随着光伏发电装机容量的不断上升，如何及时检测和解决光伏组件故障和异常，减少组件能量损失，提高光伏系统的发电效率成为一项重要任务。福州大学配电网及其自动化研究中心团队通过研究光伏阵列处于不同故障状态下的I-V曲线之间的特征差异性，直接以I-V曲线作为故障诊断的输入量，提出了一种融合卷积神经网络与长短期记忆网络的光伏系统故障辨识的方法。现场实验结果验证了所提方法的有效性。

团队介绍

福州大学配电网及其自动化研究中心长期致力于电力配电网监测、控制与保护新技术的研究与应用；结合人工智能技术、大数据分析技术、电力电子功率变换技术和智能优化调控技术，在电力配电网及其主设备故障诊断与抑制领域开展了基础研究以及工程应用。主要涉及配电网单相接地故障选线及区段定位、配电网单相接地故障柔性消弧、配电变压器故障诊断、光伏发电系统故障诊断、可再生能源发电与并网等研究方向。近年来，该团队完成了多个国家，省和电网企业的研究项目。

研究背景

相较于传统的发电方式，光伏发电具有安全可靠，无噪声，无污染排放，建设周期短等特点。据统计，2020年，全球光伏新增装机容量256GW，占全部新能源装机容量的54.1%，总装机容量达到760GW。

光伏系统工作在复杂的户外环境中，同时受到热循环、紫外线、风激振等各种环境因素的作用，会出现一定程度上的老化和各种故障，这些故障的发生会使得光伏系统的输出功率大幅度下降，严重情况下甚至会引起火灾事故。

论文所解决的问题及意义
当前大多数光伏系统虽然已实现了对系统运行状态的实时监测，但还只能显示和统计发电运行数据和停电事件，无法实现潜在故障预警。故障识别只能依靠经验丰富的工程师对现场设备进行测试或通过数据解读实现，有限的人力资源无法满足规模庞大的光伏市场的需求。及时可靠的故障判别能够避免发电损失、设备损毁和火灾事故的发生，提高太阳光电运行寿命和经济效益。

 

通过研究光伏阵列处在不同状态下的I-V曲线可以发现，对于不同故障类型，I-V曲线形状有明显差别，外特征参数（开路电压，短路电流，最大功率点的电压及电流）也包含于I-V曲线中，因此以I-V曲线作为输入特征进行诊断是最简单、最直接的方法。

此外，由I-V曲线的特征方程可知，辐照度和短路电流的大小成正比，温度和开路电压的大小成反比。温度和辐照度的波动只会影响I-V曲线的幅度，不会导致曲线的形状产生变化。为了尽可能提高算法的诊断效率，在本研究中组件的面板温度和所受辐照度不被考虑作为故障诊断网络的输入量，研究直接使用I-V曲线作为输入特征。

2 基于CNN-LSTM模型的故障诊断方法
本文在回顾和总结前人工作的基础上，结合了卷积神经网络（convolutional neural network，CNN）与长短期记忆网络（long short-term memory，LSTM）,构建了一个基于CNN与LSTM的融合模型。

该模型通过三个不同尺度的卷积分支挖掘各个局部数据特征之间的关系，对三个特征进行叠加后再利用LSTM单元对挖掘出的时序动态特征加以记忆并建模，使得模型更容易捕获I-V曲线数据之间相互关联和依赖的特性。相比于单尺度卷积的方式，模型采用多尺度卷积能以多个尺度观察样本，得到的特征信息相比于单尺度也更加具体。

研究建立了基于CNN-LSTM的融合模型用于光伏系统故障辨识。所提方法的操作流程如图3所示。

3 实验验证

研究建立了一个容量为6.48kWp的光伏实验案场用来获取所需I-V曲线数据，实验平台及故障模拟如图4所示。 从实验平台获取的样本类型有11种，包含1种正常状态、4种故障状态和6种混合故障状态。每个样本类型被随机划分为训练集、验证集和测试集。利用训练好的模型对测试集样本进行故障诊断，总体准确率为96.82%。

结论
本文提出了一种融合卷积神经网络与长短期记忆网络的光伏系统直流侧故障辨识方法。所提方法通过采集离网状态下光伏阵列的I-V曲线，然后利用多尺度卷积网络丰富了模型对样本的局部特征提取，对曲线的时序动态特征加以建模，从而实现特征的记忆和分类。实验结果表明，所提方法对实测数据的分类准确率达到了96.82%，在实际应用中能满足光伏系统故障诊断对准确率的要求。

引用本文
涂彦昭, 高伟, 杨耿杰. 一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法[J]. 电气技术, 2022, 23(2): 48-54. TU Yanzhao, GAO Wei, YANG Gengjie. A photovoltaic system fault identification method based on convolutional neural network and long short-term memory network. Electrical Engineering, 2022, 23(2): 48-54. 

原标题：福州大学研究团队提出一种光伏系统故障辨识的新方法