基于人工智能的光伏发电系统故障检测与诊断方法研究

237 运营维护技术
基于人工智能的光伏发电系统故障检测与诊断方法研究
姜春娇，卢 尧，傅慧华
（国网江苏省电力有限公司南通供电分公司，江苏文章旨在利用人工智能技术提高光伏发电系统的故障检测与诊断效率。

通过综合分析光伏发电系统的特提出了一种基于人工智能的故障检测方法，包括数据采集、通过实验验证和对比分析证实 ，该方法在光伏发电系统中具有较高的准确性和效率，为提高光伏发电系统的运行效率和可靠性提供了有效的技术支持与方法参考。

光伏发电系统；故障检测与诊断；人工智能；数据处理；性能评估
Research on Fault Detection and Diagnosis Method of Photovoltaic Power Generation
System Based on Artificial Intelligence
JIANG Chunjiao, LU Yao, FU Huihua
(Nantong Power Supply Branch of State Grid Jiangsu Electric Power Co., Ltd., Nantong the efficiency of fault detection intelligence technology. By comprehensively 直流/交流 逆变器
控制器
蓄电池组
太阳能电池方阵
交流负载
直流负载
图1 光伏发电系统
1.3 传统故障检测方法
传统光伏发电系统故障检测方法主要包括基于传感器的监测、定期巡检及手动故障诊断等。

基于传感器的监测通过安装传感器实时监测系统的电压、电流及温度等参数，一旦发现异常就触发报警。

定期巡检指定期人工巡视光伏发电系统，检查组件、电路、逆变器等是否存在可见的损坏或异常。

手动故障诊断
Telecom Power Technology
则是依赖维护人员的经验和专业知识，通过观察、测试及分析来判断系统是否存在故障，并进一步定位和修复故障。

传统方法虽然简单易行，但受限于人力、时间及主观因素，无法实现实时监测和自动化诊断，因此在故障检测的准确性和效率上存在一定的局
基于人工智能的故障检测技术利用机器学习和深度学习等方法，通过处理和分析大量实时监测数据，实现光伏发电系统故障的自动检测与诊断。

其中，
Support Vector Machine，
Artificial Neuronal Networks，
，DNN）
（1）
为相应的类别标和泛化能力
包装法及嵌入法。

过滤法通过特征的统计量或相关性来选择最佳特征，如方差、相关系数等；包装法通过尝试不同的特征子集并评估模型性能来选择最佳的特征子集；嵌入法是将特征选择作为模型训练的一部分，在模型训练过程中选择最佳特征。

2.3 故障诊断模型设计
在基于人工智能的光伏发电系统故障检测方法中，故障诊断模型设计是至关重要的一环。

其中，常用的一种模型是深度学习模型，尤其适用于序列数据的循环神经网络（
RNN的独特之处在于内置的记忆机制，通过循环连接在节点间传递信息，使其能够处理具有时间连续性的数据。

在t时刻，输入特征
b
h
作用于隐藏层，生成隐藏状态
 2024年4月10日第41卷第7期
239 断迭代更新参数，直至满足预设的停止条件。

第五步，为避免出现过拟合和欠拟合问题，需采取调整模型复杂度、引入正则化项等策略。

利用验证集实时评估模型性能，并根据评估结果调整模型参数和结构，如调整学习率、修改网络层数等。

第六步，使用测试集对模型进行最终的性能评估，通过准确率、精确率、召回率及F 1值等指标，全面验证模型的有效性和可靠性[5]。

3 性能评估与实验验证
3.1 性能评估指标
在光伏发电系统故障检测过程中，常采用一系列性能评估指标来衡量模型的优劣。

其中，准确率作为一个核心指标，反映了模型预测正确的样本在总样本中所占的比例。

精确率聚焦在模型预测为正类别的样本中，衡量样本真正为正类别的比例，有助于了解模型在预测正类别时的准确性。

召回率关注实际为正类别的样本，评估模型在识别这些样本时的能力。

F 1值综合了精确率和召回率，通过计算两者的调和平均值，提供了一个更加全面的性能评估视角。

这些指标综合考量了模型的分类能力、误判率及漏检率，是评估模型性能的重要标准。

在实验验证中，通过对比模型在测试集上的表现，计算这些性能指标，从而评价模型的准确性、稳定性及可靠性，为模型的实际应用提供科学依据。

3.2 实验方案
为评估基于人工智能的光伏发电系统故障检测方法的性能，设计了以下实验方案：第一步，确定实验数据集，包括正常运行和故障状态下的光伏发电系统数据，以及相应的标签信息。

第二步，确立实验设计，包括数据预处理、特征提取等步骤。

在数据预处理阶段，对数据进行清洗、归一化等处理，以确保数据质量和一致性。

特征提取阶段需要选择合适的特征表示方法，如时域特征、频域特征或时频域特征等，以捕获光伏发电系统的特征信息。

第三步，进行模型训练和优化，在训练过程中使用交叉验证等方法调优模型参数，以提高模型性能和泛化能力。

第四步，通过在测试集上评估模型的性能，计算准确率、精确率、召回率以及F 1值等指标，全面评估模型的准确性、稳定性及可靠性。

3.3 算法性能评估分析
算法性能评估结果如表1所示。

根据表1所列出的算法性能评估指标，可以看出基于人工智能的光伏发电系统故障检测方法在实验中表现出了良好的性能。

该方法的准确率为92%，表明模型能够准确判断系统的故障情况，从而提供可靠的诊断结果。

精确率为88%，说明模型在预测故障时，真实故障的比例较高，减少了误报的可能性。

召回率为94%，意味着模型能够有效找出实际故障中的大部分情况，降低了漏报的风险。

F 1值为0.91，表示准确率和召回率的调和平均，综合考虑模型的分类准确性和漏报率，进一步证明该方法在故障检测与诊断方面的可靠性 和有效性。

表1 算法性能评估结果
准确率精确率/%
召回率/%
F 1值92
88
94
0.91
4 结 论
文章提出并探讨了基于人工智能的光伏发电系统故障检测方法，为光伏发电系统的安全运行和故障诊断提供了重要的技术支持和理论指导。

未来，将继续深入研究光伏发电系统故障检测方法，不断提升故障检测与诊断的准确性，以推动光伏发电技术的发展与应用。

参考文献：
[1] 蔡斯源.分布式光伏发电系统的状态监测及故
障诊断分析[J].集成电路应用，2024，41（1）：126-127.
[2] 张希康，李泽滔.光伏阵列故障诊断算法研究
综述[J].智能计算机与应用，2022，12（2）：143-147.
[3] 唐 珂.神经网络在光伏发电系统故障诊断中
的应用[J].中国设备工程，2018（15）：93-94.[4] 冯庆华.基于IPSO-LSTM 神经网络的光伏
发电系统故障检测[J].信息技术，2023（6）：104-108.
[5] 张文军，林永君，李 静，等.基于长短期记
忆神经网络的光伏阵列故障诊断[J].热力发电，2021，50（6）：60-68.
准备数据集
划分为训练集、验证集和
测试集
选择损失函数和优化算法
处理过拟合和
欠拟合
使用验证集评
估模型
初始化参数并通过反向传播更新参数
根据评估结果调整模型使用测试集评估最终模型图3 模型训练与优化流程。