一種基于神經(jīng)網(wǎng)絡(luò)的分布式光伏系統(tǒng)故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及光伏發(fā)電領(lǐng)域，特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)的分布式光伏系統(tǒng)故障 診斷方法。
【背景技術(shù)】
[0002] 近年來，隨著光伏系統(tǒng)裝機(jī)容量的不斷上漲，在光伏電站運(yùn)營過程中，各種問題及 風(fēng)險(xiǎn)不斷突顯，不僅造成經(jīng)濟(jì)損失，嚴(yán)重時(shí)還將危及人身安全。光伏發(fā)電系統(tǒng)組成設(shè)備眾 多，主要包括光伏陣列、直流匯流箱、光伏并網(wǎng)逆變器、交流配電柜以及升壓變壓器等電氣 設(shè)備。這些設(shè)備在長期的運(yùn)營中，也出現(xiàn)模型老化，性能衰減，壽命周期縮短等現(xiàn)象，導(dǎo)致系 統(tǒng)的發(fā)電效率降低，失去實(shí)用價(jià)值。因此采用合理的算法和策略，對(duì)光伏系統(tǒng)的工作狀態(tài)進(jìn) 行實(shí)時(shí)故障診斷和定期的性能評(píng)估對(duì)保障系統(tǒng)達(dá)到最大的能量收益和得到可靠的發(fā)電功 率具有重要意義。
[0003] 神經(jīng)網(wǎng)絡(luò)作為智能控制領(lǐng)域的一個(gè)新的分支，在各個(gè)領(lǐng)域的運(yùn)用都取得了很大 的進(jìn)展。由于神經(jīng)網(wǎng)絡(luò)可以任意逼近非線性函數(shù)，故它可以為非線性系統(tǒng)的辨識(shí)提供一種 通用模式，并且它是非算法式的，神經(jīng)網(wǎng)絡(luò)本身就是辨識(shí)模型，其可調(diào)參數(shù)反映在網(wǎng)絡(luò)內(nèi)部 的連接權(quán)上。它不需要建立以實(shí)際系統(tǒng)數(shù)學(xué)模型為基礎(chǔ)的辨識(shí)格式，可以省去在辨識(shí)前對(duì) 系統(tǒng)建模的步驟。而RBF網(wǎng)絡(luò)是一種較典型的神經(jīng)網(wǎng)絡(luò)，是從多變量函數(shù)插值發(fā)展而來的， 吸引了很多學(xué)者的研究興趣，它是一種具有局部逼近性能和最佳逼近的性能的前饋神經(jīng)網(wǎng) 絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)擁有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，光伏系統(tǒng)的輸出特性是 一個(gè)非線性、隨機(jī)的過程，使用RBF網(wǎng)絡(luò)進(jìn)行光伏系統(tǒng)故障的診斷，具有廣闊的發(fā)展前景。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)上存在的不足，本發(fā)明的目的是基于增加的光伏系統(tǒng)故障診斷的可 靠性，公開一種基于神經(jīng)網(wǎng)絡(luò)的分布式光伏系統(tǒng)故障診斷方法。
[0005] 為了實(shí)現(xiàn)上述目的，本發(fā)明是通過如下的技術(shù)方案來實(shí)現(xiàn)：
[0006] -種基于神經(jīng)網(wǎng)絡(luò)的分布式光伏系統(tǒng)故障診斷方法，該方法基于RBF神經(jīng)網(wǎng)絡(luò)， 對(duì)光伏陣列故障進(jìn)行診斷。以光伏陣列的輻照度、溫度參數(shù)組成系統(tǒng)輸入信號(hào)xin，以電流、 電壓、功率、逆變器的功率、電能質(zhì)量為參數(shù)組成系統(tǒng)的輸出信號(hào)為yciut，訓(xùn)練輸入樣本由Xin 和yciut組成，訓(xùn)練輸出樣本為y。光伏發(fā)電系統(tǒng)模型為實(shí)際的光伏電站和仿真模型，對(duì)于要 得到正常的數(shù)據(jù)時(shí)為仿真模型，用其獲得與光伏系統(tǒng)實(shí)際輸出相對(duì)應(yīng)的參考數(shù)據(jù)；對(duì)于獲 得待測數(shù)據(jù)時(shí)為實(shí)際的光伏電站，待測數(shù)據(jù)由數(shù)據(jù)采集系統(tǒng)采集電站的參數(shù)而得到。步驟 如下：
[0007] (1)、以由仿真模型得到的正常條件下的樣本為輸入，訓(xùn)練RBF網(wǎng)絡(luò)，得到其相應(yīng) 的結(jié)構(gòu)參數(shù)。
[0008] (2)、然后以數(shù)據(jù)采集系統(tǒng)采集到的光伏電站的實(shí)際參數(shù)為待測樣本，并作為已訓(xùn) 練好的RBF神經(jīng)網(wǎng)絡(luò)的輸入，得到RBF神經(jīng)網(wǎng)絡(luò)的估計(jì)輸出，進(jìn)一步計(jì)算出估計(jì)輸出和系統(tǒng) 實(shí)際輸出信號(hào)之間的殘差。
[0009] (3)、若殘差超過故障限，則說明系統(tǒng)處于故障狀態(tài)；反之，說明系統(tǒng)工作正常。
[0010] 上述的RBF神經(jīng)網(wǎng)絡(luò)：RBF神經(jīng)網(wǎng)絡(luò)屬于三層前饋網(wǎng)絡(luò)，包括輸入層、輸出層、隱含 層，以xji= 1，2, 3,…，n)為輸入矢量，n為輸入層節(jié)點(diǎn)數(shù)，fi(i= 1，2, 3,…，m)為隱含層 的函數(shù)，《 ,(i= 1，2, 3,…，m)為隱含層到輸出層的權(quán)值，m為隱含層的節(jié)點(diǎn)數(shù)，yni為網(wǎng)絡(luò) 的輸出，即：
[0011]
⑴
[0012] 輸入層和隱含層間由高斯函數(shù)構(gòu)成，而輸出層與隱含層則由線性函數(shù)構(gòu)成。隱含 層節(jié)點(diǎn)的作用函數(shù)（基函數(shù)）對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，即當(dāng)輸入信號(hào)靠近基函數(shù)的 中心范圍時(shí)，隱含層節(jié)點(diǎn)將產(chǎn)生較大的輸出。本發(fā)明采用的高斯基函數(shù)為：
[0013]
(2)
[0014] 其中，f(x)為隱含層節(jié)點(diǎn)的作用函數(shù)（基函數(shù)），x為n維輸入矢量；C]為第j基 函數(shù)的中心，與x具有相同維數(shù)的矢量；帶寬參數(shù)〇 ,決定了第j個(gè)基函數(shù)圍繞中心點(diǎn)的寬 度；k是感知單元的個(gè)數(shù)。由最小二乘法得到。
[0015] 上述的Cj由最小二乘法得到：最小二乘法法的基本思想是：將徑向基函數(shù)的中心 選作訓(xùn)練模式的子集，一次選擇一個(gè)樣本，通過正交化回歸矩陣P的各分量& (P的j列），選 擇帶來誤差壓縮比大的回歸算子，并通過選定的容差確定回歸算子數(shù)，進(jìn)而求出網(wǎng)絡(luò)權(quán)值。 最小二乘法將RBF神經(jīng)網(wǎng)絡(luò)看作是一個(gè)線性回歸模型：
[0016]
(:萏).
[0017] 其中，d(t)是期望輸出，是權(quán)值，p,(t)是回歸子，是x(t)的固定函數(shù)，e⑴ 表示誤差。
[0018] p.j(t) =p.j(x(t))，這里假設(shè)e⑴與p.j(t)不相關(guān)。
[0019] 將公式⑶寫成矩陣形式，即：
[0020] d=P0+EU)
[0021] #為公式（4)中的最小二乘解，^是d在基矢量空間上的投影，E為m維列向量， 即E=[e(1)e⑵…e(m)]T。對(duì)P進(jìn)行三角分解為：
[0022] P=ffA (5)
[0023] 其中，A為MXM的上三角矩陣，且對(duì)角線上的元素為1，W為NXM的正交矩陣，其 列向量Wl正交：
[0024] ffTff=H(6)
[0025] H為對(duì)角元比的對(duì)角矩陣，h丨為：
[0026] h,=W)W,, 2<1<m(?)
[0027] W的列正交向量。
[0028] 令^ =g，貝1J公式（4)可寫成：
[0029]d=ffg+E(8)
[0030] 公式（7)的最小二乘解為：
[0031] g= // 'W'd (9)
[0032] 其中g(shù)和j滿足：
[0033] (10)
[0034] 用經(jīng)典的Gram-Schmidt正交分解法可推導(dǎo)出上式，進(jìn)一步從公式（10)式中可解 出最小二乘解i。由于在RBF神經(jīng)網(wǎng)絡(luò)中，輸入數(shù)據(jù)點(diǎn)x(t)的數(shù)目通常較大，中心的選擇可 以看作從數(shù)據(jù)集中選擇一個(gè)子集，即從所有候選回歸子中選擇適當(dāng)?shù)慕Ｋ枰娜舾苫?歸子，這可由最小二乘法來完成。因?yàn)閃的正交性，由公式（7)的d(t)的平方和為：
[0035]
U1)
[0036] 則d(t)的方差為：
[0037]
[0038] (12)
[0039] 這里，iT1盜2增是引入Wl后的期望輸出方差的增量，因此的誤差wi減小率可定 義為：
[0040]
1 <I<i\! (13)
[0041] 對(duì)于可選擇的若干個(gè)回歸算子，每個(gè)回歸算子對(duì)應(yīng)一個(gè)誤差壓縮比，從誤差壓縮 比總選出最大的一個(gè)，這個(gè)誤差壓縮比對(duì)應(yīng)的回歸算子就是最終選擇的回歸算子。
[0042] 上述的帶寬參數(shù)〇 1: 〇i決定了RBF單元接受域的大小，對(duì)網(wǎng)絡(luò)的精度有極大的 影響。〇 ,的選擇必須遵循的原則是所有的RBF單元的接受域之和覆蓋整個(gè)訓(xùn)練樣本空間。 通常應(yīng)用最小二乘法后，可令每個(gè)類中心C]等于類中心與該類訓(xùn)練樣本之間的平均距離， 即：
[0043]
(14)
[0044] 其中Nj為第j個(gè)樣本的個(gè)數(shù)，t為轉(zhuǎn)置；
[0045] 權(quán)值的調(diào)整采用梯度下降法，其迭代公式為：
[0046] ? (t+1) =co(t) +n(u-y)fT (x) (15)
[0047] 其中，n為學(xué)習(xí)速率，u為網(wǎng)絡(luò)的期望輸出，y為網(wǎng)絡(luò)的輸出，f(x)為隱層輸出，T 為轉(zhuǎn)置。
[0048] 上述的殘差：定義與正常狀態(tài)下的距離MD為：
[0049]
〇6)
[0050] 其中，k為數(shù)據(jù)的維數(shù)，R為與y和yciut的方差-協(xié)方差、相關(guān)系數(shù)相關(guān)的矩陣，T 為轉(zhuǎn)置。
[0051] 需對(duì)計(jì)算的距離進(jìn)行歸一化處理，從而得到殘差a。本發(fā)明采用的殘差歸一化函 數(shù)形式如下：
[0052]
(17)
[0053] 其中，c?；谡?shù)據(jù)對(duì)應(yīng)的a設(shè)定值來確定，如下所示：
[0054]
(18)
[0055] 這里，Mean(MDn_al)為正常狀態(tài)下的MD的平均值，a是正常狀態(tài)下對(duì)應(yīng)的a設(shè) 定值。
[0056] 當(dāng)a〈設(shè)定的故障限時(shí)，系統(tǒng)正常；當(dāng)a>設(shè)定的故障限時(shí)，系統(tǒng)出現(xiàn)故障，需及時(shí) 進(jìn)行維修。
[0057] 本發(fā)明的實(shí)施過程簡明易實(shí)現(xiàn)，能及時(shí)地進(jìn)行光伏系統(tǒng)故障的診斷，有助于光伏 系統(tǒng)的運(yùn)營維護(hù)。
【附圖說明】
[0058] 下面結(jié)合附圖和【具體實(shí)施方式】來詳細(xì)說明本發(fā)明；
[0059] 圖1是基于RBF神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)故障診斷框圖。
【具體實(shí)施方式】
[0060] 為使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合
【具體實(shí)施方式】，進(jìn)一步闡述本發(fā)明。
[0061] 如圖1所示，一種基于神經(jīng)網(wǎng)絡(luò)的分布式光伏系統(tǒng)故障診斷方法，該方法基于RBF 神經(jīng)網(wǎng)絡(luò)，對(duì)光伏陣列故障進(jìn)行診斷。以光伏陣列的輻照度、溫度參數(shù)組成系統(tǒng)輸入信號(hào) xin，以電流、電壓、功率、逆變器的功率、電能質(zhì)量為參數(shù)組成系統(tǒng)的輸出信號(hào)為 yciut，訓(xùn)練輸 入樣本由y_組成，訓(xùn)練輸出樣本為y。光伏發(fā)電系統(tǒng)模型為實(shí)際的光伏電站和仿真 模型，對(duì)于要得到正常的數(shù)據(jù)時(shí)為仿真模型，用其獲得與光伏系統(tǒng)實(shí)際輸出相對(duì)應(yīng)的參考 數(shù)據(jù)；對(duì)于獲得待測數(shù)據(jù)時(shí)為實(shí)際的光伏電站，待測數(shù)據(jù)由數(shù)據(jù)采集系統(tǒng)采集電站的參數(shù) 而得到。
[0062] (1)、以由仿真模型得到的正常條件下的樣本為輸入，訓(xùn)練RBF網(wǎng)絡(luò)，得到其相應(yīng) 的結(jié)構(gòu)參數(shù)。
[0063] (2)、然后以數(shù)據(jù)采集系統(tǒng)采集到的光伏電站的實(shí)際參數(shù)為待測樣本，并作為已訓(xùn) 練好的RBF神經(jīng)網(wǎng)絡(luò)的輸入，得到RBF神經(jīng)網(wǎng)絡(luò)的估計(jì)輸出，進(jìn)一步計(jì)算出估計(jì)輸出和系統(tǒng) 實(shí)際輸出信號(hào)之間的殘差。
[0064](3)、若殘差超過故障限，則說明系統(tǒng)處于故障狀態(tài)；反之，說明系統(tǒng)工作正常。
[0065] 上述的RBF神經(jīng)網(wǎng)絡(luò)：RBF神經(jīng)網(wǎng)絡(luò)屬于三層前饋網(wǎng)絡(luò)，包括輸入層、輸出層、隱含 層，以xji= 1，2, 3,…，n)為輸入矢量，n為輸入層節(jié)點(diǎn)數(shù)，fi(i= 1，2, 3,…，m)為隱含層 的函數(shù),(i= 1，2, 3,…，m)為隱含層到輸出層的權(quán)值，m為隱含層的節(jié)點(diǎn)數(shù)，yni為網(wǎng)絡(luò) 的輸出，即：
[0066]
⑴
[0067] 輸入層和隱含層間由高斯函數(shù)構(gòu)成，而輸出層與隱含層則由線性函數(shù)構(gòu)成。隱含 層節(jié)點(diǎn)的作用函數(shù)（基函數(shù)）對(duì)輸入信號(hào)將在局部產(chǎn)生響應(yīng)，即當(dāng)輸入信號(hào)靠近基函數(shù)的 中心范圍時(shí)，隱含層節(jié)點(diǎn)