唐珂

（上海電力新能源發(fā)展有限公司，上海 200001）

隨著能源的消耗特別是不可再生能源的消耗不斷增加，全球范圍內(nèi)的能源危機(jī)日益突顯，尋求可再生能源的地位逐步提升，20世紀(jì)80年代，太陽能就開始商業(yè)應(yīng)用。現(xiàn)在隨著太陽能光伏發(fā)電技術(shù)不斷成熟和普及，太陽能被人們接受的程度越來越高，同時應(yīng)用的領(lǐng)域越來越廣，由輔助能源變向基礎(chǔ)能源。由于光伏系統(tǒng)一般位于人煙稀少的地方，所以一般都是在無人值守的情況下進(jìn)行工作。同時，由于光伏系統(tǒng)所占地域廣泛，要想進(jìn)行維護(hù)監(jiān)測，需要耗費(fèi)很大的精力，尤其是人工和保障的資源，因此找到能節(jié)省人力但又能同時達(dá)到檢測目的的方法尤其重要。現(xiàn)在，人工智能不斷出現(xiàn)，如圍棋、自動駕駛、電力監(jiān)測，人工智能基于人工神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)通過人工模擬動物的大腦神經(jīng)網(wǎng)絡(luò)，來對外界的信息進(jìn)行反應(yīng)并改變自己的內(nèi)部結(jié)構(gòu)，最終形成一套適應(yīng)的模型，是一種自適應(yīng)系統(tǒng)。本文提出一種基于神經(jīng)網(wǎng)絡(luò)的方法，針對太陽能光伏發(fā)電系統(tǒng)故障診斷方法，將網(wǎng)絡(luò)適當(dāng)?shù)男薷膩磉_(dá)到節(jié)省人力物力的目的。

1 并網(wǎng)光伏發(fā)電系統(tǒng)故障診斷模式及分析

一般來說，并網(wǎng)光伏發(fā)電系統(tǒng)包含有光伏陣列、變換器、控制器、逆變器、電網(wǎng)或交流負(fù)載，待選的系統(tǒng)組成部分有蓄電池。按照是否有蓄電池，并網(wǎng)系統(tǒng)可以分為兩類，其中一類為可調(diào)度的系統(tǒng)，其結(jié)構(gòu)中除了含并網(wǎng)之外還含有蓄電池來儲能，借由該系統(tǒng)中蓄電池與逆變器開關(guān)的作用，系統(tǒng)可以具有不間斷的電源。這就意味著，對于一些重要的用電負(fù)載或者某些家庭用戶，不擔(dān)心斷電的問題。除此之外，該系統(tǒng)還能夠充當(dāng)功率調(diào)節(jié)器，抵消有害的高次諧波分量，起到穩(wěn)定電網(wǎng)電壓，保護(hù)負(fù)載的作用。另外一類并網(wǎng)光伏發(fā)電系統(tǒng)為不帶蓄電池的，稱之為有逆流型并網(wǎng)系統(tǒng)，該系統(tǒng)在太陽能轉(zhuǎn)化為電能的能量多于負(fù)載所需時，就將多余電能流向電網(wǎng)，反過來，當(dāng)電能少于負(fù)載所需時，從電網(wǎng)中得到補(bǔ)充。

并網(wǎng)光伏發(fā)電系統(tǒng)有優(yōu)點(diǎn)，它的優(yōu)點(diǎn)比如并網(wǎng)光伏系統(tǒng)比較容易安裝，因?yàn)樵撓到y(tǒng)的電池系統(tǒng)是非必須的；并網(wǎng)光伏發(fā)電系統(tǒng)有著有效利用發(fā)電功率的優(yōu)點(diǎn)，因?yàn)樗氖褂弥胁簧婕皟Υ鎿p耗。并網(wǎng)發(fā)電系統(tǒng)也有缺點(diǎn)，如并網(wǎng)光伏系統(tǒng)會引起電壓調(diào)節(jié)的問題，同時它還會影響電能質(zhì)量。

對于并網(wǎng)光伏發(fā)電的監(jiān)測與維護(hù)方面，由于太陽能電池的廣闊性和分散性以及安裝地位偏遠(yuǎn)，地勢較高等緣故，使其人工進(jìn)行檢查和維護(hù)的難度大大增加，不過在以往的經(jīng)驗(yàn)中，人們總結(jié)了一些故障的模式及其故障的原因如由電氣故障引起的孤島效應(yīng)，由灰塵遮擋引起的效率降低，由陰影、積雪遮擋引起的發(fā)電功率損失，由太陽能電池板損壞或光照不好導(dǎo)致的太陽能電池輸出電壓過低，由并網(wǎng)電壓過壓或欠壓導(dǎo)致的并網(wǎng)電壓表讀數(shù)異常。針對這樣一些故障以及人工故障檢測的困難，人們提出了一些基于模糊控制理論的并網(wǎng)光伏發(fā)電系統(tǒng)的故障診斷方法，該方法主要是通過計(jì)算機(jī)模擬檢測人員的判斷，從而達(dá)到對系統(tǒng)的優(yōu)化控制作用。然而該方法的難點(diǎn)在于模糊規(guī)則，即如何確定實(shí)用的函數(shù)和規(guī)則來保證系統(tǒng)的穩(wěn)定性和準(zhǔn)確性。而這些方法，往往無法通過直接的數(shù)學(xué)計(jì)算得到。但如今人工神經(jīng)網(wǎng)絡(luò)給我們帶來了新的解決方案，結(jié)合人工神經(jīng)網(wǎng)絡(luò)的模仿生物神經(jīng)網(wǎng)絡(luò)的能力，將其應(yīng)用于光伏發(fā)電有著不可比擬的優(yōu)勢，由于它可以基于不同的故障模式修改自身使自己適應(yīng)不同的環(huán)境和問題。

2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)，簡稱神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)，在機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)領(lǐng)域，早有模擬生物的一些算法，如遺傳算法、模擬退火算法、蟻群算法等，而這些算法，往往沒有適應(yīng)的能力，也就是說，對于外部環(huán)境的改變，內(nèi)部結(jié)構(gòu)沒有變化。神經(jīng)網(wǎng)絡(luò)像人類的大腦一樣，由神經(jīng)元和突觸構(gòu)成。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢就在于，它能通過不斷的學(xué)習(xí)，不斷的反饋，修改相應(yīng)的超參數(shù)，能在外界信息的基礎(chǔ)上改變內(nèi)部連接結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具。典型的神經(jīng)網(wǎng)絡(luò)具有以下三個部分：結(jié)構(gòu)、激勵函數(shù)、學(xué)習(xí)規(guī)則。

神經(jīng)網(wǎng)絡(luò)的構(gòu)筑理念是受到生物神經(jīng)網(wǎng)絡(luò)功能的運(yùn)作啟發(fā)而產(chǎn)生的。它與生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，但又有許多不同的地方，人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的數(shù)學(xué)科學(xué)不同，傳統(tǒng)的數(shù)學(xué)科學(xué)基于邏輯推斷，而神經(jīng)網(wǎng)絡(luò)基于統(tǒng)計(jì)推斷，故神經(jīng)網(wǎng)絡(luò)更多的是統(tǒng)計(jì)數(shù)學(xué)模型，所以人工神經(jīng)網(wǎng)絡(luò)也是應(yīng)用數(shù)理統(tǒng)計(jì)學(xué)方法的一種實(shí)際應(yīng)用，通過統(tǒng)計(jì)學(xué)的方法如線性回歸、擬合等，我們首先得到大量的先驗(yàn)數(shù)據(jù)，然后基于該數(shù)據(jù)來對未知數(shù)據(jù)進(jìn)行預(yù)測，另一方面人工智能對于我們潛意識的模擬非常有效，也能模擬我們在潛意識中對外界感知。

在眾多神經(jīng)網(wǎng)絡(luò)中，以BP網(wǎng)絡(luò)的應(yīng)用最為廣泛，BP神經(jīng)網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)，包含三層：輸入層、輸出層和隱層；對BP算法而言，其是誤差反向傳播的簡稱，它通常與訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的常見方法一起來優(yōu)化網(wǎng)絡(luò)。該方法首先根據(jù)突觸權(quán)值產(chǎn)生一些輸出值，接著將輸出值與已知的良好輸出值進(jìn)行對比，計(jì)算其均方誤差，然后將其誤差反向傳播給網(wǎng)絡(luò)，使每一層網(wǎng)絡(luò)中的權(quán)值相應(yīng)的改動，權(quán)值的更改最終導(dǎo)致誤差信號的減少，最后一直重復(fù)該過程，使整體的誤差值小于閾值。因此，它通常被認(rèn)為是一種監(jiān)督式學(xué)習(xí)方法，即通過事先已經(jīng)人為標(biāo)記的樣本標(biāo)簽和樣本特征值來計(jì)算模型，通過不斷的迭代，不斷修改超參數(shù)，最終使模型的準(zhǔn)確度高于我們的閾值，就此就可以來預(yù)測新的樣本。

3 BP神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電系統(tǒng)故障診斷中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)的建立，包括訓(xùn)練樣本的選取和網(wǎng)絡(luò)的建立，對于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練來說，樣本的準(zhǔn)確性是首要的，要精確分類出樣本的特征與標(biāo)簽。另外，網(wǎng)絡(luò)的建立同樣非常重要，它決定接下來任務(wù)的有效性，對于本文研究的背景來說，我們根據(jù)前人總結(jié)的故障，可以篩選出其中故障的特征與標(biāo)簽，當(dāng)我們的故障特征和樣本總量多時，模型的準(zhǔn)確率就越高，但實(shí)樣本獲取是問題的難點(diǎn)。通常以故障模式I作為網(wǎng)絡(luò)的輸入，故障原因J作為網(wǎng)絡(luò)的輸出，然后通過網(wǎng)絡(luò)訓(xùn)練找到故障模式與故障原因之間的關(guān)系，輸入向量xi為各種故障模式，輸出向量yi對應(yīng)各種故障原因。網(wǎng)絡(luò)訓(xùn)練樣本中，樣本的標(biāo)簽可以通過二元化來表示，即0為有故障，1為沒有故障。

在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時、每層中的神經(jīng)元個數(shù)和學(xué)習(xí)率是需要考慮的三大因素。一般的神經(jīng)網(wǎng)絡(luò)都是由輸入層、隱層和輸出層組成，在本文的背景下，輸入節(jié)點(diǎn)由問題模式?jīng)Q定。輸出節(jié)點(diǎn)由問題原因標(biāo)簽決定，從上文的分析可知，輸入節(jié)點(diǎn)的個數(shù)由故障模式?jīng)Q定，而同時輸出節(jié)點(diǎn)數(shù)由故障原因向量決定，而隱層的節(jié)點(diǎn)選取與問題要求、輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)都有關(guān)系；對于第二節(jié)所述的問題類型，我們可以選取輸入層神經(jīng)元的節(jié)點(diǎn)數(shù)為5，因?yàn)樵谝延薪?jīng)驗(yàn)中知道，故障模式數(shù)有5個，同理輸出層神經(jīng)元個數(shù)為8，由故障原因決定，隱層神經(jīng)元個數(shù)根據(jù)實(shí)際情況選取為9，隱層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)為S型對數(shù)函數(shù)。

4 結(jié)語

本文提出一種基于反向傳播的神經(jīng)網(wǎng)絡(luò)算法，通過該監(jiān)督式學(xué)習(xí)方法在太陽能光伏發(fā)電技術(shù)中的應(yīng)用，突出其先進(jìn)性和實(shí)用性，隨著越來越多的和新技術(shù)應(yīng)用，并網(wǎng)發(fā)電故障的問題可以得到更好解決。