买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利一种智能化光伏组件复合故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115913112B 。

龙图腾网通过国家知识产权局官网在2025-06-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211678142.4，技术领域涉及：H02S50/10；该发明授权一种智能化光伏组件复合故障诊断方法是由刘琦;杨博;刘宇翔;于文彬;陈彩莲;关新平设计研发完成，并于2022-12-26向国家知识产权局提交的专利申请。

本一种智能化光伏组件复合故障诊断方法在说明书摘要公布了：本发明公开了一种智能化光伏组件复合故障诊断方法，涉及光伏组件运维技术领域，该方法包括以下步骤：数据预处理；局部关键点搜索；局部关键区域区间选取；局部关键区域插值重构；以及构建全局‑局部双流协同诊断框架。该方法使得全局模型和局部模型可以共享相同网络结构的CNN开展训练，将原始的单标签多分类问题转化为多标签二分类问题进行解决，提出了模型参数自适应切换机制以及全局‑局部双流协同模型融合机制，有效提高了模型复合故障诊断精度，有利于在多种故障同时发生后快速准确地开展快速维护。

本发明授权一种智能化光伏组件复合故障诊断方法在权利要求书中公布了：1.一种智能化光伏组件复合故障诊断方法，其特征在于，包括以下步骤： 步骤1、数据预处理； 步骤2、局部关键点搜索； 其中包括： 步骤21、全局样本获取；经过所述数据预处理后的完整I-V曲线记为全局样本，所述全局样本是由40个离散数据点xi,yi构成，并且在曲线上是均匀分布的； 步骤22、局部一阶差分计算；定义I-V线上相邻两采样点xm,ym，xm+1,ym+1且xm+1xm在xm,ym处的局部一阶差分值g′xm为： 步骤23、平缓点筛选，定义完整I-V曲线中局部一阶差分绝对值小于α的采样点为平缓采样点；基于所述步骤S22中依次计算出的所述全局样本中相邻两采样点的39个所述一阶差分值，筛选出所述I-V曲线上的平缓点集合T： T＝findabs|g′xi＜α|，i＝2，...，39 其中，find函数的作用是筛选出满足括号内约束条件的采样点相对位置，abs||为绝对值函数，α为事先给定的常数值； S24、局部关键点搜索； 其中包括：定义所述平缓采样点比相邻左侧局部一阶差分绝对值至少小β倍为第一为局部关键点，所述平缓采样点比相邻右侧局部一阶差分绝对值至少小γ倍的采样点为第二局部关键点，并筛选出I-V曲线上的局部关键点集合O： O1＝findβ*abs|g′xi|≤abs|g′xi-1|，i＝2，...，38 O2＝findγ*abs|g′xi|≤abs|g′xi+1|，i＝2，...，38 O＝O1∪O2 其中，O1表示第一局部关键点子集，O2分别表示第二局部关键点子集，符号∪表示并集，β和γ为事先给定的常数值； 步骤3、局部关键区域区间选取； 其中包括： 步骤31、复合故障样本分组抽样；将训练集中遮挡、老化、短路以及开路四种单一故障类型同时发生时的复合故障全局样本数T平均分为z组，每组采用不放回采样方式得到k个随机样本，即 步骤32、局部关键点标记；分别对各个组中的所有样本执行所述步骤S24局部 关键点筛选，执行完毕后每个全局样本的I-V曲线上都会被标记相应数量的局部关键点； 步骤33、局部关键点分类； 其中包括： 将所述局部关键点细分为局部特征头部标记点、局部特征尾部标记点和局部特征中部标记点；其中，所述局部特征头部标记点是相对位置最靠前的局部关键点；所述局部特征尾部标记点是相对位置最靠后的局部关键点；所述局部特征中部标记点是排除所述局部特征头部标记点和所述局部特征尾部标记点的剩余标记点； 步骤34、数据分布随机组分类； 其中包括：将所述局部特征头部标记点的数据归为局部特征头部随机组对应的局部特征头部随机组总体样本记为Xh，将所述局部特征尾部标记点的数据归为局部特征中部随机组对应的局部特征中部随机组总体样本记为Xm，将所述局部特征尾部标记点的数据归为局部特征尾部随机组对应的局部特征尾部随机组总体样本记为Xl； 步骤35、数据分布转化； 其中包括：假定所述头部随机组样本或者所述中部随机组样本或者所述尾部随机组样本记为{Xi}，总体样本记为X，总体样本的均值记为μ，方差记为σ2，概率分布函数记为Φ，i表示同一种类型的不同随机组，i＝1,2,...,z；显然各组样本{Xi}满足独立同分布，且其中和分别表示总体样本的均值和方差； 令： 同时，令为的特征函数，可得： 其中，和分别是特征函数的一阶导数和二阶导数，j为复数，故j2＝-1；从而可以进一步得到的特征函数在原点的泰勒展开式为： 记Xz的特征函数为可得： 当分组数z较大时近似服从正态分布可得对应的期望、方差以及概率分布分别为： 将所述头部随机组样本、所述中部随机组样本以及所述尾部随机组样本三类随机组的局部关键点分布转化为近似服从正态分布，也即 步骤36、构建局部关键区域区间；即在保障至少95％置信度的前提下分别确定最终的头部局部关键区域、中部局部关键区域以及尾部局部关键区域； 其中包括： 步骤361、针对局部特征头部随机组依据以下公式 得到所述头部局部关键区域区间为其中i＝1,2,...,z； 步骤362、针对局部特征中部随机组依据以下公式 得到中部局部关键区域区间为 其中i＝1，2，...，z； 步骤363、针对局部特征尾部随机组依据以下公式 得到所述尾部局部关键区域区间为其中i＝1,2,...,z； 步骤4、局部关键区域插值重构；按照局部关键区域插值方法对所述头部局部关键区域、所述中部局部关键区域以及所述尾部局部关键区域进行重构； 其中所述局部关键区域插值方法包括： 步骤41、基于全局维度，计算出区间内每两个原始样本点之间所需的重采样点个数； 步骤42、得到I-V曲线上相邻两插值点xm，xm+1的函数值及局部一阶差分值分别为： yi＝gxi，ti＝g′xi，i＝m，m+1， 步骤S43、构造局部特征插值多项式Cx，使其满足： Cxi＝yi，C′xi＝ti，i＝m，m+1 引入四个指针函数r1x,r2x,s1x,s2x来表征局部特征插值函数Cx的两个组成部分Ci,i＝1,2，它们都是阶次小于等于二的多项式： C1x＝ymr1x+tms1x C2x＝ym+1r2x+tm+1s2x βixj＝0，β′ixj＝δij，i＝1，2， Cxi＝yi，C′xi＝y′0，i＝m，m+1， 局部特征插值函数Cx表示为： Cx＝C1x+C2x xm+1是r1x的二重零点，r1x的在xm+1处的指针函数值和局部差分函数值相同且均为零，令： r1x＝px2+pxm+1 2+qx2-2px*xm+1+qxm+1 2-2qx*xm+1 由r1xm+1＝r1′xm+1＝0可得： 将xm，xm+1互换可得： 同理可得： 两点间的局部插值公式为： Cx＝C1x+C2x＝ymr1x+tmS1x+ym+1r2x+tm+1S2x； 步骤5、构建全局-局部双流协同诊断框架； 其中包括： 步骤51、全局样本获取； 步骤52、局部样本获取，以获得头部初始局部样本、中部初始局部样本和尾部初始局部样本； 步骤53、标签编码与数据集构建； 其中包括： 将每种故障类型的标签编码为一个维度为1×4的二值向量，分别对应4种单一故障类型，其中第一列代表遮挡故障，第二列代表老化故障，第三列代表短路故障，第四列代表开路故障； 对所述全局样本以及所述头部初始局部样本、所述中部初始局部样本和所述尾部初始局部样本，分别单独编码一个标志位； 步骤54、搭建共享CNN网络模型； 步骤55、执行模型参数自适应切换； 其中包括： 步骤551、初始化一个共享CNN网络，记全局多标签分类模型的网络参数向量为Wg，记头部局部多标签分类模型的网络参数向量为Wh、中部局部多标签分类模型的网络参数向量为Wm，尾部局部多标签分类模型的网络参数向量为Wl，并将它们组合构建得到全局-局部模型参数向量Wswitch： Wswitch＝[Wg，Wh，Wm，Wl] 步骤552、将待诊断的样本输入所述共享CNN网络并优先读取样本的标志位，从而识别出样本属于所述全局样本、或者所述头部初始局部样本、或者所述中部初始局部样本、或者所述尾部初始局部样本中的哪一个； 步骤553、基于标志位的识别结果，共享CNN网络模型自适应地从全局-局部模型参数向量Wswitch中选择相应的模型参数向量进行加载实现模型参数切换，记模型参数切换为Wg,Wh,Wm和Wl时的共享CNN网络模型分别为CNNg,CNNh,CNNm和CNNl，其中CNNg记为多标签分类全局模型，CNNh,CNNm和CNNl分别记为多标签分类模型头部局部模型、多标签分类中部局部模型、多标签分类尾部局部模型； 步骤554、利用模型参数切换后的共享CNN网络模型对待诊断样本进行预测分别得到相应所述多标签分类全局模型、所述多标签分类头部局部模型、所述多标签分类中部局部模型、所述多标签分类尾部局部模型的多标签预测结果； 步骤56、执行全局-局部模型融合机制，得到诊断结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。