先进算法在光伏故障监测中的应用

核心观点

• 光伏系统故障监测的重要性日益凸显：随着光伏发电在许多国家电力生成中的占比不断上升，光伏电力供应的可靠性和可预测性变得至关重要。这尤其适用于以小型屋顶系统为主的国家，这些系统往往缺乏监测，而大型系统通常配备的监测仪器无法进行超出简单记录能量生产和报警的功能。
• 统计性能监测成为主流：基于人工智能 (AI) 原理的统计性能监测正变得越来越普遍，因为它代表了复杂的科学主题，因此本文件旨在作为入门和参考指南，为广泛受众介绍机器学习算法及其在检测光伏系统故障中的应用。
• 故障类型：研报中定义了多种光伏系统故障，包括衰减、阴影、热斑、逆变器限幅、字符串故障、污染、接地故障、线间故障、直流电弧故障和交流过电压等。
• 故障识别方法：研报总结了四种主要的故障识别方法：识别故障电气特征、将历史性能与当前性能进行比较、将预测性能与实际性能进行比较以及比较不同光伏系统或子系统之间的性能关系。
• 数据来源：故障检测系统使用的数据来自各种设备和来源，包括现场连接的传感器、商业气象站、逆变器、优化器和 IV 曲线追踪仪。
• 机器学习算法：研报详细介绍了多种机器学习算法，包括回归、分类、聚类和其他算法，并分析了它们在光伏故障检测中的应用。
• 数据源和训练策略的比较：研报通过案例研究比较了不同数据源和训练策略对机器学习算法性能的影响，发现使用训练数据与测试数据时间上接近的机器学习训练策略可以提供更好的结果。
• 研究结论：研报发现，不同算法对数据的敏感度差异很大，并且没有一种算法能够在所有情况下都提供最佳性能。此外，使用附近系统的性能数据与使用环境数据对于某些机器学习算法来说，在结果准确性方面似乎相当。

关键数据

• 参与国家：研报涉及来自亚洲和欧洲的多个国家参与的研究，其中亚洲在研究和开发光伏故障检测系统方面处于领先地位。
• 参数使用：故障检测系统中最常用的参数包括电流和/或电压（交流或直流）（25%）、辐照度（19%）、温度（17%）和 IV 曲线数据（12%）。
• 算法偏好：在所研究的人工智能神经网络的论文中，人工神经网络是最受欢迎的（30%），其次是 K 近邻（10%）、模糊系统（8%）和支持向量机和线性回归（7%）。

研究结论

• 统计性能监测是光伏系统故障检测的重要工具：它可以帮助识别和量化系统性能下降，并确定可能存在的故障。
• 机器学习算法在光伏故障检测中具有巨大潜力：它们可以帮助识别和预测各种类型的故障，并提高光伏系统的可靠性和可维护性。
• 选择合适的数据源和训练策略对于算法性能至关重要：使用附近系统的性能数据和采用与测试数据时间上接近的训练数据可以提供更好的结果。
• 需要进一步研究以改进算法性能：需要更多研究来改进算法，以更准确地识别和预测光伏系统故障。