光伏（PV）安装的全球快速扩展已成为实现碳中和战略的基石。然而，长期的户外运行使PV模块面临辐照度变化、温度循环、湿度、灰尘积聚、机械应力以及材料自然老化等环境因素的影响。这些环境应力因素可能导致多种故障，包括电池退化、部分遮挡、热点形成、组件断开、短路以及逆变器故障等，这些故障不仅会降低功率输出，还会增加安全风险并加速系统老化（Platon等人，2015年；Luo等人，2024年）。
实地调查显示，PV故障可能导致高达23%的能量损失（Firth等人，2010年），这凸显了及时可靠诊断机制的迫切需求。有效的故障检测对于实现预测性维护、防止设备不可逆损坏以及保护PV投资的经济可行性至关重要。从可持续性的角度来看，强大的诊断工具还能减少不必要的组件更换，延长系统寿命，并在整个PV资产生命周期内促进更高效的资源利用。
现有的PV故障诊断技术通常依赖于监测电气和环境参数（如电流-电压（I-V）特性、模块温度和太阳辐照度），并将这些参数与分析模型或基于数据的参考模型进行比较（Hazra等人，2017年）。许多研究证明了智能控制模型在提高并网PV系统的最大功率点跟踪（MPPT）和电压调节方面的有效性，特别强调了实时控制和功率调节（Naidu1等人，2025年；Ou和Hong，2014年）。相比之下，本研究提出了一个互补的初步挑战，即基于数据的故障预测和可靠性优化框架。该框架有助于早期预警和预防性维护，从而在采取控制措施之前促进PV系统的稳健和可持续运行。
已经探索了多种机器学习方法，包括逻辑回归、决策树、随机森林（RF）、超分辨率感知卷积神经网络（SRPCNNs）和人工神经网络（ANNs）（Liu等人，2021年；Faiza等人，2024年）。其中，ANNs因其能够建模非线性关系并从嘈杂的操作数据中提取有区分性的特征而显示出强大潜力。最近的研究探讨了将机器学习模型与结构化优化技术相结合的混合框架，以提高能源系统的性能。例如，Kamaruddin等人将梯度提升与参数优化相结合，用于降低净零能耗建筑物的能耗强度，从而证明了基于系统优化的数据驱动模型的有效性（Kamaruddin等人，2025年）。特征选择方法（如基于CONMI的方法）被用来在应用机器学习分类器（如支持向量机SVM）之前减少特征冗余（Hassan等人，2025年）。深度学习技术已被广泛应用于PV发电量的预测。基于卷积神经网络（CNN）的模型常用于提取空间特征，而结合CNN与长短期记忆（LSTM）网络的混合架构旨在捕捉PV发电数据中的时间依赖性。最近，图神经网络被用于建模分布式PV系统之间的空间相关性。例如，Wang等人提出了一个结合贝叶斯优化的动态图卷积网络，用于时空PV预测（Wang等人，2026年）。此外，基于变压器的模型由于能够通过注意力机制捕捉长期时间依赖性而受到广泛关注，从而提高了复杂可再生能源时间序列数据的预测准确性。
相比之下，本研究采用了一种类似的混合方法，但重点是通过整合田口方法、遗传算法和ANNs来促进PV系统的可靠性导向的故障预测。
然而，ANNs的性能在很大程度上取决于网络架构、超参数选择以及训练数据的质量。参数化不当可能导致过拟合、收敛缓慢以及在多样化环境条件下应用时的泛化能力有限。应对这些挑战需要一种系统地优化ANN配置同时最小化计算成本的策略。
为了解决这一需求，本研究提出了一种混合优化框架，该框架结合了田口方法、遗传算法（GAs）（Esfe等人，2022年）和ANNs，以实现高效的PV故障预测。田口方法用于识别关键超参数并通过结构化实验设计降低搜索空间的维度，而GA则进行全局进化搜索以优化网络架构和参数设置。通过结合实验的统计设计与进化优化，所提出的方法提高了预测准确性、鲁棒性和计算效率。
利用历史现场数据并结合基于蒙特卡洛的合成样本，优化的ANN模型能够有效检测早期PV异常，从而实现及时的维护干预并增强运行韧性。总体而言，这种混合优化策略通过减少能量损失、延长系统寿命和提高可再生能源基础设施的可靠性，促进了更可持续的PV资产管理。
本研究提出了一种新颖的分层框架，该框架结合了两阶段基于田口的稳健筛选方法和基于GA的连续优化方法来调整PV故障预测中的ANN超参数。与通常采用离散实验设计技术或标准单独的元启发式优化的传统混合方法不同，所提出的框架在随机训练条件下系统地平衡了鲁棒性、计算效率和全局最优性。此外，本研究明确将优化的预测性能与系统级别的可靠性和可持续性指标（包括可用性、未供应的能量和碳减排）联系起来，从而将混合优化扩展到不仅仅关注准确性的评估之外。
