基于大数据的太阳能光伏电池监管系统设计——从感知、建模到闭环优化

张忠山^1，2 傅小龙¹ 陈梦月¹

1 江西工程学院智能制造与建造学院，江西新余，338000；

2 韩国中部大学研究生院，韩国高阳，071500；

摘要：大规模光伏电站的精细化监管是“双碳”战略落地的核心环节。本文提出一套“端-边-云-智”四位一体、基于大数据的太阳能光伏电池监管系统（Big-Data-drivenPV-MCS）。首先，构建“组件-组串-方阵-电站”多尺度状态感知框架，设计高频同步数据采集终端（HF-SensorNode），实现0.5s级电压、电流、温度、辐照及背面温度场五维数据获取；其次，在边缘侧提出轻量化特征提取算法L-FED（Lightweight Feature Extraction & Drift-compensation），解决户外环境漂移与通信带宽受限难题；再次，在云端建立“物理模型+数据模型”双驱动的故障诊断与发电量预测引擎，物理模型采用改进五参数I-V模型，数据模型采用基于AutoEncoder-BiLSTM的混合神经网络，实现单组件级故障97.4%诊断准确率与24h发电量预测MAPE为2.1%；最后，在应用层构建闭环运维决策模块，融合粒子群-遗传混合算法（PSO-GA）对清洗、检修、MPPT参数进行滚动优化。基于宁夏某地50MW实证基地8个月运行数据，系统年均提升发电量4.7%，降低运维成本28%。实验结果表明，PV-MCS可为新一代光伏电站提供高可靠、低成本、可复制的数字化监管范式。

关键词：光伏电池；大数据；边缘计算；故障诊断；发电量预测；闭环优化

参考文献

[1]蔡源,吴浩,唐丹.光伏发电功率预测方法综述[J].四川电力技术,2024,47(02):25-31.

[2]董存,王铮,白捷予,等.光伏发电功率超短期预测方法综述[J].高电压技术,2023,49(07):2938-2951.

[3]赵红伟,王赞,李世超,等.光伏发电预测方法综述[J].电气应用,2025,44(07):75-81.

[4]马纪梅,张志耀,张启然.基于改进RBF神经网络的光伏组件故障诊断[J].电测与仪表,2021,58(02):118-124.