小样本下利用深度迁移学习的光伏故障诊断

摘要

针对实际故障样本稀缺导致的光伏故障诊断模型分类准确度不高与泛化性能受限的问题，提出一种基于深度迁移学习的故障诊断模型(MaSANet).首先，根据实际阵列建立故障仿真系统以获取仿真故障数据.其次，将仿真故障数据与实际阵列正常工作状态的数据结合进行训练，提高模型在实际中的适用性.最后，对于拥有少量实际故障样本的情况，进一步利用预训练-微调的迁移学习方法，增强模型在实测数据中的性能表现.实验结果表明，所提出的诊断模型对18种故障状态的分类准确率达到96.24%,而预训练-微调的迁移方法高达99.95%,说明MaSANet模型在实际故障样本稀缺情况下泛化性能好、诊断准确率高.

关键词

光伏阵列 / 故障诊断 / I-V曲线 / 深度学习 / 迁移学习

基金资助

国家自然科学基金资助项目(62271151,W2421092); 福建省自然科学基金面上资助项目(2021J01580)