基于萤火虫扰动麻雀搜索算法...的光伏阵列故障诊断方法研究_赵靖英.pdf

第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1612-11 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于萤火虫扰动麻雀搜索算法 极限学习机的光伏阵列故障诊断方法研究赵靖英1，吴晶晶1，张雪辉1，张文煜2，姚帅亮2（1省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学)，天津市 北辰区 300401；2国网冀北张家口风光储输新能源有限公司，河北省 张家口市 075000）Fault Diagnosis of Photovoltaic Arrays Based on Sparrow Search Algorithm With Firefly Perturbation-extreme Learning Machine ZHAO Jingying1,WU Jingjing1,ZHANG Xuehui1,ZHANG Wenyu2,YAO Shuailiang2(1.State Key Laboratory of Reliability and Intelligence of Electrical Equipment(Hebei University of Technology),Beichen District,Tianjin 300401,China;2.State Grid Hebei Zhangjiakou Wind Power Storage and Transmission New Energy Co.,Ltd.,Zhangjiakou 075000,Hebei Province,China)ABSTRACT1:With the characteristics of random and intermittent outputs,the faults of the serious photovoltaic arrays affects the safe operation of the system.In view of the lack of fault characteristic parameters that effectively characterize the different degrees of a partial shading or a ground fault in the rainy days,the operating characteristics of the photovoltaic arrays under different faults is analyzed,and a new 6-dimensional fault feature vector is proposed:The open circuit voltage Uoc,the maximum power point voltage Um and short circuit current Isc,the maximum power point current Im are introduced to characterize the short circuit and the open circuit faults respectively.The number of zero points of the second derivative of the U-I curve is introduced to characterize the partial shading.And the fuzzy c-means clustering algorithm optimized by the genetic simulated annealing algorithm(GSA-FCM)is used to verify the validity of the different degrees of the partial shading characterized by the Um and Im.The total harmonic distortion rate of the grid-connected current is introduced to characterize the ground fault in rainy days.The sparrow search algorithm with firefly perturbation(FSSA)is introduced to optimize the traditional extreme learning machine(ELM).An FSSA-ELM model is established to solve the problems such as complex implementation and slow convergence in the traditional fault diagnosis methods.Driven by the field data,the simulation model of a photovoltaic system with the parasitic capacitance to the ground and the experimental platform are developed.Two schemes with 基金项目：国家自然科学基金项目(51377044)；河北省自然科学基金项目(E2019202481)。Project Supported by National Natural Science Foundation of China(51377044);Natural Science Foundation of Hebei Province(E2019202481).different irradiance ranges and experimental schemes are designed to verify the method.The results show that the FSSA-ELM model,combined with the simple implementation of the ELM and the fast convergence speed of the FSSA,accurately identifies the fault types of the photovoltaic arrays by using the 6-dimensional fault feature vector.KEY WORDS:photovoltaic array;fault diagnosis;the total harmonic distortion rate of the grid-connected current;fault characteristic parameters;sparrow search algorithm with firefly perturbation-extreme learning machine;parasitic capacitance 摘要：光伏阵列具有随机性、间歇性输出特点，发生故障严重影响电力系统安全运行。针对有效表征不同程度局部阴影与雨天接地故障的故障特征量缺乏的问题，分析不同故障状态下光伏阵列运行特征，提出一种新的 6 维故障特征向量：开路电压 Uoc、最大功率点电压 Um与短路电流 Isc、最大功率点电流 Im分别表征短路与断路故障；U-I 特性曲线二阶导数零点数表征局部阴影故障，并利用遗传模拟退火算法优化的模糊 C 均值聚类算法(the fuzzy C-means clustering algorithm optimized by the genetic simulated annealing algorithm，GSA-FCM)验证 Um、Im表征不同程度局部阴影故障的有效性；并网电流总谐波畸变率表征雨天接地故障。引入萤火虫扰动的麻雀搜索算法(sparrow search algorithm with firefly perturbation，FSSA)优化传统极限学习机(extreme learning machine，ELM)，建立 FSSA-ELM 模型，解决传统故障诊断方法实现复杂、收敛速度慢的问题。基于现场数据驱动，建立考虑对地寄生电容的光伏系统仿真模型和实验平台，设计 2 种不同辐照度范围的仿真方案和实验方案进行方法验证，结果表明，FSSA-ELM 模型结合 ELM 实现简单且FSSA 收敛速度快的特点，利用 6 维故障特征向量，可准确识别光伏阵列故障类型。第 47 卷 第 4 期 电 网 技 术 1613 关键词：光伏阵列；故障诊断；并网电流总谐波畸变率；故障特征量；萤火虫扰动麻雀搜索算法极限学习机；寄生电容 DOI：10.13335/j.1000-3673.pst.2022.1165 0 引言 光伏发电作为一种重要的可再生能源利用形式，近年来发展迅速1。光伏阵列长时间运行于恶劣环境中，易发生短路、断路、局部阴影、雨天接地等故障，影响系统安全运行和光伏产业健康发展，因此光伏阵列故障诊断研究十分必要。基于对光伏阵列输出特性的分析，可提取不同故障状态下的特征量。文献2对光伏阵列短路、断路、异常老化、局部阴影等故障时光伏阵列的输出特性进行分析，选取开路电压Uoc、短路电流Isc、最大功率点电压Um、最大功率点电流Im为故障特征量。文献3基于光伏阵列输出特性，选取开路电压的变化值Uoc、短路电流的变化值Isc、最大功率点电压的变化值Um、最大功率点电流的变化值Im、最大功率点个数N、最大功率变化值Pm作为特征量，表征光伏阵列短路、断路、异常老化、局部阴影以及复合故障。光伏阵列故障诊断方法主要集中于传统诊断方法和智能分类算法。传统诊断方法有红外图像检测 法4-5、接 地 电 容 测 量 法(earth capacitance measurement，ECM)6和时 域反 射分 析法(time domain reflectometry，TDR)7-8。智能分类算法主要包括人工神经网络、模糊 C 均值聚类、随机森林等。文献9提出一种基于反向传播(back propagation，BP)神经网络的光伏组件在线故障诊断策略，实现对组件正常、短路和异常老化状态的实时诊断。文献 10 利 用 基 于 深 层 二 维 卷 积 神 经 网 络(convolutional neural network，CNN)的故障诊断方法，有效检测光伏阵列的局部阴影、短路、断路和电弧故障。文献11采用高斯核模糊C均值(gaussian kernel fuzzy c-means，GKFCM)聚类方法对光伏阵列中断路、短路、复合故障进行诊断。文献12提出一种基于级联随机森林的光伏组件在线故障诊断模型，进行光伏组件正常、异常老化、局部阴影、热斑等故障诊断。文献13提出一种基于图的半监督学习模型(graph-based semi-supervised learning，GBSSL)的光伏阵列故障诊断方法。文献14采用基于 多 类 支 持 向 量 机(multi-class support vector machine，M-SVM)的光伏组件故障在线诊断方法，对光伏阵列短路、异常老化故障进行诊断。文献15针对光伏阵列出现的组件局部阴影、短路与断路等故障，提出一种基于快速过采样主成分分析算法的光伏阵列故障诊断方法，实现故障检测与故障识别。太阳能电池存在对地寄生电容，雨天寄生电容增加，导致光伏系统产生高幅值、高频率的共模电流。针对有效表征不同程度局部阴