【技術實現(xiàn)步驟摘要】
本專利技術涉及人工智能領域，特別涉及一種故障檢測模型構建方法、故障檢測方法、裝置及電子設備。
技術介紹
1、隨著新能源技術的不斷發(fā)展，大規(guī)模的光伏地面電站得以迅速擴建。然而，受惡劣工作環(huán)境的影響，光伏組件材料容易出現(xiàn)局部老化、性能下降、裂紋等故障，極大影響光伏組件的電氣特性，進而影響光伏電站的發(fā)電效率。因此，如何對光伏組件的故障進行有效檢測，是保障光伏電站正常工作重要內(nèi)容。
2、相關技術中，可構建光伏組件物理模型或傳統(tǒng)機器學習模型，以利用這些模型對光伏組件進行故障檢測。然而，物理模型極易受到不同環(huán)境的影響，且泛化性能較差；傳統(tǒng)機器學習模型盡管能夠取得較好的泛化性能，但在多分類的任務中往往會因為沒有學習到數(shù)據(jù)集全局特征的細微差別而出現(xiàn)錯分類的情況。
3、因此，如何構建一種能夠有效檢測光伏組件故障的模型，是本領域技術人員亟需解決的技術問題。
技術實現(xiàn)思路
1、本專利技術的目的是提供一種故障檢測模型構建方法、故障檢測方法、裝置及電子設備，可將狀態(tài)空間模型單元和上下文變換單元二者添加至故障檢測模型，以及可對該模型進行多輪訓練，以確保該模型能夠?qū)夥M件的電流-電壓曲線圖像所對應的故障類型進行有效分類，從而可較好地進行光伏組件故障檢測。
2、為解決上述技術問題，本專利技術提供一種故障檢測模型構建方法，包括：
3、獲取訓練圖像及其標注的預設故障類型；其中，所述訓練圖像為電流-電壓曲線圖像，所述電流-電壓曲線圖像根據(jù)將光伏組件的電流-電壓數(shù)據(jù)生成；
4、將所述訓練圖像輸入預設的神經(jīng)網(wǎng)絡模型進行多輪分類處理，以在多種所述預設故障類型中確定所述訓練圖像對應的預測故障類型；
5、其中，所述神經(jīng)網(wǎng)絡模型包含預設網(wǎng)絡模塊，所述預設網(wǎng)絡模塊包含第一卷積單元、狀態(tài)空間模型單元、上下文變換單元和第二卷積單元，所述第一卷積單元、所述上下文變換單元和所述第二卷積單元串聯(lián)，所述狀態(tài)空間模型單元與所述第一卷積單元并聯(lián)，所述第一卷積單元提取所述預設網(wǎng)絡模塊的輸入的局部特征，所述狀態(tài)空間模型單元提取所述預設網(wǎng)絡模塊的輸入的全局特征，所述上下文變換單元對所述局部特征、所述全局特征進行上下文注意力處理，第二卷積單元對上下文注意力處理結果的卷積結果與所述預設網(wǎng)絡模塊的輸入進行拼接；
6、利用所述訓練圖像標注的預設故障類型與其在每輪分類處理中對應的預測故障類型對所述神經(jīng)網(wǎng)絡模型進行參數(shù)更新，得到故障檢測模型。
7、可選地，所述神經(jīng)網(wǎng)絡模型由入口模塊、所述預設網(wǎng)絡模塊、出口模塊串聯(lián)組成；
8、所述將所述訓練圖像輸入預設的神經(jīng)網(wǎng)絡模型進行多輪分類處理，以在多種所述預設故障類型中確定所述訓練圖像對應的預測故障類型，包括：
9、利用所述入口模塊對所述訓練圖像對應的嵌入矩陣依次進行卷積處理、批歸一化處理、激活處理和最大池化處理，得到第一特征矩陣；
10、利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣；
11、利用所述出口模塊對所述第二特征矩陣依次進行全局平局池化處理和歸一化指數(shù)處理，得到所述訓練圖像對應各種預設故障類型的預測概率，并根據(jù)所述預測概率確定所述預測故障類型。
12、可選地，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
13、利用多種預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到所述第二特征矩陣；其中，所述多種預設網(wǎng)絡模塊有序串聯(lián)，前一種預設網(wǎng)絡模塊所設置的網(wǎng)絡層通道數(shù)小于后一種預設網(wǎng)絡模塊所設置的網(wǎng)絡層通道數(shù)。
14、可選地，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
15、利用所述狀態(tài)空間模型單元對所述第一特征矩陣進行特征提取處理，以提取所述第一特征矩陣的全局特征，得到第一中間矩陣；
16、利用所述第一卷積單元對所述第一特征矩陣進行特征提取處理，以提取所述第一特征矩陣的多組局部特征，得到第二中間矩陣；
17、利用所述第一卷積單元對所述第一中間矩陣、所述第二中間矩陣進行拼接，并對拼接結果依次進行批歸一化處理和激活處理，得到第三中間矩陣；
18、利用所述上下文變換單元對所述第三中間矩陣進行上下文注意力處理，得到第四中間矩陣；
19、利用所述第二卷積單元對所述第四中間矩陣依次進行卷積處理和批歸一化處理得到第五中間矩陣，將所述第五中間矩陣與所述第一特征矩陣拼接，并對拼接結果進行激活處理，得到所述第二特征矩陣。
20、可選地，所述狀態(tài)空間模型單元由第一變形層、層歸一化層、mamba-2層、第二變形層、卷積層串聯(lián)組成；
21、所述利用所述狀態(tài)空間模型單元對所述第一特征矩陣進行特征提取處理，以統(tǒng)一提取所述第一特征矩陣的全局特征，得到第一中間矩陣，包括：
22、利用所述第一變形層對所述第一特征矩陣進行矩陣變換處理，以將所述第一特征矩陣的矩陣尺寸變換為預設尺寸，得到第六中間矩陣；
23、利用層歸一化層對所述第六中間矩陣進行層歸一化處理，得到第七中間矩陣；
24、利用mamba-2層對所述第七中間矩陣進行特征提取處理，以提取所述第七中間矩陣的全局特征，得到第八中間矩陣；
25、利用所述第二變形層對所述第八中間矩陣進行矩陣變換處理，以將所述第八中間矩陣的矩陣尺寸變換為所述第一特征矩陣的原始尺寸，得到所述第九中間矩陣；
26、利用所述卷積層對所述第九中間矩陣進行卷積處理，得到所述第一中間矩陣。
27、本專利技術還提供一種故障檢測方法，包括：
28、將光伏組件的電流-電壓數(shù)據(jù)轉換為電流-電壓曲線圖像；
29、利用故障檢測模型對所述電流-電壓曲線圖像進行分類處理，以在多種所述預設故障類型中確定所述電流-電壓曲線圖像對應的目標故障類型；其中，所述故障檢測模型按照如上所述的故障檢測模型構建方法構建得到。
30、本專利技術還提供一種故障檢測模型構建裝置，包括：
31、獲取模塊，用于獲取訓練圖像及其標注的預設故障類型；其中，所述訓練圖像為電流-電壓曲線圖像，所述電流-電壓曲線圖像根據(jù)將光伏組件的電流-電壓數(shù)據(jù)生成；
32、分類模塊，用于將所述訓練圖像輸入預設的神經(jīng)網(wǎng)絡模型進行多輪分類處理，以在多種所述預設故障類型中確定所述訓練圖像對應的預測故障類型；
33、其中，所述神經(jīng)網(wǎng)絡模型包含預設網(wǎng)絡模塊，所述預設網(wǎng)絡模塊包含第一卷積單元、狀態(tài)空間模型單元、上下文變換單元和第二卷積單元，所述第一卷積單元、所述上下文變換單元和所述第二卷積單元串聯(lián)，所述狀態(tài)空間模型單元與所述第一卷積單元并聯(lián)，所述第一卷積單元提取所述預設網(wǎng)絡模塊的輸入的局部特征，所述狀態(tài)空間模型單元提取所述預設網(wǎng)絡模塊的輸入的全局特征，所述上下文變換單元對所述局部特征、所述全局特征進行上下文注意力處理，第二卷積單元對上下文注意力處理結果的卷積結本文檔來自技高網(wǎng)...
【技術保護點】
1.一種故障檢測模型構建方法，其特征在于，包括：
2.根據(jù)權利要求1所述的故障檢測模型構建方法，其特征在于，所述神經(jīng)網(wǎng)絡模型由入口模塊、所述預設網(wǎng)絡模塊、出口模塊串聯(lián)組成；
3.根據(jù)權利要求2所述的故障檢測模型構建方法，其特征在于，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
4.根據(jù)權利要求2所述的故障檢測模型構建方法，其特征在于，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
5.根據(jù)權利要求4所述的故障檢測模型構建方法，其特征在于，所述狀態(tài)空間模型單元由第一變形層、層歸一化層、Mamba-2層、第二變形層、卷積層串聯(lián)組成；
6.一種故障檢測方法，其特征在于，包括：
7.一種故障檢測模型構建裝置，其特征在于，包括：
8.一種故障檢測裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中存儲有計算機可執(zhí)行指令，所述計算機
...【技術特征摘要】
1.一種故障檢測模型構建方法，其特征在于，包括：
2.根據(jù)權利要求1所述的故障檢測模型構建方法，其特征在于，所述神經(jīng)網(wǎng)絡模型由入口模塊、所述預設網(wǎng)絡模塊、出口模塊串聯(lián)組成；
3.根據(jù)權利要求2所述的故障檢測模型構建方法，其特征在于，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
4.根據(jù)權利要求2所述的故障檢測模型構建方法，其特征在于，所述利用所述預設網(wǎng)絡模塊對所述第一特征矩陣進行特征提取處理，得到第二特征矩陣，包括：
5.根據(jù)權利要求4所述的故障檢測模型構建方法，其...
【專利技術屬性】
技術研發(fā)人員：費遠宇，張衡，寧增琨，潘磊，
申請(專利權)人：固德威技術股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。