基于機器學習的光伏組件故障危害識別研究

王騰達 孫昊 李前

關鍵詞：機器學習；光伏組件；熱斑故障；故障危害識別

1光伏組件熱斑故障介紹及產生原因

1.1介紹

光伏組件熱斑故障是指光伏電池組件表面出現局部溫度升高或局部損壞的現象。光伏組件熱斑故障通常是由電池組件中的某些問題引起的，如電池片質量不均勻、電池片間接觸不良、接觸電阻過大、電池片內部和蓋板中存在缺陷等。熱斑故障會對光伏組件的性能和壽命產生不利影響。局部溫度升高可能會導致光伏組件的整體效率下降，因為熱斑會消耗一部分光能，使其不能轉化為電能。熱斑故障可能會導致局部電池片損壞，使得整個組件的性能下降，并最終影響電池組件的壽命。

1.2產生原因

光伏組件熱斑故障的產生受到多種因素影響，因此需要綜合考慮并采取相應的措施來預防和解決。具體影響因素如下：①電池片質量不均勻。在光伏組件制造過程中，可能會存在電池片質量不均勻的情況，導致部分區域的電池片性能較差，易發生局部升溫，形成熱斑。②電池片間接觸不良。光伏組件中的電池片通過電池片間的導線連接，如果連接方式有問題或存在松動現象，可能導致局部電池片間接觸不良，產生局部高電阻，使得該區域溫度升高，引發熱斑。③電池片內部缺陷。電池片內部可能存在生產過程中出現的缺陷，如晶體缺陷、金屬污染等，這些缺陷會導致局部電池性能下降，產生熱斑。④蓋板缺陷。如果光伏組件的蓋板存在缺陷，如局部失效、損壞，可能導致太陽能光線過度聚焦在局部區域，引起局部溫度升高，產生熱斑。⑤接觸電阻過大。如果光伏組件中的連接件存在接觸電阻過大的情況，會使得局部電路過熱，形成熱斑。⑥溫度梯度效應。當光伏組件表面存在溫度梯度時（不同區域間的溫度差異），可能會導致局部熱斑，尤其是在不均勻的發電場景下，易產生此效應。⑦遮擋物影響。光照條件良好，任何遮擋物都可能導致局部區域過度受熱，從而在光伏組件表面形成熱斑。⑧污染和覆蓋。光伏組件表面的污染或長期的陰影覆蓋可能導致局部區域的溫度升高，引發熱斑。

2相關算法介紹

2.1決策樹

決策樹是一種機器學習模型，模擬了一個樹形結構，結構中的每個節點代表一個特征或屬性，每條邊代表該特征可能的取值，主要用于分類和預測任務。其通過一系列的決策規則來對數據進行分類或預測，每個決策規則都基于特征的屬性。決策樹的構建過程是通過對數據集進行分割，直到達到終止條件則停止。新數據會按照相同規則被決策樹分類到最終的葉節點，從而得到相應的預測結果。決策樹模型能夠為問題提供清晰而直觀的解釋，進而推斷結果，因此得到了廣泛應用。決策樹具體算法根據不同的特征選擇策略被劃分，這些算法在決策樹構建和分裂的過程中采用不同的策略和指標。迭代二分器3代（iterative dichotomiser 3，ID3）算法使用信息增益來選擇最佳的特征進行分裂；分類回歸樹4.5代（classification and regression trees 4.5，C4.5）算法是ID3算法的改進版本，使用信息增益比來選擇特征，并且C4.5還可以處理連續型特征；分類回歸樹（classification and regression trees，CART）算法是一種既可用于分類，又可用于回歸的機器學習算法。在決定如何對數據進行分裂時，CART算法使用基尼指數來評估特征的重要性，從而選擇最佳特征進行分裂。

2.2梯度提升決策樹

梯度提升決策樹（gradient boosting decisiontree，GBDT）是一種集成學習方法，通過將弱分類器（通常是決策樹）組合成一個強分類器來提高預測性能。GBDT使用的梯度提升算法是一種迭代的優化算法，通過逐步優化損失函數來構建一個強大的集成模型。在每次迭代中，GBDT都會嘗試調整損失函數的梯度方向，不斷擬合殘差，從而逐步提升模型的性能。GBDT的基學習器通常采用決策樹，每棵決策樹都可對已構建決策樹的預測誤差進行優化，逐步減小殘差，最終構成一個強大的集成模型。為了避免過擬合，引入正則化項，將決策樹的深度限制在一定范圍內，以避免模型過于復雜。同時，設置葉子節點的最小樣本數，保證每個葉子節點中包含足夠的樣本數據，提高模型的準確性和魯棒性。在訓練完成后，通過將多個弱分類器的預測結果進行加權求和，集成學習可以有效地減少學習器的偏差和方差，并提高整體模型的魯棒性和泛化臺旨力。

3基于機器學習的光伏組件故障危害識別

3.1故障特征提取

在深度學習中，數據集的數量和質量對模型練習和預測結論都具有重要影響。模型擁有更多數據，這有助于獲取新的信息，使模型可以更好地學習數據里的模型和關聯性。但是，數據的品質也非常重要，既需要準確和完備的數據，同時還需要防止噪聲和極端值的影響。特征工程的任務是將繁雜的原始數據轉換成適合機器學習算法模型的高效特征，包括獲取有關特征和篩選具有較強預測能力的特征。通過選擇適合模型的特征，模型可以更好地捕獲數據間的模型和關聯性，提升模型的預測精密度；可以幫助提升模型的輸入數據質量，增強模型的預測能力。因此，特征工程在機器學習算法中至關重要。

3.1.1熱斑數據特征提取

為了獲取熱斑溫度的有關特點，應該考慮熱斑與周圍環境溫度的差異。通過對比熱點區域溫度和光伏發電板正常區域溫度，可以計算差異值，而不是直接應用熱點的溫度值。為了盡可能獲取更多特征，文中所選的溫度有關特征包括：熱點區域最高溫度和正常區域平均溫度的差異、熱點區域平均溫度和正常區域平均溫度的差異、熱點區域最低溫度和正常區域平均溫度的差異、熱點區域溫度標準偏差、熱點區域溫度標準差、正常區域溫度標準偏差、正常區域溫度標準差和熱斑區域最大溫差。通過選取熱點區域長度、寬度和總面積，描述熱點特征。在特征處理環節，對提取特征開展綜合處理，清除失效特征，保證最后參加提取的特征合理。

3.1.2光伏組件數據特征提取

為了能獲取故障光伏組件的信息特性，本文結合故障光伏組件的特性和目前數據處理流程，利用光伏組件損害的特性進行故障診斷。因為光伏組件的傷害程度與熱斑的特性、數量相關，所以要從這兩個方面開展特征獲取。熱點的級別和面積與光伏組件的傷害程度相關，挑選光伏組件中熱斑故障的最高級別、單個熱斑區域內的最大面積、全部熱點區域內的占地面積和熱點的最高溫度作為熱點特征的有關特征。挑選獲取熱斑數、高風險級別熱斑數、中危熱斑數和低危熱斑數作為熱斑數的有關特征。特征獲取結束后，對標值特征開展歸一化處理，對熱點故障傷害級別開展量化處理。同時，清除失效特征，對特征進行相應降維處理，保證最后特征集具有代表性和可執行性。

3.2故障分類流程

本文采用兩個分類模型對光伏組件的故障危害進行分類。第一個分類模型是熱斑故障危害等級分類模型，負責對光伏組件上的熱斑進行分類并劃分出不同的故障危害等級。第二個分類模型是光伏組件故障危害等級分類模型，根據第一個模型的分類結果，對有熱斑的光伏組件進一步劃分，以確定其故障危害等級。本文通過聯立兩個分類模型，構建了光伏組件故障危害分類模型，實現了對光伏組件故障危害等級的準確劃分。光伏組件故障危害等級分類流程如圖1所示。

本文使用人工標注的方法對7030張光伏組件的圖像進行熱斑識別危害等級的劃分。通過這種方式，建立了熱斑數據集，并從中提取相關特征。其中，訓練集占比為80%，驗證集占比為20%。采用交叉驗證的方法來評估模型的性能。

4實驗結果與分析

本文提出一種以決策樹為基礎分類器的梯度提升決策樹算法，對光伏組件故障進行識別，并提取熱斑故障的相關特征，對熱斑危害等級進行分類。通過選取K近鄰（k-nearest neighbors，KNN）算法和支持向量機（support vector machines，SVM）算法作為比對算法，進行不同機器學習算法下的光伏組件故障分類方法研究。

4.1熱斑故障分類

先對熱斑故障進行分類，熱斑故障分類算法指標評價結果如表1所示。由表1可知，相較于KNN、SVM算法，GBDT算法在熱斑故障分類算法中各個指標上都能取得較優的效果。

4.2光伏組件故障分類

在對熱斑故障進行分類后，再對光伏組件故障進行分類，光伏組件故障分類算法指標評價結果如表2所示。GBDT算法同樣在不同的指標上取得最優效果，特別是錯誤率大大降低。在實際應用中，可以提前發現和診斷光伏組件故障，并采取相應的維護和修復措施，以確保光伏系統的正常運行和發電效率具有重要意義。

5結論

本文針對光伏組件的安裝位置和數量較多、監測成本高昂、檢修困難等管理問題，提出了光伏組件故障危害識別算法。利用紅外圖像的溫度信息來判別熱斑故障，并采用機器學習模型進行熱斑故障的分類識別。通過對紅外圖像的數據進行處理和分析，得到熱斑故障的相關特征，然后利用機器學習算法建立相應的分類模型對熱斑故障進行精準檢測和分類。本文使用KNN、SVM和GBDT 3種算法進行光伏組件故障危害分類，并對其性能進行測試。結果表明，GBDT算法相較于KNN、SVM算法在不同的評價指標上能取得較優的效果，可為光伏組件故障的準確診斷和危害等級劃分提供有效的解決方案，提高光伏電站的運行維護管理水平和運行可靠性。未來，可將機器學習技術與其他領域的先進技術結合，如物聯網、大數據分析，進一步提升光伏組件故障識別的能力。