一、研究背景与意义
在“碳达峰、碳中和”目标推动下，太阳能作为最具发展潜力的清洁能源之一，其开发利用已成为我国能源结构调整的核心方向。光伏系统在长期运行中，受产品质量、环境因素等影响，易发生短路、接地、老化等故障，其中光伏阵列端侧故障占比最高，直接影响发电效率与运行稳定性。因此，实现光伏阵列故障的精准诊断对保障『新能源』系统可靠运行具有重要意义。
现有故障诊断方法存在明显局限：基于计算机视觉的方法依赖红外热成像，对短路等特征不明显的故障识别精度低；基于I-V曲线的方法需完整数据输入，难以应对实时监测与数据缺失场景；基于电气参数的深度学习方法受限于故障数据稀缺问题，在小样本场景下性能不佳。此外，传统数字孪生模型生成的数据与实际系统贴合度不足，随机配置网络（SCN）存在节点冗余问题，均制约诊断精度提升。
针对上述问题，本文提出深度生成数字孪生框架下的光伏阵列故障诊断方法，通过机理建模、特征优化、数据增强与智能诊断的全流程创新，实现小样本条件下的高精度故障诊断，为光伏系统运维提供新的技术路径。
二、关键技术与方法架构
整体框架设计
该框架由“深度生成数字孪生模型”与“AOSCN诊断网络”两部分构成。前者实现故障数据的生成、特征筛选与增强，后者完成故障类型的精准识别，通过数字虚体与物理实体的动态映射，解决实际故障数据不足的核心痛点。
（二）光伏系统机理模型构建
基于250kW光伏并网系统的实际物理参数，在Matlab/Simulink平台搭建机理模型，模拟四种典型运行状态：正常运行、串内短路、串内接地、串间连接故障。模型包含88个光伏串（通过汇流器并联）、三相全桥IGBT、升压变压器等关键组件，其中3个光伏串单独建模以方便故障实验，其余合并为4-88号光伏串。
为贴近实际工况，模型设置辐照度调节范围为100-1000 W/m²，温度调节范围为10-35℃，采集电流、电压、功率等电信号特征，每个样本时间跨度为0.4s，最终生成500个样本（正常100个、串内短路130个、串内接地130个、串间连接故障140个），解决了实际故障数据采集困难的问题。
（三）LS-SVM-RFECV特征筛选模块
机理模型生成的原始数据包含24个特征，部分特征缺乏显著性，可能干扰诊断结果。为此，设计基于最小二乘支持向量机（LS-SVM）的交叉递归特征消除（RFECV）方法，实现关键特征的自动筛选：
1. 递归特征消除：通过LS-SVM对特征重要性排序，递归移除最不重要特征，直至保留最优特征子集；
2. 交叉验证：将数据集划分为5个子集，交替使用训练集与测试集评估模型性能，确定最佳特征数量；
3. 核函数映射：通过核函数将输入特征映射至高维空间，提升分类精度，最终筛选出14个关键特征（如支路电流极值、总电流波动范围等），使交叉验证准确率达96.83%，在降低数据维度的同时保留核心信息。
（四）1DPCC-UNet DDPM深度生成模型
为解决机理数据与实际数据分布差异及样本不平衡问题，提出一维皮尔逊系数UNet扩散模型（1DPCC-UNet DDPM），实现数据增强与分布优化：
1. 网络结构改进：将传统UNet的二维卷积改为一维卷积，适配光伏电信号的一维特性；加入点积自注意力机制，增强对长程依赖特征的捕捉能力；
2. 训练终止机制：通过皮尔逊相关系数衡量生成样本与真实样本的分布一致性，当系数大于0.8（表明强相关性）时停止训练，确保生成数据的真实性；
3. 扩散过程优化：正向扩散逐步添加噪声至标准正态分布，反向扩散通过神经网络逐步去噪还原数据，最终生成600个平衡样本，使各类故障数据分布更贴近实际系统。
（五）AOSCN故障诊断网络
针对传统SCN隐藏层节点冗余导致的效率与精度问题，引入天鹰优化算法（AO）优化SCN参数，构建AOSCN诊断网络：
1. 参数优化：AO算法通过扩大搜索范围、轮廓飞行攻击、低飞慢降攻击、猎物处理四阶段策略，自适应寻找SCN的最优正则化参数（r∈[0.9,0.999999]）与比例因子（λ∈[0.5,250]），避免节点冗余；
2. 网络构建：以分类准确率为适应度函数，通过迭代优化确定最佳隐藏层节点数量，在保证精度的同时简化网络结构；
3. 诊断流程：将增强后的数据集输入AOSCN，通过单隐藏层前馈网络实现故障分类，兼顾小样本场景下的泛化能力与诊断效率。
三、实验验证与结果分析
（一）数据集构建
实验共生成4个数据集：
- 数据集A：500个原始样本，含24个特征；
- 数据集B：经LS-SVM-RFECV筛选后的500个样本，含14个特征；
- 数据集C：100个真实样本，匹配数据集B的14个特征；
- 数据集D：经1DPCC-UNet DDPM增强后的600个平衡样本，含14个特征。
（二）消融实验验证
1. 特征筛选效果：通过t-SNE可视化分析，特征筛选后的数据聚类效果显著提升，同类样本聚集度更高，证明LS-SVM-RFECV有效保留关键信息；
2. 数据增强效果：生成样本与真实样本的皮尔逊系数均大于0.8（正常0.811、短路0.807、接地0.826、串间故障0.809），折线趋势一致性高；数据平衡后诊断准确率提升11%，验证了1DPCC-UNet DDPM的有效性；
3. 整体方法验证：十轮消融实验显示，完整框架（1DPCC-UNet DDPM+LS-SVM-RFECV+AOSCN）的平均准确率达97.9%，显著高于仅使用AOSCN（49.1%）、AOSCN+1DPCC-UNet DDPM（74.1%）、AOSCN+LS-SVM-RFECV（87.4%）的对照组，证明各模块协同作用的必要性。
（三）对比实验结果
将AOSCN与7种主流算法对比：
- 传统方法：反向传播神经网络（BPNN 91.2%）、支持向量机（SVM 90.0%）、逻辑回归（LR 89.2%）；
- 深度学习方法：多尺度Transformer-CNN（MSTCNN-FDN 96.2%）、循环神经网络-全卷积网络（RNN-FCN 95.9%）、多输入卷积神经网络（MICNN 95.7%）；
- 原始SCN（95.6%）。
结果显示，AOSCN以97.9%的平均准确率位居首位，且均方根误差（RMSE）下降更快，训练效率更高，验证了其在小样本故障诊断中的优越性。
四、创新点总结
1. 深度生成数字孪生框架：首次将机理建模与深度生成模型结合，通过“机理数据生成-特征筛选-数据增强”的全流程孪生映射，解决光伏故障数据稀缺与分布偏差问题，实现虚拟数据与真实数据的动态适配。
2. LS-SVM-RFECV特征筛选方法：改进传统RFECV，采用LS-SVM替代SVM作为基分类器，简化二次规划问题求解复杂度，提升特征筛选效率与精度，使关键特征子集的交叉验证准确率达96.83%。
3. 1DPCC-UNet DDPM数据增强模型：针对光伏电信号的一维特性，改进UNet结构并引入皮尔逊系数终止机制，生成数据与真实数据的分布一致性达80%以上，有效平衡样本分布并增强数据多样性。
4. AOSCN诊断网络：通过天鹰优化算法解决SCN的节点冗余问题，自适应优化正则化参数与比例因子，在简化网络结构的同时提升诊断精度，较原始SCN准确率提升2.3%。
五、结论与展望
本文提出的深度生成数字孪生故障诊断方法，通过机理建模弥补数据不足，通过特征筛选与数据增强优化数据质量，通过智能诊断网络实现高精度分类，在250kW光伏系统中验证了97.9%的诊断准确率，为小样本场景下的光伏阵列故障诊断提供了有效解决方案。
未来研究可进一步拓展故障类型覆盖范围，优化数字孪生模型的实时性，探索多源数据融合（如红外图像与电气参数）的诊断策略，提升复杂工况下的适应性与鲁棒性。
科学技术的发展离不开科研仪器的进步。凯视迈（KathMatic）自2014年创建以来，一直“致力于高精尖光学测量技术”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器新力量。推出了KC系列多功能精密测量显微镜🔬、KS系列超景深3D数码显微镜🔬以及KV系列激光多普勒测振系统，取得了良好的市场成绩。详情欢迎留言咨询!
