光伏支架故障类型诊断模型的生成方法、装置及电子设备与流程

本申请主要涉及光伏，尤其涉及光伏支架故障类型诊断模型的生成方法、装置及电子设备。

背景技术：

1、光伏发电作为可再生清洁能源中最具成本效益的清洁能源之一，其发展速度不断加快。人们利用光伏组件将太阳能转化为电能，再利用逆变器以及储能一步步转化为生活用电，但光伏系统结构复杂，组件众多，容易受到各种因素的影响，导致发电效率下降甚至会发生失火等严重故障。传统基于模型的故障检测方法计算量大且效率较低，无法有效检测光伏系统是否存在故障以及故障的具体类型，使得工作人员无法及时的发现故障，导致电站的发电效益下降。

技术实现思路

1、本申请的目的在于提供一种光伏支架故障类型诊断模型的方法、装置及电子设备，解决现有光伏故障检测方法无法有效检测故障类型的问题。

2、第一方面，本申请提供了一种光伏支架故障类型诊断模型的生成方法，所述方法包括：

3、采用卷积层对目标数据进行特征提取，得到空间特征图，其中，所述目标数据是对光伏模型生成的数据集及监测的光伏电站数据进行预处理后的数据；

4、在所述空间特征图上引入自注意力机制，计算所述空间特征图中每个时间步的权重，得到加权特征图；

5、采用变分自编码器对所述空间特征图和所述加权特征图进行处理，得到低维隐变量；

6、将所述低维隐变量输入双向门控循环单元，输出所述目标数据的时序特征，并将所述时序特征输入全连接层和softmax层，得到光伏支架故障类型诊断模型。

7、采用变分自编码器结合卷积层以及自注意力机制和双向门控制循环单元进行故障诊断，能够更全面地提取光伏系统的输出特征，诊断出光伏系统的具体故障类型，提高故障诊断的准确性。

8、可选地，在所述采用卷积神经网络对目标数据进行特征提取，得到空间特征图之前，还包括：构建所述光伏模型，模拟光伏阵列在不同光照和温度条件下的故障情况，得到数据集，其中，所述数据集包括：输出电流、输出电压、输出功率、太阳辐照度以及温度；对所述数据集和监测的所述光伏电站数据进行去噪及归一化处理以完成所述预处理，从而得到所述目标数据。

9、可选地，所述采用卷积层对目标数据进行特征提取，得到空间特征图，包括：采用所述卷积层将所述目标数据与一组卷积核进行卷积操作，再进行池化操作，得到所述空间特征图，其中，所述卷积层的公式如下：

10、hl＝relu(conv(hl-1,wl,bl))

11、其中，relu是relu(rectified linear unit，修正线性单元)激活函数，conv是卷积层，hl表示第l层的输出特征图，wl和bl分别为第l层卷积核的权重和偏置。

12、可选地，所述卷积层为conv1d层，所述conv1d层的卷积公式为：

13、

14、其中，x(t)是输入的所述目标数据的序列数据，t+i-1表示卷积核滑动到t时刻位置时，与卷积核的第i个元素对应的输入序列数据的值，w(i)是卷积核，k是卷积核的大小，bl是第l层卷积核的偏置。

15、可选地，所述在所述空间特征图上引入自注意力机制，计算所述空间特征图中每个时间步的权重，得到加权特征图包括：在所述空间特征图上引入所述自注意力机制，通过计算各个输入特征的查询向量、键向量和值向量之间的加权和，得到所述各个输入特征的注意力权重；基于所述各个输入特征的注意力权重，得到所述加权特征图。

16、可选地，所述自注意力机制的公式为：

17、

18、其中，q＝wqx是查询向量，wq是查询的权重矩阵，x是所述输入特征，k＝wkx是键向量，wk是键的权重矩阵，v＝wvx是值向量，wv是值的权重矩阵，dk是键向量的维度，softmax是归一化指数函数，用于计算每个位置的注意力权重。

19、可选地，所述加权特征图的计算公式为：

20、

21、其中，αi是第i个元素的注意力权重，vi是第i个元素的值向量，attention(x)表示对每个所述输入特征的注意力权重加权求和。

22、可选地，所述采用变分自编码器对所述空间特征图和所述加权特征图进行处理，得到低维隐变量包括：通过所述变分自编码器的编码器，将所述空间特征图和所述加权特征图映射到低维空间，生成隐变量；将所述隐变量通过梯度下降训练模型和所述自编码器的解码器进行处理，得到所述低维隐变量。

23、可选地，所述变分自编码器的编码过程为：

24、μ，log(σ2)＝fφ(xconv1d+attention)

25、z＝μ+σ·∈

26、其中，μ表示均值参数，σ表示方差参数，σ的范围在自然数0到1之间，z为在潜在空间中采样得到的隐变量，∈为从标准正态分布n(0,1)中随机采样的噪声。

27、第二方面，本申请提供了一种光伏支架故障类型诊断方法，所述方法包括：

28、获取待诊断数据，其中，所述待诊断数据是对获取的光伏电站数据进行预处理后的数据，所述预处理为去噪及归一化处理；

29、将所述待诊断数据输入至所述光伏支架故障类型诊断模型中，得到所述待诊断数据对应的光伏支架故障类型。

30、第三方面，本申请提供了一种光伏支架故障类型诊断装置，应用于第二方面所述光伏支架故障类型诊断方法，所述装置包括：

31、获取模块，用于获取待诊断数据，其中，所述待诊断数据是对获取的光伏电站数据进行预处理后的数据，所述预处理为去噪及归一化处理；

32、诊断模块，用于将所述待诊断数据输入至所述光伏支架故障类型诊断模型中，得到所述待诊断数据对应的光伏支架故障类型。

33、第四方面，本申请提供了一种光伏支架控制系统，包括：上位机，所述上位机配置为执行通过第一方面任一项所述光伏支架故障类型诊断模型的生成方法生成的光伏支架故障类型诊断模型。

34、第五方面，本申请提供了一种电子设备，所述电子设备包括：

35、存储器，用于存放计算机程序；

36、处理器，用于执行所述存储器上所存放的计算机程序时，实现上述第一方面或第二方面所提供的方法步骤。

37、第六方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二方面所提供的方法步骤。

38、上述第二方面至第六方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果，这里不再重复赘述。

1.一种光伏支架故障类型诊断模型的生成方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，在所述采用卷积神经网络对目标数据进行特征提取，得到空间特征图之前，还包括：

3.如权利要求1所述的方法，其特征在于，所述采用卷积层对目标数据进行特征提取，得到空间特征图，包括：

4.如权利要求1所述的方法，其特征在于，所述卷积层为conv1d层，所述conv1d层的卷积公式为：

5.如权利要求1所述的方法，其特征在于，所述在所述空间特征图上引入自注意力机制，计算所述空间特征图中每个时间步的权重，得到加权特征图包括：

6.如权利要求5所述的方法，其特征在于，所述自注意力机制的公式为：

7.如权利要求6所述的方法，其特征在于，所述加权特征图的计算公式为：

8.如权利要求1所述的方法，其特征在于，所述采用变分自编码器对所述空间特征图和所述加权特征图进行处理，得到低维隐变量包括：

9.如权利要求1所述的方法，其特征在于，所述变分自编码器的编码过程为：

10.一种光伏支架故障类型诊断方法，其特征在于，应用于权利要求1-9任一项所述的光伏支架故障类型诊断模型的生成方法，所述方法包括：

11.一种光伏支架故障类型诊断装置，其特征在于，应用于权利要求10所述光伏支架故障类型诊断方法，所述装置包括：

12.一种光伏支架控制系统，其特征在于，包括：上位机，所述上位机配置为执行通过权利要求1-9任一项所述光伏支架故障类型诊断模型的生成方法生成的光伏支架故障类型诊断模型。

13.一种电子设备，其特征在于，包括：

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-9任一项所述光伏支架故障类型诊断模型的生产方法或实现权利要求10所述光伏支架故障类型诊断方法。