编辑推荐：
针对曲面前集成光伏系统故障诊断难题，本研究提出基于I-V曲线分析的智能诊断框架，通过模拟验证和深度学习模型训练，实现了高精度故障分类，为系统安全运行提供新方法。
郑凯勇|洪晓强|杨月|田新艺|王军|纪杰
中国厦门大学建筑与土木工程学院，福建省智能与低碳建筑技术重点实验室，厦门361005
摘要
弯曲的光伏（PV）系统在形状复杂的建筑中具有巨大潜力，但其弯曲的几何形状和多变的环境增加了故障风险。I-V曲线分析是光伏系统中快速故障诊断的常用方法。然而，弯曲光伏系统在正常工作条件下的I-V特性往往与故障条件下的特性相似，这使得准确的故障诊断尤为具有挑战性。因此，本研究提出了一种基于I-V曲线分析的智能故障诊断框架，用于弯曲的建筑集成光伏（BIPV）系统。为了验证该框架的有效性，本研究以一个曲率为120°的光伏系统作为案例研究，并考虑了两种常见的电气拓扑结构。然后使用实验验证的仿真模型和厦门典型天气的气象数据，计算了系统在正常工作和11种故障条件下的I-V特性。对于每种电气拓扑结构，使用53,388个I-V曲线样本进行训练，22,872个样本进行测试，数据通过深度学习模型进行处理和评估。结果表明，所提出的框架能够准确区分正常状态和11种故障状态，平均准确率超过99.83%。本研究为弯曲BIPV系统的故障诊断和安全运行提供了新的技术方法和有用的见解。
引言
建筑物运行阶段的碳排放是全球碳排放的最关键因素之一[1]，[2]。在可再生能源技术中，光伏（PV）系统由于其效率[3]、技术成熟度和适应性而发挥着重要作用。作为光伏技术的一种高级应用，建筑集成光伏（BIPV）能够将光伏系统直接集成到建筑围护结构中，从而同时实现能源生成和建筑功能。因此，BIPV已成为应对碳排放挑战的最有前景的解决方案之一[4]，[5]。
建筑设计的进步使得现代建筑中越来越多地采用弯曲的建筑形式，这种形式越来越受到建筑师、开发商和公众的青睐。近年来，许多大型建筑如体育场、交通枢纽和展览中心都采用了弯曲的建筑设计[6]。此外，住宅和公共建筑的立面也越来越多地融入了弯曲的设计元素[7]。目前，光伏系统主要安装在屋顶、立面、墙壁或作为遮阳构件[8]，[9]，[10]。为了实现光伏系统与弯曲建筑设计的融合，并确保与建筑围护结构的美学一致性，光伏系统也应设计成与建筑形式相匹配的弯曲几何形状[11]，[12]。由于弯曲表面导致太阳辐射分布不均匀和自遮挡效应，弯曲光伏系统在比传统平面光伏系统更复杂的环境和电气条件下运行，因此更容易发生各种类型的故障。开发实时监控和智能故障诊断技术，同时确保弯曲BIPV安装的可靠运行并降低成本，仍然是太阳能集成建筑领域的主要挑战之一。
随着人工智能的发展，基于人工智能算法的光伏阵列故障诊断方法取得了重大突破，解决了传统方法在准确性和效率方面的局限性。许多研究将机器学习技术应用于光伏阵列的故障诊断。例如，决策树（DT）模型[13]使用温度、辐照度和功率比作为特征来分类正常状态和故障状态。随机森林（RF）模型[14]使用实时工作电压和电流作为输入特征。人工神经网络（ANN）[15]使用最大功率点电压和电流、辐照度和工作温度作为输入。高斯核模糊C均值聚类（GKFC-MC）[16]模型使用标准化电压、电流和填充因子作为输入特征。其他研究还探索了包括多变量Kullback-Leibler（KL）散度与主成分分析（PCA-KDE）[17]、支持向量机（SVM）[18]、模糊逻辑（FL）[19]、核极端学习机（KELM）[20]、k最近邻算法（kNN）[21]、集成学习（EL）[22]以及半监督机器学习[24]等方法。AL-Rifai等人[25]提出了一种用于在线监测光伏系统直流侧的新型故障检测和诊断（FDD）方法，结果表明该方法即使在低辐照度条件下也能有效检测到软故障。Ghazali等人[26]提出了一种多尺度智能故障诊断模型，以改进光伏系统的维护策略，他们的模型实现了98%的平均故障类型分类准确率。P. Kumar和Reddy[27]将边缘检测与循环神经网络结合使用，以检测热斑故障，准确率达到97.92%。Ali等人[28]采用了一种多模态特征融合策略，整合了RGB、纹理、HOG和LBP特征。在后续研究中，他们对颜色描述符进行了系统评估，确定rgSIFT描述符与k-NN分类器结合使用时性能最佳，71×71像素图像的准确率达到98.7%[29]。在机器学习中实现高性能通常需要手动特征分析和选择高质量的特征。然而，不同BIPV系统的环境和气候条件各不相同，导致其特征特征也有所不同。这不仅要求具有丰富机器学习经验的专家参与特征提取，还增加了忽略关键特征的风险，从而可能降低故障诊断的准确性。
为了解决这个问题，本研究利用深度学习在训练过程中自动从数据中提取特征的能力来进行光伏阵列故障诊断。这种方法降低了特征提取的复杂性，使非专家也能操作诊断系统，并降低了运营和维护成本。另一方面，许多逆变器制造商已经将I-V曲线数据采集和存储等功能集成到他们的产品中，可以通过通信协议实时获取光伏阵列的完整I-V特性曲线[30]。这为基于I-V特性的光伏阵列智能故障诊断提供了有利条件。Lu等人[31]使用卷积神经网络通过故障发生时捕获的电信号时间序列图像作为故障特征来诊断光伏阵列故障，实现了具有高鲁棒性和准确性的故障诊断模型。Chen等人[32]使用深度残差网络基于I-V特性曲线和环境变量进行光伏阵列故障诊断，在实验研究中准确率超过98%，类似的基于I-V曲线的方法也在文献中得到应用[33]。Manohar等人[34]使用稀疏自编码器（SAE）区分阵列故障和线路故障。Appiah等人[35]应用长短期记忆（LSTM）网络进行故障诊断，在噪声条件下也能实现高准确率。Lin等人[36]提出了一种使用多尺度SE-ResNet网络的光伏阵列故障诊断（FD）方案。该方案能够诊断单一故障、部分遮挡（PSC）和不同程度的灰尘覆盖下的复合故障。Lu等人[37]提出了一种使用Wasserstein生成对抗网络（WGAN）和CNN（卷积神经网络）的故障检测和诊断（FDD）方案。结果表明，所设计的FDD模型能够准确诊断线路间故障和开路故障。Lin等人[38]提出了一种基于1D VoVNet-SVDD的开集故障诊断模型。结果表明，该模型能够准确分类故障，同时识别未知类型的故障。深度学习在故障诊断任务中展示了强大的自动特征提取能力，显著提高了光伏阵列故障诊断模型的性能。
使用I-V曲线数据的深度学习方法已被证明对平面光伏系统的故障诊断有效。然而，弯曲光伏系统的I-V特性比平面系统更复杂，正常状态和故障状态下的曲线相似性使得故障诊断特别具有挑战性。现有研究中基于I-V曲线的故障诊断方法对弯曲BIPV系统的有效性尚不清楚。为了解决这一差距，本研究提出了一种专为弯曲BIPV系统设计的基于I-V特性的智能故障诊断框架。使用厦门的典型气象数据开发了一个仿真模型，生成了系统在正常和11种故障条件下的I-V特性。研究考虑了两种常见的电气拓扑结构，即并联-串联和串联-并联，并考虑了包括短路、开路、退化、遮挡以及灰尘覆盖下的复合故障等故障类型。对于每种故障类型，生成了6355个I-V曲线样本，每种电气拓扑结构共生成了76,260个样本。这些样本被分为两个数据集，70%用于训练，30%用于测试。然后使用深度学习模型进行故障诊断。本研究的贡献可以总结如下：
- (1)
提出了一种用于弯曲BIPV系统的智能故障诊断框架。
- (2)
建立并验证了弯曲光伏系统的仿真模型，生成了各种工作条件下的I-V曲线。
- (3)
开发的故障诊断模型能够准确识别多种类型的系统故障。
本文的结构如下：第2节开发了一个数学上经过验证的模型，用于模拟各种工作条件下的I-V特性，并生成相应的训练数据集，用于训练三个深度学习模型。第3节通过分析这些模型在两种电气拓扑结构下的诊断准确性来评估它们的性能，随后讨论了结果和研究局限性。
部分摘录
弯曲BIPV系统的智能故障诊断模型
图1展示了为弯曲BIPV系统提出的智能故障诊断框架。该框架包括两个阶段：第一阶段涉及开发数学模型并在各种工作条件下生成数据集。第二阶段专注于使用第一阶段生成的数据集进行基于深度学习的故障诊断。以下部分将详细介绍。基于Simulink弯曲光伏系统模型的故障模拟
本研究使用仿真模型对两种不同电气拓扑结构下的弯曲光伏系统进行了故障模拟，以生成用于后续验证所提出的基于I-V曲线智能故障诊断框架的数据集。具体来说，每种电气拓扑结构调查了11种故障条件。对于并联-串联配置，故障包括部分遮挡（遮挡1和遮挡2）、退化、短路、开路结论
本研究提出了一种基于深度学习的智能故障诊断框架，用于弯曲光伏系统的故障诊断。开发了一个弯曲光伏系统的数学模型，并通过实验验证，模拟了两种不同电气拓扑结构和不同环境条件下的I-V特性。对于每种拓扑结构，生成了53,388个I-V曲线样本用于训练集，22,872个样本用于测试集。
写作过程中生成式AI和AI辅助技术的声明
在准备本工作时，作者使用了
kimi.ai工具来翻译和改进手稿的语言。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
CRediT作者贡献声明
郑凯勇：写作——原始草稿、可视化、验证、软件开发、调查、形式分析、数据管理。洪晓强：写作——审阅与编辑、监督、资源协调、项目管理、资金获取、概念构思。杨月：写作——审阅与编辑、资金获取、概念构思。田新艺：写作——审阅与编辑、验证、数据管理。王军：验证、数据管理。纪杰：写作——审阅与编辑、监督，
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家自然科学基金（项目编号：52176066）、深圳科技计划（项目编号：RCYX20231211090332036）以及中央高校基本科研业务费（项目编号：20720240072）的支持。
