仪器仪表学报

作者：彭自然，许怀顺，肖伸平，潘长宁

单位：彭自然,1.湖南工业大学电气与信息工程学院株洲412007； 2.湖南省电传动控制与智能装备重点实验室株洲412007,pengziran@hut.edu.cn,许怀顺,1.湖南工业大学电气与信息工程学院株洲412007； 2.湖南省电传动控制与智能装备重点实验室株洲412007,1106238410@qq.com,肖伸平,1.湖南工业大学电气与信息工程学院株洲412007； 2.湖南省电传动控制与智能装备重点实验室株洲412007,,潘长宁,1.湖南工业大学电气与信息工程学院株洲412007； 2.湖南省电传动控制与智能装备重点实验室株洲412007,

关键词：光伏阵列;故障诊断;电流-电压曲线;机器学习;CatBoost

基金：湖南省教育厅重点科研项目(22A0423)、湖南省自科基金项目(2022JJ50073)资助

光伏阵列在运行过程中，可能会受到多种因素的影响，导致不同类型的故障。通过机器学习算法，可以实现光伏阵列数据的实时监测、故障诊断和预测性维护，这种方法不受地理环境的限制，能够提高系统的可靠性和效率。光伏阵列的电流-电压（I-V）曲线是一项重要的指标，包含了大量关于光伏组件健康状况的信息，对于及时发现故障、评估健康状况至关重要。然而，现有方法只对来自I-V曲线的部分信息提取进行诊断分析，没有更深入地挖掘I-V曲线中的所有信息，能检测到的光伏阵列故障十分有限。针对以上问题，首先提出一种I?V曲线校正算法用于修正辐照度和温度对同一故障类型特征表现的影响，有效消除环境变量对故障特征表征的耦合效应。然后，利用CatBoost模型实现光伏阵列小样本高精度的实时故障智能诊断，并且利用麻雀搜索算法对模型的关键超参数进行优化。最后，为了进一步提升麻雀搜索算法的寻优能力，通过引入融合精英反向学习策略和柯西高斯变异策略改进麻雀搜索算法，使其在优化CatBoost模型中达到最佳效果。结果表明，利用模拟数据和现场数据分别进行模型的训练及故障诊断，测试集出现仅一个和两个误诊的样本，深度优化的集成学习模型CatBoost的分类准确率均达到99.9%。

来源：2025年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第5期