光伏发电预测与异常检测：基于七年真实电站数据的统计模型、深度学习与零样本基础模型比较研究

《ENERGY CONVERSION AND MANAGEMENT》：Photovoltaic power forecasting and anomaly detection: a comparative study of statistical, deep learning, and zero-shot foundation models on seven years of real plant data

　　

光伏电站中的故障和渐进性能退化往往未被察觉，导致能量损失和维护成本增加。为基于残差的异常检测选择合适的预测模型，需要理解模型架构和传感器可用性的相对贡献；这一问题尚未在长期真实数据上通过系统性基准研究得到解答。本文基于一座并网电站两台同步逆变器七年真实的15分钟光伏发电数据，开展了一项受控两阶段基准研究。评估了四种模型：乘法Prophet模型、带外生回归变量的季节性自回归积分滑动平均模型（SARIMAX）、双向长短期记忆网络（BiLSTM），以及Chronos-2——一种无需在电站特定数据上微调的零样本基础模型。在第一阶段，模型仅使用历史发电数据。在第二阶段，加入阵列平面辐照度和组件温度作为实时协变量。加入协变量后，所有模型的R²均超过0.97，使得共享的三阶段异常检测流程能够识别五个运行上不同的故障类别，包括逆变器停机、部分故障和积雪。在测试年度中，识别出两个已确认的故障事件：一次总停机，估计能量损失为80千瓦时；一次部分故障，损失为21千瓦时；所有模型均检测到该停机事件。Prophet模型向第二台逆变器的零样本空间迁移达到R²=0.966，优于完全重新训练。结果表明，协变量可用性对预测精度的影响大于模型架构本身。在协变量丰富的情景下，更高的预测精度对应更低的异常检测灵敏度。研究结果证明，零样本基础模型已可用于缺乏历史数据的光伏电站，能够在无需预先训练的情况下实现可扩展的智能监测。

论文解读

**研究背景与目标**

全球光伏装机容量快速增长，故障与渐进性能退化会造成可观能量损失，但往往难以及时发现。基于残差的异常检测依赖预测模型提供正常工况基线，然而模型架构与传感器可用性对预测精度的相对贡献仍缺乏受控条件下的系统比较。为填补这一空白，研究人员Stefania Guarino、Alessandro Buscemi、Valerio Lo Brano在《ENERGY CONVERSION AND MANAGEMENT》发表论文，利用意大利内陆地中海气候区一座约200 kWp并网光伏电站、两台同步逆变器七年15分钟分辨率的真实运行数据，建立两阶段受控基准，系统比较统计模型、深度学习模型和零样本基础模型，并评估其在故障检测中的适用性。

**关键方法**

研究采用两阶段受控实验：第一阶段仅输入历史发电数据（单变量预测）；第二阶段加入阵列平面辐照度G_POA与组件温度T_mod作为实时协变量（物理信息nowcasting）。比较的四种模型为乘法Prophet、SARIMA/SARIMAX、双向长短期记忆网络（BiLSTM）和Chronos-2零样本基础模型。数据按严格时间顺序划分为训练集（Year 1–Year 5）、验证集（Year 6）和测试集（Year 7）。所有模型共享三阶段异常检测流程：经验晴空模型与云因子、基于中位数绝对偏差（MAD）的稳健阈值、持久性过滤器。此外，还将逆变器1训练的Prophet模型零样本迁移至逆变器2进行空间泛化测试。

**研究结果**

**第一阶段预测性能：** 无协变量条件下，BiLSTM表现最优（测试R²=0.964，NRMSE=4.97%）；零样本Chronos-2仅以0.65个百分点的R²差距紧随其后（R²=0.957，NRMSE=5.40%）；SARIMA在小时分辨率下R²=0.938。这表明零样本基础模型无需电站特定训练即可接近监督模型精度。

**第二阶段预测性能：** 加入辐照度和温度协变量后，所有模型R²均超过0.97，模型间R²差距从第一阶段的约2.6个百分点缩小至2.2个百分点；SARIMAX和BiLSTM+cov验证R²分别达0.9969和0.9967。这说明协变量可用性对预测精度的提升作用大于模型架构选择本身。

**异常检测与关键故障事件：** 测试年中识别出两起已确认故障：7月中旬全停机，持续8个15分钟时段，估计能量损失约80 kWh，所有模型均检测到；7月初部分故障，发电量下降约50%，估计损失21 kWh，SARIMAX未检测到。Prophet还检测到冬季疑似积雪/霜冻事件、低太阳高度角模型偏差事件，而BiLSTM+cov、Chronos-2+cov和SARIMAX因具有自适应时序记忆而未将这些事件判为技术故障。

**空间泛化与跨逆变器分析：** 逆变器1训练的Prophet模型零样本迁移至逆变器2时，R²=0.966、NRMSE=4.86%，优于在逆变器2上完全重新训练的模型（R²=0.936、NRMSE=6.65%），原因在于五年训练数据提供了更稳健的动力学表示，而单年重训易过拟合。跨逆变器分析显示，Prophet在逆变器1检测到34个确认技术事件，其中22个在逆变器2同时出现，对应系统级扰动；12个仅出现于逆变器1，对应局部硬件问题。

**异常分类法：** 结合跨模型与跨逆变器证据，研究提出五类运行故障：技术停机、部分故障、雪/霜积累、低太阳高度模型偏差、渐进污秽。其中污秽通过温度校正日发电性能比（PR）分析发现，呈现2–3%的季节性效率漂移，但低于残差模型检测阈值，需要专用PR时序方法识别。

**讨论与结论**

讨论指出，协变量可用性是预测质量的首要驱动因素；零样本Chronos-2具备部署就绪能力，但其残差分布较宽，检测阈值高于监督模型，且CPU批处理推理耗时约为BiLSTM的300倍。预测精度与异常检测灵敏度之间存在反向关系，原因包括阈值校准效应和辐照度协变量与故障机理耦合导致的残差抑制。研究结论强调：安装阵列平面辐照度与温度传感器是提升监测精度的最有效投资；零样本基础模型可在无历史数据电站直接部署；物理信息模型适合发电量计量，单变量或轻监督模型更适合异常标记；测试年两起故障合计约101 kWh，组合到多个电站将形成可观累积损失；五类故障分类法为运维提供了可操作的诊断框架。未来工作将扩展至多样气候与电站类型、引入维护记录、评估微调Chronos-2，并开发基于日PR时序的专用污秽监测层。