基于参数偏差聚类的光伏组件功率衰减检测与分类

《ENERGY CONVERSION AND MANAGEMENT》：Power-reduction detection and classification in photovoltaic modules using clustering of parametric deviations

　　

基于健康模型的参数偏差实现了光伏组件功率衰减的诊断。实验I-V曲线被用于估计诊断标记。每条曲线由两到三个物理可解释的因子表示。基于峰值的路由分离了单峰和多峰P-V曲线。最佳策略达到了99.6%的分类准确率。截至2026年初，全球可再生能源装机容量已达5149 GW，其中太阳能光伏（PV）约占511 GW的增长。随着光伏系统部署的增加，与可靠性和长期性能保持相关的技术挑战日益凸显。运行中的光伏组件持续暴露于恶劣环境条件下，加速了老化过程和性能损失。现场最常报告的现象包括焊点缺陷、机械断裂、旁路二极管故障、局部遮阴和二极管短路。因此，开发能够准确检测异常的技术对于确保并网光伏系统的安全可靠运行至关重要。本研究采用代表健康组件的全局非线性模型（GNLM）作为参考，通过基于优化的程序估算必须施加于选定单二极管模型（SDM）参数的偏差，使健康模型能够逼近在受影响条件下测量的I-V曲线。提取的偏差量化了预期健康行为与观测行为之间的失配，作为与模型相关且电学可解释的诊断标记用于分类阶段。对于每条实验I-V曲线，在测量的辐照度和温度下评估健康参考值。估算的偏差表示为相对于相应健康参数值的无量纲因子。接近1的因子表明与健康参考一致，而偏离1则指示逼近测量曲线所需的相对参数调整的方向和幅度。与使用完整曲线或学习表征的方法相比，所提出的框架在分类阶段仅使用两到三个与电学模型相关的变量来表示每条曲线。这种紧凑的诊断空间便于可视化类别区域、分析每个因子的贡献，以及应用几何、聚类或监督分类方法。基于这一思路，本研究提出了一种面向运维（O&M）的诊断框架，将基于GNLM的建模与不同功率衰减事件的自动分类连接起来。本工作的新颖之处不在于孤立地使用SDM、I-V曲线、参数辨识或机器学习，而在于将这些要素整合到一个框架中：(i) 一个同时依赖于G和T的健康GNLM，为每种测量条件建立了特定的参考；(ii) 通过优化获得的无量纲因子，量化了表征每条测量曲线所需的参数修正；(iii) 这些因子形成了一个由与模型相关且电学可解释的变量组成的低维诊断空间，并对九种运行和功率衰减条件进行了实验评估。

一、研究背景、现存问题与研究意义

随着全球可再生能源装机容量的快速增长，截至2026年初总容量已达5149 GW，其中太阳能光伏（PV）发电占据了重要份额。然而，光伏系统的大规模部署也带来了严峻的可靠性挑战。运行中的光伏组件长期暴露于恶劣环境，导致老化加速和性能损失。常见的功率衰减事件包括焊点缺陷、机械断裂、旁路二极管故障、局部遮阴（PS）和玻璃破碎等。这些事件会改变组件的电气特性，体现在电流-电压（I-V）曲线上，表现为形状变化、阶梯出现或多峰值现象。传统的诊断方法分为基于图像处理和基于电气测量两大类。基于图像的方法依赖专用设备，限制了现场应用的便捷性；而基于电气测量的数据驱动方法虽然能学习运行模式，但其性能高度依赖于训练数据的质量和数量，且往往缺乏物理可解释性。基于等效电路模型的诊断方法虽能引入物理信息，但传统单二极管模型（SDM）的参数通常只在特定参考条件下定义，难以适应辐照度（G）和温度（T）的实时变化。全局非线性模型（GNLM）能够在一个更广泛的G和T域内描述参数变化，但尚未有研究将其作为健康参考模型用于功率衰减事件的自动分类。因此，本研究旨在填补这一空白，开发一种将GNLM建模与自动分类相结合的运维（O&M）诊断框架。该研究发表在《ENERGY CONVERSION AND MANAGEMENT》期刊上。

二、关键技术方法

研究人员采用了以下主要技术方法：

1. 1.
   全局非线性模型（GNLM）构建：基于健康光伏组件的实验I-V曲线，使用Guaranteed Convergence Particle Swarm Optimization（GCPSO）算法提取SDM的五个参数（R_s、R_sh、n、I_ph、I_sat）。随后，对R_s、R_sh、n以及特征量I_sc和V_oc进行五阶二维多项式曲面拟合，使其成为归一化辐照度（G_pu）和归一化温度（T_pu）的函数。
2. 2.
   参数偏差因子提取：对于待诊断的I-V曲线，在相同G和T条件下评估健康GNLM，并通过优化算法估算使健康模型逼近实测曲线所需的SDM参数偏差，这些偏差被表示为无量纲因子。
3. 3.
   峰值路由与分类策略：首先通过峰值路由机制分离单峰值和多峰值P-V曲线。然后采用两种分类策略：策略A（三因子法）使用R_s、R_sh和n的偏差因子进行分类；策略B（双因子法）使用I_ph和I_sat的偏差因子进行分类。最终应用聚类或监督分类方法实现事件识别。

三、研究结果

3.1. 健康GNLM的构建与验证

研究人员利用加拿大太阳能公司（Canadian Solar）型号为CS6W-550MS的光伏组件，在巴西累西腓进行了为期一年的户外实验，采集了健康模块在不同G和T下的I-V曲线。通过160条训练曲线构建了五阶多项式GNLM，平均归一化均方根绝对功率误差（NMAPE）仅为0.35%，验证集上的拟合精度也证明了该模型具有良好的泛化能力。

3.2. 参数偏差因子的诊断价值

通过对九种工况（健康、1个旁路二极管短路、2个旁路二极管短路、开路二极管严重遮阴、开路二极管轻度遮阴、2峰值局部遮阴、3峰值局部遮阴、积灰、玻璃破碎）的实验曲线进行分析，研究人员发现不同功率衰减事件会导致SDM参数产生特征性的偏差模式。例如，旁路二极管短路主要引起与电压相关的参数偏差，而积灰和遮阴则主要影响与电流相关的参数。

3.3. 分类策略的性能评估

研究人员提出了两种基于偏差因子的分类策略。策略A利用R_s、R_sh和n三个偏差因子，策略B利用I_ph和I_sat两个偏差因子。通过峰值路由预先分离单峰和多峰曲线后，结合聚类或监督学习方法进行分类。实验结果表明，最佳分类策略（结合峰值路由与特定分类器）达到了99.6%的整体分类准确率，显著优于未使用峰值路由的方案。

四、讨论与结论

讨论部分指出，基于参数偏差因子的诊断方法成功地将复杂的I-V曲线信息压缩为一个低维、物理可解释的特征空间。该方法不仅避免了传统黑箱模型的可解释性问题，还通过GNLM消除了G和T变化对诊断的干扰。研究表明，不同的功率衰减事件会在偏差因子空间中形成各自独特的簇，这为自动化诊断提供了坚实基础。特别是峰值路由机制的引入，有效解决了多峰值P-V曲线对单一SDM拟合造成的困难，大幅提升了分类准确性。

研究结论：本研究提出了一种面向光伏组件功率衰减检测与分类的新型诊断框架。该框架的核心是利用健康组件的GNLM作为参考，通过优化提取SDM参数的偏差因子，并在由这些因子构成的低维诊断空间中实现事件分类。实验结果显示，基于三个偏差因子的策略在结合峰值路由后，最高可实现99.6%的分类准确率。该工作证明了将基于物理模型的参数偏差分析与机器学习分类相结合的有效性，为光伏电站的智能运维提供了一种高精度、可解释的解决方案。