭建

1.1 光伏組件數學模型

光伏組件為光伏陣列的最小發(fā)電單元，由眾多P-N結構成，結合材料物理和電子學理論，可得光伏組件數學模型為[9]：

式中：V和I分別為光伏組件輸出電壓與電流；IPV為光生電流；I0為反向飽和電流；q為電量電荷；n為理想因子；k為玻爾茲曼常數；RSh和RS分別為并聯電阻和串聯電阻；T為光伏板溫度。

依據光伏組件的數學模型和標準工況下的電氣特性，可推導出光伏組件的工程模型為：

式中：ISC和Voc分別為光伏組件短路電流與開路電壓；Tref為工作溫度；S為輻射強度；Vm和Im分別為最大功率點下的電壓與電流；α、β為溫度系數。

1.2 光伏電站仿真模型

光伏陣列一般由多個光伏光伏板串聯或并聯組成，無論串聯還是并聯都不會改變單個光伏板的特性。因此依據光伏組件工程模型，在標準測試條件下（輻射強度1 000 W/m2，溫度25 ℃）搭建光伏組件的仿真模型，如圖1所示。將光伏板模型進行封裝，給每塊光伏板后都配備1個最大功率點跟蹤（maximum power point tracking，MPPT）控制器，并采用擾動觀測法實現光伏組件的最大功率跟蹤。 在Simulink環(huán)境下，采用封裝后的光伏組件模型，搭建3×4光伏陣列，其中每列由4塊光伏板串聯而成。然后結合采用擾動觀測法的MPPT控制器和基于并網PQ控制的三相逆變器，構成光伏電站仿真模型。其中采樣時間設置為0.000 1 μs，逆變器設置為平均VSC模型，整個光伏發(fā)電系統的主電路仿真如圖2所示。

圖1 光伏組件仿真模型 Fig.1 The photovoltaic module engineering model

圖2 光伏發(fā)電系統的主電路仿真 Fig.2 Simulation diagram of main circuit of the photovoltaic system

兩級式三相逆變器采用PQ控制策略，將三相電壓Vabc和電流Iabc經dq變換，轉換成不存在耦合關系的d軸分量vd、id和q軸分量iq。利用光伏電站并網無功功率Q和vd計算參考電流iq*。引入電網電壓前饋信號Vdc和參考電壓Vref，經過PI控制器計算得參考電流id*。通過功率解耦控制，分別計算q軸和d軸的參考電壓，經dq/abc坐標變換，轉換成電壓Uabc，從而控制三相逆變器，其Simulink控制模型如圖3所示。

圖3 三相逆變器PQ控制模型 Fig.3 The PQ control model of three-phase inverter

2 光伏電站故障特征模擬

本文選取光伏陣列中常見的6種故障進行分析，利用光伏電站仿真模型模擬光伏故障，獲取不同故障下光伏電站輸出參數，通過分析對比選定光伏故障識別特征參數。

2.1 光伏電站輸出參數選取

選取光伏陣列輸出電壓、電流和功率來識別與定位光伏故障，考慮到光伏電站減少傳感器數量會降低運營成本，于是在光伏陣列每一列的每2塊光伏板并聯1個電壓傳感器，共需要6個電壓傳感器。為確保光伏故障能夠精確識別與定位，并驗證系統的穩(wěn)定性，引入光伏電站交流側電流。運行仿真模型，測試系統的動態(tài)響應性能，將光照強度設置為階躍信號，初始值為1 000 W/m2，在0.04 s時光照強度下降至500 W/m2，繪制三相并網電流響應曲線，結果如圖4所示。由圖4可見，并網電流能夠快速響應，經0.01 s暫態(tài)過程后趨于穩(wěn)定。且隨著光照強度降低，交流電流的有效值也隨之減小。

圖4 三相并網電流響應曲線 Fig.4 Response curves of three-phase grid-connected current

因此，選取每2塊光伏板對應的輸出電壓Vdc1—Vdc6、直流電流IPV、交流電流Iabc、輸出功率PPV以及輻射強度G作為光伏電站的特征參數。

2.2 光伏電站故障工況設置

圖5為光伏陣列不同故障模擬。首先，在標準狀況下將第1列中的1塊光伏板從光伏陣列中斷開，來模擬光伏陣列斷路故障。同樣，通過導線將光伏板兩端短接，來模擬光伏陣列短路故障。通過改變光伏陣列區(qū)域光照強度來模擬陰影遮擋，不同陰影遮擋系數不同[10]。經仿真測試，發(fā)現遮擋系數小于0.95時模型可以正確區(qū)分，于是將第2列2塊光伏板光強設置為正常光強的0.9倍，來模擬局部遮擋。將后2塊光伏板光強設置為正常光強0.3倍，來模擬陰影遮擋。同樣的情況下，將2塊光伏組件遮擋系數調整為0.9，且將光伏板溫度設置為80 ℃，來模擬光伏熱斑[11]。

圖5 光伏陣列不同故障 Fig.5 Different faults of the photovoltaic array

光伏組件暴露在室外一段時間，會在表面附著一層積灰，從而影響光伏組件的輸出功率。李練兵等[12]在天津開展一項實驗表明，光伏組件在室外靜置6天，其表面積灰密度達到1 g/m2，輸出功率相應衰減8%。表1[13]為黃土積灰下光伏組件發(fā)電效率，擬合積灰密度R與相對發(fā)電效率η函數，可得：

表1 黃土積灰下光伏組件發(fā)電效率 Tab.1 The power generation efficiency of photovoltaic panels under loess ash accumulation

根據式(6)，在Simulink環(huán)境搭建積灰模塊，模擬密度為5 g/m2的積灰故障。

2.3 光伏電站故障模擬結果

采用光伏電站仿真模型驗證所選參數能否滿足光伏陣列故障的識別與定位。在標準工況下，采集光伏陣列逆變后的輸出功率，并繪制曲線，結果如圖6所示。

圖6 不同故障情況下光伏電站的輸出功率曲線 Fig.6 The grid-connected power curves of photovoltaic power stations under different fault conditions

由圖6可見，光伏陣列在不同故障狀態(tài)下輸出功率區(qū)分明顯，故所選輸出參數合理。

模擬不同光伏故障時，采集不同輻射強度（400～1 000 W/m2）下的光伏陣列輸出數據，對應故障分別記錄280組，構建1 960組訓練樣本集，表2為光伏電站在不同故障下的輸出參數。

表2 光伏電站在不同故障下輸出參數 Tab.2 The output parameters of photovoltaic power station with different faults

3 光伏電站故障診斷模型

基于GRU神經網絡的光伏電站故障診斷流程如圖7所示。

圖7 光伏電站故障診斷流程 Fig.7 The fault diagnosis flow chart of photovoltaic power station

由圖7可見，將預處理后的數據輸入GRU神經網絡進行訓練，設定初始權重、偏置、迭代次數N、期望損失值θ，計算GRU神經網絡各個輸出門和損失值L。每次通過比較L與θ的大小，得到迭代N次數后的最優(yōu)權重和偏置，最后利用光伏實驗平臺對故障診斷模型進行驗證。

3.1 GRU神經網絡學習算法

GRU神經網絡在2014年由Kyunghyun Cho提出，解決了標準循環(huán)神經網絡（RNN）的梯度消失問題。GRU神經網絡基于長短時記憶（LSTM）神經網絡進行改進，簡化門結構為更新門與重置門，其原理如圖8所示。

圖8 GRU神經網絡原理 Fig.8 Principle diagram of cellular structure of the GRU neural network

由圖8可見，GRU神經網絡中輸入層沿網絡正向傳播，其中包括更新門rt、重置門zt、當前存儲狀態(tài)單元、當前時刻輸出狀態(tài)ht4個變量，各變量計算公式為：

式中：σ為sigmod激勵函數；Wr、Wz、分別為更新門、重置門和當前存儲狀態(tài)單元的權重；ht-1、xt分別為上一時刻輸出和當前時刻輸入；br、bz、分別為更新門、重置門和當前存儲狀態(tài)單元的偏置。

3.2 數據預處理與模型評估

采用上述光伏電站故障模擬獲取的1 960組樣本集，來訓練故障診斷模型。為確保診斷模型能夠快速進行迭代訓練且訓練結果真實有效，對訓練樣本進行數據清洗和歸一化處理。通過歸一化后的盒形圖能更直觀地區(qū)分正常光伏板與不同故障下光伏板的特征參數，圖9為正常光伏板與故障光伏板歸一化后的特征參數。圖9中樣本集輻射強度范圍400～1 000 W/m2，組成訓練樣本時取后20個輻射強度對應的490組樣本集作為測試樣本。

圖9 正常光伏板與故障光伏板歸一化后的特征參數 Fig.9 The normalized characteristic parameters of normal and fault panels

本文選用準確率和交叉熵損失函數（L）作為模型評估指標，對光伏故障分類效果進行評估。損失函數值越小，模型分類結果越好。其計算公式為：

式中：L(θ)和hθ分別為實際和預測光伏故障識別結果；n為時間序列。

3.3 模型訓練

將預處理后的數據作為GRU神經網絡的輸入，依據第2節(jié)選取的光伏電站故障特征參數，設置GRU神經網絡模型輸入層為10維（對應光伏電站10個故障特征參數），將隱藏狀態(tài)和輸出狀態(tài)進行全鏈接，設置32個隱藏節(jié)點、輸出層為3維，即輸出故障類型（對應故障類型1—6）和故障定位（對應3×4陣列）。然后對GRU神經網絡進行迭代訓練，其訓練過程模型損失值如圖10a)所示。

圖10 BP神經網絡與GRU神經網絡迭代過程的損失值 Fig.10 Loss values of iterative process of the BP and GRU neural network

同樣，將預處理后的數據輸入BP神經網絡，BP神經網絡包含輸入層、隱含層、輸出層，并由權值互相連接，分別設置輸入層為10維，隱含層節(jié)點為20，輸出層為3維，學習率為0.01，迭代次數為20 000，構建10-20-3的BP神經網絡。其訓練過程損失值如圖10b)所示。

由圖10可見，剛開始訓練損失值快速下降，隨著迭代次數增加，損失值曲線逐漸趨于平緩。BP神經網絡迭代18 000次后損失值降為0.035 7，而GRU神經網絡迭代1 750次后損失值降為0.009 1。故障分類和定位已達到精度要求，故停止模型迭代訓練。

采用490組測試樣本進一步對比BP神經網絡和GRU神經網絡故障分類和定位的準確性，訓練結果見表3。由表3可見，GRU神經網絡模型訓練結果均優(yōu)于BP神經網絡，GRU神經網絡模型的驗證集損失值為0.006 1，測試正確率為99.59%，相對BP神經網絡提高0.41百分點。

表3 BP神經網絡和GRU神經網絡模型訓練結果 Tab.3 Training results of the BP and GRU neural network model

將GRU神經網絡故障診斷模型的測試集結果進行反歸一化處理，輸出光伏電站故障分類和定位，結果如圖11所示。由圖11可見，GRU神經網絡模型只有1次將局部遮擋故障誤認為短路故障，且對應位置誤定位為（1, 2），其余測試樣本均能準確識別和定位。

圖11 GRU神經網絡故障識別與定位結果 Fig.11 The fault identification and location results based on GRU neural network

4 實驗分析

基于保定某地的光伏實驗平臺（圖12）進行驗證，光伏實驗平臺由32個光伏組件、MPPT控制器和負載構成。其中光伏組件的額定功率為50 W，傾角為48°，每塊光伏板都配備MPPT控制和負載，選取4塊光伏板進行編號（PV1—PV4）。

圖12 光伏實驗平臺設備連接示意 Fig.12 Schematic diagram of the equipment connection of photovoltaic experimental platform

實驗中創(chuàng)建4類常見故障：開路、局部遮擋、陰影遮擋和積灰故障。人為斷開PV1光伏板模擬光伏陣列開路故障，由樹葉、鳥糞等附著在光伏板表面形成局部遮擋故障。本文于2021年4月27日12:00—16:30晴天工況下進行光伏板局部遮擋實驗，將遮擋物在PV2光伏板表面放置20 min，測量光伏陣列輸出功率。

然后在2021年4月28日12:00—17:00晴天工況下進行光伏積灰實驗，首先將光伏板清洗干凈，人為在PV3光伏板上均勻涂抹密度為5 g/m2的黃土，采集光伏組件的運行參數。在同樣工況下，于2021年5月2日12:00—17:00開展陰影遮擋實驗，測量光伏陣列輸出功率。

繪制不同故障下測量的光伏陣列輸出功率曲線，結果如圖13所示。由圖13可見，當PV4支路從光伏陣列中斷開模擬光伏陣列開路故障，出現輸出功率整體下降。局部遮擋故障在放置遮擋物后，光伏陣列輸出功率突然下降，移除后功率恢復正常。當PV2發(fā)生積灰故障時，光伏陣列輸出功率與正常工況下有明顯區(qū)分。在15:30時PV4光伏板被建筑物所遮擋，形成陰影遮擋故障，其輸出功率呈斷崖式下降。

圖13 不同故障狀態(tài)下光伏陣列的輸出功率對比 Fig.13 Comparison of output power of the photovoltaic array under different fault conditions

光伏實驗平臺每隔5 min保存一次數據，分別采集5 h不同故障下的光伏陣列輸出參數，構建了420個測試樣本集。將測試樣本輸入訓練好的GRU神經網絡中，其部分輸出結果見表4。由表4可見，本文GRU神經網絡模型的故障診斷準確率為100%，能準確識別和定位故障。

表4 不同故障下光伏4×1陣列的識別與定位結果 Tab.4 Identification and location results of photovoltaic 4×1 array with different faults

5 結 論

1）將GRU神經網絡應用于光伏電站故障診斷與識別中，搭建光伏電站仿真模型。模擬光伏陣列典型故障，采集光伏電站輸出參數，作為GRU神經網絡故障識別與定位的訓練樣本。

2）提出一種基于GRU神經網絡的光伏電站故障識別與定位策略，可以準確識別與定位光伏電站典型故障，便于發(fā)生故障時，能夠快速對光伏板進行維護，也可以提前預警，避免永久損壞光伏板。

3）通過仿真和實驗，GRU神經網絡故障診斷方法的損失值為0.006 1，其正確率相較于BP神經網絡提高了2.75百分點，且測試集準確率達到99.95%；證明GRU神經網絡故障診斷方法在實際工況下能正確識別與定位光伏陣列故障，可用于指導光伏電站日常維護，提高電站的經濟效益。