《Energy Conversion and Management-X》：Digital twin-driven health prognostics and maintenance optimization for grid-connected PV systems
编辑推荐：
并网光伏（PV）系统装机容量在过去十年呈指数级增长，这得益于组件成本下降和支持性可再生能源政策。随着光伏电站老化，运营方面临越来越大的压力，需要从基于日历的预防性维护转向基于状态和预测性的策略，以在最小化平准化度电成本的同时避免意外发电损失。预测与健康管理（P
并网光伏（PV）系统装机容量在过去十年呈指数级增长，这得益于组件成本下降和支持性可再生能源政策。随着光伏电站老化，运营方面临越来越大的压力，需要从基于日历的预防性维护转向基于状态和预测性的策略，以在最小化平准化度电成本的同时避免意外发电损失。预测与健康管理（PHM）通过持续估计资产健康状态并预测其剩余使用寿命（RUL），为这一转型提供了原则性路径。状态监测（CM）已成为可靠光伏运行的关键基石。早期研究概述了CM的目标、数据需求和实际局限性，包括电能质量评估、故障组件识别、效率计算和并网合规性验证[1]，随后的综述梳理了用于光伏检测、诊断和预测的机器学习架构，包括常规、混合、集成、深度、生成和迁移学习范式[2]。文献[3]综述了物联网传感、通信和分析层级在实时监测、自适应最大功率点跟踪、预测性维护和智能清洗方面的集成。一种双层检测框架在每个光伏面板上使用物联网电子设备进行故障检测，并使用配备RGB和红外相机的无人机验证热斑[4]。尽管实现了精确的面板级定位，但其额外硬件和无人机需求限制了在现有公用事业规模电站中的改造应用。在纯数据驱动方案之外，若干研究利用了物理特征：电阻抗谱结合轻量梯度提升对温度、灰尘和微裂纹条件进行分类，F1分数高达0.975[5]；基于变换器的阻抗谱与面板级交流等效电路模型产生了四个可解释的健康特征用于在线面板监测[6]；多串变换器中直流链路电容老化通过等效电容估计进行跟踪，误差低于3.6%[7]；微裂纹引起的参数变化通过粒子群优化从I-V曲线中提取[8]。最近，提出了一种仅使用逆变器电气测量的可解释数据驱动框架，用于土耳其Kastamonu一座110 kW并网电站低效率事件的早期预警，报告了96.34%的分类准确率，并确定平均电流为效率的主导决定因素[9]。尽管这些工作确认了电气指标的诊断价值，但它们要么需要专用测量硬件（阻抗注入、I-V追踪器、额外传感器）[4],[5],[6],[7],[8]，要么停留在分类和早期预警层面，没有统一的加权健康量化，也没有与RUL或维护决策的关联[1],[2],[3],[9]。另一类平行研究在电站规模上利用人工智能进行故障检测。一种AI辅助运维（O&M）方案监测了74个电站的4,792台逆变器，在五分钟功率偏差时激活警报，并利用模拟平面阵列辐照度升级预测[10]。SPARK通过IGBT开关的基于电压的诊断程序减少了传感器数量，并在2 kW屋顶电站上进行了验证[11]。由Wigner–Ville时频图像馈送的卷积神经网络对十七种运行状态进行分类，在噪声条件下保持90.27%的准确率[12]。基于功率损失指标的随机森林和k近邻基线在500 kWp系统上检测组串断开、短路和遮阴，包括校正未对准的辐照度计[13]。集成分类器区分线间故障和部分遮阴，检测率超过99%[14]，CNN–BiGRU架构展示了分离检测和分类阶段的优势[15]，PVDefectNet（ResNet结合数据增强和Grad-CAM可视化）报告了98%的平均准确率[16]。这些方法主要是监督式的，因此依赖于运行电站中很少可用的标记故障目录；此外，它们诊断离散故障事件而非跟踪连续退化，且很少估计RUL或指导维护规划。一个基于物理的Simulink模型使用子系统残差和动态阈值检测和定位光伏故障，在1.1 MWp电站中实现95%的检测率且无虚警，无需训练[17]。然而，它需要气象数据和详细的电站模型，且不提供连续健康评估或RUL估计。面向维护的研究主要针对清洗经济学和调度。对被动和主动清洗方法的全面综述引入了战略多准则优化（SPV-COM）并量化了气候依赖的最优清洗频率[18]。注意力增强迁移学习达到98.9%的缺陷分类准确率，以在域偏移下优先安排O&M行动[19]，混合图神经网络（GCN用于故障分类，时序图用于预测性维护）在动态电气图上达到98.58%的分类准确率[20]。一个在希腊现场测量上基准测试的决策支持系统展示了缓解行动约4.17 �/kW/年的净经济收益[21]。基于波形长度和自回归的多尺度随机森林诊断以98%的准确率指导维护策略[22]；一种具有风险倾向参数的混合定期–动态清洗调度器在预测不确定性下改进了积灰损失经济学[23]；参考组串相对性能使70 kW电站的传感器轻量化预防性维护成为可能[24]；上下文敏感LSTM在10 MW SCADA数据上标记功率偏差并提前最多两小时预测故障[25]。联合发电–维护优化也在市场层面得到解决[26]，近期综述整合了预测性维护分类法和AI模型比较[27],[28]。总体而言，这些工作将维护视为调度或分类问题：健康状态演化很少被定量建模，且没有研究在仅通过逆变器量监测的电站中，在统一经济比较中耦合HI触发和RUL触发策略。数字孪生（DT）已成为用于监测和预测性维护的信息物理复制品。一个成熟度框架将DT赋能的维护定位在风、光、水、储资产的监测、诊断、预测、规范和自主阶段[29]。一个用于三相并网光伏逆变器的DT在不对称和谐波下实现稳定性监测和参数估计的保真度评分超过97%[30]，一个由自适应优化和滑模控制辅助的DT以超过98%的准确率复制硬件行为，同时分析接口电感、开关和直流链路电容器的退化[31]。DT驱动的太阳能光伏生态系统及其性能指标和采用障碍被综述[32]，基于变换器的DT将光伏功率预测准确率提高最多约40%[33]。因此，现有光伏数字孪生主要是硬件在环或仿真锚定的，强调控制、稳定性或短期预测，并未整合长期健康指数、无分布RUL不确定性或源自多年运行记录的维护决策分析[34]。近期研究将DT应用于光伏组件健康和稳定性监测，实现超过97%的保真度并支持参数估计和退化评估[35]。综合上述研究流（表1），四个差距推动了本工作：i. 大多数光伏CM和故障诊断方法需要辐照度/辅助传感器或标记故障数据；ii. 光伏健康指数在使用时是临时的和任意加权的；iii. RUL估计在提供时依赖参数退化假设，没有有限样本覆盖保证；iv. 维护建议未与健康/RUL状态闭环，且缺乏因果论证。表1. 相关工作与所提框架的比较总结。参考文献、重点、无辐照度（仅电气）、HI、RUL、无监督异常、因果发现、维护/经济学。[1] CM与早期预警（同一110 kW电站）? ± ? ? ? ?。[2],[7] 基于阻抗的健康特征? ± ? ? ? ?。[9],[27],[28] CM/预测性维护综述——————。[18],[21],[23] 清洗与O&M调度± ? ? ? ? ?。[24],[25] 相对性能/深度预测性维护± ± ± ? ? ?。[30],[31],[33] 光伏数字孪生（HIL/预测）? ± ? ? ? ?。[34],[35] 其他资产中的HI+RUL ? ? ?（参数）? ? ±。所提方法DT+HI+RUL+因果+维护? ? ?（保形）? ? ?。?=完全解决；±=部分解决；?=未解决；—=综述工作。所提框架仅使用常规记录的电气量来弥合所有四个差距。尽管PHM在旋转机械和电池系统中已成熟，但其在公用事业规模光伏电站中的应用因三个相互关联的原因而滞后。第一，大多数光伏预测研究依赖辐照度、组件温度或气象输入，这些在传统SCADA装置中经常不可用或不可靠。第二，维护良好的晶体硅组件的退化本质上很慢（通常每年0.5-0.8%），这导致退化信号被强烈的季节性和气象变异性所掩盖。第三，运行电站中标记故障数据稀缺，使得监督式故障诊断方法不切实际。为解决这些差距，本文引入了一个仅使用常规记录电气量（三相电流和电压、直流功率和交流功率）的集成框架，无需辐照度或环境传感器。主要贡献如下：i. 通过混合熵-PCA加权构建的传感器轻量化多维健康指数，消除了任意权重分配。ii. 基于梯度提升回归的高保真运行数字孪生，用于基于残差的监测。iii. 通过分裂保形预测的无分布RUL量化，首次引入光伏预测，提供有限样本覆盖保证。iv. 通过Granger因果的因果根因发现，提供可操作的维护优先级而非仅仅是相关性。v. 维护感知的寿命延长，通过寿命、回收能量、净收益和投资回报比较五种策略。本文其余部分组织如下。第二节描述光伏电站和运行数据集。第三节详述所提方法的九个阶段。第四节呈现结果和批判性讨论。第五节总结全文。光伏电站与运行数据集本节描述用于开发和验证所提PHM框架的案例研究光伏电站和运行数据集。电气配置、监测变量和三年数据集的关键统计特征在以下小节中呈现。电站配置案例研究电站是一个110 kW三相并网光伏系统，标称相电压230 V，电网频率50 Hz。电气接口通过三相线路电流、三相线对中性点电压、总直流链路功率PDC（kW）和总交流有功功率PAC（kW）进行监测。图1说明了案例研究光伏电站的测量和状态监测架构。包括三相电流、三相电压、直流链路功率和交流有功功率在内的电气量通过SCADA仪器连续采集。安装在光伏组件和逆变器上的附加运行传感器提供温度和設備状态信息用于维护监督。所有测量传输到数据采集单元，随后由数字孪生和预测与健康管理（PHM）模块处理，用于健康指数估计、异常检测、剩余使用寿命预测和维护决策支持。下载：下载高分辨率图像（320KB）下载：下载全尺寸图像图1. 光伏监测与维护架构。运行数据集数据集包含三年（2023–2025）以30分钟间隔采集的27,000个SCADA样本，峰值交流功率为110.09 kW。这是土耳其Kastamonu一座110 kW并网电站的SCADA数据集，最初在[9]中描述；此处仅使用电气测量。30分钟分辨率的原始三年记录包含52,560个时间槽。夜间间隔（约25,000个样本）因无光伏发电而被排除，少量缺失或无效记录被丢弃。剩余27,000个样本构成整个研究中使用的有效日间运行数据集。7,194个停机事件是日间间隔，在此期间逆变器在标称太阳能条件下不活动，它们保留在27,000个样本中以表征异常运行。日发电曲线呈现预期的钟形包络，以日出（≈07:00）和日落（≈18:30）为界，振幅和持续时间均受季节调制。该数据集的一个显著特征是没有辐照度或气象通道。因此，每个指标仅从可用电气量导出，这使得该方法可直接迁移到缺乏气象仪器的传统电站。所提方法所提框架如图2概念性所示，通过组织为四个功能层的九个顺序阶段处理多年运行记录。下载：下载高分辨率图像（594KB）下载：下载全尺寸图像图2. 组织为四个功能层的九阶段方法流程图。原始电气测量首先转换为五个健康指标，并通过混合熵-PCA加权融合为多维健康指数；该指数与梯度提升数字孪生一起馈入无监督异常诊断模块。去季节化的健康趋势随后通过双预测阶段传播，该阶段结合贝叶斯和无分布保形RUL估计，其输出与Granger因果见解一起驱动维护模拟阶段，产生经济优化的维护决策。特征工程从原始电气信号中提取五个健康指标。所有原始属性（三相线路电流、线对中性点电压、直流链路功率PDC和交流有功功率PAC）直接从SCADA数据集获得。五个健康指标（ηinv、Bal、Stab、PR、Deg）不是直接测量的；它们通过特征工程机制导出，即直流-交流功率比、相电流离散度、滚动变异系数、PAC的小时–月百分位包络以及PR的30天移动平均。不使用辐照度或气象变量。所有指标通过稳健百分位归一化算子N[?]归一化到区间[1]，对于信号x定义为：（1）N[x]=clip((x?q0.02(x))/(q0.98(x)?q0.02(x)),0,1)，其中q0.02(x)和q0.98(x)分别表示x的第2和第98百分位数，clip(z,a,b)=min(max(z,a),b)约束输出。基于百分位的边界抑制极端异常值的影响。值1表示理想健康。1. 逆变器效率ηinv。瞬时直流-交流转换效率为：（2）ηinv(t)=PAC(t)/PDC(t)，受约束：（3）ηinv(t)∈[0,ηmax]，ηmax=1.05，其中ηmax是丢弃非物理测量伪影的裁剪上限。直流功率消失的样本PDC(t)
0，PDC>0）上训练，并在保留分数ρval上验证。发电条件PAC>0，PDC>0移除所有停机和 inactive 时段，它们构成主导异常运行模式。唯一剩余的非健康样本是识别的134个有功功率不稳定事件，它们占发电数据集不到0.5%，是瞬态波动而非持续退化状态。因为电站表现出可忽略的退化率0.016 HI/年且年度斜率交替，发电数据集代表健康行为。因此，无需额外移除退化点；数字孪生学习主导健康电气映射，少数瞬态异常作为残差出现，随后由无监督异常检测阶段检测。DT使用LSBoost集成，150个回归树，学习率0.06，20%验证分割。20%保留集按时间顺序选择为三年记录的最后部分，而非随机，使得时间相邻样本不能同时出现在训练和验证集中。这种基于时间的分割防止相邻样本的信息泄漏，并在未见运行条件下提供数字孪生的现实评估。相同的时间顺序原则应用于预测模型的时间序列交叉验证。3. 性能指标。孪生通过决定系数、均方根误差、平均绝对误差和平均绝对百分比误差评估：（25）R2=1?Σt(PAC(t)?P^AC(t))2/Σt(PAC(t)?P?AC)2，（26）RMSE=√(1/nΣt(PAC(t)?P^AC(t))2)，（27）MAE=1nΣt|PAC(t)?P^AC(t)|，（28）MAPE=100%|S|Σt∈S|PAC(t)?P^AC(t)|PAC(t)，其中P?AC是平均测量功率，n是验证样本数，S={t:PAC(t)≥0.10Prated}将MAPE限制在额定负载10%以上的工作点以避免除以接近零值。无监督异常检测因为标记故障数据不可用，通过应用于五个健康指标的多变量z分数规则检测异常。1. 标准化。每个指标标准化为（29）zi(t)=(hi(t)?μi)/σi，其中μi和σi是第i个指标在整个数据集上的经验均值和标准差，保护σi≥σmin=10?9。Z分数归一化独立应用于每个健康指标，因为五个指标具有不同物理单位和动态范围；这使固定阈值γz尺度不变且在所有指标间直接可比。底层仅电气SCADA数据集的统计行为记录在[9]中。对于主动异常检测，均值μi和标准差σi仅对发电样本（PAC>0）计算，使得零或近零指标的停机间隔不会偏置参考统计。这种分离确保z分数阈值γz=2.0反映偏离健康发电基线的偏差，而非健康和非活动模式的混合。使用第一年运行作为替代健康基线的敏感性检查确认，识别的有功功率不稳定事件保持稳定，而7,194个停机事件无论基线选择如何均被识别。2. 检测规则。当任何指标表现出超过阈值γz的严重负偏差时，样本被标记为异常：（30）A(t)={1 若 ?i∈{1,2,...,5}:zi(t)研究背景方面，并网光伏系统装机容量持续增长，电站老化使运营方需从基于日历的预防性维护转向基于状态和预测性维护，以降低平准化度电成本并避免发电损失。预测与健康管理（PHM）通过持续估计健康状态和预测剩余使用寿命（RUL）为这一转型提供路径。然而现有光伏状态监测（CM）和故障诊断研究存在四方面不足：多数方法依赖辐照度或辅助传感器，或需要标记故障数据；健康指数多为临时且任意加权；RUL估计依赖参数退化假设且缺乏有限样本覆盖保证；维护建议未与健康/RUL状态闭环且缺乏因果论证。此外，维护良好的晶硅组件退化缓慢（通常每年0.5–0.8%），退化信号易被季节和气象变异掩盖，运行电站标记故障数据稀缺，监督式诊断不切实际。为此，研究人员提出一个仅使用常规记录电气量（三相电流和电压、直流功率、交流功率）的集成框架，无需辐照度或环境传感器，主要贡献包括：通过混合熵-PCA加权构建传感器轻量化多维健康指数；基于梯度提升回归的高保真运行数字孪生用于残差监测；首次将分裂保形预测引入光伏RUL量化以提供有限样本覆盖保证；通过Granger因果发现根因以提供维护优先级；比较五种维护策略的寿命、回收能量、净收益和投资回报。关键技术方法方面，研究使用土耳其Kastamonu一座110 kW三相并网光伏电站三年（2023–2025）以30分钟间隔采集的27,000个有效日间SCADA样本（原始52,560个时间槽，排除约25,000个夜间样本及少量缺失或无效记录，保留7,194个停机事件），仅使用电气测量。方法包括：从原始电气信号经特征工程导出五个健康指标（逆变器效率ηinv、相电流平衡Bal、功率稳定Stab、性能比代理PR、长期退化Deg），经稳健百分位归一化后通过熵加权与PCA加权平均融合为健康指数；以最小二乘提升（LSBoost）回归树集成构建数字孪生，输入循环时间编码与电气特征，按时间顺序划分20%保留集验证；基于五指标多变量z分数规则进行无监督异常检测，并以交流功率阈值独立定义停机事件；通过除以平滑季节轮廓和移动平均提取去季节化长期趋势，采用数据驱动自适应失效阈值；采用贝叶斯线性退化模型结合Monte Carlo采样和bootstrap粒子滤波估计RUL，并采用分裂保形预测（60%训练、20%校准、20%测试）构建无分布预测区间；对去季节化日指标进行成对Granger因果检验（滞后阶数K=5，Bonferroni校正）；在1095天预测视野上模拟五种维护策略并计算回收能量、净收益和投资回报。研究结果方面，数字孪生性能：在20%保留集上R2=0.9991、RMSE=0.7061 kW、MAE=0.4771 kW、MAPE=1.28%，线性回归基线R2略低且RMSE更高，确认集成捕获非线性逆变器行为。多维健康指数：融合权重为PR 0.2955、ηinv 0.2186、Deg 0.2049、Bal 0.1761、Stab 0.1048，HI均值0.6686、标准差0.2396、范围[0.0000,0.9897]，呈现明显季节调制。无监督异常检测：标记7,328个样本（27.14%），其中7,194个（98.17%）为停机事件、134个（1.83%）为功率不稳定事件，未检测到超过阈值的积灰、效率、不平衡或退化异常，表明主要损失机制为逆变器停机而非逐渐退化。剩余使用寿命预测：去季节化退化率为0.00004 HI/天（0.016 HI/年），贝叶斯平均RUL为967.6天（2.65年），95%可信区间[183.4,1095]天，五折时间序列交叉验证平均RMSE=0.0879、MAE=0.0755 HI单位；保形预测带q=0.1985，经验覆盖100%，有效区间宽度约1094天；年度退化斜率分别为+0.049、-0.079、+0.064 HI/年，符号交替，表明电站基本健康、残余趋势由年际气象变异主导。Granger因果发现：识别八个显著因果边，性能比为主导根驱动，影响逆变器效率、相平衡和功率稳定（p<0.0001），稳定与效率、稳定与平衡间存在互惠链接，效率对平衡（p=0.0030）和平衡对稳定（p=0.0002）形成次级级联。维护感知寿命延长：无维护和逆变器更换策略均在180天达到阈值、回收67.5 MWh、净收益4,051美元；定期清洗维持1095天、回收536.8 MWh、18次干预成本2,160美元、净收益30,047美元、ROI 1391%；基于HI策略寿命417天、回收180.0 MWh、12次干预、净收益8,640美元、ROI 400%；基于RUL策略寿命205天、回收75.8 MWh、1次干预成本80美元、净收益4,368美元、ROI 2427%；敏感性分析中定期清洗始终保持最高净收益。讨论部分总结：贝叶斯平均RUL 967.6天不应解释为物理失效预测，而是近平坦趋势向统计警报阈值的外推，由认知不确定性主导，应读作观察窗口内未检测到显著退化的证据；框架价值在于提供统计原则性、无分布的健康证书并量化RUL不确定性。停机事件聚合零或近零发电时段，不等同于故障，总体异常率27.14%应解释为非标称发电运行小时比例。Granger分析表明性能比领先其他指标，与清洗有效性一致，但不证明清洗物理改善其他指标，维护排名基于模拟模型。缓慢退化、维护良好的电站中，简单定期干预可主导更复杂的条件触发策略，前提是干预频率与积灰累积速率匹配。研究结论部分翻译：本文提出了一个用于并网光伏系统健康评估、RUL预测和维护优化的集成传感器轻量化框架，并在真实110 kW电站的三年30分钟运行数据上验证。得出五个主要结论：第一，仅基于电气特征训练的梯度提升数字孪生以R2=0.9991和1.28%平均绝对百分比误差重现电站行为，建立无需辐照度输入的可靠健康参考；第二，混合熵-PCA加权方案产生可解释的五分量健康指数，主要贡献者为性能比、逆变器效率和长期退化；第三，无监督异常检测隔离134个活跃功率不稳定事件和7,194个停机事件，揭示逆变器不活动而非逐渐退化是主要损失机制；第四，将分裂保形预测引入光伏预测提供无分布RUL带，经验覆盖100%，诚实反映维护良好资产近零退化率（0.016 HI/年）；第五，Granger因果分析识别性能比为其余指标的根驱动，维护模拟表明定期清洗最大化寿命和经济回报（净收益30,047美元；ROI 1391%）。未来工作将朝三个方向扩展：纳入热成像和卫星衍生辐照度以丰富特征空间；部署在线自适应使数字孪生在概念漂移下重新校准；将保形预测模块推广到 fleet 级资产以实现可迁移、无分布可靠性认证。
