[发明专利]一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法

权利要求书

1.一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法，其特征在于，包括以下步骤：

步骤1、数据采集；

步骤2、数据预处理；

步骤3、搭建卷积神经网络；

步骤4、基于异步去中心化联邦学习框架建立联合故障诊断模型；

步骤5、联合故障诊断建模性能评估；

所述步骤4，包括以下步骤：

步骤4.1、利用伏安测试仪采集的本地数据集更新本地故障诊断模型；

步骤4.2、将更新后的本地模型参数发送给其它参与者；

步骤4.3、接收其它电站发送来的更新后的模型参数，当收集到的模型参数达到一定数量后，在本地完成模型聚合得到全局模型；

步骤4.4、将聚合得到的全局模型与现有的本地模型进行比较，保留其中故障诊断精度更高的模型作为新的本地模型，用于后续轮次的通信；

所述步骤4，参与联合建模的光伏电站充当的角色包括客户端和服务器；

所述异步去中心化联邦学习框架是分布式；

所述步骤5，包括以下步骤：

步骤5.1、评估联合故障诊断模型的准确率；

步骤5.2、评估异步去中心化联邦学习框架的通信效率；

步骤5.3、评估异步去中心化联邦学习框架的模型训练效率；

所述步骤1采集的数据包括光伏阵列的伏安特性曲线以及对应的温度和辐照度；

所述步骤1采集的数据包括光伏组件的正常状态、老化故障状态、短路故障状态、部分遮挡故障状态下的数据；

所述步骤2，包括以下步骤：

步骤2.1、读取原始伏安特性曲线，记录开路电压Vo和短路电流Isc；

步骤2.2、对数据进行降采样，在[0,Vo]范围内等距重新采样20个电压V_Rx，在[0,Isc]范围内等距重新采样20个电流I_Rx；

步骤2.3、对数据进行补全，计算出20个重采样电流I_Rx处对应的电压值，以及20个重采样电压V_Rx处对应的电流值；

步骤2.4、获取重采样后的伏安特性曲线，将得到的40个重采样点按电压降序进行排列，得到40*2的数组；

步骤2.5、数据重构，将40个重采样点对应的温度和辐照度构建为40*2的环境向量，与重采样后40*2的伏安特性曲线数组重构成40*4的二维数组。

2.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法，其特征在于，所述步骤2.3对数据进行补全方法包括双线性插值方法、拉格朗日插值方法、牛顿插值方法、三次Hermite插值方法。

3.如权利要求1所述的异步去中心化联邦学习的光伏电站联合故障诊断方法，其特征在于，所述CNN网络结构包括2-D CNN层、1-D CNN层、Maxpool层、全连接层、Softmax函数；CNN网络模型可以被以下用于分类的神经网络替代，包括BP神经网络、深度残差网络、深度置信网络、径向基网络。