基于系统识别的、由光伏组件输出特性驱动的故障诊断方法

《Microelectronics Reliability》：Fault diagnosis method driven by output characteristics of PV module based on system identification

　　•提出一种用于光伏组件的动态N4SID识别方法•将LOWESS、mRMR和NRBO-SVM整合到诊断框架中•针对多种故障实现了高精度识别（仿真结果为98.7%，实验结果为95.5%）引言全球能源短缺问题日益严重。传统能源属于不可再生资源，且会造成严重的环境污染，而太阳能发电具有可重复发电和清洁无污染的特点，因此正在迅速取代传统能源。作为太阳能系统的基础组成部分，对光伏板进行精确可靠的建模，以及采用有效的预测性维护策略，对于提升系统设计水平、优化性能、实现运行监控以及规划光伏装置具有重要意义[1]。光伏组件通常安装在户外，长期处于沙尘、阳光和高温环境之中，这样的恶劣环境导致光伏组件频繁出现故障[2]、[3]、[4]、[5]、[6]。单个太阳能电池板常见的故障包括遮光效应、热斑现象、微裂纹、电势诱导衰减以及二极管故障，这些都会影响组件内的电流均匀性。若不能及时处理这些缺陷，将会显著降低能量输出效率，缩短组件的使用寿命，在极端情况下甚至可能引发热火灾等危险事故[7]、[8]。因此，一种有效且及时的光伏组件故障诊断方法能够减少其对光伏发电的影响，避免因各种临时性因素累积而造成的损害。全球的研究人员已经对太阳能电池板的故障检测方法进行了广泛研究，这些诊断方法主要可分为三类：视觉检查、电气特性分析以及基于模型的技术。视觉诊断方法包括红外热成像、电致发光、光致发光和计算机视觉技术，这些技术有助于更精准地检测热斑、隐藏的裂纹以及阴影故障。不过，这种方法的检测周期较长，而且需要专业的检测设备。值得注意的是，电致发光成像方法需要在特定环境中使用电致发光缺陷检测仪，通过获取的图像信息来进行检测、分析和诊断[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]。电气特性诊断是一种基于数据的方法，可通过仿真和实验直接获取光伏组件的输出电气参数。该方法主要关注光伏组件的I-V输出特性，再运用数学方法分析和判断故障类型。在此基础上，人们开发出了众多机器学习技术，既有聚类分析和成分分析等传统的统计方法，也有XGBoost和LightGBM等前沿技术。然而，这类方法存在明显缺陷，其在无监督学习方法的特征提取方面缺乏自动化功能，往往依赖专家经验。而监督学习方法则需要大量的标注数据集，这进一步增加了故障诊断工作的难度[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]。通过建模来识别光伏系统中的故障主要包含两个部分：静态参数确定和动态模型特性分析。光伏组件的静态性能是通过单二极管或双二极管模型来构建的，用以确定温度、辐照度与产生的电气参数之间的关联关系[30]、[31]。显式方程通常更容易得到完美的表达式，但精度较低，而隐式方程一般通过迭代方法来求解数值解[32]、[33]。光伏电池在高频干扰下的动态响应主要源于光伏电池中的串联电感器和并联电容器，这些元件被引入物理模型中，以体现光伏电池小信号阻抗的特性[34]。这种方法的主要难点在于建立简洁准确的模型，并找到合适的故障判定机制。基于模型的诊断技术发展迅速，许多研究人员在光伏组件模型构建方面做出了重要贡献。Blaifi等人[35]提出了一种改进的光伏组件动态建模技术，该技术包含了自动参数提取功能。Boutana等人[34]则描述了一种基于简单三变量I-V方程的显式模型，与其他对比模型相比，该模型在测试中的精度更高。Selimefendigil等人[36]对带有多孔散热片的光伏组件进行了实验分析，并基于人工神经网络构建了动态多输入多输出模型，用于性能预测。这种数据驱动的方法为进一步开发用于预测光伏系统性能的动态神经网络模型提供了可能。上述学者的研究主要聚焦于光伏组件的模型构建，并明确了该模型的应用场景。Olayiwola等人[37]提出了一种动态交流等效电路建模方法，与传统静态模型相比，该方法能更准确地模拟多晶硅片基光伏系统在各种运行和故障条件下的动态行为。不过，要评估模型的有效性，不仅要看其拟合程度，还要考虑其处理和解读未知数据的能力，这样才能提升其实际应用价值。Huang等人[38]提出了一种利用三二极管模型来提高光伏组件功率预测精度的方法。他们将参数维度从9个扩展到16个，使得模型能够综合考虑辐照度和温度梯度等运行变量，从而重新构建出更具预测性的I-V特性曲线。这一改进后的模型可以通过分析曲线偏差来实现提前故障诊断。上述相关研究都建立了准确的光伏组件模型，并通过实验和仿真对其进行了验证。评估模型的有效性时，不仅要考虑其拟合程度，还要考量其泛化能力，这样才能更好地理解新数据[39]、[40]。在故障诊断方面，虽然不同类型的故障有定性描述，但缺乏严格的定量分析。大多数基于建模的故障诊断方法通常都遵循第一性原理，通过输入和输出之间的因果关系来描述系统。运用第一性原理的前提是需要一些先验知识，而通过物理分析方法建立基本的输入输出关系时，通常会采用微分方程、差分方程或状态空间表达式等形式，但在工业应用中很难构建出准确严谨的模型。基于数据和信号的方法相对容易实现，但由于测量数据中存在噪声，从正常数据中提取的关于真实过程的信息较少[41]、[42]。为了解决光伏组件信号测量中存在大量噪声、输出特性动态建模复杂以及某些模型缺乏定量分析等问题，本文提出了一种集成信号处理、动态建模、故障分类和评估功能的综合故障诊断框架。首先对原始的I-V数据进行处理，使其标准化，然后使用局部加权散点平滑法（LOWESS）进行过滤，从而消除测量噪声，同时尽可能保留反映系统动态特性的有用信息。之后运用N4SID方法来确定能够反映正常运行状态以及老化、部分遮光和旁路二极管短路三种故障状态下的输出特性的状态空间动态模型。所确定的state-space参数（A、B、C矩阵），以及卡尔曼增益（K）和模型拟合指数（FIT、N-FIT），将被作为特征输入，输入到NRBO-SVM分类器中，从而构建出光伏组件故障诊断模型。这种方法的一个优点是无需掌握复杂的内部结构知识。此外，该方法还引入了附加的干扰项，用于描述在测量过程中未被测量的噪声对系统状态的影响。这种做法还能避免传统特征提取技术中存在的信息丢失问题。为了明确本文要解决的具体研究缺口，并简要介绍所提方法的优势，表1系统对比了现有诊断方法的局限性以及本文对应的贡献。本研究的核心创新点包括：采用N4SID技术提出了一种用于光伏组件特性分析的动态系统识别方法；开发了一套结合LOWESS过滤和mRMR特征选择功能的强大特征处理流程，以提高模型在各种环境条件下的稳定性；此外还实现了自动优化的NRBO-SVM分类器，从而能够高效、准确地实现多故障诊断。文章的其余部分结构如下：第2节介绍光伏组件的物理模型和系统识别理论；第3节介绍基于系统识别方法的光伏组件识别模型，以及用于故障诊断的模型驱动方法；第4节通过仿真和实验数据验证所提出的故障诊断方法的实用性；第5节为结论及未来研究方向。章节要点物理模型与识别方法本节主要介绍光伏组件的常见物理模型以及子空间系统识别方法。基于识别模型的光伏组件残差型故障检测方法本文提出了一种包含四个阶段的故障诊断框架：（1）数据处理；（2）利用N4SID方法获得系统的状态空间表达式；（3）通过mRMR方法选择特征；（4）实施故障诊断方法。所提故障诊断技术的评估与检验为了全面评估所提出的光伏组件故障检测技术的有效性和可靠性，本研究采用了仿真分析与实验验证相结合的方法，重点检测光伏系统运行中三种常见且重要的故障类型：部分遮光、组件老化以及旁路二极管短路。如图5所示，评估流程具体如下。在……中构建了一个高精度的光伏组件仿真模型。结论本研究通过整合基于N4SID的系统识别技术与经优化的NRBO-SVM算法，提出了一种新的光伏组件故障诊断框架，该框架对于遮光、组件老化和旁路二极管故障等故障具有很高的分类精度（仿真环境下为98.7%，实验环境下为95.5%）。该方法创新性地结合了状态空间动力学原理（通过N4SID实现）与混合特征技术，从而避免了复杂的基于物理原理的建模过程，同时NRBO技术提升了SVM的适应性，增强了故障检测的准确性。不过，……CRediT作者贡献说明孟向春：概念构思、方法设计、研究实施、初稿撰写。高德东：资金筹集、概念构思、论文审阅与编辑。王珊：研究实施、软件应用。李江：数据整理、形式化分析。辛远清：验证工作、可视化处理、数据整理。苏伟红：论文审阅与编辑。赵德生：方法设计、项目指导、论文审阅与编辑。张帅：软件应用、形式化分析。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了国家电网青海省电力公司经济技术研究院的支持[项目编号SGQHJY00NYJS2400316]。孟向春|高德东|王珊|李江|辛远清|苏伟红|赵德生|张帅