使用前馈神经网络和基于残差的建模方法对光伏阵列中的故障进行在线检测、分类和定位 Kareem Adel Mohamed、 Nahla E. Zakzouk、 Mostafa Abdelgeliel 和 Karim H. Youssef

《Technologies》:Online Fault Detection, Classification and Localization in PV Arrays Using Feedforward Neural Networks and Residual-Based Modeling Kareem Adel Mohamed, Nahla E. Zakzouk, Mostafa Abdelgeliel and Karim H. Youssef

【字体: 大 中 小 】 时间:2026年03月04日 来源:Technologies 3.6

编辑推荐:

  摘要:在光伏(PV)系统中,快速可靠的故障检测对于提高系统可靠性和能量产出以及降低维护成本至关重要,确保在各种运行条件下都能安全高效地运行。尽管近期文献中提出的数据驱动型光伏故障检测技术(FDTs)展示了较高的诊断准确性,但它们通常存在实际限制,如需要离线操作、缺乏故障定位能力,

  摘要:在光伏(PV)系统中,快速可靠的故障检测对于提高系统可靠性和能量产出以及降低维护成本至关重要,确保在各种运行条件下都能安全高效地运行。尽管近期文献中提出的数据驱动型光伏故障检测技术(FDTs)展示了较高的诊断准确性,但它们通常存在实际限制,如需要离线操作、缺乏故障定位能力,或者无法同时识别多个故障。为了解决这些问题,本文提出了一个统一的框架,该框架将实时运行、故障分类与定位以及多故障同时识别集成到一个紧凑的诊断方法中。通过开发一种并行前馈神经网络(FFNN)架构实现了这一点,其性能通过基于残差模型的结构得到了提升,从而形成了一个更具解释性、可扩展性、可靠性和准确性的方案。此外,还结合了灰狼优化器-支持向量机(GWO-SVM)特征选择方法来挑选最具影响力的诊断特征,从而减少了数据冗余,提高了诊断准确性,并缩短了训练时间。所提出的方法被用于诊断五种类型的光伏故障(开路、短路、部分遮挡、性能退化以及多故障同时发生),并能够分类这些故障的强度和位置。仿真结果表明,所提出的FFNN在分类准确性上始终优于传统的支持向量机(SVM),故障分类和定位的准确率分别超过了98%和99%,在数据噪声较大的情况下也能保持95%以上的准确率。此外,与粒子群优化-支持向量机(PSO-SVM)相比,GWO-SVM在特征选择结构上表现更为稳定。仿真结果验证了所提出的多分类故障诊断方法的有效性,即使在系统存在不确定性的情况下也是如此,使其适用于实际的光伏系统。

1. 引言
随着全球对电力需求的增加,以及与温室气体排放相关的环境风险,从化石燃料向可再生能源(RESs)的转型进程加快[1,2]。其中,光伏(PV)系统因其可扩展性、低安装和运行成本、最小的环境影响以及在偏远或干旱地区提供可持续电力的能力而成为关键技术[3]。为了充分利用这些优势,光伏系统必须在其整个使用寿命期间可靠且高效地运行。然而,光伏阵列的性能经常受到各种异常情况的影响,包括环境变化、部分遮挡(PS)、物理退化(Deg)或以短路(SC)和开路(OC)形式出现的电气故障[4,5,6]。这些因素会降低能量产出,加速系统退化,在严重情况下甚至可能引发火灾等安全隐患[7,8]。电气故障是需要立即检测的急性事件,因为它们会严重干扰电力生成并影响系统安全[9]。另一方面,如遮挡、灰尘积累、积雪、鸟粪或电池退化等不匹配故障则是慢性问题,通常会导致性能逐渐下降、热点形成或局部过热,从而加速物理损坏[6,10]。研究表明,未被检测到的故障可能占总能量损失的17.5%,而及时的故障检测和预测性维护可以恢复这部分损失的能量[8,9]。因此,在光伏系统中进行高效和早期的故障检测至关重要。

在过去十年中,提出了许多故障检测和诊断技术,这些技术大致可以分为基于模型和数据驱动的方法[11,12,13,14]。基于模型的方法依赖于将测量得到的光伏输出(如电流、电压或功率曲线)与参考无故障模型的预测结果进行比较。测量值与预测值之间的偏差,通常称为残差,可作为故障的指示器[15,16]。虽然这些方法在高辐照度条件下具有可解释性和有效性,但其准确性受环境变化的影响较大,并且依赖于精确的系统建模,这在实践中可能具有挑战性[17]。另一方面,数据驱动技术利用历史或实时测量数据直接学习与不同故障相关的模式,从而提高诊断准确性[18]。它们通常采用传统的机器学习(ML)分类器和/或基于人工神经网络(ANN)的算法,提供了更高的诊断准确性和对不同运行条件的适应性,但需要大量的计算资源和较长的训练时间[19,20,21,22]。鉴于这些权衡,结合了基于模型残差分析和ML分类器的混合框架受到了关注。此外,结合优化方法可以提升学习性能。数据驱动的光伏故障检测技术可以大致分为四类,如图1所示:

图1. 文献中不同类别的数据驱动型光伏故障检测技术[23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41]。
(i) 基于ML的方法,使用传统的分类器[23,24,25,26,27,28],如支持向量机(SVMs)、k-最近邻(k-NN)、决策树(DTs)和随机森林(RF)。
(ii) 基于ANN的方法,能够学习复杂的非线性关系[29,30,31,32,33,34],如前馈神经网络(FNNs)、多层感知器(MLPs)、卷积神经网络(CNNs)和循环神经网络(RNNs)。
(iii) 结合优化算法的数据驱动方法[35,36,37,38],通过优化网络权重、超参数调整和特征选择来提升学习性能。
(iv) 结合基于模型的系统表示的数据驱动学习[39,40,41]。这些方法将物理光伏模型与数据驱动学习相结合,以提高在未见条件下的可解释性和泛化能力。

尽管文献中介绍的数据驱动型光伏故障检测技术(23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41)实现了较高的诊断准确性,但它们仍存在一些局限性,这些局限性将在后续部分详细讨论。首先,许多研究需要额外的硬件设备,如I-V曲线追踪器、视觉成像系统或密集的传感器网络。其次,只有少数研究解决了在线诊断或故障定位问题。此外,现有方法仅限于单故障场景,没有探索同时识别多个故障的能力。最后,并非所有研究都包含了特征选择,导致训练时间较长且计算负担较大。为了解决这些研究空白,本文提出了一个统一的光伏故障检测框架,该框架同时支持实时运行、故障分类与定位以及具有特征选择优化的多故障同时识别。该框架在诊断准确性方面表现优异,使用紧凑且实用的输入集,并结合了基于残差模型的方法来提高技术的可解释性、准确性、可扩展性和可靠性。总体而言,所提出的光伏故障检测方法的主要贡献在于它能够通过一种高效、紧凑的单一诊断方法同时实现以下功能:

- 实时故障诊断:该框架能够进行在线实时故障诊断,能够在五种异常运行条件(OC、SC、PS、Deg和多故障同时发生)恶化为严重故障之前及早发现它们,从而提高系统可靠性并减少功率损失。
- 故障分类与定位:只有少数相关研究能够实现故障定位。除了能够准确诊断故障类型和级别外,所提出的方法还能精确定位光伏阵列中的故障区域。这一能力减少了停机时间和维护成本,同时提高了整体运行效率。
- 多故障同时识别:通过采用并行前馈神经网络(FFNN)架构,所提出的方法能够成功识别多个同时发生的故障。这代表了相对于现有研究的重大进步,因为光伏系统中同时识别多个故障的问题在文献中尚未得到解决。
- 基于特征选择的性能提升:该框架的一个附加功能是结合了GWO-SVM方案进行特征选择,以识别最具信息量的特征。这减少了数据冗余,提高了分类准确性,并缩短了训练时间,从而形成了一个更高效和稳健的诊断模型。

本文分为六个部分。第1部分之后是第2部分,第2部分详细解释了所提出的方法论。然后是第3部分的仿真工作和分析结果。最后,第4部分讨论了所提出的工作,第6部分得出了结论。

2. 文献综述
由于最近开发的数据驱动型光伏故障检测技术具有较高的诊断准确性和对不同运行条件的适应性,因此受到了广泛研究[23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41]。表1比较了这些技术在类别、输入、优势及局限性方面的差异,包括采用的故障分类方法、检测到的光伏故障类型和诊断准确性,以及定位和实时能力。

表1. 最新的数据驱动型光伏故障检测技术。第一类传统的非神经学习型光伏故障检测技术包括[23,24,25,26,27,28]。在[23]中,提出了一种改进的光伏故障检测技术,该技术使用主成分分析(PCA)技术提取和选择最相关的多变量特征,并采用监督机器学习(SML)分类器进行故障诊断。在[24]中,通过交叉验证的逻辑回归成功识别了不匹配、OC和SC故障,但对非线性模式的鲁棒性不足。在[25]中提出了一种使用标准化日功率时间序列的SVM分类器的方法,该方法专门解决了遮挡和老化故障之间的区分难题,这两种故障具有相似的电气特征。在[26]中,Stockwell变换(ST)与数据挖掘技术结合使用,产生了准确的结果,但需要仔细调整。在[27]中,应用了一种聚合模型(包括多个ML模型——SVM(线性)、SVM(Poly)、SVM(RBF))来检测小数据量下的光伏阵列中的各种故障。通过水平和基于RF的简化技术减少了数据量。另一方面,在[28]中,将XGBoost与其他ML分类器进行了比较,它实现了更高的诊断准确性,但误报率较高,错误地标记了正常情况。

第二类包括更先进的基于神经的学习型光伏故障检测技术[29,30,31,32,33,34]。在[29]中,提出了一种基于物联网(IoT)的诊断架构,结合FFNN来识别多种光伏故障类型。所采用的FFNN的诊断性能优于其他传统ML分类器;然而,在部分遮挡条件下由于数据不平衡,其性能下降。在[30]中应用了基于VGG16的卷积CNN,有效识别了物理和电气变化(如灰尘和鸟粪),但对环境条件敏感。在[31]中提出了一种混合人工神经网络-支持向量机(ANN-SVM)模型,通过基于ANN的特征提取后进行SVM分类,以提高分类准确性和速度。为了解决由环境灰尘加剧的复合故障难题,[32]的作者开发了Regur模型,这是一种混合深度学习(DL)框架,结合了ResNet和BiGRU以及Squeeze-and-Excitation模块进行数据压缩。该模型的主要优势在于其对噪声和复杂故障条件的鲁棒性,尽管其实际应用可能受到计算成本和复杂性的限制。同样,在[33]中,提出了一种结合堆叠稀疏自编码器(SSAEs)进行自主特征提取和优化多层感知器(OMLP)进行精确故障分类的混合DL框架,实现了光伏系统故障诊断的稳健框架,但计算负担和实现复杂性较高。另一方面,在[34]中提出了一种基于光伏电流的新光伏故障检测技术。使用LED阵列以不同调制频率照射光伏阵列,生成每个面板上不同频率的光电流。通过快速傅里叶变换获得每个频率的SC电流幅度,从而测量每个面板的光电转换效率,并使用ANN识别短路电流的幅度和频率,实现故障识别和定位。

第三类包括结合优化方法的数据驱动学习技术[35,36,37,38]。在[35]中,改进的灰狼优化(MGWO)提取了用于RF分类的光伏单二极管模型参数,性能优于SVM和ANN,但严重依赖于预定义的故障场景。在[36]中,应用了轻量级2D CNN,并结合能量谷优化器(EVO)进行超参数优化和连续小波变换(CWT)尺度图。所提出的FDT对噪声具有鲁棒性,但需要大量的预处理。相反,在[37]中,XGBoost与Harris Hawks优化(HHO)结合用于特征选择,提高了多故障识别的能力。同样,在[38]中,再次应用了XGBoost,但这次与一种新的特征选择方案结合使用,即世界杯优化算法(WCO),该算法灵感来源于全球球队争夺世界杯的比赛。

最后,第四类与基于模型的方法相关的数据驱动技术包括[39,40,41]。在[39]中,使用来自阿尔及利亚的三天正常运行数据训练了一个基于残差模型的ANN,取得了强大的检测性能。在[40]中,开发了一种用于并网光伏电站的自动故障检测技术,依赖于光伏模型曲线,并结合1D-CNN进行分类和物联网进行实时数据采集。该模型实现了高准确性,但初始成本较高,并且在大型光伏系统中需要额外的校准。在[41]中,一种数字多胞胎架构引入了一种理论-特征-视觉(TFV)数字孪生框架,该框架融合了分析建模、特征工程和基于视觉的分析。应用了一种2D格拉姆角场变换算法(TDGAF)来实现光伏特征数据的定向2D映射。此外,构建了一个Swish激活的深度卷积生成对抗网络(SDCGAN)来实现映射数据的平衡增强。最后,应用了一个Swin轻量级网络,该网络结合了一个轻量级双通道注意力模块(LDAM),以更好地分析视觉孪生的特征,从而实现更精确的故障诊断。然而,这种极端的架构复杂性、对平衡数据集的依赖以及高昂的计算需求限制了其在实时和边缘环境中的适用性。尽管这些研究获得了高诊断准确性,但只有[24,29,31,36,39,40]实现了在线实时故障检测,从而能够早期识别故障;而只有[24,34,41]实现了故障定位能力,能够精确识别故障组件或部分,从而加快修复速度并减少停机时间。因此,只有[24]同时掌握了这两种能力,但代价是增加了传感器的数量,因为故障诊断是在电池级别进行的。这增加了系统的成本和体积,限制了其实用性。此外,这些研究都没有讨论并发故障的诊断问题。为了解决这些不足,本文提出了一种高效的光伏故障诊断框架,具有实时故障检测、早期故障识别和分类以及故障部分的精确定位功能。此外,依靠并行FFNN结构,所提出的方法能够成功识别并发故障,这是文献中从未研究过的能力。此外,所提出的方法还包括特征选择功能,使用GWO-SVM来选择最有效的特征,从而提高了准确性并减少了训练时间。所有这些能力都是通过使用紧凑且实用的输入集(阵列电压、温度、辐照度和串电流)实现的,避免了额外硬件设备的需要。这是通过结合基于模型的残差分析的数据驱动方法实现的,与纯基于模型或纯数据驱动的方法相比,该方法具有更快、更可靠、更易于解释和更可扩展的故障诊断方案。

3. 材料与方法
在本节中,首先展示了所提出的故障诊断框架的架构,然后以清晰的分步流程形式介绍了所提出方法的整体工作流程。每个步骤都提供了关于数据生成、特征提取和选择以及模型实现的详细描述。最后,说明了数据平衡问题,并讨论了性能评估指标。

3.1. 系统架构和数据流程
所提出的框架采用了一种分散的、并行的架构,专为在线光伏故障诊断而设计,如图2所示。所提出的框架由两个独立层组成,它们同时运行:故障分类层和故障定位层。分类层包括四个专用的FFNN(FFNN-SC、FFNN-OC、FFNN-PS和FFNN-Deg),它们同时运行以检测特定类型的故障及其各自的强度。每个FFNN独立针对其相应的故障类别,确保学习集中且无交叉干扰。定位层包括一个单一的FFNN-Loc模型,它可以识别任何类型的故障串。这种并行设计消除了顺序瓶颈,确保了在线实现时的最小延迟和更好的鲁棒性。

3.2. 详细的分步工作流程
本节介绍了所提出的光伏故障诊断框架的完整工作流程,涵盖了数据采集、特征提取、特征选择、故障分类和定位,最后是决策融合。如表2所示,逐步框架被组织成六个明确定义的处理阶段。对于每个阶段,都明确说明了输入、处理操作、输出和背后的动机,以确保清晰性和逻辑一致性。接下来是对每个步骤的详细解释。

3.2.1. 第1步:数据生成和预处理
使用详细的MATLAB R2025a/Simulink模型生成了一个包含直流负载和电池的独立光伏系统的综合数据集。在受控的辐照度和温度下模拟了各种故障场景,包括短路(SC)、开路(OC)、逆变器故障(PS)和退化(Deg),以确保可重复性。在Simulink中使用功能块进行了数据预处理,以消除异常值并防止数值不稳定。

3.2.2. 第2步:特征提取
特征提取策略针对每种故障类型进行了定制,以提高区分度。对于短路和开路分类,混合GWO-SVM算法从七个候选特征(V、I、P、I/V、P/V、dI/dV和dP/dV)中选择最具信息量的子集。然后使用四个最优特征(V、I、I/V、P/V)作为FFNN-SC和FFNN-OC模型的输入。对于逆变器故障和退化检测,通过比较测量值和模拟值得到五个无量纲的比率特征:相对电压(relV)、相对电流(relI)和相对功率(relP),以及两个基于偏差的特征:((I/Ω)sim ? (I/Ω)meas)(4)和((P/Ω)sim?(P/Ω)meas)(5)。这里,Vmeas、Imeas和Pmeas表示来自物理光伏模型的测量电压、电流和功率,而Vsim、Isim和Psim表示来自数字孪生的模拟量。基于比率的特征将在线测量值相对于名义健康基线进行了归一化,减轻了辐照度和温度变化的影响。同时,基于斜率的偏差捕捉了I-V和P-V曲线中的细微失真,从而实现了故障的早期检测和匹配。这五个特征在逆变器故障和退化任务中一致应用,以确保统一且计算效率高的建模方法。对于故障定位,使用了一组单独的特征,即模拟电流和测量电流之间的串级电流偏差(ΔI1、ΔI2、ΔI3)(6)。

3.2.3. 第3步:使用GWO-SVM进行特征选择
选择GWO作为特征选择的元启发式算法,因为它与其他群体算法相比具有更强的收敛行为和较低的计算复杂性[42]。GWO在探索和利用之间表现出更平衡的权衡,从而实现了更快和更稳定的收敛[43]。其分层领导机制(Alpha、Beta和Delta狼)可以通过Sigmoid传递函数有效地适应二进制优化,使其非常适合于特征编码为二进制决策的特征选择问题。此外,GWO所需的控制参数较少——主要是种群大小和迭代次数——比PSO等算法少,后者依赖于惯性权重调整[44]。这种简单性减少了参数调整的工作量,提高了可重复性,并降低了计算开销。选择SVM作为分类器和适应度评估器,因为它在高维特征空间中具有强大的泛化能力,并且在其训练数据有限时具有鲁棒性[45,46]。SVM使用具有最大边界的最佳超平面来分离类别,并使用核函数来处理非线性关系。SVM的最大边界公式降低了过拟合的风险,与基于实例和基于树的分类器不同,后者可能会受到特征冗余和共适应的影响。此外,通过应用径向基函数(RBF)核,SVM能够有效地捕捉非线性光伏关系。最后,SVM解决了一个凸优化问题,并保证在元启发式框架内收敛到全局最优解,从而实现了更快和更稳定的评估。

关于上述内容,本文提出了一个混合GWO-SVM特征选择框架,将GWO与SVM集成在一起,以利用两种算法的互补优势:GWO高效地探索特征子集空间,而SVM准确评估每个子集的区分能力。从模拟的光伏故障中得出了七个候选特征(V、I、P、I/V、P/V、dI/dV和dP/dV),每个候选特征被称为一只狼,并用二进制向量表示(1=选中,0=排除)。对于每只狼,相应的特征子集训练一个SVM分类器,其分类准确性定义了狼的适应度。适应度函数使用在选定特征上训练的SVM分类器的5折交叉验证准确性,转换为适应度=1 ? 准确性,从而创建了一个最小化问题,其中较低的适应度表示更好的性能。GWO初始化一个随机的狼群,识别出前三名领导者(Alpha、Beta和Delta),并使用Sigmoid传递函数迭代更新剩余的狼,以保持二进制编码。该过程持续到收敛到最优特征子集。图3中的流程图展示了优化后的特征集{V、I、I/V、P/V},它为光伏故障检测提供了最高的分类准确性。选定的特征{V、I、I/V、P/V}在物理上是有意义的,并且是高度区分性的故障指标,因此它们可以在不同的分类器类型之间转移。此外,选定的子集反映了低冗余、高信息量的电气特征,这些特征不是特定于基于超平面的分类器,而是代表了故障模式的内在可分性。因此,当之后转移到基于非线性激活的分类器(FFNN模型)时,选定的特征子集将保持其重要性,并产生高分类准确性,这将在第4节的模拟结果中得到验证。

如图3所示,GWO被用来选择最优的特征子集,而SVM评估每个子集的分类性能。具体解释如下:
设训练数据集定义为??={(????, ????)}; ??=1, ..., ??; ???? ∈ ????; (9),其中????表示?????特征向量,????是相应的标签,m是样本数量,Rd是一个包含d维实值特征的向量。考虑了两种故障标记方案:
对于短路故障检测,???? ∈ {0,1,2,3,4}(10),其中标签表示短路模块的数量。
对于开路故障检测,???? ∈ {0,1,2}(11),其中标签表示开路串的数量。
每个特征向量定义为????=[??,??,??,????, ????????, ????????](12)。
每个候选解决方案(对应于一只狼)由一个二进制向量表示:??=[??1,??2,……????], ????={0,1}, ??=1,…,??(13),其中???? =1表示特征j被选中,否则???? =0。因此,对于?????样本选定的特征子集定义为?????????? = [????,??|, ????=1](14)。
对于可分离的情况,SVM决策函数表示为???(??)=?????????(??∑??=1???????????(??,??????????)+??)(15),其中b是偏置项,z是带有选定特征的测试样本,????表示拉格朗日乘数,???(??,??????????)是RBF核。
选择RBF核是因为它在故障检测和诊断中更有效[42]。它定义为???(??,??????????)= ???????12??2∥?????????????∥2(16),其中σ是高斯函数的宽度;较大的σ产生更平滑、更宽的核,而较小的σ产生更窄的核,专注于局部点。
拉格朗日乘数????是从SVM优化问题的对偶形式获得的,这更高效,并允许使用核函数。对偶拉格朗日量表示为?????(??)=??∑??=1?????12??∑??=1????∑??=1???????????????? ???(??????????,??????????)(17),受约束??∑??=1????????=0,0≤ ????≤??;??=1,2,…,??(18),其中参数C称为软边界SVM的正则化参数(或惩罚参数)。
对于给定的解决方案向量X,选择特征→在数据集上训练/测试SVM→计算准确性,然后计算适应度函数。候选解决方案的适应度基于SVM分类准确性定义:???(??)=1????????????????????????(??)(19),较低的f(X)对应于更好的解决方案。因此,最小化f(X)等同于最大化分类准确性。Grey Wolf Optimizer根据包围和狩猎策略更新每只狼的位置。这些更新规则独立应用于位置向量的每个维度。对于每个维度,计算如下:????=|???? ????????|(20),????=|???? ????????|(21),????=|???? ????????|(22),???=????????????(23),???=????????????(24),???=????????????(25),???(??+1)=???+???+???(26),其中????、????、????代表前三只狼(α、β、δ)的特征子集,而(???,???,??3,??1,??2,??3)是系数向量,计算为A = 2a · r1 ? a(27),C = 2 · r2(28),其中a是一个控制参数,在迭代过程中从2线性减少到0,r1、r2是[0, 1]中的随机向量。由于问题需要二进制解决方案,连续的位置值X(t + 1)使用带有随机阈值的Sigmoid函数转换为二进制值:???(??)=11+?????(29),其中???(??)表示SVM作为适应度函数的评估器。在预定义的迭代次数后,最优特征子集被确定为 ??*=argmin ???(??) (30)。最终选定的特征将是 ??*=[??,??,????, ????] (31)。这种GWO–SVM方法分别应用于短路故障检测(五个类别:0–4个模块短路)和开路故障检测(三个类别:0–2个串开路)。对于多类SVM,采用了一对一策略,训练多个二元分类器,并通过多数投票得出最终决策。为了验证所提出的GWO–SVM框架的有效性,优化器设置、特征选择过程和评估标准如下详细说明。二元GWO配置了20个搜索代理和10次迭代。适应度函数是通过使用SVM的5折交叉验证(CV)获得的。为了提高鲁棒性,优化过程重复了10次,并且在至少50%的运行中选定的特征被保留为稳定的。作为对比,在相同的条件下实现了一个二元PSO算法:20个粒子,10次迭代,惯性权重 ?? = 0.7,加速系数 c1 = c2 = 1.5。两种优化器使用了相同的基于SVM的适应度函数、稳定性标准和数据集,以确保公平比较。一旦通过GWO或PSO获得了最优特征子集,就在缩减的数据集上训练了一个带有RBF核的SVM,并在未见样本上进行了测试。评估指标包括测试准确率、混淆矩阵、交叉验证性能、Wilcoxon检验和执行时间。这个基于仿真的框架确保了GWO–SVM(提出的)和PSO–SVM(基准)在相同的SC和OC数据集上使用了一致的评估标准进行评估。3.2.4. 第4步和第5步:使用专用FFNN进行故障分类和定位FFNN因其在从输入特征学习复杂非线性映射方面的有效性而被选用于光伏故障诊断[47,48,49]。与循环或卷积架构不同,FFNN通过输入层、多个隐藏层和输出层以严格的前向方式处理信息。这些层中的每个神经元计算其输入的加权和,加上一个偏置,并应用一个非线性激活函数。单个神经元输出的数学表达式为 [47] ??=???(??∑??=1(?????????+??)) (32),其中 ???? 表示输入特征,???? 是相应的权重,b 是偏置,?? 是激活函数。激活函数引入了非线性,使网络能够学习复杂模式。常见的选择包括Sigmoid、双曲正切(tanh)、修正线性单元(ReLU)和softmax。在这项研究中,隐藏层使用了ReLU,因为它只在输入 > 0时激活神经元,提高了效率,防止了过拟合,并实现了深度非线性学习。隐藏层操作的本质可以用前向传播方程来说明,即 ??(??)=??(??)???(???1)+??(??) (33),其中 ??(??) 是第l层的原始分数(logit),??(??) 是权重矩阵,??(???1) 是来自前一层的激活向量,??(??) 是该层的偏置向量。然后通过应用激活函数(这里使用ReLU)得到层输出:??(??)=???(??(??)) (34)。在输出层,softmax激活函数将logits转换为多类分类的类别概率。^????=????(??)??∑????=1????(??)?? (35),其中L 是最终层,C 是类别总数,^???? 是类别C的预测概率,??(??)?? 是最终层的预激活向量,??(??)?? 是类别k的预激活值。目标是优化权重和偏置以最小化损失函数,该函数表示预测值和实际值之间的差异。考虑一批n个训练样本,其中二进制指示器表示每个观测值的类别c是否是正确标签。对于多类分类,使用分类交叉熵损失(Categorical Cross-Entropy loss)来平均各个损失:???????????????????????????????? ?????????????? ????????????????????=?1?? ??∑??=1??∑??=1??(??)??????????(^??(??)??) (36),其中 ^???? 是类别c的预测概率 [49]。Adam优化器使用通过反向传播计算的梯度和平方梯度的偏差校正移动平均值来更新网络的权重W和偏置b,以最小化损失函数。模型性能使用准确率、精确度、召回率和F1分数 [50,51,52] 来评估。对于SC故障分类,FFNN由三个全连接隐藏层组成,分别有128、64和32个神经元,使用ReLU激活函数。应用批量归一化和Dropout层(0.3、0.26、0.2)来增强训练稳定性并防止过拟合。输出层有五个神经元,使用softmax激活函数,代表正常操作(类别0)和一到四个短路模块(类别1–4)。OC故障分类使用相同的隐藏层、正则化和激活函数,有三个输出神经元,对应于三个类别的标签(0:正常,1:一个OC串,2:两个OC串)。对于PS检测和Deg分类,FFNN也有三个隐藏层(128–64–32神经元,ReLU)和批量归一化及Dropout层(0.3、0.26、0.2)。PS和Deg的输出层各有三个神经元,使用softmax激活函数,分别代表正常操作和一个或两个阴影模块的PS,以及对应于正常(0)、轻微退化(1)和严重退化(2)的Deg。值得注意的是,进行了一项消融研究来验证所提出的FFNN结构设计的合理性,这些FFNN专门用于故障分类。这些FFNN使用5折交叉验证进行了评估,比较了每种模型的许多架构,从简单的(1层)到复杂的(4层)变体,包括最初提出的3层配置(128–64–32神经元)。结果显示了一致的模式。对于这两种分类器,提出的3层架构实现了最高的平均准确率(例如,对于SC故障为99.50%)。更复杂的变体,如4层或更宽的3层网络,几乎没有提高准确率(<0.01%),同时训练时间增加了多达50%,显示出明显的收益递减。相反,更简单的1层和2层架构表现出逐渐降低的准确率,表明了欠拟合。这些在不同故障类型上的一致结果从经验上证实了选定的3层架构为所需的诊断任务提供了模型容量、泛化和计算效率的最佳平衡。对于故障定位,FFNN-Loc使用五个特征(ΔI1、ΔI2、ΔI3、ΔV、ΔP)作为输入,以识别部分阴影或退化下的故障串。该架构由三个大小递减的全连接隐藏层组成(128、64和32个神经元),每个层都使用ReLU激活,然后是批量归一化和Dropout层(比率=0.3),以确保稳定训练并减少过拟合。输出层使用softmax激活函数将系统分类为特定串的标签(例如,标签0 = 正常,标签1 = 串1中的故障,标签2 = 串2中的故障,标签3 = 串3中的故障,标签4 = 串2和3中的故障),从而实现故障的精确空间识别。为了评估FFNN的性能,使用了一个带有RBF核的SVM分类器作为基准。其超参数(C和γ)通过随机搜索CV和3折交叉验证进行了优化。SVM模型在与FFNN相同的特征集上进行了训练和测试,以确保准确率、精确度、召回率和F1分数的公平比较。使用Wilcoxon符号秩检验在多次运行中评估FFNN和SVM之间的统计显著性。3.2.5. 第6步:决策融合和报告所有FFNN模型都是使用Python 3.13离线开发和训练的,使用特定于故障的数据集,并调整了超参数以确保强大的泛化性能。训练完成后,网络被导出为Open Neural Network Exchange(ONNX)格式,并使用ONNX推理块集成到Simulink环境中。这种实现使得在Simulink中可以直接执行Python训练的模型,而无需运行时调用Python,从而支持实时在线故障诊断和系统监控。最终诊断输出是通过结合故障分类和故障定位架构的结果的决策融合阶段获得的。例如,如果FFNN-SC分类器检测到SC故障,而FFNN-Loc网络识别出串2有故障,系统将报告串2中的SC故障。3.3. 考虑模型的技术参数考虑的GWO-SVM和FFNN模型的技术参数在表3中总结,列出了每种模型的架构、输入特征和输出类别的数量,以及其激活函数、训练策略和优化器/分类器规格。表3. 考虑的GWO-SVM和FFNN模型的技术参数。3.4. 数据分布和平衡使用了五个数据集进行综合分析——短路(SC)、开路(OC)、部分阴影(PS)和退化(Deg)和定位(Loc)——如图4所示,每个数据集的类别标签在前一小节中讨论。图4. 考虑的数据集的类别分布:(a) SC,(b) OC,(c) PS,(d) Deg,(e) Loc。如表4所详述,所有数据集都表现出良好到优秀的类别平衡,最大不平衡比率范围从1.02:1到1.37:1。Deg数据集显示出接近完美的平衡(1.02:1),而Loc数据集在五个类别上表现出优秀的平衡(1.25:1)。SC、OC和PS数据集显示出轻微的自然变化(1.32–1.37:1),这些变化在机器学习和分类任务的可接受范围内。因此,没有数据集表现出严重的类别不平衡;即,所展示的数据集分布在实际故障诊断场景中是典型的,不太可能引入显著的训练偏差或对模型学习或泛化产生不利影响。表4. 所有数据集的类别分布和平衡指标。这些数据集的大小被分为80%用于训练和20%用于测试。3.5. 评估指标模型性能使用准确率、精确度、召回率和F1分数进行评估,统计显著性通过Wilcoxon符号秩检验 [46] 来评估。准确率:衡量正确分类实例的比例:???????????????????????=?????+??????????+?????+?????+????? (37),其中TP和TN是正确分类的正例和负例,FP和FN是错误分类的负例和正例。精确度:在最小化假正例时,正确预测正例的比例:???????????????????????????????????=??????????+????? (38)。召回率:正确识别实际正例的比例,当错过正例的成本很高时很重要:??????????????=??????????+????? (39)。F1分数:精确度和召回率的调和平均值,平衡了两者之间的权衡;对于不平衡的数据集很有用:???1 ??????????????=2× ?????????????????????????????×????????????????????????????????????????+????????????????? (40)。Wilcoxon符号秩检验:评估优化方法之间的性能差异是否具有统计显著性。对于成对的m个样本,????,????(?? =1,…?…, ??),差异定义为 ????=????????? (41)。绝对差异 |????| 按????排序,符号秩之和计算为 ??+=∑????>0???? , ???=∑????<0???? (42)。然后计算测试统计量 ??=????????(??+, ???) (43)。对于足够大的m,应用正态近似Z,其均值为(????)和方差(????):??=??? ???????? (44)。最后,计算双侧p值:??=2×????????2(???(??),1????(??)) (45),其中Φ(?)是标准正态分布的累积分布函数。如果p < 0.05,则认为性能差异具有统计显著性 [53]。4. 实施和结果在本节中,提出的光伏故障诊断、分类和定位框架在不同的单故障和并发故障场景下进行了验证,同时使用了干净和嘈杂的数据。这是使用MATLAB/Simulink平台来模拟所提出的框架并生成所有光伏操作条件和故障场景,而机器学习和神经网络组件,包括GWO-SVM和FFNN训练,则在Python平台上实现。进行了三个实验:第一个包括不同的单故障场景;第二个包括并发故障场景;最后,第三个实验包括在系统不确定性下的技术评估,即嘈杂数据和传感器偏差。4.1. 仿真设置光伏系统由一个包含三个并行串的15个模块阵列组成,每个串有五个串联连接的Solarex MSX-60模块(Solarex,Frederick,MD,美国)。每个模块在MPP下的工作电压为17.1 V和电流为3.5 A,每串的输出电压为85.5 V,总阵列电流为10.5 A,在标准条件(1000 W/m2,25 °C)下,阵列功率为897.75 W。一个升压转换器为一个25 Ω的电阻负载和一个130 V的电池供电。通过修改的Perturb and Observe(P&O)算法实现MPPT,对于显著功率变化使用较大的步长,在MPP附近使用较小的步长以提高精度。4.2. 特征选择GWO被应用于选择SC和OC故障分类的最优特征。对于SC,四个特征——V、I、I/V和P/V——获得了0.02326的适应度(约97.67%的准确率);对于OC,相同的特征获得了0.0046的适应度(约99.54%的准确率)。基于导数的特征(dI/dV、dP/dV)并不需要,这降低了模型复杂性并提高了实时适用性。收敛性分析显示,SC的适应度在五次迭代内从0.06急剧下降到0.0233,而OC则逐渐下降到0.0046,这证实了GWO能够一致地识别出最相关的特征。选定的特征在表5中进行了总结。表5. 由GWO选定的特征。为了对提出的GWO–SVM方法进行基准测试,在相同条件下实施了PSO–SVM。如表6所示,GWO的SC测试准确率(97.67%)高于PSO(97.34%),并且一致地选择了稳定的特征子集[0, 1, 3, 4]。尽管GWO的执行时间略长(10次运行分别为501.58秒和458.22秒),但差异具有统计学意义(Wilcoxon p = 0.00195),证明了其更高的可靠性和鲁棒性。如表7所示,GWO在OC故障选择方面的测试准确率(99.54%)也高于PSO(99.37%),并且一致地选择了[0, 1, 3, 4]。PSO的速度稍快(263.93秒对比281.94秒),但差异不具有统计学意义(Wilcoxon p = 0.72871),表明两者效果相当。值得注意的是,表6和表7中的执行时间对应于离线特征选择优化(GWO/PSO各10次运行),并不代表在线监控的延迟。表6. GWO和PSO在SC故障特征选择方面的性能比较。表7. GWO和PSO在OC故障特征选择方面的性能比较。GWO-SVM在SC故障检测中观察到的优势可以归因于GWO在探索和利用之间的更强平衡,这种平衡由α–β–δ机制引导,有助于避免过早收敛,并提高选择更具信息量和稳定性的特征子集的可能性。相比之下,PSO在搜索高维特征空间时可能会更早地收敛到局部最优解,从而导致特征子集略不理想。4.3. 分类器性能基准测试五种FFNN(SC、OC、PS、Deg和Loc)在所有故障检测任务中都表现出强烈的收敛性和高准确率。SC和OC模型在第40个时代就收敛了,而PS和Deg模型则类似地稳定下来。定位模型在第10个时代就收敛,达到了99.94%的准确率。训练和验证损失非常接近,如图5所示,证实了其强大的泛化能力。图5. 每种FFNN的训练和验证损失曲线:(a) SC,(b) OC,(c) PS,(d) Deg,(e) Loc。SVM分类器被用作FFNN的基准。表8显示,FFNN在SC、PS、Deg和Loc任务中始终实现了更高的准确率、精确度、召回率和F1分数,而SVM仅在较简单的OC故障中表现具有竞争力(p = 0.7287)。Wilcoxon检验(p < 0.05)证实了FFNN在故障检测和定位方面的卓越可靠性和鲁棒性。表8. PV故障分类和定位模型的评估指标。4.4. 实验I(单故障场景)在五种单故障场景下测试了MATLAB/Simulink PV模型,并与理想系统进行了基准对比,确认了准确的检测和分类。4.4.1. 案例研究I:短路故障测试场景表9中的短路场景在1000 W/m2的辐照度下进行。如图6a所示,从0到0.05秒和0.25到0.3秒期间没有发生故障,而在0.05到0.2秒期间,第3串引入了短路故障。在此期间,FFNN-SC正确检测到了短路故障并确定了短路的模块数量,图6b显示使用FFNN-Loc在第三串中实现了准确的定位。然而,从0.2到0.25秒期间,只有第2串有一个模块短路,这被FFNN-SC和FFNN-Loc准确识别。其他故障分类器的输出均为零,证实了其特异性和可靠性。表9. 案例研究I的短路场景。图6. 案例研究I:(a) 所有FFNN故障分类器的输出,(b) FFNN-Loc分类器的输出。4.4.2. 案例研究II:开路故障测试场景表10中的开路场景在1000 W/m2的辐照度下进行。图7a显示从0到0.05秒和0.15到0.3秒期间没有故障;然而,在0.05到0.1秒期间,第3串发生了开路,而在0.1到0.15秒期间,第2串和第3串都发生了开路。FFNN-OC准确检测到了断开的串的数量,其他分类器的输出均为零。图7b中的故障定位显示从0.05到0.1秒期间,第三串被标记为故障,而从0.1到0.15秒期间,第二串和第三串都被标记为故障(标签4),证实了该方法的有效性。表10. 案例研究II的开路场景。图7. 案例研究II:(a) 所有FFNN故障分类器的输出,(b) FFNN-Loc分类器的输出。4.4.3. 案例研究III:部分遮挡故障测试场景为了测试该方法在部分遮挡条件下的表现,表11展示了不同的PS场景。在0–0.05秒和0.15–0.3秒期间,系统以1000 W/m2的辐照度正常运行。从0.05到0.1秒期间,第1串的两个模块分别以700 W/m2和500 W/m2的辐照度被遮挡;而从0.1到0.15秒期间,同一串中只有一个模块以500 W/m2的辐照度被遮挡。图8a显示FFNN-PS在故障期间正确检测到了故障和被遮挡的模块数量,而其他故障分类器的输出均为零。图8中的故障定位显示被遮挡的模块属于第1串,证实了该方法的选择性和鲁棒性。表11. 案例研究III的遮挡场景。图8. 案例研究III:(a) 所有FFNN故障分类器的输出,(b) FFNN-Loc分类器的输出。4.4.4. 案例研究IV:退化故障测试场景系统在表12中的退化场景下进行了测试,辐照度为1000 W/m2。从0.05到0.1秒期间,串联电阻增加导致模块功率降至46.6 W(V = 13.8 V,I = 3.38 A),模拟了轻微退化;而从0.1到0.15秒期间,功率降至29.9 W(V = 12 V,I = 2.49 A),代表了严重退化以及正常情况。图9显示FFNN-Deg正确分类了退化级别——“1”表示轻微退化,“2”表示严重退化,“0”表示正常运行,证实了准确的检测和分类。表12. 案例研究IV的退化场景。图9. 案例研究IV:FFNN故障分类器的输出。4.4.5. 案例研究V:多单故障测试场景系统在表13中展示了多种单故障场景,通过同一模拟运行来模拟连续故障。从0到0.1秒期间系统处于正常运行状态;然而从0到0.05秒期间,整个阵列的辐照度为1000 W/m2,而从0.05到0.1秒期间,辐照度降至800 W/m2。如图9的部分(a)和(b)所示,在这些期间没有检测到故障,这证实了该方法在不同辐照度条件下的准确性和有效性。此外,在其他故障期间,根据表10中的场景,故障类型、级别和位置都被准确识别。图10. 案例研究V:(a) FFNN故障分类器的输出,(b) FFNN-Loc分类器的输出。4.5. 实验II(并发故障场景)为了验证该方法识别并发故障并定位它们的能力,考虑了两种并发故障场景,如表14所示。从0.02到0.07秒期间,第1串中的一个模块被遮挡,同时发生了轻微的阵列退化;而从0.1到0.15秒期间,第3串中的两个模块同时短路,仅在这些期间发生了轻微的阵列退化故障。如图11a所示,FFNN-Deg持续进行了标记,而FFNN-PS从0.02到0.07秒进行了标记,FFNN-SC从0.1到0.15秒进行了标记,证实了所提出的并行框架在准确识别并发故障方面的有效性。此外,图11b展示了该方法在并发故障期间的故障定位能力:从0.02到0.07秒期间,第1串被标记;而从0.1到0.15秒期间,第3串被标记。值得注意的是,该方法在并发PS和Deg故障中的分类准确率达到了99.11%,在并发SC和Deg故障中的准确率达到了98.62%,证实了该方法在并发故障期间的准确性和可靠性。表14. 并发故障测试场景。图11. 并发故障场景:(a) FFNN故障分类器的输出,(b) FFNN-Loc分类器的输出。4.6. 实验III(系统不确定性:噪声数据和传感器偏差)在这个实验中,测试了该方法在系统不确定性下的有效性,这些不确定性包括噪声数据的存在或传感器错误的发生。4.6.1. 噪声数据有意在输入信号(PV电压和电流测量值)中添加了白高斯噪声(WGN),以评估所提出的故障诊断框架在噪声操作条件下的鲁棒性,这更好地反映了现实世界环境。这些噪声信号是使用标准噪声模型[54]生成的:?noisy?(??)=??(??)+???(??) (46)其中??(??)表示原始(无噪声)信号,???(??)表示均值为零的高斯噪声,建模为???(??)~???(0,??2) (47)其中??2是由选定的信噪比(SNR)确定的噪声方差。??2=??signal10SNR/10 (48)其中??signal =???[?2?(??)]是原始信号的平均功率。因此,噪声信号变为?noisy?(??)=??(??)+√??signal10SNR10 ???(0,1) (49)对于PV故障分析,研究人员通常使用数据驱动的学习技术来构建鲁棒模型,即使在数据缺失或噪声较大的情况下也能正确分类故障,噪声水平为30–40 dB [55]。因此,引入的噪声水平为30 dB。如图12所示,该方法在噪声数据下表现出与清洁数据相当的鲁棒性能,在考虑的四个故障类别以及故障定位应用中均取得了可比的准确率。在基线清洁条件下,所有故障分类模型的准确率均达到≥97.7%,故障定位的准确率达到了99.85%。当受到相当于30 dB SNR的模拟噪声水平影响时,模型保持了出色的性能:故障定位的准确率为99.8%,性能下降几乎可以忽略不计(0.05%),其次是开路检测(98.00%,下降0.2%),退化诊断(97.2%,下降0.5%),部分遮挡(95.7%,下降2.5%),以及短路检测(95.5%,下降2.5%)。所有模型的一致高性能证明了所提出框架的鲁棒性,即使在噪声条件下,分类和定位的准确率也保持在95%以上,突出了该方法的有效性。图12. 清洁数据与30 dB SNR噪声数据下的性能比较。4.6.2. 传感器偏差在基于残差的PV故障检测中,辐照度和温度测量的不准确性会影响残差生成和决策逻辑。为了评估在这些不确定性下的鲁棒性,在模拟中引入了±5%的辐照度误差和±2 °C的模块温度误差。在分析这些传感器偏差范围的模拟结果时,得出了一些结论,并在表15中进行了总结。辐照度误差主要影响电流和功率估计,在健康条件下产生大约4–6%的残差偏差,而温度误差主要影响电压估计,由于PV模块的负温度系数,导致健康条件下的残差变化低于1%。关于两种传感器的偏差——组合误差的最坏情况——在健康模式下,残差变化没有超过7%。表15. 温度和辐照度传感器偏差下的敏感性分析。在故障模式下,由于所有并行故障模型都由相同的环境输入驱动,传感器误差作为共模干扰,保持了用于故障分类和定位的相对残差模式。因此,即使在传感器误差和故障条件共同存在的情况下,残差变化也没有超过7%。之前讨论的敏感性分析可以通过表16和图13进一步证明,该表和图比较了在传感器误差情景(辐照度为-5%,温度为-2°C)下遇到的PV电压(V)、电流(I)和功率(P)值与正常残差模型下的值。对于考虑的温度传感器误差、辐照度传感器误差和组合误差,在正常条件下分别遇到了0.068%、4.4%和4.3%的功率残差偏差。相反,在同时发生退化和光伏组件(PS)故障的情况下,系统遇到了6.8%的功率偏差。总之,这些偏差验证了表12提供的数据,证明了所提出框架在传感器误差下的鲁棒性,分类准确率在考虑的不确定性范围内保持在95%以上。表16. 在传感器误差下的光伏电气测量。图13. 在传感器误差下的光伏电气测量。

5. 讨论
本文提出了一种基于并行全连接前馈神经网络(FFNN)架构的统一且高效的光伏故障诊断方法,该方法解决了现有数据驱动技术的几个关键限制。所提出的方法可以在单一紧凑的框架内同时支持实时故障诊断、故障分类和定位,并具有并发故障识别和特征选择能力。仿真结果验证了所提出方法的高准确性。

5.1. 仿真结果讨论
通过包括两个实验的全面仿真结果,严格证明了所提出框架的优越性。第一个实验涵盖了单故障情景的检测、类型和强度分类以及定位,对于短路(SC)(99.71%)、开路(OC)(99.29%)、光伏组件故障(PS)(99.03%)和故障定位(99.94%)任务的准确率均达到了卓越的性能。在这个实验中,FFNN分类器的表现显著优于SVM分类器,统计验证确认了这些改进(p < 0.05),而在特征选择方面,遗传算法(GWO)始终产生比粒子群优化(PSO)更稳定的特征子集。第二个实验涵盖了在稳定条件下的并发故障情景(退化与短路和退化与光伏组件故障),以及在不确定性情况下(辐照度变化、噪声数据、G和T传感器偏差以及辐照度变化)。同样,在并发故障情景下也获得了高准确率:退化+短路(99.11%)和退化+光伏组件故障(98.62%)。在不确定性情况下,准确率保持在95%以上。

5.2. 与相关工作的比较分析
表17中的比较突出了所提出的光伏故障诊断框架相对于现有数据驱动的光伏故障诊断技术(FDTs)的独特优势。大多数先前的研究依赖于有限的诊断能力,通常只关注故障检测或分类,而忽略了其他重要方面,如定位、在线实现或并发故障检测。尽管一些方法报告了高准确率,但它们通常需要大量的传感器、专用硬件或离线处理,这限制了它们的实际应用。此外,大多数这些研究没有包含特征选择方案,而特征选择对于减少数据量和训练时间同时保持高诊断准确性非常重要。

5.3. 经济分析
由于本研究的主要目标之一是实现故障定位,因此必须接受一个实际的权衡,即从准确故障定位中获得的附加值与安装更多设备以实现这一功能可能产生的更高成本之间的权衡。重要的是,这些额外的测量使得仅使用阵列级测量无法可靠地实现的功能成为可能。因此,为了公平评估所提出方法的成本效益,通过经济分析与支持故障定位功能的相关工作进行了比较[24,34,41]。这些方法的经济可行性主要受到测量要求和实施复杂性的限制,这些因素直接影响部署的资本支出(CAPEX)和运营支出(OPEX),即购买和安装系统的前期成本以及随时间运行的持续成本。因此,表18中提供的经济比较主要考虑了这些因素。总体而言,与[24,34]和[41]相比,所提出的方法提供了最具成本效益的定位途径,因为它在仅需要标准阵列测量和串电流的情况下实现了高定位准确率,避免了电池级仪器、专用LED硬件和高复杂度数字孪生框架,这些因素都会增加CAPEX和OPEX。

5.4. 未来研究方向
尽管所提出的光伏故障诊断方法已经验证了其有效性,但仍有许多有前景的方面需要在未来的研究中进一步探讨。

5.4.1. 实际应用
虽然一些干扰,如辐照度变化、传感器偏差和噪声包含已经被研究以模拟现实世界的不确定性,但将所提出的框架扩展到实际应用是一个有前途的未来方向,这需要强调实验验证和实际部署。可以追求硬件在环(Hardware-in-the-loop)实现,以评估所提出框架在现实操作约束下的鲁棒性和可扩展性,包括通信延迟和快速的环境变化。此外,该框架可以在现场测量的数据上测试,以评估其在不同光伏技术、系统规模和气候条件下的泛化能力。

5.4.2. 虚拟模型校准
在所提出的框架中,虚拟光伏模型作为参考模型,需要与实际光伏系统进行比较以生成残差信号,随后对这些信号进行故障诊断、分类和定位分析。然而,在仿真环境中,虚拟模型的关键参数(包括串联电阻(Rs)和并联电阻(Rsh)被假设为固定不变。因此,本研究没有解决随着时间推移由于自然老化导致的参数漂移的虚拟模型校准问题。虽然这一假设使得对所提出的故障诊断和定位框架的评估更加集中,但缺乏自适应参数更新是一个限制。未来的研究将探讨集成在线或定期校准机制,例如数据驱动或基于混合模型的参数估计技术,以动态更新Rs和Rsh。这种扩展将使所提出的方法能够更好地区分自然老化效应和故障引起的退化。

5.4.3. 物联网(IoT)实施前景
尽管所提出的方法在在线光伏故障诊断、分类和定位方面表现出色,但目前的研究主要集中在算法开发和基于仿真的验证上,而没有考虑在物联网(IoT)或边缘计算环境中的实施。然而,所提出方法的低计算复杂性表明它适合潜在的未来部署在IoT和边缘计算环境中。这样的扩展可以实现实时分布式监控,同时解决通信延迟、硬件限制和系统可扩展性等实际问题。

5.4.4. 探索大规模光伏系统
所提出的并行FFNN架构本质上是可扩展的。因此,对于更大或更复杂的光伏系统,可以通过增加网络深度或宽度(即增加层数或神经元数量)来轻松扩展FFNN结构,以适应更高维度的输入和更复杂的故障模式。

5.4.5. 不平衡数据集研究
通常,所提出的框架专注于基于残差的区分结合FFNN分类和基于遗传算法的GWO-SVM特征选择。这种方法明确集成了特征选择,提高了准确率并减少了计算负担和训练时间——这是许多现有技术所缺乏的优势。对于采用的三层FFNN架构(128-64-32个神经元),计算成本受到输入维度的影响很大,因为输入层和第一个隐藏层之间的可训练权重数量与特征数量成线性比例。将特征集从七个减少到四个,将这些连接从896减少到512(7 × 128 = 896减少到4 × 128 = 512),相当于减少了42.9%,这意味着总体训练时间减少了大约40-45%(即训练时间约为原始时间的55-60%[56]),分类时间减少了大约35-40%。此外,这种减少是可扩展的。对于具有多个串、模块级监控或高频数据采集的大规模光伏系统,训练样本的数量会显著增加。在这种情况下,减少输入维度可以在训练时间、内存使用和实时推理延迟方面带来显著的累积节省,使得所提出的方法更适合在大型和复杂的光伏系统中实际应用。除了计算效率外,两个被省略的特征是基于导数的量,它们对测量噪声和数值微分误差非常敏感,这可能会影响FFNN的收敛稳定性和故障定位准确性。因此,排除这些特征可以提高鲁棒性和泛化能力,并减少过拟合。

5.4.6. 并发故障诊断
所有比较的研究都专注于单故障情景。因此,所提出框架的去中心化、并行架构是其核心创新,独特地实现了并发故障识别,这是之前文献中未研究过的能力。所提出方法的架构基于并行FFNN模型,每个FFNN专门用于特定类型的故障,并使用其相应的数据集独立训练,以诊断任何类型的故障或情景(即单故障或并发故障情景)。因此,由于这些FFNN独立且同时运行,并发故障诊断不需要专门的并发故障训练数据集。当多个故障同时发生时,相应的故障特定FFNN会并行激活,从而实现有效的并发故障诊断。简而言之,这种独立性和并行性是所提出方法的一个关键优势,系统能够自然地从单故障训练泛化到并发故障诊断,不需要额外的数据收集或重新训练。

5.5. 经济分析
由于本研究的主要目标之一是实现故障定位,因此必须接受一个实际的权衡,即从准确故障定位中获得的附加值与安装更多设备以实现这一功能可能产生的更高成本之间的权衡。重要的是,这些额外的测量使得仅使用阵列级测量无法可靠实现的功能成为可能。因此,为了公平评估所提出方法的成本效益,通过经济分析与支持故障定位功能的相关工作进行了比较[24,34,41]。这些方法的经济可行性主要受到测量要求和实施复杂性的限制,这些因素直接影响部署的资本支出(CAPEX)和运营支出(OPEX),包括购买和安装系统的前期成本以及随时间运行的持续成本。因此,表18中提供的经济比较主要考虑了这些因素。总体而言,与[24,34]和[41]相比,所提出的方法提供了最具成本效益的定位途径,因为它在仅需要标准阵列测量和串电流的情况下实现了高定位准确率,避免了电池级仪器、专用LED硬件和高复杂度数字孪生框架,这些因素都会增加CAPEX和OPEX。

然而,值得注意的是,虽然将串传感器改装到缺乏智能组合箱的现有光伏系统中可以实现有效的故障定位,但这确实会带来不可忽视的安装成本。这些成本主要与额外的布线、数据采集硬件和系统集成有关,特别是在大规模光伏系统中。另一方面,机器学习(ML)和人工神经网络(ANN)的组件,包括基于遗传算法的优化(GWO-SVM)和全连接神经网络(FFNN)的训练,都是使用Python 3.13实现的,这是因为Python 3.13具有较高的计算效率和丰富的优化库。值得注意的是,基于Python的ML模型可以通过ONNX模型预测块与Simulink集成。该块允许将导出为ONNX格式的预训练模型在MATLAB/Simulink环境中执行,通过利用MATLAB的Python环境实现这一功能。它自动管理Simulink输入信号到Python数据类型的转换,可选地应用任何Python预处理函数,通过Python运行时运行ONNX模型,并将输出结果返回到Simulink进行进一步处理。这种工作流程使得基于学习的故障诊断模型可以直接嵌入到动态光伏系统仿真中,而无需手动接口,同时保持了模型的行为并确保了可重复性。通过使用ONNX标准及其支持的Simulink块,Python在高级ML开发方面的灵活性与Simulink在物理系统建模和实时仿真方面的优势相结合。然而,所提出的方法论是平台独立的;因此,未来的工作可以探索使用内置的ML/DL工具进行完全的MATLAB原生实现,以通过提供统一的实现和评估环境来增强系统的通用性。

6. 结论

本文成功弥合了光伏故障诊断中的一个关键差距,开发了一个紧凑且高度精确的统一框架,该框架能够同时实现故障检测、故障类型和强度分类以及单故障和并发故障场景下的故障定位功能。此外,它还支持特征选择,减少了计算负担和训练时间,并排除了对噪声敏感的基于导数的特征。这是通过整合三种关键方法实现的:(1)用于生成稳健特征的残差模型;(2)用于最优特征选择的混合GWO-SVM方法;(3)用于目标故障分类和定位的专用FFNN,所有这些都在一个新颖的并行架构中运行。仿真结果验证了所提出的方法,故障分类和定位的准确率分别超过了98%和99%,在噪声数据下的准确率也超过了95%。总体而言,获得的结果证实,所提出的方法为高级光伏故障诊断提供了一个全面、准确且实际可部署的解决方案。未来的工作将集中在自适应模型校准和实际应用方面。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号