沙漠沙尘条件下并网光伏系统的智能故障诊断与基于仿真的建模

《Energy Exploration & Exploitation》：Intelligent fault diagnosis and simulation-based modelling of grid-connected photovoltaic systems under desert dust conditions

　　

摘要：在沙漠环境中运行的光伏（PV）电站会因灰尘积聚而持续遭受效率损失，因为灰尘逐渐减少了到达组件表面的太阳辐射，即使在有利的天气条件下也会导致能源产量降低。因此，对正常运行行为的准确预测为区分真实故障与电站性能的自然波动提供了参考。本研究提出了一种数据驱动的框架，用于阿尔及利亚南部Aoulef光伏电站的PV功率预测和基于残差的故障诊断。研究人员利用实测的太阳辐照度和环境温度开发了人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS），用于估算健康状态下的PV功率输出。通过回归分析和统计误差指标评估了模型性能，而故障检测则依赖于根据实测功率与预测功率之间的差值计算得到的残差。两种模型均取得了优异的预测精度，决定系数接近0.99。ANN产生的预测误差低于ANFIS，其均方根误差为0.009，平均绝对误差为0.004，这提高了基于残差诊断的灵敏度。被识别为故障F13的灰尘积聚产生了明显的残差偏差，从而能够在不停机的情况下实现自动故障检测。研究结果表明，ANN框架兼具高预测精度和低计算需求，为在恶劣沙漠条件下运行的光伏系统提供了一种实用且可靠的智能监控与维护解决方案。

沙漠沙尘条件下并网光伏系统的智能故障诊断与基于仿真的建模：论文解读

一、研究背景与问题

光伏（Photovoltaic, PV）系统通过光伏效应将太阳辐射直接转化为电能，是可扩展且环境友好的能源解决方案。然而，在沙漠环境中运行的光伏电站面临一个突出的问题：灰尘积聚会逐步降低到达组件表面的太阳辐射，导致能源产量下降，即使在晴朗天气下亦如此。光伏系统的性能并非由单一运行变量决定，而是受多种环境因素的综合交互影响。其中，太阳辐照度、环境温度和灰尘积聚被一致认为是控制光伏能量产出的主导因素，尤其是在干旱和沙漠环境中。太阳辐照度决定了光伏组件产生的光电流，环境温度直接影响电池工作温度，在高温条件下降低转换效率和输出电压，而灰尘积聚则通过降低组件表面的光学透射率并改变组件的热平衡来加剧效率损失。

尽管已有大量研究利用解析模型、传统机器学习算法、人工神经网络（Artificial Neural Network, ANN）、模糊推理系统以及近年来的深度学习技术进行光伏故障诊断，但仍存在若干局限。首先，大多数现有方法主要依赖实验或历史故障数据集，其性能高度依赖于标注数据的数量和质量；其次，基于物理的仿真模型虽然能提供对光伏系统行为的深入理解，但普遍缺乏集成的智能诊断能力；第三，尽管已有研究强调在沙漠环境下需同时考虑太阳辐照度、环境温度和灰尘积聚，但将上述环境条件与基于残差的智能故障诊断结合在统一仿真框架中的研究相对较少。因此，能够再现真实运行条件并支持预测性维护的基于仿真的诊断方法仍然有限。Aoulef电站地处阿尔及利亚南部撒哈拉沙漠的Tidikelt高原，5 MW光伏电站于2016年3月投运，包含20,460块多晶硅组件，该系统面临着典型的沙漠沙尘挑战，为开展此项研究提供了理想的工程背景。

二、研究内容与结论

为弥补上述研究空白，本研究开发了一种基于仿真的智能故障诊断框架，该框架将MATLAB/Simulink并网光伏系统模型与残差生成及两种智能分类器——人工神经网络（ANN）和自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）——相结合。与以往仅关注纯数据驱动诊断或详细物理性能建模的研究不同，本方法将基于物理的仿真与轻量级人工智能相结合，以识别真实沙漠运行条件下由灰尘引起的功率退化。研究采用2024年3月连续三天从6:00至20:00在Aoulef电站实测的环境温度、太阳辐射和发电功率数据作为模型开发的数据基础，涵盖了30 kV并网等级、5个子场（每个子场186串、每串22块组件）的完整运行架构。

研究结论表明：两种智能模型均取得了优异的预测精度，决定系数（Coefficient of Determination, R2）均为0.99；ANN模型的预测误差显著低于ANFIS模型，其均方误差（Mean Squared Error, MSE）为0.000083，均方根误差（Root Mean Square Error, RMSE）为0.009，平均绝对误差（Mean Absolute Error, MAE）为0.004；残差诊断策略成功检测出灰尘积聚故障（编号F13），该故障通过明显的残差偏差被自动识别，无需中断电站运行。ANN框架兼具高预测精度和低计算需求，为沙漠恶劣条件下光伏系统的智能监测与维护提供了实用可靠的解决方案。该研究成果发表于《Energy Exploration》。

三、关键技术方法

本研究采用的主要技术方法包括：（1）单二极管光伏电池等效电路模型，用于描述电流-电压特性并计算光伏组件输出功率；（2）扰动观察法（Perturb and Observe, P&O）最大功率点跟踪（Maximum Power Point Tracking, MPPT）控制；（3）三层前馈人工神经网络（ANN），以实测太阳辐照度（G）和环境温度（T）为输入变量，光伏发电功率（P）为输出变量，隐含层采用Sigmoid激活函数，通过反向传播算法和梯度下降法训练网络，数据集按70%（训练）、15%（验证）、15%（测试）的比例划分；（4）自适应神经模糊推理系统（ANFIS），采用五层前馈拓扑结构，基于一阶Sugeno模糊规则，通过混合学习算法优化隶属函数参数和后件参数；（5）基于残差的故障诊断策略，通过比较模型预测功率与实测功率的差值生成残差信号，与预设阈值比较后触发故障报警。样本数据来源于阿尔及利亚南部Aoulef光伏电站实测运行数据。

四、研究结果

（一）ANN模型回归性能

通过训练、验证、测试和整体四个阶段的回归分析评估了ANN模型的预测能力。训练阶段相关系数（Correlation Coefficient, R）达到0.99863，验证阶段R=0.99669，测试阶段R=0.99485，整体回归系数R=0.99788。回归拟合线几乎与实际数据完全重合，数据点紧密分布于回归线周围，回归斜率趋近于1，截距接近于零，表明模型准确学习了输入变量与光伏功率输出之间的非线性映射关系，无显著系统偏差和过拟合迹象。

（二）ANFIS模型预测精度

ANFIS模型的散点图显示实测光伏功率与模型预测值之间具有高度一致性，数据点沿理想回归线（y=x）紧密分布。预测功率与实测输出仅存在微小偏差，表明ANFIS模型成功捕捉了太阳辐照度、环境温度与光伏发电功率之间的非线性关系，模型既没有系统性高估也未低估功率输出，表现出良好的校准精度和稳定的泛化能力。

（三）两模型性能对比

直接比较显示，两种模型在整个运行期间均表现出优异的跟踪能力。ANN模型的预测结果比ANFIS模型更接近实测光伏功率，尤其在功率快速变化期间优势更为明显。性能指标显示：ANN模型MSE为0.000083、RMSE为0.009、MAE为0.004，而ANFIS模型分别为0.059、0.243和0.097，ANN模型预测误差较ANFIS大幅降低。两种模型的决定系数均为R2=0.99，但ANN模型一致性的较低误差指数证明其具有更优的预测精度，故被选定为残差生成和可靠故障检测的优选参考模型。

（四）故障检测评估

在正常运行条件下，实测功率与预测输出紧密匹配，残差值保持在预设接受阈值内。故障工况则通过引入可观的功率下降破坏这一平衡，产生可区别于正常运行状态的较大残差。故障被分为两个严重等级：1级为对发电影响有限的轻微故障，2级为引起显著性能退化且需要立即维护的严重故障。该分类方法能够在不断开电站运行或无需现场检查的情况下自动识别故障。

（五）灰尘积聚故障F13诊断验证

研究选取灰尘积聚故障F13作为代表性案例：在沙尘暴事件后，灰尘沉积降低了组件表面光学透射率，限制了到达光伏电池的太阳辐射量，导致发电功率降低。实测功率在沙尘暴后显著低于预期发电水平，当残差超过预设阈值时，诊断算法识别出故障F13的存在并发起相应维护行动。在Aoulef电站运行条件下，实测功率低于1000 kW被判定为异常状态。ANN和ANFIS模型产生了一致性很高的残差响应，两种方法均能可靠检测故障，ANN模型在检测灵敏度方面表现更优。残差超过阈值后，诊断输出从0切换为1，指示发电故障发生。

五、讨论

研究人员指出该框架具有若干局限：首先，框架基于MATLAB/Simulink仿真模型并利用运行数据进行校准验证，可能无法完全捕获长期真实运行中的不确定性、测量噪声和运行变异性；其次，模型仅采用太阳辐照度和环境温度作为输入变量，风速、湿度、组件温度、传感器不确定性、逆变器动力学、组件老化、电气退化和通信延迟等因素未被显式考虑；第三，诊断框架主要针对灰尘积聚条件进行评估，其他故障类型（包括部分遮蔽、逆变器故障、电弧故障、绝缘退化、开路故障、短路故障以及并发多重故障）仍需进一步研究；第四，诊断阈值基于仿真运行条件确定，需利用大规模现场数据集进一步优化验证；最后，框架仅与ANN和ANFIS模型进行了对比评估。

六、结论

本研究提出了一个智能数据驱动框架，用于阿尔及利亚南部Aoulef光伏电站在恶劣沙漠运行条件下的光伏功率预测和基于残差的故障检测。研究人员开发了ANN和ANFIS两种人工智能技术，以太阳辐照度和环境温度为输入变量估计光伏功率的健康状态。对比评估表明，两种模型均实现了优异的预测性能，实测与预测功率输出之间具有高度一致性，决定系数为0.99。然而，ANN模型的预测误差大幅低于ANFIS模型，证实了其在准确表征环境变量与光伏发电之间非线性关系方面的优越能力。基于上述预测结果，研究人员通过将实测功率与智能模型估计的健康状态功率进行比较，实施了基于残差的诊断策略。该方法成功检测出灰尘积聚（F13故障）——沙漠光伏电站性能退化的最常见原因之一，通过超出预设阈值的明显残差偏差实现。结果表明，该框架能够在不中断电站运行的情况下实现快速、可靠且计算高效的故障识别，为大规模光伏系统的状态监测、预测性维护和清洁调度优化提供了实用工具，从而提高了运行可靠性和能量产出。未来工作应聚焦于利用真实运行数据进行长期验证、纳入更多环境和电气变量、优化自适应阈值确定方法、研究多重并发故障条件，并与最新的深度学习和混合人工智能技术比较，以进一步增强智能光伏故障诊断系统的鲁棒性和适用性。