基于VMD-LSTM的太陽能光伏組件故障檢測方法

畢潤敏，宋國雄，程前華

（1. 云南電網有限責任公司麗江供電局，云南 麗江 674100；2. 云南電網有限責任公司研究生工作站，云南 昆明 650217）

0 前言

隨著全世界化石能源的持續性消耗和生態系統的惡化，全球各個國家已然將新能源發電作為主要的發電方式。太陽能作為一種清潔且環保的能量，將其作為光伏發電的能量來源在近年來得到了全球關注并加以利用，所以現如今的光伏發電發展呈上升趨勢。另外，在我國光伏電站的裝機規模逐年遞增的趨勢下，截至2019 年底，光伏發電裝機容量已累計達到了204.3 GW。

針對于我國的地貌情況，光伏發電場通常優先建設在太陽能豐富的西北部地區，但是該地區大部分為沙漠、高原等條件惡劣，在這樣的條件下，光伏組件就會被受到有害影響，從而導致光伏組件發生故障的可能性變大；并且在這種環境條件下，人類的生活更為艱苦，所以對其進行運維操作的難度加大，周期變長，從而導致該地區光伏發電場的發電量降低。根據最新信息，地區不一樣，環境不一樣的光伏發電場每年的輸出功率下降率在0.6% ～1.0% 之間，這極大影響了整個光伏電站的發電能力[1]。文獻[2]所提出的一種基于SP 結構的光伏組件故障診斷方法，主要是依靠變化的光伏組件電壓來計算出光伏組件所發生故障的區域范圍，從而對光伏組件的故障點進行定位。文獻[3]通過對上述文獻提及方法進行優化，并且提出了重構拓撲結構，先是通過在各個光伏組串內部都進行電流傳感器的安裝，其次對所得出的電流值進行初步的訓練并檢查，最后就可以對光伏組件的故障進行更為精確的定位。文獻[4]提出了基于SP 結構的基礎上對光伏陣列進行分區域評估，通過對每一個光伏組件區域的電壓值的變化范圍的不同來進行故障的精確定位。文獻[5]通過利用TCT 結構基礎從而構建了CTCT 結構，并且提出了一種基于CTCT 結構的新的光伏組件故障診斷方法，具體方法就是通過對串聯的光伏組件進行每兩排之間加裝m層的電流互感器，然后通過所安裝的電流互感器所測的電流數值進去故障區域定位的確定。文獻[6]通過構成由TCT 結構和SP 結構所組成的CTCT 結構，從而得到基于CTCT 結構的新的光伏組件故障診斷方法，該方法主要是針對于現如今的光伏陣列不斷增加的形勢，利用該方法可以使傳感器的數量減少至以往的50%～80%。上述光伏組件的故障識別定位方法都只能進行簡單的故障定位操作，但是并無法通過上述方法進行所發生故障的類型。然而在文獻[14]作者提出基于SN-TCT 結構的光伏組件故障診斷方法，該診斷方法通過對環境信息與傳感器信息進行精密結合，從而使故障模式的識別能力得到提升，最終提高了光伏組件的故障定位準確率。

除此之外，隨著我國計算機的發展，文獻[7]提出了時序卷積神經網絡，該神經網絡與現如今已經成熟的時序深度學習模型如RNN、LSTM、GRU 等，有著很好的先進性，特別是在對時間序列數據預測問題進行處理方面表現良好。而光伏電站電流數據的本質就是時間序列數據，同時因為現如今的光伏組件一般是在環境十分惡劣的條件下，所以數據的采集設備存在精度不夠的問題，另外在數據的傳輸上，設備也存在老化的不良現象，所以，實驗所需要的電流數據就存在大量的噪聲問題。文獻[8]中提出了震動信號，光伏電站支路電流數據也是疊加了復雜表現特征和高噪聲的信號，而噪聲會對時序卷積神經網絡學習性能產生重要負面影響。文獻[9]提出一種軟閾值化的時序卷積神經網絡(Soft Thresholding Temporal Convolutional Network，ST-TCN)光伏組件故障診斷模型，該方法收斂速度快，而且故障診斷準確率高。

綜合上述方法，本文提出了一種基于變分模態分解（VMD）和長短期記憶網絡（LSTM）結合的太陽能光伏組件故障檢測方法。首先分析了不同運行工況條件下的特性曲線并采集正常與故障時的電壓、電流信號，利用VMD 對所采集的信號進行自適應分解為K個IMF 分量。然后把IMF 分量輸入訓練好的LSTM 神經網絡進行故障檢測。最后，在PSCAD/EMTDC 中建立仿真模型并驗證本方法的可行性與準確性，結果表明該方法可以用于光伏組件的故障檢測，并且準確率高。

1 光伏電池建模與故障分析

太陽能光伏電池是一種利用光生伏特效應將光能轉化為電能的元件，通常由若干個光伏電池單體串聯封裝成光伏組件，并組裝成光伏陣列。本文針對光伏陣列進行建模及典型故障分析。

1.1 光伏組件的建模

光伏組件中的光伏電池物理特性可由兩個二極管電路模型進行描述。兩個二極管電路模型是由電流源、并聯二極管和串并聯電阻組成，如圖1 所示。

圖1 光伏電池雙二極管等效電路模型

本文通過在PSCAD 中進行光伏組件的模型建立，搭建了由4 個光伏陣列并聯的光伏電池，每個光伏陣列由10 個模塊串聯，然后通過250個模塊進行并聯。所搭建的光伏陣列模型如圖2所示。

圖2 光伏陣列模型

1.2 正常運行時光伏組件輸出特性

光伏陣列輸出特性既受其自身屬性影響，同時還與其所處的環境條件緊密相關。圖3 是溫度為30℃時光伏陣列模型隨輻照度變化輸出特性曲線。由圖3 可以看出，隨著輻照度的下降，光伏陣列的短路電流（Isc）呈線性下降，其開路電壓（Voc）則呈現非線性下降的態勢，其最大功率（Pmax）隨著輻照度的下降而減小，而最大功率點電壓基本保持不變。

圖3 溫度為30℃時光伏陣列模型隨輻照度變化輸出特性曲線

1.3 光伏組件故障輸出特性

光伏陣列是光伏發電場的主要設備之一，整個光伏發電系統的運行狀態與運行是否穩定都與光伏陣列的運行狀態緊密關聯。但是現如今的光伏組件的組成結構非常復雜，從而導致缺陷難以被發現，另外光伏組件長期暴露在室外環境進行運行，時間越長導致故障的幾率就會呈上升趨勢。通過對已有的光伏電站的運行情況進行分析，發現光伏陣列之中經常發生開路、污垢、陰影、著色等故障。當發生故障時，光伏發電系統的效率就會出現下降趨勢，從而使能量損失，另外當故障嚴重的時候可能會造成組件損壞，從而導致火災的嚴重安全事故。

在現如今的光伏組件故障類型中，常見的有開路、短路、退化、陰影、旁路。本文通過對這幾種故障進行仿真得出了光伏組件在每個故障中的P-V 圖和V-I 圖，如下圖所示

圖4（a）描述了在正常情況下以及開路、短路、退化、三類陰影、旁路二極管失效的情況下電壓和功率的輸出關系，可以看出隨著電壓值的增大，功率也隨之增大，當發生某一故障時，功率發生變化，然后按照故障后的電壓功率特性輸出。圖4（b）所描述的是在正常情況下以及開路、短路、退化、三類陰影、旁路二極管失效的情況下電壓和電流的輸出關系，可以看出電流值隨著電壓值的增大先保持不變到一定數值時再開始減小。當發生某一故障時，電流發生變化，然后按照故障后的電壓電流特性輸出。

圖4 溫度為30℃時光伏陣列故障電壓電流故障輸出特性

2 基于VMD-LSTM的故障檢測方法

2.1 變分模態分解

變分模態分解(VMD)是一種自適應、完全非遞歸的模態變分和信號處理的方法[10]。將原始信號分解成K個本征模態IMF 分量，保證分解序列為具有中心頻率和有限帶寬的IMF 分量。構造的約束性變分表達式為：

式中：K為模態分量個數；uk為變分模態分解到的第k個IMF 分量；ωk為第k個IMF 分量的中心頻率；δ(t)為單位脈沖函數；f為原始信號。

2.2 長短期記憶網絡

長 短 期 記 憶 網 絡（Long Short-Term Memory，LSTM）在波動性較大的時間序列數據建模方面表現更為優異。其實質是對RNN 的循環層神經元進行改造，LSTM 內部由循環連接的子網組成，內部神經元之間互相連接，傳統神經網絡只能將當前輸入數據映射到輸出，LSTM 處理數據時可以將當前時刻信息和過去全部歷史信息共同作為輸入，并在一定程度上克服了RNN 梯度消失的問題，大幅度提高了網絡的識別準確率[11]。

LSTM 中的重復模塊則包含四個交互的層，三個Sigmoid 和一個tanh 層，如圖5 所示，并以一種非常特殊的方式進行交互，這樣的設置有助于更新或忘記信息。圖5 中，σ表示Sigmoid 激活函數，其作用是將值壓縮到0～1之間；tanh 表示tanh 函數，其作用是將值壓縮到-1～1 之間。

圖5 LSTM結構圖

2.3 模型參數設置

本文采用的VMD 分解算法需預先設置分解模態數K、懲罰因子α以及收斂容差tol。當K取值過大時會出現過分解現象，故障信息分解不充分；當K取值過小時，會產生一些無用的虛假分量，結果的誤差較大。當α取值很大時，模態極值變小，可能被高斯噪聲干擾淹沒故障信息，導致被分解的信號中某些信號丟失；當α取值很小時，模態極值變大，會導致某些故障分量信號中包含著其他分量信號，結果誤差較大；收斂容差是優化的停止準則之一，即在連續兩次迭代中，當向IMF 收斂的絕對平均平方改進小于tol 時，優化停止。通過大量仿真實驗，當本文取K=6、α=3000 和tol=1e-6 時，VMD分解效果最優。具體參數設置如表1 所示。

表1 模型參數

2.4 模型訓練

將VMD 提取的初步特征輸入到LSTM 中能夠更好地挖掘時間序列數據中更深層次、更抽象的特征，能夠充分發現數據樣本之間的相互關系，大幅度提高模型的識別準確率[12]其網絡結構圖如圖6 所示。

圖6 VMD-LSTM網絡結構圖

本文采樣頻率設置為20 kHz，故障發生時刻為1 s。采樣點個數為100，由于輸入量X中各數值之間差異較大，為了提高網絡對故障區域的識別精度，采用式（3）所示的歸一化方法對輸入量X進行歸一化處理[13]。

式中，xi為故障輸入量X 中的數據點，為歸一化后故障輸入量X 中的數據點。

本文在PSCAD 平臺中進行故障仿真，生成1200 組訓練樣本，對VMD-LSTM 網絡模型進行訓練，訓練結果如圖7、圖8 所示。

圖7 訓練集損失值曲線

圖8 準確率變化曲線

由圖7、圖8 可知，準確率隨著迭代次數的增加而提高，當迭代次數達到200 次以上，準確率趨近于1，損失值接近為零。

3 仿真驗證分析

在PSCAD/EMTDC 中利用所搭建的光伏陣列輸出特性仿真模型，在輻照度為（300 W/m2、1200 W/m2）、溫度為（25 ℃,50 ℃）范圍下進行仿真。主要采集6 種運行狀態下的光伏陣列Voc、Isc值，每種運行狀態均采集200 組數據，并隨機提取其中3/4 的數據樣本作為訓練集，其余1/4 的數據樣本作為測試集，即共采集1200組數據樣本。

本文將故障電壓、電流信號作為VMDLSTM 網絡的輸入量，即X=[Voc Isc]。為實現故障類型的檢測，本文VMD-LSTM 網絡設計6個輸出結果，輸出量為Y=(y1,y2,y3,y4,y5,y6)，故障發生時，檢測結果如表2 所示。

表2 VMD-LSTM測試結果

4 結束語

本文提出了一種基于VMD-LSTM 的光伏組件故障檢測方法，主要會實現對光伏組件正常運行、開路故障、短路故障、陰影遮擋故障等6 種狀態進行檢測。建立了基于VMD-LSTM 的故障診斷模型，通過在PSCAD/EMTDC 中建立仿真模型，采集不同運行工況下光伏組件的電壓電流數據集，對所構建的模型進行訓練。然后將測試集數據輸入VMD-LSTM 模型，實現光伏組件的故障檢測。主要結論如下：

1）該方法相對于傳統方法在故障檢測準確性和魯棒性方面具有顯著的改進；

2）使用VMD 分解可以指定想要得到的模態數，有效避免模態混疊，對故障信號可以實現更好的分解，以提取更有效的故障特征。