《Solar Energy Advances》：Compact temporal CNNs for PV tracker telemetry fault detection using a temporal squeeze-fire architecture
编辑推荐：
本研究提出PV-TSFNet，一种用于基于跟踪器的光伏（PV）系统多变量遥测无监督故障检测的紧凑型深度学习模型。该方法受到运行中光伏电站标记故障数据有限以及适合实际部署的轻量级模型需求的推动。经过预处理、重采样、白天滤波、归一化和特征工程后，使用滑动窗口的遥测
本研究提出PV-TSFNet，一种用于基于跟踪器的光伏（PV）系统多变量遥测无监督故障检测的紧凑型深度学习模型。该方法受到运行中光伏电站标记故障数据有限以及适合实际部署的轻量级模型需求的推动。经过预处理、重采样、白天滤波、归一化和特征工程后，使用滑动窗口的遥测数据训练模型进行下一步预测。PV-TSFNet受SqueezeNet启发，但通过时序挤压-点火（Temporal Squeeze-Fire）模块为光伏时间序列分析重新设计，该模块结合了多尺度时序卷积、跨特征卷积和残差连接。模型输出下一步遥测估计值，异常分数由均方预测误差计算得出。故障检测通过对异常分数应用基于训练数据导出的百分位数阈值进行阈值化，随后进行阈值扫描以分析精确率-召回率和F1行为。由于数据集未提供明确的故障标注，评估采用基于规则的代理参考标注协议，该协议捕获跟踪器停滞行为、低电池状态和传感器跳变。结果通过混淆矩阵、精确率、召回率、F1、精确率-召回率曲线和F1-阈值分析报告，并与包括LSTM、1D CNN、自编码器和SqueezeNet风格预测器在内的基线模型进行比较。所提出的PV-TSFNet提供了一个紧凑且光伏感知的异常检测框架，非常适合基于遥测的光伏监测，并为未来使用电站报警日志和专家标注故障事件进行验证奠定了坚实基础。
# 论文解读：紧凑型时序卷积神经网络用于光伏跟踪器遥测故障检测
## 研究背景与问题
光伏（PV）电站的日常监控、性能监督和维护规划高度依赖遥测数据。现代光伏监控系统持续记录电气变量、辐照度、温度、跟踪器位置和辅助子系统信号，使操作人员能够近实时评估电站行为。在基于跟踪器的光伏系统中，遥测尤为关键，因为系统性能取决于太阳资源条件、跟踪器运动、控制响应和电输出之间的相互作用。故障和异常运行行为会显著降低光伏能量产出并增加运维（O&M）成本，例如跟踪器故障、传感器异常、跟踪器子系统电池问题以及可能不会立即触发传统报警但仍会降低性能的电气不规则。若此类事件未被检测或检测延迟，可能导致长期性能低下、不必要的现场检查和低效的维护干预。
当前光伏故障检测面临的核心挑战包括：故障标签稀缺且不一致，遥测档案虽含丰富多变量测量但缺乏经维护操作或专家诊断验证的故障标注；报警日志语义因系统而异且时间戳可能无法准确代表故障起始；现有数据驱动方法（如LSTM、时序卷积网络、自编码器重建模型和Transformer架构）虽能建模复杂时序行为，但可能计算量大、难以调参或不利于轻量级实际部署；此外，通用时序模型未明确捕获跟踪器光伏遥测中出现的跨变量耦合（如辐照度、倾斜运动、电机电流、电池电压和组串电输出间的交互）。SqueezeNet因其参数高效的fire模块设计为紧凑深度学习提供了基础，但原始架构面向图像分类，不直接适用于多变量光伏时序故障检测。因此，需要一种领域自适应的紧凑架构，在保留SqueezeNet效率优势的同时，针对多变量光伏遥测和无监督异常检测进行重新设计。
## 研究内容与主要结论
研究人员提出PV-TSFNet，一种受SqueezeNet启发但为跟踪器光伏遥测量身定制的紧凑深度学习架构。该模型引入时序挤压-点火（Temporal Squeeze-Fire, TSF）模块，用于从多变量时序窗口中高效提取特征。TSF模块采用多分支扩展策略，组合不同尺度的时序卷积（1×3、1×5、膨胀1×3）和跨特征卷积（3×1），以捕获光伏跟踪器动力学中的耦合效应，包括辐照度变化、倾斜运动、电机行为和电响应。模型被训练为下一步预测器，异常分数由预测均方误差计算。检测通过基于训练误差分布百分位数的初始阈值（如99.5百分位）实现，随后进行阈值扫描以分析精确率-召回率和F1行为。由于数据集缺乏明确故障标注，评估采用基于规则的代理参考标注协议，捕获跟踪器停滞、低电池状态和传感器跳变。研究在包含电气、辐照、温度、跟踪器位置、电池和电机电流通道的多变量遥测数据集上进行验证，该数据集来自美国新墨西哥州阿尔伯克基的单轴跟踪器光伏系统，时间跨度2023年6月至11月。
主要结论包括：PV-TSFNet在固定操作阈值（训练分布99.5百分位）下取得最高F1分数（0.38095），主要得益于召回率提升（0.57143）；在阈值扫描优化下，LSTM、1D CNN和SqueezeNet风格基线达到更高最佳F1（0.41026），表明PV-TSFNet定位为紧凑、部署友好的固定阈值检测器，而非全面阈值优化下的最优模型；消融研究表明，在所选操作阈值下大多数变体召回率极低（0.0071），去除导数特征（dTiltX, dTiltY, dIrr）使召回率提升至0.0214但误报率大幅增加，表明评分校准和特征区间分离是主要灵敏度瓶颈；季节性评估显示模型在10-11月表现最佳（F1=0.60），8-9月失效（F1=0.48），提示需要区间感知阈值校准。案例研究确认检测事件与物理上有意义的跟踪器驱动签名一致，如电机电流尖峰和倾斜阶跃变化伴随电输出稳定。
## 关键技术方法
研究人员使用的关键技术方法包括：1）时序数据预处理管道：15秒原始遥测重采样至1分钟间隔，白天过滤（辐照度>50 W/m2），线性插值处理缺失值，电机电流通道缺失时以零填充，基于30天基线周期进行标准化，并构造导数特征（dTiltX, dTiltY, dIrr）；2）滑动窗口构建：窗口长度T样本，步长s，训练模型预测下一步遥测向量，损失为均方误差；3）PV-TSFNet架构：输入窗口作为F×T×1伪图像，包含stem块、堆叠TSF模块（含挤压层和并行扩展分支）和轻量回归头，每两个TSF块插入残差连接；4）无监督异常评分：计算预测误差均方作为异常分数，百分位阈值初始化加阈值扫描；5）代理标注协议：基于操作启发式规则（跟踪器停滞、低电池、传感器跳变）生成参考标签用于比较评估；6）基线模型对比：LSTM预测器、1D CNN预测器、自编码器重建模型和SqueezeNet风格紧凑CNN，均在相同训练条件下使用Adam优化器和验证监控。实验在MATLAB Deep Learning Toolbox中实现。
## 研究结果
### 5.1 操作阈值下的检测性能
在训练分布99.5百分位阈值下，PV-TSFNet v1获得最高F1（0.38095），召回率0.57143，优于LSTM（F1=0.30769）、1D CNN（F1=0.22222）、自编码器（F1=0.05000）和SqueezeNet风格（F1=0.24000）。所有模型均轻量（参数<0.1M，模型大小<0.4MB），PV-TSFNet参数仅0.042M，批量推理延迟0.3417ms/窗口。
### 5.2 阈值敏感性分析
阈值扫描显示LSTM、1D CNN和SqueezeNet风格模型在各自最优阈值下达到相同最佳F1（0.41026），而PV-TSFNet最佳F1为0.34286，表明基线在阈值优化下更具竞争力。使用验证集选择阈值时，1D CNN最高测试F1（0.3636），PV-TSFNet召回率提升至0.6429但精确率降至0.4336，F1为0.2638，凸显评分校准重要性。
### 5.3 与基线的比较性能
精确率-召回率曲线分析显示LSTM预测器AUPRC最高（0.2284），1D CNN和SqueezeNet风格紧随（0.2025和0.1987），PV-TSFNet AUPRC较低（0.1592），自编码器最差（0.0415）。这证实PV-TSFNet作为固定阈值检测器更强，而基线在广泛阈值扫描下更稳健。
### 5.4 新颖性消融研究
消融研究在固定阈值下进行，大多数变体召回率极低（0.0071），F1约0.0116-0.0122。去除导数特征使TP从1增至3，召回率0.0214，F1提升至0.0282，但误报从28增至73，误报率升至6.4245/运营日。去除残差、标准fire模块替换、去除跨特征或膨胀分支未显著改变灵敏度，表明阈值选择和评分校准是主要限制因素而非骨干容量。
### 5.5 检测异常案例研究
异常分数时间线显示模型在测试期产生低基线分数，间歇性尖峰超过阈值。11月案例显示电机电流急剧增加伴随倾斜阶跃变化，辐照度保持白天范围，电气变量稳定，符合跟踪器运行不规则或控制动作。7月案例电机电流通道平坦（约0），异常可能由辐照度变化和倾斜演化驱动，更像传感器/遥测区间偏差。9月案例电机电流通道活跃且有重复尖峰，辐照度扰动区间伴随倾斜漂移，表明模型能捕获驱动相关的异常动力学。
## 讨论与结论
研究讨论强调，架构创新必须与稳健评分校准和运行区间感知相结合。固定阈值性能与阈值扫描最佳F1之间的差异表明，实际部署应优先考虑考虑辐照度水平、跟踪器运动状态和季节性环境变化的稳定阈值选择策略。大规模电站可实现区间感知监测层，定期用近期“正常”数据重新校准阈值，并使用辐照度变化率、计划性跟踪器运动和传感器健康指标等上下文信号对报警进行分类。未来工作方向包括：区间感知阈值校准（按辐照度水平、跟踪器运动状态和季节性变化校准异常阈值）；混合评分策略（双头预测-重建评分和不确定性感知评分）；使用SCADA报警、维护日志或专家标注事件进行真实运营参考验证。
研究结论：PV-TSFNet v1是一种紧凑的时序挤压-点火深度学习架构，用于单轴太阳能跟踪器遥测的无监督故障检测。利用多变量运行信号，所提管道证明下一步预测误差可产生实用异常分数，突出短时异常动力学同时保持常规运行低基线。对比基准显示性能对阈值校准和类别不平衡高度敏感，可靠工作点选择对实际部署至关重要。案例研究确认检测事件与物理上有意义的跟踪器驱动签名一致。该工作为遥测光伏监测提供了紧凑且光伏感知的异常检测框架，并为未来使用电站报警日志和专家标注事件进行验证奠定基础。
