《Scientific Reports》：Advanced data driven models based on machine learning for detection of faults and failures in solar based renewable energy systems
编辑推荐：
摘要
可再生能源系统的快速扩张要求可靠的故障检测与预测，以确保运行效率和电网稳定性。本研究提出了一种新颖框架，将扩展卡尔曼滤波（Extended Kalman Filter, EKF）状态估计与不确定性感知图学习相结合，用于光伏（Photovoltaic, P
摘要
可再生能源系统的快速扩张要求可靠的故障检测与预测，以确保运行效率和电网稳定性。本研究提出了一种新颖框架，将扩展卡尔曼滤波（Extended Kalman Filter, EKF）状态估计与不确定性感知图学习相结合，用于光伏（Photovoltaic, PV）阵列故障检测与定位。原始传感器数据经EKF处理，生成各光伏模块的精细化状态估计及不确定性协方差。这些不确定性度量动态调控基于注意力的图构建模块，实现自适应边加权，在噪声或瞬态条件下降低不可靠连接的权重。由此产生的动态图由时间图注意力网络进行分析，同时产生节点级故障定位和全局异常分数。图构建、时间编码和预测组件被联合优化，而EKF过程与观测模型及其噪声协方差在校准后保持不变。在真实数据集上，该方法全局检测的AUC-ROC达到0.941，F1分数为0.918；节点级F1分数为0.865，精确匹配率（Exact Match Ratio）为0.738用于故障定位。该框架对传感器噪声和瞬态扰动展现出较强的鲁棒性，通过利用物理不确定性引导图拓扑结构，为大规模光伏系统及其他富含传感器的能源系统的可靠监测提供了有前景的方向。
基于扩展卡尔曼滤波不确定性引导的动态图学习：光伏阵列故障检测与定位研究解读
随着可再生能源装机容量的快速扩张，光伏（Photovoltaic, PV）阵列的运行可靠性与电网稳定性日益受到重视。光伏系统在运行过程中面临多种故障威胁，包括局部遮阴、旁路二极管失效、电池退化及接地故障等。传统故障检测技术如I-V曲线分析和热成像方法，通常需要专用设备和人工巡检，难以满足大规模光伏电站持续在线监测的需求。近年来，基于深度学习方法如长短期记忆网络（Long Short-Term Memory, LSTM）和卷积神经网络（Convolutional Neural Network, CNN）被广泛应用于光伏传感器时间序列数据分析。然而，这些方法通常将各光伏组件独立处理，未能捕获组件间存在的空间相关性和物理交互关系。图神经网络（Graph Neural Network, GNN）通过邻域信息聚合能够生成拓扑感知的节点表征，图注意力网络（Graph Attention Network, GAT）可在特征传播过程中学习各连接的相对贡献，因而被应用于光伏阵列的故障识别。然而，多数现有实现采用基于物理接线配置预先定义的邻接矩阵，这种时不变的拓扑结构难以反映由太阳辐照度变化、组件温度波动、性能退化或异常工况引起的组件间依赖关系的变化。
与此同时，源于控制理论的状态估计技术——特别是扩展卡尔曼滤波（Extended Kalman Filter, EKF）——已被广泛用于非线性能源系统中的潜在状态估计。EKF不仅产生精细的状态估计，还通过协方差矩阵量化每次估计的置信度。然而，将递归贝叶斯状态估计与图结构学习相结合的研究仍较为缺乏。现有光伏异常检测方法往往分为两类：一类依赖电气接线推导的静态图拓扑，另一类是缺乏物理基础支持的纯数据驱动图结构学习方法。EKF虽然能提供严格的不确定性量化，但通常独立于图学习使用。这种割裂促使研究者探索将物理意义的不确定性信息融入图构建过程，以实现既扎根于系统物理特性、又对传感器噪声和瞬态故障具有鲁棒性的动态拓扑结构。
研究人员提出了一种将EKF状态估计与时间图神经网络相结合的新型框架，用于光伏阵列的故障检测与定位。该框架的核心创新在于EKF状态估计不确定性图构建之间的非对称耦合机制：EKF输出的状态估计和协方差矩阵调节图注意力机制，但EKF自身的模型参数在端到端训练过程中保持固定，不被来自图网络或时间网络的梯度更新。这种设计保留了状态估计器的物理可解释性，同时允许其产生的不确定性塑造学习到的拓扑结构。该框架由三个主要组件构成：EKF状态估计模块、不确定性感知图构建模块和时间图注意力网络。EKF处理来自每个光伏节点的原始传感器测量，生成精细化状态估计及其协方差矩阵。这些矩阵量化估计不确定性，通过调节注意力机制直接引导图构建，使得每个时间步的边权重和拓扑结构根据节点置信度动态更新。由此产生的动态图序列被输入时间图注意力网络，执行时空消息传递，计算节点级故障定位分数和系统级全局异常分数。
主要关键技术方法包括以下方面：在EKF状态估计中，每个光伏组件被视为一个具有潜在状态向量的小型物理系统，状态向量包含真实电压、真实电流和缓慢变化的退化因子。过程模型基于单二极管等效电路方程推导，观测模型将潜在状态映射到测量的电压、电流和温度。EKF的预测-更新循环递归估计潜在状态及其协方差矩阵，协方差对角元素量化各状态分量的估计不确定性。在不确定性感知图结构学习（Uncertainty-Aware Graph Structure Learning, UA-GSL）层中，注意力分数计算采用特征基注意力度量与不确定性感知惩罚项的乘积形式。具体地，节点间原始注意力分数通过可学习矩阵将状态估计投影到查询和键空间后计算缩放点积；不确定性惩罚项使用协方差矩阵的迹（trace），通过指数衰减函数抑制高不确定性节点的边权重。经过softmax归一化后，生成一个完全连接、有向且动态加权的图结构。在端到端联合优化中，损失函数结合了节点级和全局的二元交叉熵损失，并加入不确定性缩放参数的正则化项。EKF噪声协方差在校准后保持固定，仅图注意力网络参数和不确定性缩放参数通过反向传播更新。
研究使用了两个数据集进行验证。第一个是合成光伏阵列仿真数据集，基于单二极管模型生成，包含10×10网格连接的100个组件（每个300W），时间分辨率为一分钟，持续30天（43,200个时间步），环境输入来自真实气象数据。四类故障（局部遮阴、旁路二极管失效、退化引起的串联电阻增加和接地故障）在随机模块和时间间隔注入，传感器读数在三种信噪比（SNR）条件下添加高斯噪声：30dB、20dB和10dB。第二个是真实世界光伏监测数据集，来源于一个位于热带沿海气候的50kW屋顶光伏装置，包含200个组件，湿度60-85%，环境温度22°C至38°C，以5分钟间隔记录12个月（约105,000个时间步）。自然发生的故障（污垢、电池裂纹、热点和逆变器相关故障）通过定期现场检查标注，结合目视检查、红外热成像和I-V曲线追踪，故障条件约占全部时间步的9.4%。对比基线方法包括孤立森林（Isolation Forest, IF）、LSTM自编码器、图偏差网络（Graph Deviation Network, GDN）、时间图网络（Temporal Graph Network, TGN）、基于注意力的图结构学习（GSL-Att）以及EKF加静态GNN的消融基线。
研究结果显示：在全局异常检测方面，所提出的框架在所有评估数据集上始终达到最高的AUC-ROC和F1分数。在20dB信噪比下，该方法AUC-ROC达到0.967、F1分数为0.941，相比最佳基线EKF-Static分别提高3.4和3.8个百分点；在10dB高噪声条件下，该方法保持AUC-ROC为0.938，而TGN降至0.871。真实数据集上，该方法AUC-ROC为0.941、F1分数为0.918，相比TGN分别提高4.4和5.7个百分点，相比EKF-Static分别提高3.3和4.3个百分点。在节点级故障定位方面，合成数据集20dB信噪比下，该方法F1分数为0.893、精确匹配率为0.784，超过TGN的0.821和0.682；10dB高噪声下保持F1分数0.841、精确匹配率0.712，而TGN降至0.754和0.591。与EKF-Static相比，在20dB下绝对改进分别为4.5和6.9个百分点。对图拓扑动态的分析表明，正常运行时局部边呈现出较密集的结构化连接模式，而故障事件中被影响组件的局部边被显著衰减。不确定性感知剪枝机制阻断了异常模式在图中的传播，防止污染健康组件的表征，保持了正常与故障运行状态间的判别边界。t-SNE嵌入可视化显示，该方法产生的嵌入形成良好分离的两种聚类（正常和故障），而TGN基线存在明显类别混合。
研究结论表明，该框架通过将物理不确定性注入图学习过程，有效地抑制了不可靠连接并增强了传播信息的质量。该方法在噪声条件下取得改进的检测性能，产生分离良好的嵌入聚类，实现精确的故障定位，超越静态图基线。这些发现突出了将不确定性整合到图学习过程中的价值。研究人员指出，该框架也存在一定局限性：EKF参数在初始校准后固定，可能降低对重大长期系统变化或退化的适应性；每个模块独立运行EKF和动态图学习的计算成本可能对超大规模光伏电站的实时部署构成挑战；评估虽然涵盖合成和真实数据，但仍需在更多样化的故障场景和气候条件下进一步验证。未来研究方向包括自适应卡尔曼滤波参数调整以更好应对系统动态变化，探索框架向更大光伏阵列的扩展性，以及与其他故障管理策略的集成。此外，对学习图结构和注意力机制可解释性的进一步研究，可为理解驱动异常的潜在物理现象提供更深刻的洞见。
