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！

龙图腾网获悉同济大学申请的专利基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法、装置、设备、存储介质及程序产品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：CN121053506B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511595281.4，技术领域涉及：G06V10/80；该发明授权基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法、装置、设备、存储介质及程序产品是由仝瑞宁;徐志宇设计研发完成，并于2025-11-03向国家知识产权局提交的专利申请。

本基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法、装置、设备、存储介质及程序产品在说明书摘要公布了：本发明公开了一种基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法、装置、设备、存储介质及程序产品，首先获取光伏发电阵列处于正常和各种故障状态运行时的辐照度、温度和电流‑电压曲线历史数据，数据预处理后得到初始训练样本集；对初始训练样本集执行多通道特征融合计算操作，得到二维图像训练样本集；构建正则化深层模型，并使用二维图像训练样本集进行训练得到光伏发电阵列故障诊断模型；获取新的光伏发电阵列运行时的数据样本，进行数据预处理和多通道特征融合计算操作后，得到新样本的二维图像；将新样本的二维图像输入到光伏发电阵列故障诊断模型中，得到最终的诊断结果。本发明的优点是提高了故障诊断准确率。

本发明授权基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法、装置、设备、存储介质及程序产品在权利要求书中公布了：1.一种基于多通道特征融合和正则化深层模型的光伏发电阵列故障诊断方法，其特征在于，包括： 步骤S1、获得光伏发电阵列处于正常和各种故障状态运行时的辐照度、温度和电流-电压IV曲线的历史数据样本，进行数据预处理后得到初始训练样本集； 步骤S2、对初始训练样本集执行多通道特征融合计算操作，得到光伏发电阵列处于正常状态和各种故障状态运行时的二维图像训练样本集； 步骤S3、使用上述二维图像训练样本集，标记上状态类别标签后，搭建正则化深层模型架构，训练正则化深层模型及其参数，将其作为光伏发电阵列故障诊断模型； 步骤S4、获取新的光伏发电阵列运行时的辐照度、温度和电流-电压IV曲线的数据样本，执行数据预处理和多通道特征融合计算操作后，得到新样本的二维图像； 步骤S5、将新样本的二维图像输入到步骤S3中训练得到的光伏发电阵列故障诊断模型中，得到最终的诊断结果； 所述步骤S1包括如下的步骤： 步骤S11、获取光伏发电阵列处于正常和各种故障状态运行时的辐照度、温度和电流-电压IV曲线历史数据； 获得个实际辐照度和温度变化范围内的光伏发电阵列正常和种故障状态的IV曲线数据样本，每种状态采集个样本，其中每个样本包括辐照度、温度和128点采样的对应电流-电压IV曲线数据，共258个特征值； 步骤S12、对步骤S11中获取的IV曲线数据执行数据预处理计算操作，得到初始训练样本集； 对于电流通道，对步骤S11中获取的IV曲线数据，在电压方向上均匀降采样64个电压值，然后对电流进行线性插值，得到数据预处理后的电流值,其计算公式如下所示： 1； 式中：是数据预处理后的电流值，是均匀降采样后的电压值，和分别是原始IV曲线中最靠近的左侧电压值和右侧电压值，和分别是原始IV曲线中和对应的电流值； 对于电压通道，对步骤S11中获取的IV曲线数据，在电流方向上均匀降采样64个电流值，然后对电压进行线性插值，得到数据预处理后的电压值,其计算公式如下所示： 2； 式中：是数据预处理后的电压值，是均匀降采样数据点的电流值，和分别是原始IV曲线中最靠近的左侧电流值和右侧电流值，和分别是原始IV曲线中和对应的电压值； 所述步骤S2包括如下的步骤： 步骤S21：对步骤S1中数据预处理后得到的个电流通道初始训练样本执行格拉姆角和场GASF及格拉姆角差场GADF计算操作，得到光伏发电阵列处于正常状态和种故障状态运行时的电流-格拉姆角和场及电流-格拉姆角差场二维图像训练样本集； 对于电流通道，首先进行归一化计算，得到归一化后的电流值,其计算公式如下所示： 3； 式中：是通过归一化后得到的新电流值，是对应的辐照度和温度在正常状态时的短路电流值； 然后通过下式将归一化后得到的新电流值转换为极坐标形式，其计算公式如下所示： 4； 式中：为经过反余弦函数变换后的极角； 最终，计算获得电流通道的格拉姆角和场GASF图像特征矩阵，该图像矩阵是一个64行64列的数值方阵，其计算公式如下所示：5； 同时，计算获得电流通道的的格拉姆角差场GADF图像特征矩阵，该图像矩阵是一个64行64列的数值方阵，其计算公式如下所示：6； 步骤S22：对步骤S1中数据预处理后得到的个电压通道初始训练样本执行格拉姆角和场GASF及格拉姆角差场GADF计算操作，得到光伏发电阵列处于正常状态和种故障状态运行时的电流-格拉姆角和场及电流-格拉姆角差场二维图像训练样本集； 对于电压通道，首先进行归一化计算，最终得到归一化后的电压值，其计算公式如下所示： 7； 式中：是通过归一化后得到的新电压值，是对应的辐照度和温度在正常状态时的开路电压值； 通过下式将归一化后得到的新电压值转换为极坐标形式，其计算公式如下所示： 8； 式中：为经过反余弦函数变换后的极角； 最终，计算获得电压通道的的格拉姆角和场GASF图像特征矩阵，该图像矩阵是一个64行64列的数值方阵，其计算公式：9； 同时，获得电压通道的的格拉姆角差场GADF图像特征矩阵，该图像矩阵是一个64行64列的数值方阵，其计算公式如下所示：10； 步骤S23、将步骤S21中计算得到的电流通道GASF图像特征矩阵和GADF图像特征矩阵和步骤S22中计算得到的电压通道的GASF图像特征矩阵和GADF图像特征矩阵，执行矩阵对应位置的值加权相加，从而完成多通道特征融合计算操作，最终得到光伏发电阵列处于正常状态和各种故障状态运行时的二维图像训练样本集，每个样本的计算如下式所示： 11； 式中：为人为设置的权值，且满足； 所述步骤S3包括如下的步骤： 步骤S31、获得步骤S23中得到的光伏发电阵列处于正常状态和种故障状态运行时的二维图像训练样本集，并为标记上状态类别标签； 二维图像训练样本集包含正常状态和种故障状态，每种状态各采集个训练样本，每个训练样本是由公式11计算得到的图像矩阵；将正常状态标记为标签1，种故障状态的标签依次为； 步骤S32、搭建正则化深层模型架构； 模型前部架构包含三层嵌套的局部特征提取模块，并且模型后部架构包含四层嵌套的全局特征提取模块； 三层嵌套的局部特征提取模块计算公式如下所示： 12； 式中：是公式11计算得到的二维图像训练样本，和分别是第一层局部特征提取模块提取的特征和模块参数，和分别是第二层局部特征提取模块提取的特征和模块参数，和分别是第三层局部特征提取模块提取的特征和模块参数，，，，分别是深度学习中通用的二维卷积、批归一化、激活函数和二维最大池化计算操作； 四层嵌套的全局特征提取模块的计算公式如下所示： 13； 式中：和分别是第一层全局特征提取模块提取的特征和模块参数，和分别是第二层全局特征提取模块提取的特征和模块参数，和分别是第三层全局特征提取模块提取的特征和模块参数，和分别是第四层全局特征提取模块提取的特征和模块参数，,分别是深度学习中通用的激活函数和全连接计算操作； 步骤S33、构造用于训练正则化深层模型参数的损失函数； 损失函数包括交叉熵损失项和正则化损失项： 最小化交叉熵损失项使得特征与其真实标签对应的分类权值向量之间的夹角更小，增强了同一状态类别特征的类内紧凑性，其计算方式如下式所示： 14； 式中：分别是标签对应的分类权值，并且对和均进行L2范数归一化处理； 最小化正则化损失项使得不同真实标签对应的分类权值向量之间的夹角保持整体最大，增强了不同状态类别特征的类间区分性，其计算方式如下式所示： 15； 式中：是每个标签与其它标签分类权值向量之间夹角余弦值集合中的最大值； 最终，正则化深层模型的损失函数表达为下式： 16； 式中：是人为设定的正则化损失项权衡系数； 根据模型训练的迭代次数进行动态设置，其计算公式如下所示： 17； 式中：是模型训练的当前迭代次数，是模型训练的总迭代次数，即最大迭代次数； 步骤S34、初始化步骤S32中搭建的正则化深层模型的模块参数和步骤S33中标签对应的分类权值向量； 对于和向量参数，随机赋予它们范围为[-1,1]之间的数值，作为模型参数初始值； 步骤S35、以最小化公式16所述的损失函数为目标，通过梯度下降方法逐步迭代更新正则化深层模型的参数和，将达到预设最大迭代次数时，正则化深层模型及其参数作为最终的光伏发电阵列故障诊断模型； 每一步更新参数的计算公式如下所示： 18； 式中，表示，在第次迭代时的参数值，表示，在第次迭代时的参数值，表示学习率即迭代步长，表示损失函数在第次迭代时对的导数； 所述步骤S4包括如下的步骤： 步骤S41、获取新的光伏发电阵列运行时的辐照度、温度和电流-电压IV曲线数据样本，该新样本包括辐照度、温度和128点采样的对应电流-电压IV曲线数据，共258个特征值； 步骤S42、执行步骤S1中公式1和公式2所述的数据预处理和步骤2中公式3-11所示的多通道特征融合计算操作后，得到新样本的二维图像； 在计算新样本的二维图像时，公式3和公式7中的短路电流值和开路电压值需要重新确定；确定方法为：首先寻找历史数据样本库中，与新样本辐照度和温度最近邻的历史样本，然后将该历史样本的短路电流值和开路电压值作为公式3和公式7中的短路电流值和开路电压值，从而计算得到新样本的二维图像； 所述步骤S5包括如下的步骤： 步骤S51、将新样本的二维图像输入到步骤S3中公式12和公式13得到的光伏发电阵列故障诊断模型，获得模型第四层全局特征提取模块提取的特征； 对执行步骤S32中公式12和公式13，依次计算三层嵌套的局部特征提取模块和四层嵌套的全局特征提取模块，得到新样本的特征输出； 步骤S52、将新样本的特征输出进行Soft-max归一化计算和最大逻辑判断得到最终的诊断标签，并将标签和光伏发电阵列状态一一对应得到最终的诊断结果； Soft-max归一化的计算公式如下所示： 19； 式中：分别是标签对应的分类权值，进行了L2范数归一化处理； 最大逻辑判断的计算公式如下所示： 20； 式中：是新样本的诊断标签，是中最大值对应的下标； 若是中的最大值，则新样本的诊断标签是第类。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。

以上内容由龙图腾AI智能生成。