使用人工智能和时频分析对光伏系统进行故障检测与诊断

让太阳能发电平稳运行

随着太阳能电池板在屋顶与沙漠中广泛铺开，保持其最佳运行变得至关重要。像接线故障或遮阴这样的隐性问题，往往在被发现之前就悄悄消耗了大量发电量与收益。本文研究了一种新方法，利用人工智能的先进模式识别工具自动“聆听”光伏电站的“心跳”，旨在及早发现问题，即便数据像现实中那样嘈杂且混乱。

为什么太阳能系统会出现异常

大型光伏电站由许多互连的组件组成，微小问题会累积成大故障。少数电池可能发生短路，整串面板接线错误，或部分区域因树木、灰尘或附近建筑物遮挡而受影响。这些问题会改变系统的电气量——光照强度、面板温度、电压、电流与功率——在一天中的变化规律。传统上，工程师通过热成像、目视检查或手工规则来查找这些问题。这些方法既耗时，又可能遗漏细微故障，而且在多重故障同时出现或传感器老化、噪声较大时往往力不从心。

把数字变成计算机能读的图像

研究人员提出了一个不寻常的思路：不是直接把原始数字输入计算机，而是先将电气测量转换为类似小图像的图谱，捕捉信号在时间与频率上的变化。他们使用一种称为Wigner–Ville分布的数学工具，能够揭示如突变、缓慢漂移或重复波纹等模式，这些模式对应不同类型的故障。对于系统的每个快照，五个关键测量值——光照、温度以及最大功率点的电压、电流和功率——各自被转换成代表其大约一小时行为的彩色条带。这些条带，再加上一个融合它们的信息条带，被堆叠成紧凑的6×12瓦片。每块瓦片都是系统在该时刻行为的视觉指纹。

教数字检查员读懂这些模式

一旦数据看起来像小图像，团队就可以应用擅长图像分析的一类人工智能模型：卷积神经网络。他们首先构建了一个详细的30块面板阵列的数字模型，并模拟了17种不同的工况：一种健康状态和16种故障类型，范围从少量短路模块到大范围部分遮挡以及串间复杂的线间故障。对于每种情况，并在晴天与多云条件下，他们生成了长序列的现实传感器读数，将其转换为6×12图谱，并根据潜在故障进行标注。卷积网络随后从数千个示例中学习，识别这些图谱中颜色与形状的组合如何对应到具体问题。与此同时，作者还在相同的变换数据上测试了更简单的神经网络和传统机器学习工具，如支持向量机与随机森林，以比较各方法的准确性与鲁棒性。

在嘈杂条件下检验该方法

在理想干净的仿真中，直接作用于五个数值输入的传统神经网络在区分不同故障时几乎达到完美准确度——超过99%。基于图像的卷积网络也表现优异，准确率略高于97%。但光伏电站并非生活在洁净的世界中：传感器会老化，天气不可预测，测量会出现噪声。当研究人员故意向光照、温度、电压、电流和功率读数中注入现实的抖动时，性能排序发生了显著变化。较简单的网络丧失了很多优势，准确率跌入80%出头或更低。相比之下，查看结构化时频图谱的卷积网络在正常噪声水平下仍能保持约90%的准确率，即便将噪声放大到三倍以模拟非常老旧或质量差的传感器时，也能正确识别大多数故障。

这对未来光伏电站意味着什么

对于一般读者来说，结论是：我们向人工智能模型展示信息的方式，与模型本身同样重要。通过将原始太阳能数据转成同时呈现时间与频率变化的紧凑图像，作者实现了一个不仅在理想条件下准确，而且能够应对真实光伏场中杂乱数据的数字检查员。他们的方法可以在不依赖大量人工规则的情况下，自动区分健康阵列与多种外观相似的故障类型。实际上，这样的系统可以在大型光伏场后台运行，提前向运维人员发出具体问题警报，减少停机时间，并从长期看提升太阳能的可靠性与经济性。

引用: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

关键词: 太阳能故障检测, 光伏监测, 时频分析, 卷积神经网络, 可再生能源诊断