團(tuán)隊(duì)介紹

福州大學(xué)配電網(wǎng)及其自動(dòng)化研究中心長(zhǎng)期致力于電力配電網(wǎng)監(jiān)測(cè)、控制與保護(hù)新技術(shù)的研究與應(yīng)用；結(jié)合人工智能技術(shù)、大數(shù)據(jù)分析技術(shù)、電力電子功率變換技術(shù)和智能優(yōu)化調(diào)控技術(shù)，在電力配電網(wǎng)及其主設(shè)備故障診斷與抑制領(lǐng)域開展了基礎(chǔ)研究以及工程應(yīng)用。主要涉及配電網(wǎng)單相接地故障選線及區(qū)段定位、配電網(wǎng)單相接地故障柔性消弧、配電變壓器故障診斷、光伏發(fā)電系統(tǒng)故障診斷、可再生能源發(fā)電與并網(wǎng)等研究方向。近年來(lái)，該團(tuán)隊(duì)完成了多個(gè)國(guó)家，省和電網(wǎng)企業(yè)的研究項(xiàng)目。

研究背景

相較于傳統(tǒng)的發(fā)電方式，光伏發(fā)電具有安全可靠，無(wú)噪聲，無(wú)污染排放，建設(shè)周期短等特點(diǎn)。據(jù)統(tǒng)計(jì)，2020年，全球光伏新增裝機(jī)容量256GW，占全部新能源裝機(jī)容量的54.1%，總裝機(jī)容量達(dá)到760GW。

光伏系統(tǒng)工作在復(fù)雜的戶外環(huán)境中，同時(shí)受到熱循環(huán)、紫外線、風(fēng)激振等各種環(huán)境因素的作用，會(huì)出現(xiàn)一定程度上的老化和各種故障，這些故障的發(fā)生會(huì)使得光伏系統(tǒng)的輸出功率大幅度下降，嚴(yán)重情況下甚至?xí)鸹馂?zāi)事故。

論文所解決的問(wèn)題及意義

當(dāng)前大多數(shù)光伏系統(tǒng)雖然已實(shí)現(xiàn)了對(duì)系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，但還只能顯示和統(tǒng)計(jì)發(fā)電運(yùn)行數(shù)據(jù)和停電事件，無(wú)法實(shí)現(xiàn)潛在故障預(yù)警。故障識(shí)別只能依靠經(jīng)驗(yàn)豐富的工程師對(duì)現(xiàn)場(chǎng)設(shè)備進(jìn)行測(cè)試或通過(guò)數(shù)據(jù)解讀實(shí)現(xiàn)，有限的人力資源無(wú)法滿足規(guī)模龐大的光伏市場(chǎng)的需求。及時(shí)可靠的故障判別能夠避免發(fā)電損失、設(shè)備損毀和火災(zāi)事故的發(fā)生，提高太陽(yáng)光電運(yùn)行壽命和經(jīng)濟(jì)效益。

論文方法及創(chuàng)新點(diǎn)

1 輸入故障特征量選擇

圖1 標(biāo)準(zhǔn)測(cè)試條件下不同故障狀態(tài)對(duì)應(yīng)的I-V曲線

通過(guò)研究光伏陣列處在不同狀態(tài)下的I-V曲線可以發(fā)現(xiàn)，對(duì)于不同故障類型，I-V曲線形狀有明顯差別，外特征參數(shù)（開路電壓，短路電流，最大功率點(diǎn)的電壓及電流）也包含于I-V曲線中，因此以I-V曲線作為輸入特征進(jìn)行診斷是最簡(jiǎn)單、最直接的方法。

此外，由I-V曲線的特征方程可知，輻照度和短路電流的大小成正比，溫度和開路電壓的大小成反比。溫度和輻照度的波動(dòng)只會(huì)影響I-V曲線的幅度，不會(huì)導(dǎo)致曲線的形狀產(chǎn)生變化。為了盡可能提高算法的診斷效率，在本研究中組件的面板溫度和所受輻照度不被考慮作為故障診斷網(wǎng)絡(luò)的輸入量，研究直接使用I-V曲線作為輸入特征。

2 基于CNN-LSTM模型的故障診斷方法

圖2 CNN-LSTM融合模型結(jié)構(gòu)

本文在回顧和總結(jié)前人工作的基礎(chǔ)上，結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）與長(zhǎng)短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）,構(gòu)建了一個(gè)基于CNN與LSTM的融合模型。

該模型通過(guò)三個(gè)不同尺度的卷積分支挖掘各個(gè)局部數(shù)據(jù)特征之間的關(guān)系，對(duì)三個(gè)特征進(jìn)行疊加后再利用LSTM單元對(duì)挖掘出的時(shí)序動(dòng)態(tài)特征加以記憶并建模，使得模型更容易捕獲I-V曲線數(shù)據(jù)之間相互關(guān)聯(lián)和依賴的特性。相比于單尺度卷積的方式，模型采用多尺度卷積能以多個(gè)尺度觀察樣本，得到的特征信息相比于單尺度也更加具體。

研究建立了基于CNN-LSTM的融合模型用于光伏系統(tǒng)故障辨識(shí)。所提方法的操作流程如圖3所示。

圖3 故障診斷流程

3 實(shí)驗(yàn)驗(yàn)證

研究建立了一個(gè)容量為6.48kWp的光伏實(shí)驗(yàn)案場(chǎng)用來(lái)獲取所需I-V曲線數(shù)據(jù)，實(shí)驗(yàn)平臺(tái)及故障模擬如圖4所示。

圖4 光伏實(shí)驗(yàn)案場(chǎng)

從實(shí)驗(yàn)平臺(tái)獲取的樣本類型有11種，包含1種正常狀態(tài)、4種故障狀態(tài)和6種混合故障狀態(tài)。每個(gè)樣本類型被隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。利用訓(xùn)練好的模型對(duì)測(cè)試集樣本進(jìn)行故障診斷，總體準(zhǔn)確率為96.82%。

結(jié)論

本文提出了一種融合卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)直流側(cè)故障辨識(shí)方法。所提方法通過(guò)采集離網(wǎng)狀態(tài)下光伏陣列的I-V曲線，然后利用多尺度卷積網(wǎng)絡(luò)豐富了模型對(duì)樣本的局部特征提取，對(duì)曲線的時(shí)序動(dòng)態(tài)特征加以建模，從而實(shí)現(xiàn)特征的記憶和分類。實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)實(shí)測(cè)數(shù)據(jù)的分類準(zhǔn)確率達(dá)到了96.82%，在實(shí)際應(yīng)用中能滿足光伏系統(tǒng)故障診斷對(duì)準(zhǔn)確率的要求。

引用本文

涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)的光伏系統(tǒng)故障辨識(shí)方法[J]. 電氣技術(shù), 2022, 23(2): 48-54. TU Yanzhao, GAO Wei, YANG Gengjie. A photovoltaic system fault identification method based on convolutional neural network and long short-term memory network. Electrical Engineering, 2022, 23(2): 48-54.