Liu 太陽能故障診斷模型可處理缺失數據，但仍須實地驗證
由 Di Liu 領導的研究團隊表示，其太陽能故障診斷模型即使光伏感測器數據存在缺口，準確率仍達 98.73%。這項結果相當重要，因為缺失的量測數據可能掩蓋監測軟件原本應偵測到的電氣問題。
Liu 太陽能故障診斷模型並非僅就剩餘數據作分類。它會先重建缺失的電流量測值，然後分析短期模式及較長序列，以識別設備狀況。
這種設計挑戰了太陽能分析領域常見的分工。一個系統可能修補不完整的紀錄，另一個則在紀錄清理後偵測故障。Liu、Xiaojuan Zhu 及 Changyu Du 在同一個實驗流程中結合了這兩項工作。
報告中的數字相當令人鼓舞，尤其是涉及多於一種故障的複合故障。然而，這些結果來自受控模擬平台，而非由各類正在運作的太陽能電站組成的龐大機組群。核心問題是：當天氣、硬件及感測器配置出現變化時，模型能否維持其優勢。
Liu 太陽能故障診斷模型先重建數據，再分類故障
關鍵改變在於，模型將缺失數據視為故障診斷的一部分，而非獨立的資料整理問題。
光伏監測系統會收集電流、電壓、功率、溫度及輻照度讀數。這些量測數據協助營運商區分設備問題與日照或溫度的正常變化。
紀錄甚少完全無誤。通訊中斷、感測器故障、校準錯誤、接線鬆脫及不穩定的輻照度，都可能造成數據缺口或讀數失真。以乾淨數據訓練的診斷模型，當這些情況出現時可靠性可能下降。
研究人員以其 故障診斷論文 所述的多階段架構處理這項弱點。該架構名稱結合四個組件：Tucker 分解、麻雀搜尋演算法、Informer 及 MSCNet。
Tucker 分解是一種張量分解技術，可壓縮多維數據，同時保留各維度之間的關係。在此，它會於分類開始前重建缺失的電流量測值。
這一步相當重要，因為數據缺口未必是隨機發生。感測器失效、連線中斷或組件受損，可能剛好在營運商最需要檢查的期間令量測數據消失。
模型其後採用 Informer，這是一種專為長時間序列設計的神經網絡架構。它可尋找更廣泛的時間關係，毋須像傳統 Transformer 一樣，以相同的運算成本處理每一項關係。
MSCNet 提供多尺度特徵提取。實際而言，它會尋找在不同時間窗口或訊號模式中出現的故障特徵。
最後，麻雀搜尋演算法用於調校模型參數。這是一種受麻雀群體搜尋行為啟發的最佳化方法，但其價值取決於可量度的調校結果，而非生物學比喻。
研究人員測試了四類單一故障：開路、短路、老化及局部遮蔭。他們亦建立了四類複合故障，結合開路、短路、老化或部分遮蔭情況。
測試平台使用真實光伏模組、電阻箱、電錶、溫度感測器及輻照度計。量測數據每 15 分鐘收集一次。
所得數據集涵蓋五項量測變數，共有 4,320 筆紀錄。環境溫度介乎 25.47 至 34.69 攝氏度，輻照度則介乎每平方米 527.25 至 765.14 瓦。
這些細節界定了結果的適用範圍。這並非對數以千計、彼此無關的屋頂系統或公用事業規模場址進行回顧性分析，而是一個為模擬特定環境狀態及設備故障而建立的受控數據集。
在該環境下，這個流程據報針對單一故障達到 98.73% 準確率，針對複合故障則為 97.46%。在含有 30 分貝雜訊的複合故障測試中，準確率達 96.12%。
這些百分比描述的是模型在研究人員數據集中的分類表現，尚未證實其可在不同逆變器品牌、模組技術、氣候或監測系統中達到相同性能。
不過，這項實驗展示了一項有用的技術主張：訊號修復與設備診斷可以設計為一個協調一致的流程。
缺失量測數據造成營運盲點
太陽能營運商最需要可靠數據時，往往正值設備行為變得異常；然而，異常情況也常會令數據質素下降。
傳統監測系統會根據日照、溫度及系統特性，將實際發電量與預期輸出作比較。持續的數據缺口可能令這種比較無法進行，或產生誤導性結果。
當同一症狀可能由多種原因造成時，問題會更複雜。電流下降可能反映遮蔭、污垢、老化、開路或感測器故障。缺失量測數據會減少可用於區分這些解釋的證據。
研究人員列出了七個廣泛的數據流失來源，包括設備故障、觸發不同步、輻照度變化、溫度漂移、組件缺陷、傳輸錯誤及操作失誤。
其中多項原因可以同時出現。一場風暴可能損壞連線，同時中斷通訊。高溫可能影響設備輸出，以及用於解釋該輸出的量測數據質素。
這種重疊令複合故障診斷尤其重要。營運商未必總能收到一項清晰孤立的故障及完整紀錄。
研究人員模擬了複合情況，例如串列開路與模組短路同時發生。其他組合則將老化與短路或開路行為結合。
這些類別嘗試反映實際的故障惡化路徑。未能解決的小故障可與後續損害並存，形成不再像任何一種孤立狀況的訊號。
業界指引支持可靠監測的必要性。美國能源部表示，太陽能監測系統應長期追蹤發電量，並保留資料供效能分析之用。
其 PV 維護指引 亦建議校準儀表及感測器。校準有助營運商判斷發電變化是來自陣列，還是量測系統。
這項區分是本研究的核心。模型可以推斷缺失量測數據，但不應令營運商忽略失效硬件。插補是分析輔助工具，並非取代修理感測器或不安全連線的方法。
營運價值在於排序優先次序。若模型能在數據不完整時維持有用的分類，團隊便可在每一個缺失值均以人手補回前，先調查最可能的故障。
公用事業規模場址尤其提供清晰的應用場景。營運商可從遙控中心監測大量逆變器、串列及環境感測器。即使缺失讀數的比例很小，也可能形成龐大的不確定警報隊列。
住宅及商業機組群面對不同限制。它們每個場址通常配備較少感測器，因此每一項遺失量測數據都會移除較大比例的可用背景資訊。
自動化系統必須避免兩種代價高昂的錯誤：既不應漏掉正在發展的電氣故障，也不應因正常的天氣驅動變化而派遣技術人員。
美國能源部曾資助利用持續發電數據，區分維護事件與毋須到場處理波動的項目。該 自動化診斷工作 顯示，除原始分類準確率外，誤報同樣重要。
Liu 太陽能故障診斷模型處理了這一決策鏈的其中一環。它嘗試恢復足夠訊號，讓分類器可區分正常運作與多種單一及複合故障。
其報告表現顯示，不完整遙測數據未必必然阻止自動化診斷。餘下問題是，重建數據能否保留在實驗設置以外真正重要的差異。
數據重建才是模型真正的技術押注
模型的主要貢獻並非另一個高準確率分數，而是一條在結構化數據重建後作出診斷決策的流程。
研究測試了隨機缺口及連續缺口。這項區分很重要，因為孤立的缺失點通常較長時間通訊中斷更容易估算。
針對隨機流失，研究人員將缺失數據比例由 5% 提升至 50%。他們把 Tucker 分解與 k-近鄰、支援向量機及低秩矩陣填補作比較。
在 50% 隨機缺失率下，其方法錄得 3.51% 相對平方誤差。報告中的誤差低於全部三種比較方法。
連續流失帶來更艱鉅的問題。實驗移除代表電流數據 5% 至 30% 的連續區塊。
在 30% 連續缺失比例下，所提出的重建方法產生 5.27% 相對平方誤差。k-近鄰達 9.93%，低秩矩陣填補達 10.28%，支援向量方法則達 7.98%。
相對平方誤差會將重建誤差與原始數據的變異作比較。數值較低表示填補後的序列與為測試而保留的已知量測數據更為吻合。
下游測試提供了更具關鍵性的結果。使用所提出的補全方法後，完整模型針對單一故障的分類準確率為 98.73%、精確率為 98.94%，召回率為 98.61%。
論文報告 Informer 單獨使用時的準確率為 95.68%。因此，組合模型在此數據集中將準確率提高了 3.05 個百分點。
這項差異支持研究人員提出的機制。較佳的重建看來有助分類器，而多尺度特徵提取則提升其區分故障模式的能力。
比較並未同等地分離每一個組件的效果。最終系統同時改變了插補方法、神經網絡架構、特徵提取及參數調校程序。
消融分析移除或改變了部分組件。作者報告指，MSCNet 改善了單一及複合故障的辨識能力，包括為開路類別帶來顯著提升。
然而，營運商不應將這個架構理解為四項彼此獨立的保證。每個組件均取決於數據集、訓練流程、最佳化設定及提供予模型的標籤。
另一項於 2026 年發表、探討 PV 數據插補 的研究說明了這種依賴性。該研究比較了線性迴歸、k-近鄰及神經網絡在模擬及住宅數據上的表現。
該研究發現，效能會隨變數、缺失區間及可用歷史資料而改變。其神經網絡表現出不穩定性，而較簡單的方法在多個情境下仍具競爭力。
這項比較強調了一個更廣泛的觀點：沒有任何補值方法會自動成為所有太陽能裝置或各類資料缺口的最佳選擇。
Tucker 分解受惠於多個維度之間的結構。它會尋找時間、量測數據及運作條件之間的關係，以支援資料重建。
然而，當部署環境與訓練環境有顯著差異時，這項優勢也可能成為弱點。模型或會以統計上看似合理的模式填補缺口，卻掩蓋了新的故障。
設想在異常天氣期間出現受損感測器電纜的情況。重建後的電流數據可能看似正常，因為模型未曾見過導致停機的那種組合。
分類器隨後會接收一段外觀完整、但真實性低於原始不完整紀錄的序列。這項風險令不確定性估計及缺失資料標記，成為營運部署不可或缺的元素。
研究聚焦於完成補值後的數據及分類準確率。它並未說明控制室應如何顯示信心程度、升級處理含糊個案，或保留量測值與推斷值之間的區別。
這項區別應保持清晰可見。操作人員需要知道，診斷是基於直接遙測數據，還是高度依賴重建結果。
高準確率不等於已具備現場應用條件
報告中的結果證明其在實驗中的優勢，但未能證明其能在商業太陽能機組中可靠部署。
第一個限制是資料集規模。4,320 個樣本足以支援聚焦的實驗，但無法涵蓋所有模組、逆變器、氣候、安裝幾何及感測器配置的組合。
第二個限制是環境範圍。所記錄的溫度及輻照度數值，僅涵蓋中國北方一個模擬平台中相對狹窄的運作範圍。
沙漠陣列所面對的高溫、塵埃及輻照度模式，與積雪屋頂截然不同。沿海裝置還要應對濕度及腐蝕，而熱帶系統則面對不同的雲層及水分變化。
國際能源署的光伏計劃強調按氣候制定維護措施，因為高溫、濕度、紫外線、雨、風、洪水、氣旋及積雪會造成不同壓力。
其氣候維護指引涵蓋七個氣候類別。這個廣度顯示，通用診斷模型最終必須應對的挑戰。
第三個限制涉及故障建立方式。研究人員透過改變電阻模擬老化、控制輻照度模擬遮蔭，以及使用可配置電氣結構模擬電路故障。
這些選擇提供了受控標籤，而這類標籤難以從運作中的電站取得。然而，實驗室中的呈現方式未必能捕捉自然發展損壞逐漸或不規則的特徵。
真實的老化很少只改變一項變數。腐蝕、分層、積污、連接器磨損、電池片裂紋及逆變器行為，可在數月或數年間相互影響。
第四個限制是標籤平衡。受控測試可為每種狀況收集相近數量的樣本，但實際運作中的電站會產生大量健康讀數，以及相對較少已確認故障。
在平衡故障類別上取得高分的模型，當實際警報流主要由正常運作構成時，表現可能截然不同。即使假陽性率很低，也可能產生大量不必要的調查。
第五個限制涉及資料重建本身。模型的測試方式，是從原始值仍可供比較的資料集中移除數值。
在實際部署中，操作人員無從得知缺失的數值。他們亦未必知道資料是隨機消失，還是設備進入未見過的故障狀態所致。
第六個限制是外部驗證。論文在相同實驗設定下，將其流程與 CNN、支援向量機、時序卷積網絡、Transformer 及 Informer 方法比較。
這對受控比較很有用，但不能取代獨立團隊在無關資料集上的測試。
論文表示，作者將在不作不當保留的情況下提供原始資料。若能更廣泛提供資料集、程式碼、預處理步驟及確切資料切分，將有助研究人員重現結果。
可重現性很重要，因為該流程包含多個可調校階段。資料補全、序列建模、多尺度特徵提取及全域最佳化，每一項都涉及實作選擇。
第七項問題是運算資源及延遲。論文主張最佳化過程可加快收斂，但未提供完整的商業部署研究。
營運商需要量度訓練成本、推論時間、記憶體需求、警報延遲及重新訓練頻率。這些因素決定設計應部署於逆變器、邊緣閘道器還是雲端平台。
安全因素亦限制自動化程度。分類結果可引導檢查，但不應在沒有適當工程控制的情況下，授權遙距切換或重啟設備。
因此，Liu 太陽能故障診斷模型應被視為決策支援候選方案。它不能取代電氣測試、熱成像、現場檢查或既有保護系統。
太陽能 AI 正由偵測走向預測性維護
更大的產業轉變，正在整合監測、診斷及維護規劃，但可信賴的數據仍是基礎。
早期的太陽能分析通常聚焦於偵測效能不足。系統會比較實際發電量與預期發電量，並在差距超過門檻時發出警報。
較近期的研究則嘗試定位成因。模型會區分遮蔭、電路故障、劣化、逆變器問題或感測器問題，而非只報告一種泛泛的損失。
下一步是預測性維護。營運商不再等待輸出下降，而是希望系統能辨識早期特徵，並在故障擴大前建議檢查。
缺失資料處理正好符合這種演進。預測系統不能依賴完全無缺的歷史資料，因為通訊及感測器本身也是受監測基礎設施的一部分。
IEA 光伏計劃將數碼化描述為邁向預測性維護、自動故障診斷及數碼孿生的途徑。數碼孿生是由實體電站運作數據持續更新的軟件模型。
其 2026 年數碼孿生報告亦指出，機器學習可減少誤報並改善維護排程。
Liu 模型屬於這個更廣泛的趨勢，儘管它只涵蓋完整營運系統的一部分。它會重建特定感測器資料，並分配故障標籤。
生產環境的平台還需要資產紀錄、天氣預報、維護歷史、警報日誌、保養條款及技術人員回饋。這些輸入提供的背景，是短時間的電氣序列單獨無法提供的。
因此，競爭不限於一種神經網絡架構對另一種架構。更重要的競爭，在於狹義最佳化的分類器與可維持可審核性的整合維護系統之間。
狹義模型可在基準測試中表現更佳。整合系統有時即使準確率較低，亦可帶來更大價值，因為它能解釋不確定性並配合既有工作流程。
當重建資料有助於診斷時，可解釋性便變得重要。技術人員需要知道，是哪些量測值、時間窗口及推斷值促成警報。
目前論文解釋了架構並比較效能指標，但未有為每項營運決策提供完整、面向使用者的解釋層。
資料標準造成另一重障礙。不同製造商會採用不同名稱、取樣率、單位、狀態碼及通訊協定。
IEA 曾呼籲進一步標準化逆變器及資料記錄器的錯誤碼。沒有這種一致性，每次部署都需要額外的映射及驗證。
機組多樣性亦改變學習問題。公用事業公司可能營運由多個開發商興建的場址，所用硬件安裝於不同年份，監測平台亦由不同承辦商配置。
在單一場址訓練的模型，可能學到場址特定關係，而非通用的故障特徵。遷移學習及領域適應或可提供幫助，但同樣需要審慎驗證。
業界很可能採用分層方法。簡單規則可捕捉明顯停機，統計方法可識別偏差，而機器學習則可分類較複雜的模式。
對於不確定或涉及安全關鍵的個案，人手審核仍然必要。自動化的目的應是改善優先次序，而非以單一準確率數字掩蓋模糊性。
這正是缺失資料研究的持久價值所在。它迫使研究人員為操作人員早已面對的不完美資訊條件建立模型。
三項測試將顯示結果能否走出實驗室
現場多樣性、獨立重現及營運錯誤率，將決定這項研究能否成為實用的太陽能維護工具。
第一個訊號是外部現場資料集驗證。模型應在不同模組技術、逆變器供應商、氣候及電站規模下接受測試，而不應圍繞單一平台重新設計實驗。
強勁的結果應能在有限的場址特定校準後，保留有用的效能。若效能大幅下降，便顯示目前的準確率高度依賴本地運作模式。
最具啟示性的測試，應包括自然發生的資料缺口。這些缺口應來自真實感測器故障、通訊中斷、維護事件及環境干擾。
研究人員應按缺失模式報告效能，而不只提供平均數。隨機且孤立的缺口、長達數小時的中斷及反覆出現的感測器斷流，會造成不同的重建問題。
第二個訊號是獨立重現。另一個團隊應能取得資料、實作流程、重複訓練過程，並得出可比較的結果。
重現測試應涵蓋確切的資料切分，以及更嚴格的按場址分隔切分。隨機切分可能會將關係密切的運作時段，同時放入訓練集及測試集。
按場址或按時間分隔的評估，更能衡量系統能否在新條件下識別故障。它亦可減少時間相似性推高報告效能的機會。
第三個訊號是營運錯誤成本。未來研究應在真實類別不平衡下，報告誤報、漏報故障、信心校準及診斷延遲。
僅憑整體準確率，無法顯示操作人員會否信任系統。模型即使取得亮眼分數，仍可能漏掉罕見的危險故障，或以低價值警報淹沒團隊。
研究人員亦應指出，當補值數據主導決策窗口時，效能會如何改變。主要基於推斷數據的警報，應與基於完整量測數據的警報具備不同信心程度。
Liu 太陽能故障診斷模型提供了一個可信的研究方向，因為它將資料修復與故障分類連結起來。它亦在多種缺失資料及噪音條件下，報告了清晰的比較結果。
其最強的成果並非太陽能故障現已獲解決，而是當感測器序列中有相當部分資料被移除時，一個整合式模型仍能維持較高的實驗準確度。
下一階段必須以營運上的不確定性取代受控的資料缺失。這意味著要面對陌生場址、自然發生的故障、規格不一的硬件、季節性變化，以及獨立評估者。
評估同類系統的太陽能營運商應提出五個實際問題：哪些數值屬實測資料、哪些屬推斷資料、置信度如何計算、模型在哪些場址接受訓練，以及發出警報後會如何處理？
這些問題能將研究分數轉化為營運評估，也能避免團隊將重建後的遙測數據視為毋庸置疑的事實。
應留意外部數據集、可重現的程式碼，以及披露誤報率和漏報故障率的實地測試。若這些結果經得起驗證，缺失資料或可成為可管理的不確定性，而非診斷工作的死胡同。
