基于HHO-ELM的光伏陣列故障診斷方法研究

錢 亮，黃 偉，楊建衛

(1.上海電力大學自動化工程學院，上海 200090；2.中電華創(蘇州)電力技術研究有限公司，江蘇蘇州 215123；3.中電華創電力技術研究有限公司，上海 200086)

近年來，在“雙碳”目標的引領下，我國正在逐步建立低污染的能源生產體系，光伏發電技術因具有綠色環保、無污染排放等優點，成為實現綠色能源建設的有效途徑之一。但是大型光伏場站一般建立在戈壁、荒漠等地區，光伏組件長期暴露在惡劣環境中，容易導致多類故障發生，如短路、老化、局部陰影等故障，嚴重時可能會導致火災。因此，對光伏組件故障進行高效、快速診斷對提升光伏發電廠的安全、穩定、經濟運行具有十分重要的意義[1-3]。

目前國內外光伏陣列(PVA)的故障診斷技術可大致分為三類：傳統診斷算法[4-5]、模型診斷法[6-7]以及智能診斷算法。常見的智能診斷算法有支持向量機[8]、神經網絡[9]、極限學習機(ELM)[10]等。ELM 由于計算簡單、速度快的優點在故障診斷領域得到了廣泛的發展。文獻[11]提出一種用ELM 解決8 種單一故障的光伏陣列故障診斷方法。文獻[12]提出一種用ELM 解決6 維故障特征向量的光伏陣列故障診斷模型。

極限學習機用于故障診斷能得到較好的效果，但也存在一些問題，比如網絡訓練中可能會陷入局部最優，或出現過擬合等現象。部分學者使用的優化算法如鯨魚優化算法(WOA)、粒子群優化算法(PSO)、正余弦優化算法(SCA)在故障診斷精度上帶來了改進[13-15]，但存在不足之處，尤其是對復合故障的診斷精度較低。故本文在以上學者的工作基礎上，采用一種新型的群智能算法，即哈里斯鷹優化算法(HHO)來優化極限學習機的參數，可以有效地提高復合故障類型的識別精度。通過與PSO-ELM、SCA-ELM 以及WOA-ELM 算法診斷的效果對比，驗證了HHO-ELM 的有效性。

1 理論基礎

1.1 極限學習機

極限學習機(extreme learning machine)和傳統的單隱層神經網絡不同之處在于它只需要在ELM 訓練前設置好網絡層的隱含節點個數即可，在訓練過程中不需要調整網絡的輸入權值和隱含節點的偏置就可以求解到最優解，這使得ELM 具有較快的學習速度和較高的學習精度。其結構圖如圖1 所示。

圖1 ELM結構圖

圖1 中，H(x)是隱藏層的輸出，X=[X1,…,XD]T是輸入樣本，T=[T1,…,TM]T表示輸出節點，β=[β1,…,βL]T是隱藏層與輸出層之間的輸出權重，w和b分別表示隱藏層節點上的權值和偏差。

ELM 訓練神經網絡主要分為兩個階段：(1)隨機特征映射階段，即隱藏層的參數隨機進行初始化，然后激活函數采用一些非線性映射，將特征輸入映射到一個新的特征空間，簡單來說就是隱藏層節點上隨機產生權值和偏差；(2)線性參數求解階段，即經過了第一階段，隱藏層節點參數已經確定，由此可以根據公式確定隱藏層的輸出，在第二階段只需要求出輸出層的權值即可。

1.2 哈里斯鷹優化算法

哈里斯鷹算法具有原理簡單、全局搜索能力出色等優點，可以用于各種算法的優化問題。故可以用HHO 算法優化ELM 的權值和閾值，從而提高ELM 故障診斷的準確率和精度。哈里斯算法是一種模擬哈里斯鷹捕食行為的智能優化算法，整個算法包括探索、轉換和開發三個階段。

1.2.1 探索階段

當處于探索階段的時候，隨機棲息在某個地方的哈里斯鷹，尋找獵物通過兩種策略，迭代時以概率q進行位置更新：

式中：X(t+1)和X(t)分別為下一次迭代和當前迭代時個體的位置，t表示迭代次數；Xrand(t)表示隨機選出的哈里斯鷹個體的位置；Xrabbit(t)表示獵物位置；r1、r2、r3、r4和q是隨機數，范圍在[0,1]之間，Xm(t)表示個體平均位置，其表達式為：

式中：Xk(t)表示種群中第k個個體的位置；M表示種群規模。

1.2.2 轉換階段

由于獵物逃逸能量會在探索和不同的開發行為之間進行轉換，因此哈里斯鷹法定義其逃逸能量E為：

式中：E0是獵物的初始逃逸能量，在[－1,1]范圍內隨機取值。當－1＜|E0|＜0 時，獵物處于能量弱的階段；當0≤|E0|＜1 時，獵物處于能量恢復階段。逃逸能量E在迭代過程中呈減小的趨勢。當|E|≥1 時，哈里斯鷹在不同區域搜索獵物的位置，HHO 執行探索階段；當|E|＜1 時，HHO 算法對相鄰的解進行局部搜索，HHO 執行開發階段，此時，個體的位置變化根據E的不同進行更新。

1.2.3 開發階段

定義一個隨機數z，范圍在[0,1]之間，可以根據隨機數z來選取不同的開發策略：

當0.5＜|E|＜1 且z≥0.5 時，采取軟圍攻技術進行位置的更新：

式中：ΔX(t)=Xrabbit(t)－X(t)，表示獵物位置與個體當前位置的差值；J是[0,2]之間的隨機數，表示獵物在逃跑過程中的跳躍距離。

當|E|＜0.5 且z≥0.5 時，采取硬圍攻方法執行位置更新：

當0.5≤|E|＜1 且z＜0.5 時，采取漸近式快速俯沖的軟包圍策略進行更新。第一個更新策略為：

當一個策略無效時，執行第二個策略：

則該階段的最終的更新策略如下：

式中：f()為適應度函數；Y和Z表示當前個體適應度位置；D表示問題的維數；S表示1×D的隨機向量；LF()是萊維飛行的數學表達式。

當|E|＜0.5 且z＜0.5 時，采取漸近式快速俯沖的硬包圍策略進行位置更新：

1.3 HHO 優化ELM 網絡

HHO-ELM 優化步驟包括五步，其具體的優化流程圖如圖2 所示。

圖2 HHO-ELM故障診斷模型圖

步驟一：根據輸入特征量的結構，初始化ELM的參數，主要包括輸入、輸出神經元的個數，隱藏層的神經元個數和層數，然后根據ELM 的結構初始化HHO 種群的的規模M、最大迭代次數N、待優化參數的上界ub和下界lb等。

步驟二：分別計算個體的最優適應度值和全局最佳適應度值。

步驟三：通過迭代尋優過程，對哈里斯鷹的當前位置進行更新，同時判斷哈里斯鷹的位置約束情況是否滿足最初的設定條件。

步驟四：判斷是否滿足尋優停止的條件，若滿足，輸出優化后的值；否則回到步驟二。

步驟五：將優化后的值輸入ELM 模型當中，用訓練集樣本訓練診斷模型，并用測試集測試模型的準確性，最后輸出診斷結果。

2 光伏陣列故障仿真模型與分析

本文通過MATLAB/Simulink 仿真軟件用旁路二極管來搭建3×3 的光伏陣列，分析光伏陣列中常見的單一故障和復合故障的I-U 和P-U 特性曲線，并提取故障診斷的特征量。

2.1 典型單一故障

標況下，光伏陣列的典型單一故障有四種，分別是短路、開路、老化、局部陰影。相應的仿真模擬方法為：通過在兩個并聯的光伏電池支路上串聯一個無限大電阻來模擬開路故障；通過在其中一個光伏電池兩端并聯一個無窮小接近于0 的電阻來模擬短路故障；通過在兩個并聯的光伏電池支路上串聯一個3 Ω 電阻來模擬老化故障；通過改變組件的光照強度來模擬局部陰影故障。幾種故障狀態的輸出特性曲線如圖3 所示。光伏陣列發生不同的單一故障時，開路電壓Uoc、短路電流Isc、最大功率點電壓Um以及最大功率點電流Im會發生較為明顯的變化，故選取Uoc、Im、Um以及Isc作為故障診斷的特征量。

圖3 單一故障的輸出特性曲線

2.2 復合故障

實際現場運行時，光伏陣列在運行過程中可能會發生不止一種類型的故障，如老化陰影、短路陰影、開路陰影、開路老化和短路老化等兩種復合型故障同時發生，本文只考慮老化陰影、短路陰影以及開路陰影三種復合故障，記為復合故障1、復合故障2以及復合故障3，三種復合故障的輸出特性曲線如圖4 所示，光伏陣列發生復合故障時，選取Uoc、Im、Um以及Isc作為故障診斷的特征量。

圖4 復合故障下的輸出特性曲線

綜上，選取光伏陣列輸出特性曲線的參數Uoc、Im、Um、Isc以及最大功率Pm作為光伏陣列故障診斷的輸入變量。

3 實驗結果仿真分析

3.1 數據的采集與處理

本文一共選取8 種工作狀態作為實驗的研究對象，實驗采用MATLAB/Simulink 仿真軟件搭建3×3的光伏陣列模型，分別設置不同的條件和參數來模擬8 種故障狀態，一共采樣收集2 400 組故障數據，按8∶2 的比例選取1920 組數據來訓練模型，剩下的數據作為測試集來輸出診斷結果。由于光伏陣列每個參數值的單位存在差異，不同數據之間的數量級可能相差比較大，直接輸入原始數據會影響建立好的診斷模型的診斷性能和收斂性。因此需要對采集到的數據進行歸一化處理，歸一化的表達式如式(12)所示：

式中：X為實驗的原始數據表示每一個數據的均值；Xσ表示數據的標準差；X*表示歸一化后的數據。

3.2 確定模型的輸入輸出節點

為確定診斷模型的輸入輸出節點，以8 種故障狀態作為輸出，對不同的故障類型進行編碼設置，如表1 所示。

表1 輸出編碼及運行狀態

模型參數的設置：輸入和輸出神經元個數分別設置為5 和8；隱含層個數設置為100；哈里斯鷹種群數設為10；最大迭代次數設為50。

3.3 實驗仿真結果分析

將1 920 組訓練數據輸入到模型中訓練，剩余480 組數據用于預測模型的準確性，未經過優化的ELM 模型診斷結果如圖5 所示，縱坐標1～8 分別表示開路、短路、局部陰影1、局部陰影2、老化、復合故障1、復合故障2、復合故障3。結果顯示該方法所得的分類準確率為73.75%，分類效果較差。其中，有7 組短路樣本被診斷為局部陰影1；15 組局部陰影2 樣本分別被診斷為開路、老化、復合故障1 以及復合故障3；5 組老化樣本被診斷為短路故障；40 組復合故障1樣本分別被診斷為開路、局部陰影2 以及復合故障3故障；16 組復合故障2 樣本被診斷為開路、短路以及復合故障1；43 組復合故障3 樣本被診斷為局部陰影2、老化以及復合故障1。由此可見，未經過優化的ELM 診斷模型對不同故障的分類效果存在不足之處，需要進行優化。

圖5 ELM算法診斷結果

經過HHO 算法優化后的ELM 模型診斷結果如圖6 所示，其結果顯示優化后所得的分類準確率為97.5%。相比未優化的ELM 模型預測的準確率提高了23.75%，優化后效果明顯提升。其中只有6 組復合故障1 樣本被診斷為開路故障；4 組復合故障2 樣本被診斷為短路故障；2 組復合故障3 樣本被診斷為復合故障1。這驗證了HHO-ELM 模型的可行性和有效性。

圖6 HHO-ELM算法診斷結果

為了展現HHO-ELM 算法的優勢，下面與PSOELM、SCA-ELM、WOA-ELM 三種算法進行對比分析。

PSO-ELM 算法的實驗結果如圖7 所示，該方法所得的分類準確率為86.875%，雖然較未優化之前的準確率提高了13.125%，但是其分類效果不如HHOELM 算法。從圖7 中可以看出，該算法對復合故障1和復合故障3 的診斷精度比較低。

圖7 PSO-ELM算法診斷結果圖

SCA-ELM 算法的實驗結果如圖8 所示，該方法所得的分類準確率為84.375%。從圖8 中可以看出，該算法不僅對三種復合故障的診斷效果差，而且對兩個組件的局部陰影分類效果也較差，有兩個被診斷為局部陰影1 故障，四個被診斷為復合故障。其整體的診斷效果不如PSO-ELM 算法。

圖8 SCA-ELM算法診斷結果圖

WOA-ELM 算法的實驗結果如圖9 所示，該方法所得的分類準確率為91.875%。由圖9 可知，該算法對三種復合故障的診斷效果比PSO-ELM 和SCAELM 好，但是不如HHO-ELM 算法的診斷效果好。

圖9 WOA-ELM算法診斷結果圖

五種算法模型的故障診斷準確率和精度對比如表2 所示。

表2 五種算法模型的診斷正確率 %

從表2 可看出，ELM 算法整體的分類效果較低，每種故障的誤診個數也較多，尤其是對局部陰影2、復合故障1 以及復合故障3 的診斷效果最差。PSO-ELM、WOA-ELM 和SCA-ELM 算法對于三種復合故障的診斷效果不太好，從而導致整體診斷的準確率不高。其中SCA-ELM 對三種復合故障的診斷效果最差，WOA-ELM 最好。HHO-ELM 算法整體的診斷效果最好，并且每一種故障診斷的分類效果也最好。

綜上，HHO-ELM 算法對光伏陣列多類型復合故障的診斷效果最好，驗證了所提模型的可行性和有效性。

4 結論

本文提出一種基于哈里斯鷹算法優化極限學習機的光伏陣列多類型復合故障診斷方法。通過仿真軟件模擬不同的故障類型并采集數據，建立了HHOELM 診斷模型，通過實驗驗證了診斷模型的可行性并得出以下結論：

(1)模擬了包含單一故障和復合故障在內的多種故障類型，提取了對應的特征向量，并通過實驗證明所提出模型能夠較好地識別光伏陣列的復合故障類型；

(2)實驗驗證了HHO-ELM 模型可以高效準確地識別出光伏陣列不同的故障類型，診斷精度達到97.5%，相較于未優化的ELM(73.75%)以及WOAELM(91.875%)、SCA-ELM(84.375%)、PSO-ELM(86.875%)具有更高的精度。