一种用于光伏系统开路电压退化估计的自监督机器学习方法

《Progress in Photovoltaics: Research and Applications》：A Self-Supervised Machine Learning Approach for the Estimation of Open-Circuit Voltage Degradation in Photovoltaic Systems

　　

在这项工作中，研究人员提出了一种机器学习（ML）方法，该方法将基于物理的知识与数据驱动技术相结合，以估计光伏（PV）系统的开路电压（v_oc）。这种自监督方法能够检测运行系统中的异常，从而无需标记数据即可识别与v_oc相关的潜在故障和退化。通过分析监督控制和数据采集（SCADA）系统记录的测量值，检测v_oc值的偏差。该分析通过聚类和回归算法的组合进行。所提出的方法在三个不同的PV装置上得到验证，展示了其检测开路电压变化和预测性能退化的能力。当在来自三个不同PV系统的实验v_oc数据上训练时，该方法实现了大于0.9的R²（r²）值。此外，与I–V曲线测量相比，从SCADA数据估计v_oc的平均误差低于5%。这项研究的结果表明，物理信息驱动的ML技术可以显著提高PV系统的性能和可靠性，实现早期故障检测和退化预测。

光伏系统性能退化诊断与自监督机器学习方法——解读《Progress in Photovoltaics: Research and Applications》一篇论文

**研究背景与问题提出**

在全球能源转型背景下，欧洲绿色协议设定了2030年减排55%、2050年实现气候中和的宏伟目标，光伏（PV）技术的战略部署与优化是实现这一目标的核心。随着光伏资产规模持续扩大、制造成本不断降低，降低平准化度电成本（LCOE）成为关注焦点。LCOE受初始投资、组件性能、寿命及运维（O&M）成本等因素影响，其中O&M成本约占LCOE的15%。当前单晶硅太阳电池效率已接近理论极限，而新兴电池技术（如异质结、PERC、TopCon）的现场退化率数据缺乏，导致性能预测不确定性增加，阻碍了从预防性维护向基于状态的维护（CBM）的转变。开路电压（v_oc）是评估光伏性能退化的关键指标——其损失可指示潜在诱导退化（PID）、旁路二极管短路、电池串断等故障，甚至反映电池级别的退化（如紫外诱导退化）。然而，传统的v_oc检测依赖现场手动测量（使用电压表或I–V分析仪）或基于制造商参数的物理模型，前者需投入人力和设备，降低电站可用性；后者因组件老化使设计参数偏离实际值，难以准确识别故障。因此，亟需一种无需标注数据、无需组件解列、且能适应退化变化的自动化v_oc估计方法。

**研究人员开展的研究与结论**

研究人员提出一种自监督机器学习（ML）方法，融合基于物理的知识与数据驱动技术，利用SCADA系统记录的运行数据估计光伏系统的v_oc。该方法通过聚类与回归算法分析SCADA测量值，无需标记故障数据即可检测v_oc异常，进而识别潜在故障与退化。研究在三套不同的实际光伏装置上进行验证，结果表明：该方法在实验v_oc数据上训练的R²大于0.9；从SCADA数据估计的v_oc与I–V曲线测量相比，平均误差低于5%。这项研究成果发表于《Progress in Photovoltaics: Research and Applications》，其重要意义在于：验证了物理信息ML技术可显著提升光伏系统的性能与可靠性，实现早期故障检测与退化预测，从而支持CBM策略的实施，降低LCOE。

**关键技术方法（不超过250字）**

研究人员采用了以下主要技术方法：（1）**高斯混合模型（GMM）聚类**：用于对SCADA记录的运行电压和环境条件进行无监督聚类，自动识别数据中的正常与异常模式；（2）**线性回归**：在GMM聚类基础上，建立v_oc与温度、辐照度等操作条件之间的线性关系模型，从而从SCADA数据中估计v_oc；（3）**自监督学习框架**：无需标注故障数据集，仅依靠SCADA自身测量值（如运行电压、电流、温度等）进行模型训练，实现异常检测与退化估计。样本数据来源于三个不同的实际光伏发电系统（未具体注明名称或来源，但均为真实运行电站）。该方法通过结合物理先验（如v_oc随温度线性变化）与数据驱动聚类，避免了黑箱模型的可解释性问题，同时降低了数据需求（仅需约1个月的SCADA数据）。

**研究结果**

由于原文仅提供了引言及相关研究工作部分，未呈现完整的“结果与讨论”章节，研究人员根据摘要及引言中的研究问题（RQ1–RQ4）总结了以下关键发现（所有结果均源于摘要及方法验证描述）：
- **从SCADA运行电压识别v_oc（RQ1）**：通过聚类与回归的组合分析，能够从SCADA记录的运行电压中分离并估计出v_oc值，证明该方法可实现非侵入式检测。
- **最优模型描述v_oc对操作条件的依赖性（RQ2）**：采用线性回归模型能准确刻画v_oc随温度、辐照度的变化，且模型具有良好可解释性。
- **估计v_oc相关指标（RQ3）**：方法可进一步导出标准测试条件下的v_oc（v_oc-stc）、v_oc温度系数（v_oc-tc）及热电压系数（nN_sV_th）等指标，用于更可靠地评估光伏组件健康状态。
- **检测退化能力验证（RQ4）**：在三套不同光伏系统上的实验显示，该方法估计的v_oc与实测I–V曲线结果平均误差低于5%，R²大于0.9，表明能有效检测v_oc退化模式。

以上结果均以定量指标形式印证了方法的有效性，但具体各系统的退化类型、时间序列等细节未在提供文本中展开。

**总结讨论与结论翻译**

在讨论部分，研究人员强调该方法避免了监督学习对标注故障数据的依赖，而通过融合物理知识（如v_oc与温度的关系）与数据驱动聚类（GMM），提升了模型的可解释性与鲁棒性。与现有基于I–V曲线的深度学习方案相比，该方法仅需SCADA数据，数据需求低且更易部署于实际电站。研究人员同时指出，所提方法为CBM策略的实施提供了有效工具，有助于通过早期故障检测降低O&M成本。研究结论部分可翻译如下：“本研究的结果表明，物理信息驱动的ML技术能够显著增强光伏系统的性能和可靠性，从而实现早期故障检测和退化预测。” 该结论进一步支持了将混合方法（融合物理知识与数据驱动）作为光伏运维领域新兴趋势的观点。未来研究方向包括：（1）将方法扩展到更多退化模式（如PID、UVID）的识别；（2）在更长的时间尺度上验证退化预测的准确性；（3）探索其他聚类或回归算法以提升估计精度。