基于光伏组件内部参数辨识的故障诊断模型

，，，

(南昌航空大学 信息工程学院,南昌 330063)

0 引言

近几年，随着生态问题的日益突出，不可再生能源的过度使用，对环境造成了不小的影响，比如近几年我国雾霾尤其严重，这就凸显出清洁可再生能源的重要性了。近年来，光伏产业作为可再生能源工业的代表，一直在我们生活的各个领域得到快速发展和应用。但光伏组件的故障直接影响光伏电池输出功率，所以准确检测光伏组件故障是十分有必要的。

不同型号的光伏组件是由不同特定数量且型号相同的光伏电池单体串联而成，为了防止光伏电池单体出现故障而成为负载，通常需要将光伏组件分组并在每组并联一个旁路二极管，以达到保护电路和降低功率损失。目前对光伏组件进行故障诊断的大部分都是通过提取光伏组件外部特性，建立光伏组件故障诊断模型进行故障诊断。文献[1]采用S、T、Imp和Ump作为光伏阵列故障特征，对光伏组件进行短路和老化的故障诊断；文献[2-3]通过光伏组件故障时组件温度升高的特性，采用红外图形特性进行光伏组件故障类型诊断。这些故障诊断方法都是通过外部特性，对光伏组件进行故障诊断的；本文采用光伏组件内部参数作为故障特征值，根据不同故障下内部参数变化规律对故障那光伏组件进行故障诊断。利用改进量子粒子群算法对各状况下光伏组件内部参数进行准确辨识，将辨识数据记录并建立故障诊断模型，从而准确诊断光伏组件故障类型。

1 光伏组件数学模型与故障输出特性分析

1.1 光伏电池理论模型的提出

光伏电池是利用光生伏特效应把太阳能转变为电能的装置，其单二极管模型如图1所示[ 4- 5]。

图1 光伏组件内部参数等效模型

由图1得出光伏组件内部参数等效电流和电压表达式：

(1)

式中,U为负载两端电压，I为通过负载的电流，Iph为光生电流，Io为二极管反向饱和电流，A为二极管影响因子，Rs为电池串联电阻，Rsh为电池并联电阻，T为电池的绝对温度，K为波尔兹曼常数(1.38e-23J/K)，q为电荷常数(1.6e-19C)。

其中 Iph，Io，A，Rs，Rsh 为待辨识参数。光伏组件外部输出电压 V 以及组件外部回路中输出电流 I 可以通过仿真或实验测得。适应值是将识别到模型中的5个参数和输出电压计算而得到的电流值和实际电流值的均方根误差。基于以上考虑，首先应将(1)关系式转换为电流的显示表达式，以便进行适应度值计算。

1.2 目标函数的建立

基于上述光伏组件的理论模型特点，将改进量子粒子群算法引入其中，从而准确提取该模型中的未知五参数的值 。文献[6]引用 Lambert W函数简化光伏电池电流 I 的显式表达式：

(2)

其中:

(3)

其中:X=(Iph，Io，A，Rs，Rsh)，为每个粒子的位置向量代表5个电池模型的参数值。Ical和Imea分别为算法辨识的参数带入公式(2)中所得到的辨识电流值和实际的电流值。适应度值越小表示辨识参数越准确。

1.3 光伏组件故障输出特性分析

设某一光伏组件由36个光伏电池串联而成，其中每12个光伏电池并联一个旁路二极管，如图2所示[7]，图中I为光伏组件中流过的电流。

图2 光伏组件一般结构示意图

光伏组件常见的故障类型主要有短路、开路和老化，下面对上述3种故障类型的故障特性进行分析。

1.3.1 短路故障分析

如图2所示，光伏组件发生短路故障时，故障所在组对应的旁路二极管不导通，等效光伏组件的内部参数与短路电池个数满足如下关系：

Ys=(36-x)Y

(4)

式中，Ys为光伏组件短路时对应的内部参数值；Y为正常状况下的光伏电池单元内部参数值；x为光伏电池短路个数；Y分别代表A，Rs，Rsh。图3为光伏电池短路个数不同条件下的输出特性曲线。

图3 短路故障输出特性

1.3.2 开路故障分析

如图2所示，光伏组件发生开路故障时，其对应的旁路二极管导通，等效光伏组件的内部参数与对应导通二极管满足如下关系：

Yk=(36-12n)Y

(5)

式中，Yk为光伏组件开路是对应的内部参数值；Y为正常状况下的光伏电池单元内部参数值；n为二极管导通个数；Y分别代表A，Rs，Rsh。图4为光伏组件开路状况下导通不同二极管个数的输出特性曲线。

图4 路故障输出特性

1.3.3 老化故障分析

光伏组件发生老化时，旁路二极管不导通，组件发生老化时对应的串联电阻会增加，光伏组件串联电阻存在如下关系：

Rs=36Rsc+R1+R2+…+Ri

(6)

式中：Rs为光伏组件串联电阻；Rsc为光伏电池单体的串联电阻；Ri为老化组件对应增加的串联电阻。图5为不同串联电阻对应的输出特性曲线。

图5 老化故障输出特性

此外，Iph和Io随外界变化的计算公式[]为：

(7)

(8)

式中,Isc为短路电流，S为光照强度，CT为温度系数，T为绝对温度，Tref为标况下的绝对温度，Io-STC为标况下的反向饱和电流，Eg能带系能量。

综上所述，通过参数辨识出的参数值作为故障特征可以准确区分出各故障类型。

2 算法介绍

2.1 改进量子粒子群参数辨识算法

由于在QPSO算法中的种群初始化是采用随机分布的，所以种群初始化存在一定的局限性，无法遍历整个区域。从而提出对其种群进行混沌初始化，以提高粒子初始化遍历范围，同时在寻优过程中对局部最优解进行混沌化处理，以防止陷入局部最优解。混沌学由E.N.洛伦兹提出，由于混沌状态与一般的无规则状态不同，其主要特征有规律性，随机性和遍历性，所以混沌理论已经成为一个新的和潜在的优化工具。由于混沌序列具有上述优点，因此利用混沌序列用于初始化粒子，可以提高粒子初始化的遍历性，从而为寻优精度和收敛速度奠定基础。Logistic混沌方程[8]如公式(10)所示：

Zi+1=μZi(1-Zi),i=0,1,2,…,μ∈[0,4]

(10)

式中，0≤Z0≤1，Zi为第i个变化量。μ为控制系数。

综上，改进QPSO算法步骤如下：

1)初始化算法的相关参数，如种群的大小、变量的个数、惯性因子、迭代次数、速度和位置的范围限定等。

2)采用式(10)对种群进行混沌初始化，增加初始种群整体的遍历性。

3)通过适应度函数计算每个粒子的当前适应度值，并与对应于个体历史最优解的值进行比较。如果当前适应度值优于对应个体历史最优解对应的适应度值时，就把当前解替换成为个体最优解pBesti，否则就不替换。

4)将所有粒子最优的适应值进行比较从而确定当前种群的最优解gBest。

5)更新每个粒子的位置，计算每个粒子的适应值，保留群体中最优适应度值对应的粒子位置。

6)对群体中的最佳粒子再执行一次混沌优化算法，并更新其pBest和群体gBest。

7)根据算法中设置的精度要求和最大迭代次数确定当前迭代是否满足要求，如果没有达到，就返回3)继续迭代；相反则停止迭代，输出全局最优解是

X=(Iph，Io，A，Rs，Rsh)。

2.2 BP神经网络故障诊断算法

BP网络是一种按误差反向传播的多层前馈网络。其学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP网络的优点是只要有足够的隐含层和隐节点，BP网络可以逼近任意的非线性映射关系，属于全局逼近算法并具有较好的泛化能力[9]。BP神经网络的基本结构包括输入层、隐含层和输出层3个部分。基于 BP 神经网络光伏组件故障诊断模型的对应关系如图6所示

通过分析可知，本文光伏组件故障诊断模型的输入层为参数辨识算法辨识出的内部5参数，对应输出4个诊断结果，故障类型输出定义表如表1所示。具体参数训练方法参见文献[10]。

表1 故障类型输出层定义表

3 仿真结果与分析

3.1 光伏组件参数辨识算法验证

根据光伏组件五参数特性，在MATLAB/Simulink中建立光伏组件仿真模型[11]，得出相应的参数辨识数据。模型中光伏组件标况下(T=25 C°S=1 000 W/m2)的电气参数为Im=2.788 8，Vm=18.85，Voc=23.40，Isc=3；为了验证上述参数辨识方法的精确性和快速性，对仿真模型在标况下的一组数据采用PSO，QPSO和CQPSO三种方法分别进行辨识并做对比试验，试验都迭代100次，由于适应度函数值大小直接可以反映出参数辨识的精度，图7为不同方法迭代后的适应度值变化图，表2为不同算法辨识出的光伏组件参数值，结合表2和图7的相关数据和图像显示可得出，CQPSO算法适应度值为0.052 86，相比于PSO的0.589 42收敛精度要高许多，且迭代次数只需要15次便收敛了，所以改进量子粒子群算法既避免的陷入局部最优提高了收敛精度又加快了收敛的速度，说明此算法可以准确地对光伏组件内部参数进行辨识且优化了其他算法易陷入局部最优和迭代次数过多的问题。

图7 不同算法寻优适应度值结果对比图

参数PSOQPSOCQPSOIph2．9722．9892．998Io9．86e-68．134e-71．285e-8A46．89247．23847．682Rs0．35460．38610．3942Rsh1126．45982．46993．57最优迭代次数83615最优适应度值0．589420．185630．05286

3.2 光伏组件故障诊断

在MATLAB/Simulink中建立个故障类型的等效模型，通过参数辨识算法对不同工况下的不同故障类型辨识内部参数并记录，用作BP神经网络的训练数据。本文共记录温度范围在20～50 C°，光照强度范围在200～1 000 W/m2的400组数据，其中300组作为训练样本，剩余100组作为测试样本。由于所选故障特征值变量具有不同的数量单位，直接进行神经网络训练会使网络的性能和收敛性变差，因此在进行训练之前须对各数据值进行归一化处理，有利于 BP 算法在运行后期加快收敛。本文BP神经网络中输入节点数为5，输出节点数为4，经过多次试验当隐含层节点为8时，模型最为稳定，网络训练次数为200次，学习效率设为0.1。完成网络训练后，利用测试数据对故障模型进行测试。如表3为对应不同故障下的部分测试数据，表4为对应的诊断结果。

表3 光伏组件故障诊断模型的测试样本

表4 BP神经网络算法的诊断结果

对比表3和表4的仿真结果可知，诊断结果与测试样本的故障类型一致，说明BP神经网络可以对不同的光伏组件故障进行准确分类，同时也证明了本文对光伏组件故障特征的提取是正确且可行的。

4 结论

本文建立了一种基于光伏组件内部参数辨识的故障诊断模型，首先通过改进量子粒子群算法，准确辨识出各故障类型下的光伏组件内部参数(Iph，Io，A，Rs，Rsh)，再通过分析各故障类型下内部参数变化规律，提取相应的故障特征，通过仿真建立光伏组件故障诊断模型，对不同故障类型进行分类和诊断。通过仿真结果可以看出，本文采取的参数辨识算法能够准确的辨识出光伏组件内部参数；并通过比较正常、短路、开路、老化的内部参数特性，建立的故障诊断模型可以很好的区分不同的故障类型，说明此方法的有效性和可行性。但由于组件短路与开路故障特性有些相似，只是数量上有些不同，所以当出现大范围短路时，通过内部参数建立的故障模型还是不容易区分短路还是开路故障，所以下一步将进一步研究是否可以通过加入适量外部特性，从而可以进一步准确诊断光伏组件故障特性。

[1] 王元章，吴春华，周笛青，等．基于BP神经网络的光伏阵列故障诊断研究[J]．电力系统保护与控制，2013,41(16)：108-114.

[2] 王培珍，郑诗程．基于红外图像的太阳能光伏阵列故障分析[J]．太阳能学报，2010，31(2)：197-201．

[3] Nian Bei，Fu Zhizhong．Automatic detection of defects in solar modules ： image processing in detecting[A]. International Conference on Wireless Communications Networking and Mobile Computing[C]．Chengdu，China：IEEE，2010：1-4．

[4] Green M A. Photovoltaic principles [J]. Physica E：Low-dimensional Systems and Nanostructures，2002，14 (1)：11-17.

[5] Saravanan C，Panneerselvam M A． A comprehensive anal ysis for extracting single diode PV model parameters by hybrid GA -PSO algorithm [J]． International Journal of Computer Applications，2013，78(8)：16-19.

[6] 程 泽，董梦男，杨添剀，等．基于自适应混沌粒子群算法的光伏电池模型参数辨识[J]．电工技术学报，2014，29(9)：245-252．

[7] 王元章，李智华，吴春华，等．基于BP神经网络的光伏组件在线故障诊断[J]．电网技术，2013，37(8)：2094-2100．

[8] 王振树，卞绍润，刘晓宇，等.基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究[J].电工技术学报，2014, 39(4): 1504-1514.

[9]龙 泉，刘永前，杨勇平．基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J]．太阳能学报，2012，33(1)：120-125.

[10] 韩力群．人工神经网络教程[M]．北京：北京邮电大学出版社，2006.

[11] 赵 乐，张彦晓.基于 Simulink 光伏电池建模及其输出特性仿真研究[J].现代电子技术，2014，33(11)：125-128.