姜春嬌，盧 堯，傅慧華

（國網(wǎng)江蘇省電力有限公司南通供電分公司，江蘇 南通 226000）

0 引 言

光伏發(fā)電作為清潔能源不可或缺的一環(huán)，在能源領(lǐng)域中占據(jù)著舉足輕重的地位。然而，光伏發(fā)電系統(tǒng)在長期運(yùn)行中可能會面臨各種故障，這些故障不僅會影響系統(tǒng)的發(fā)電效率，還可能導(dǎo)致系統(tǒng)的損壞和安全隱患。因此，及時準(zhǔn)確地檢測和診斷光伏發(fā)電系統(tǒng)的故障是至關(guān)重要的。

1 光伏發(fā)電系統(tǒng)故障檢測與診斷技術(shù)綜述

1.1 光伏發(fā)電系統(tǒng)概述

光伏發(fā)電系統(tǒng)由太陽能電池方陣、控制器、蓄電池組、逆變器、直流負(fù)載以及交流負(fù)載等組成，如圖1 所示。太陽能電池方陣通過光電轉(zhuǎn)換將太陽能轉(zhuǎn)化為直流電能；控制器用于監(jiān)測和控制太陽能電池的充放電過程；蓄電池組用于儲存電能以供不時之需；逆變器則將直流電轉(zhuǎn)換為交流電，以滿足交流負(fù)載的需求；直流負(fù)載是系統(tǒng)中直接使用直流電的設(shè)備；交流負(fù)載是通過逆變器轉(zhuǎn)換后供電的設(shè)備[1]。

圖1 光伏發(fā)電系統(tǒng)

1.2 光伏發(fā)電系統(tǒng)故障類型與特征

光伏發(fā)電系統(tǒng)可能遭遇多種故障，主要包括電池?fù)p壞、電路短路、逆變器故障及線路接觸不良等。這些故障往往會導(dǎo)致系統(tǒng)的功率輸出下降、電壓波動、電流異常等。光伏電池組件的故障可能表現(xiàn)為局部損壞或全面損壞，導(dǎo)致輸出功率降低或完全失效；電路短路可能導(dǎo)致系統(tǒng)電流異常增加；逆變器故障則會導(dǎo)致輸出電壓不穩(wěn)定或完全中斷；線路接觸不良可能導(dǎo)致電流傳輸受阻，造成系統(tǒng)功率損失和電壓波動。

1.3 傳統(tǒng)故障檢測方法

傳統(tǒng)光伏發(fā)電系統(tǒng)故障檢測方法主要包括基于傳感器的監(jiān)測、定期巡檢及手動故障診斷等?；趥鞲衅鞯谋O(jiān)測通過安裝傳感器實(shí)時監(jiān)測系統(tǒng)的電壓、電流及溫度等參數(shù)，一旦發(fā)現(xiàn)異常就觸發(fā)報(bào)警。定期巡檢指定期人工巡視光伏發(fā)電系統(tǒng)，檢查組件、電路、逆變器等是否存在可見的損壞或異常。手動故障診斷則是依賴維護(hù)人員的經(jīng)驗(yàn)和專業(yè)知識，通過觀察、測試及分析來判斷系統(tǒng)是否存在故障，并進(jìn)一步定位和修復(fù)故障。傳統(tǒng)方法雖然簡單易行，但受限于人力、時間及主觀因素，無法實(shí)現(xiàn)實(shí)時監(jiān)測和自動化診斷，因此在故障檢測的準(zhǔn)確性和效率上存在一定的局限性。

1.4 基于人工智能的故障檢測技術(shù)概述

基于人工智能的故障檢測技術(shù)利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法，通過處理和分析大量實(shí)時監(jiān)測數(shù)據(jù)，實(shí)現(xiàn)光伏發(fā)電系統(tǒng)故障的自動檢測與診斷。其中，典型的方法包括支持向量機(jī)（Support Vector Machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neuronal Networks，ANN）、深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）等。以SVM 為例，數(shù)學(xué)模型可表示為

式中：xi為訓(xùn)練數(shù)據(jù)的特征向量；yi為相應(yīng)的類別標(biāo)簽；K(xi,x)為核函數(shù)；αi和b分別為模型參數(shù)；i為訓(xùn)練數(shù)據(jù)的索引。基于支持向量機(jī)模型的故障檢測技術(shù)，利用訓(xùn)練數(shù)據(jù)優(yōu)化參數(shù)，從而實(shí)現(xiàn)對光伏發(fā)電系統(tǒng)故障的準(zhǔn)確識別和分類[2]。

2 基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法

2.1 數(shù)據(jù)采集與預(yù)處理

基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法中，數(shù)據(jù)采集與預(yù)處理環(huán)節(jié)的具體步驟如圖2 所示。通過光伏發(fā)電系統(tǒng)的傳感器和監(jiān)測設(shè)備，實(shí)時采集大量的數(shù)據(jù)，包括光照強(qiáng)度、溫度、電壓及電流等參數(shù)。針對采集的原始數(shù)據(jù)進(jìn)行一系列預(yù)處理操作，包括數(shù)據(jù)清洗、去噪、采樣以及歸一化，從而確保數(shù)據(jù)的精確性和可信度。清洗階段用于刪除異常值和缺失數(shù)據(jù)；去噪處理利用濾波技術(shù)去除數(shù)據(jù)中的干擾和噪聲；采樣過程對數(shù)據(jù)進(jìn)行降采樣或過采樣，以減少數(shù)據(jù)量或平衡樣本分布；通過歸一化操作將數(shù)據(jù)縮放到統(tǒng)一的范圍內(nèi)，消除不同特征之間的量綱影響。

圖2 數(shù)據(jù)采集與預(yù)處理流程

2.2 特征提取與選擇

在基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法中，特征提取階段通過分析和處理預(yù)處理后的數(shù)據(jù)，從中提取出能夠代表系統(tǒng)狀態(tài)和性能的關(guān)鍵特征，主要涉及時間域、頻率域及時頻域等多個方面的特征。例如，在時間域可以提取均值、標(biāo)準(zhǔn)差等統(tǒng)計(jì)特征，在頻率域可以利用傅里葉變換提取頻譜特征。而特征選擇階段是為了減少特征維度，提高模型的運(yùn)行效率和泛化能力[3]。在這一階段，常用的方法包括過濾法、包裝法及嵌入法。過濾法通過特征的統(tǒng)計(jì)量或相關(guān)性來選擇最佳特征，如方差、相關(guān)系數(shù)等；包裝法通過嘗試不同的特征子集并評估模型性能來選擇最佳的特征子集；嵌入法是將特征選擇作為模型訓(xùn)練的一部分，在模型訓(xùn)練過程中選擇最佳特征。

2.3 故障診斷模型設(shè)計(jì)

在基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法中，故障診斷模型設(shè)計(jì)是至關(guān)重要的一環(huán)。其中，常用的一種模型是深度學(xué)習(xí)模型，尤其適用于序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）。RNN 的獨(dú)特之處在于內(nèi)置的記憶機(jī)制，通過循環(huán)連接在節(jié)點(diǎn)間傳遞信息，使其能夠處理具有時間連續(xù)性的數(shù)據(jù)。故障診斷模型的設(shè)計(jì)基于RNN的結(jié)構(gòu)。首先，在t時刻，輸入特征xt通過權(quán)重矩陣Wih和偏置向量bh作用于隱藏層，生成隱藏狀態(tài)ht。其次，ht通過權(quán)重矩陣Whh和偏置向量bh在隱藏層內(nèi)部傳遞并更新，可以表示為

最后，通過權(quán)重矩陣Why、偏置向量by以及激活函數(shù)g(·)，生成輸出結(jié)果yt，即

為更好地捕捉時間序列中的長期依賴關(guān)系，并克服梯度消失或爆炸的問題，模型設(shè)計(jì)中可考慮采用RNN 的變種結(jié)構(gòu)，如長短期記憶（Long Short Term Memory，LSTM）或門控循環(huán)單元（Gate Recurrent Unit，GRU）。在模型訓(xùn)練階段，常采用反向傳播算法和隨機(jī)梯度下降（Stochastic Gradient Descent，SGD）等優(yōu)化技術(shù)，通過不斷迭代調(diào)整模型參數(shù)，以最小化損失函數(shù)，優(yōu)化模型性能[4]。

2.4 模型訓(xùn)練與優(yōu)化

在光伏發(fā)電系統(tǒng)故障檢測中，模型訓(xùn)練與優(yōu)化是不可或缺的關(guān)鍵環(huán)節(jié)，具體流程如圖3所示。第一步，需要構(gòu)建一個包含多種運(yùn)行狀態(tài)的豐富數(shù)據(jù)集，其中應(yīng)涵蓋正常運(yùn)行狀態(tài)和各類故障狀態(tài)的數(shù)據(jù)樣本。第二步，按照科學(xué)的方法，如交叉驗(yàn)證或留出法，將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集及測試集，以確保模型的泛化能力。第三步，在選擇損失函數(shù)和優(yōu)化算法時，須根據(jù)具體情況權(quán)衡，如交叉熵?fù)p失函數(shù)適用于分類問題，均方誤差損失函數(shù)適用于回歸問題；而優(yōu)化算法可選用SGD 或Adam 等。第四步，在訓(xùn)練過程中，利用訓(xùn)練集初始化模型參數(shù)，并通過反向傳播算法不斷迭代更新參數(shù)，直至滿足預(yù)設(shè)的停止條件。第五步，為避免出現(xiàn)過擬合和欠擬合問題，需采取調(diào)整模型復(fù)雜度、引入正則化項(xiàng)等策略。利用驗(yàn)證集實(shí)時評估模型性能，并根據(jù)評估結(jié)果調(diào)整模型參數(shù)和結(jié)構(gòu)，如調(diào)整學(xué)習(xí)率、修改網(wǎng)絡(luò)層數(shù)等。第六步，使用測試集對模型進(jìn)行最終的性能評估，通過準(zhǔn)確率、精確率、召回率及F1 值等指標(biāo)，全面驗(yàn)證模型的有效性和可靠性[5]。

圖3 模型訓(xùn)練與優(yōu)化流程

3 性能評估與實(shí)驗(yàn)驗(yàn)證

3.1 性能評估指標(biāo)

在光伏發(fā)電系統(tǒng)故障檢測過程中，常采用一系列性能評估指標(biāo)來衡量模型的優(yōu)劣。其中，準(zhǔn)確率作為一個核心指標(biāo)，反映了模型預(yù)測正確的樣本在總樣本中所占的比例。精確率聚焦在模型預(yù)測為正類別的樣本中，衡量樣本真正為正類別的比例，有助于了解模型在預(yù)測正類別時的準(zhǔn)確性。召回率關(guān)注實(shí)際為正類別的樣本，評估模型在識別這些樣本時的能力。F1值綜合了精確率和召回率，通過計(jì)算兩者的調(diào)和平均值，提供了一個更加全面的性能評估視角。這些指標(biāo)綜合考量了模型的分類能力、誤判率及漏檢率，是評估模型性能的重要標(biāo)準(zhǔn)。在實(shí)驗(yàn)驗(yàn)證中，通過對比模型在測試集上的表現(xiàn)，計(jì)算這些性能指標(biāo)，從而評價模型的準(zhǔn)確性、穩(wěn)定性及可靠性，為模型的實(shí)際應(yīng)用提供科學(xué)依據(jù)。

3.2 實(shí)驗(yàn)方案

為評估基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法的性能，設(shè)計(jì)了以下實(shí)驗(yàn)方案：第一步，確定實(shí)驗(yàn)數(shù)據(jù)集，包括正常運(yùn)行和故障狀態(tài)下的光伏發(fā)電系統(tǒng)數(shù)據(jù)，以及相應(yīng)的標(biāo)簽信息。第二步，確立實(shí)驗(yàn)設(shè)計(jì)，包括數(shù)據(jù)預(yù)處理、特征提取等步驟。在數(shù)據(jù)預(yù)處理階段，對數(shù)據(jù)進(jìn)行清洗、歸一化等處理，以確保數(shù)據(jù)質(zhì)量和一致性。特征提取階段需要選擇合適的特征表示方法，如時域特征、頻域特征或時頻域特征等，以捕獲光伏發(fā)電系統(tǒng)的特征信息。第三步，進(jìn)行模型訓(xùn)練和優(yōu)化，在訓(xùn)練過程中使用交叉驗(yàn)證等方法調(diào)優(yōu)模型參數(shù)，以提高模型性能和泛化能力。第四步，通過在測試集上評估模型的性能，計(jì)算準(zhǔn)確率、精確率、召回率以及F1 值等指標(biāo)，全面評估模型的準(zhǔn)確性、穩(wěn)定性及可靠性。

3.3 算法性能評估分析

算法性能評估結(jié)果如表1 所示。根據(jù)表1 所列出的算法性能評估指標(biāo)，可以看出基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法在實(shí)驗(yàn)中表現(xiàn)出了良好的性能。該方法的準(zhǔn)確率為92%，表明模型能夠準(zhǔn)確判斷系統(tǒng)的故障情況，從而提供可靠的診斷結(jié)果。精確率為88%，說明模型在預(yù)測故障時，真實(shí)故障的比例較高，減少了誤報(bào)的可能性。召回率為94%，意味著模型能夠有效找出實(shí)際故障中的大部分情況，降低了漏報(bào)的風(fēng)險(xiǎn)。F1 值為0.91，表示準(zhǔn)確率和召回率的調(diào)和平均，綜合考慮模型的分類準(zhǔn)確性和漏報(bào)率，進(jìn)一步證明該方法在故障檢測與診斷方面的可靠性和有效性。

表1 算法性能評估結(jié)果

4 結(jié) 論

文章提出并探討了基于人工智能的光伏發(fā)電系統(tǒng)故障檢測方法，為光伏發(fā)電系統(tǒng)的安全運(yùn)行和故障診斷提供了重要的技術(shù)支持和理論指導(dǎo)。未來，將繼續(xù)深入研究光伏發(fā)電系統(tǒng)故障檢測方法，不斷提升故障檢測與診斷的準(zhǔn)確性，以推動光伏發(fā)電技術(shù)的發(fā)展與應(yīng)用。