《Solar Energy》：Robust reference curves generation for photovoltaic systems performance diagnosis using a data-driven approach
编辑推荐：
无监督光伏异常检测（无需故障标签）。利用环境变量识别气象情景。构建鲁棒中位数-四分位距（IQR）参考走廊，以建立所有天气条件下（晴天、部分多云、阴天）光伏功率输出的情景特定参考曲线。有限动态时间规整（LDTW）和双指标改善异常区分能力。接收者操作特征曲线（RO
无监督光伏异常检测（无需故障标签）。利用环境变量识别气象情景。构建鲁棒中位数-四分位距（IQR）参考走廊，以建立所有天气条件下（晴天、部分多云、阴天）光伏功率输出的情景特定参考曲线。有限动态时间规整（LDTW）和双指标改善异常区分能力。接收者操作特征曲线（ROC）验证表明，曲线下面积（AUC）超过0.80，运行性能强大。
**论文解读：基于数据驱动鲁棒参考曲线的光伏系统性能诊断方法**
**研究背景**
过去十年，全球光伏（PV）系统部署快速增长，截至2024年底累计装机容量超过2.2 TW，年度新增约554 GW。随着光伏渗透率提高，确保长期可靠运行成为重大技术经济挑战。轻微退化（如积灰、遮挡、逆变器故障、老化、传感器失效）若未及早发现，可导致显著累积能量损失。因此，先进监测与预测性维护策略对最大化能量产出和降低运营成本至关重要。
现有故障诊断方法中，监督学习方法（如神经网络、支持向量机、随机森林、深度学习）在识别预定义故障类别上表现良好，但依赖标记故障数据。实际运行环境中故障稀有、异质且标注困难，限制了监督方法的应用。为此，无监督和半监督异常检测方法被开发，通过建模正常行为并检测偏离来避免故障标签需求。然而，现有方法存在两大问题：一是直接比较功率信号而未隔离天气引起的变异性，导致气象差异可能被误判为故障；二是将环境条件与功率模型耦合，而非用于定义均匀天气情景。此外，动态时间规整（DTW）在时间序列比较中广泛使用，但无约束DTW可能引入不现实的时间扭曲。
**研究内容与结论**
本研究提出一种基于情景感知、完全数据驱动的异常检测框架，利用鲁棒参考曲线实现光伏性能诊断。该框架通过无监督学习识别气象情景，构建中位数-四分位距（IQR）统计走廊作为正常行为模型，并采用有限动态时间规整（LDTW）对齐每日功率曲线与参考曲线，结合两个互补指标（置信度得分和IQR出界比例）检测异常。实验基于美国国家可再生能源实验室（NREL）公开数据集，包含佛罗里达州Cocoa站点一个非晶硅（a-Si）光伏模块（标识符：aSiMicro03036）近13个月（2011年1月至2012年2月）的高质量现场测量数据，采样间隔5分钟。通过合成注入故障（部分功率损失和幅度截断）进行定量验证，接收者操作特征曲线（ROC）曲线下面积（AUC）超过0.80，表明框架能有效区分天气变异性与真实异常，且无需故障标签。该研究为光伏系统运行监测提供了透明、可解释且可扩展的无监督诊断方案，论文发表在《Solar Energy》期刊。
**关键技术方法**（不超过250字）
研究采用以下主要技术方法：
1. **气象特征提取**：从每日白天辐照度（POA辐照度，W/m2）和组件背板温度（℃）信号中计算四个统计描述符——平均辐照度、相对斜坡率、变异系数和平均温度，构成气象特征向量（不含功率变量）。
2. **k-means聚类**：对标准化后的气象特征向量进行聚类，通过轮廓系数选择最优聚类数K=3，识别出晴天、部分多云、阴天三个气象情景，确保聚类独立于光伏性能。
3. **鲁棒参考曲线建模**：每个情景内，对所有每日归一化功率曲线（按日最大值归一化）在各时间点计算中位数（p50）和四分位距（IQR），构建中位数参考曲线和IQR包络走廊。
4. **有限动态时间规整（LDTW）**：采用Sakoe–Chiba带（最大允许偏差±30分钟，对应5分钟网格的6个时间步）约束DTW对齐，计算每日功率曲线与各情景参考曲线的LDTW距离，选择最一致情景。
5. **双指标决策规则**：计算IQR出界比例（IQR_out）和置信度得分（基于最小两个LDTW距离的差异），通过ROC分析确定阈值（θ1=0.046，θ2=0.786），结合Youden指数优化，判定异常。数据来源为NREL公开数据集，样本来自佛罗里达州Cocoa站点的一个a-Si光伏模块（2011–2012年）。
**研究结果**
**3.1 数据集描述**
数据来源于NREL“用于验证光伏模块性能模型的数据”项目，包含高精度I-V曲线测量和同步气象仪器（CMP22总辐射表、温度传感器、校准气象站），符合ISO 17025标准。研究聚焦于一个非晶硅光伏模块（标识符：aSiMicro03036，倾斜角28.5°，方位角180°），监测期为2011年1月21日至2012年2月29日，共约13个月，涵盖完整季节变化。数据以5分钟标称分辨率记录，经重采样至统一5分钟网格。每日筛选标准：白天样本（辐照度阈值17 W/m2）至少100个，最终保留260个有效日。辐照度范围20–1433.6 W/m2，组件温度5.2–65.2°C，直流功率最大153.5 W。
**3.2 气象情景识别**
采用k-means对标准化气象特征向量聚类，通过轮廓系数评估。K=2时轮廓系数最高（0.405），但K=3（轮廓系数0.359）提供更好物理可解释性，区分晴天、部分多云、阴天三个情景。主要分离轴为平均白天辐照度，变异性指标（相对斜坡率和变异系数）提供次级区分。特征相关性分析表明变异性指标间中等正相关，平均辐照度保持独立，支持多维分离。
**3.3 参考曲线构建**
每个情景独立构建参考曲线，使用中位数和IQR统计量。原始功率和归一化功率两种表示均构建。晴天情景中位数曲线光滑、IQR包络窄，反映强内聚性和稳定辐照；部分多云情景包络较宽，尤其正午时段，指示间歇性云层引起的短期波动；阴天情景中位数幅度降低、离散度较大，对应不稳定大气条件。中位数对离群值鲁棒，IQR包络描述期望变异性而不被极端值主导。
**3.4 基于LDTW的情景一致性与异常检测性能**
采用LDTW（Sakoe–Chiba带，±30分钟）评估每日功率曲线与情景中位数参考曲线的结构一致性。计算260个日期的LDTW距离，耗时约2.3秒，表明计算可处理性。合成注入故障（单次30%功率损失持续3小时，位置随机；或幅度裁剪至75%最大值）后，基于IQR_out的ROC曲线AUC达0.852，基于LDTW置信度得分的AUC达0.826。Youden指数确定最优阈值：θ1=0.046，θ2=0.786。正常日示例显示功率曲线位于IQR包络内且与中位数曲线形态相似；异常日示例显示显著偏离IQR包络和低LDTW一致性，触发异常标记。
**结论翻译**
本研究提出了一种基于情景感知、完全数据驱动的光伏性能诊断框架，通过鲁棒参考曲线生成实现异常检测。每日功率曲线被归一化并聚类为代表性气象情景，从中构建中位数-四分位距统计走廊以建模正常行为。采用有限时间序列对齐确保观测曲线与参考曲线之间的物理一致性比较。两个互补指标——基于相似性的置信度得分和四分位距偏差比率——能够可靠检测异常运行。与需要标记故障数据集的监督方法不同，所提方法为光伏监测提供了透明且物理可解释的解决方案。在真实数据上的实验结果表明，该方法具有强大的区分能力，能有效分离天气引起的变异性与真实运行异常。所提框架专注于归一化日功率曲线的形态诊断，实现无模型、安装无关的异常检测。未来工作将研究基于每系统额定功率的每单位功率归一化，以处理由积灰、老化或组件级性能不足导致的均匀幅度损失。此外，将探索集成短期预测（如时间卷积网络，TCN）以增强预测性维护能力，通过基于TCN的预测与参考驱动诊断耦合，实现渐进退化的早期预警。
