★ 信息产业电子第十一设计研究院科技工程股份有限公司山东分公司 贾国庆，杨义谭

关键词：人工智能；光伏发电；发电系统；故障诊断；预测方法

随着全球能源需求的不断增长，光伏发电作为一种清洁、可再生的能源，逐渐成为全球能源结构转型的重要组成部分。光伏发电系统不仅具有环保、节能的优势，而且能显著降低传统能源对环境的污染。然而，随着光伏发电系统规模的不断扩大，其运行过程中也面临着诸如设备故障、性能下降等问题，这不仅影响系统的发电效率，还可能导致严重的经济损失和资源浪费。因此，及时、准确地诊断和预测光伏发电系统的故障，成为保障系统高效运行和延长使用寿命的关键。

针对故障诊断，文献 [1] 以在Matlab/Simulink中搭建的光伏阵列输出特性仿真模型为基础，采用深度置信网络作为光伏阵列故障诊断算法，并通过蝙蝠算法对网络各隐含层神经元的数量进行优化，以蝙蝠算法优化后的深度置信网络作为故障诊断模型，分别采集不同运行工况下的光伏阵列输出特性四参数，并将其归一化后作为特征样本输入BA-DBN故障诊断模型，实现了对光伏阵列的故障诊断。文献 [2]提出了一种基于功率信号分析的光伏电站故障诊断方法。该方法用卷积神经网络结合长短记忆模型和岭回归模型对历史发电的时序信息进行充分挖掘，依据实际与预测发电功率之间的动态时间规整DTW距离进行电站故障检测， 并提出了一个基于实际发电功率频域特征的故障分类指标，建立了分类规则库，将电站故障分为通信故障、设备故障和限电故障，结合故障影响等效发电小时数评估电站故障程度。虽然以上传统方法具有一定的诊断能力，但存在诊断效率低、成本高、容易漏诊等缺陷。

随着信息技术的快速发展，人工智能（AI）技术的引入为光伏发电系统故障诊断与预测提供了新的解决方案。本文基于人工智能提出了一种新的光伏发电系统故障诊断与预测方法，并通过实验验证了该方法的实际应用效果。

1   基于人工智能的光伏发电系统故障诊断

1.1   故障数据采集

布置传感器采集电流、电压、功率等参数，传感器与数据采集单元结合后，将采集到的数据传输到故障诊断系统中进行处理。光伏发电系统主要为不对称短路和接地故障，本文使用对称分量法来提取各序分量的数据。对于发生故障的三相电流信号将故障信号转化为对称分量，分别为正序电流负序 。利用对称分量法进行分解， 公式为式（1）～（3）：

    其中，为复数常数，表示相位旋转。

通过对三相电流进行对称分量分析，可以提取电流中的不同分量，进而诊断光伏系统中发生的故障类型。分析正序电流， 判断正常的系统负载情况，利用负序电流识别相间不对称故障， 计算零序电流诊断接地故障。

1.2   故障特征提取

对采集到的信号进行特征提取，可以将复杂的系统信息转化为简洁信息。由于光伏系统中的故障信号是非平稳的，单一的时域或频域分析方法难以有效地捕捉到这些信号的有用特征[3,4]。因此，本文结合时频域分析技术，更全面地提取信号的特征。

时频域特征提取技术能够有效结合时间和频率信息，通过将信号同时映射到时间和频率两个维度，从而克服了单一域分析的局限性。本文引入短时傅里叶变换法，将信号分解为不同的频率成分，分析非平稳信号。设置合适的窗函数， 短时傅里叶变换能够在时间和频率上实现局部化，从而为光伏系统的故障信号提供时频特征。其基本公式为式（4）：

其中，x(i)为原始信号， w(c-t)为窗函数， f为频率，t为时间。通过对信号进行时频分析，可以提取出在不同时间窗口内的频率分布，进而捕捉到故障发生时频谱的变化特征[5]。

通过选择与信号最匹配的原子（基函数）来分解信号，进行匹配追踪，可以提取信号中的稀疏特征，进而识别出与光伏发电系统故障相关的特征模式。

在光伏发电系统中，可以利用空间域特征提取识别故障在不同部位的传播特性，并通过将原始信号映射到一个新的空间，增强不同部件间的差异性。在这一过程中，采用共空间模式（Common Spatial Patterns， CSP）技术将信号转化为更具判别性的空间模式 [6]。 CSP通过最大化不同类别信号在新空间中的方差，来寻找最具区分度的空间滤波器。对信号进行协方差矩阵的计算，并分解特征值，选择最大的特征值所对应的特征向量作为滤波器，可以确保在新空间中，故障信号与正常信号的差异最为明显。

通过结合时频域特征和空间域特征提取，可以更全面地分析光伏发电系统的故障信号。

2   基于支持向量机的光伏发电系统故障预测

SVM（Support Vector Machine，支持向量机）通过寻找一个最优超平面，将不同类别的样本分隔开，从而实现了分类。为了处理非线性问题，  SVM引入了核函数（如RBF（Radial Basis Function， 径向基函数）核）来将数据从低维空间映射到高维空间，从而使得数据在高维空间中更加容易线性可分。

SVM通过对现有数据的学习，构建了一个模型，并利用该模型来预测系统未来的故障。假设有n组样本数据(xx) (x,%2)… (x, J)，其中每个样本x,eR'是一个d维特征向量，且对应的标签yi表示该样本所对应的故障类型或故障发生的概率。

通过找到 一 个最优的超平面，可以最大化不同类别样本之间的间隔。其优化问题的数学形式为式（5）：

同时，需满足以下式（6）约束条件：

其中，W是超平面的法向量，b是偏差项，xi是松弛变量，用于处理不可分样本。通过引入拉格朗日乘子法，将上述问题转化为对偶问题，从而可以通过拉格朗日乘子来求解最优超平面。

在故障预测中，很多情况下数据是非线性的，这时SVM通过引入核函数来解决这一问题。核函数将数据从低维空间映射到高维空间，使得在高维空间中数据可以线性分割。常用的核函数有线性核、多项式核和RBF核。本文引入RBF核， RBF核函数的表达式为式（7）：

其中，是核函数的宽度，控制着数据点之间的相似度。

通过选择合适的核函数， SVM能够在高维空间中找到一个最优超平面，从而实现对故障的预测。  SVM不仅能够处理二分类问题，还能够通过支持向量回归（Support Vector Regression， SVR）来处理回归问题，从而预测故障的严重程度或发生概率[7]。

3   实验研究

为了验证本文提出的基于人工智能的光伏发电系统故障诊断与预测方法的实际应用效果，我们选用传统的基于深度置信网络的光伏发电系统故障诊断与预测方法和基于功率信号分析的光伏发电系统故障诊断与预测方法作为对照。实验选用公开的光伏发电系统数据集，该数据集包含不同运行状态下的电力信号，包括正常数据、光伏组件故障数据、逆变器故障数据和储能系统故障数据，同时使用三种方法进行故障诊断，得到的诊断实验结果如图1所示。

（a）深度置信网络方法

（b）功率信号分析方法

（c）本文方法

图1 光伏发电系统故障诊断实验结果

根据图1可知， 传统的深度置信网络方法和功率信号分析方法在部分时间段内存在误判或者诊断结果偏离实际情况的现象。基于深度置信网络的光伏发电系统故障诊断方法在0s~18s的故障诊断结果虽然贴近实际结果，但仍有出入，在22s~32s故障诊断结果与实际结果完全一致，但在32s~48s的故障诊断结果完全脱离实际结果，在52s~65s故障诊断结果与实际结果完全一致；功率信号分析方法在0s~11s的故障诊断结果略高于实际结果，在22s~42s的故障诊断结果仍高于实际结果，在52s~54s、62s~65s的故障诊断结果与实际结果完全一致；而本文方法在0s~18s、20s~34s、 42s~52s、62s~65s的故障诊断结果与实际结果都保持高度一致，尤其在故障发生的关键时刻，其诊断结果无明显偏差。

由此证明， 本文方法能够更精准地识别光伏组件、逆变器以及储能系统的不同故障类型，且对故障发生的时间点具有更高的敏感度。这主要得益于本文方法在模型构建过程中对光伏系统复杂运行特性的深入挖掘，结合了更丰富的特征信息，并通过优化的人工智能算法提升了故障诊断的实时性和可靠性。

在完成故障诊断后，对故障进行预测，得到的预测结果如图2所示。

预测样本

（a）深度置信网络方法

预测样本

（b）功率信号分析方法

（c）本文方法

图2 光伏发电系统故障预测实验结果

对上述预测实验结果进行分析，得到的预测准确率实验结果如表1所示。

表1 预测准确率实验结果

根据上述结果可知，深度置信网络通过多层神经网络进行特征抽取和模式识别，能够有效识别光伏发电系统的故障类型，预测准确率接近90%。尽管其准确率较高，但仍有一定的提升空间，特别是在面对复杂故障模式时可能存在误差或未能完全精准地预测故障；功率信号分析方法通过分析系统的功率信号波动来进行故障诊断，在面对非典型故障或噪声影响时表现不够稳定，因此准确率较低，仅为80.13%；而本文方法能更好地处理多种故障类型，并且具备较强的鲁棒性，准确率高达99.98%。

4   结束语

随着光伏发电技术的不断发展与应用，系统的可靠性和高效运行已成为保障其长期稳定运行的关键。本文基于人工智能技术，深入研究了光伏发电系统的故障诊断与预测方法，提出了一种结合时频域分析与支持向量机的故障诊断模型，通过对系统运行数据的智能分析，有效提高了故障识别的精度和预测的准确性。实验结果表明，本文所提出的人工智能方法能够实时监测系统状态，准确诊断不同类型的故障，并在故障发生前进行有效预测，显著提升了光伏发电系统的运行效率与可靠性。

尽管当前的研究取得了一定的进展，但在实际应用中仍存在一些挑战。未来的研究可以着重于优化算法和提高系统的自适应能力，并可以通过多种人工智能技术的融合，进一步提升光伏发电系统故障诊断与预测的全面性和准确性。AP

作者简介：

贾国庆（1996-），男，山东济宁人，助理工程师，学士，现就职于信息产业电子第十一设计研究院科技工程股份有限公司山东分公司，主要从事光伏新能源领域电气设计相关的工作。

参考文献：

[1] 彭辉, 田程程, 郑宇锋, 等. 基于深度置信网络的光伏发电阵列的故障诊断方法[J]. 海军工程大学学报, 2024, 36 (3) : 7 - 14.

[2] 郑晏, 厉小润, 张天文. 基于功率信号分析的光伏电站故障诊断方法[J]. 电力系统及其自动化学报, 2024, 36 (5) : 150 - 158.

[3] 彭辉, 黄婧柠, 郑宇锋, 等. 基于改进深度残差收缩网络的光伏发电阵列故障诊断方法[J]. 海军工程大学学报, 2024, 36 (6) : 1 - 8.

[4] 钱亮, 黄伟, 杨建卫. 基于HHO-ELM的光伏阵列故障诊断方法研究[J]. 电源技术, 2024, 48 (2) : 345 - 350.

[5] 章文峰, 刘小平, 梁惠施, 等. 利用贝叶斯优化多层感知机的光伏阵列在线故障诊断方法[J]. 科学技术与工程, 2024, 24 (23) : 9905 - 9913.

[6] 顾鑫磊, 顾志伟, 卫东, 等. 基于时间序列波形特征的光伏组串热斑故障诊断方法[J].太阳能学报, 2023, 44 (9) : 125 - 133.

[7] 亢旭辉, 周金博. Wi-Fi涂鸦云的户用光储逆变器监测系统[J]. 电子设计工程, 2024, 32 (19) : 129 - 134.

摘自《自动化博览》2026年5月刊