★ 信息產業電子第十一設計研究院科技工程股份有限公司山東分公司 賈國慶，楊義譚

關鍵詞：人工智能；光伏發電；發電系統；故障診斷；預測方法

隨著全球能源需求的不斷增長，光伏發電作為一種清潔、可再生的能源，逐漸成為全球能源結構轉型的重要組成部分。光伏發電系統不僅具有環保、節能的優勢，而且能顯著降低傳統能源對環境的污染。然而，隨著光伏發電系統規模的不斷擴大，其運行過程中也面臨著諸如設備故障、性能下降等問題，這不僅影響系統的發電效率，還可能導致嚴重的經濟損失和資源浪費。因此，及時、準確地診斷和預測光伏發電系統的故障，成為保障系統高效運行和延長使用壽命的關鍵。

針對故障診斷，文獻 [1] 以在Matlab/Simulink中搭建的光伏陣列輸出特性仿真模型為基礎，采用深度置信網絡作為光伏陣列故障診斷算法，并通過蝙蝠算法對網絡各隱含層神經元的數量進行優化，以蝙蝠算法優化后的深度置信網絡作為故障診斷模型，分別采集不同運行工況下的光伏陣列輸出特性四參數，并將其歸一化后作為特征樣本輸入BA-DBN故障診斷模型，實現了對光伏陣列的故障診斷。文獻 [2]提出了一種基于功率信號分析的光伏電站故障診斷方法。該方法用卷積神經網絡結合長短記憶模型和嶺回歸模型對歷史發電的時序信息進行充分挖掘，依據實際與預測發電功率之間的動態時間規整DTW距離進行電站故障檢測， 并提出了一個基于實際發電功率頻域特征的故障分類指標，建立了分類規則庫，將電站故障分為通信故障、設備故障和限電故障，結合故障影響等效發電小時數評估電站故障程度。雖然以上傳統方法具有一定的診斷能力，但存在診斷效率低、成本高、容易漏診等缺陷。

隨著信息技術的快速發展，人工智能（AI）技術的引入為光伏發電系統故障診斷與預測提供了新的解決方案。本文基于人工智能提出了一種新的光伏發電系統故障診斷與預測方法，并通過實驗驗證了該方法的實際應用效果。

1   基于人工智能的光伏發電系統故障診斷

1.1   故障數據采集

布置傳感器采集電流、電壓、功率等參數，傳感器與數據采集單元結合后，將采集到的數據傳輸到故障診斷系統中進行處理。光伏發電系統主要為不對稱短路和接地故障，本文使用對稱分量法來提取各序分量的數據。對于發生故障的三相電流信號將故障信號轉化為對稱分量，分別為正序電流負序 。利用對稱分量法進行分解， 公式為式（1）～（3）：

    其中，為復數常數，表示相位旋轉。

通過對三相電流進行對稱分量分析，可以提取電流中的不同分量，進而診斷光伏系統中發生的故障類型。分析正序電流， 判斷正常的系統負載情況，利用負序電流識別相間不對稱故障， 計算零序電流診斷接地故障。

1.2   故障特征提取

對采集到的信號進行特征提取，可以將復雜的系統信息轉化為簡潔信息。由于光伏系統中的故障信號是非平穩的，單一的時域或頻域分析方法難以有效地捕捉到這些信號的有用特征[3,4]。因此，本文結合時頻域分析技術，更全面地提取信號的特征。

時頻域特征提取技術能夠有效結合時間和頻率信息，通過將信號同時映射到時間和頻率兩個維度，從而克服了單一域分析的局限性。本文引入短時傅里葉變換法，將信號分解為不同的頻率成分，分析非平穩信號。設置合適的窗函數， 短時傅里葉變換能夠在時間和頻率上實現局部化，從而為光伏系統的故障信號提供時頻特征。其基本公式為式（4）：

其中，x(i)為原始信號， w(c-t)為窗函數， f為頻率，t為時間。通過對信號進行時頻分析，可以提取出在不同時間窗口內的頻率分布，進而捕捉到故障發生時頻譜的變化特征[5]。

通過選擇與信號最匹配的原子（基函數）來分解信號，進行匹配追蹤，可以提取信號中的稀疏特征，進而識別出與光伏發電系統故障相關的特征模式。

在光伏發電系統中，可以利用空間域特征提取識別故障在不同部位的傳播特性，并通過將原始信號映射到一個新的空間，增強不同部件間的差異性。在這一過程中，采用共空間模式（Common Spatial Patterns， CSP）技術將信號轉化為更具判別性的空間模式 [6]。 CSP通過最大化不同類別信號在新空間中的方差，來尋找最具區分度的空間濾波器。對信號進行協方差矩陣的計算，并分解特征值，選擇最大的特征值所對應的特征向量作為濾波器，可以確保在新空間中，故障信號與正常信號的差異最為明顯。

通過結合時頻域特征和空間域特征提取，可以更全面地分析光伏發電系統的故障信號。

2   基于支持向量機的光伏發電系統故障預測

SVM（Support Vector Machine，支持向量機）通過尋找一個最優超平面，將不同類別的樣本分隔開，從而實現了分類。為了處理非線性問題，  SVM引入了核函數（如RBF（Radial Basis Function， 徑向基函數）核）來將數據從低維空間映射到高維空間，從而使得數據在高維空間中更加容易線性可分。

SVM通過對現有數據的學習，構建了一個模型，并利用該模型來預測系統未來的故障。假設有n組樣本數據(xx) (x,%2)… (x, J)，其中每個樣本x,eR'是一個d維特征向量，且對應的標簽yi表示該樣本所對應的故障類型或故障發生的概率。

通過找到 一 個最優的超平面，可以最大化不同類別樣本之間的間隔。其優化問題的數學形式為式（5）：

同時，需滿足以下式（6）約束條件：

其中，W是超平面的法向量，b是偏差項，xi是松弛變量，用于處理不可分樣本。通過引入拉格朗日乘子法，將上述問題轉化為對偶問題，從而可以通過拉格朗日乘子來求解最優超平面。

在故障預測中，很多情況下數據是非線性的，這時SVM通過引入核函數來解決這一問題。核函數將數據從低維空間映射到高維空間，使得在高維空間中數據可以線性分割。常用的核函數有線性核、多項式核和RBF核。本文引入RBF核， RBF核函數的表達式為式（7）：

其中，是核函數的寬度，控制著數據點之間的相似度。

通過選擇合適的核函數， SVM能夠在高維空間中找到一個最優超平面，從而實現對故障的預測。  SVM不僅能夠處理二分類問題，還能夠通過支持向量回歸（Support Vector Regression， SVR）來處理回歸問題，從而預測故障的嚴重程度或發生概率[7]。

3   實驗研究

為了驗證本文提出的基于人工智能的光伏發電系統故障診斷與預測方法的實際應用效果，我們選用傳統的基于深度置信網絡的光伏發電系統故障診斷與預測方法和基于功率信號分析的光伏發電系統故障診斷與預測方法作為對照。實驗選用公開的光伏發電系統數據集，該數據集包含不同運行狀態下的電力信號，包括正常數據、光伏組件故障數據、逆變器故障數據和儲能系統故障數據，同時使用三種方法進行故障診斷，得到的診斷實驗結果如圖1所示。

（a）深度置信網絡方法

（b）功率信號分析方法

（c）本文方法

圖1 光伏發電系統故障診斷實驗結果

根據圖1可知， 傳統的深度置信網絡方法和功率信號分析方法在部分時間段內存在誤判或者診斷結果偏離實際情況的現象。基于深度置信網絡的光伏發電系統故障診斷方法在0s~18s的故障診斷結果雖然貼近實際結果，但仍有出入，在22s~32s故障診斷結果與實際結果完全一致，但在32s~48s的故障診斷結果完全脫離實際結果，在52s~65s故障診斷結果與實際結果完全一致；功率信號分析方法在0s~11s的故障診斷結果略高于實際結果，在22s~42s的故障診斷結果仍高于實際結果，在52s~54s、62s~65s的故障診斷結果與實際結果完全一致；而本文方法在0s~18s、20s~34s、 42s~52s、62s~65s的故障診斷結果與實際結果都保持高度一致，尤其在故障發生的關鍵時刻，其診斷結果無明顯偏差。

由此證明， 本文方法能夠更精準地識別光伏組件、逆變器以及儲能系統的不同故障類型，且對故障發生的時間點具有更高的敏感度。這主要得益于本文方法在模型構建過程中對光伏系統復雜運行特性的深入挖掘，結合了更豐富的特征信息，并通過優化的人工智能算法提升了故障診斷的實時性和可靠性。

在完成故障診斷后，對故障進行預測，得到的預測結果如圖2所示。

預測樣本

（a）深度置信網絡方法

預測樣本

（b）功率信號分析方法

（c）本文方法

圖2 光伏發電系統故障預測實驗結果

對上述預測實驗結果進行分析，得到的預測準確率實驗結果如表1所示。

表1 預測準確率實驗結果

根據上述結果可知，深度置信網絡通過多層神經網絡進行特征抽取和模式識別，能夠有效識別光伏發電系統的故障類型，預測準確率接近90%。盡管其準確率較高，但仍有一定的提升空間，特別是在面對復雜故障模式時可能存在誤差或未能完全精準地預測故障；功率信號分析方法通過分析系統的功率信號波動來進行故障診斷，在面對非典型故障或噪聲影響時表現不夠穩定，因此準確率較低，僅為80.13%；而本文方法能更好地處理多種故障類型，并且具備較強的魯棒性，準確率高達99.98%。

4   結束語

隨著光伏發電技術的不斷發展與應用，系統的可靠性和高效運行已成為保障其長期穩定運行的關鍵。本文基于人工智能技術，深入研究了光伏發電系統的故障診斷與預測方法，提出了一種結合時頻域分析與支持向量機的故障診斷模型，通過對系統運行數據的智能分析，有效提高了故障識別的精度和預測的準確性。實驗結果表明，本文所提出的人工智能方法能夠實時監測系統狀態，準確診斷不同類型的故障，并在故障發生前進行有效預測，顯著提升了光伏發電系統的運行效率與可靠性。

盡管當前的研究取得了一定的進展，但在實際應用中仍存在一些挑戰。未來的研究可以著重于優化算法和提高系統的自適應能力，并可以通過多種人工智能技術的融合，進一步提升光伏發電系統故障診斷與預測的全面性和準確性。AP

作者簡介：

賈國慶（1996-），男，山東濟寧人，助理工程師，學士，現就職于信息產業電子第十一設計研究院科技工程股份有限公司山東分公司，主要從事光伏新能源領域電氣設計相關的工作。

參考文獻：

[1] 彭輝, 田程程, 鄭宇鋒, 等. 基于深度置信網絡的光伏發電陣列的故障診斷方法[J]. 海軍工程大學學報, 2024, 36 (3) : 7 - 14.

[2] 鄭晏, 厲小潤, 張天文. 基于功率信號分析的光伏電站故障診斷方法[J]. 電力系統及其自動化學報, 2024, 36 (5) : 150 - 158.

[3] 彭輝, 黃婧檸, 鄭宇鋒, 等. 基于改進深度殘差收縮網絡的光伏發電陣列故障診斷方法[J]. 海軍工程大學學報, 2024, 36 (6) : 1 - 8.

[4] 錢亮, 黃偉, 楊建衛. 基于HHO-ELM的光伏陣列故障診斷方法研究[J]. 電源技術, 2024, 48 (2) : 345 - 350.

[5] 章文峰, 劉小平, 梁惠施, 等. 利用貝葉斯優化多層感知機的光伏陣列在線故障診斷方法[J]. 科學技術與工程, 2024, 24 (23) : 9905 - 9913.

[6] 顧鑫磊, 顧志偉, 衛東, 等. 基于時間序列波形特征的光伏組串熱斑故障診斷方法[J].太陽能學報, 2023, 44 (9) : 125 - 133.

[7] 亢旭輝, 周金博. Wi-Fi涂鴉云的戶用光儲逆變器監測系統[J]. 電子設計工程, 2024, 32 (19) : 129 - 134.

摘自《自動化博覽》2026年5月刊