基于HHO-ELM的光伏阵列故障诊断方法研究

钱 亮，黄 伟，杨建卫

(1.上海电力大学自动化工程学院，上海 200090；2.中电华创(苏州)电力技术研究有限公司，江苏苏州 215123；3.中电华创电力技术研究有限公司，上海 200086)

近年来，在“双碳”目标的引领下，我国正在逐步建立低污染的能源生产体系，光伏发电技术因具有绿色环保、无污染排放等优点，成为实现绿色能源建设的有效途径之一。但是大型光伏场站一般建立在戈壁、荒漠等地区，光伏组件长期暴露在恶劣环境中，容易导致多类故障发生，如短路、老化、局部阴影等故障，严重时可能会导致火灾。因此，对光伏组件故障进行高效、快速诊断对提升光伏发电厂的安全、稳定、经济运行具有十分重要的意义[1-3]。

目前国内外光伏阵列(PVA)的故障诊断技术可大致分为三类：传统诊断算法[4-5]、模型诊断法[6-7]以及智能诊断算法。常见的智能诊断算法有支持向量机[8]、神经网络[9]、极限学习机(ELM)[10]等。ELM 由于计算简单、速度快的优点在故障诊断领域得到了广泛的发展。文献[11]提出一种用ELM 解决8 种单一故障的光伏阵列故障诊断方法。文献[12]提出一种用ELM 解决6 维故障特征向量的光伏阵列故障诊断模型。

极限学习机用于故障诊断能得到较好的效果，但也存在一些问题，比如网络训练中可能会陷入局部最优，或出现过拟合等现象。部分学者使用的优化算法如鲸鱼优化算法(WOA)、粒子群优化算法(PSO)、正余弦优化算法(SCA)在故障诊断精度上带来了改进[13-15]，但存在不足之处，尤其是对复合故障的诊断精度较低。故本文在以上学者的工作基础上，采用一种新型的群智能算法，即哈里斯鹰优化算法(HHO)来优化极限学习机的参数，可以有效地提高复合故障类型的识别精度。通过与PSO-ELM、SCA-ELM 以及WOA-ELM 算法诊断的效果对比，验证了HHO-ELM 的有效性。

1 理论基础

1.1 极限学习机

极限学习机(extreme learning machine)和传统的单隐层神经网络不同之处在于它只需要在ELM 训练前设置好网络层的隐含节点个数即可，在训练过程中不需要调整网络的输入权值和隐含节点的偏置就可以求解到最优解，这使得ELM 具有较快的学习速度和较高的学习精度。其结构图如图1 所示。

图1 ELM结构图

图1 中，H(x)是隐藏层的输出，X=[X1,…,XD]T是输入样本，T=[T1,…,TM]T表示输出节点，β=[β1,…,βL]T是隐藏层与输出层之间的输出权重，w和b分别表示隐藏层节点上的权值和偏差。

ELM 训练神经网络主要分为两个阶段：(1)随机特征映射阶段，即隐藏层的参数随机进行初始化，然后激活函数采用一些非线性映射，将特征输入映射到一个新的特征空间，简单来说就是隐藏层节点上随机产生权值和偏差；(2)线性参数求解阶段，即经过了第一阶段，隐藏层节点参数已经确定，由此可以根据公式确定隐藏层的输出，在第二阶段只需要求出输出层的权值即可。

1.2 哈里斯鹰优化算法

哈里斯鹰算法具有原理简单、全局搜索能力出色等优点，可以用于各种算法的优化问题。故可以用HHO 算法优化ELM 的权值和阈值，从而提高ELM 故障诊断的准确率和精度。哈里斯算法是一种模拟哈里斯鹰捕食行为的智能优化算法，整个算法包括探索、转换和开发三个阶段。

1.2.1 探索阶段

当处于探索阶段的时候，随机栖息在某个地方的哈里斯鹰，寻找猎物通过两种策略，迭代时以概率q进行位置更新：

式中：X(t+1)和X(t)分别为下一次迭代和当前迭代时个体的位置，t表示迭代次数；Xrand(t)表示随机选出的哈里斯鹰个体的位置；Xrabbit(t)表示猎物位置；r1、r2、r3、r4和q是随机数，范围在[0,1]之间，Xm(t)表示个体平均位置，其表达式为：

式中：Xk(t)表示种群中第k个个体的位置；M表示种群规模。

1.2.2 转换阶段

由于猎物逃逸能量会在探索和不同的开发行为之间进行转换，因此哈里斯鹰法定义其逃逸能量E为：

式中：E0是猎物的初始逃逸能量，在[－1,1]范围内随机取值。当－1＜|E0|＜0 时，猎物处于能量弱的阶段；当0≤|E0|＜1 时，猎物处于能量恢复阶段。逃逸能量E在迭代过程中呈减小的趋势。当|E|≥1 时，哈里斯鹰在不同区域搜索猎物的位置，HHO 执行探索阶段；当|E|＜1 时，HHO 算法对相邻的解进行局部搜索，HHO 执行开发阶段，此时，个体的位置变化根据E的不同进行更新。

1.2.3 开发阶段

定义一个随机数z，范围在[0,1]之间，可以根据随机数z来选取不同的开发策略：

当0.5＜|E|＜1 且z≥0.5 时，采取软围攻技术进行位置的更新：

式中：ΔX(t)=Xrabbit(t)－X(t)，表示猎物位置与个体当前位置的差值；J是[0,2]之间的随机数，表示猎物在逃跑过程中的跳跃距离。

当|E|＜0.5 且z≥0.5 时，采取硬围攻方法执行位置更新：

当0.5≤|E|＜1 且z＜0.5 时，采取渐近式快速俯冲的软包围策略进行更新。第一个更新策略为：

当一个策略无效时，执行第二个策略：

则该阶段的最终的更新策略如下：

式中：f()为适应度函数；Y和Z表示当前个体适应度位置；D表示问题的维数；S表示1×D的随机向量；LF()是莱维飞行的数学表达式。

当|E|＜0.5 且z＜0.5 时，采取渐近式快速俯冲的硬包围策略进行位置更新：

1.3 HHO 优化ELM 网络

HHO-ELM 优化步骤包括五步，其具体的优化流程图如图2 所示。

图2 HHO-ELM故障诊断模型图

步骤一：根据输入特征量的结构，初始化ELM的参数，主要包括输入、输出神经元的个数，隐藏层的神经元个数和层数，然后根据ELM 的结构初始化HHO 种群的的规模M、最大迭代次数N、待优化参数的上界ub和下界lb等。

步骤二：分别计算个体的最优适应度值和全局最佳适应度值。

步骤三：通过迭代寻优过程，对哈里斯鹰的当前位置进行更新，同时判断哈里斯鹰的位置约束情况是否满足最初的设定条件。

步骤四：判断是否满足寻优停止的条件，若满足，输出优化后的值；否则回到步骤二。

步骤五：将优化后的值输入ELM 模型当中，用训练集样本训练诊断模型，并用测试集测试模型的准确性，最后输出诊断结果。

2 光伏阵列故障仿真模型与分析

本文通过MATLAB/Simulink 仿真软件用旁路二极管来搭建3×3 的光伏阵列，分析光伏阵列中常见的单一故障和复合故障的I-U 和P-U 特性曲线，并提取故障诊断的特征量。

2.1 典型单一故障

标况下，光伏阵列的典型单一故障有四种，分别是短路、开路、老化、局部阴影。相应的仿真模拟方法为：通过在两个并联的光伏电池支路上串联一个无限大电阻来模拟开路故障；通过在其中一个光伏电池两端并联一个无穷小接近于0 的电阻来模拟短路故障；通过在两个并联的光伏电池支路上串联一个3 Ω 电阻来模拟老化故障；通过改变组件的光照强度来模拟局部阴影故障。几种故障状态的输出特性曲线如图3 所示。光伏阵列发生不同的单一故障时，开路电压Uoc、短路电流Isc、最大功率点电压Um以及最大功率点电流Im会发生较为明显的变化，故选取Uoc、Im、Um以及Isc作为故障诊断的特征量。

图3 单一故障的输出特性曲线

2.2 复合故障

实际现场运行时，光伏阵列在运行过程中可能会发生不止一种类型的故障，如老化阴影、短路阴影、开路阴影、开路老化和短路老化等两种复合型故障同时发生，本文只考虑老化阴影、短路阴影以及开路阴影三种复合故障，记为复合故障1、复合故障2以及复合故障3，三种复合故障的输出特性曲线如图4 所示，光伏阵列发生复合故障时，选取Uoc、Im、Um以及Isc作为故障诊断的特征量。

图4 复合故障下的输出特性曲线

综上，选取光伏阵列输出特性曲线的参数Uoc、Im、Um、Isc以及最大功率Pm作为光伏阵列故障诊断的输入变量。

3 实验结果仿真分析

3.1 数据的采集与处理

本文一共选取8 种工作状态作为实验的研究对象，实验采用MATLAB/Simulink 仿真软件搭建3×3的光伏阵列模型，分别设置不同的条件和参数来模拟8 种故障状态，一共采样收集2 400 组故障数据，按8∶2 的比例选取1920 组数据来训练模型，剩下的数据作为测试集来输出诊断结果。由于光伏阵列每个参数值的单位存在差异，不同数据之间的数量级可能相差比较大，直接输入原始数据会影响建立好的诊断模型的诊断性能和收敛性。因此需要对采集到的数据进行归一化处理，归一化的表达式如式(12)所示：

式中：X为实验的原始数据表示每一个数据的均值；Xσ表示数据的标准差；X*表示归一化后的数据。

3.2 确定模型的输入输出节点

为确定诊断模型的输入输出节点，以8 种故障状态作为输出，对不同的故障类型进行编码设置，如表1 所示。

表1 输出编码及运行状态

模型参数的设置：输入和输出神经元个数分别设置为5 和8；隐含层个数设置为100；哈里斯鹰种群数设为10；最大迭代次数设为50。

3.3 实验仿真结果分析

将1 920 组训练数据输入到模型中训练，剩余480 组数据用于预测模型的准确性，未经过优化的ELM 模型诊断结果如图5 所示，纵坐标1～8 分别表示开路、短路、局部阴影1、局部阴影2、老化、复合故障1、复合故障2、复合故障3。结果显示该方法所得的分类准确率为73.75%，分类效果较差。其中，有7 组短路样本被诊断为局部阴影1；15 组局部阴影2 样本分别被诊断为开路、老化、复合故障1 以及复合故障3；5 组老化样本被诊断为短路故障；40 组复合故障1样本分别被诊断为开路、局部阴影2 以及复合故障3故障；16 组复合故障2 样本被诊断为开路、短路以及复合故障1；43 组复合故障3 样本被诊断为局部阴影2、老化以及复合故障1。由此可见，未经过优化的ELM 诊断模型对不同故障的分类效果存在不足之处，需要进行优化。

图5 ELM算法诊断结果

经过HHO 算法优化后的ELM 模型诊断结果如图6 所示，其结果显示优化后所得的分类准确率为97.5%。相比未优化的ELM 模型预测的准确率提高了23.75%，优化后效果明显提升。其中只有6 组复合故障1 样本被诊断为开路故障；4 组复合故障2 样本被诊断为短路故障；2 组复合故障3 样本被诊断为复合故障1。这验证了HHO-ELM 模型的可行性和有效性。

图6 HHO-ELM算法诊断结果

为了展现HHO-ELM 算法的优势，下面与PSOELM、SCA-ELM、WOA-ELM 三种算法进行对比分析。

PSO-ELM 算法的实验结果如图7 所示，该方法所得的分类准确率为86.875%，虽然较未优化之前的准确率提高了13.125%，但是其分类效果不如HHOELM 算法。从图7 中可以看出，该算法对复合故障1和复合故障3 的诊断精度比较低。

图7 PSO-ELM算法诊断结果图

SCA-ELM 算法的实验结果如图8 所示，该方法所得的分类准确率为84.375%。从图8 中可以看出，该算法不仅对三种复合故障的诊断效果差，而且对两个组件的局部阴影分类效果也较差，有两个被诊断为局部阴影1 故障，四个被诊断为复合故障。其整体的诊断效果不如PSO-ELM 算法。

图8 SCA-ELM算法诊断结果图

WOA-ELM 算法的实验结果如图9 所示，该方法所得的分类准确率为91.875%。由图9 可知，该算法对三种复合故障的诊断效果比PSO-ELM 和SCAELM 好，但是不如HHO-ELM 算法的诊断效果好。

图9 WOA-ELM算法诊断结果图

五种算法模型的故障诊断准确率和精度对比如表2 所示。

表2 五种算法模型的诊断正确率 %

从表2 可看出，ELM 算法整体的分类效果较低，每种故障的误诊个数也较多，尤其是对局部阴影2、复合故障1 以及复合故障3 的诊断效果最差。PSO-ELM、WOA-ELM 和SCA-ELM 算法对于三种复合故障的诊断效果不太好，从而导致整体诊断的准确率不高。其中SCA-ELM 对三种复合故障的诊断效果最差，WOA-ELM 最好。HHO-ELM 算法整体的诊断效果最好，并且每一种故障诊断的分类效果也最好。

综上，HHO-ELM 算法对光伏阵列多类型复合故障的诊断效果最好，验证了所提模型的可行性和有效性。

4 结论

本文提出一种基于哈里斯鹰算法优化极限学习机的光伏阵列多类型复合故障诊断方法。通过仿真软件模拟不同的故障类型并采集数据，建立了HHOELM 诊断模型，通过实验验证了诊断模型的可行性并得出以下结论：

(1)模拟了包含单一故障和复合故障在内的多种故障类型，提取了对应的特征向量，并通过实验证明所提出模型能够较好地识别光伏阵列的复合故障类型；

(2)实验验证了HHO-ELM 模型可以高效准确地识别出光伏阵列不同的故障类型，诊断精度达到97.5%，相较于未优化的ELM(73.75%)以及WOAELM(91.875%)、SCA-ELM(84.375%)、PSO-ELM(86.875%)具有更高的精度。