利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法.pdf

第51卷第4期2023 年8 月D0I:10.7631/issn.1000-2243.22374摘要：针对光伏阵列输出的实时电压电流时序信号包含复杂时变特性及噪声从而影响故障诊断精度的问题，提出一种基于坐标注意力的浅层ResNet网络故障诊断模型.首先利用相对位置矩阵方法将3种一维暂稳态时序数据，包括加权总电流，以及光伏阵列时序电压和电流，转换为二维数据，以此生成红、绿、蓝三通道图像.然后，将图像输人到所提的基于与坐标注意力结合的残差网络模型中，提取其丰富的故障信息，有效地提升故障诊断精度.最后，通过仿真和实际的故障模拟实验获取故障样本数据，以训练和测试所提的网络模型，并与多种其他网络模型进行对比，并对仿真数据集进行可靠性验证.经实验分析证明，提出的故障检测与诊断方法在准确性和稳定性方面都有更佳的表现，根据仿真平台获得的数据集也有较高的可靠性。关键词：光伏阵列；在线故障诊断；坐标注意力；残差网络；相对位置矩阵中图分类号：TM615；T P2 7 7On-line fault diagnosis method of photovoltaic array using improved ResNetJIANG Wenkai,CHEN Zhicong,WU Lijun,LIN Peijie,CHENG Shuying(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Abstract:A shallow ResNet network fault diagnosis model based on coordinate attention is proposed tosolve the problem that the real-time voltage and current timing signal of photovoltaic array containscomplex time-varying characteristics and noise,which affects the fault diagnosis accuracy.Firstly,three one-dimensional transient steady-state timing data,including weighted total current and photovol-taic array timing voltage and current,are converted into two-dimensional data by using the relativeposition matrix method to generate red,green,and blue(RGB)three-channel images.Then,the imagesare input into the proposed residual network model based on the combination of coordinate attention,which can extract its rich fault information and effectively improve the fault diagnosis accuracy.Finally,fault sample data are obtained through simulated and actual fault simulation experiments to train andtest the proposed network model,compare it with a variety of other network models,and verify thereliability of the simulation dataset.The experimental analysis proves that the fault detection anddiagnosis method proposed in this paper has the better performance in terms of accuracy and stability,and the dataset obtained according to the simulation platform also has high reliability.Keywords:photovoltaic array;on-line fault diagnosis;coordinate attention;residual network;0引言近年来，全球电能需求急剧增加，导致化石资源等不可再生能源过度使用，造成严重的环境污染 而太阳能作为可再生能源，因其可持续性和清洁性，在全球能源总投资中的占比不断增长2 然而，由于收稿日期：2 0 2 2-0 9-12通信作者：陈志聪（198 3-），副教授，主要从事故障诊断、机器学习、智能信号处理等研究，基金项目：国家自然科学基金资助项目（6 2 2 7 1151）；福建省自然科学基金面上资助项目（2 0 2 1J01580）；福建省科技厅引导性基金资助项目（2 0 2 2 H0008）福州大学学报（自然科学版）Journal of Fuzhou University(Natural Science Edition)利用改进ResNet 和暂稳态时间序列的光伏阵列在线故障诊断方法江文开，陈志聪，吴丽君，林培杰，程树英（福州大学物理与信息工程学院，微纳器件与太阳能电池研究所，福建福州350 10 8）文献标识码：Aand transient steady-state time seriesFuzhou University,Fuzhou,Fujian 350108,China)relative position matrixVol.51 No.4Aug.2023文章编号：10 0 0-2 2 43(2 0 2 3)0 4-0 48 2-0 8第4期在制造、运输和安装过程潜在的损害，以及在运行过程中受到的环境威胁，太阳能光伏系统可能会出现各种不同类型的故障3.这些故障不仅会降低光伏系统的发电量和光伏组件的使用寿命，还存在引发人体触电和火灾等严重的潜在危险.因此，为了保证太阳能光伏系统的长期高效运行和维护人员的安全，有必要开发出有效的故障检测和诊断技术近十几年来，许多深度学习（deeplearning，D L)算法被用于光伏阵列的故障检测和诊断，如卷积神经网络（convolutional neural network，CNN）4、长短时记忆网络5 等.大多数基于DL的神经网络算法具有强大的特征提取能力，大大提升了故障检测与诊断模型的性能.虽然这些DL算法可以提高神经网络深度，但同时增大了模型的调试和训练难度，模型收敛速度慢和过拟合等问题也随之出现.为了避免这些问题，文献6 选择可以提高神经网络训练效率和准确性的残差网络（residualnetwork，R e s Ne t），并将其改成适应一维数据的1D-ResNet，用于光伏的故障诊断和光伏组件的精确建模7 尽管这些DL算法可直接处理一维数据，但仍难以训练，且当前DL的主流是处理二维结构数据，尤其在计算机视觉领域.若将一维数据转成图像，可以充分利用其在机器视觉上的优势，以提升故障诊断精度.目前，文献8-10 利用不同的一维时序数据转成二维图像的方法1-12 ，并将其应用于光伏阵列的故障诊断中.但是，光伏阵列的实时电压电流时序信号受动态最大功率点跟踪（maximum power point track-ing，M PPT)及时变环境条件影响，包含复杂的暂态和稳态交替过程，以及时变噪声等，可能会限制故障检测与诊断模型对更多有用特征的提取，导致诊断精度受限.针对这些问题，本研究首先利用光伏阵列的时序电压和电流序列，提出一种新的特征序列一加权总电流（weighted total current，W T C），然后使用相对位置矩阵（relative positionmatrix，R PM)方法将3种暂稳态时序数据转换成图像数据，最后提出一种基于与坐标注意力结合的ResNet模型，并通过仿真和实验模拟故障数据进行验证.经实验验证，该方法与其他故障诊断方法相比，有更好的准确性、泛化性和稳定性.1光伏仿真系统搭建与故障特征分析1.1光伏系统建模与故障配置在Matlab/Simulink平台创建光伏系统仿真模型，如图1所示.其中光伏阵列大小为36，由18个型号为GL-100的单晶硅光伏组件组成，每6 个光伏组件串联成一个组串，最后并联3个光伏组串组成光伏阵列.研究了3种比较常见的光伏阵列故障，包括短路故障、局部阴影和开路故障.其详细设置为：一个光伏组串内一个模块短路（短路1）、一个光伏组串内两个模块短路（短路2）、两个光伏组串之间短路（短路3）、一个光伏组串上的开路（开路1）、两个光伏组串上的开路（开路2）和一个光伏组件上的局部阴影（阴影），如图2 所示.局部阴影的模拟方法是利用增益模块控制输人辐照度的大小，以模拟真实环境中光伏组件被异物遮挡的情况.此外，理想开关外接一个常数模块，可模拟其他故障的发生.其中S函数的作用是方便改变常数模块的数值，间接控制理想开关的打开（数值为0）和闭合（数值为1），从而达到控制模拟故障发生的目的.1.2光伏故障瞬态特征分析与提取如图3所示，在发生不同的光伏故障之后，电流和电压会呈现出不同的变化趋势，这是瞬态的时域故障特征9 当开路故障发生时，电流呈直线下降的江文开，等：利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法图1光伏系统仿真模型Fig.1Photovoltaic system simulation model一开路1一2 开路22i30S函数辐照度。温度。阴影图2 仿真光伏阵列中的故障配置Fig.2 Simulate fault configurations in photovoltaic arrayshttp:/ 483100辐照度温度光伏阵列短路3短路1短路2:484趋势，很快达到故障后的稳态，而电压则保持不变，这是由于光伏阵列还存在正常工作的组串，根据串并联电路电压和电流的关系，光伏阵列的总电压要保持不变，而电流减小的比例与组串失配比例相当.对于局部阴影和短路故障的发生点，电流同样立即下降，但是下降幅度大小不同，电压也开始缓慢下降.此后，由于系统功率降低，为了使得在故障发生后光伏阵列的输出功率保持在最大值，MPPT开始持续调整电压和电流的变化131，直到搜寻到新的最大功率点（maximumpowerpoint，M PP）才会稳定，在这个过程中可以清晰地观察到电流开始缓慢回升，稳定后其值的大小几乎和故障前的大小一致，而电压则下降到不同的稳定值.基于上述仿真结果的分析，不同的故障类型发生时，其电压和电流变化趋势都有不同程度的区别，因此这两种特征可以用于光伏阵列的故障诊断.然而，对于短路1和短路3故障，只观察阵列电压和阵列电流的变化趋势很难区分这两种故障，如图4所示.短路1和短路3在故障发生前后，其电流变化基本一致，唯独电流下降的最低点有略微的差距，而电压的变化几乎相同，所以仅靠上述两种特征很难将其区分开.20A二15100Fig.4 Comparison of current and voltage sequences between short-circuit 1 and short-circuit 3在故障发生后，各组串的电流时序也会呈现6出不同的变化趋势，如图5所示.其中在短路1和6.05.81短路3的故障情况下，其组串2 和组串3的输出01020304050t/s电流趋势相同，而组串1的输出电流在故障发生6.2后的趋势明显不同.鉴于此，发生故障的组串电流VI6.0与正常的组串电流可能对故障特征的贡献不一5.8102030405001020304050t/st/s样，考虑利用式(1)将各组串的时序电流赋一个(b)短路2权重值，再求和构成WTC.即66.26.0元5.8Y（t)(1)i(t)T(t)式中：Iwrc(t)为时间戳t处求得的WTC；N为组串的个数；i(t)为时间戳t处第n个组串的电流值；I(t)为时间戳t处N个组串的总电流.福州大学学报（自然科学版）201020304050t/s(a)正常201001080601020304050t/s(b)开路12010010801020304050t/s(c)开路2201010203040 50t/s(d)阴影20101020304050t/s(e)短路120100A/n80oL60L01020304050t/s()短路220100M10801020304050t/s()短路3图3不同故障的电压和电流序列Fig.3Voltage and current sequences of different faults10595短路1短路31020t/s(a)电流图4短路1与短路3的电流和电压序列对比图6.26.0r5.801020304050201020304050t/st/s(a)短路16.2VII201020304050t/s图5不同故障发生前后的各组串电流序列Fig.5Current sequence of each string before and afterthe occurrence of different faultshttp:/第51卷100A/n80601008060100806001020304050t/s01020304050t/s1020304050t/s短路1短路385304010203040 50t/s1020.3040 50t/sW1020 304050t/s1020304050t/sTTTTTT500组串16.21020t/s(b)电压组串201020304050t/s(c)短路33040VII4VII1020304050t/s6.26.0LLLL5.801020304050t/s50组串3第4期在故障发生后，短路1和短路3的WTC变化趋势与阵列电流变化趋势相比产生了较大的区别，如图6 所示，因此WTC这一特征对区分非常相似的故障时可以起到比较显著的作用.综上所述，在各种故障发生时，光伏阵列的实时电压和电流序列作为基本的电气特征，以比较明显的变化趋势来体现光伏系统内部的电路故障信息.另外，WTC这一特征的提出，能有效地帮助故障诊断模型判别出难以区分的故障因此本研究选用阵列电压、阵列电流和WTC这3种故障特征对光伏阵列的常见故障进行诊断.2数据处理与模型构建2.1获取原始故障数据为了诊断出发生的故障类型，需要获取故障的暂稳态电压和电流序列，其包含故障发生点前后一段时间的稳态数据，以及故障发生过程的暂态数据.将时间序列定义为T,=ti，t 2，t n，其中n表示序列的长度.由图3可以观察到，在故障发生时刻，光伏阵列都会发生较明显的电流突降现象，而电压在发生开路故障时变化不明显，利用标准正态检验方法141对原始的电流序列进行故障点监测，表达式为江文开，等：利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法40t/s图6短路1和短路3的加权总电流Fig.6TWTC of short-circuit 1 and short-circuit 32一x 48512.011.511.010.510.09.59.08.502短路1短路310203050T.=i=1m式中：x为序列的平均值；代表自由度为n-1的标准差.若t。时刻满足则t。点处为故障点.在长度为T的滑动窗口中监测原始电流序列是否有故障点出现，如图7 所示当检测到故障点时，截取故障点前t，秒和故障点后t秒的数据点，以进行后续的数据处理.同样地，截取电压序列在相同时间段的数据点.其中t和tz的数值需要根据实际光伏系统应用的MPPT技术进行确定.特别地，tz的数值需要保证大于故障后MPP的搜索时间，这样截取的电压和电流序列才能完整地反映故障发生后重新回到稳态的过程。滑动窗口T=40s，截取时间窗长度为2 0 s，其中ti=2.5s，Atz=17.5s，由于采集数据设置的频率为2 0 0 Hz，因此共包含40 0 0 个数据点.2.2一维时序数据转成二维图像在获取原始故障电压和电流序列样本之后，利用式（1)计算对应的加权总电流，于是得到3种特征，如图8（a）所示.为了后续将时序数据转为大小合适的图像，先对数据进行步长为2 的均匀下采样，接着利用分段聚合近似公式进一步将数据压缩到8 0 个点（此时k=25），见式（4）.由于故障序列被分成若干段，求平均值后再进行聚合，故障的变化趋势特征可能会被削弱，于是再利用式(5)对聚合后的数据进行故障特征增强，最后得到如图8(b)所示的特征序列.从图8 中可以观察到，最后得到的特征序列保留了原始(n-m)十mt=max Tm I滑动窗口()9.69.49.29.0A8.8一8.68.48.28.07.850http:/(m=1,2,n-1)i=mn一m454035截取3025t/s201510(2)(3)9.69.49.29.08.8A8.68.48.28.07.80做障点图7 检测和截取故障数据Fig.7Detect and intercept fault data510t/s1520:486序列的变化趋势，模糊了故障前后的稳态特征，放大了故障的瞬态特征.106.59A870109A80其中:m=n，,是时间序列T，在时间戳；处的值，是折减系数，经过分段聚合近似之后得到新序列X=x1,2，,x m,其长度为m.yi=;+通过RPM方法，将长度为m的一维特征序列X换成大小为mxm的二维矩阵，见式(6).加权总电流、阵列电流和阵列电压分别对应RGB的3个通道，将它们堆叠后转换为彩色故障特征图福州大学学报（自然科学版）10595S85510t/s510数据点1kxikj=kx(1)+1,=1,2,m,%1kxikj=kx(-1)+1(n-k (m-1)j=x(1)+1十第51卷5.54.51520105A5951520Fig.8Comparison of feature sequencest,i=1,2,.,m-1i=m,n1mXmj=iR通道0图8 特征序列对比图(i=1,2,m)G通道20105t/s(a)原始特征序列2040数据点(b)压缩后特征序列1015608020OLM4.50+06.55.55WW2040数据点B通道10t/s1560208080X80X3(4)(5)加权总电流(colored fault characteristic diagram,CF-CD），如图9所示，之后输入后续的故障诊断模型进行诊断.M=LXi-XmX2-Xm其中：矩阵的第i行和第i列都以x；为参考点.前者是序列各点与参考点的差值，后者则是参考点与序列各点的差值，从正反两个视角来解构时间序列的信息，能够提供故障点的穴余特征，以提高泛化能力.2.3基于坐标注意力的ResNet故障诊断结构在构建好故障数据集之后，采用如图10（a)所示的浅层ResNet结构，加入了契合故障数据的坐标注意力以提升该网络的性能.普通残差块的输入和输出存在着快捷连接，与之不同的是，本研究所改进残差块的输人经过两层卷积之后，并不是直接与原始输人相加，而是原始输入经过坐标注意力的作用，捕获跨通道信息、方向感知和位置敏感信息之后，再与其进行相加15，如图10（b）所示.具体而言，如阵列电压图9彩色故障特征图Fig.9Colored fault characteristic diagram2-X2x2一2http:/阵列电流m一 2Xm-Xm彩色故障特征图(6)第4期图10(c)所示，使用两个大小为（H，1)和(1，W)的池核，分别沿垂直和水平方向，对输入特征进行一维全局池化操作，将其聚合映射为两个单独的方向感Cov2d：二维卷积BN：批量标准化ReLU：线性整流单元GAP：全局平局池化知特征，其输出可以分别表示为8080 x31z(h):Z.(h,i)WoiW1(WHoH式中：z（h）为高度h处的第c个通道的输出；z（w)为宽度w处的第个通道的输出.坐标注意力模块输入Cov2dBN+ReLUCov2d(b)加入坐标注意力的残差块本研究的坐标注意力在垂直方向对输入进行最大池化操作，在水平方向进行平均池化操作，并将其命名为最大池化与平均池化操作相结合的坐标注意力（coordinate attention combined with maxpooling andaverage pooling operations,MA-Coord).3实验结果与分析3.1仿真故障模拟为了获取比较接近真实的仿真故障数据，将气象站采集到的一天的气象数据（包括温度和辐照度），输人到仿真模型中，通过模拟故障的发生以得到故障数据.然后，针对不同故障类型的仿真数据，截取对应的故障样本，各得到8 55个样本。最后，将所有故障样本转换为CFCD，如图11所示.将CFCD以7 0%和30%的比例划分为训练集和测试集，输入到所提的基于坐标注意力的ResNet（M A-Co o r d-R e s Ne t）的故障诊断模型中进行训练和测试，并采用一维卷积自动编码器（one-dimensionalconvolutional autoencoder，1D-CA E）16 、一维全连接卷积神经网络（1D-CNN)6)、一维深度残差网络(1D-ResNet)6 和二维 CNN 和 ResNet 模型进行对比.此外，为证明利用RPM方法将时序数据转成特征图这一方法的优越性，1D-CAE、1D-CNN和1D-ResNet以未经过RPM方法转成特征图的时序数据(time series data，T SD)作为输人，而 CNN、R e s Ne t和MA-Coord-ResNet以CFCD作为输人.以CFCD作为输入的故障诊断模型相较于以TSD作为输入的模型，其优势非常明显，分类精度都能达到10 0%，且模型收敛速度非常快（如图12 所示），充分体现了利用RPM方法将时序数据转成特征图的优越性.另江文开，等：利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法基于坐标注输入Cov2d(a)整体网络结构&：元素相乘：元素堆叠：元素分离Sigmoid:S型生长曲线X最大池化目Sigmoid一批次ReLU输出CxHX1Y平均池化WCov2dBN元素添加图10 基于坐标注意力的 ResNetFig.10ResNet based on coordinate attention类别2类别(a)正常(b)开路1(c)开路2(d)阴影(e)短路1(短路2(g)短路3图11各种仿真故障与正常的图像数据Fig.11 Various simulated faults and normal image data2.01.61.20.80.4图12仿真数据集上各种故障诊断模型的损失曲线Fig.12Loss curves for various fault diagnosis models onsimulation datasetshttp:/:487 Sofmax：归一化指标函数404016404016202016(7)(8)输入SoftmaxBN+ReLU意力的残差块GAP归一化，Cov2d CxHx1非线性SigmoidCx1xWCov2dCx1xW(c)坐标注意力结构MA-Coord-ResNet1D-CAECNNA-1D-CNNResNet1D-ResNet2040训练轮次输出HW输出6080100:488外，对于以CFCD作为输人的故障诊断模型，基于MA-Coord-ResNet 的故障诊断模型收敛速度较CNN和ResNet要快一些，而三者表现都很好的一个主要原因是因为仿真数据的CFCD类别过于单一，且同一类别的CFCD相似度较高，与真实数据的CFCD有一定程度的差别，致使3种故障诊断模型都能较轻易将其分类，因此需进行实际实验作进一步讨论.3.2实际故障模拟为了进一步验证所提的基于 MA-Coord-ResNet的故障诊断模型在真实数据集中的性能，基于实验室的光伏阵列对所需的6 种故障进行配置，其太阳能电池型号为GL-M100.采集到真实的故障数据后，对实际故障数据训练集和测试集的划分与仿真数据集相同.最后，将所有故障样本转换为CFCD，如图13所示.图14绘制了不同故障诊断模型的损失下降曲线.与仿真实验相同，将本研究的故障诊断模型和其他模型在以相同方法处理的实际数据集上进行比较，见表1.从表1和图14可以看出，与仿真实验相比，以CFCD作为输入的故障诊断模型相较于以TSD作为输人的模型，其分类精度明显更高，模型收敛速度也非常快，进一步验证了利用RPM方法将时序数据转成特征图这一方法的优越性.另外，以TSD作为输入的模型，由于实际数据集与仿真数据集相比更加复杂，导致测试精度有较大程度的下降，其中1D-CNN的下降最为明显，其损失收敛速度最慢，且最终收敛到较大的值.相对应的，以CFCD作为输入的故障诊断模型，CNN和ResNet的测试精度下降，但下降程度较小，其中ResNet在未加人MA-Coord的情况下，最低精度是99.2 6%，平均精度是99.6 3%，而加入MA-Coord后，最低精度提升了0.2 5%，达到99.51%，平均精度提升了0.2 6%，达到99.8 9%.因此，通过仿真实验与实际实验的相互对比与验证，可以分析出所提出的MA-Coord-ResNet模型具有较高的故障分类精度，且模型训练稳定性较好.Tab.1Statistical comparison of the average classification accuracy of each fault输人类型网络模型1D-CAETSD1D-CNN1D-ResNetCNNCFCDResNetMA-Coord-ResNet注：加黑字体为每一类故障诊断的最高精度.3.3迁移学习考虑到实际的光伏故障数据难以批量获取的问题，采用迁移学习中微调的方法，基于所提的MA-Co-ord-ResNet模型对小样本的真实数据进行训练，以进一步评估该模型的泛化能力及仿真数据的可靠性.具体来说，对所提的MA-Coord-ResNet模型在仿真数据集上进行预训练，得到预训练模型之后，分层抽样出10%的实际数据作为训练集，其余90%作为测试集进行训练.训练时将第一层卷积层冻结，其他层的参数福州大学学报（自然科学版）类别3类别2类别1(a)正常(b)开路1(c)开路2(d)阴影(e)短路1()短路2图13各种实际故障与正常的图像数据Fig.13Various actual faults and normal image data2.0MA-Coord-ResNet1D-CAECNN-1D-CNN1.6ResNet0.021.20190192194.196198200训练轮次0.80.4%图14实际数据集上故障诊断模型的损失曲线Fig.14 Loss curves of fault diagnosis models on real datasets表1各故障平均分类准确率的统计比较(%)工况类型平均正常开路1开路2阴影短路1短路2短路3精度90.6295.6053.1286.8196.0965.9398.10100.0099.0698.6799.10100.00http:/第51卷(g)短路3-1D-ResNet50100训练轮次100.0085.2994.8344.1296.5576.4797.92100.00100.00100.00100.00100.0015097.9297.87100.0095.74100.0095.7497.4797.3798.73100.0098.73100.0020071.7993.4351.2877.4464.1089.6698.1098.6999.0699.6399.1099.89第4期设定为可训练.该方法在测试集上未使用迁移学习的准确率为97.7 4%，使用迁移学习之后准确率为99.18%，提高了1.44%，证明了迁移学习可以利用仿真故障数据的特征信息，在只有小批量真实故障数据的情况下也能达到较高的诊断精度，在一定程度上体现了该模型的泛化能力及仿真数据的可靠性.4结语针对实时电压电流时序信号包含复杂时变特性及噪声从而影响诊断精度的问题，提出一种突出故障电流特征贡献度的新特征，并利用相对位置矩阵的方法将3种一维暂稳态时序数据转换成二维图像，作为故障诊断模型的输入.此外，还提出一种基于坐标注意力的浅层ResNet网络故障诊断模型，并在仿真和实测数据集上进行测试，与1D-CAE、1D-CNN、1-R e s Ne t，以及二维的传统CNN和ResNet进行比较.最后，为了评估仿真数据集的可靠性，基于仿真数据集得到的预训练模型，在实际数据集中进行测试.实验结果证明，MA-Coord-ResNet模型在仿真数据集上的平均分类精度为10 0%，在实测数据集上的平均分类精度为9 9.8 9%，在准确性、泛化性和稳定性方面与其他模型相比，性能更好.在迁移学习中，对实测数据分类精度为99.18%，表明所得的仿真数据集可靠性较高.参考文献：1J GUPTA V,SHARMA M,PACHAURI R K,et al.Comprehensive review on effect of dust on solar photovoltaic system andmitigation techniques J.Sol Energy,2019,191:596-622.2 BERGHOUT T,BENBOUZID M,BENTRCIA T,et al.Machine learning-based condition monitoring for PV systems:state ofthe art and future prospectsJ.Energies,2021,14(19):6316(1-24).3 HONG Y Y,PULA R A.Methods of photovoltaic fault detection and classification:a review J.Energy Rep,2022,8:5898-5929.4 CAO Y,DONG Y,CAO Y,et al.Two-stream convolutional neural network for non-destructive subsurface defect detection viasimilarity comparison of lock-in thermography signalsJ.NDT&E Int,2020,112:102246.5 APPIAH A Y,ZHANG X,AYAWLI B B K,et al.Long short-term memory networks based automatic feature extraction forphotovoltaic array fault diagnosisJ.IEEE Access,2019,7:30089-30101.6 CHEN Z,CHEN Y,WU L,et al.Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditionsJ.Energy Convers Manage,2019,198:111793.7 CHEN Z,CHEN Y,WU L,et al.Accurate modeling of photovoltaic modules using a 1-D deep residual network based on I-VcharacteristicsJ.Energy Convers Manage,2019,186:168-187.8 HONG Y Y,PULA R A.Detection and classification of faults in photovoltaic arrays using a 3D convolutional neural networkJ.Energy,2022,246:123391.9 LU X,LIN P,CHENG S,et al.Fault diagnosis for photovoltaic array based on convolutional neural network and electrical timeseries graphJ.Energy Convers Manage,2019,196:950-965.1o LU X,LIN P,CHENG S,et al.Fault diagnosis model for photovoltaic array using a dual-channels convolutional neuralnetwork with a feature selection structureJ.Energy Convers Manage,2021,248:114777.11 WANG Z,OATES T.Imaging time-series to improve classification and imputation CJ/Twenty-Fourth International JointConference on Artificial Intelligence.Buenos Aires:AAAI,2015:3939-3945.12 CHEN W,SHI K.A deep learning framework for time series classification using relative position matrix and convolutional neu-ral networkJ.Neurocomputing,2019,359:384-394.13 KARAMI N,MOUBAYED N,OUTBIB R.General review and classification of different MPPT TechniquesJ.Renew SustainEnergy Rev,2017,68:1-18.14 ALEXANDERSSON H.A homogeneity test applied to precipitation data JJ.International Journal of Climatology,1986,6(6):661-675.15 HOU Q,ZHOU D,FENG J.Coordinate attention for efficient mobile network design C/Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition.Nashville:IEEE,2021:13708-13717.16 CHEN S,YU J,WANG S.One-dimensional convolutional auto-encoder-based feature learning for fault diagnosis of multivariateprocesses J.Journal of Process Control,2020,87:54-67.（责任编辑：蒋培玉）http:/江文开，等：利用改进ResNet和暂稳态时间序列的光伏