基于BP神经网络的光伏电站自诊断监控系统

张文瑾,葛 强 ,李 娟

(1.苏州高等职业技术学校,江苏 苏州 215009;2.扬州大学 电气与能源动力工程学院,江苏 扬州 225127)

近年来,光伏发电因具有可再生、无污染等突出优点,发展势头非常迅猛[1],伴随着国家相关扶持政策的出台,越来越多的光伏电站已投入生产运行,在电力能源供应中占据重要地位。因此,随着光伏电站监控系统需求的增多,涌现了大批光伏监控系统制造企业,光伏电站监控相关技术也日益成熟,其主要通过采集发电信息、光照资源、环境温度等信息,为光伏行业相关人员提供数据和技术支持。但目前此类系统大多停留在“监视”层面,无法进行有效的“控制”。而光伏电站通常建在光照强度高、日照时间长、自然环境恶劣的偏远地区,不便于工作人员及时进行数据采集和故障处理,因此,不仅需要系统能够监视电站的运转状态,也要对其运行状态进行必要的控制,即建立光伏电站远程故障自诊断监控系统,实现对分散、偏远的光伏电站进行集中地监控和维护,这对光伏电站的正常运行具有重要意义[2]。文中提出基于BP神经网络的光伏电站故障自诊断监控系统,采用ZigBee无线技术、BP神经网络、LabVIEW(Laboratory Virtual Instrument Engineering Workbench,LabVIEW)虚拟仪器等技术实现对数据的采集、显示、分析与处理,将采集的参数信息进行实时显示并保存,且该系统兼有故障自诊断功能,能够实现对光伏电站运行状态和故障情况的远程实时监控。

1 光伏电站远程监控系统总体设计

1.1 监控系统结构总体架构

文中设计的光伏电站故障诊断监控系统的总体架构如图1所示。其中,ZigBee的终端节点将光伏电站太阳能电池板的温度、光照强度等各类数值通过无线传送方式传送到ZigBee协调器节点,ZigBee协调器节点与LabVIEW使用RS232总线进行通讯,从而完成设备终端数据的采集上传。上位机主要实现光伏电站各类参数数据的实时曲线绘制、实时数值显示及故障诊断等功能,同时系统还具有历史数据查询功能,方便工作人员查看、分析数据。

1.2 系统的总体设计

通常情况下,光伏电站需要采集的参数较多,本系统主要采集太阳辐射的日射强度以及太阳能电池板的温度、电流、电压和功率等因素,图2为系统的总体设计。

图2 系统总体设计

本系统由3个模块组成,分别是参数采集模块、Zigbee无线网络模块和LabVIEW监测模块。其中,参数采集模块进行光伏电站各项参数的采集,包含温度传感器、光照强度传感器等;Zigbee无线网络模块将Zigbee终端节点采集的参数通过Zigbee协调器节点发送到LabVIEW监测平台;LabVIEW监测模块将串口收集的参数信息以数字或者图形的方式显示在监控界面上,方便管理人员监测以及查询历史状态信息。

2 系统硬件电路设计

系统硬件电路的控制核心采用JN5139模块,其功耗较小,适用于小型光伏电站远程监控系统。JN5139模块是一个综合传感器模块,集成了数据采集模块、温度传感器模块(SHT11)以及光照强度传感器模块(TSL2550)等;另外,系统根据JENNIC公司的软件开发协议、软件开发平台和用户API,对系统的终端节点以及上层应用协调器等设备进行软件的编译与开发,从而实现ZigBee传感器节点的软硬件设计。

2.1 系统硬件整体设计

该系统能够实现节点的建入及入网、传感器数据的采集、数据传送至上位机等功能[3],针对上述功能进行系统硬件的整体设计,如图3所示。系统的硬件主要由JN5139无线微处理器模块、数据采集模块、外围应用扩展模块和供电模块4个部分组成。其中,微处理器模块将各个节点相连接,是硬件模块的核心部件;数据采集模块采集数据信号;供电模块提供设备电源;外围扩展模块进行网络功能测试。此外,硬件采用RS232协议进行串口转换,实现协调器节点与上位机之间的接口连接。

图3 系统硬件设计

2.2 温湿度、光照采集模块

本系统选用SHT11温湿度传感器测量光伏电站环境温度和湿度,温度测量范围0～50 ℃,该传感器具有响应快、抗干扰能力强、成本低等优点[4-7];选用TSL2550光传感器检测光伏电站周围环境的太阳日射强度,其光感分辨率高,可探测较大范围内光照强度的变化。SHT11温湿度传感器、TSL2550光传感器与JN5139的连接方式如图4所示。其中,SHT11传感器与JN5139的连接口为DATA引脚与SCK引脚,TSL2550传感器与JN5139的连接口为DATA引脚与SCLK引脚,此外,连接点使用降压电阻R3和R4进行降压。当传感器使用使能功能时,则DIO的其他功能将不再有效。

图4 光照、温湿度传感器电路

2.3 ZigBee通信模块

本设计通过JN5139模块的两个独立通用异步串行接口实现与RS232之间的连接。通过ZigBee模块终端节点实现温湿度和光照强度采样数据的实时传输,传输数值将发送到ZigBee协调器节点,最终显示在上位机界面。

3 系统软件设计

系统选用LabVIEW作为软件开发工具,将LabVIEW图形化的语言与ZigBee无线网络相结合,完成光伏电站数据实时监控、存储等功能,同时在LabVIEW图形化语言的基础上设计基于BP神经网络的故障诊断算法,使得故障诊断过程更加直观并易于观察研究[8-9]。

3.1 监控系统总程序

监控系统总程序设计采用模块化的编程方式,上位机程序流程如图5所示。LabVIEW启动后先进行串口调试,调试完成后进行数据的读取,通过ZigBee传感器实现电压、电流、温度、光照强度等4个物理量的采集。若读取的数值超过阈值,则故障诊断系统将进行系统自诊断,并显示故障类别,提醒电站人员及时预警并处理。上位机程序主要完成数据读取、数据数值显示、故障诊断、数据记录存储、历史数据查询等功能。

图5 监控系统程序流程

3.2 监控系统主界面设计

监控系统的主界面显示模块主要包括实时显示、故障诊断、数据库和退出系统4个部分,采用while 循环结构。图6显示的是“故障诊断”模块程序,该模块包含数据显示、诊断结果、报警次数等LabVIEW的可视化visible工具。监控系统前面板中的程序主要通过visible工具的连接来实现监控系统的设计。

图6 主界面程序

3.3 实时数据显示面板设计

打开实时显示界面,进行串口调试。选择正确的通讯口、波特率和校验位,打开“实时采集”按钮即可进行数据采集。此时,从监控界面中实时读取电流、电压、光照强度、温度的数值,如图7所示。

3.4 BP算法程序

本系统的BP神经网络分为输入层、隐含层、输出层三层结构,设网络的故障输入模式x=(Tc,Im,Um),隐含层的故障输出y=(y1,y2,y3) ;各种故障类型的输出期望值:正常(0,0,0)、电池板裂化(1,0,0)、电池板老化短路(0,1,0)、局部阴影遮盖(0,0,1),BP神经网络基本结构如图8所示。

图8 BP神经网络基本结构

BP网络的故障输入模式函数X=(Tc,Im,Um)T,隐含层的故障输出模式函数y=(y1,y2,y3)T,以此搭建本系统神经网络输入与输出之间的映射关系。

本系统利用LabVIEW上位机软件开发了基于

BP神经网络的故障诊断系统,并利用训练样本进行多次网络算法训练。在BP网络输入层到隐含层的传递过程中,隐含层中各神经元的输出值公式bi={exp[-(∑ai·Wij-θj)r]+1}-1。其中,ai表示输入层中各神经元的输入值;Wij表示输入层到隐含层的连接权值;θj表示隐含层阈值;r表示S型函数的修正系数。在BP网络隐含层到输出层传递过程中,输出层中各神经元输出值公式ct={exp[-(∑bj·Vjt-γj)r]+1}-1。其中,bj表示隐含层中各神经元输入值;Vjt表示隐含层到输出层的连接权值;γj表示输出层的阈值;r表示S型函数的修正系数[3],BP算法的程序如图9所示。

3.5 故障诊断面板设计

LabVIEW图形化语言具有直观形象便于理解的特点,因此,选择基于该平台开发故障诊断模块。故障诊断模块是光伏电站监控系统中的重要模块,完成神经网络算法的网络训练后,在故障诊断界面搭建过程中使用LabVIEW的函数、控件和算法流程图等[10]。系统的故障诊断界面如图10所示,在

图10 故障诊断界面演示

系统监测过程中,一旦某参数值出现异常情况,神经网络系统将自动进行故障诊断,并在监控界面中显示诊断结果,方便光伏电站维护人员进行故障判断,降低电站维护的人力成本。

4 故障诊断系统测试及结果分析

为验证故障诊断系统检测的准确性,进行系统在线故障诊断相关功能的测试。完成前面板和程序框图设计后,将相对应的端口接入上位机软件面板,打开软件界面,串口会显示所连接端口,选择创建的COM端口完成串口调试。本系统对神经网络故障样本进行训练时调用了Matlab程序,在LabVIEW界面中可进行训练样本学习效率、显示精度等参数的设置。当神经样本训练好阈值与权值时,在窗口输入实际故障参数后便可在界面中得到最终的故障诊断结果[11]。

4.1 串口调试

系统与ZigBee无线网络的连接主要是通过LabVIEW上位机的VISA串口实现,该串口是一种应用于仪器编程的标准I/O应用程序接口(API)。系统的VISA串口设置顺序:首先选择连接的测试口、波特率以及校验位;设置完成后,VISA串口连接属性节点,ZigBee无线网络读取参数值后通过VISA的读操作与写操作完成数据采集过程;当系统完成数据采集后,串口将关闭,并释放资源。图11为监控系统的串口调试界面,通讯口选为COM1、波特率设为9 600 bps,在选好校验位后打开实时数据采集按钮,采集的数据通过监控界面显示,采集结束时按停止按钮。

4.2 BP网络故障诊断策略

表1为光伏电池板正常状态时的参考参数,在实验环境中,通过增加外部串联电阻阻值的方法来模拟裂化现象,通过短路电池板来模拟老化短路,用纸板遮挡模拟阴影遮盖现象,通过仿真与实验验证来证明诊断系统的可行性。

表1 光伏电池板正常状态参考参数

光伏发电系统运行时的神经网络故障诊断流程如图12所示,判断故障的方法是通过检测电池板各参数是否超过与正常值的偏差范围来确定,并对故障的具体类型做出判断后,报警通知监控中心的工作人员及时检修。

图12 神经网络故障诊断流程

4.3 BP神经网络训练测试

用LabVIEW平台完成神经网络训练界面的开发后,进行BP神经网络的训练,在进行样本选择时,手动输入或使用系统内的数据库。系统内部已经完成部分参数设置,用户根据自己的需要进行修改;样本选择完成之后,将对BP神经网络进行样本的训练,如图13所示,从训练结果可以看到样本的训练步数、误差以及训练后神经网络的权值和阈值等数据。这些数值将保存在Access数据库中,便于工作人员后期查看和分析。

图13 神经网络训练

将神经网络训练样本在Matlab环境中运行,训练次数为1 000次,训练误差0.001,训练步长为0.05,由图13可看出,神经网络经过414次训练后即可达到误差要求,具有良好的学习性能,控制精度达到0.000 9,结果精确。

利用LabVIEW软件图形化编程实现的BP神经网络算法相对于其他系统而言,需要多次样本实验才能达到要求。通过实验发现,至少需要训练5 000次左右方可将误差缩小到1%以下[12-14]。多组样本实验结果表明,用图形化方式实现的基于BP神经网络的光伏电站故障诊断监控系统,其正确率可达85%,准确率较高,能够达到监控系统故障自诊断的要求。

4.4 历史数据查询测试

本系统具有历史数据查询功能,当故障诊断结束后,管理人员进入历史记录查询模块进行故障数据查询,在进行故障记录查询时,可选择按诊断时间分类或按故障类别分类进行查询。如图14所示,选择按故障类别查询中的电池板裂化,其查询结果中则会显示出所有发生电池板裂化故障的时间。

4.5 系统测试结果分析

为验证系统的可行性与诊断结果的准确度,对光伏电站故障诊断监控系统进行运行测试。随机采样4组传感器检测的数值,用来对比验证实验输出与实际输出情况。表2为模型预测结果,数据分别表示太阳能电池板正常、电池板裂化、电池板老化短路、阴影遮盖4种故障情况。以前两行数据为例,电池板正常时各输出值为0,电池板裂化时y1输出0.968,接近1,而y2,y3输出值接近0,证明该故障诊断系统的准确率高,具有较高的可行性和实用价值。

表2 模型预测结果

实验数据表明,文中所设计的基于BP神经网络的光伏电站故障诊断监控系统能够实现光伏电站的数据采集、数据分析以及故障诊断等功能。通过LabVIEW开发的光伏电站故障诊断系统能够可视化地显示出光伏电站的故障类型和故障时间等信息,并自动进行故障诊断,可准确判断出光伏电站的各种故障类型,满足监控系统远程化、智能化的要求。

5 结束语

文中提出的基于BP神经网络的光伏电站远程监控系统是一种集综合数据采集、数据分析显示、故障诊断功能的智能应用系统,解决了现有的光伏电站监控系统仅停留在“监控”层面的问题。采用ZigBee无线技术、BP神经网络算法和LabVIEW虚拟仪器技术实现对数据的采集、显示、分析与实时控制,且具有故障自诊断功能,实现了传统光伏电站的系统智能化改造。结果表明,该系统能够有效提高光伏电站远程监控系统的使用灵活性和自诊断能力,实现了光伏电站运维无人化、智能化的要求,保障了光伏电站的长期稳定运行,在实际应用中具有较大的推广价值。