摘要：為了解決光伏系統(tǒng)光伏逆變器故障持續(xù)時(shí)間短、線路復(fù)雜的問(wèn)題，使用SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)并利用Simulink軟件進(jìn)行仿真，對(duì)光伏逆變器的軟故障進(jìn)行建模，收集了相關(guān)的參數(shù)作為研究樣本。在MATLAB環(huán)境中，與BP網(wǎng)絡(luò)、SOM神經(jīng)網(wǎng)絡(luò)診斷結(jié)果進(jìn)行對(duì)比，證明該串聯(lián)神經(jīng)網(wǎng)絡(luò)在光伏逆變器軟故障診斷方面具有實(shí)用性。

關(guān)鍵詞：光伏逆變器；故障診斷；SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP206""""""""" 文獻(xiàn)標(biāo)志碼：A

太陽(yáng)能是可再生的清潔能源，已經(jīng)廣泛存在于日常生活中。太陽(yáng)能光伏發(fā)電站設(shè)計(jì)簡(jiǎn)單，建設(shè)安裝周期短，無(wú)噪聲，不易損壞，維護(hù)簡(jiǎn)單。太陽(yáng)能光伏列陣發(fā)出直流電，經(jīng)過(guò)光伏逆變器轉(zhuǎn)換為可用市電。當(dāng)太陽(yáng)能充足時(shí)，室內(nèi)可利用太陽(yáng)能發(fā)電；當(dāng)太陽(yáng)能電力不足時(shí)，自動(dòng)切換市電。在這個(gè)過(guò)程中，光伏逆變器作用十分重要，因此本文研究其故障診斷[1]。

光伏逆變器故障信息出現(xiàn)時(shí)間非常短，電路復(fù)雜，故障分為軟故障和硬故障。軟故障是參數(shù)性故障，例如電路元器件的性能退化等。硬故障是開(kāi)關(guān)元件損毀，導(dǎo)致其拓?fù)浣Y(jié)構(gòu)發(fā)生異常。光伏逆變器故障診斷方法有自組織特征映射神經(jīng)網(wǎng)絡(luò)（Self-Organizing feature Map，SOM）和反向傳播神經(jīng)網(wǎng)絡(luò)[2]（Back Propagation，BP）等。本文就BP神經(jīng)網(wǎng)絡(luò)泛化性能差、需要大量樣本、實(shí)時(shí)性差以及SOM神經(jīng)網(wǎng)絡(luò)需要多次訓(xùn)練且不能以向量形式表示結(jié)果的限制等問(wèn)題，用simulink軟件搭建三相半橋式逆變器仿真模型，使用該模型作為試驗(yàn)對(duì)象，設(shè)置不同的電容退化值，模擬電路25種軟故障，再以BP、SOM和SOM-BP神經(jīng)網(wǎng)絡(luò)分別作為診斷網(wǎng)絡(luò)，進(jìn)行結(jié)果對(duì)比，選擇最優(yōu)診斷網(wǎng)絡(luò)，提高故障診斷率。

1神經(jīng)網(wǎng)絡(luò)

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[3]是一種利用誤差反向傳播來(lái)訓(xùn)練算法，提高算法精確度的多層前饋網(wǎng)絡(luò)。由單個(gè)輸入層、單個(gè)或多個(gè)隱藏層以及單個(gè)輸出層組成。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡(luò)利用誤差反向傳播，判斷輸出值和期望值的誤差平方和是否達(dá)到預(yù)設(shè)誤差值，決定算法是否結(jié)束，得到目標(biāo)值[4]。

其算法步驟如下。

步驟一：網(wǎng)絡(luò)初始化。

步驟二：計(jì)算隱含層輸出。設(shè)隱藏層神經(jīng)元為激勵(lì)函數(shù)，出Hj如公式（1）所示。

（1）

式中：f為隱含層激勵(lì)函數(shù)；xi為輸入值；aj為隱含層第j節(jié)點(diǎn)閾值。

步驟三：計(jì)算輸出層O輸出。輸出層第k節(jié)點(diǎn)的預(yù)測(cè)輸出Ok如公式（2）所示。

式中：wjk為權(quán)值；bk為輸出層第節(jié)點(diǎn)閾值。

步驟四：誤差ek的計(jì)算過(guò)程如公式（3）所示。

式中：Yk為輸出層第k節(jié)點(diǎn)的期望輸出，k=1，2，…，m。

步驟五：權(quán)值更新。根據(jù)公式（1）和公式（3），更新wij與wjk，如公式（4）、公式（5）所示。

式中：η為學(xué)習(xí)速率。k=1，2，... ，m，m輸出層節(jié)點(diǎn)數(shù)。

步驟六：閾值更新。計(jì)算過(guò)程如公式（6）、公式（7）所示。

步驟七：是否滿足條件，是，結(jié)束；否，返回步驟二。

BP神經(jīng)網(wǎng)絡(luò)有以下3個(gè)方面的不足之處。1）BP神經(jīng)網(wǎng)絡(luò)對(duì)初始值敏感，如果步長(zhǎng)和方向不同就會(huì)導(dǎo)致局部尋優(yōu)的結(jié)果不同。在每次訓(xùn)練的過(guò)程中，其會(huì)收斂于不同的局部最小值，導(dǎo)致網(wǎng)絡(luò)性能不穩(wěn)定。2）根據(jù)經(jīng)驗(yàn)設(shè)定初始網(wǎng)絡(luò)，再根據(jù)輸出結(jié)果進(jìn)行調(diào)整，如果結(jié)果過(guò)于復(fù)雜，就會(huì)出現(xiàn)過(guò)度擬合，影響B(tài)P神經(jīng)網(wǎng)絡(luò)推廣能力；如果過(guò)于簡(jiǎn)單，就會(huì)無(wú)法收斂。3）樣本依賴性，如果樣本冗余、不具有代表性或者出現(xiàn)分類錯(cuò)誤等情況，那么網(wǎng)絡(luò)訓(xùn)練分類效果會(huì)降低。

1.2SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)是無(wú)教師、自組織和自學(xué)習(xí)網(wǎng)絡(luò)。SOM網(wǎng)絡(luò)分為輸入層和競(jìng)爭(zhēng)層，其中競(jìng)爭(zhēng)層即輸出層，是一種無(wú)隱含層的網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)如圖2所示。在該網(wǎng)絡(luò)中的各個(gè)神經(jīng)元會(huì)競(jìng)爭(zhēng)并抑制周?chē)窠?jīng)元，獲得輸入機(jī)會(huì)，其是一種可以學(xué)習(xí)訓(xùn)練數(shù)據(jù)輸入向量的分布特征和拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)[5]。一旦SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，就可以對(duì)數(shù)據(jù)進(jìn)行聚類。

其算法步驟如下[6]。

步驟一：網(wǎng)絡(luò)初始化。

步驟二：輸入向量。輸入向量X=（x1，x2，...，xm）T。

步驟三：計(jì)算競(jìng)爭(zhēng)層的權(quán)值向量和輸入向量的距離d，競(jìng)爭(zhēng)層的第j個(gè)神經(jīng)元和輸入向量的距離dj如公式（8）所示。

式中：Wj為第j個(gè)神經(jīng)元的權(quán)值向量；xi（t）為當(dāng)前時(shí)間的輸入；Wij（t）為輸入層中的i神經(jīng)元和競(jìng)爭(zhēng)層中的j神經(jīng)元在當(dāng)前時(shí)間的權(quán)值。

步驟四：權(quán)值學(xué)習(xí)。更新神經(jīng)元j*及其鄰接神經(jīng)元的權(quán)值，如公式（9）所示。

式中：wij（t-1）為輸入層中的i神經(jīng)元和競(jìng)爭(zhēng)層中的j神經(jīng)元在上一個(gè)時(shí)間的權(quán)值；wij（t）為輸入層中的i神經(jīng)元和競(jìng)爭(zhēng)層中的j神經(jīng)元在當(dāng)前時(shí)間的權(quán)值；φ（t）為學(xué)習(xí)速率，且0lt;φ隨時(shí)間增加而減少。

步驟五：計(jì)算輸出ok，如公式（10）所示。

ok=fmin||X-Wj||（10）

式中：f為函數(shù)；0≤f≤1或f為其他線性函數(shù)。

步驟六：是否達(dá)到期望值。如果達(dá)到，就結(jié)束；如果未達(dá)到，就返回步驟二，進(jìn)行下一輪學(xué)習(xí)。

SOM神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行有限的自適應(yīng)分類，但是學(xué)習(xí)速度和穩(wěn)定性不能兩全，學(xué)習(xí)速度快可能會(huì)導(dǎo)致最終權(quán)值向量不穩(wěn)定，獲取穩(wěn)定性則需要大量時(shí)間。有的神經(jīng)元可能因?yàn)槌跏贾递斎胂蛄刻h(yuǎn)，導(dǎo)致其從未在競(jìng)爭(zhēng)中獲勝，成為“死”神經(jīng)元。

2SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)

2.1原理及結(jié)構(gòu)

本文利用的SOM-BP神經(jīng)網(wǎng)絡(luò)[7]是以SOM為初級(jí)網(wǎng)絡(luò)，BP為次級(jí)網(wǎng)絡(luò)的串聯(lián)神經(jīng)網(wǎng)絡(luò)。首先，利用SOM神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行聚類，進(jìn)行初步判斷。其次，計(jì)算SOM神經(jīng)網(wǎng)絡(luò)的獲勝神經(jīng)元位置信息。再次，將位置信息輸入BP神經(jīng)網(wǎng)絡(luò)中。最后，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。2種神經(jīng)網(wǎng)絡(luò)互相取長(zhǎng)補(bǔ)短，同時(shí)避免了BP神經(jīng)網(wǎng)絡(luò)需要大量樣本和SOM神經(jīng)網(wǎng)絡(luò)不能以向量模式表示結(jié)果的缺陷[8]。SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)有輸入層、競(jìng)爭(zhēng)層、隱含層和輸出層4個(gè)組成部分（如圖3所示），即在傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的隱含層前添加一個(gè)競(jìng)爭(zhēng)層。

2.2算法步驟

SOM-BP神經(jīng)網(wǎng)絡(luò)的算法步驟如下[9]。

步驟一：選取樣本數(shù)據(jù)（X1，X2，…，Xn），將樣本數(shù)據(jù)與測(cè)試數(shù)據(jù)進(jìn)行歸一化處理。

步驟二：初始化SOM神經(jīng)網(wǎng)絡(luò)，輸入樣本數(shù)據(jù)，經(jīng)過(guò)訓(xùn)練后得到初步的分類結(jié)果。

步驟三：將SOM競(jìng)爭(zhēng)層輸出的結(jié)果進(jìn)行歸一化處理。

步驟四：初始化BP神經(jīng)網(wǎng)絡(luò)，將步驟三的結(jié)果輸入至BP神經(jīng)網(wǎng)絡(luò)，再次進(jìn)行訓(xùn)練。

步驟五：進(jìn)行多次訓(xùn)練后形成SOM-BP神經(jīng)網(wǎng)絡(luò)的分類模型，輸入測(cè)試樣本進(jìn)行測(cè)試，并分析結(jié)果。

3光伏逆變器故障診斷

3.1仿真試驗(yàn)

本文采用三相半橋式逆變器，利用Simulink進(jìn)行仿真，選取三相橋臂中間點(diǎn)線電壓信號(hào)作為故障信號(hào)，分別以N：0～10%；A：10%～20%；B：20%～30%；C：30%～40%和D：40%～50%的5種退化程度設(shè)置三相半橋式逆變器中的2個(gè)電容C1、C2容量，模擬25種軟故障模式，故障類型見(jiàn)表1。再分別用BP神經(jīng)網(wǎng)絡(luò)、SOM神經(jīng)網(wǎng)絡(luò)和SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，得到結(jié)果進(jìn)行對(duì)比。

3.2試驗(yàn)結(jié)果

隨機(jī)選取1250組信號(hào)，其中1100組為訓(xùn)練集樣本，150組為測(cè)試集樣本。3種神經(jīng)網(wǎng)絡(luò)的搭建結(jié)構(gòu)如下。1）BP神經(jīng)網(wǎng)絡(luò)由5個(gè)輸入節(jié)點(diǎn)、32個(gè)隱含層節(jié)點(diǎn)和25個(gè)輸出層節(jié)點(diǎn)構(gòu)成。2）在SOM神經(jīng)網(wǎng)絡(luò)中有25個(gè)競(jìng)爭(zhēng)層神經(jīng)元，拓?fù)浣Y(jié)構(gòu)為5×5網(wǎng)狀結(jié)構(gòu)。3）SOM-BP神經(jīng)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層為8×8=64個(gè)神經(jīng)元，隱含層節(jié)點(diǎn)為32個(gè)，輸出層節(jié)點(diǎn)為25個(gè)。SOM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集預(yù)測(cè)誤差如圖4所示，測(cè)試集預(yù)測(cè)誤差如圖5所示，3種網(wǎng)絡(luò)的診斷精度見(jiàn)表2。

由本節(jié)試驗(yàn)結(jié)果可知，使用SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)模型對(duì)光伏逆變器軟故障進(jìn)行故障診斷，與BP神經(jīng)網(wǎng)絡(luò)模型以及SOM神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進(jìn)行對(duì)比，故障診斷準(zhǔn)確率更高。

4結(jié)論

為解決光伏逆變器的軟故障診斷難題，本文采用SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)進(jìn)行故障分類和診斷。與BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)的診斷數(shù)據(jù)進(jìn)行對(duì)比，SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)在輸入節(jié)點(diǎn)數(shù)量和訓(xùn)練樣本數(shù)量方面都有所減少，提高了光伏逆變器軟故障診斷的準(zhǔn)確性。因此，利用SOM-BP串聯(lián)神經(jīng)網(wǎng)絡(luò)對(duì)光伏逆變器的軟故障進(jìn)行診斷，應(yīng)用價(jià)值很高。

參考文獻(xiàn)

[1]姜媛媛，張書(shū)婷. 基于改進(jìn)的VMD和CNN神經(jīng)網(wǎng)絡(luò)的光伏逆變器軟故障診斷方法研究[J]. 電測(cè)與儀表，2021，58（2）：158-163.

[2]張曉陽(yáng)，李田澤，張涵瑞，等. 應(yīng)用于光伏陣列故障診斷的DA-SOM算法研究[J]. 電源學(xué)報(bào)，2022，20（2）：122-128.

[3]徐逍帆，葛強(qiáng). 基于BP神經(jīng)網(wǎng)絡(luò)的全貫流電機(jī)泵故障診斷[J]. 內(nèi)燃機(jī)與配件，2021（2）：139-140.

[4]梁榮波，于灝，李軍霖. 基于BSA與BP神經(jīng)網(wǎng)絡(luò)的礦用變壓器故障診斷[J]. 山東煤炭科技，2023，41（5）：139-142.

[5]呂帥. 礦井采煤裝備智能控制與運(yùn)行信息管理系統(tǒng)研究與設(shè)計(jì)[D]. 徐州：中國(guó)礦業(yè)大學(xué)，2019.

[6]呂建豐. 基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷[J]. 科學(xué)技術(shù)創(chuàng)新，2019（35）：140-141.

[7]程鵬，潘宏俠.SOM-BP復(fù)合神經(jīng)網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用研究[J]. 噪聲與振動(dòng)控制，2010，30（5）：165-168.

[8]段玉兵，胡曉黎，張皓，等. 基于SOM-BP組合神經(jīng)網(wǎng)絡(luò)的交聯(lián)電纜局部放電模式識(shí)別[J]. 電氣應(yīng)用，2016，35（23）：71-75.

[9]張明遠(yuǎn)，楊濤，慕洪勝，等.SOM-BP復(fù)合神經(jīng)網(wǎng)絡(luò)在不接地IT系統(tǒng)對(duì)地絕緣故障相判別中的應(yīng)用[J]. 船電技術(shù)，2016，36（12）：28-32，36.

通信作者：張書(shū)婷（1991-），女，漢族，安徽合肥人，碩士研究生，助教，研究方向?yàn)楣收项A(yù)測(cè)與診斷技術(shù)。

電子郵箱：664037096@qq.com。