摘要：针对现实工况下光伏阵列故障数据获取困难导致传统诊断方法在小样本场景中特征提取困难、诊断性能不佳的问题，提出一种深度生成数字孪生的光伏阵列故障诊断方法。首先，利用实际光伏系统参数构建机理模型以生成典型故障数据，解决数据不足的问题；其次，建立基于最小二乘支持向量机的交叉递归特征消除（LS-SVM-RFECV）模块，自动评估并筛选关键特征，提高特征的有效性；随后，提出一种一维皮尔逊系数UNet扩散模型（1DPCC-UNet DDPM），学习故障数据内在分布特征并增强数据多样性；最后，引入天鹰算法优化的随机配置网络（AOSCN），实现增强数据下的精准故障诊断。所提方法在250kW光伏并网系统上进行实验验证，最终实现97.9%的故障诊断准确率。
文章目录
1 引言
2 理论基础
2.1 去噪扩散概率模型
2.2 随机配置网络
2.3 天鹰优化算法
3深度生成数字孪生下的光伏阵列故障诊断
3.1 深度生成数字孪生模型
3.1.1 光伏系统机理模型搭建
3.1.2 特征筛选模块的搭建
3.1.3 深度生成数据模型搭建
3.2 AOSCN故障诊断算法
4 实验验证
4.1数据收集
4.2 消融实验
4.2.1 实验1-验证LS-SVM-RFECV特征提取效果
4.2.2 实验2-验证1DPCC-UNet DDPM生成数据效果
4.2.3 实验3-整体方法效果验证
4.3 对比实验
5 结论
