光伏阵列局部阴影条件的检测和评估方法

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报3（2016）23光伏阵列放大图片作者：Mohamed A.Awadallahba埃及电子研究所b埃及扎加齐格大学接收日期：2014年12月16日;接受日期：2015年2016年3月18日在线发布摘要本文提出了一种基于人工神经网络（ANN）的光伏（PV）阵列的局部阴影条件的检测和评估方法，作为自动监督和监测的初步步骤。光伏阵列在正常和部分遮光条件下进行建模，以进行性能比较。人工神经网络的设计，训练和测试的部分遮光条件的充分一个人工神经网络检测部分阴影的存在，并将其与环境条件的均匀变化区分开来。如果第一个ANN检测到PV阵列上的部分阴影，则另外两个ANN代理确定阴影因子并推断阵列的阴影模块的数量。结果表明，人工神经网络在局部阴影检测和评估方面具有良好的性能。© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：光伏阵列;局部遮光;人工神经网络1. 介绍可再生能源最近吸引了越来越多的研究人员的关注，由于清洁，现场可用性，以及没有温室气体排放（塞勒姆和Awadallah，2014）。太阳光的能量通过通常由半导体材料制成的光伏（PV）电池转换成直流电。PV电池串联连接以形成通常为36、60或72个电池的模块然后，模块以不同的串联和并联配置组装，以在期望的输出电压和电流下形成阵列光伏阵列的输出功率在被本地负载消耗或注入电网之前通过电力电子电路进行调节光伏阵列的输出特性取决于太阳辐射和电池温度作为系统的独立变量然而，由于经过的云、树木或附近建筑物的阴影造成的部分遮蔽，特定阵列上的太阳辐射可能不均匀许多研究者对光伏阵列在部分遮光条件下的特性进行了在Matlab环境下建立了数学模型，并进行了实验验证*通讯作者。电子邮件地址：fawzan@eri.sci.eg（F. Salem），awadalla@ksu.edu（M.A.Awadallah）。电子研究所（ERI）负责同行评审。http://dx.doi.org/10.1016/j.jesit.2015.10.0032314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。24F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）23对部分遮蔽的太阳能电池板进行了验证（Patel和Agarwal，2008年）。还开发了利用SimPowerSystems模块集的Simulink模型，以对相同条件下的PV阵列进行建模（Said等人， 2012年）。利用人工神经网络（ANN）来估计部分遮光条件下的I-V特性（Dolan等人，2011年）。从这些出版物和其他出版物中发现，与正常操作不同，部分阴影下的P-V 在Karatepe et al. （2007）提出了一种新型的光伏阵列功率补偿和最大功率跟踪控制系统。所提出的系统是基于正向偏置旁路二极管的阴影模块通过监测动态电阻和光伏组件的电压。考虑到阴影效应并利用多级降压-升压斩波器电路的另一MPPT在（Bellini等人，2010年）。它提出了一种新的MPPT算法，以最大限度地提高在任何给定的环境/结温和太阳辐射水平产生的功率。提供具有快速和有效响应的PV阵列的早期自动诊断是非常必要的，并且已经由许多研究人员进行了研究（Chao等人，2008; Davarifar等人，2013; Houssein等人，2010; Syafaruddin等人，2011;Rezgui等人，2014年）。由于这种研究的准确性，快速计算和简单性是迫切需要的问题，人工神经网络，作为一种智能技术，可以是一个突出的解决方案。局部阴影的检测和评估对于监测和监督目的以及调用适当的模型预测控制MPPT算法是至关重要的。可以使用简化的表达式来监测等效热电压，以便检测小区域上的部分阴影（Sera等人， 2009年）。 在Spataru et al.（2012）中，采用模糊推理系统通过部分遮蔽电池的串联电阻的相关增加来检测部分遮蔽。因此，现有文献似乎缺乏一种直接的方法，部分阴影检测和评估的基础上直接简单的测量阵列的性能。本文介绍了一种基于人工神经网络的光伏阵列局部遮光状态的自动检测和评估方法。该技术的实时检测和全面评估有助于启动适当的MPPT算法，避免电池的局部过热。此外，它被认为是实现自动监督和系统监控的关键步骤之一。该研究假设光伏阵列最初在所有模块的均匀太阳辐射和电池温度的正常条件下以最大功率点运行。阵列的输出功率的变化可能是由于整个阵列上的辐射或温度的一致变化，或者可能是由于部分遮蔽，其中一些模块比其他模块接收更少的辐射部分阴影检测人工神经网络的开发，以区分这两种情况。如果检测到部分遮蔽，则通过确定遮蔽因子和遮蔽模块的数量来全面评估状况因此，另外两个ANN操作以在部分阴影由检测ANN表征的情况下评估条件人工神经网络开发的设计、训练和测试阶段都是离线完成的，然后在定点微处理器上实现，在线执行检测和评估任务2. PV建模和问题表述太阳能电池可以用与二极管并联的电流源、为漏电流提供路径的分流电阻器以及考虑与电池电流相关联的功率损耗的串联电阻器来建模，图2。 1（a）. 电池电流表示为：I= I-I[eq（Vc+IcRs）−1]−（Vc+Ic Rs）（一）cphosAKTRsh其中Ic是电池电流（A），Iph是光生电流或光电流（A），Ios是二极管的反向饱和电流（A），q是电子电荷（C），A是二极管的理想因子，K是玻尔兹曼常数（J/K），T是电池温度（K），Vc是电池电压（V），Rs是串联电阻（▲），Rsh是分流电阻（▲）。光电流取决于太阳辐射和电池温度，并且给出为：Iph=λ[Isc+ki（T-Tr）]（2）其中λ是太阳辐射（以1000 W/m2的比率）（suns），Isc是电池S.C.电流为25° C和1000 W/m2（A）时，ki为S.C。当前温度系数（A/K），T和Tr为实际温度和参考温度（K）。F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）2325eAKTr不Fig. 1.等效电路：（a）光伏电池，（b）光伏阵列。另一方面，二极管的反向饱和电流随温度变化，可以表示为。.T-3不RqEg. 1−1Σ其中，Ior是在参考温度和辐照下的反向饱和电流（A），Eg是电池中使用的半导体的带隙能量（J/C）。分流电阻Rsh与接地的分流漏电流成反比一般来说，PV效率对这种电阻的变化不敏感，可以假设这种电阻接近无穷大，没有漏电流到地。此外，Rs的微小变化将显著影响PV输出功率。因此，在电池等效电路中通常忽略分流由于典型的晶体半导体PV电池在大约0.5V下产生小于2W，因此电池必须通常串联连接在模块上以产生足够高的功率。光伏阵列是一组多个模块，这些模块串联和并联电连接以产生所需的电流和电压水平。图1给出了具有N个s和N个p串并联电池的太阳电池阵的等效电路。 1（b）. 阵列电流的终端方程如下。NI− N I [e.V+−1]−V+IR（4）q IRs1N pp ph波奥斯Akt NpRshNSSNs上述方程直接用于获得光伏阵列的很明显，辐照对输出曲线的影响比温度的影响大得多，特别是在短路点。然而，温度的影响开路电压的阵列稍显着比照射。在部分遮光操作下，光伏阵列的未遮光模块接收一定水平的太阳辐射，而遮光模块接收较少的辐射。部分遮光操作条件的特征在于遮光因子和遮光模块的数量本文将遮光因子定义为遮光组件与非遮光组件的辐照度之假设所有模块都在相同的温度下工作，部分遮蔽不可能在遮蔽和未遮蔽的模块之间产生显著的温差太阳能电池阵列在部分遮光操作下的建模分为两步（Patel和Agarwal，2008年）。 在第一步中，使用等式产生两个单独的I-V曲线。（1）这两条曲线覆盖了相应的短路点和开路点之间的工作区域Ios=I或（三）I=26F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）23图二、光伏阵列在800 W/m2和300 K下正常运行和6个具有不同遮光因子的遮光模块的输出特性(a)I-V在第二步中，基于电连接以及阴影和未阴影模块的数量，将I-V串联连接的模块的组合曲线意味着，在某个电流值下，总电压是对应于根据各个曲线的相同电流的所有模块电压的总和。然而，并联连接的模块的曲线被组合，使得给定电压下的总电流是各个模块电流的总和本文中使用的模型在（Patel和Agarwal，2008）中得到了实验验证。阴影因子和阴影模块的数量对阵列输出的影响在图1和图2中示出。分别为2和3。在800 W/m2和300 K下的阵列特性如图所示。 2和6个不同遮光系数的遮光模块。 阵列短路电流似乎不受阴影因子的影响，如图所示。2（a）. 然而，从图。如图2（b）所示，很明显，在彼此非常接近的电压值处获得最大功率点。 在相同的太阳辐射和电池温度下，图。图3示出了具有40%遮蔽因子和不同数量的遮蔽模块的阵列特性。阴影模块的数量对阵列短路电流也没有影响，图3（a）;然而，最大功率下的电压随着阴影模块的数量而显著变化，如图3（b）所示。从图中可以明显看出。从图2和图3可以看出，本阵列拓扑（串联连接的16个模块）在任何部分遮蔽条件下保持两个局部最大功率点。它F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）2327图3.第三章。光伏阵列在800 W/m2和300 K下正常运行和40%遮光系数下不同遮光模块的输出特性(a)I-V应当强调的是，I-V和P-V特性的行为阵列输出功率的变化可能是由于影响所有模块的辐射或温度的一致变化，或者可能是由于部分遮蔽。由于辐照变化突然且不可预测地发生，MPPT控制器需要一些时间来响应干扰并跟踪新的最大功率。在控制器响应之前，阵列的输出电压保持不变，因为电池电压是恒定的并且斩波器占空比尚未改变。因此，阵列输出功率的瞬时变化发生在恒定电压下，并且工作点垂直移动，如图所示。 四、假设所有模块上的辐射均匀减少，则阵列的新操作条件是正常的。因此，阵列的P-V曲线下移，工作点在恒定电压下垂直地从A移到B，如图2所示。 四、然而，如果输出功率的降低是由于部分阴影，则工作点从A移动到C，如图4所示。本研究的目标之一是检测新的操作条件在阵列输出功率改变时是正常还是部分遮蔽。如果检测到部分遮蔽操作，则通过推导遮蔽因子和遮蔽模块的数量来全面评估该条件。成功检测和精确评估局部阴影对于MPPT控制器至关重要，28F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）23见图4。操作条件的瞬时变化。调用适当的算法并跟踪最大功率。此外，它被认为是系统监测和监督的第一步。应该强调的是，部分阴影条件下的MPPT不在本文的范围内。然而，部分阴影的检测和评估是使用ANN代理完成的3. 人工神经网络（ANN）最早的人工智能范例之一是ANN（Haykin，2009;Fausett，1994），它通过生物神经网络模仿人脑中的数据处理。多层前馈感知器ANN由称为神经元的处理单元组成，这些处理单元以层结构排列，如图5所示。输入层接收输入信号，输出层产生输出，并且一个或多个隐藏层在内部处理信号人工神经元的操作受到其自然对应物的启发。每个神经元有几个加权的输入信号和一个输出，其中输入和输出之和之间的关系由一个固定的激活函数控制。输入信号的权重以及激活函数类型决定了神经元的性能，因此也决定了整个ANN的性能。在ANN上采用反向传播算法来调整与其链接相关联的权重，以最小化其输出与目标训练数据集之间的误差输入层和输出层中的神经元数目分别等于由人工神经网络表示的真实系统的实际输入和输出的数目然而，隐藏层及其神经元的数量由用户通过设计过程选择研究人员已经证明，大多数非线性工程系统可以用一个具有不同数量的神经元和不同类型的激活函数的单隐层网络来表示在训练过程中投入的计算工作量主要取决于图五.一种两输入一输出的多层感知器前馈神经网络。F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）2329=i=1N可修改参数的数量，即，网络链接的权重。具有一个隐藏层的网络中的自适应权重的总数由下式给出：Nw=Nh（Ni+No）（5）其中Nw是权重的总数，Nh是隐藏层中神经元的数量，Ni是输入的数量，No是输出的数量。网络性能通过MSE，Eq. （6）测量训练或测试数据的实际和目标ANN输出受自然智能的启发，ANN能够进行系统建模，非线性映射，模式识别，监督和无监督学习以及问题解决。. 中国MSE=（Ti−Oi）2其中N是数据点的数量，Ti是第i个数据点处的目标输出，Oi是第i个数据点处的实际ANN输出。第i个数据点。4. 结果和讨论利用人工神经网络对太阳能电池阵的局部遮光状况进行自动检测和评估，通过对电池阵的实时测量来检测是否由于局部遮光而导致了电池阵工作状况的变化，然后根据遮光系数和遮光组件的数量对新的条件进行评估自动检测和评估局部阴影有助于避免电池局部过热（如果没有阻塞和旁路二极管），还有助于启动合适的MPPT算法。光伏阵列运行的瞬时偏移发生在恒定的阵列电压下，伴随着阵列特性曲线的变化。这种变化被用来检测和评估部分阴影使用人工神经网络。大多数MPPT算法实现的商业太阳能电池阵列逆变器使用频繁的测量开路电压和短路电流，以跟踪最大功率。现有的仪器用于测量阵列的输出电压和电流，以便感测输出功率的任何在功率改变的情况下，检测ANN操作以检查部分阴影。如果检测到部分评估ANN的输出预计将有助于部分阴影下的MPPT算法。如图如图2（b）和3（b）所示，对应于最大功率点的电压取决于遮蔽因子和遮蔽模块的数量。4.1. 局部阴影从正常条件到部分遮蔽条件的转变伴随着阵列输出功率的变化，如图1所示。 4，几乎没有变化的短路电流，如图4所示。2（a）和3（a）。 这样的观察阐述了用于检测部分遮蔽条件的基础。另一方面，光伏阵列的电池温度的均匀变化导致输出功率和短路电流的小变化。实际上，温度的瞬间急剧变化几乎是不可能的，因为它是逐渐发生的然而，考虑到正常条件下的一般性和鲁棒性的ANN性能的温度变化小的在训练数据中包括温度变化作为正常条件的一个明显好处其原因是温度变化会导致输出功率和短路电流的微小变化。在正常情况下，在这种小的变化上训练ANN有助于ANN在类似的尺寸变化是由于测量误差引起的情况下给出正确的输出。因此，使用输出功率和短路电流的变化来检测局部遮蔽。检测神经网络将输出功率和短路电流的相对绝对变化作为输入。如果新条件为正常，则输出为零，如果为部分着色，则输出为一任何变量x的相对绝对变化取决于初始值和新值，并给出为RAC|x new− x0|x0的（七）（六）30F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）23±表1阴影检测ANN的测试结果。情况初始条件新条件ANN输出R（W/m2）T（K）理想实际1928307.2T下降1.30-0.03552520291.1R增加1290-0.00653609294.7R下降18300.00274723314.27个模块11.02165988309.486%辐照1个模块11.03946461292.94个模块11.02147384291.82个模块11.008788072997个模块11.0035910663223个模块11.008610317288.48个模块11.0016检测神经网络的训练数据集包含1204个正常工作点，这些点是由于太阳辐射均匀变化或整个阵列上电池温度的微小变化而产生的正常工作范围为300温度变化限制在1或2 K。训练数据集还包含6615个部分阴影条件，覆盖相同的辐射和温度范围，阴影因子从10%到90%，阴影模块从2到14。在目前的工作中，一个三层人工神经网络，具有20个神经元的隐藏层，已被使用，连同一个tansigmoidal激活函数和监督训练通过反向传播技术。训练数据的均方误差（MSE）在7个训练期后停滞在0.058应该提到的是，本工作的所有网络都是使用Matlab7.8的神经网络工具箱开发的。使用50个不属于训练数据集的随机案例对检测ANN进行测试。一些测试点稍微超出了训练范围。表1中给出的检测ANN的选定测试结果示出了检测的有效性以及区分正常和部分阴影情况的显著能力。4.2. 遮光系数局部遮光条件的综合评价包括遮光系数和遮光模块数的确定阴影因子表示在阴影模块上的较少照射与在阵列的其余部分上的较高照射的比率一旦第一个ANN检测到部分阴影条件，则调用另外两个ANN通过确定阴影因子并揭示阴影模块的数量来评估该条件遮光因子是通过一个两输入一输出的人工神经网络推导出来的，输入是系统在部分遮光前的最大工作功率和遮光引起的输出功率的相对绝对变化。人工神经网络的输出表示每单位太阳能电池阵列的遮光系数。训练数据包含12，495个操作点，覆盖太阳辐射300在9个训练时期之后，MSE达到最小值0.067。在不属于训练数据的50个随机点处对ANN进行测试一些测试点稍微超出了训练范围。10个选定点的测试结果如表2所示，表明在评估遮光系数方面具有很高的效率测试结果表明，人工神经网络可以识别，具有可接受的精度，当一些模块（范围从2到14）接收90%的光伏阵列的其余部分所接收的辐射。ANN可以同样精确地识别在少数或多数模块上具有轻微或严重部分阴影的情况，如表2的样本测试结果所示。4.3. 阴影模块另一个人工神经网络被开发来推断的情况下，部分遮光操作检测到的遮光模块的数量从图中可以看出。从图2（b）和3（b）可以看出，如果预先知道阴影因子，则阴影模块的数量是可识别的。因此，着色因子评估ANN的输出被用作着色模块评估ANN的输入。ANN的优点在于，输入的数量可以显著增加，而不会在训练阶段期间大幅增加计算负担输入增加到最大功率，F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）2331表2阴影因子评估ANN的测试结果情况初始条件部分遮光条件ANN输出R（W/m2）T（K）遮光系数模块理想实际1823295百分之四十120.40.38932645315百分之八十70.80.82553874304百分之九十50.90.91214927304百分之四十140.40.41125566296百分之九十40.90.90816337311百分之六十90.60.61237566296百分之九十40.40.42128484296百分之二十80.20.21239858308百分之八十120.80.828810643308百分之九十100.90.8788表3阴影模块评估ANN的测试结果情况初始条件部分遮光条件ANN输出R（W/m2）T（K）遮光系数模块理想实际（四舍五入）1694294百分之十三点三5552744298百分之十四点六3333737294百分之二十九点九9994908303百分之五十二点四1111115815302百分之五十三点三5556848300百分之六十二点四1111117496312百分之七十一点二3338547312百分之七十八2229404303百分之八十四点八33310614302百分之十二点九666部分遮蔽、由于遮蔽而导致的功率的相对绝对变化以及由遮蔽因子评估ANN推断的遮蔽因子。训练数据集分为三组，包括28，512个点，覆盖400-950 W/m2辐照，293-313 K电池温度，0.1-0.9遮蔽因子和1-12遮蔽模块的操作范围训练MSE在26个时期后平均停滞在0.788ANN代理在训练范围内的随机点进行测试阴影模块的实际数量和ANN输出（四舍五入到最接近的整数）之间的匹配非常好。表3所示的10个测试点的样本表明，在评估部分遮光操作下的遮光模块方面具有显著的效果。本文提出的人工神经网络开发方法，可以扩展到其他操作范围或阵列拓扑结构。太阳能电池阵列的其他串并联配置提供不同的输出特性曲线和不同数量的局部功率最大值。因此，人工神经网络代理应该完全从一开始就为其他阵列拓扑结构开发5. 结论本文提出了一种基于人工神经网络的太阳能光伏电池阵部分遮光条件的检测和评估方法。该阵列由16个串联模块组成，每个模块有36个串联的光伏电池。在正常和部分遮光条件下，使用Matlab模型，在文献中进行了实验验证的光伏阵列进行了模拟。当光伏阵列输出功率发生变化时，检测人工神经网络能够区分新的操作条件是否是部分遮蔽。在检测到部分阴影的情况下，另外两个ANN能够完全评估光伏阵列的阴影因子和阴影模块人工神经网络测试显示出明显的有效性与可接受的精度在检测32F. Salem，文学硕士Awadallah/电气系统和信息技术杂志3（2016）23×和太阳能光伏阵列部分遮光条件的评估。所提出的技术可以直接扩展到覆盖给定光伏阵列的不同工作范围，或者也可以考虑其他阵列拓扑结构附录I. 模拟参数PV阵列每个阵列的模块数16电池组数量36参考反向饱和电流2.3510短路电流温度系数0.0021 A/K二极管理想系数1.21每个电池的串联电阻0.01143▲每个电池的分流电阻4.16667▲引用Bellini，A.，Bifaretti，S.，Iacovone，V.，2010年。 部分遮光光伏组件电流平衡的最大功率点跟踪算法。 IEEEInternationalSymposiumonIndustrialElectronics（ISIE），pp. 933-938Chao，K.H.，豪，S.H.王明辉，2008. 光电系统的建模与故障诊断。电力系统研究78（1），97-105。Davarifar，M.，Rabhi，A.，El-Hajjaji，A.，Dahmane，M.，2013年。使用统计信号处理的光伏板实时模型故障诊断。在：国际会议的可再生能源研究和应用，西班牙，页。 599-604，10月20比23多兰，J.A.，李，R.，是的，Y.，丹尼尔，C.，Nguyen，Y.，Ben-Menahem，S.，石原，A.，2011年。部分阴影条件下光电流I-V曲线的神经网络估计. 在：神经网络国际联合会议，圣何塞，加利福尼亚州，美国，pp。公元1358-1365年。Fausett，L.V.，一九九四年 神经网络基础：架构、算法和应用。普伦蒂斯·霍尔国际公司Haykin，S.，2009.NeuralNetwOrksandLearningMachines，第3版。普伦蒂斯·霍尔Houssein，A.，Heraud，N.，苏莱曼岛Pellet，G.，2010. 光电板的监测与故障诊断。在：IEEE国际能源会议和展览会，麦纳麦，巴林，12月18日至22日，pp。389-394.Karatepe，E.，熊本，Hiyama，T.，Boztepe，M.，Colak，M.，2007. 太阳能光伏发电系统在部分遮光条件下的功率控制器设计。在：ISAP 2007年，智能系统应用于电力系统国际会议，第100页。1比6帕特尔，H.，Agarwal，V.，2008. 基于MATLAB的建模，研究部分阴影对光伏阵列特性的影响。IEEETrans. 能源转换器。23（1），302 -310，3月。Rezgui，W.，Mouss，H.，Mouss，医学博士，Kadri，O.，2014年。光伏发电机智能诊断中的电气故障检测。 J. 电气工程14（1），77-84。赛义德，S，Massoud，A.，Benammar，M.，艾哈迈德，S.，2012年。利用SimPowerSystems工具箱建立了基于Matlab/Simulink的光伏阵列模型。J.能源动力工程6，1965-1975年。Salem，F.，Awadallah，文学硕士，2014年。 光电模块参数估计：ANN与ANFIS的比较。 Int. J. 印度河 Electron Drives1（2），121-129.Sera，D.，Teodorescu河，Rodriguez，P.，2009年 基于等效热监测的局部阴影翼检测用于PV模块诊断。In：Proceedings of the AnnualConference of the IEEE Industrial Electronics Society，Porto，Portugal，Nov2003 -5，pp. 708-713号。Spataru，S.，Sera，D.，Kerekes，T.，Teodorescu河，2012. 用模糊推理系统检测光伏阵列中增加的串联损耗。在：IEEE照片voltaic专家会议，奥斯汀，得克萨斯州，美国，6月3日至8日，pp。464-469Syafaruddin，E.，Karatepe，T.，Hiyama，2011. 光伏阵列故障诊断的人工神经网络控制。在：智能系统应用于电力系统的国际会议论文集，Hersonissos，希腊，9月25日至28日，pp。1比6