《Results in Engineering》：Electrochemical Impedance Spectroscopy (EIS) Based Prediction of Outdoor Photovoltaic Internal Parameters via Machine Learning
编辑推荐：
机器学习（ML）能够在多个领域实现精确分析与预测，尤其在光伏（PV）系统中，发电量受多变气候条件强烈影响。对气候和/或故障条件敏感的光伏内部参数的预测，仍有助于精确预知光伏行为。此外，电化学阻抗谱（EIS）被认为是一种强大的技术，可通过动态光伏阻抗谱提取给定气
机器学习（ML）能够在多个领域实现精确分析与预测，尤其在光伏（PV）系统中，发电量受多变气候条件强烈影响。对气候和/或故障条件敏感的光伏内部参数的预测，仍有助于精确预知光伏行为。此外，电化学阻抗谱（EIS）被认为是一种强大的技术，可通过动态光伏阻抗谱提取给定气候条件和运行区域下光伏电池最关键的内部参数。研究人员在本文中采用该技术，针对一个30W-18V光伏系统，使用Analog Discovery 2在宽辐照度范围内进行户外实验设置。所获谱图随后作为训练三种机器学习预测工具（即递归神经网络（RNN）、长短时记忆网络（LSTM）和门控循环单元（GRU））的数据库，以生成精细化的谱图，从而精确预测给定辐照度值下的光伏内部参数。基于LSTM和GRU的模型均能持续提供准确且物理一致的光伏内部参数估计，优于传统简单RNN方法。然而，研究人员保留了LSTM模型，因其预测值与实验测量值更为吻合，在参数识别中展现出更优的可靠性。该解决方案简化了计算过程，即使辐照度数据不完整或缺失，也能快速可靠地估计光伏系统内部参数。所提方法显著提升了EIS分析的效率，并为光伏板健康状态和长期性能提供了宝贵见解。
**论文解读：基于机器学习与电化学阻抗谱的户外光伏内部参数预测研究**
**研究背景、问题与意义**
随着全球电力需求增长与化石燃料资源枯竭，太阳能光伏发电成为重要可再生能源。然而，光伏系统发电量受辐照度、温度等气候条件强烈影响，准确预测其内部参数（如串联电阻、并联电阻、结电容）对于评估光伏板健康状态、故障诊断及长期性能至关重要。电化学阻抗谱（EIS）是一种高灵敏度频率方法，可同时提取光伏电池的串联电阻（Rs）、并联电阻（Rsh）和结电容（Cp）。但传统EIS技术依赖昂贵实验室阻抗分析仪，且户外环境下存在低频响应差、高辐照度下响应退化等问题。此外，传统分析需要手动电路拟合和数据解释，耗时且易引入人为误差。为此，研究人员提出结合机器学习（ML）方法，利用EIS谱图数据训练预测模型，实现户外辐照度下光伏内部参数的快速准确估计。该研究发表在《Results in Engineering》。
**主要关键技术方法**
研究人员采用Analog Discovery 2作为低成本多用途测试工具，对户外30W-18V光伏系统（由三个10W-6V单晶硅面板串联组成）在环境温度20°C、辐照度范围15 W/m2至122 W/m2下采集EIS谱图。数据经预处理（异常值剔除、对数频率变换、滑动窗口序列化）后构建训练集（1081序列）、验证集（464序列）和测试集（103序列，辐照度106 W/m2）。三种ML回归模型——简单递归神经网络（SimpleRNN）、长短时记忆网络（LSTM）和门控循环单元（GRU）——均采用两层64单元循环层、32单元全连接层（ReLU激活）及Dropout正则化（0.2），以频率对数（log(f)）和辐照度（G）为输入，预测阻抗实部（Re(Z)）和虚部（Im(Z)）。通过最小二乘圆拟合从预测谱图中提取Rs、Rsh和Cp。
**研究结果**
**1. 动态PV细胞建模**
研究人员建立了光伏电池的2D8P动态模型，包含光生电流源、二极管、串联电阻、并联电阻及结电容，指出内部参数Rs、Rsh和Cp可反映电池健康状态。Rs主要关联老化，Rsh敏感于瞬时故障（如部分遮挡），Cp反映结构或材料退化。
**2. 电化学阻抗谱原理**
EIS通过施加小幅度变频信号测量动态阻抗，Nyquist图可直观提取Rs、Rsh和Cp。实验采用Analog Discovery 2在1 Hz至100 kHz频率范围内采集数据，但发现低频段（50-100 Hz）噪声大、高辐照度下阻抗低导致响应失真。
**3. ML回归器预测**
研究人员选择SimpleRNN、LSTM和GRU三种模型，利用序列数据预测阻抗谱。通过相关性分析，确定采用对数频率（log(f)）和辐照度G作为输入，并排除50-100 Hz低频段以提升数据质量。
**4. 模型实现与性能**
基于均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）评估，LSTM和GRU表现显著优于SimpleRNN（MSE分别为0.0005、0.000638、0.003；RMSE分别为0.0227、0.0253、0.0561）。训练和验证损失曲线显示LSTM和GRU收敛良好，过拟合有限。
**5. 拟合谱与Nyquist图**
对辐照度G=106 W/m2的测试集，LSTM和GRU预测的Nyquist图与实测高度吻合，而SimpleRNN无法再现阻抗圆形状。进一步圆拟合参数提取显示：LSTM预测的Rs（3.51 Ω）最接近实验值（4.37 Ω），GRU预测的Rs（2.44 Ω）偏差较大；LSTM和GRU预测的Rsh（3935.93 Ω和4169.93 Ω）均接近实验值（4071.05 Ω）；Cp预测值也合理。因此，LSTM模型在整体预测精度和参数可靠性上优于GRU，尤其能准确捕捉非线性行为。
**总结与结论**
研究人员提出了一种基于EIS和机器学习的新方法，用于预测户外光伏系统内部参数。通过Analog Discovery 2采集EIS谱图，训练LSTM、GRU和SimpleRNN模型，其中LSTM模型在预测准确性和物理一致性上表现最优，能够快速可靠地估计Rs、Rsh和Cp，即使在辐照度数据不完整或缺失时也有效。该方法显著提升了EIS分析效率，为光伏板健康状态监测和预测性维护提供了有力工具。研究结论指出：LSTM模型简化了计算流程，使参数估计快速可靠；该方法增强了EIS分析效率，并为光伏板瞬时健康状态和长期性能提供了宝贵见解。未来工作将采用在线户外EIS技术，通过扰动DC-DC变换器占空比并测量光伏电压电流，实现高辐照度及任意工作点下的参数估计，以改进面板表征和诊断。当前研究局限在于模型仅在所研究的辐照度范围内验证，因此其在该范围外的性能有待未来研究。
