CN116955965B - 一种基于太阳能数据故障预测方法、设备以及存储介质 - Google Patents

Abstract

本发明实施例提供了一种基于太阳能数据故障预测方法、设备以及存储介质。本发明实施例通过获取太阳能板群组中各太阳能板的工作状态数据；对所述各太阳能板的工作状态数据进行预处理，得到中间信息；将中间信息输入预设的故障预测模型中，以判断所述太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测所述太阳能板群组中故障区域的空间注意力模型，实现故障预警，达到提高太阳能系统整体运行稳定性和光伏转化效率的效果。

Description

一种基于太阳能数据故障预测方法、设备以及存储介质

技术领域

本发明涉及太阳能数据处理管理技术领域，尤其涉及一种基于太阳能数据故障预测方法、设备以及存储介质。

背景技术

太阳能数据包括太阳光照能量，太阳能电池板是一种将太阳能转化为电能的装置，现有技术中的太阳能电池板通常以阵列的形式安装在特定区域，每个太阳能电池板对应一个安装区。

然而，在实际运行中，某些安装区中的太阳能电池板可能会因自身老化、损坏或被遮挡等问题导致输出功率降低。如果这些太阳能电池板长期处于低输出功率状态，将会浪费安装区的土地利用面积，并降低整个特定区域中太阳能电池板的发电效率，造成太阳能电池板的有效利用率。因此，急需一种能够对各安装区的太阳能电池板进行监控管理的系统，以便及时维护这些太阳能电池板。

发明内容

本发明的至少一个实施例提供了一种基于太阳能数据故障预测方法、设备以及存储介质，以便于解决现有技术中太阳能电池板的有效利用率的问题。

第一方面，本发明实施例提供了一种基于太阳能数据故障预测方法，包括：

获取太阳能板群组中各太阳能板的工作状态数据；

对所述各太阳能板的工作状态数据进行预处理，得到中间信息；

将中间信息输入预设的故障预测模型中，以判断所述太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测所述太阳能板群组中故障区域的空间注意力模型。

可选地，所述工作状态数据包括实时输出功率和太阳能板的硬件信息，对所述各太阳能板的工作状态数据进行预处理，得到中间信息的步骤，包括：

基于所述太阳能板的硬件信息判断所述太阳能板群组各太阳能板的输出功率是否一致；

若所述太阳能板群组中存在太阳能板输出功率不一致，则对所述太阳能板群组各太阳能板的实时输出功率进行归一化处理，得到中间信息。

可选地，所述故障预测模型为卷积神经网络模型，所述卷积神经网络模型包括卷积层和池化层，其中，所述的卷积层的建立过程包括：

设置卷积层输出为特征图F其尺寸为H×W×C，其中H表示高度，W表示宽度，C表示通道数，所述特征图为所述太阳能板输出功率图中某个位置的特征值；

对所述特征图进行全局平均池化操作，将其降维为一个特征向量，全局平均池化操作将所述太阳能板输出功率图的每个通道上的特征图进行平均池化，得到一个C维的特征向量；

将所述C维的特征向量输入到第一全连接层中，第一全连接层用于学习权重的缩放因子，将特征向量映射为一个中间特征向量，并将中间特征向量输入到第二全连接层中，所述第二全连接层用于学习激活函数，以将中间特征向量映射为注意力权重；

基于激活函数对第二全连接层的输出进行计算，以将中间特征向量映射为注意力权重；

将所述注意力权重进行reshape重塑计算，将其尺寸从1维向量转换为与所述特征图相同的尺寸，得到一个与所述特征图尺寸相同的注意力图；

将所述注意力图与所述特征图进行按元素乘法运算，即将注意力图的每个元素与所述特征图的对应元素相乘，得到注意力加权特征；

设置卷积层的卷积核，并基于所述注意力加权特征和所述卷积核建立卷积层。

可选地，将所述注意力图与所述特征图进行按元素乘法运算，即将注意力图的每个元素与所述特征图的对应元素相乘的步骤中，所述注意力权重的表达式如下：

；

其中，A表示所述注意力权重，F表示所述太阳能板输出功率图中某个位置的特征值，为第一全连接层的权重，/>为第两全连接层的权重，/>表示激活函数，/>表示缩放操作。

可选地，设置卷积层的卷积核，并基于所述注意力加权特征和所述卷积核建立卷积层的步骤中，所述卷积层的表达式如下：

；

其中，W表示的卷积核，A表示所述注意力权重，X为卷积层的输入，即所述太阳能板输出功率图，S为卷积的结果。

可选地，所述池化层的建立过程包括：

将所述卷积层输出的特征图设置为所述池化层的输入，以将所述太阳能板输出功率图降采样；

确定池化层的注意力权重系数；

根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作。

可选地，根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作的表达式如下：

；

其中，P（i，j）表示每个位置（i,j）输出的特征值，B(m，n)表示每个区域的注意力权重系数，X（i+m-1，j+n-1）表示所述特征图中的对应位置。可选地，确定池化层的注意力权重系数的步骤，包括：

定义一个与池化操作后输出特征图大小相同的矩阵B，用于存储每个区域的注意力权重系数；

对于每个区域(m, n)，根据所示工作状态数据计算每个区域的重要性权重；

基于计算得到的重要性权重进行归一化处理，使得注意力权重系数B(m, n)的取值范围在0到1之间；

第二方面，本发明实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述基于太阳能数据故障预测方法。

第三方面，本发明实施例提供一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时，实现如第一方面任一项所述的基于太阳能数据故障预测方法。

本发明实施例通过获取太阳能板群组中各太阳能板的工作状态数据；对所述各太阳能板的工作状态数据进行预处理，得到中间信息；将中间信息输入预设的故障预测模型中，以判断所述太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测所述太阳能板群组中故障区域的空间注意力模型，实现故障预警，达到提高太阳能系统整体运行稳定性和光伏转化效率的效果。

附图说明

图1是本发明实施例提供的一种基于太阳能数据故障预测方法流程示意图；

图2是本发明实施例提供的另一种基于太阳能数据故障预测方法流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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做出创造性劳动的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。

在现有技术中，各安装区中的太阳能电池板在同样的工况下的输出功率通常是相同或相近的，但是某些安装区中的太阳能电池板可能因自身老化、损坏等问题或被其他物体遮挡的情况造成输出功率降低，如果该安装区的太阳能电池板长期处于低输出功率的状态，不仅浪费了安装区的土地利用面积，还降低了该特定区域中太阳能电池板的整体发电效率，降低了太阳能电池板的有效利用率。

但是目前主要解决上述技术问题的手段，常规都是通过逻辑判断的方式去确定太阳能板是否发生故障，但是这种方法非黑即白，并不适用于太阳能板群组的工况下使用，例如：光线的角度不同，丁达尔效应的产生都会影响太阳能板群组中不同区域的太阳能板的输出功率，在实际应用中无法通过判断光照强度去确认究竟是这块太阳能板出现了故障，还只是因为遮挡，因此，在研究过程中，将太阳能群组以区域划分单位，从而去判断该区域中某块太阳能板是出现故障，还是因为光线不充足导致的暂时性输出功率降低的问题，因为光线照射本来就是一个区域性问题，因此更加不能够去针对某一块太阳能板而进行故障诊断，所以需要设计的是预警，先准确的判断有可能存在故障的太阳能板，再借助现场勘查的工作，方能更加精确的管控整个太阳能系统。

基于此，首先本发明提供一种基于太阳能数据故障预测方法，如图1所示，包括：

步骤S1：获取太阳能板群组中各太阳能板的工作状态数据；

该步骤是指收集太阳能板群组中每个太阳能板的工作状态数据。这些信息可以包括每个太阳能板的输出功率、温度、损坏程度等指标。通过监测设备或传感器，可以实时获取太阳能板的工作状态数据；

示例：使用传感器网络监测太阳能板群组中每个太阳能板的输出功率和温度，将这些信息存储或传输给监控系统，步骤S1是指获取太阳能板群组中各太阳能板的工作状态数据，包括但不仅限于输出功率、温度等指标，通过安装传感器网络，监测太阳能板群组中每个太阳能板的输出功率和温度，并将这些信息传输给后台监控系统。

在本发明实施例通过获取太阳能板群组中各太阳能板的工作状态数据，可以实时监测太阳能板的运行情况，以通过后续计算能够及时发现异常或故障。

步骤S2：对所述各太阳能板的工作状态数据进行预处理，得到中间信息；

该步骤是指对步骤S1中获取的太阳能板工作状态数据进行预处理，以得到中间信息。预处理可以包括数据清洗、特征提取、数据转换等操作，旨在准备数据用于故障预测模型的输入。

对太阳能板工作状态数据进行异常值处理、缺失值填充和数据归一化，提取关键特征如功率变化趋势，转换数据格式为适合故障预测模型的输入。步骤S2是指对太阳能板的工作状态数据进行预处理操作，以得到适合故障预测模型输入的中间信息；

本发明实施例通过对太阳能板工作状态数据的预处理，可以清洗数据、提取关键特征，为故障预测模型提供准备好的输入数据。

步骤S3：将中间信息输入预设的故障预测模型中，以判断太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测太阳能板群组中故障区域的空间注意力模型；

该步骤是指将经过预处理的中间信息输入预设的故障预测模型中，以判断太阳能板群组中是否存在故障的太阳能板。故障预测模型可以根据中间信息进行训练，其中包含自适应检测太阳能板群组中故障区域的空间注意力模型；

使用机器学习算法或神经网络构建故障预测模型，将预处理后的中间信息作为输入，模型中包含空间注意力模型，用于自适应检测太阳能板群组中故障区域。步骤S3是指将经过预处理的中间信息输入故障预测模型中，以判断太阳能板群组中是否存在故障的太阳能板，并且故障预测模型中包含自适应检测太阳能板群组中故障区域的空间注意力模型。

本发明实施例通过故障预测模型的判断，可以准确检测太阳能板群组中是否存在故障的太阳能板，并且采用空间注意力模型可以自适应地检测故障区域。

另外在实际应用中，当太阳能板群组中存在故障的太阳能板时，向控制端发送预警信息。

该步骤是指当故障预测模型判断太阳能板群组中存在故障的太阳能板时，向控制端发送预警信息，以便及时采取维修或替换措施。当故障预测模型检测到太阳能板群组中存在故障的太阳能板时，通过网络或通信系统向控制端发送预警信息，包括故障的太阳能板位置、故障类型等。步骤S4是指当故障预测模型判断太阳能板群组中存在故障的太阳能板时，向控制端发送预警信息，以便及时采取维修或替换措施，可以及时通知维护人员太阳能板群组中存在故障的太阳能板，以便及时采取维修或替换措施，提高太阳能系统的稳定性和效率。

综上所述，本发明实施例通过获取太阳能板群组中各太阳能板的工作状态数据；对所述各太阳能板的工作状态数据进行预处理，得到中间信息；将中间信息输入预设的故障预测模型中，以判断所述太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测所述太阳能板群组中故障区域的空间注意力模型，提前预警并采取相应措施，确保太阳能系统整体运行稳定性和光伏转化效率。

另外，倘若在没有引入空间注意力机制的情况下，监控系统可能对整个太阳能电池板区域进行均匀监控。这样会导致系统在监控和维护方面的资源浪费，因为只有少部分区域出现故障或问题。而引入空间注意力机制后，监控系统可以自适应地关注故障区域，减少对正常区域的监控需求，从而提高监控和维护的效率，减少资源浪费，下面本发明将结合具体的工作步骤对此进行进一步展开说明。

基于前言中提到的，在研究中表示，光线的角度不同，丁达尔效应的产生都会影响太阳能板群组中不同区域的太阳能板的输出功率，在实际应用中无法通过判断光照强度去确认究竟是这块太阳能板出现了故障，还只是因为遮挡，因此，本发明核心出发点为将太阳能群组以区域划分单位，从而去判断该区域中某块太阳能板是出现故障，还是因为光线不充足导致的暂时性输出功率降低的问题，为此，本发明实施例引入注意力机制，将可以解决该点技术问题，其原理在于太阳能电池板的故障可能出现在不同的区域，而不是整个太阳能电池板都受到影响，为了更好地关注故障区域（或者说因为遮挡问题，暂时性输出功率下降），可以引入空间注意力机制，以使卷积层能够自适应地关注太阳能电池板的不同区域。

在本发明提供的又一实施例中，所述故障预测模型为卷积神经网络模型，所述卷积神经网络模型的卷积层的建立过程包括：

步骤S101：设置卷积层输入为太阳能板输出功率图，其尺寸为H×W×C，其中H表示高度，W表示宽度，C表示通道数；

该步骤是指将太阳能板的输出功率图作为卷积层的输入数据。太阳能板输出功率图的尺寸为H×W×C，其中H表示图像的高度，W表示图像的宽度，C表示图像的通道数；

示例：将太阳能板的输出功率图作为卷积层的输入数据，尺寸为H×W×C，将太阳能板的输出功率图作为卷积层的输入数据，尺寸为32×32×3；

本发明实施例通过将太阳能板的输出功率图作为卷积层的输入数据，可以提取图像中的特征信息，用于后续的处理和分析。

步骤S102：对所述特征图进行全局平均池化操作，将其降维为一个特征向量，全局平均池化操作将所述太阳能板输出功率图的每个通道上的特征图进行平均池化，得到一个C维的特征向量；

该步骤是指对太阳能板输出功率图进行全局平均池化操作，将图像降维为一个特征向量。全局平均池化操作是对太阳能板输出功率图的每个通道上的特征图进行平均池化，得到一个C维的特征向量。

对太阳能板输出功率图进行全局平均池化操作，将图像降维为一个特征向量。步骤S102是指对太阳能板输出功率图进行全局平均池化操作，将图像降维为一个特征向量。

例如对太阳能板输出功率图进行全局平均池化操作，将图像降维为一个3维的特征向量，通过对太阳能板输出功率图进行全局平均池化操作，可以减少特征维度，提取图像的整体特征。

步骤S103：将所述C维的特征向量输入到第一全连接层中，第一全连接层用于学习权重的缩放因子，将特征向量映射为一个中间特征向量，并将中间特征向量输入到第二全连接层中，所述第二全连接层用于学习激活函数，以将中间特征向量映射为注意力权重；

该步骤是指将C维的特征向量输入到第一全连接层中，并通过学习权重的缩放因子将特征向量映射为一个中间特征向量。然后，将中间特征向量输入到第二全连接层中，第二全连接层用于学习激活函数，将中间特征向量映射为注意力权重。

示例：将C维的特征向量输入到第一全连接层中，学习权重的缩放因子，将特征向量映射为一个中间特征向量，然后将中间特征向量输入到第二全连接层中，学习激活函数，将中间特征向量映射为注意力权重；

本发明实施例通过将特征向量输入到全连接层中，可以学习权重和激活函数，将特征向量映射为注意力权重。

步骤S104：基于激活函数对第二全连接层的输出进行运算，以将中间特征向量映射为注意力权重。

该步骤是指对第二全连接层的输出进行运算，使用激活函数将中间特征向量映射为注意力权重。

示例：基于激活函数对第二全连接层的输出进行运算，将中间特征向量映射为注意力权重；

本发明通过激活函数的运算，可以将中间特征向量映射为注意力权重，用于后续的注意力加权特征计算。

步骤S105：将所述注意力权重进行reshape重塑计算，将其从1维向量转换为与F相同的尺寸，得到一个与F尺寸相同的注意力图；

该步骤是指对注意力权重进行reshape重塑计算，将其从1维向量转换为与太阳能板输出功率图相同的尺寸，得到一个与太阳能板输出功率图尺寸相同的注意力图；

示例：对注意力权重进行reshape重塑计算，将其从1维向量转换为与太阳能板输出功率图相同的尺寸，得到一个与太阳能板输出功率图尺寸相同的注意力图。

本发明实施例通过将注意力权重重塑为与太阳能板输出功率图相同的尺寸，可以将注意力权重应用于太阳能板输出功率图，实现对不同区域的注意力加权。

步骤S106：将所述注意力图与所述特征图进行按元素乘法运算，即将注意力图的每个元素与所述特征图的对应元素相乘，得到注意力加权特征；

该步骤是指将注意力图与太阳能板输出功率图进行按元素乘法运算，即将注意力图的每个元素与太阳能板输出功率图的对应元素相乘，得到注意力加权特征；

示例：将注意力图与太阳能板输出功率图进行按元素乘法运算，得到注意力加权特征；

本发明实施例通过将注意力图与太阳能板输出功率图进行按元素乘法运算，可以将注意力权重应用于太阳能板输出功率图，突出重要区域的特征，提高系统的监控管理效果。

具体地，所述注意力加权特征的表达式如下：

；

其中，A表示所述注意力权重，F表示所述太阳能板输出功率图中某个位置的特征值，为第一全连接层的权重，/>为第两全连接层的权重，/>表示激活函数，/>表示缩放操作。

通过这样的计算方式，可以得到一个与输入特征图F尺寸相同的注意力加权特征A（m，n），用于自适应地调整每个空间位置的特征重要性。在卷积层中，将注意力加权特征A（m，n）与输入特征图F进行点乘，即可得到最终的注意力加权特征。

步骤S107，设置卷积层的卷积核，并基于所述注意力加权特征和所述卷积核建立卷积层；

所述卷积层的表达式如下：

；

其中，W表示的卷积核，A表示所述注意力权重，X为卷积层的输入，即所述太阳能板输出功率图，S为卷积的结果。

卷积层改进说明：

本发明实施例通过研究在传统的太阳能电池板监控领域中，引入空间注意力机制可以通过自适应地关注太阳能电池板的不同区域来改进卷积层。这可以通过引入注意力机制来实现。

空间注意力机制的改进可以通过在卷积层中引入注意力权重来实现。注意力权重用于自适应地调整每个空间位置的特征重要性，以便更好地关注太阳能电池板的故障区域。

在SENet中，引入了一个全局平均池化层和两个全连接层来计算注意力权重。具体地，在卷积层之后，可以添加一个全局平均池化层，将卷积层的输出降维为一个特征向量。然后，将该特征向量输入到两个全连接层中，这两个全连接层分别用于学习权重的缩放因子和激活函数。最后，将学习到的注意力权重与卷积层的输出进行点乘，得到最终的注意力加权特征。通过引入空间注意力机制，卷积层可以自适应地关注太阳能电池板的不同区域，提高对故障区域的关注度，从而改进太阳能电池板的监控效果。具体的实现细节可以根据实际情况和需求进行调整和优化。

以下将详细的对设计思路和有益效果进行详细说明：

首先，在太阳能电池板监控领域中，引入空间注意力机制可以通过自适应地关注太阳能电池板的不同区域来改进卷积层。这可以通过引入SENet（Squeeze-and-ExcitationNetwork）中的注意力机制来实现，空间注意力机制的改进可以通过在卷积层中引入注意力权重来实现。注意力权重用于自适应地调整每个空间位置的特征重要性，以便更好地关注太阳能电池板的故障区域。

具体改进的公式如下：

；

其中，W表示的卷积核，X为卷积层的输入，S为卷积的结果；

在SENet中，引入了一个全局平均池化层和两个全连接层来计算注意力权重。具体地，在卷积层之后，可以添加一个全局平均池化层，将卷积层的输出降维为一个特征向量。然后，将该特征向量输入到两个全连接层中，这两个全连接层分别用于学习权重的缩放因子和激活函数。最后，将学习到的注意力权重与卷积层的输出进行点乘，得到最终的注意力加权特征；

具体改进的公式如下：

；

其中，W表示的卷积核，A表示所述注意力权重，X为卷积层的输入，即所述太阳能板输出功率图，S为卷积的结果。

在本发明实施例中，通过引入空间注意力机制，卷积层可以自适应地关注太阳能电池板的不同区域，提高对故障区域的关注度，从而改进太阳能电池板的监控效果。具体的实现细节可以根据实际情况和需求进行调整和优化。

然后，A(m,n)是通过学习得到的注意力权重，用于自适应地调整每个空间位置的特征重要性。在引入空间注意力机制时，A(m,n)的计算可以通过以下步骤进行：

假设卷积层的输出为F，其尺寸为H×W×C，其中H表示高度，W表示宽度，C表示通道数；对F进行全局平均池化，将其降维为一个特征向量。全局平均池化操作将F的每个通道上的特征图进行平均池化，得到一个C维的特征向量；将这个特征向量输入到两个全连接层中。第一个全连接层用于学习权重的缩放因子，将特征向量映射为一个中间特征向量。第二个全连接层用于学习激活函数，将中间特征向量映射为最终的注意力权重；最后，将学习到的注意力权重进行reshape操作，将其从1维向量转换为与F相同的尺寸，得到一个与F尺寸相同的注意力图；

具体地，A(m,n)的计算可以表示为：

；

其中，A表示所述注意力权重，F表示所述太阳能板输出功率图中某个位置的特征值，为第一全连接层的权重，/>为第两全连接层的权重，/>表示激活函数，/>表示缩放操作。

在本发明实施例中，在太阳能电池板监控领域中引入空间注意力机制，可以带来以下有益效果：

1、提高故障检测的准确性：通过自适应地关注太阳能电池板的不同区域，特别是故障区域，可以增强对故障的检测能力。注意力机制可以使模型更加关注输出功率较低的安装区，从而更容易检测到可能存在的故障情况。

2、提高监控效率：通过注意力机制，可以减少对整个太阳能电池板区域的监控需求，只关注有问题的区域。这样可以减少计算和存储资源的使用，提高监控系统的效率。

3、提高太阳能电池板的维护效率：注意力机制可以帮助及时发现故障区域，以便进行及时的维护和修复。这样可以减少故障持续时间，最大程度地保持太阳能电池板的正常运转状态。

最后，本发明实施例提供一个实际示例，说明引入空间注意力机制的卷积层的构建方案步骤：

输入：假设输入特征图为F，其尺寸为H×W×C，其中H表示高度，W表示宽度，C表示通道数，在太阳能数据管控领域中，特征图F可以是指太阳能电池板的输出功率图。特征图F的尺寸可以根据实际情况进行设计，通常是一个二维矩阵，每个元素表示对应位置的太阳能电池板的输出功率。特征图F可以通过监测系统对太阳能电池板进行实时采集和处理得到，用于后续的数据分析、故障检测等工作。在构建具有空间注意力机制的卷积层中，特征图F作为输入，经过一系列的操作和处理，最终得到注意力加权特征，用于优化太阳能电池板的监控和维护。

全局平均池化：对输入特征图F进行全局平均池化操作，将其降维为一个特征向量。全局平均池化操作将F的每个通道上的特征图进行平均池化，得到一个C维的特征向量；

全连接层1：将全局平均池化得到的特征向量输入到第一个全连接层中。第一个全连接层用于学习权重的缩放因子，将特征向量映射为一个中间特征向量。中间特征向量的维度可以根据实际需求进行设计；

全连接层2：将中间特征向量输入到第二个全连接层中。第二个全连接层用于学习激活函数，将中间特征向量映射为最终的注意力权重；

激活函数：对第二个全连接层的输出进行激活函数操作，将中间特征向量映射为最终的注意力权重。常用的激活函数可以选择sigmoid函数或softmax函数；

Reshape操作：将学习到的注意力权重进行reshape操作，将其从1维向量转换为与F相同的尺寸，得到一个与F尺寸相同的注意力图；

注意力加权：在卷积层中，将注意力图与输入特征图F进行按元素乘法运算，即将注意力图的每个元素与F的对应元素相乘，得到最终的注意力加权特征；

通过以上步骤，即可构建具有空间注意力机制的卷积层。注意力加权特征可以作为下一层的输入，用于后续的特征提取和处理。

池化层改进说明：

在太阳能电池板监控领域中，池化层可以通过引入自适应池化方法来进行改进。传统的池化层通常采用固定的池化窗口大小和步幅，将输入特征图划分为不重叠的区域，并取每个区域中的最大值或平均值作为池化结果。然而，在太阳能电池板监控中，不同区域的太阳能电池板可能具有不同的状态和特征重要性，固定的池化操作可能无法充分考虑到这些差异。

为了更好地利用太阳能电池板的监控信息，可以引入自适应池化方法，该方法可以根据输入特征图中每个区域的重要程度自动调整池化窗口大小和步幅。具体地，可以通过一个可学习的注意力机制来计算每个区域的重要性权重，然后根据这些权重来自适应地调整池化窗口大小和步幅。

基于此，在本发明提供的又一实施例中，所述故障预测模型为卷积神经网络模型，所述卷积神经网络模型的池化层的建立过程包括：

步骤S201：将太阳能板输出功率图设置为池化层的输入，以对太阳能板输出功率图进行降采样；

该步骤是指将太阳能板输出功率图作为池化层的输入，通过池化操作对太阳能板输出功率图进行降采样。

本发明实施例通过对太阳能板输出功率图进行降采样，可以减少特征维度，降低计算复杂度，提取图像的重要特征。

具体地，步骤S201确定池化层的注意力权重系数的步骤，包括：

定义一个与池化操作后输出特征图大小相同的矩阵B，用于存储每个区域的注意力权重系数；

对于每个区域(m, n)，根据所示工作状态数据计算每个区域的重要性权重；

基于计算得到的重要性权重进行归一化处理，使得注意力权重系数B(m, n)的取值范围在0到1之间；

将归一化后的注意力权重系数B(m, n)存储到矩阵B中的对应位置，得到所述注意力权重系数。

步骤S202：确定池化层的注意力权重系数；

该步骤是指确定池化层的注意力权重系数，用于对池化层的输出特征图进行加权求和。

本发明实施例通过确定池化层的注意力权重系数，可以动态调整池化操作中不同区域的重要性，提高系统的监控管理效果。

步骤S203：根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作。

该步骤是指根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作。

本发明实施例通过根据注意力权重系数对池化层的输出特征图进行加权求和，可以动态调整池化操作，突出重要区域的特征，提高系统的监控管理效果。

具体地，步骤S203，根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作的表达式如下：

；

其中，P(i,j)表示每个位置(i,j)输出的特征值，B(m,n)表示每个区域的注意力权重系数，X(i+m=1,j+n-1)表示所述特征图中的对应位置。

以下将详细的对设计思路和有益效果进行详细说明：

在太阳能数据管控领域，采用的初始设计池化层如下：

；

其中，P(i,j)表示池化层输出的特征图中位置(i, j)的值，X(i+m=1,j+n-1)表示输入特征图中位置(i+m=1,j+n-1)的值，max表示取输入特征图中指定窗口内的最大值操作。

对于自适应池化层，其主要体现在计算池化窗口大小和步幅的过程中，根据输入特征图中每个区域的重要性来自动调整，在设计思路中，研究人员通过自适应池化层引入了注意力权重系数B(m,n)，它表示每个区域的重要性权重，这些权重可以通过学习得到，也可以根据先验知识或其他规则来确定。

具体地，注意力权重系数B(m,n)可以通过以下步骤计算：

定义一个注意力机制，该机制根据输入特征图中每个区域的重要程度来计算相应的权重。这可以是一个全连接层、卷积层或其他形式的函数；

将注意力机制应用于输入特征图，得到每个区域的注意力权重系数B(m,n)；

将注意力权重系数B(m,n)与输入特征图X(i+m=1,j+n-1)相乘，然后再求和，得到自适应池化层中每个位置(m,n)的输出特征值P(i,j)。

通过这个过程，自适应池化层可以根据输入特征图中每个区域的重要性来自动调整池化窗口大小和步幅，从而更好地利用太阳能电池板的监控信息。对于重要性较高的区域，池化窗口可以较小，从而保留更多的细节信息；而对于重要性较低的区域，池化窗口可以较大，从而减少计算量并提高计算效率。

综上所述，自适应池化层通过引入注意力权重系数，根据输入特征图中每个区域的重要性来自动调整池化窗口大小和步幅，从而实现对太阳能电池板的自适应监控管理。

在太阳能电池板监控领域中，池化层的改进可以通过引入注意力机制来提高监控效果。注意力机制可以根据输入特征图中每个区域的重要性来动态调整池化操作，从而更好地捕捉太阳能电池板的细节信息。

具体地，可以通过以下公式来计算池化层中每个位置(i,j)的输出特征值P(i,j)：

；

其中，B(m,n)表示每个区域的注意力权重系数，X(i+m=1,j+n-1)表示输入特征图中的对应位置；

注意力权重系数B(m,n)可以通过以下公式计算：

；

其中，f是一个函数，可以是全连接层、卷积层或其他形式的操作，用于计算每个区域的重要性得分。softmax函数用于对得分进行归一化，确保注意力权重系数的总和为1。

通过引入注意力机制，池化层可以根据输入特征图中每个区域的重要性动态调整池化操作，保留重要的细节信息，从而提高太阳能电池板的监控效果。重要性较高的区域会有较大的注意力权重，从而保留更多的细节信息；而重要性较低的区域则会有较小的注意力权重，从而减少信息损失。

总之，通过引入注意力机制，可以改进池化层，提高太阳能电池板的监控效果。通过计算每个区域的注意力权重系数，并根据权重系数对输入特征图进行加权求和，可以动态调整池化操作，保留重要的细节信息。

在太阳能电池板监控中，池化层的建立步骤如下：

输入特征图：首先，将输入的特征图作为池化层的输入。

池化操作：使用池化操作对输入特征图进行降采样，减少特征图的尺寸。常见的池化操作有最大池化和平均池化。

计算注意力权重系数：根据池化层的输出特征图，使用一些指标或方法计算每个区域的重要性。例如，可以使用太阳能电池板的输出功率、温度、损坏程度等来计算注意力权重系数。

动态调整池化操作：根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作。具体地，根据以下公式计算每个位置(i,j)的输出特征值P(i,j)：

；

其中,B(m,n)表示每个区域的注意力权重系数，X(i+m=1,j+n-1)表示输入特征图中的对应位置。

输出特征图：最后，得到经过动态调整的池化操作后的输出特征图，作为池化层的输出。

在上述步骤中，计算注意力权重系数和动态调整池化操作的公式分别对应动态调整池化操作的建立过程。计算注意力权重系数的公式用于根据输入特征图中每个区域的重要性，计算每个区域的注意力权重系数B(m,n)。动态调整池化操作的公式则用于根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作。

另外，针对于注意力权重系数B(m,n)的计算可以根据具体的需求和场景进行设计，以下本发明实施例提供的一种计算方法：

首先，定义一个与池化操作后输出特征图大小相同的矩阵B，用于存储每个区域的注意力权重系数；

对于每个区域(m,n)，可以根据一些指标或方法计算其重要性。例如，在太阳能电池板监控中，可以使用太阳能电池板的输出功率、温度、损坏程度等作为指标。具体的计算方法可以根据实际情况进行选择，例如可以使用线性函数、非线性函数或机器学习模型来计算重要性得分；

根据计算得到的重要性得分，可以对其进行归一化处理，使得注意力权重系数B(m,n)的取值范围在0到1之间。归一化的方法可以采用线性缩放、Sigmoid函数等；

将归一化后的注意力权重系数B(m,n)存储到矩阵B中的对应位置；

通过以上步骤，可以计算得到每个区域的注意力权重系数B(m, n)，用于动态调整池化操作。需要注意的是，具体的计算方法和权重系数的定义可以根据具体的应用场景和需求进行调整和优化。

在本发明提供的又一实施例中，所述工作状态数据包括实时输出功率和太阳能板的硬件信息，步骤S2，对所述各太阳能板的工作状态数据进行预处理，得到中间信息的步骤，如图2所示，包括：

步骤S21：基于所述太阳能板的硬件信息判断所述太阳能板群组各太阳能板的输出功率是否一致；

该步骤是指根据太阳能板的硬件信息，判断太阳能板群组中各太阳能板的输出功率是否一致。太阳能板的硬件信息可以包括太阳能电池片的类型、功率等。

本发明通过判断太阳能板群组中各太阳能板的输出功率是否一致，可以发现输出功率不一致的太阳能板，为后续的归一化处理提供依据，为的适应太阳能板群组中可能太阳能板的型号不同，即输出功率可能不同，所以进行归一化处理能够避免对后续计算提供了错误前提的可能性。

步骤S22：若所述太阳能板群组中存在太阳能板输出功率不一致，则对所述太阳能板群组各太阳能板的实时输出功率进行归一化处理，得到中间信息；

该步骤是指当太阳能板群组中存在太阳能板输出功率不一致时，对各太阳能板的实时输出功率进行归一化处理，以得到中间信息。归一化处理可以将各太阳能板的输出功率映射到一个统一的范围内，便于后续的分析和比较。

本发明实施例通过对太阳能板群组中输出功率不一致的太阳能板进行归一化处理，可以将各太阳能板的输出功率映射到一个统一的范围内，方便后续的分析和比较。

本发明实施例还提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于太阳能数据故障预测方法，其特征在于，包括：

获取太阳能板群组中各太阳能板的工作状态数据；

对所述各太阳能板的工作状态数据进行预处理，得到中间信息；

将中间信息输入预设的故障预测模型中，以判断所述太阳能板群组中是否存在故障的太阳能板，所述故障预测模型中包含自适应检测所述太阳能板群组中故障区域的空间注意力模型；

所述故障预测模型为卷积神经网络模型，所述卷积神经网络模型包括卷积层和池化层，其中，所述的卷积层的建立过程包括：

设置卷积层输出为特征图F其尺寸为H×W×C，其中H表示高度，W表示宽度，C表示通道数，所述特征图为所述太阳能板输出功率图中某个位置的特征值；

对所述特征图进行全局平均池化操作，将其降维为一个特征向量，全局平均池化操作将所述太阳能板输出功率图的每个通道上的特征图进行平均池化，得到一个C维的特征向量；

将所述C维的特征向量输入到第一全连接层中，第一全连接层用于学习权重的缩放因子，将特征向量映射为一个中间特征向量，并将中间特征向量输入到第二全连接层中，所述第二全连接层用于学习激活函数，以将中间特征向量映射为注意力权重；

基于激活函数对第二全连接层的输出进行计算，以将中间特征向量映射为注意力权重；

将所述注意力权重进行reshape重塑计算，将其尺寸从1维向量转换为与所述特征图相同的尺寸，得到一个与所述特征图尺寸相同的注意力图；

将所述注意力图与所述特征图进行按元素乘法运算，即将注意力图的每个元素与所述特征图的对应元素相乘，得到注意力加权特征；

设置卷积层的卷积核，并基于所述注意力加权特征和所述卷积核建立卷积层；

所述池化层的建立过程包括：

将所述卷积层输出的特征图设置为所述池化层的输入，以将所述太阳能板输出功率图降采样；

确定池化层的注意力权重系数；

根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作；

确定池化层的注意力权重系数的步骤，包括：

定义一个与池化操作后输出特征图大小相同的矩阵B，用于存储每个区域的注意力权重系数；

对于每个区域(m, n)，根据所示工作状态数据计算每个区域的重要性权重；

基于计算得到的重要性权重进行归一化处理，使得注意力权重系数B(m, n)的取值范围在0到1之间；

将归一化后的注意力权重系数B(m, n)存储到矩阵B中的对应位置，得到所述注意力权重系数。

2.根据权利要求1所述的基于太阳能数据故障预测方法，其特征在于，所述工作状态数据包括实时输出功率和太阳能板的硬件信息，对所述各太阳能板的工作状态数据进行预处理，得到中间信息的步骤，包括：

基于所述太阳能板的硬件信息判断所述太阳能板群组各太阳能板的输出功率是否一致；

若所述太阳能板群组中存在太阳能板输出功率不一致，则对所述太阳能板群组各太阳能板的实时输出功率进行归一化处理，得到中间信息。

3.根据权利要求1所述的基于太阳能数据故障预测方法，其特征在于，将所述注意力图与所述特征图进行按元素乘法运算，即将注意力图的每个元素与所述特征图的对应元素相乘的步骤中，所述注意力权重的表达式如下：

；

其中，A表示所述注意力权重，F表示所述太阳能板输出功率图中某个位置的特征值，为第一全连接层的权重，/>为第两全连接层的权重，/>表示激活函数，/>表示缩放操作。

4.根据权利要求3所述的基于太阳能数据故障预测方法，其特征在于，设置卷积层的卷积核，并基于所述注意力加权特征和所述卷积核建立卷积层的步骤中，所述卷积层的表达式如下：

；

其中，W表示的卷积核，A表示所述注意力权重，X为卷积层的输入，即所述太阳能板输出功率图，S为卷积的结果。

5.根据权利要求1所述的基于太阳能数据故障预测方法，其特征在于，根据计算得到的注意力权重系数，对池化层的输出特征图进行加权求和，以动态调整池化操作的表达式如下：；

其中，P（i，j）表示每个位置（i,j）输出的特征值，B(m，n)表示每个区域的注意力权重系数，X（i+m-1，j+n-1）表示所述特征图中的对应位置。

6.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如权利要求1~5任一项所述基于太阳能数据故障预测方法。

7.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被计算机执行时，实现权利要求1~5任一项所述的基于太阳能数据故障预测方法。