面向光伏系统的 AI 驱动动态故障检测与性能评估
信号处理
2025-05-30 v1 机器学习
系统与控制
系统与控制
摘要
受变异天气驱动的光伏（PV）太阳能间歇性质引起 10-70% 的功率损失和平均 25% 的能源产出下降。准确的损失特征化和故障检测对于可靠的 PV 系统性能和效率至关重要，将其数据集成到控制信号监测系统中。计算建模支持技术、经济和性能分析，但当前模型往往僵化，限制了高级性能优化和创新。传统故障检测策略成本高昂且常常产生不可靠结果 due to complex data signal profiles。人工智能（AI），特别是机器学习算法，通过分析输入参数（如气象和电气）与输出指标（如产能）之间的关系，提供了改进的故障检测。训练后，这些模型能够通过检测预期性能的偏差来有效识别故障。本研究提出了一个使用 Python 中的 PVlib 库构建的计算模型，集成了处理气象、运行和技术数据的数字损失定量算法。一个基于以 5 分钟分辨率构建的人工神经网络（ANN）在合成数据集上训练，模拟真实世界的 PV 系统故障。基于 Universidad de los Andes 处 PV 系统历史数据的动态阈值定义用于故障检测。关键贡献包括：（i）一个在日能量估计中平均绝对误差为 6.0% 的 PV 系统模型；（ii）无需专业设备的数字损失定量；（iii）基于 AI 的技术参数估计算法，避免特殊监控设备；以及（iv）实现 82.2% 平均准确率和 92.6% 最大准确率的故障检测模型。
引用
@article{arxiv.2409.00052,
title = {AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems},
author = {Nelson Salazar-Pena and Alejandra Tabares and Andres Gonzalez-Mancera},
journal= {arXiv preprint arXiv:2409.00052},
year = {2025}
}
备注
37 pages, 26 figures, 9 tables, 1 algorithm