光伏长尾故障识别方法、装置、电子设备和存储介质与流程

本公开涉及光伏发电，尤其涉及一种光伏长尾故障识别方法、装置、电子设备和存储介质。

背景技术：

1、光伏电站作为新能源发电的核心基础设施，其安全稳定运行直接关系到电网供电可靠性与经济效益。随着光伏装机容量持续增长，基于监控系统的智能运维技术已成为保障电站高效运行的关键手段。相关技术中，通过数据采集、特征提取与故障分类模型的协同作业，构建了覆盖组串、汇流箱、逆变器及箱变等关键设备的在线监测体系。

2、现有光伏故障诊断方法直接采用全量监控数据训练分类模型，未针对正常样本与高风险故障样本间的极度类别不均衡及长尾分布特性进行有效处理，导致少数类故障特征被多数类样本淹没，影响模型对组件热斑、组串失配及逆变器温升异常等稀有故障的识别能力，诊断结果难以有效支撑巡检安排与检修决策。

技术实现思路

1、本公开提供了一种光伏长尾故障识别方法、装置、电子设备和存储介质。

2、根据本公开的第一方面，提供了一种光伏长尾故障识别方法，其中，包括：

3、获取光伏电站的监控数据，对所述监控数据进行非监督清洗以剔除异常噪声样本，并对清洗后的数据进行特征筛选，得到模型输入特征集；

4、根据当前运行工况信息，对所述模型输入特征集中的原始样本执行自适应增强处理，生成增强样本；

5、通过动态残差编码器对所述增强样本进行特征提取，得到故障判别特征；

6、基于所述故障判别特征进行分类识别，输出故障类别及对应的类别概率，并对所述类别概率进行可靠性校正，生成故障识别结果。

7、可选的，所述对所述监控数据进行非监督清洗以剔除异常噪声样本包括：

8、采用基于密度的含噪空间聚类算法对所述监控数据进行聚类处理，将密度相连的数据样本聚类为同一簇，将无法归入任何簇的孤立样本判定为异常噪声样本并予以剔除；其中，所述异常噪声样本包括通信中断导致的空值样本、夜间无效发电样本、传感器突变样本、辐照度异常跳变样本、逆变器离线样本和非故障限电样本。

9、可选的，所述对清洗后的数据进行特征筛选包括：

10、计算每个候选特征与故障类别之间的相关性度量值，以及任意两个候选特征之间的冗余程度度量值；

11、根据所述相关性度量值和所述冗余程度度量值计算每个候选特征的特征相关商，按照所述特征相关商从高到低依次选取特征，形成所述模型输入特征集。

12、可选的，所述根据当前运行工况信息对原始样本执行自适应增强处理包括：

13、获取光伏电站的辐照度波动幅度和功率波动幅度，据此计算工况波动程度并映射为增强强度系数；

14、基于所述增强强度系数对所述原始样本注入与当前工况波动程度相匹配的扰动，同时保持光伏运行数据的基本物理关系。

15、可选的，所述保持光伏运行数据的基本物理关系包括：

16、保持辐照度与可利用功率之间的正相关关系、组件温度与输出效率之间的负相关关系、同一汇流箱下相邻组串电流之间的一致性关系、以及逆变器输入功率与输出功率之间的能量转换关系。

17、可选的，所述动态残差编码器根据输入样本的特征自适应调整卷积响应包括：

18、将所述增强样本经初始卷积映射生成输入特征图，再分别经过全局平均池化和全局标准差池化生成两个池化描述向量；

19、将所述两个池化描述向量拼接后通过全连接层生成动态卷积核权重向量，对预设的静态卷积核进行加权组合，生成与当前输入样本特征匹配的动态卷积核；

20、将所述动态卷积核与所述输入特征图执行卷积运算，并通过残差连接结构进行恒等映射叠加，经多层逐层特征变换提取故障判别特征。

21、可选的，所述基于所述故障判别特征进行分类识别包括：

22、采用动态困难样本挖掘策略，根据训练样本的特征表示与各类别中心的距离关系确定困难样本，对所述困难样本施加更强的特征一致性约束；

23、构建带角度余量的分类损失项和基于增强样本与原始样本之间特征一致性约束的对比学习损失项，设置可学习系数对两者进行加权求和，在训练过程中自动更新所述可学习系数以实现损失动态平衡。

24、可选的，所述对所述类别概率进行可靠性校正包括：

25、将模型输出的类别概率划分为多个概率区间，计算每个区间内预测概率平均值与实际故障发生频率之间的差异，得到期望校准误差值；

26、当所述期望校准误差值超过预设阈值时，采用温度定标算法对所述类别概率进行校正；

27、根据校正后的类别概率，结合设备重要程度、历史告警记录和发电损失影响程度，生成运维优先级建议。

28、根据本公开的第二方面，提供了一种光伏长尾故障识别装置，包括：

29、获取单元，用于获取光伏电站的监控数据，对所述监控数据进行非监督清洗以剔除异常噪声样本，并对清洗后的数据进行特征筛选，得到模型输入特征集；

30、增强单元，用于根据当前运行工况信息，对所述模型输入特征集中的原始样本执行自适应增强处理，生成增强样本；

31、提取单元，用于通过动态残差编码器对所述增强样本进行特征提取，得到故障判别特征；

32、识别单元，用于基于所述故障判别特征进行分类识别，输出故障类别及对应的类别概率，并对所述类别概率进行可靠性校正，生成故障识别结果。

33、可选的，所述获取单元还用于：

34、采用基于密度的含噪空间聚类算法对所述监控数据进行聚类处理，将密度相连的数据样本聚类为同一簇，将无法归入任何簇的孤立样本判定为异常噪声样本并予以剔除；其中，所述异常噪声样本包括通信中断导致的空值样本、夜间无效发电样本、传感器突变样本、辐照度异常跳变样本、逆变器离线样本和非故障限电样本。

35、可选的，所述获取单元还用于：

36、计算每个候选特征与故障类别之间的相关性度量值，以及任意两个候选特征之间的冗余程度度量值；

37、根据所述相关性度量值和所述冗余程度度量值计算每个候选特征的特征相关商，按照所述特征相关商从高到低依次选取特征，形成所述模型输入特征集。

38、可选的，所述增强单元还用于：

39、获取光伏电站的辐照度波动幅度和功率波动幅度，据此计算工况波动程度并映射为增强强度系数；

40、基于所述增强强度系数对所述原始样本注入与当前工况波动程度相匹配的扰动，同时保持光伏运行数据的基本物理关系。

41、可选的，所述增强单元还用于：

42、保持辐照度与可利用功率之间的正相关关系、组件温度与输出效率之间的负相关关系、同一汇流箱下相邻组串电流之间的一致性关系、以及逆变器输入功率与输出功率之间的能量转换关系。

43、可选的，所述提取单元还用于：

44、将所述增强样本经初始卷积映射生成输入特征图，再分别经过全局平均池化和全局标准差池化生成两个池化描述向量；

45、将所述两个池化描述向量拼接后通过全连接层生成动态卷积核权重向量，对预设的静态卷积核进行加权组合，生成与当前输入样本特征匹配的动态卷积核；

46、将所述动态卷积核与所述输入特征图执行卷积运算，并通过残差连接结构进行恒等映射叠加，经多层逐层特征变换提取故障判别特征。

47、可选的，所述识别单元还用于：

48、采用动态困难样本挖掘策略，根据训练样本的特征表示与各类别中心的距离关系确定困难样本，对所述困难样本施加更强的特征一致性约束；

49、构建带角度余量的分类损失项和基于增强样本与原始样本之间特征一致性约束的对比学习损失项，设置可学习系数对两者进行加权求和，在训练过程中自动更新所述可学习系数以实现损失动态平衡。

50、可选的，所述识别单元还用于：

51、将模型输出的类别概率划分为多个概率区间，计算每个区间内预测概率平均值与实际故障发生频率之间的差异，得到期望校准误差值；

52、当所述期望校准误差值超过预设阈值时，采用温度定标算法对所述类别概率进行校正；

53、根据校正后的类别概率，结合设备重要程度、历史告警记录和发电损失影响程度，生成运维优先级建议。

54、根据本公开的第三方面，提供了一种电子设备，包括：

55、至少一个处理器；以及

56、与所述至少一个处理器通信连接的存储器；其中，

57、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。

58、根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。

59、根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。

60、本公开提供的光伏长尾故障识别方法、装置、电子设备和存储介质，先对监控数据进行非监督清洗以剔除异常噪声样本，并进行特征筛选，能够有效去除干扰和冗余信息，保证模型输入质量；同时根据当前运行工况对原始样本进行自适应增强，能够针对长尾分布中稀有的故障样本进行针对性扩充，避免少数类故障特征被正常样本淹没；进一步利用动态残差编码器提取深层故障判别特征，并对分类概率进行可靠性校正，使诊断结果更加稳健可信。因此，可以解决现有光伏故障诊断方法因类别极度不均衡及长尾分布特性导致少数类故障特征被淹没、稀有故障识别能力不足、诊断结果难以有效支撑巡检安排与检修决策的技术问题，达到显著提升组件热斑、组串失配、逆变器温升异常等稀有故障识别准确率与可靠性，为光伏电站精准运维和检修决策提供有效支撑的技术效果。

61、应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。