一种用于光伏阵列多故障检测、分类与定位的新型智能两阶段框架

《Process Safety and Environmental Protection》：A Novel Intelligent Two-Stage Framework for Multi-Fault Detection, Classification, and Localization in Photovoltaic Arrays

　　

## 摘要

光伏阵列因长期暴露在恶劣的室外条件下，容易发生多种故障，包括衰减、开路故障（OC）以及其他类型的故障。这些故障的早期检测有助于维持系统的高效率，延长光伏系统（PVS）的使用寿命，并减少能量损失。因此，PVS需要一种高效的故障诊断方法。本研究提出了一种新颖、全面且智能的光伏阵列诊断框架。所提方法能够处理七种不同类型的故障，即局部遮挡（PS）、开路故障（OC）、线间故障（LL）、阻塞二极管（BcD）故障、旁路二极管（BpD）故障、最大功率点跟踪（MPPT）单元故障（MPF）以及衰减故障（DF）。该方法被设计为一个两阶段框架：第一阶段检测故障的存在，第二阶段执行故障分类与定位（FCL）。与通常只关注故障检测、分类或定位中某一环节的传统方法不同，所提方法将这些任务结合起来，以提高诊断准确性。此外，FCL阶段能够在串级和组件级实现详细定位。因此，它能够实现精确的故障隔离，并促进光伏阵列更高效地维护。通过MATLAB/Simulink仿真在各种环境条件下生成了全面的数据集，涵盖了多种故障场景。基于不同核函数的支持向量机（SVM）学习算法被训练和评估。结果表明，基于二次核的SVM模型在故障检测阶段取得了99.96%的最高测试准确率，而在FCL阶段，故障类型、故障串和故障组件的准确率分别为99.92%、99.81%和99.81%。所提方法展示了通过数据驱动方案提升PVS的可靠性、安全性和运行性能的途径。

## 引言

全球变暖、化石燃料枯竭以及日益增长的能源需求等问题凸显了可再生能源在现代发电中的重要性（Aljafari等人，2024）。随着全球向可持续能源转型，光伏系统（PVS）已成为一种重要的可再生能源技术。太阳能通过安装在建筑窗户、屋顶或大型太阳能电站中的光伏组件进行采集（Khalil等人，2024）。这些系统包含电气布线、控制与转换电路、保护器件和逆变器（Ashfaq等人，2025）。太阳能PVS在运行过程中容易发生故障，主要原因是它们通常安装在开放环境中，并频繁暴露于恶劣的环境条件（Chahine，2025）、（Belhachat等人，2024）。此类故障由组件污染、电气元件故障、制造过程中产生的失配、组件老化以及遮挡效应引起（Mellit等人，2018）。这些故障的发生通常会导致功率输出降低、能源供应中断，严重时甚至导致系统停止运行（Chahine，2025）。根据英国的一项研究（Firth等人，2010），住宅PVS的故障估计导致年发电量减少了18.9%。此外，光伏组件还存在火灾风险，与其安装场景无关。此类风险通常源于短路（SC）、电弧以及热点的形成。热点尤其令人担忧，因为它们可能引发受影响组件区域内部可燃材料的着火并加速火势蔓延（Akram等人，2022）。

因此，有效的故障诊断（FD）对于确保持续运行、减少发电损失以及防止潜在故障或事故至关重要。故障诊断程序通常分为三个阶段：检测、分类和定位。在检测阶段，系统检查是否存在故障，通常会在识别出异常状况时发出警报。分类阶段旨在将观测到的故障归类为特定类型，这相对具有挑战性且需要大量故障知识。最后，定位阶段试图确定故障在系统中发生的位置（Abuhashish等人，2025）、（Mellit等人，2021）。在识别出故障运行后，需要及时采取措施以维持性能或减少进一步退化。这通常涉及临时停机进行维护或继续以较低效率运行（Belhachat等人，2024）。准确识别PVS中故障的类型和位置仍然是实现及时维护而不影响系统功能的关键挑战。根据美国电气规范（NEC）第690条，PVS的直流（DC）侧必须配备针对过电流、电弧故障和接地故障的保护器件。这分别通过部署过电流保护器件（OCPD）、电弧故障断路器（AFCI）和接地故障保护器件（GFPD）来实现（Hariharan等人，2016）。尽管有这些保护器件，但如果未能及时识别和处理，未检测到的故障可能升级为严重故障。文献表明，由于故障电流低、高阻抗、MPPT效应以及太阳能组件的辐照度依赖性非线性行为，传统保护可能无法检测故障（Pillai和Rajasekar，2018）。

随着光伏安装在全球范围内的扩展，对快速FD的准确高效方法的需求变得日益紧迫。这些技术对于保证不间断的能源生产、延长运行寿命以及最小化投资损失至关重要（D. Sripada，2024）。关于PVS的研究趋势表明，通过开发适用于不同太阳能PVS配置的多种方法，在FD领域做出了显著贡献。PVS中的FD通常依赖于三类主要数据：面板成像、环境数据和电气测量。基于这些数据类别，FD方法通常分为两大类：非电气方法，如视觉和热成像方法（VTM），以及传统基于电气的方法（EBM）（El-Banby等人，2023）、（Fu等人，2025）。多项学术研究致力于提出和发展这些FD方法（Mellit等人，2018）、（El-Banby等人，2023）、（Madeti和Singh，2017）至（Cui等人，2022）。EBM得到了更广泛的应用，因为它们能够识别和分类大多数故障（Hong和Pula，2022）、（Sabbaghpur Arani和Hejazi，2016）。例如，（Saleh等人，2018）中提出了一种基于电压的诊断方法，用于检测、分类和定位公用事业级光伏阵列中的故障，重点关注开路（OC）、串对地（SG）和串对串（SS）故障。该方法依赖于每个光伏串首尾组件的电压测量以及阵列电压。其主要优势是能够将故障状态与局部遮挡（PS）区分开来。尽管如此，它仅限于诊断三种故障类型，并且缺乏对OC故障和串内PS的精确定位。在（Bagherzadeh等人，2022）中，作者提出了一种光伏阵列保护策略，能够实现故障检测、辨识和定位。通过监测光伏阵列电流的变化来检测扰动。电流波形作为电故障与其他扰动（如由PS引起的扰动）之间区分的基础。故障串定位通过最少的传感器实现。然而，故障分类仅限于识别接地故障。在（Dhoke等人，2019）中，提出了一种检测和定位光伏发电站中串内线间（LL）故障的方法。检测基于从测量串电流中获得的残余信号，并与阈值进行比较。故障位置、辐照度和串电流的三维仿真数据集被应用于回归模型以估计故障位置。该框架在（Dhoke等人，2020）中被扩展以覆盖跨串及串内LL故障，不仅能够检测故障，还能对故障类型进行分类以及在单个或多串中进行定位。然而，这些技术仅针对两种常见的LL故障形式，且不当选择的阈值可能导致误报或未检测到故障。（Kumar和Nayak，2024）的作者引入了一种适用于并网PVS的故障检测和定位框架，依赖于串电流变化的累积和（CUSUM）。其有效性在各种电气故障场景下进行了评估，包括LL（串间和串内）、OC、对地（LG）以及多重和混合故障，并在太阳能辐照度、失配水平和故障电阻值变化条件下进行了测试。性能也在临时PS条件下进行了评估。然而，该方法缺乏故障分类，且其定位仅限于识别故障串。值得注意的是，上述讨论的方法均未考虑在PV阵列中集成阻塞二极管（BcD）的情况。

在（Mehmood等人，2021）中，提出了一种诊断算法，用于在PS条件下检测、分类和定位光伏阵列中的LG和LL故障。它每条串使用一个电流传感器，并涉及对阵列电流-电压（I-V）特性进行扫描。一旦识别出指示故障的电压，所提方法与一个预定方程一起用于确定故障串或组件的位置。然而，所进行的分析仅限于两种故障模式。在（Pei等人，2020a）中，作者提出了一种大规模光伏阵列的组件级故障定位技术。他们指出，在组件级（一个或几个串联互连的组件）精确定位故障提供了一种更实用且更具成本效益的解决方案，而不是识别每一个故障组件。该方法使用特定的电压传感器部署方案来制定PS、衰减、SC和OC故障的定位规则。然而，它缺乏诊断其他故障类型的能力，而且为不同串数制定规则费时费力。在（Parsa和Sarvi，2024）中，提出了一种考虑MPPT影响的FD算法，用于检测、分类和定位PVS中的LL故障、PS、OC和混合故障。功率-电压（P-V）特性通过定义极值的数学公式进行分析。然而，大多数光伏FD方法尽管结果准确，但依赖于复杂的分析模型、大量计算和预设阈值，使其耗时且限制了其对特定故障类别和位置的适用性。

人工智能（AI）的出现，特别是机器学习（ML），推动了能源系统FD领域的发展（Bougoffa等人，2025）。ML是AI中的一个主要子领域（Misilmani和Naous，2019）。通过利用运行数据，ML模型为能源系统的行为提供了更深入的见解，从而能够在复杂场景下进行更精确的诊断。在PVS中，这种数据驱动策略提供了一种高度有效的诊断解决方案（Chahine，2025）。因此，基于ML和深度学习（DL）的智能技术为PVS的精确FD提供了一条应对传统方法挑战的有前景的途径。AI技术（AIT）通过分析大规模多样化数据集，实现故障的自动化识别和分类。与传统方法不同，AIT不仅处理电气测量数据，还处理图像和多样化运行数据。其突出优势包括易于应用、准确的故障分类、低成本以及高诊断准确性，尤其是对于复杂故障（Yuan等人，2022）。然而，精确的故障定位在基于AI的诊断研究中受到的关注相对较少，这些研究主要集中在检测、分类或两者兼顾上。

例如，（Mustafa等人，2023a）采用基于随机森林（RF）的框架来检测和定位PV阵列中的PS状态。该方法识别PS的存在、受影响面板的数量以及遮挡系数，PS检测准确率为99.5%，阴影组件识别准确率为92.3%，遮挡系数识别准确率为90.2%。然而，其范围仅限于一种故障类别。在（Tao等人，2024）中，作者提出了一种基于调制光电流和ML算法的诊断方法，用于分类和定位三种故障类型：OC、SC和DF，同时识别正常状态。七种ML算法的比较评估表明，神经网络达到了最高的测试准确率97.8%。然而，该方法无法执行在线检测，且随着阵列规模增大，故障识别变得更加复杂。在（Mustafa等人，2023b）中，研究了多输出ML和DL技术，用于检测、分类和定位PVS中的OC、SG和SS故障。RF连同DL模型（包括长短期记忆网络（LSTM）、双向LSTM（Bi-LSTM）和一维卷积神经网络（1D-CNN））被进行了评估。Bi-LSTM表现最有效，故障类型分类准确率为99.94%，组件1和组件2识别准确率分别为99.54%和99.98%。故障定位从组件1和组件2推断得出。尽管使用了大量数据集，它仅处理三种故障状态。

对多样化故障类型进行分类并准确确定其位置的综合挑战可以使用DL技术有效解决。

特别是当与二维（2D）图像处理集成时，它在执行这些诊断任务方面已被广泛应用并被证明是成功的（Mustafa 等人，2023b）。然而，获取适合分类器训练的 2D 数据往往具有挑战性，这是由于依赖于昂贵的成像技术，许多实验室难以获得，从而限制了更广泛的应用。此外，与其他基于深度学习（DL）的策略相比，此类数据可能无法在故障诊断性能上带来显著改进。这些智能方法尚未充分利用额外的可用传感器数据，而这些数据可能有助于增强多样化故障类型的识别和定位（Abuhashish 等人，2025），（Mustafa 等人，2023b）。因此，迫切需要创新的故障定位技术，结合更高的诊断准确性和应用的简便性，以确保光伏阵列中及时且精确的故障清除。总之，现有方法未能提供一个同时实现准确故障检测、分类和定位的综合解决方案；此外，少数具有定位能力的方法往往昂贵且精度较低。

鉴于上述讨论，本文旨在提供更高的故障检测准确率，同时提供分类和定位能力。所提出的方法论组织为采用支持向量机（SVM）进行故障检测（FD）的两阶段框架。第一阶段致力于故障检测，确定系统中是否存在任何故障。第二阶段专注于故障分类与定位（FCL），按类型对故障进行分类，并确定其在光伏阵列内的精确位置，包括确切的故障组和模块。所提出的方法诊断七种常见的故障类型：PS、OC、LL、BcD 故障、旁路二极管（BpD）故障、MPPT 单元故障（MPF）和 DFs。该框架依赖于（Pei 等人，2020a）、（Pei 等人，2020b）中介绍的前期电压传感器部署技术，该技术在 FD 方面展示了有希望的结果。通过机器学习（ML）模型完善此方法，本工作旨在实现更高的故障诊断准确性，并将适用范围扩展到各种故障类型。本文的贡献如下：
•提出了一种新颖的两阶段 FD 方法，其中第一阶段检测故障的存在，第二阶段 FCL 同时进行分类和定位。
•两个阶段都利用了 SVM，因为 SVM 具备经过证实的能力和有效的性能，非常适合这些任务。
•所提出的方法解决了光伏阵列中的七种不同故障类型：PS、OC 故障、LL 故障、BcD 故障、BpD 故障、MPF 和 DFs，提供了更广泛的诊断能力。
•与几种传统方法不同，该框架超越了简单的故障检测，将故障分类与精确定位相结合。这使得能够同时识别光伏阵列中的故障类型和位置。
•FCL 阶段在光伏阵列的组和模块层面提供细粒度定位，从而支持更高效的故障清除和维护。

接下来的章节按以下顺序排列：第 2 节介绍了光伏系统（PVS）的描述以及所考虑的故障场景。第 3 节详细介绍了所提出的 FD 框架，而第 4 节展示了相应的 FD 结果。第 5 节讨论了所提出的两阶段 FD 技术与之前其他方法相比的功效，并突出了潜在的未来研究视角。为总结本研究，第 6 节提出了结论性言论。

章节片段

PVS 描述
为了验证所提出的方法，不同的 SVM 算法在从 MATLAB/Simulink 中进行的数值模拟中获得的数据集上进行了训练和测试。本研究采用了 PVS 的并网配置，包括四个主要部件：光伏阵列、DC/DC 升压变换器、直流/交流三相逆变器和公共电网。光伏太阳能板通常以串联和并联配置组装成阵列，以满足能量

提出的 FD 方法论
如引言所述，开发的 FD 框架依赖于 ML 模型。ML 模型可以在从 PVS 收集的数据上进行训练，从而能够识别不同的操作场景（Adhya 等人，2022）。在各种 ML 算法中，监督学习（SL）方法已成为诊断 PVS 中故障的突出选择（Eskandari 等人，2023）。在 SL 中，模型在包含输入变量及其对应...的带标签数据集上进行训练

FD 模拟结果
本文中使用的数据集是通过图 1 中所示的 PVS 模拟生成的。设计了两个互补模型以提高所提出框架的故障诊断准确性。最初采用一个二分类模型来确定故障的发生；此外，还有一个多分类器模型，用于指定具体的故障类别及其确切位置。故障诊断模型基于收集到的 15 个输入特征

讨论、局限性及未来工作
本研究旨在介绍一种新颖的智能两阶段故障诊断框架，利用具有不同核函数的 SVM 算法检测、分类和定位光伏阵列中的不同故障。在提出的框架中，FD 过程分为两个主要阶段。故障检测在第一阶段处理，以确保早期识别故障状况，而第二阶段执行并发的 FCL，以准确识别故障类型及其相应

结论
本研究提出了一种基于具有不同核函数的 SVM 算法的新颖智能两阶段故障诊断框架。所提出方法的主要优势在于其能够精确检测、分类和定位光伏阵列内的多种故障类型。第一阶段有效地区分了正常工况（NCs）和故障运行状况，而第二阶段识别故障类型及其在光伏阵列内的精确位置。

伦理声明
作者声明本研究不涉及人类或动物对象。

未引用参考文献
Hijjawi 等人，（2023）

CRediT 作者贡献声明
Ahmed Refaat：写作 – 审阅与编辑，可视化，验证，软件，方法学，正式分析，概念化。Mai N. Abuhashish：写作 – 原稿，可视化，验证，软件，方法学，调查，正式分析，概念化。Mostafa S. Hamad：写作 – 审阅与编辑，验证，监督，软件，方法学，正式分析，概念化。Ahmed Kalas：写作 – 审阅与编辑，监督，方法学，正式分析，

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些利益或关系可能影响本文报告的工作。

Mai N. Abuhashish|Ahmed Refaat|Ahmed Kalas|Mostafa S. Hamad|Medhat H. Elfar