基于完全鄰域保持嵌入的光伏組件熱斑故障診斷

宋遠大,易 輝+,繆小冬,冒澤慧,李紅濤

(1.南京工業大學 電氣工程與控制科學學院,江蘇 南京 211816;2.南京航空航天大學 自動化學院,江蘇 南京 210016;3.中國電力科學研究院有限公司,江蘇 南京 210003)

0 引言

隨著環境問題的不斷加劇,傳統能源在世界能源的供應占比逐漸下降,光伏發電業務快速發展,并憑借其安全性和可靠性成為學界研究焦點[1-2]。光伏組件是光伏發電的基本組成部分,其工作環境惡劣,容易被樹葉、鳥糞等遮擋,被遮擋的電池單元變為負載并釋放熱量,經過一定時間累積,易使光伏組件形成熱斑故障[3]。

DHIMISH等[4]采用熱成像儀拍攝局部陰影遮擋下的光伏組件,同時測量其I-V曲線并進行評估,分析熱斑效應發生前后輸出功率性能的差異,然而使用該方法成本高昂;SPANOCHE等[5]建立了光伏組件模型,將光伏組件工作時的電壓、電流、溫度等參數與標準情況下的光伏組件進行對比,從而判斷光伏組件的工作狀態;KUEIHSIANG等[6]在光伏組件串的特定位置安裝電流傳感器,檢測電流值并與正常工作下的光伏組件串對比,從而定位故障,然而該方法無法精準判斷多發生的故障是否為熱斑故障;DU等[7]采用數種機器學習算法診斷支路異常情況,同時利用簡易模型提升了診斷精度。以上方法主要通過圖像處理與光伏組件建模對組件故障進行診斷。

目前,主流方法是數據驅動式[8]的光伏組件熱斑故障診斷,該方法通過挖掘光伏組件特征參數之間的內在聯系來診斷熱斑故障。例如ROUANI等[9]采集電流、電壓和功率3個特征參數,用主成分分析(Principal Component Analysis, PCA)算法識別不同類型陰影遮擋引起的熱斑故障,診斷結果良好,但樣本復雜性不足;HONGTIAN等[10]采集光伏組件的8個特征參數,用鄰域保持嵌入(Neighborhood Preserving Embedding,NPE)算法識別不同區域不同面積的陰影遮擋引起的熱斑故障,然而NPE算法經常遇到特征矩陣的奇異性問題,很難應用于高階矩陣。

綜合以上熱斑故障診斷方法出現的問題,本文實際采集15塊光伏組件在不同位置與不同面積陰影遮擋下的8個重要特征參數,采用基于完全鄰域保持嵌入(Complete Neighborhood Preserving Embedding,CNPE)算法對樣本數據進行特征提取,隨后建立評估模型,并提出一種評估函數進行光伏熱斑故障診斷。

1 背景知識

1.1 熱斑故障

光伏組件可以將太陽能轉化為電能,但因其工作環境通常比較惡劣而容易發生故障,常見的故障有短路故障[11]、開路故障[12]、接地故障[13]、失配故障[14]和熱斑故障[15],其中陰影遮擋引起的熱斑故障不可忽視。光伏組件由若干個電池單元串聯組成,每串電池單元并聯一個旁路二極管,發生熱斑故障時,熱斑所在電池串的旁路二極管兩端形成正向偏壓,使故障所在電池串停止工作,其他正常電池串繼續發電。

旁路二極管雖然可以有效緩解光伏組件的熱斑故障,但是熱斑故障造成的影響仍然存在,而且與生效的旁路二極管并聯的電池串失效,將降低光伏組件的發電效率。

光伏組件的等效電路如圖1所示,其中T為溫度,Ir為輻照度,I1,I2,In為各電池串產生的電流,Ipv為組件電流,當組件中的電池單元被陰影遮擋時,I1≈I2>In,Ipv>I1,被遮擋的電池單元成為負載,持續釋放熱量,若該處長時間未被發現,則會形成局部高溫,嚴重時將燒毀光伏組件,引發火災。

1.2 鄰域保持嵌入

NPE算法是當下應用廣泛的流形學習算法之一[16],其可以通過一組線性投影矩陣將高維流形的局部鄰域結構在歐式空間內重構至低維子流形。NPE算法步驟如下:

(1)利用K最近鄰法為每個數據點構造鄰接圖。

(2)最小化代價函數ε(W),獲得權重矩陣W:

(1)

式中:xi,xj為特征提取前的任意數據點;N為整個數據集;wij為xi和xj之間的關系矩陣并滿足

(2)

式中knn(xi)為xj的近鄰集合。

(3)計算投影矩陣。

特征提取前的數據點xi在特征提取后的低維特征空間中表示為yi,且yi=ATxi,計算降維后的代價函數式需最小化式(3)。

(3)

將yi=ATxi帶入式(3),得到

φ(Y)=ATX(I-W)T(I-W)XTA。

(4)

令M=(I-W)T(I-W),其中I為單位矩陣,最小化問題轉換為如下形式:

s.t.

AXXTA=c。

(5)

式中c為正常數。投影矩陣A的列向量最終由下列特征值問題解出:

XMXTA=λXXTA。

(6)

特征矩陣XMXT和XXT均為方陣,在數據驅動的光伏熱斑故障診斷中,特征矩陣的維度通常很高,計算廣義特征值比較困難。為解決該問題,通常采用PCA或奇異值分解(Singular Value Decomposition, SVD)[17]進行預處理。然而,這兩種方法都有明顯的缺點。首先,預處理過程可能無法保留樣本的重要特征,其次PCA的目標是保留總方差,而NPE算法的目標是保持局部鄰域結構,因此采用PCA進行預處理可能無法很好地保留數據特征。

2 基于CNPE的特征提取以及熱斑故障的評估函數

2.1 完全鄰域保持嵌入

St=X(I-W)T(I-W)XT+XXT。

(7)

對St進行特征值分解:

(8)

(9)

將目標函數作如下變換:

s.t.

(10)

(11)

(12)

CNPE算法的目標函數為:

(13)

投影矩陣A的列向量最終由下列特征值問題解出:

(14)

最終,將NPE的廣義特征值最小化計算困難的問題轉化為式(14)的最大特征值求解問題,而且CNPE的特征值計算精度高,可以有效避免高階矩陣的奇異性問題。取式(14)解的前t個最大非零特征值ξ1∶ξt,各特征值對應的特征向量為a1∶at,從而得出投影矩陣A,數據投影結果為

Y=(a1,a2,…,at)TX。

(15)

2.2 基于CNPE的特征提取

采集包含光伏組件8個重要特征參數的N個樣本為X=[x1,…,xi,…,xN]T,其中xi=[v1(i),v2(i),…,v8(i)]T,v1～v8的定義如表1所示。

表1 光伏組件的重要參數

為了提取數據集X中的非線性特征,需要確定有關時間序列的投影關系,投影前與投影后的數據如下:

(16)

根據式(15)得到投影關系

Yi,s=ATXi,s。

(17)

式中:Xi,s∈Rs×m,Yi,s∈Rs×l,A∈Rm×l,s為整數。式(17)將光伏組件的高維信息投影至低維空間,會丟失一定信息量,因此產生重構誤差,重構誤差難以避免且僅與系統不確定性有關。重構誤差矩陣Ei,s推導如下:

(18)

式(17)給出的投影在光伏組件熱斑故障診斷方面有如下優點:①削弱光伏組件中隨機不確定性造成的負面影響;②在空間角度評估重構誤差,使結果更加可靠。

2.3 熱斑故障的評估函數

定義發生熱斑故障時獲取到的光伏組件數據集為

Xf=X+F。

(19)

式中F為由熱斑故障引起的異常矩陣,F∈RN×m。式(17)同樣適用于故障數據集,故障數據集投影到低維空間為

(20)

(21)

(22)

式中tr為矩陣的跡。選取光伏組件正常工作下評估函數的最大值作為閾值,即

Jth=maxJ(i)。

(23)

當光伏組件出現熱斑故障時,式(18)改寫為

(24)

判斷光伏組件是否發生熱斑:

(25)

3 實驗

3.1 實驗平臺和實驗設備

本文實驗地點為國家電網電力科學研究院實驗驗證中心,所用光伏組件規格統一,均為兩柵多晶,邊框厚度4 mm,如圖2所示。實驗數據采集設備為AV6592便攜式太陽能測試儀,如圖3所示。

便攜式太陽能測試儀與輻照度計共測得光伏組件的8個參數,如表1所示,本文模仿實際應用中光伏組件易出現的陰影遮擋情況,將不同大小的紙板、透明膠帶和電線依次放置在同一塊光伏組件的不同位置上,共有15種陰影遮擋情況(如圖4),包括單故障和多故障,每一種情況都基于相同規格的光伏組件進行模擬。

分別用紙板遮擋模仿實際光伏組件應用中不同面積、不同位置遮擋的單故障情況和多故障情況;情況1～情況4為面積相同、位置不同的多故障狀態;情況5～情況8為不同位置的小型遮擋;情況9和情況10為用紙板遮擋模仿現實中跨電池單元的遮擋;情況11為用紙板遮擋模仿現實中不規則跨多個電池單元的遮擋;情況12和情況13為不同位置下的單故障遮擋;情況14為用透明膠帶遮擋模仿實際應用中的烏云遮擋;情況15為用電線遮擋模仿實際應用中的線性遮擋。

3.2 實驗結果

圖5所示為光伏組件正常工況下的評估函數曲線,其中橫坐標為0～100,每個點位對應一個評估函數值J。取光伏組件正常工況下的最大評估函數值作為診斷閾值,即圖中虛線。圖6和圖7所示為情況1～情況8的診斷結果,可見本文方法均準確診斷出組件處于異常狀態,且遮擋面積與評估函數值正相關。

圖8所示為3種大面積跨電池單元串的遮擋,圖9所示為兩種單故障小面積遮擋,圖10所示為兩種微小遮擋。由上述實驗得出結論,基于CNPE的特征提取和空對空投影的故障診斷方法可以準確判斷光伏組件是否發生熱斑故障,而且由評估函數值可以判斷光伏組件熱斑故障的嚴重程度,評估函數值與陰影遮擋面積正相關。

相比NPE算法,本文方法的優點在于可以檢測出細小陰影遮擋引起的熱斑。例如圖10中的情況14和情況15分別為透明膠帶遮擋與電線遮擋,采用NPE算法未診斷出熱斑故障,而采用本文方法則可診斷出故障。如圖11所示,采用NPE算法時,情況14和情況15的評估函數曲線均低于閾值,未能診斷出輕微熱斑故障,而CNPE算法的評估函數值均高于閾值,能夠成功診斷出輕微熱斑故障。

15組實驗的結果如表2所示,情況1～情況4中,情況1的遮擋面積較大,由NUM值判定為嚴重程度故障;情況2遮擋面積小于情況1,因此NUM也小于情況1,根據評價等級被判定為一般故障;情況3和情況4的遮擋位置不同,但遮擋面積相近,因此NUM值相近,根據評價等級判定為嚴重故障;情況5～情況8的遮擋位置不同,但遮擋面積相近,根據評價等級均判定為一般故障;情況9～情況11的遮擋面積大,根據評價等級判定為嚴重故障;情況14和情況15分別為透明膠帶遮擋與電線遮擋,遮擋面積小,因此根據評價等級劃分為輕微故障。

表2 嚴重程度判定

為了驗證本文所提方法的優越性,選取具有代表性的幾種特征提取算法進行對比,分別為NPE、PCA和等距特征映射(Isometric Mapping,ISOMAP)。

將上述幾種對比算法分別運行60次,記錄各算法的運行時間,并將其繪制為箱線圖,如圖12所示?？梢?采用CNPE算法進行熱斑故障診斷時,診斷時間遠低于NPE和ISOMAP,略低于PCA。取各算法箱線圖的中位數和各算法的識別率進行對比,如表3所示。

表3 算法性能對比

基于CNPE的熱斑診斷方法在運算速度和識別率上均優于采用NPE和采用PCA的熱斑故障診斷方法,而ISOMAP的算法識別率與CNPE算法相同,但耗時大于CNPE算法。

根據以上實驗結果及第2章的理論分析,得出以下結論:

(1)陰影遮擋引起的熱斑故障與本文所提評估函數值正相關,即熱斑故障越嚴重,評估函數值越高。因此,實際應用中若出現較高的評估函數值,相關人員則應立即對該光伏組件進行故障排查。

(2)在熱斑故障發生初期,本文方法已具有良好的診斷能力,后續研究可以通過觀察關鍵參數之間的相關性來提高診斷能力并估算陰影遮擋的面積。

4 結束語

光伏組件熱斑故障診斷傳統方案多基于紅外圖像實現,近期基于組件運行數據挖掘的智能診斷方法因成本低廉、維護方便,正成為一個新的方向。采用數據驅動式的方法進行光伏組件熱斑故障診斷的核心問題在于如何從運行數據中挖掘有效特征,并通過特征為運行狀態建立精準的監測模型。本文提出一種CNPE診斷方法,該方法首先采用CNPE對冗余度高的故障信息進行特征提取;其次降低數據維度并獲取主要相關特征;然后根據降維前后產生的重構誤差矩陣建立熱斑評估模型,該模型確立了熱斑故障嚴重程度的四級評價指標;最后,通過國家電網電力科學院實驗平臺完成15組熱斑診斷實驗與對比實驗,取得了良好的效果。