基于AI的并网光伏系统实时数据拓扑自动识别方法及其在拓扑无关故障诊断中的应用

《Energy and AI》：AI-Based Automatic Topology Identification of Photovoltaic (PV) Systems Using Real-Time Data for Topology-Independent Fault Diagnosis

　　

并网光伏（PV）系统的故障检测与定位对于限制短路、降低安全风险、缩短系统停机时间以及维持高能量转换效率至关重要。研究人员已针对该任务提出了多种算法，但其中大多数假设光伏阵列拓扑已知，需要每串模块数、串数、模块总数及各模块状态等信息。每种算法通常针对一种特定光伏配置进行设计与验证，因此在拓扑、运行条件或组件不同的系统上往往表现不佳，错误的拓扑假设会导致故障误分类和故障定位错误。本文提出一种基于人工智能（AI）的方法，可从实时电气与环境测量数据中自动识别光伏阵列拓扑。该方法估计每串模块数、串数、模块总数以及健康与故障模块数。它将物理信息约束与随机森林（RF）回归模型相结合，使用46,347个仿真光伏样本按80:20划分进行训练与测试。该模型在未见测试数据上达到94%的拓扑级准确率，并在准确性和计算成本两方面均优于XGBoost和支持向量回归（SVR）。该方法进一步在硬件在环（HIL）平台上进行实时验证，使用两台Typhoon HIL 404单元和一个TI F28379D微控制器，并与故障检测与定位算法集成。通过消除对先验拓扑信息的需求，所提方法使光伏故障诊断在不同装置间更加可靠。

研究背景方面，光伏系统在全球范围内快速部署，其运行可靠性和有效运维对降低平准化度电成本至关重要。电气故障、物理缺陷和性能退化条件若未被检测或误诊，会降低发电量、增加火灾风险并提高维护成本。传统诊断方法如定期目视检查、热成像、电致发光成像或基于解析模型的检查往往劳动强度大、成本高或需要模块级仪器。机器学习方法近年来在光伏故障诊断中受到越来越多关注，但大多数基于机器学习的故障诊断系统假设光伏阵列拓扑先验已知，包括串数、每串串联模块数、串并联配置及模块电气参数。该假设在受控测试平台和文档完善的大型电站中合理，但在实际装置中常不成立，阵列可能被修改、重构或部分更换，老化和接线错误可能未被记录，维护记录可能缺失或不一致。拓扑错误指定会显著降低下游故障检测与定位算法性能，导致误分类或错误定位。数据驱动的光伏系统参数推断是新兴研究方向，但明确从电气测量中推断阵列接线拓扑的研究仍然很少。基于上述问题，研究人员开展了自动拓扑识别与拓扑无关故障诊断 pipeline 集成的研究。

研究人员开展了以下工作：将光伏阵列拓扑识别问题表述为带有物理信息约束的监督学习任务；开发随机森林回归框架，从实时测量中预测串数、每串模块数和模块总数；在覆盖11,500种配置和多样运行条件的大型代表性仿真数据集上训练和验证模型；证明推断的拓扑可改善下游故障检测与定位算法的性能和可靠性。研究得出，随机森林回归模型在拓扑识别准确率和计算成本上均优于XGBoost和SVR，在未见测试数据上达到94%的拓扑级准确率，并在HIL平台上实时验证了框架的可靠性。该研究的重要意义在于使光伏故障诊断实现拓扑无关，更适用于实际运行条件，尤其适用于文档不完整或过时的大型或遗留装置。

研究人员为开展研究用到的主要关键技术方法包括：基于单二极管模型的光伏阵列建模与仿真数据生成；随机森林回归、支持向量回归和XGBoost三种机器学习算法的比较评估；物理信息约束的拓扑可行性过滤；以及基于两台Typhoon HIL 404单元和TI F28379D微控制器的硬件在环（HIL）实时验证平台。

研究结果方面：第一，通过MAE比较得出随机森林在所有输出变量上MAE最低，模块每串和总串数MAE为0.049，总模块数MAE为0.013，健康模块和故障模块MAE分别为0.159和0.384，表明随机森林在拓扑识别上预测精度最优。第二，通过R2比较得出随机森林在所有输出参数上R2最高，模块每串和总串数为0.90，总模块数为0.94，健康模块和故障模块分别为0.82和0.81，确认随机森林具有最强的解释力和拟合优度。第三，通过重复划分和泛化测试得出随机森林平均MAE为0.113±0.004、R2为0.933±0.003、准确率93.8%，在未见模块模型分组五折测试中准确率达94.1%，但对超出训练范围的6×6阵列未重训练时准确率降至24.8%，表明模型需针对目标装置拓扑范围进行训练。第四，通过残差分布分析得出各输出残差集中在零附近，模块每串和总串数残差范围最窄，健康模块和总模块数残差稍宽但无长尾分布，表明模型无显著过拟合且系统性偏差低。第五，通过消融研究得出五输入配置总体精度最高，但超过三或四个输入后性能增益边际递减，电压和电流特征对结构参数估计贡献最大，温度特征影响较小。第六，通过HIL平台故障条件下输入输出分析得出，尽管故障瞬间光伏侧输入信号发生突然显著变化，AI拓扑识别算法仍保持一致的输出顺序和分类行为，并能准确指示故障光伏模块数量，简化了后续故障定位过程。

讨论部分总结：准确估计光伏系统拓扑参数对有效故障检测与定位至关重要。随机森林回归模型的优越性能使其能够精确识别所连接光伏系统的拓扑，直接支持故障检测与定位算法。阵列电压随Ns缩放、阵列电流随Np缩放，因此这两个输出预测最准确；Nt是二者乘积，任一误差会传递到Nt，这解释了其较低准确率。温度和辐照度在消融研究中贡献较小，因为数据集中它们固定为标准测试条件。残差强聚类于零表明低系统性偏差和有效学习非线性关系。HIL仿真结果高度令人满意，确认了框架的准确性、可靠性和实时适用性。研究的主要局限是实时硬件验证在12模块阵列上进行，因每台Typhoon HIL 404单元支持有限数量的PV查找表，该限制仅适用于实验室仿真而非现场部署。模型在每串最多5个模块和最多5个并联串的阵列上训练，对更大拓扑不能泛化。未来工作将在更大光伏阵列和现场数据上验证框架，并评估深度学习架构。

研究结论部分翻译：现有故障检测与定位算法针对特定光伏配置设计，往往在其他拓扑上失效，因为错误的拓扑假设导致故障误分类。因此，本文提出一种基于AI的自动光伏系统拓扑识别方法，解决了现有故障检测与定位技术的关键局限。在实际光伏装置中，拓扑信息经常不可用或不一致，这种依赖显著降低了诊断准确性和系统可靠性。所提方法通过直接从实时电气测量中推断光伏模块数量、串并联结构和整体阵列拓扑克服了这一挑战。所提随机森林回归算法使用46,347个数据集按80:20划分进行训练和评估，框架展现出强预测能力，拓扑识别准确率达94%，计算复杂度低。结果确认该方法在辐照度和温度变化等不同运行条件下具有鲁棒性，适合实时或在线实施。光伏系统拓扑的准确重建使下游故障识别与定位更加可靠，降低了故障误分类风险，提高了系统安全性和运行效率。因此，所提方法为增强光伏监测系统提供了实用且可扩展的解决方案，尤其适用于系统文档可能不完整或过时的大型或遗留装置。未来工作将聚焦于将框架扩展到纳入真实现场数据、自适应学习以适应长期系统老化和重构，以及与先进故障诊断算法集成以实现完全自主的光伏系统监测与保护。此外，将评估卷积神经网络和循环神经网络等深度学习架构，特别是在时间序列或I–V曲线数据可作为输入的情况下。