團隊介紹

福州大學配電網及其自動化研究中心長期致力于電力配電網監測、控制與保護新技術的研究與應用；結合人工智能技術、大數據分析技術、電力電子功率變換技術和智能優化調控技術，在電力配電網及其主設備故障診斷與抑制領域開展了基礎研究以及工程應用。主要涉及配電網單相接地故障選線及區段定位、配電網單相接地故障柔性消弧、配電變壓器故障診斷、光伏發電系統故障診斷、可再生能源發電與并網等研究方向。近年來，該團隊完成了多個國家，省和電網企業的研究項目。

研究背景

相較于傳統的發電方式，光伏發電具有安全可靠，無噪聲，無污染排放，建設周期短等特點。據統計，2020年，全球光伏新增裝機容量256GW，占全部新能源裝機容量的54.1%，總裝機容量達到760GW。

光伏系統工作在復雜的戶外環境中，同時受到熱循環、紫外線、風激振等各種環境因素的作用，會出現一定程度上的老化和各種故障，這些故障的發生會使得光伏系統的輸出功率大幅度下降，嚴重情況下甚至會引起火災事故。

論文所解決的問題及意義

當前大多數光伏系統雖然已實現了對系統運行狀態的實時監測，但還只能顯示和統計發電運行數據和停電事件，無法實現潛在故障預警。故障識別只能依靠經驗豐富的工程師對現場設備進行測試或通過數據解讀實現，有限的人力資源無法滿足規模龐大的光伏市場的需求。及時可靠的故障判別能夠避免發電損失、設備損毀和火災事故的發生，提高太陽光電運行壽命和經濟效益。

論文方法及創新點

1 輸入故障特征量選擇

圖1 標準測試條件下不同故障狀態對應的I-V曲線

通過研究光伏陣列處在不同狀態下的I-V曲線可以發現，對于不同故障類型，I-V曲線形狀有明顯差別，外特征參數（開路電壓，短路電流，最大功率點的電壓及電流）也包含于I-V曲線中，因此以I-V曲線作為輸入特征進行診斷是最簡單、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只會影響I-V曲線的幅度，不會導致曲線的形狀產生變化。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絡的輸入量，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融合模型結構

本文在回顧和總結前人工作的基礎上，結合了卷積神經網絡（convolutional neural network，CNN）與長短期記憶網絡（long short-term memory，LSTM）,構建了一個基于CNN與LSTM的融合模型。

該模型通過三個不同尺度的卷積分支挖掘各個局部數據特征之間的關系，對三個特征進行疊加后再利用LSTM單元對挖掘出的時序動態特征加以記憶并建模，使得模型更容易捕獲I-V曲線數據之間相互關聯和依賴的特性。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故障辨識。所提方法的操作流程如圖3所示。

圖3 故障診斷流程

3 實驗驗證

研究建立了一個容量為6.48kWp的光伏實驗案場用來獲取所需I-V曲線數據，實驗平臺及故障模擬如圖4所示。

圖4 光伏實驗案場

從實驗平臺獲取的樣本類型有11種，包含1種正常狀態、4種故障狀態和6種混合故障狀態。每個樣本類型被隨機劃分為訓練集、驗證集和測試集。利用訓練好的模型對測試集樣本進行故障診斷，總體準確率為96.82%。

結論

本文提出了一種融合卷積神經網絡與長短期記憶網絡的光伏系統直流側故障辨識方法。所提方法通過采集離網狀態下光伏陣列的I-V曲線，然后利用多尺度卷積網絡豐富了模型對樣本的局部特征提取，對曲線的時序動態特征加以建模，從而實現特征的記憶和分類。實驗結果表明，所提方法對實測數據的分類準確率達到了96.82%，在實際應用中能滿足光伏系統故障診斷對準確率的要求。

引用本文

涂彥昭, 高偉, 楊耿杰. 一種基于卷積神經網絡和長短期記憶網絡的光伏系統故障辨識方法[J]. 電氣技術, 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.