PVeSight：基于降维模式的光伏组串异常检测与可视分析系统

为解决光伏电站中组串异常检测缺乏标注数据、模型可解释性差及误报率高的问题，研究人员开发了PVeSight系统，通过UMAP降维构建组串模式图，结合分层异常检测与天气聚类方法，实现了对异常组串的精准识别与可视分析，有效提升了运维效率与模型解释能力。

　　

随着化石能源的持续枯竭和环境污染问题的日益严峻，可再生能源的利用受到前所未有的关注。太阳能以其清洁、取之不尽和经济性优势，正成为全球能源结构的重要组成部分。光伏（Photovoltaic, PV）发电技术是将太阳能转化为电能的有效手段，在可再生能源领域扮演着关键角色。然而，随着大量光伏电站的投运，光伏组串等核心设备的异常问题不断涌现。这些异常不仅会降低发电效率，还可能引发火灾等安全隐患。此外，随着装机容量的显著增加，依靠人工逐设备巡检的方式因人力短缺而变得不切实际。因此，开发高效、智能的光伏组串异常检测技术至关重要。

近年来，为提高光伏电站性能，研究人员提出了多种先进的组串异常检测方法。传统方法如Simon和Meyer（2010）利用红外热成像技术映射太阳能电池在反向偏压下的表面温度分布，提出了基于红外图像分析的故障诊断方法；Platon等（2015）通过模拟不同表面温度和辐照度水平，研究了各种光照条件下光伏组串的运行状态，通过比较理论正常值与实际测量值来识别异常。然而，这些方法的准确性和异常判定严重依赖专家设定的阈值，存在一定的随机性。随着人工智能技术的发展，传统检测方法有了新的进展，例如Chine等（2016）提出了利用人工神经网络（Artificial Neural Networks, ANNs）对光伏组串进行异常诊断的方法，通过使用给定辐照度和温度条件下组串IV曲线的电流、电压和峰值等特征数据训练神经网络，从而诊断组串故障。尽管该方法提高了异常检测的准确性，但其高度依赖样本数据质量。

人工智能与光伏组串异常检测的结合虽然提升了模型准确性，但其黑箱结构缺乏可解释性。数据可视化通过直观的图表编码数据属性，结合人机交互将人类感知融入数据分析，从而增强了准确性和可解释性。因此，本文将可视分析技术应用于光伏组串的异常检测，以深入探究组串中的异常及其模式。

研究人员提出了一种基于降维模式图的分层异常检测方法。该方法利用降维算法UMAP从光伏组串的时间序列电气数据中生成降维模式图，并结合通过K-Means聚类标签的环境数据进一步丰富数据集。异常检测模型采用分层训练方式，考虑了光伏电站的结构层级以及天气分类。与常见的时间序列数据异常检测方法不同，该方法无需无人机巡检图像或IV扫描结果，采用无监督模型应对标注数据缺乏、异常类型多样和大规模数据等挑战。通过与光伏领域专家讨论并总结实际需求，设计了一个包含五个视图的可视分析系统，帮助用户发现和分析光伏组串中的异常与模式。该系统应用于真实场景中某大型光伏电站四个月的电气和环境数据，证明了其在帮助用户检测和验证异常、分析情况以及探索组串运行条件方面的有效性。

为开展本研究，作者主要采用了以下关键技术方法：使用UMAP算法对时间序列电流数据进行降维，生成二维模式图；利用K-Means聚类对辐照度环境数据进行天气标签分类；结合One Class SVM、Elliptic Envelope和Local Outlier Factor三种无监督模型进行分层异常检测；基于高斯混合模型（Gaussian Mixture Model, GMM）拟合正常组串的分布边界；采用来自中国浙江省五个地理区域的光伏电站实际运行数据，包括电流、电压、功率、温度和辐照度等参数。

研究结果

4.1. 降维模式

通过UMAP算法将组串时间序列电流数据转换为二维降维模式图，将时间序列异常转化为空间距离异常，增强了模型的可解释性。每个点代表组串在特定日期的发电状态，点间距离反映状态相似性，异常点表现为空间中的离群点。

4.2. 天气聚类

利用K-Means对辐照度数据进行聚类，将天气条件分为低、中、高三个等级，并映射到降维模式图中。这消除了不同辐照条件下数据分布的偏差，提高了异常检测的准确性。

4.3. 分层检测模型

基于电站层级结构（箱变-逆变器-组串）和天气标签分层训练异常检测模型，有效减少了地理位置和环境因素导致的误报。采用集成学习策略，结合三种无监督模型输出加权异常值，定义组串异常值R_a和退化率R_d，定量评估组串性能退化程度。

5. 可视设计

PVeSight系统包含五个协同视图：全局视图展示电站整体异常分布；层级视图显示逆变器下属组串的降维模式图及模型检测结果；顶部视图以表格形式呈现所有组串的原始数据及模型输出；模式视图支持组串间时序电流和模式图的对比分析；分析视图提供异常原因诊断和标注功能。系统通过雷达图可视化组串关键指标（正常率R_n、相对发电率R_rpg和辐照相关系数C_Irr），辅助用户快速识别异常类型。

案例研究

通过实际数据验证了系统有效性：成功识别长期零电流、灰尘遮挡、内部故障和双端口连接等异常类型，准确率均超过80%。复合型异常识别难度较大，体现了进一步优化可视表达的必要性。

研究结论与意义

本研究提出的分层异常检测方法和PVeSight可视分析系统，在无标注数据条件下实现了光伏组串异常的高精度识别与成因分析。系统通过降维模式图和天气聚类有效提升了模型可解释性，降低了误报率；交互式可视界面支持用户深入探索数据模式，并为下游任务提供标注数据。专家评估证实了系统在运维实践中的实用价值，同时指出集成地理信息、增强降维评估机制以及结合专家知识库是未来改进方向。该研究为光伏电站智能运维提供了可推广的技术框架，发表于《Visual Informatics》，对促进可再生能源高效利用具有重要意义。