开云优惠体育网页版入口

专利名称：分布式光伏设备通信异常诊断方法、系统、设备及介质

专利类型：发明专利

专利申请号：CN202411367841.6

专利申请（专利权）人：华能(福州长乐)光伏发电有限责任公司
权利人地址：福建省福州市仓山区林浦路闽江世纪金源办公楼E5-15层华能

专利发明（设计）人：陈瑜,刘子煌,陈明,施嘉

专利摘要：本发明涉及分布式光伏设备通信异常诊断方法、系统、设备及介质，其中方法包括以下步骤：获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断。

主权利要求：
1.一种分布式光伏设备通信异常诊断方法，其特征在于，包括以下步骤：获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；
预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；
对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；
构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；
利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断；
其中，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：；
其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征； 表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；
对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：；
其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第个历史通信数据在第 个预定时段的总信号数量；
根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：；
；
其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第个预定时段的通信特征； 和 为预设的权重系数；
其中，所述利用训练样本集对诊断模型进行训练的步骤具体为：构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵的训练，训练的目标函数设置为：；
其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；
初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；
利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：；
其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；
迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。
2.一种分布式光伏设备通信异常诊断系统，其特征在于，包括：数据采集模块，用于获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；
预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；
样本集构建模块，用于对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；
模型训练模块，用于构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；
诊断模块，用于利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断；
其中，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：；
其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征； 表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；
对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：；
其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第个历史通信数据在第 个预定时段的总信号数量；
根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：；
；
其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第个预定时段的通信特征； 和 为预设的权重系数；
其中，所述利用训练样本集对诊断模型进行训练的步骤具体为：构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵的训练，训练的目标函数设置为：；
其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；
初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；
利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：；
其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；
迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。
3.一种电子设备，包括存储器、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，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的方法。
4.一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，该程序被处理器执行时实现如权利要求1所述的方法。 说明书 : 分布式光伏设备通信异常诊断方法、系统、设备及介质技术领域[0001] 本发明涉及分布式光伏设备通信异常诊断方法、系统、设备及介质，属于光伏设备监测技术领域。背景技术[0002] 光伏设备布置方式的选择对于提高能源利用效率具有至关重要的意义。在众多布置方式中，分布式布置以灵活性强、适应范围广、运维便捷等特点，成为了光伏设备当前应用最为广泛的布置策略。[0003] 公开号为CN104201783A的中国发明专利公开了一种分布式发电系统及其通信性能的诊断方法，其能够使用户对发电系统中的通信性能进行快速的诊断，及时发现通信问题。[0004] 但是上述方法仅是简单的通过信号强度进行通信性能的诊断，并不准确，并且分布式布置的光伏设备存在设备安装时间不同，设备型号不同，接入地点不同导致的不同光伏设备采用不同通信方式的情况，例如部分光伏设备采用LORA通信，部分光伏设备采用5G通信，部分光伏设备采用载波通信，不同的通信方式的通信特性不同，仅仅通过信号强度进行异常诊断无法保证诊断结果的精确度。发明内容[0005] 为了解决上述现有技术中存在的问题，本发明提出了一种分布式光伏设备通信异常诊断方法、系统、设备及介质。[0006] 本发明的技术方案如下：[0007] 一方面，本发明提出一种分布式光伏设备通信异常诊断方法，包括以下步骤：[0008] 获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；[0009] 预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；[0010] 对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；[0011] 构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；[0012] 利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断。[0013] 作为优选实施方式，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：[0014] 对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：[0015] ；[0016] 其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征；表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；[0017] 对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：[0018] ；[0019] 其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第 个历史通信数据在第 个预定时段的总信号数量；[0020] 根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：[0021] ；[0022] ；[0023] 其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第 个预定时段的通信特征； 和 为预设的权重系数。[0024] 作为优选实施方式，在获取每一历史通信数据的通信特征数据，构建为训练样本集的步骤中，还包括对通信特征数据进行特征降维的步骤，具体为：[0025] 基于每一历史通信数据的通信特征数据 ，构建每一历史通信数据的协方差矩阵：[0026] ；[0027] 其中， 为第 个历史通信数据的协方差矩阵， ，其中，， =1,2,3，…m， 、 分别对应协方差矩阵的行和列，m为协方差矩阵的阶数；[0028] 获取协方差矩阵的特征向量：[0029] ；[0030] ；[0031] 其中， 为协方差矩阵的特征向量， 为协方差矩阵的特征值； 为矩阵变量的平均值 表示期望；[0032] 以每一历史通信数据的协方差矩阵的特征向量 作为降维后的通信特征数据。[0033] 作为优选实施方式，所述利用训练样本集对诊断模型进行训练的步骤具体为：[0034] 构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵 的训练，训练的目标函数设置为：[0035] ；[0036] 其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；[0037] 初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；[0038] 利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：[0039] ；[0040] 其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；[0041] 迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。[0042] 另一方面，本发明还提出一种分布式光伏设备通信异常诊断系统，包括：[0043] 数据采集模块，用于获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；[0044] 预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；[0045] 样本集构建模块，用于对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；[0046] 模型训练模块，用于构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；[0047] 诊断模块，用于利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断。[0048] 作为优选实施方式，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：[0049] 对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：[0050] ；[0051] 其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征；表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；[0052] 对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：[0053] ；[0054] 其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第 个历史通信数据在第 个预定时段的总信号数量；[0055] 根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：[0056] ；[0057] ；[0058] 其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第 个预定时段的通信特征； 和 为预设的权重系数。[0059] 作为优选实施方式，在获取每一历史通信数据的通信特征数据，构建为训练样本集的步骤中，还包括对通信特征数据进行特征降维的步骤，具体为：[0060] 基于每一历史通信数据的通信特征数据 ，构建每一历史通信数据的协方差矩阵：[0061] ；[0062] 其中， 为第 个历史通信数据的协方差矩阵， ，其中， ， =1,2,3，…m， 、 分别对应协方差矩阵的行和列，m为协方差矩阵的阶数；[0063] 获取协方差矩阵的特征向量：[0064] ；[0065] ；[0066] 其中， 为协方差矩阵的特征向量， 为协方差矩阵的特征值； 为矩阵变量的平均值 表示期望；[0067] 以每一历史通信数据的协方差矩阵的特征向量 作为降维后的通信特征数据。[0068] 作为优选实施方式，所述利用训练样本集对诊断模型进行训练的步骤具体为：[0069] 构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵 的训练，训练的目标函数设置为：[0070] ；[0071] 其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；[0072] 初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；[0073] 利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：[0074] ；[0075] 其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；[0076] 迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。[0077] 再一方面，本发明还提出一种电子设备，包括存储器、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，所述处理器执行所述程序时实现如本发明任一实施例所述的方法。[0078] 再一方面，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的方法。[0079] 本发明具有如下有益效果：[0080] 1、本发明一种分布式光伏设备通信异常诊断方法，在获取分布式光伏设备的通信数据时进行预处理，得到能表征通信特性的通信特征数据，并构建了基于径向基函数神经网络的诊断模型，对应于不同光伏设备的通信方式建立聚类中心作为网络隐藏层各节点的中心点，模型能够适应不同通信方式的通信特性进行通信异常诊断，极大提高了分布式光伏设备的通信异常诊断精确度。[0081] 2、本发明一种分布式光伏设备通信异常诊断方法，通过最大信号强度和超过阈值的信号平均值的比值表征预定时段的信号尺度大。俑莩藕陪兄档男藕攀亢妥苄藕攀康谋戎当碚髟ざㄊ倍文诘男藕牌畛潭，通过信号尺度大小和信号偏差程度构建通信信号特征，能够很好地表达预定时段内的通信特征。[0082] 3、通过特征降维操作，减少了数据集中的特征数量，同时尽量保留原始数据的重要信息，从而简化数据分析过程，提高模型的泛化能力和计算效率。附图说明[0083] 图1为本发明实施例一的方法流程示意图。具体实施方式[0084] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0085] 应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。[0086] 应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。[0087] 术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。[0088] 术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。[0089] 实施例一：[0090] 参见图1，本实施例提供一种分布式光伏设备通信异常诊断方法，具体包括以下步骤：[0091] S100、获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；[0092] 预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；[0093] S200、对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；[0094] S300、构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；[0095] S400、利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断。[0096] 作为本实施例的优选实施方式，在步骤S200中，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：[0097] 对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：[0098] ；[0099] 其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征；表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；[0100] 对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：[0101] ；[0102] 其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第 个历史通信数据在第 个预定时段的总信号数量；[0103] 根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：[0104] ；[0105] ；[0106] 其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第 个预定时段的通信特征； 和 为预设的权重系数。[0107] 本实施例通过最大信号强度和超过阈值的信号平均值的比值表征预定时段的信号尺度大。俑莩藕陪兄档男藕攀亢妥苄藕攀康谋戎当碚髟ざㄊ倍文诘男藕牌畛潭，通过信号尺度大小和信号偏差程度构建通信信号特征，能够很好地表达预定时段内的通信特征。[0108] 步骤S200得到了通信特征数据的数据量较大，直接用于模型训练的话所需要的硬件性能较高，训练时间较长，作为本实施例的优选实施方式，在获取每一历史通信数据的通信特征数据，构建为训练样本集的步骤中，还进行了特征降维操作；具体为：[0109] 基于每一历史通信数据的通信特征数据 ，构建每一历史通信数据的协方差矩阵：[0110] ；[0111] 其中， 为第 个历史通信数据的协方差矩阵， ，其中， ， =1,2,3，…m， 、 分别对应协方差矩阵的行和列，m为协方差矩阵的阶数；[0112] 获取协方差矩阵的特征向量：[0113] ；[0114] ；[0115] 其中， 为协方差矩阵的特征向量， 为协方差矩阵的特征值； 为矩阵变量的平均值 表示期望；[0116] 以每一历史通信数据的协方差矩阵的特征向量 作为降维后的通信特征数据。[0117] 本实施例通过特征降维操作，减少了数据集中的特征数量，同时尽量保留原始数据的重要信息，从而简化数据分析过程，提高模型的泛化能力和计算效率。[0118] 作为本实施例的优选实施方式，所述利用训练样本集对诊断模型进行训练的步骤具体为：[0119] 构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵 的训练，训练的目标函数设置为：[0120] ；[0121] 其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；[0122] 初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；[0123] 利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：[0124] ；[0125] 其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；[0126] 迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。[0127] 基于上述实施方式，本实施例构建的光伏设备通信异常诊断模型，能够适应不同光伏设备采用不同通信方式的通信特点进行通信异常诊断，极大提高了分布式光伏设备的通信异常诊断精确度。[0128] 实施例二：[0129] 本实施例提出一种分布式光伏设备通信异常诊断系统，包括：[0130] 数据采集模块，用于获取分布式布置的各个光伏设备的历史通信数据，并对各历史通信数据进行预处理；该模块用于实现实施例一中步骤S100的功能，在此不再赘述；[0131] 预处理具体包括：获取通信信号波，根据通信信号波获取每个预定时段内信号强度超过设定阈值的信号以及总信号数量；[0132] 样本集构建模块，用于对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇，构建为训练样本集；该模块用于实现实施例一中步骤S200的功能，在此不再赘述；[0133] 模型训练模块，用于构建基于径向基函数神经网络的诊断模型，以不同通信方式作为径向基函数神经网络中的聚类中心，利用训练样本集对诊断模型进行训练，得到训练好的光伏设备通信异常诊断模型；该模块用于实现实施例一中步骤S300的功能，在此不再赘述；[0134] 诊断模块，用于利用训练好的光伏设备通信异常诊断模型进行分布式光伏设备的通信异常在线诊断；该模块用于实现实施例一中步骤S400的功能，在此不再赘述。[0135] 作为本实施例的优选实施方式，所述对于每一经过预处理的历史通信数据进行特征提。袢∶恳焕吠ㄐ攀莸耐ㄐ盘卣魇莸牟街璋：[0136] 对于每一历史通信数据，获取每一预定时段的信号尺度特征，具体为：[0137] ；[0138] 其中， 表示第 个历史通信数据在第 个预定时段的信号尺度特征；表示取最大值函数； 表示第 个历史通信数据在第 个预定时段的第 个超过设定阈值的信号的信号强度；N为第 个历史通信数据在第 个预定时段的超过设定阈值的信号数量；[0139] 对于每一历史通信数据，获取每一预定时段的信号差异度特征，具体为：[0140] ；[0141] 其中， 表示第 个历史通信数据在第 个预定时段的信号差异度特征； 表示第 个历史通信数据在第 个预定时段的总信号数量；[0142] 根据每一预定时段的信号尺度特征和信号差异度特征构建每一历史通信数据的通信特征数据：[0143] ；[0144] ；[0145] 其中， 为第 个历史通信数据的通信特征数据； 表示第 个历史通信数据在第 个预定时段的通信特征； 和 为预设的权重系数。[0146] 作为优选实施方式，在获取每一历史通信数据的通信特征数据，构建为训练样本集的步骤中，还包括对通信特征数据进行特征降维的步骤，具体为：[0147] 基于每一历史通信数据的通信特征数据 ，构建每一历史通信数据的协方差矩阵：[0148] ；[0149] 其中， 为第 个历史通信数据的协方差矩阵， ，其中， ， =1,2,3，…m， 、 分别对应协方差矩阵的行和列，m为协方差矩阵的阶数；[0150] 获取协方差矩阵的特征向量：[0151] ；[0152] ；[0153] 其中， 为协方差矩阵的特征向量， 为协方差矩阵的特征值； 为矩阵变量的平均值 表示期望；[0154] 以每一历史通信数据的协方差矩阵的特征向量 作为降维后的通信特征数据。[0155] 作为优选实施方式，所述利用训练样本集对诊断模型进行训练的步骤具体为：[0156] 构建隶属度矩阵 表示第 个训练样本是否属于第 个聚类，首先执行隶属度矩阵 的训练，训练的目标函数设置为：[0157] ；[0158] 其中， 表示最小化函数， 表示输入的第 个训练样本， 表示第 个聚类中心； 为隶属度矩阵； 为：凳 为训练样本的数量， 为聚类的个数；[0159] 初始化一隶属度矩阵，根据当前隶属度矩阵计算每个聚类中心，再以计算出的每个聚类中心和输入数据之间的距离更新隶属度矩阵，直至目标函数值达到预设的阈值，得到收敛的隶属度矩阵；[0160] 利用收敛的隶属度矩阵进行诊断模型的训练，诊断模型的目标函数设置为：[0161] ；[0162] 其中， 表示输入样本在实际通信方式的异常状态标签值， 表示诊断模型输出的输入样本属于第 个聚类的异常状态预测值；[0163] 迭代训练直至诊断模型的目标函数值达到预设的阈值或者达到最大迭代次数，得到训练好的光伏设备通信异常诊断模型。[0164] 实施例三：[0165] 本实施例提出一种电子设备，包括存储器、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，所述处理器执行所述程序时实现如本发明任一实施例所述的方法。[0166] 实施例四：[0167] 本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的方法。[0168] 本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。[0169] 本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0170] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0171] 在本申请所提供的几个实施例中，任一功能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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read?OnlyMemory；以下简称：ROM)、随机存取存储器(RandomAccessMemory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0172] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

专利地区：福建

专利申请日期：2024-09-29

专利公开日期：2024-11-29

专利公告号：CN118890291B