本发明涉及故障诊断技术领域，具体涉及一种基于复合信息的光伏阵列故障诊断方法。
背景技术：
随着煤炭，石油和天然气等化石燃料的急剧增加，不可再生资源的总有一天会耗尽，而且，化石燃料的燃烧会产生大量的有害气体，对人类生存环境有很大的危害。因此太阳能作为一种可再生资源，因其取之不尽，用之不竭，清洁环保，不受地域因素限制，成为了目前最理想的可再生能源。
太阳能光伏技术的发展带来了巨大的经济效益，但是在实际应用中太阳能光伏阵列由于制造或者是环境的原因会产生各种类型的故障，目前光伏阵列的故障主要有三种：太阳能电池板的裂片问题，长期使用导致的老化问题以及光伏阵列的热斑现象。
目前针对这些故障的故障诊断方法有时域反射法，智能算法，功率对比法，电特性检测法以及红外图像检测法。时域反射法类似于雷达检测方法，利用输入信号进入输入线，当出现阻抗不匹配是会产生反射信号，通过比较输入信号于反射信号来检测故障；智能算法是通过采集大量的故障数据为智能算法提供训练，虽然效果比较好，但是数据的采集成为了其最大的阻碍；功率对比法虽然方法简单，但是其无法定位故障，只能判断故障是否产生；电特性检测法是利用电压电流传感器对信号进行分析来实现故障诊断，其需要大量的传感器才能实现信号的收集，所以有很大的局限性。红外图像诊断法是根据太阳能电池板发生故障后正常与非正常状态下会存在一定的温差，而红外图像恰好能反映电池板的温差特性，同时，红外图像不仅可以实现故障的定点检测而且红外图像易于采集，但是红外图像只能对于太阳能电池板是否发生故障做出判断，对于故障类型的判断红外图像没有办法识别。综上，不管是基于红外图像还是基于电流电压等文本数据，对于故障信息的利用都都有一定的局限性、不够全面，准确率低。
技术实现要素：
有鉴于此，本发明提供了一种基于复合信息的光伏阵列故障诊断方法，能够针对图像数据和文本数据分别建立故障分类模型，并将二者融合，获得基于复合信息的光伏阵列故障诊断模型，实现了对故障信息的全面利用，大大提高了故障诊断准确率。
为达到上述目的，本发明的技术方案为：
一种基于复合信息的光伏阵列故障诊断方法，该方法包括：
s1、采集光伏阵列工作状态复合信息数据并进行预处理，工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据。
s2、利用光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型。
利用光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型。
s3、将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用光伏阵列工作状态复合信息数据对融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型。
进一步地，光伏阵列工作状态包括：正常工作状态、热斑故障、开路故障以及短路故障；为每个工作状态设置相应标签。
光伏阵列工作状态图像数据包括光伏阵列的红外图像以及光伏阵列工作状态标签。
光伏阵列工作状态文本数据包括光伏组件的开路电压、短路电流、最大功率点电压、最大功率点电流、环境光照、温度以及描述光伏阵列工作状态的标签。
进一步地，对光伏阵列工作状态复合信息数据进行预处理，包括对伏阵列工作状态图像数据进行预处理以及对光伏阵列工作状态文本数据进行预处理。
对伏阵列工作状态图像数据进行预处理包括：
将阵列工作状态图像数据转换为rgb图像，并进行数据标准化处理。
采用主成分分析法pca白化操作对标准化处理后的阵列工作状态图像数据进行处理。
对光伏阵列工作状态文本数据进行预处理包括：将光伏阵列工作状态文本数据进行数据标准化处理。
进一步地，述利用图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型，具体包括：
预先建立深度卷积神经网络故障分类模型，包括输入层、卷积层、池化层、全连接层和输出层。
以光伏阵列工作状态图像数据作为训练样本图像，随机采样多个训练样本图像构成一个最小批处理文件mini-batch输入至深度卷积神经网络故障分类模型的输入层。
输入层将最小批处理文件mini-batch中的训练样本图像输入至卷积层。
卷积层中具有n个卷积核，n为设定数值，利用n个卷积核对进入卷积层的图像进行卷积滤波提取到n个邻域特征图。
邻域特征图进入池化层，池化层采用最大池化技术对邻域特征图进行采样获得新特征图。
深度卷积神经网络故障分类模型中具备设定数量的卷积层和池化层，池化层得到的新特征图进入下一卷积层或者进入全连接层。
全连接层将进入其中的新特征图展开为一维特征向量，作为训练样本图像特征进入输出层。
输出层为softmax分类器，利用训练样本图像特征以及训练样本图像中的光伏阵列工作状态标签对softmax分类器进行训练，并利用反向传播算法对深度卷积神经网络模型进行调整，直到深度卷积神经网络模型满足准确率阈值或者达到预设的最大迭代次数完成训练，训练完成后得到图像故障分类模型。
进一步地，卷积层的卷积滤波过程中、池化层的最大池化技术中、以及全连接层中采用的激活函数均为函数线性修正单元relus。
进一步地，将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，具体为：
图像故障分类模型的输出结果为
其中s1采集的光伏阵列工作状态复合信息数据数量为n；i＝1,2,...,n。
假设
融合模型的训练数据集为
采用逻辑回归算法建立多项逻辑回归模型，作为融合模型：
其中k＝1,2,...k-1，k＝4，x∈rn+1,wk∈rn+1，wk为融合模型的权值。
利用融合模型的训练数据集t3对融合模型的权值进行训练，训练完成后的融合模型作为基于复合信息的光伏阵列故障诊断模型。
有益效果：
(1)本发明提出的基于光伏阵列复合信息的故障诊断方法，分别建立基于图像数据、文本数据的故障分类模型，通过深度卷积神经网络进行图像数据的故障分类，利用支持向量机进行电压电流为代表的文本数据故障分类；最后利用逻辑回归算法对两个模型进行融合，最终实现基于复合信息的光伏阵列故障诊断方法；本发明能够针对图像数据和文本数据同时进行故障分类，相比于传统的故障诊断方法利用单一类型故障信息进行故障诊断分析，本发明能够实现对故障信息的全面利用，打破了传统技术的局限性；由于图像故障分类模型和文本故障分类模型对于数据的敏感程度和类型不相同，把两类模型进行融合，加大故障诊断模型的鲁棒性，减少了对领域专家知识的依赖，提高了故障诊断的准确率。
(2)本发明提出基于深度卷积网络和支持向量机的光伏阵列故障诊断方法，该方法不同于传统的利用图像处理方法实现故障诊断，而是利用深度卷积神经网络强大的特征提取能力对大量的红外图像进行处理，从而大大减少了对专家经验，对于文本数据的处理也利用支持向量机算法进行高效的故障分类。
附图说明
图1为本发明实施例提出的一种基于复合信息的光伏阵列故障诊断方法流程图；
图2为本发明实施例提供的深度卷积神经网络基本结构示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于复合信息的光伏阵列故障诊断方法，该方法流程如图1所示，具体包括：
s1、采集光伏阵列工作状态复合信息数据并进行预处理，工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据。
本发明实施例中，光伏阵列工作状态包括：正常工作状态、热斑故障、开路故障以及短路故障；为每个工作状态设置相应标签。
光伏阵列工作状态图像数据包括光伏阵列的红外图像以及光伏阵列工作状态标签。
光伏阵列工作状态文本数据包括光伏组件的开路电压、短路电流、最大功率点电压、最大功率点电流、环境光照、温度以及描述光伏阵列工作状态的标签。
本发明实施例中针对光伏阵列工作状态复合信息数据进行预处理，包括对伏阵列工作状态图像数据进行预处理以及对光伏阵列工作状态文本数据进行预处理。
其中对光伏阵列工作状态图像数据进行预处理包括：
s101、将光伏阵列工作状态图像数据转换为rgb图像，并进行数据标准化处理；本发明实施例中采集到的光伏阵列工作状态图像为红外图像，将红外图像转换为三维的rgb图像，图片像素为160×120，为了消除特征量之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明实施例使用z-score标准化方法，如下式所示：
式中
s102、采用主成分分析法pca白化操作对标准化处理后的阵列工作状态图像数据进行处理；
对光伏阵列工作状态文本数据进行预处理包括：将光伏阵列工作状态文本数据进行数据标准化处理。
对采集到的文本数据进行预处理，因为电压、电流、温度、光照等数据量纲量纲不统一，为了消除特征量之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明使用z-score标准化方法，如下式所示：
式中
s2、利用光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型。
利用光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型。
本发明实施例中，针对图像故障分类模型的训练采用如下步骤：
s21、预先建立深度卷积神经网络故障分类模型，包括输入层、卷积层、池化层、全连接层和输出层；本发明实施例中预先建立的深度卷积神经网络故障分类模型采用深度卷积神经网络的基本构造如图2所示，即包括一个输入层，三个卷积层，两个池化层，一个全连接层和一个输出层。其中卷积层和池化层间隔设置，且卷积层和池化层步长均为2。
s22以光伏阵列工作状态图像数据作为训练样本图像，随机采样多个训练样本图像构成一个最小批处理文件mini-batch输入至深度卷积神经网络故障分类模型的输入层；
输入层将最小批处理文件mini-batch中的训练样本图像输入至卷积层；
卷积层中具有n个卷积核，n为设定数值，利用n个卷积核对进入卷积层的图像进行卷积滤波提取到n个邻域特征图。本发明实施例中，进入卷积层的图像可能是从输入层进入的训练样本图像，也可能是通过上一层的池化层进入的新特征图。本发明实施例中不同的卷积层设置的卷积核个数不同，卷积核越多获得的特征图就越多，模型的学习能力就越强，识别效果越好，但是卷积核过多会增大网络的复杂度，加大了计算的复杂度，本实例中使用的样本量较小，因此选取的卷积核较大。
本发明实施例中在进行卷积滤波时所用得激活函数为relus(函数线性修正单元)，相对于sigmoid和tanh函数来说其非线性，非饱和以及单侧抑制，相对宽阔的兴奋边界以及稀疏激活的特性都使得其能在训练中获得更好的效果。
邻域特征图进入池化层，池化层采用最大池化技术对邻域特征图进行采样获得新特征图；池化层的作用主要是根据图像邻域特征的不变性，利用采样降低特征维数，并使得采样后的特征能都保持某些不变性(旋转、平移、伸缩等)，能够有效地降低计算的复杂度以及防止过拟合(池化层的激活函数依旧使用relus)。
深度卷积神经网络故障分类模型中具备设定数量的卷积层和池化层，池化层得到的新特征图进入下一卷积层或者进入全连接层。
全连接层将进入其中的新特征图展开为一维特征向量，作为训练样本图像特征进入输出层；由于全连接层节点往往很大，因此为了防止过拟合的出现，在全连接层使用dropout方式来使得部分隐含节点不工作，即在每次迭代中使得隐含节点以概率p选择部分节点作为工作的节点，并且在反向传播更新权值时不再更新dropout掉的隐含节点。激活函数仍然使用relus。
输出层为softmax分类器，利用训练样本图像特征以及训练样本图像中的光伏阵列工作状态标签对softmax分类器进行训练，并利用反向传播算法对深度卷积神经网络模型进行调整，直到深度卷积神经网络模型满足准确率阈值或者达到预设的最大迭代次数完成训练，训练完成后得到图像故障分类模型。
本发明提出基于深度卷积网络和支持向量机的光伏阵列故障诊断方法，该方法不同于传统的利用图像处理方法实现故障诊断，而是利用深度卷积神经网络强大的特征提取能力对大量的红外图像进行处理，从而大大减少了对专家经验，对于文本数据的处理也利用支持向量机算法进行高效的故障分类。
本发明实施例中，采用本领域常规的非线性支持向量机学习算法，建立文本故障分类模型，本发明中给出一种常见的非线性支持向量机学习算法的具体实施形式，以证明该算法可行，并不是为限定本发明。具体为：
s201、预处理后训练数据集为：
其中
s202、建立分类决策函数作为文本数据分类模型：
当k(x,z)是正定核函数时，上式是凸二次规划问题，解是存在的；α*和b*为分类决策函数的参数，即文本数据分类模型的权值。
选取适当的核函数k(x,z)和适当的参数c，构造并求解最优化问题
其中0≤α≤c文本分类器模型的权值向量α＝(α1,α2,...,αn)t，i＝1,2,...n；求得最优解
选择α*的一个正分量
s3、将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用光伏阵列工作状态复合信息数据对融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型。
s3具体为：
图像故障分类模型的输出结果为
其中s1采集的光伏阵列工作状态复合信息数据数量为n；i＝1,2,...,n；
假设
融合模型的训练数据集为
采用逻辑回归算法建立多项逻辑回归模型，作为融合模型：
其中k＝1,2,...k-1，k＝4，x∈rn+1,wk∈rn+1，wk为融合模型的权值；
利用融合模型的训练数据集t3对融合模型的权值进行训练，训练完成后的融合模型作为基于复合信息的光伏阵列故障诊断模型。
本发明提出的基于光伏阵列复合信息的故障诊断方法，分别建立基于图像数据、文本数据的故障分类模型，通过深度卷积神经网络进行图像数据的故障分类，利用支持向量机进行电压电流为代表的文本数据故障分类；最后利用逻辑回归算法对两个模型进行融合，最终实现基于复合信息的光伏阵列故障诊断方法；本发明能够针对图像数据和文本数据同时进行故障分类，相比于传统的故障诊断方法利用单一类型故障信息进行故障诊断分析，本发明能够实现对故障信息的全面利用，打破了传统技术的局限性；由于图像故障分类模型和文本故障分类模型对于数据的敏感程度和类型不相同，把两类模型进行融合，加大故障诊断模型的鲁棒性，减少了对领域专家知识的依赖，提高了故障诊断的准确率。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。