本发明属于光伏设备故障诊断，具体涉及一种分布式光伏设备故障辨识精度提升方法、系统及相关装置。
背景技术：
1、分布式光伏发电系统是一种利用太阳能光伏电池板将光能转化为电能，利用逆变器将直流电转化为交流电，直接提供给用户的小型发电装置。分布式光伏发电系统的结构组成主要包括太阳能光伏电池板、逆变器、数据采集器及智能控制器等，其中，太阳能光伏电池板通过转化光能来产生电流，逆变器将直流电转化为交流电，数据采集器对光伏发电系统的各项指标进行采集监视，智能控制器用于控制光伏电池板的工作状态，实现对光伏发电系统的信息管理和监控。由于分布式光伏发电系统能够直接满足用户的用电需求，同时也能将多余的电能注入电网，因此受到了越来越多人的关注和广泛应用。相比于集中式光伏电站，分布式光伏发电系统建设周期短，施工方便，灵活性高，可以更好地满足当地小型能源供应的需求。维护和预防故障是分布式光伏发电系统最重要的工作之一，为了确保系统的稳定性和可靠性，需要定期维护系统设备，及时处理故障，从而不断优化系统的运行效率。
2、近年来，深度神经网络得到了广泛的研究。根据经验或自动设计新的网络模型，例如resnet、convnext、mnasnet和netadaptv2，是使深度神经网络能够胜任各种复杂应用的重要推动者。例如，alphago zero是alphago的一个显著改进版本，它构建在resnet上。目前，研究者已经建立了大量的深度神经网络模型，还有更多的模型正在开发中。对于应用程序用户来说，通过从这些现有深度神经网络模型组装模块来构建端到端的学习系统是一种更方便、更有效的解决方案。更普遍地说，采用预训练图像分类模型作为特征提取器，然后将其与用于图像检测、分割、迁移学习或其他视觉任务的附加层连接，已经成为一种简单、普遍的模型设计范式。然而，即使预训练的网络已经被广泛研究和使用，这种预训练深度神经网络与特定任务附加层级联范式不能保证总能取得令人满意的预测能力。
技术实现思路
1、本发明的目的在于针对上述现有技术中的问题，提供一种分布式光伏设备故障辨识精度提升方法、系统及相关装置，能够识别出分布式光伏设备故障辨识模型中导致精度下降的环节，通过适度的修改来修复造成模型识别精度下降的环节，提高故障辨识的准确性。
2、为了实现上述目的，本发明有如下的技术方案：
3、第一方面，本发明实施例提供一种分布式光伏设备故障辨识精度提升方法，包括：
4、获取分布式光伏设备图像输入预先建立的预训练图像分类模型，移除预训练图像分类模型中分类相关的层，并将预训练图像分类模型的剩余部分作为特征提取器，在特征提取器的末尾加上分布式光伏设备故障检测任务的附加层，利用分布式光伏设备图像完成模型训练；
5、使用分布式光伏设备故障诊断数据集中的图像对模型网络结构进行调整，并将模型主干网络中的特征图与调整之后模型主干网络中的特征图进行比较，计算调整前后的特征图差异；
6、根据特征图差异确定模型网络结构中的问题层并通过添加残差连接的方式进行修复；
7、实时采集分布式光伏设备图像输入修复后的模型，得到分布式光伏设备故障辨识结果。
8、作为一种优选的方案，所述预训练图像分类模型为采用卷积神经网络作为主干网络netbackbonep的模型。
9、作为一种优选的方案，在所述计算调整前后的特征图差异的步骤中，使用基于线性表示的方法计算两个特征图的差异，包括检查主干网络中每层的特征图，并使用聚集主成分能量集中率来表示误差。
10、作为一种优选的方案，在所述使用分布式光伏设备故障诊断数据集中的图像对模型网络结构进行调整的步骤中，模型网络结构调整之后的主干网络为netbackbones，使用主干网络netbackbonep相应层的特征图作为参考来诊断调整之后的主干网络netbackbones中某一层的特征图；主干网络netbackbonep中的特征图表示为fp(i,j)，i＝1,2,...,n，j＝1,2,...,mi，其中i是层索引，j是第i层的特征图索引，n是主干网络netbackbonep的层数，mi是网络netbackbonep的第i层上的特征图数目；调整之后的主干网络netbackbones中的特征图表示为fs(i,j)，i＝1,2,...,n，j＝1,2,...,mi；
11、根据特征图差异确定模型网络结构中的问题层时，从主干网络netbackbones中找到特征图由主干网络netbackbonep中相应的特征图线性表示难度由高到低排序之后的前p个层。
12、作为一种优选的方案，在所述将模型主干网络中的特征图与调整之后模型主干网络中的特征图进行比较，计算调整前后的特征图差异的步骤中，对于调整之后的主干网络netbackbones中层索引i＝k的特征图为待检查的特征图，则作为参考的主干网络netbackbones中特征图的层索引也为k，通过给定相同的输入图像，特征图fp(k,j)和fs(k,j)，j＝1，2，...,mk，分别在主干网络netbackbonep和主干网络netbackbones的第k层获得；使用系数矩阵来表示特征图fp(k,j)和特征图fs(k,j)之间的差异，记为w(i,j)，i＝1,2,...,n，j＝1,2,...,mi，计算表达式如下：
13、fs(k,j)＝w(k,j)×fp(k,j)
14、则，在k层处的w(k,j)通过如下表达式进行计算：
15、w(k,j)＝fs(k,j)×fp(k,j)-1
16、计算系数矩阵沿特征图的主成分能量分布w(k,j)，j＝1,2,...,mk，并按降序进行排序；对于每个系数矩阵，排序后的主成分能量分布表示为ew(k,j,r)，j＝1,2,...,mk，r＝1,2,...,r，其中r是特征图中特征的数目，ew(k,j,1)，j＝1,2,...,mk表示第k层的第j个特征图主成分能量最高的值；通过标量dc(k)，k＝1,2,...,n表示主干网络netbackbones中第k层特征由网络netbackbonep中第k层特征的线性表示的难度，dc(k)的计算表达式如下：
17、
18、其中，表示ew(k,j,1)占整个系数矩阵的总主成分能量的比率，即集中率，集中率越大表示表示w(k,j)的总主成分能量越专注于ew(k,j,1)，则对fs(k,j)进行表示需要的特征向量越少，表示难度越低；dc(k)表示k层的总集中率是所有系数矩阵w(k,j)中集中率的倒数之和，主干网络netbackbones中的每个层都有对应dc(i)，找出dc(i)最大的前p个层，被选择作为有问题的层，需要在模型修复时被修复。
19、作为一种优选的方案，在所述根据特征图差异确定模型网络结构中的问题层并通过添加残差连接的方式进行修复的步骤中，在模型网络结构中，为选出的p个层中每一个层均添加一个具有3×3卷积核的残差连接，得到新的主干网络netbackbonec，将主干网络netbackbonec中选出的p个层的参数反转为原始主干网络netbackbonep中对应层的参数，得到修复后的模型。
20、作为一种优选的方案，获取新的主干网络netbackbonec时，对所述残差连接新添加的3×3卷积核进行随机初始化。
21、第二方面，本发明实施例还提供一种分布式光伏设备故障辨识精度提升系统，包括：
22、模型构建模块，用于获取分布式光伏设备图像输入预先建立的预训练图像分类模型，移除预训练图像分类模型中分类相关的层，并将预训练图像分类模型的剩余部分作为特征提取器，在特征提取器的末尾加上分布式光伏设备故障检测任务的附加层，利用分布式光伏设备图像完成模型训练；
23、模型网络结构调整模块，用于使用分布式光伏设备故障诊断数据集中的图像对模型网络结构进行调整，并将模型主干网络中的特征图与调整之后模型主干网络中的特征图进行比较，计算调整前后的特征图差异；
24、模型修复模块，用于根据特征图差异确定模型网络结构中的问题层并通过添加残差连接的方式进行修复；
25、模型输出模块，用于实时采集分布式光伏设备图像输入修复后的模型，得到分布式光伏设备故障辨识结果。
26、第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现第一方面所述的分布式光伏设备故障辨识精度提升方法。
27、第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现第一方面所述的分布式光伏设备故障辨识精度提升方法。
28、相较于现有技术，本发明的第一方面至少具有如下的有益效果：
29、随着光伏装机容量的增多，光伏设备组件故障问题日益凸显，一旦光伏组件发生故障(如异物、脏污、裂痕、热斑等)，不仅会影响发电量，增加光伏场站的运维成本，还存在许多风险和安全隐患。本发明通过实时采集分布式光伏设备图像输入修复之后的深度神经网络模型即可自动识别出分布式光伏设备发生的故障。深度神经网络模型在应用过程中，对于故障辨识的精度起着至关重要的作用，本发明能够自动识别模型中导致精度下降最大的层并进行修复，来提高整个网络的准确性，在此过程中，本发明能够减少将预训练图像分类模型迁移到分布式光伏设备故障辨识整体模型过程中的精度下降，可通过自动的识别将预训练图像分类模型迁移到精度下降最大的层。通过将模型主干网络中的特征图与调整之后模型主干网络中的特征图进行比较，计算调整前后的特征图差异，根据特征图差异确定模型网络结构中的问题层并通过添加残差连接的方式进行修复，仅使用几个卷积核组成的残差连接即能够有效地修复模型网络结构中的问题层，在提高模型精度的基础上对串联/微调阶段几乎没有影响。
30、可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
1.一种分布式光伏设备故障辨识精度提升方法，其特征在于，包括：
2.根据权利要求1所述的分布式光伏设备故障辨识精度提升方法，其特征在于，所述预训练图像分类模型为采用卷积神经网络作为主干网络netbackbonep的模型。
3.根据权利要求2所述的分布式光伏设备故障辨识精度提升方法，其特征在于，在所述计算调整前后的特征图差异的步骤中，使用基于线性表示的方法计算两个特征图的差异，包括检查主干网络中每层的特征图，并使用聚集主成分能量集中率来表示误差。
4.根据权利要求3所述的分布式光伏设备故障辨识精度提升方法，其特征在于，在所述使用分布式光伏设备故障诊断数据集中的图像对模型网络结构进行调整的步骤中，模型网络结构调整之后的主干网络为netbackbones，使用主干网络netbackbonep相应层的特征图作为参考来诊断调整之后的主干网络netbackbones中某一层的特征图；主干网络netbackbonep中的特征图表示为fp(i,j)，i＝1,2,...,n，j＝1,2,...,mi，其中i是层索引，j是第i层的特征图索引，n是主干网络netbackbonep的层数，mi是网络netbackbonep的第i层上的特征图数目；调整之后的主干网络netbackbones中的特征图表示为fs(i,j)，i＝1,2,...,n，j＝1,2,...,mi；
5.根据权利要求4所述的分布式光伏设备故障辨识精度提升方法，其特征在于，在所述将模型主干网络中的特征图与调整之后模型主干网络中的特征图进行比较，计算调整前后的特征图差异的步骤中，对于调整之后的主干网络netbackbones中层索引i＝k的特征图为待检查的特征图，则作为参考的主干网络netbackbones中特征图的层索引也为k，通过给定相同的输入图像，特征图fp(k,j)和fs(k,j)，j＝1，2，...,mk，分别在主干网络netbackbonep和主干网络netbackbones的第k层获得；使用系数矩阵来表示特征图fp(k,j)和特征图fs(k,j)之间的差异，记为w(i,j)，i＝1,2,...,n，j＝1,2,...,mi，计算表达式如下：
6.根据权利要求5所述的分布式光伏设备故障辨识精度提升方法，其特征在于，在所述根据特征图差异确定模型网络结构中的问题层并通过添加残差连接的方式进行修复的步骤中，在模型网络结构中，为选出的p个层中每一个层均添加一个具有3×3卷积核的残差连接，得到新的主干网络netbackbonec，将主干网络netbackbonec中选出的p个层的参数反转为原始主干网络netbackbonep中对应层的参数，得到修复后的模型。
7.根据权利要求6所述的分布式光伏设备故障辨识精度提升方法，其特征在于，获取新的主干网络netbackbonec时，对所述残差连接新添加的3×3卷积核进行随机初始化。
8.一种分布式光伏设备故障辨识精度提升系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的分布式光伏设备故障辨识精度提升方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至9中任意一项所述的分布式光伏设备故障辨识精度提升方法。
