一种光伏阵列故障检测方法、装置及电子设备
1.本发明涉及光伏工程技术领域，具体而言，涉及一种光伏阵列故障检测方法、装置、电子设备及计算机可读存储介质。
背景技术：
2.随着供能需求的不断增加，传统化石燃料消耗带来了一系列环境问题。为了构建清洁低碳、安全高效的能源体系，坚持能源可持续发展是必经之路。在可再生能源中，太阳能具有安装方便，清洁高效等特点已成为最具有吸引力的能源之一。
3.但是，由于环境因素和生产工艺的差异，依靠太阳能的光伏阵列在运行过程中经常会出现不同的故障问题。目前，光伏阵列的常见故障主要是由于光伏组件的内部碎裂、处理不当和接线不良引起的，例如碎裂、短路、开路等。光伏故障会对系统运行的安全性和可靠性带来较大的挑战。
4.目前检测光伏阵列故障的方法包括物理设备检测法、i-v扫描法等，但物理设备检测法需要现场检测，费时费力；而i-v扫描法法需要离线操作且无法确定精确的故障类型，该方法属于被动检测方法，需要定期检测影响光伏发电收益。
技术实现要素：
5.为解决现有存在的技术问题，本发明实施例提供一种光伏阵列故障检测方法、装置、电子设备及计算机可读存储介质。
6.第一方面，本发明实施例提供了一种光伏阵列故障检测方法，包括：
7.预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据所述i-v曲线确定所述光伏阵列的物理模型；
8.根据所述物理模型判断所述光伏阵列是否异常；
9.在所述光伏阵列异常的情况下，获取所述光伏阵列的光伏数据，所述光伏数据包括所述光伏阵列的电压、电流、功率、辐照度和温度；
10.将所述光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型；所述融合分类模型包括多个机器学习分类模型，用于融合多个所述机器学习分类模型的分类结果。
11.在一种可能的实现方式中，所述根据所述i-v曲线确定所述光伏阵列的物理模型，包括：
12.基于蜜蜂花朵授粉算法对物理模型的内部参数进行求解，确定与所述光伏阵列对应的物理模型；所述内部参数包括：光生电流i
ph
、二极管反向饱和电流io、并联电阻阻值r
p
、串联电阻阻值rs和二极管理想常数a，所述物理模型为：
[0013][0014]
其中，i表示所述光伏阵列的输出电流，u表示所述光伏阵列的输出电压，q表示电
子电荷，t表示所述光伏阵列的绝对温度，k表示玻尔兹曼常数。
[0015]
在一种可能的实现方式中，所述根据所述物理模型判断所述光伏阵列是否异常，包括：
[0016]
采集所述光伏阵列在当前温度和当前辐照度下的当前i-v曲线，并确定所述物理模型在所述当前温度和所述当前辐照度下的拟合结果；
[0017]
判断所述当前i-v曲线与所述拟合结果之间的偏差是否超过预设阈值；
[0018]
在所述偏差超过预设阈值的情况下，确定所述光伏阵列异常。
[0019]
在一种可能的实现方式中，所述获取所述光伏阵列的光伏数据，包括：
[0020]
采集所述光伏阵列的原始光伏数据，对所述原始光伏数据中的缺失值和异常值进行筛选和填充，生成所需的所述光伏数据。
[0021]
在一种可能的实现方式中，所述融合分类模型至少包括三个机器学习分类模型；
[0022]
三个所述机器学习分类模型分别为：基于bagging的随机森林分类器、基于boosting的xgboost分类器、基于深度学习的多层感知器分类器。
[0023]
在一种可能的实现方式中，所述融合分类模型还包括元分类模型；
[0024]
所述元分类模型用于融合所述随机森林分类器、所述xgboost分类器、所述多层感知器分类器的分类结果，生成所述融合分类模型的分类结果。
[0025]
在一种可能的实现方式中，所述元分类模型为逻辑回归模型；
[0026]
在所述将所述光伏数据输入至融合分类模型之前，该方法还包括：
[0027]
对所述逻辑回归模型进行训练，训练过程中的损失函数l(ω)满足：
[0028][0029]
其中，n为样本数，yi为样本i的实际标签值，p(xi)是样本i的预测标签值；p(xi)为所述逻辑回归模型所采用的逻辑函数，且ω表示待定系数，b表示截距；
[0030]
所述待定系数ω通过梯度下降法得到，且所述待定系数ω满足：
[0031][0032]
其中，k为迭代次数，α为预设系数。
[0033]
在一种可能的实现方式中，该方法还包括：
[0034]
基于包含多个训练样本的训练集对所述融合分类模型进行训练，所述训练样本的标签对应至少一种故障类型。
[0035]
第二方面，本发明实施例还提供了一种光伏阵列故障检测装置，包括：
[0036]
物理模型模块，用于预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据所述i-v曲线确定所述光伏阵列的物理模型；
[0037]
判断模块，用于根据所述物理模型判断所述光伏阵列是否异常；
[0038]
获取模块，用于在所述光伏阵列异常的情况下，获取所述光伏阵列的光伏数据，所述光伏数据包括所述光伏阵列的电压、电流、功率、辐照度和温度；
[0039]
分类模块，用于将所述光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型；所述融合分类模型包括多个机器学习分类模型，用于融合多个所述机器学习分类模型的分类结果。
[0040]
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的光伏阵列故障检测方法中的步骤。
[0041]
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的光伏阵列故障检测方法中的步骤。
[0042]
本发明实施例提供的光伏阵列故障检测方法、装置、电子设备及计算机可读存储介质，利用光伏阵列的i-v曲线预先确定光伏阵列的物理模型，基于该物理模型判断光伏阵列是否异常，在光伏阵列异常时再利用包含多个机器学习分类模型的融合分类模型确定光伏阵列的故障类型。虽然光伏阵列的数据特征分布变化广，数据集数量庞大，但本发明实施例利用物理模型可以快速地对光伏阵列进行初步检查，排除不需要进一步检查的正常光伏阵列，之后再利用融合分类模型准确识别异常光伏阵列的故障类型，从而实现快速且准确地确定光伏阵列的故障类型。本发明实施例将物理模型与机器学习相结合，可以实现在线实时故障诊断，保证了故障诊断的速度，同时提高了故障诊断的准确度；在线故障诊断还不影响光伏阵列的发电效率，可以实现故障类型实时检测，能够节省运维人员的现场排查时间。
附图说明
[0043]
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
[0044]
图1示出了本发明实施例所提供的一种光伏阵列故障检测方法的流程图；
[0045]
图2示出了本发明实施例所提供的光伏阵列的等效电路图；
[0046]
图3示出了本发明实施例所提供的物理模型的验证结果示意图；
[0047]
图4示出了本发明实施例所提供的融合分类模型的原理示意图；
[0048]
图5示出了本发明实施例所提供的一种光伏阵列故障检测装置的结构示意图；
[0049]
图6示出了本发明实施例所提供的一种用于执行光伏阵列故障检测方法的电子设备的结构示意图。
具体实施方式
[0050]
下面结合本发明实施例中的附图对本发明实施例进行描述。
[0051]
图1示出了本发明实施例所提供的一种光伏阵列故障检测方法的流程图。如图1所示，该方法包括：
[0052]
步骤101：预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据i-v曲线确定光伏阵列的物理模型。
[0053]
本发明实施例中，对于需要进行故障检测的光伏阵列，预先获取该光伏阵列在任
意温度和辐照度下的i-v曲线，其中，该i-v曲线是在光伏阵列正常无故障时采集到的数据。利用在某温度和辐照度下的i-v曲线，可以确定光伏阵列的物理模型中的参数，进而得到能够表征该光伏阵列的物理模型；例如，可以获取光伏阵列在标准条件(辐照度为1000w/m^2，温度为25℃)下的i-v曲线，进而确定该光伏阵列的物理模型。
[0054]
可选地，基于光伏阵列的等效电路确定该光伏阵列的物理模型，光伏阵列的等效电路可以用一个二极管和电流源并联的电路表示，且其内部存在串联电阻和并联电阻。光伏阵列的等效电路可参见图2所示，该光伏阵列的物理模型可以下式(1)表示：
[0055][0056]
其中，i表示光伏阵列的输出电流，u表示光伏阵列的输出电压，q表示电子电荷，t表示光伏阵列的绝对温度，k表示玻尔兹曼常数；i
ph
表示光生电流，io表示二极管反向饱和电流，r
p
表示并联电阻阻值，rs表示串联电阻阻值，a表示二极管理想常数。
[0057]
本发明实施例中，光生电流i
ph
、二极管反向饱和电流io、并联电阻阻值r
p
、串联电阻阻值rs和二极管理想常数a为待确定的参数，本实施例将其称为内部参数，基于预先获取的i-v曲线来确定内部参数。具体地，本发明实施例基于启发式智能算法(蜜蜂花朵授粉算法)对物理模型的内部参数进行求解，确定与光伏阵列对应的物理模型。本发明实施利用启发式算法可以实现光伏阵列物理模型的精确计算，使得后续利用该精确的物理模型可以准确地对光伏阵列进行初步检测。
[0058]
其中，该物理模型可以拟合得到在不同温度和辐照度的条件下的i-v曲线。参见图3所示，图3示出了在不同温度和辐照度下，该物理模型的输出结果(即拟合曲线)与实际采集到的i-v曲线(即实际曲线)之间的对比图；其中，图3左侧示出了在标准温度(25℃)下不同辐照度g时的i-v曲线，图3右侧示出了在标准辐照度(1000w/m^2)下不同温度时的i-v曲线。由图3可知，该物理模型可以比较精确地拟合光伏阵列的i-v曲线。其中，该实际曲线是验证物理模型时所采集的曲线，其为光伏阵列正常时的曲线；在光伏阵列异常时，该实际曲线与拟合曲线会存在偏差。
[0059]
需要说明的是，本发明实施例中的“i-v曲线”所表达的含义为输出电流i与输出电压v之间的关系，只要所获取的数据能够表示二者之间的关系，即可作为本发明实施例中的“i-v曲线”，而不限定必须是曲线形式的数据；例如，以表格形式表示的输出电流i与输出电压v，也可以作为本发明实施例中的“i-v曲线”。
[0060]
步骤102：根据物理模型判断光伏阵列是否异常。
[0061]
本发明实施例中，基于i-v曲线所确定的物理模型，可以表示光伏阵列的输出电流i与输出电压v之间的关系。在需要对该光伏阵列进行故障检测时，本发明实施例首先利用该物理模型初步判断光伏阵列是否存在异常，利用物理模型实现快速诊断。
[0062]
可选地，上述步骤102“根据物理模型判断光伏阵列是否异常”包括以下步骤a1-a3：
[0063]
步骤a1：采集光伏阵列在当前温度和当前辐照度下的当前i-v曲线，并确定物理模型在当前温度和当前辐照度下的拟合结果。
[0064]
步骤a2：判断当前i-v曲线与拟合结果之间的偏差是否超过预设阈值。
[0065]
步骤a3：在偏差超过预设阈值的情况下，确定光伏阵列异常。
[0066]
本发明实施例中，该物理模型能够表示正常的光伏阵列，在需要检测光伏阵列当前是否异常时，基于当前的温度和辐照度(即当前温度和当前辐照度)可以拟合得到相应的拟合结果，该拟合结果能够表示在当前温度和当前辐照度下，光伏阵列正常时的输出电流i与输出电压v之间的关系，该拟合结果能够表示正常情况下光伏阵列的i-v曲线。并且，采集该光伏阵列在当前温度和当前辐照度下的当前i-v曲线，该当前i-v曲线为该光伏阵列在当前实际的i-v曲线，通过比较二者之间的偏差是否过大即可判断光伏阵列当前是否异常。
[0067]
例如，基于i-v曲线可以确定相应的功率，通过比较两种功率即可判断光伏阵列是否异常。例如，基于该当前i-v曲线可以确定当前的实际功率，而基于物理模型的拟合结果(拟合得到的i-v曲线)可以得到此时的理论功率，若实际功率与理论功率之间的偏差过大，则可认为光伏阵列异常。例如，考虑到光伏阵列中组件的生产工艺和衰减率等因素，可以将该预设阈值设为5％，当二者之间的偏差超过5％时，可以初步认为该光伏阵列是异常的。
[0068]
步骤103：在光伏阵列异常的情况下，获取光伏阵列的光伏数据，光伏数据包括光伏阵列的电压、电流、功率、辐照度和温度。
[0069]
步骤104：将光伏数据输入至融合分类模型，根据融合分类模型的分类结果确定光伏阵列的故障类型；该融合分类模型包括多个机器学习分类模型，用于融合多个机器学习分类模型的分类结果。
[0070]
本发明实施例中，利用光伏阵列的物理模型可以比较快速准确地判断光伏阵列是否存在故障(即是否异常)，但由于在不同故障类型下i-v曲线的差异较小，物理模型无法实现精确刻画，难以准确判断光伏阵列的故障类型，故本发明实施例利用该物理模型诊断速度快的特点，对光伏阵列进行快速初步诊断，在光伏阵列异常时再利用融合分类模型准确确定光伏阵列的故障类型，例如碎裂、短路、开路等故障类型。由于光伏阵列在故障时呈现非线性特征，采用融合分类模型，可以充分逼近任意复杂的非线性关系。
[0071]
具体地，若初步判断该光伏阵列异常，则获取该光伏阵列比i-v曲线更详细的数据，即光伏数据，该光伏数据包括光伏阵列本身的电压、电流、功率等电气数据，还包括辐照度和温度等环境数据。可选地，由于采集装置误差或异常等原因，可能导致所采集的光伏数据存在偏差，例如存在异常值和缺失值等，本发明实施例还可以对缺失值和异常值进行处理，以得到高质量的光伏数据。其中，上述步骤103“获取光伏阵列的光伏数据”包括：采集光伏阵列的原始光伏数据，对原始光伏数据中的缺失值和异常值进行筛选和填充，生成所需的光伏数据。例如，可以通过聚类的方式对缺失值和异常值进行筛选和填充，以提高数据质量。
[0072]
本发明实施例预先设置包含多个机器学习分类模型的融合分类模型，每个机器学习分类模型均用于识别光伏阵列的故障类型，通过将光伏数据输入至相应的机器学习分类模型，每个机器学习分类模型的分类结果即可表示其所识别出的故障类型；之后融合多个机器学习分类模型的分类结果，从而可以确定该融合分类模型整体的分类结果，该分类结果能够综合多个机器学习分类模型的分类结果，可以更加准确地识别出光伏阵列的故障类型。
[0073]
本发明实施例提供的光伏阵列故障检测方法，利用光伏阵列的i-v曲线预先确定光伏阵列的物理模型，基于该物理模型判断光伏阵列是否异常，在光伏阵列异常时再利用包含多个机器学习分类模型的融合分类模型确定光伏阵列的故障类型。虽然光伏阵列的数
据特征分布变化广，数据集数量庞大，但本发明实施例利用物理模型可以快速地对光伏阵列进行初步检查，排除不需要进一步检查的正常光伏阵列，之后再利用融合分类模型准确识别异常光伏阵列的故障类型，从而实现快速且准确地确定光伏阵列的故障类型。本发明实施例将物理模型与机器学习相结合，可以实现在线实时故障诊断，保证了故障诊断的速度，同时提高了故障诊断的准确度；在线故障诊断还不影响光伏阵列的发电效率，可以实现故障类型判断，能够节省运维人员的现场排查时间。
[0074]
可选地，融合分类模型至少包括三个机器学习分类模型；三个机器学习分类模型分别为：基于bagging的随机森林分类器、基于boosting的xgboost分类器、基于深度学习的多层感知器分类器。此外可选地，该融合分类模型采用mlsc(machine learning-based stacking classifier，基于机器学习的融合分类器)的形式，该融合分类模型还包括元分类模型；元分类模型用于融合随机森林分类器、xgboost分类器、多层感知器分类器的分类结果，生成融合分类模型的分类结果。融合分类模型的结构示意图可参见图4所示，图4中虚线框内表示的是该融合分类模型，其包含三个机器学习分类模型：随机森林、xgboost和mlpc(multilayer perceptron classifier，多层感知器分类器)，三者所预测的分类结果分别为p1、p2、p3，逻辑回归模型(元分类模型)对这三个分类结果p1、p2、p3进行融合，最终得到该融合分类模型的分类结果pf。
[0075]
本发明实施例中，基于bagging的随机森林分类器(可简称为随机森林分类器、或随机森林)采用的是并行处理的算法，其能够减小预测时的方差；基于boosting的xgboost分类器(可简称为xgboost分类器、或xgboost)采用的是串行处理的算法，其能够减小预测时的偏差。而mlpc基于深度学习，其属于深度前馈神经网络，通过网络层数、神经元互连的方式，可以大大提高故障类型的诊断准确度。本发明实施例利用三种不同的机器学习分类模型，且三种机器学习分类模型分别为随机森林、xgboost、mlpc，可以减小融合分类模型最终分类结果的方差和偏差，能够提高准确度，具有较强的鲁棒性和容错性，可以更准确地判断光伏阵列的故障类型。
[0076]
本发明实施例预先设置包含多个机器学习分类模型(子分类器模型)与单个元分类模型相集成的融合分类模型，机器学习分类模型用于初步识别光伏阵列的概率分布，将概率分布结果作为元分类模型的特征输入进行再次训练和计算，从而识别出故障类型；该融合分类模型能够综合多个类型机器学习分类模型的算法优势，充分发挥和集成各自特点从而可以更加准确地识别出光伏阵列的故障类型。
[0077]
此外可选地，如图4所示，该元分类模型为逻辑回归模型；其中，该逻辑回归模型所采用的逻辑函数可以为sigmoid函数，具体地，对于自变量xi，该逻辑函数可表示为：其中，xi为样本i的自变量，例如机器学习分类模型的输出结果；xi可以是多维的列向量，并且，待定系数ω也是多维的列向量，且二者维度相同，上式中的t表示矩阵转置。
[0078]
并且，在上述步骤104“将光伏数据输入至融合分类模型”之前，该方法还包括训练过程，该训练过程包括以下步骤b1。
[0079]
步骤b1：对逻辑回归模型进行训练，训练过程中的损失函数l(ω)满足：
[0080][0081]
其中，n为样本数(例如，训练样本的总数)，yi为样本i的实际标签值，p(xi)是样本i的预测标签值；p(xi)为逻辑回归模型所采用的逻辑函数，且ω表示待定系数，b表示截距。
[0082]
本发明实施例中，将sigmoid函数作为逻辑函数，逻辑回归模型返回的分类结果(即融合分类模型的分类结果pf)不是固定的0或1，而是在0～1之间的小数，可以准确呈现故障类型的概率。本发明实施例以对数的形式表示损失函数，且在累加后数值会较大，为避免采用梯度下降法导致问题，将累加后的值除以样本综合n，该损失函数具体如上式(2)所示。
[0083]
并且，逻辑函数中的待定系数ω可以通过梯度下降法得到，且待定系数ω满足：
[0084][0085]
其中，k为迭代次数，α为预设系数。当l(ω)小于阈值或k达到设定值时停止迭代。
[0086]
可选地，在上述步骤104“将光伏数据输入至融合分类模型”之前，该方法还包括对融合分类模型的训练过程，即还需要基于训练集对该融合分类模型进行训练，以使得该融合分类模型能够预测出光伏阵列的故障类型。其中，可以利用传统的包含正负样本的训练集对该融合分类模型进行训练；或者，也可采用只包含负样本的训练集对该融合分类模型进行训练，具体地，该训练过程包括以下步骤b2。
[0087]
步骤b2：基于包含多个训练样本的训练集对融合分类模型进行训练，训练样本的标签对应至少一种故障类型。
[0088]
本发明实施例中，物理模型能够准确地判断光伏阵列是否异常，因此，可以认为融合分类模型需要检测的数据一定是光伏阵列故障时的数据。在训练该融合分类模型时，本发明实施例只基于对应各种故障类型的负样本对该融合分类模型进行训练，即训练集中的每个训练样本均为负样本，该训练样本的标签对应至少一种故障类型；一般情况下，每个训练样本对应一种故障类型。
[0089]
本发明实施例利用标签为各种故障类型的训练样本对融合分类模型进行训练，不需要关注光伏阵列正常时的数据，可以减少分类结果的种类数(少了“正常”这一分类结果)，能够降低预测难度；并且，训练后的融合分类模型主要关注不同故障类型之间的区别，可以更准确地识别不同的故障类型。
[0090]
上文详细描述了本发明实施例提供的光伏阵列故障检测方法，该方法也可以通过相应的装置实现，下面详细描述本发明实施例提供的光伏阵列故障检测装置。
[0091]
图5示出了本发明实施例所提供的一种光伏阵列故障检测装置的结构示意图。如图5所示，该光伏阵列故障检测装置包括：
[0092]
物理模型模块51，用于预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据所述i-v曲线确定所述光伏阵列的物理模型；
[0093]
判断模块52，用于根据所述物理模型判断所述光伏阵列是否异常；
[0094]
获取模块53，用于在所述光伏阵列异常的情况下，获取所述光伏阵列的光伏数据，所述光伏数据包括所述光伏阵列的电压、电流、功率、辐照度和温度；
[0095]
分类模块54，用于将所述光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型；所述融合分类模型包括多个机器学习分类模型，用于融合多个所述机器学习分类模型的分类结果。
[0096]
在一种可能的实现方式中，所述物理模型模块51根据所述i-v曲线确定所述光伏阵列的物理模型，包括：
[0097]
基于蜜蜂花朵授粉算法对物理模型的内部参数进行求解，确定与所述光伏阵列对应的物理模型；所述内部参数包括：光生电流i
ph
、二极管反向饱和电流io、并联电阻阻值r
p
、串联电阻阻值rs和二极管理想常数a，所述物理模型为：
[0098][0099]
其中，i表示所述光伏阵列的输出电流，u表示所述光伏阵列的输出电压，q表示电子电荷，t表示所述光伏阵列的绝对温度，k表示玻尔兹曼常数。
[0100]
在一种可能的实现方式中，所述判断模块52根据所述物理模型判断所述光伏阵列是否异常，包括：
[0101]
采集所述光伏阵列在当前温度和当前辐照度下的当前i-v曲线，并确定所述物理模型在所述当前温度和所述当前辐照度下的拟合结果；
[0102]
判断所述当前i-v曲线与所述拟合结果之间的偏差是否超过预设阈值；
[0103]
在所述偏差超过预设阈值的情况下，确定所述光伏阵列异常。
[0104]
在一种可能的实现方式中，所述获取模块53获取所述光伏阵列的光伏数据，包括：
[0105]
采集所述光伏阵列的原始光伏数据，对所述原始光伏数据中的缺失值和异常值进行筛选和填充，生成所需的所述光伏数据。
[0106]
在一种可能的实现方式中，所述融合分类模型至少包括三个机器学习分类模型；
[0107]
三个所述机器学习分类模型分别为：基于bagging的随机森林分类器、基于boosting的xgboost分类器、基于深度学习的多层感知器分类器。
[0108]
在一种可能的实现方式中，所述融合分类模型还包括元分类模型；所述元分类模型用于融合所述随机森林分类器、所述xgboost分类器、所述多层感知器分类器的分类结果，生成所述融合分类模型的分类结果。
[0109]
在一种可能的实现方式中，所述元分类模型为逻辑回归模型；所述装置还包括第一训练模块，用于：
[0110]
在所述将所述光伏数据输入至融合分类模型之前，对所述逻辑回归模型进行训练，训练过程中的损失函数l(ω)满足：
[0111][0112]
其中，n为样本数，yi为样本i的实际标签值，p(xi)是样本i的预测标签值；p(xi)为所述逻辑回归模型所采用的逻辑函数，且ω表示待定系数，b表示截
距；
[0113]
所述待定系数ω通过梯度下降法得到，且所述待定系数ω满足：
[0114][0115]
其中，k为迭代次数，α为预设系数。
[0116]
在一种可能的实现方式中，所述装置还包括：
[0117]
第二训练模块，用于基于包含多个训练样本的训练集对所述融合分类模型进行训练，所述训练样本的标签对应至少一种故障类型。
[0118]
此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述光伏阵列故障检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0119]
具体的，参见图6所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
[0120]
在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述光伏阵列故障检测方法实施例的各个过程。
[0121]
收发器1130，用于在处理器1120的控制下接收和发送数据。
[0122]
本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
[0123]
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(accelerate graphical port，agp)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构(industry standard architecture，isa)总线、微通道体系结构(micro channel architecture，mca)总线、扩展isa(enhanced isa，eisa)总线、视频电子标准协会(video electronics standards association，vesa)、外围部件互连(peripheral component interconnect，pci)总线。
[0124]
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(central processing unit，cpu)、网络处理器(network processor，np)、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)、复杂可编程逻辑器件(complex programmable logic device，cpld)、可编程逻辑阵列(programmable logic array，pla)、微控制单元(microcontroller unit，mcu)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
[0125]
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方
法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(random access memory，ram)、闪存(flash memory)、只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0126]
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
[0127]
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
[0128]
应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(vpn)、局域网(lan)、无线局域网(wlan)、广域网(wan)、无线广域网(wwan)、城域网(man)、互联网(internet)、公共交换电话网(pstn)、普通老式电话业务网(pots)、蜂窝电话网、无线网络、无线保真(wi-fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(gsm)系统、码分多址(cdma)系统、全球微波互联接入(wimax)系统、通用分组无线业务(gprs)系统、宽带码分多址(wcdma)系统、长期演进(lte)系统、lte频分双工(fdd)系统、lte时分双工(tdd)系统、先进长期演进(lte-a)系统、通用移动通信(umts)系统、增强移动宽带(enhance mobile broadband，embb)系统、海量机器类通信(massive machine type of communication，mmtc)系统、超可靠低时延通信(ultra reliable low latency communications，urllc)系统等。
[0129]
应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存(flash memory)。
[0130]
易失性存储器包括：随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如：静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
[0131]
在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
[0132]
具体而言，操作系统1151包含各种系统程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器(media player)、浏览器(browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
[0133]
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述光伏阵列故障检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0134]
计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、非易失性随机存取存储器(nvram)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
[0135]
在本技术所提供的几个实施例中，应该理解到，所披露的装置、电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、机械的或其他的形式连接。
[0136]
所述作为分离部件说明的单元可以是或也可以不是物理上分开的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于一个位置，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
[0137]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0138]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计
算机设备(包括：个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
[0139]
在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
[0140]
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom)、闪存(flash memory)、光纤、光盘只读存储器(cd-rom)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
[0141]
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输，包括：无线、电线、光缆、射频(radio frequency，rf)或者以上任意合适的组合。
[0142]
可以以汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，例如：java、smalltalk、c++，还包括常规的过程式程序设计语言，例如：c语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括：局域网(lan)或广域网(wan)，可以连接到用户计算机，也可以连接到外部计算机。
[0143]
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
[0144]
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
[0145]
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
[0146]
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
[0147]
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。
技术特征：
1.一种光伏阵列故障检测方法，其特征在于，包括：预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据所述i-v曲线确定所述光伏阵列的物理模型；根据所述物理模型判断所述光伏阵列是否异常；在所述光伏阵列异常的情况下，获取所述光伏阵列的光伏数据，所述光伏数据包括所述光伏阵列的电压、电流、功率、辐照度和温度；将所述光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型；所述融合分类模型包括多个机器学习分类模型，用于融合多个所述机器学习分类模型的分类结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述i-v曲线确定所述光伏阵列的物理模型，包括：基于蜜蜂花朵授粉算法对物理模型的内部参数进行求解，确定与所述光伏阵列对应的物理模型；所述内部参数包括：光生电流i
ph
、二极管反向饱和电流i
o
、并联电阻阻值r
p
、串联电阻阻值r
s
和二极管理想常数a，所述物理模型为：其中，i表示所述光伏阵列的输出电流，u表示所述光伏阵列的输出电压，q表示电子电荷，t表示所述光伏阵列的绝对温度，k表示玻尔兹曼常数。3.根据权利要求1所述的方法，其特征在于，所述根据所述物理模型判断所述光伏阵列是否异常，包括：采集所述光伏阵列在当前温度和当前辐照度下的当前i-v曲线，并确定所述物理模型在所述当前温度和所述当前辐照度下的拟合结果；判断所述当前i-v曲线与所述拟合结果之间的偏差是否超过预设阈值；在所述偏差超过预设阈值的情况下，确定所述光伏阵列异常。4.根据权利要求1所述的方法，其特征在于，所述获取所述光伏阵列的光伏数据，包括：采集所述光伏阵列的原始光伏数据，对所述原始光伏数据中的缺失值和异常值进行筛选和填充，生成所需的所述光伏数据。5.根据权利要求1所述的方法，其特征在于，所述融合分类模型至少包括三个机器学习分类模型；三个所述机器学习分类模型分别为：基于bagging的随机森林分类器、基于boosting的xgboost分类器、基于深度学习的多层感知器分类器。6.根据权利要求5所述的方法，其特征在于，所述融合分类模型还包括元分类模型；所述元分类模型用于融合所述随机森林分类器、所述xgboost分类器、所述多层感知器分类器的分类结果，生成所述融合分类模型的分类结果。7.根据权利要求6所述的方法，其特征在于，所述元分类模型为逻辑回归模型；在所述将所述光伏数据输入至融合分类模型之前，还包括：对所述逻辑回归模型进行训练，训练过程中的损失函数l(ω)满足：
其中，n为样本数，y
i
为样本i的实际标签值，p(x
i
)是样本i的预测标签值；p(x
i
)为所述逻辑回归模型所采用的逻辑函数，且ω表示待定系数，b表示截距；所述待定系数ω通过梯度下降法得到，且所述待定系数ω满足：其中，k为迭代次数，α为预设系数。8.根据权利要求5所述的方法，其特征在于，还包括：基于包含多个训练样本的训练集对所述融合分类模型进行训练，所述训练样本的标签对应至少一种故障类型。9.一种光伏阵列故障检测装置，其特征在于，包括：物理模型模块，用于预先获取光伏阵列在任意温度和辐照度下的i-v曲线，根据所述i-v曲线确定所述光伏阵列的物理模型；判断模块，用于根据所述物理模型判断所述光伏阵列是否异常；获取模块，用于在所述光伏阵列异常的情况下，获取所述光伏阵列的光伏数据，所述光伏数据包括所述光伏阵列的电压、电流、功率、辐照度和温度；分类模块，用于将所述光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型；所述融合分类模型包括多个机器学习分类模型，用于融合多个所述机器学习分类模型的分类结果。10.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的光伏阵列故障检测方法中的步骤。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的光伏阵列故障检测方法中的步骤。
技术总结
本发明提供了一种光伏阵列故障检测方法、装置及电子设备，其中，该方法包括：根据预先获取光伏阵列的I-V曲线确定所述光伏阵列的物理模型；根据所述物理模型判断所述光伏阵列是否异常；在所述光伏阵列异常的情况下，将所述光伏阵列的光伏数据输入至融合分类模型，根据所述融合分类模型的分类结果确定所述光伏阵列的故障类型。通过本发明实施例提供的光伏阵列故障检测方法、装置及电子设备，将物理模型与机器学习相结合，可以实现在线实时故障诊断，保证了故障诊断的速度，同时提高了故障诊断的准确度；在线故障诊断还不影响光伏阵列的发电效率，可以实现故障类型判断，能够节省运维人员的现场排查时间。员的现场排查时间。员的现场排查时间。
