毛乾龍 汪石農(nóng)

摘 要：提出一種基于參數(shù)優(yōu)化的光伏電池故障診斷方法.采用優(yōu)化的人工蜂群算法對(duì)影響光伏電池I-V曲線的參數(shù)進(jìn)行辨識(shí)，獲取不同故障類型光伏電池特征參數(shù)數(shù)據(jù)集，建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型對(duì)光伏電池故障類型進(jìn)行診斷.仿真結(jié)果表明，優(yōu)化的人工蜂群算法能夠?qū)夥姵靥卣鲄?shù)進(jìn)行快速、準(zhǔn)確的辨識(shí)，故障診斷結(jié)果與故障特征一致，驗(yàn)證了基于參數(shù)優(yōu)化光伏電池故障診斷方法的有效性.

關(guān)鍵詞：人工蜂群算法;參數(shù)辨識(shí);故障診斷;概率神經(jīng)網(wǎng)絡(luò)

[中圖分類號(hào)]TP23 ? [文獻(xiàn)標(biāo)志碼]A

Abstract：A fault diagnosis method for photovoltaic cells based on parameter optimization is proposed. The optimized artificial bee colony algorithm is used to identify the parameters that affect the I-V curve of photovoltaic cells， obtain the characteristic parameter data sets of different fault types of photovoltaic cells， and establish the probabilistic neural network fault diagnosis model to diagnose the fault types of photovoltaic cells. The simulation results show that the optimized artificial bee colony algorithm can identify the characteristic parameters of photovoltaic cells quickly and accurately， and the fault diagnosis results are consistent with the fault characteristics， which verifies the effectiveness of the fault diagnosis method based on parameter optimization.

Key words：artificial bee colony algorithm;parameter identification;troubleshooting;probability neural network

經(jīng)濟(jì)全球化推動(dòng)著時(shí)代的潮流往可持續(xù)方向發(fā)展，可再生資源成為各國能源發(fā)展的重點(diǎn).隨著光伏電池生產(chǎn)工藝的提高，生產(chǎn)成本的不斷降低，極大地促進(jìn)了光伏產(chǎn)業(yè)的發(fā)展.光伏電池在工程使用中會(huì)因?yàn)楦鞣N故障如短路、開路、老化以及由陰影而產(chǎn)生的熱斑效應(yīng)而發(fā)生重大工程事故，因此，有必要科學(xué)診斷光伏電池的故障，保證生產(chǎn)持續(xù)穩(wěn)定進(jìn)行.智能算法是光伏電池故障診斷的有效方法之一.智能檢測方法檢測光伏電池主要基于提取光伏電池外部特性值或內(nèi)部參數(shù)值，通過建立光伏電池故障診斷模型進(jìn)行故障診斷.光伏電池I-V特性方程是一個(gè)復(fù)雜超越非線性函數(shù)，無法通過簡單計(jì)算求解出參數(shù)值.翟載騰 Chan D S H 、王剛[1-2，5]等通過建立光伏電池單二極管模型和雙二極管模型，使用微分求導(dǎo)和列方程組的方法提取光伏電池內(nèi)部參數(shù)，利用迭代減小誤差值.該方法在數(shù)值分析上能準(zhǔn)確提取光伏電池內(nèi)部參數(shù)值.Muhsen D H， Kichou S[3-4]等通過智能算法對(duì)光伏電池模型進(jìn)行參數(shù)提取，其優(yōu)勢在于減輕人工對(duì)方程組的求解，加快參數(shù)提取速度.杜康宇、楊琳[6-8]等通過多種智能算法結(jié)彌補(bǔ)單一智能算法的缺陷. 簡獻(xiàn)忠、程澤、 Lin P[9-14，16]等通過多種算法結(jié)合提取光伏電池內(nèi)部參數(shù)，相比單一算法在光伏電池參數(shù)提取上誤差減小，收斂速度加快，但在工程應(yīng)用中光伏電池故障特征值的精度和可靠性方面要求苛刻.本文基于人工蜂群算法，根據(jù)不同蜜蜂選擇不同的路徑來修改自己的位置（避免人工蜂群算法陷入局部最優(yōu)解），再跟隨蜂搜索階段引入隨機(jī)步進(jìn)函數(shù)來增加種群多樣性.通過對(duì)光伏電池模型I-V方程的推導(dǎo)，減少人工蜂群算法對(duì)光伏電池參數(shù)辨識(shí)的數(shù)量，減少誤差和迭代次數(shù)，提高參數(shù)辨識(shí)的準(zhǔn)確度，從而為準(zhǔn)確提取故障特征值、提高光伏電池故障診斷正確率提供基礎(chǔ).

1 光伏電池智能檢測

1.1 光伏電池參數(shù)優(yōu)化

2.3 光伏電池模型故障診斷

從人工蜂群算法中辨識(shí)的52組數(shù)據(jù)作為PNN網(wǎng)絡(luò)的輸入，正常、短路、開路、老化作為輸出.其中，前40組數(shù)據(jù)作訓(xùn)練集，后12組數(shù)據(jù)作測試集.在訓(xùn)練前先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使用測試數(shù)據(jù)對(duì)PNN網(wǎng)絡(luò)進(jìn)行多次測試，計(jì)算診斷的正確率平均能達(dá)到96%，相比文獻(xiàn)[17]和[18]診斷效果都好.測試樣本預(yù)測圖及PNN訓(xùn)練結(jié)果見圖8和圖9.

3 結(jié)論

本文提出一種基于參數(shù)優(yōu)化的光伏電池故障診斷方法.采用優(yōu)化的人工蜂群算法對(duì)影響光伏電池I-V曲線的參數(shù)進(jìn)行辨識(shí)，獲取不同故障類型光伏電池特征參數(shù)數(shù)據(jù)集，建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型，對(duì)光伏電池故障類型進(jìn)行診斷.算法減少了人工蜂群算法所要辨識(shí)光伏電池的參數(shù)值，在人工蜂群算法的基礎(chǔ)上優(yōu)化了采蜜蜂和跟隨蜂的尋優(yōu)路徑，加強(qiáng)了算法的局部搜索能力，使人工蜂群算法在光伏電池參數(shù)辨識(shí)上能夠準(zhǔn)確快速辨識(shí)出光伏電池參數(shù)值，加快了光伏電池故障診斷模型的建立.通過分析不同情況下短路、開路、老化的五參數(shù)特征變化規(guī)律，提取故障特征值，建立基于概率神經(jīng)網(wǎng)絡(luò)算法的光伏電池故障診斷模型，對(duì)故障類型數(shù)據(jù)進(jìn)行分類.本文在提高光伏電池模型參數(shù)辨識(shí)的準(zhǔn)確度、收斂性和快速性方面有很大提升.優(yōu)化的數(shù)據(jù)集提高了故障診斷的正確率，有利于避免光伏電站重大事故的發(fā)生，對(duì)于光伏電站的維護(hù)有很重要的參考價(jià)值.