基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法.pdf

第51卷第4期2023 年8 月D0I:10.7631/issn.1000-2243.22488基于伪标签-1D DenseNet-KNN 的光伏阵列开集复合故障诊断方法陈泽理，卢箫扬，林培杰，赖云锋，程树英，陈志聪，吴丽君（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）摘要：提出一种基于伪标签-1DDenseNet-KNN的光伏阵列故障诊断方法，实现在少标签样本下的光伏阵列复合故障开集识别.首先，分析各种常见单一故障和灰尘覆盖下复合故障的1-V特性曲线；然后，为克服常规半监督机器学习算法需手动提取数据特征的问题，采用一种伪标签与1DDenseNet相结合的半监督方法自动提取特征；最后，将从训练数据中提取的特征、训练数据预测的标签和测试样本提取的特征输人KNN算法并进行开集复合故障诊断.实验表明，该方法不仅能准确分类各种已知类别样本，还能识别出未知类别故障，且模型训练只需要少量的标签数据.关键词：光伏阵列；故障诊断；I-V特性曲线；伪标签半监督学习；开集识别；KNN算法中图分类号：TM615；T P18Photovoltaic array open set compound fault diagnosisbased on pseudo-label-1D DenseNet-KNNCHEN Zeli,LU Xiaoyang,LIN Peijie,LAI Yunfeng,CHENG Shuying,CHEN Zhicong,WU Lijun(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Abstract:A fault diagnosis method based on pseudo-label-1D DenseNet-KNN with fewer labeledsamples is proposed to classify open-set of compound faults for photovoltaic arrays.First,the I-Vcharacteristic curves of various common single faults and dust covered compound faults are analyzed.Since the semi-supervised machine learning algorithms need to manually extract some features from thedata,then a semi-supervised method combining pseudo-labels with 1D DenseNet is used to automati-cally extract features.Finally,the features extracted from the training data,the predicted labels of thetraining data and the features extracted from the test samples are inputted into the KNN algorithm foropen set compound fault diagnosis.Experiments show that this method can not only classify variousknown class samples accurately,but also identify unknown class faults,and the training of the modelonly needs a small amount of labeled data.Keywords:photovoltaic array;fault diagnosis;I-V characteristic curve;pseudo-label semi-super-0引言随着全球环境的恶化和化石燃料的枯竭，世界各国均将目光投向能源转型在我国“双碳”目标的推进过程中，太阳能发电等新能源发电技术的发展至关重要1 光伏阵列是太阳能光伏电站的重要组成部分2 在实际应用中，光伏阵列通常安装在户外环境中，导致阵列中故障频发.阵列中的故障不仅会影响系统的发电效率，严重时还会引起火灾.因此，光伏阵列故障的快速发现和有效解决对于光伏系统的稳定运行至关重要.收稿日期：2 0 2 2-11-17通信作者：林培杰（198 2-），副教授，主要从事太阳能光伏技术方面的研究，基金项目：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）；福建省工信厅资助项目（8 2 318 0 7 5）；福州市科技计划资助项目（2 0 2 1-P-030）福州大学学报（自然科学版）Journal of Fuzhou University(Natural Science Edition)文献标识码：AFuzhou University,Fuzhou,Fujian 350108,China)vised learning;open set recognition;KNN algorithmVol.51 No.4Aug.2023文章编号：10 0 0-2 2 43(2 0 2 3)0 4-0 490-0 8第4期近年来，针对光伏阵列故障诊断，国内外学者提出各种方法.随着人工智能技术的发展，机器学习技术因能较好处理复杂非线性问题而被广泛应用于光伏阵列故障诊断领域.文献3 提出一种主成分分析与支持向量机相结合的方法，用于光伏阵列故障诊断文献4提出一种深度残差网络（residual network，ResNet)模型，自动从原始I-V曲线和周围环境的辐照度、温度中提取特征，并通过更深的网络有效提高网络模型的性能.由于光伏阵列常年暴露于户外，所以灰尘沉积是光伏系统运行和维护中无法回避的问题，它会降低发电量，造成功率损失.文献5 提出一种多尺度压缩激励残差网络，用于诊断常见单一故障和不同灰尘覆盖程度下的复合故障，并且可通过迁移学习方法诊断光伏面板底部积灰下的复合故障.在实际光伏系统中，有标签数据获取成本高，因而更多使用的是无标签历史数据.监督式学习方法需要大量昂贵标记数据，这在实际的光伏系统中是难以提供的.针对此问题，前人使用半监督学习方法进行光伏阵列的故障诊断.文献6 提出一种混合人工蜂群算法和半监督极限学习机的光伏阵列故障诊断方法，可识别一些单一和复合故障，并且模型的训练仅需少量标记数据.目前，光伏阵列故障诊断领域的研究多集中在提升闭集故障诊断算法（在训练、测试阶段只出现相同类型数据）的性能上，针对未知类别故障识别的现有研究相对较少.然而，阵列实际工作过程中很有可能会遇到未知的新故障类型，这种状况会使闭集故障诊断算法功能下降.因此，准确分辨未知类别故障对增强光伏系统安全稳定性有着重要意义.文献7 使用高斯核模糊C均值聚类方法，可对光伏阵列中单一和复合故障进行分类，同时分辨未知故障，但故障类型只考虑开路、短路单一故障和开路短路相结合的复合故障.然而，上述半监督方法与未知类别故障诊断方法都是采用机器学习技术，与深度学习算法相比，机器学习算法的训练需要手动提取数据中的某些特征，成本较高.此外，现有故障诊断方法针对积灰情景下的研究较少。现有研究表明，密集连接卷积神经网络（densely connected convolutional network，D e n s e Ne t）具有良好的性能，能很好地完成特征提取、故障诊断分类等任务.文献8 提出一种滚动轴承故障诊断方法，该方案首先使用麻雀搜索算法对变分模态分解算法进行参数组合寻优，将得到的本征模态函数分量输人到构建的多头注意密集神经网络，通过网络完成故障诊断.文献9 首先将滚动轴承振动信号进行马尔可夫变迁场编码，并生成二维图像，再将生成的二维图像输入DenseNet并进行故障的特征提取与分类.同时，有研究表明，卷积神经网络与KNN算法的结合能解决卷积神经网络难以进一步提高识别准确率的问题10 1.本研究提出一种基于伪标签-1D DenseNet-KNN(PDK）的光伏阵列开集复合故障诊断方法首先，使用伪标签半监督学习方法训练一维密集连接卷积神经网络（one dimensional densely connected convolutionalnetwork，1D D e n s e Ne t），使其能自动提取I-V曲线特征；然后，再将深度学习网络从训练数据中提取的特征、对训练数据预测的标签和对测试样本提取的特征输人到KNN算法中，进行开集故障诊断，从而实现对光伏阵列已知类别分类和未知类别故障检测，1光伏阵列故障和I-V特性曲线分析在Matlab/Simulink上根据单二极管模型原理仿真光伏组件11，再将6 个光伏组件串联构成1个组串，把3个相同的组串相并联，构成光伏阵列.通过设置辐照度和温度，可以获得不同环境参数下的I-V曲线本研究的单一故障包括开路、短路、阴影、老化、积灰故障.对于短路故障与阴影故障，分别研究它们两种不同程度的故障.复合故障包括积灰开路、积灰短路故障.开路指的是组串的意外断开，当组串发生开路时，该组串便不会工作；短路指的是光伏阵列两个节点之间的意外连接，本实验重点研究串内短路；阴影指的是光伏阵列运行过程中受树木等遮挡，阵列工作的外部条件发生变化，导致阵列接收到的太阳辐射不均匀；老化指的是阵列因长时间在恶劣条件下运行，其寿命减短、输出功率和发电效率降低的现象；积灰是指光伏组件表面产生灰尘颗粒沉积，从而使光伏面板上的人射辐射量减少，本研究中的灰尘沉积指的是非均匀沉积，即阵列上的灰尘不是均匀分布的.在故障仿真模型中，各种故障的设置方式如下：将1个组串断开即造成开路故障；分别短接1和2 个陈泽理，等：基于伪标签-1DDenseNet-KNN的光伏阵列开集复合故障诊断方法 491http:/ 492光伏组件，即造成短路1和短路2 故障；分别将1和2 个光伏组件的辐照度增益放大器设置为0.5，即造成阴影1和阴影2 故障；将1个2 电阻串联接入1个组串中，即造成老化故障；在0.8 1.0 之间随机选取每个光伏组件辐照度增益放大器的值，即造成积灰故障.在标准测试条件（standard testconditions，ST C）下得到常见单一故障的I-V曲线，如图1所示.从图1可知：与正常情况相比，在开路故障中，短路电流（Is）和最大功率点电流（Impp）显著下降；在短路故障中，开路电压（V）和最大功率点电压（Vmpp）显著下降，且短路组件数越多，V。和Vmp值下降程度越显著；在阴影故障中，最大功率点受到明显影响，-V曲线呈双峰形状，且遮挡组件数越多，双峰处的电压越小；在老化故障中，最大功率点降低；在积灰故障中，I值下降明显，且由于灰尘的非均匀分布，曲线中的电流幅值加速下降.通过仿真模型获得复合故障I-V特性曲线，如图2 所示.从图2 可知：积灰短路故障是阵列在表面灰尘沉积的同时发生短路，其I-V曲线特性表现为Vo、I.值下降与电流幅值快速下降，即积灰与短路故障特征的叠加；同理，积灰开路故障是阵列在表面灰尘沉积的同时发生开路，其I-V特性表现为积灰与开路特征的叠加.2015上10500Fig.1I-V characteristic curves of single faults2基于PDK的光伏阵列开集复合故障诊断模型2.1DenseNet 原理Huang 等12 于2 0 17 年提出DenseNet.DenseNet 的设计受到 ResNet 的启发，但是DenseNet 建立的是前面层与后面层的密集连接.它会使所有层互相连接，每一层都会接收之前所有层的输出，并且会将该层的输出传递给之后所有层.DenseNet主要是由密集连接块（DenseBlock）和过渡层（Transition）构成。密集连接块对每层的输出做维度上的叠加，并让每层的输人包含之前层提取的抽象特征信息.过渡层在网络中位于两个密集连接块中间，它将上一个密集连接块输出的高维信号融合，解决网络宽度问题，并通过池化操作，解决密集连接块无法减小特征图尺寸的问题.DenseNet的参数量因密集连接方式的使用而大幅减少，且其计算量也只有ResNet的一半.密集连接有正则化的效果，能有效减轻过拟合现象.同时密集连接结构相当于每一层都直接参与损失的计算，在网络层数加深的情况下能有效缓解梯度消失问题.2.2伪标签原理伪标签是一种以半监督方式训练神经网络的方法13 对于无标签的数据，只是在每次权重更新时选择具有最大预测概率的类作为其伪标签，并把它们当成是真正的标签一样使用.原则上，这种方法可以结合几乎所有的神经网络模型和训练方法.在基于伪标签的半监督学习方法中，网络以有监督的方式同时训练有标签和无标签数据.该模型以交叉熵损失这种常见的监督方式对有标签数据进行训练.对于无标签数据，使用相同模型从无标签数据中获取一批无标签数据的预测，伪标签即是具有最大预测概率的类别.伪标签是未标记数据的目标类，被视为是真正的标签.对于每个未标记样本，只选择具有最大预测概率的类也就是说，伪标签模型用如下所示的损失函数训练一个神经网络.即Loss=(r.FT)+B()(yTF)Cnm=l=http:/福州大学学报（自然科学版）20一正常一开路一短路1一短路2一阴影1一阴影2一老化一积灰20406080100120140160V/V图1单一故障I-V特性曲线第51卷一积灰开路15一积灰短路1一积灰短路21050020406080100120140160V/V图2 复合故障I-V特性曲线Fig.2I-V characteristic curves of compound faultsnm=1i=111(1)第4期式中：n和n分别是每个mini-Batch中有标签和无标签数据的数目；C是已知数据的类别数量；L是交叉熵损失函数；y是有标签数据对应的标签；y是无标签数据对应的伪标签；f和f分别是神经网络模型对有标签和无标签数据的输出预测；（t）是用于平衡有标签数据损失和无标签数据损失的系数.在训练过程中，将(t)设为缓慢增加的确定性退火过程，表示为(t T)t-T,(t):T,-T,式中：T,为无标签损失加入的起始轮次；T,为无标签损失部分权重固定的轮次；，为无标签损失的最终权重值；t为当前的迭代次数.该过程使未标记数据的伪标签尽可能与真实标签相似，避免优化过程进入不佳局部最小值.2.3基于KNN算法的异常检测方法KNN算法是一种统计学习方法14 它的核心思想是，在给定的特征空间中，如果两个样本的距离足够近，那么两个样本就足够相似，它们大概率属于同一类别.常用的距离度量有欧氏距离、汉明距离、余弦距离等.当光伏阵列故障诊断任务不同时，经过深度网络输出的特征维度与所需诊断的状态数一致.为减少特征维度不同对距离度量的影响，本实验采用经过修改的欧氏距离，对于带有L维的样本和y，它们的距离计算公式为(3)样本分类的决策通常情况下采用投票的方式，遵循少数服从多数的原则，即统计离待测样本点最近的k个样本的类别，将其中出现次数最多的类别作为待测样本的类别.在本研究中，KNN算法不仅被用于分类，还被用于未知故障类型检测.未知故障类型可以作为一种异常点，其在特征空间中会不可避免地远离正常点.计算待测样本点与训练集各样本点的距离后，选出其中的距离最小值，将其与预先设置的距离阈值相比较，若小于该阈值，则进行常规的分类，若大于该阈值，则判断该点为未知故障，将其标签设为-1.距离阈值（da）的设置以KNN思想为基础.在训练集中，使用上文所述修改的欧氏距离，分别计算输人KNN的每个样本点与其他样本点的距离.将这些距离进行从小到大排序，选出其中k个最小距离，计算出它们的平均值，并从k个最小距离中选出其中的最大值.然后，再将所有样本点的个最小距离的平均值取平均值，将所有样本点K个最小距离中选出的最大值也取平均值.将上述计算出的两项相加后，该结果即为距离阈值，其计算公式为(4)i=1式中：d,和dmax.；分别为第i个样本的k个最小距离的平均值和最大值；R为模型独立运行次数；N为样本个数.2.4总体方案设计和故障诊断流程图3为基于PDK的开集复合故障诊断方法整体架构.PD深度（开始一输入数据数据预处理上学习网络Fig.3Overall architecture of PDK methodPDK模型为两阶段网络模型，由伪标签-1DDenseNet(PD)深度学习网络和KNN算法组成.在模型训练阶段，当把预处理后的有标签和无标签历史数据输入PD网络训练收敛后，生成从训练数据中提取到的陈泽理，等：基于伪标签-1DDenseNet-KNN的光伏阵列开集复合故障诊断方法 493(T,t T2)(2)(T,t)d(x,ydmax,i获得特征集合KNN算法最小距离图3PDK方法的整体架构http:/是最小距离否未知故障识别已知类别分类结束）494特征和对训练数据预测的标签.在模型实际测试运行时，首先，进行数据预处理；然后，将预处理后的数据输人到PD深度学习网络中，深度学习网络对输的数据进行特征提取；最后，在KNN算法中，接收来自深度学习网络输出的数据特征，将该特征与从训练数据中提取到的特征、对训练数据预测的标签通过KNN算法进行开集故障诊断，实现对已知类别分类与未知故障识别.数据预处理部分把149个点组成的原始I-V特性曲线输人深度学习网络，将比例系数（S.）、归一化后的辐照度（Gnorm）、归一化后的温度（Onorm）单独提取出来，将其与深度学习网络从I-V曲线中提取出的特征进行拼接5 上述3个变量的计算公式分别为S.=G:IesTCGGGsTCnorm福州大学学报（自然科学版）Gsrc:Ie第51卷(5)(6)norm(7)max式中：Isc_sTc为STC下的短路电流；和G分别为本条I-V特性曲线数据采集时的温度和辐照度；Gsrc为STC下的辐照度；0 mx是阵列运行的最高环境温度，在本实验中设为7 0.模型训练和测试过程如图4所示.在模型训练厂时，需要训练深度学习网络模型，使用伪标签方法正常训练1DDenseNet网络.初始学习率为0.0 1，采用历史有标签和无标签数据多间隔调整学习率方法，milestones设为45，7 5，环境数据I-V特性数据gamma设为0.1，最大迭代次数为10 0，随机梯度下数据预处理数据预处理降中的momentum设置为0.9，退火公式中的Ti、深度学习网络模型T，和,分别设置为2 0、6 0 和1.1DDenseNet网络结构为 DenseBlock1-Transitionl-DenseBlock2-Transition2-DenseBlock3-自适应平均池化层-特征拼接层-Dropout层-全连接层.在模型测试时，首先将测试数据输人深度学习网络模型，再将训练数据提取到的特征、深度学习网络对训练数据预测的标签、测试数据提取到的特征输人分类与异常检测模块中，使用KNN算法对测试数据进行分类与异常检测，近邻样本k的个数设置为7.该模型不仅能实现对已知故障类型数据的故障分类，还能区分出未知类别的故障数据.3实实验设计与结果分析3.1实验平台和数据集通过实验室楼顶的光伏并网发电实验平台，对11种故障状态进行故障设置和实测数据采集，如表1 所示.Tab.1 Distribution of photovoltaic array data collected on site故障类别类别标签训练集样本量汉测试集样本量正常0开路1短路12短路23阴影14阴影25模型训练故障图4模型训练和测试过程Fig.4Model training and testing process表1实测光伏阵列数据分布故障类别135581185014763113481124814160http:/模型测试训练测试数据完成深度学习网络模型分类与异常检测模块最小距离是判定为已知故障未知故障分类标签训练集样本量测试集样本量老化6积灰7积灰+开路8积灰+短路19积灰+短路21011212112094874852514037第4期实验平台由18 块GL-M100光伏组件构成，光伏阵列的拓扑结构为36，即6 个光伏组件相串联构成1个组串，3个组串相并联.使用I-V测试仪（PROVA1011，中国台湾泰仕电子电气公司）采集I-V曲线数据.短路故障的设置方法是使用导线短接光伏组件，短路1为短路1个光伏组件，短路2 为短路两个光伏组件；阴影故障的设置方法是使用遮光片遮盖组串中的光伏组件，阴影1为遮盖1个光伏组件，阴影2 为遮盖两个光伏组件；开路故障的设置方法是将1个光伏组件断开；老化故障的设置方法是将1个2 电阻串联入1个组串中；灰尘沉积故障的设置方法是在每块光伏组件上随机喷撒2 5 35g不等的面粉；灰尘短路1、灰尘短路2、灰尘开路的设置方法则是将对应的两种单一故障相结合.为更好地分析PDK模型的有效性，使用实测数据构建多种情形，模拟实际光伏阵列运行时可能出现的不同开集故障诊断任务.如表2所示，情形SO表示模型在训练阶段只考虑阵列正常、开路、短路的情况，而在检测阶段出现阴影故障，即训练集标签类型为0 3，测试集标签类型为0 4，情形S1和 S2以此类推.在训练集与测试集中均存在的类别，其训练集和测试集数量如表1所示；对于测试集中出现的新类别，则将该类别的所有数据样本全部放人测试集.在训练集中，每种类别选择30 个有标签数据，其余为无标签数据.在使用伪标签方法训练1DDenseNet时，每个mini-Batch由40 个有标签样本和6 0 个无标签样本构成.根据式（4），使用训练集数据对PDK方法进行30 次独立重复实验（即R=30），计算得出d的值为0.5.3.2评价指标采用以下几个指标来评价不同方法的有效性15.Pll=（N+N.）/（M、+M.），表示所有测试样本的准确率；Pk=Nk/Mk，表示已知类的准确率；P.=N./Mu，表示未知类的准确率；H-score=2PPk/（Pk+P.），表示P.和P.的调和平均值.式中：N表示模型正确分类的已知类测试样本的数量；N.表示模型成功检测到的未知类测试样本的数量；M和M.分别表示已知类和未知类测试样本的数量.只有当Pk和P.都高时，H-score才会高，因此它可以有效评估不同方法.3.3结果分析在所提出的3种情形中，情形S2的出现类别最多、情况最复杂.图5（a）（c）分别为深度学习网络对S2进行10 0 次迭代后的损失值、有标签数据训练分类准确率（P）、无标签数据训练分类准确率(Pul)曲线.3025201510500情形S2的损失值曲线下降较快，在迭代训练6 0 次左右便已收敛.损失值收敛后，有标签数据、无标签数据的训练分类准确率均在9 7%左右.可以看出，PD方法能有效训练深度学习网络，这为后面未知类别故障的识别奠定基础.为更好地显示PD深度学习网络的性能，针对情形S2使用t-SNE将网络输出的测试集样本特征进行可视化，如图6 所示.在特征空间中，各已知类别数据可以形成自已的类别集群.对于未知类别故障，未知陈泽理，等：基于伪标签-1DDenseNet-KNN的光伏阵列开集复合故障诊断方法表2 不同情形的模拟方法Tab.2 Simulation methods for different situations情形编号SOS1S21.00.80.6P-0.40.202550选代次数(a)损失值 495训练集标签类型测试集标签类型03040608090101.00.80.60.40.21075100Fig.5Training results of 100 iterations in situation S20图5情形S2迭代10 0 次的训练结果http:/25选代次数(b)有标签数据准确率5075100025送代次数(c)无标签数据准确率5075100:496 类别样本也能形成集群。但由于部分复合故障与单一故障特征相似，未知故障可能在特征空间中与某些单一故障靠得很近，会造成部分样本被误判.16.9710.884.79-1.30-7.39-13.48-19.57-48.28Fig.6 t-SNE visualization of PD deep learning network output features为验证所提开集故障诊断方法的有效性，将其与PD、单类支持向量机（one class support vectormachine，O CSVM）、伪标签-1DDenseNet-OCSVM(PDO）这3种方法进行对比.PD采用伪标签半监督方法训练已知类故障数据，测试集中同时包含已知与未知类故障数据.OCSVM方法使用归一化的短路电流、开路电压、最大功率点电流、最大功率点电压训练算法进行开集复合故障诊断.在对比实验中，OCSVM方法的权衡参数设置为0.0 5，核函数设置为高斯核函数，高斯核参数设置为0.0 1.将上述方法在各种情形下分别随机运行30 次，表3为各方法的分类准确率统计结果.P情形编号PDSO0.57720.864 8S10.517 7S20.800 1平均值0.631 7标准偏差0.148 9本研究提出的PDK方法在所有情形中Pal值的平均值为0.9 57 3，高于其他方法.对于每种情形，其Pa值都比其他方法高，且均在0.9 0 0 0 以上，说明该方法能很好地处理开集诊断任务，其中，PDK方法在每种情形下的Pk值的平均值为0.9834，说明已知类别的数据可以被该方法正确分类；其在每种情形下的P.值的平均值为0.9250，说明该方法对未知类别故障样本具有很好的识别能力.经30 次随机运行后，所统计的不同方法的H-score值如表4所示.PDK方法的H-score平均值为0.9 50 5,其H-score 值在每种情形下均优于其他方法，证实该方法的有效性.福州大学学报（自然科学版）正常6老化开路7积灰1短路18积灰开路短路29积灰短路1阴影1积灰短路25阴影2-35.76图6 PD深度学习网络输出特征t-SNE可视化表3不同方法的准确率Tab.3Accuracy of different methodsPalOCSVMPDO0.869 00.709 30.871 20.776 30.933 20.783 50.891 10.078 00.036 4第51卷1-23.24PDK0.925 20.976 70.969 90.957 30.028 0-10.72维度1OCSVMPDO0.89590.939 60.711 00.913 70.761 00.917 80.78930.92370.095 60.013 9表4不同方法的H-score值Tab.4H-score values of different methods情形编号OCSVMSO0.790 8S10.704 7S20.864 1平均值0.786 5标准偏差0.079 81.80PkPDK0.996 30.986 90.967 10.983 40.014914.31OCSVM0.72970.772.50.702 60.824 91.000 00.997 60.81080.865 00.164 40.117 8H-scorePDO0.842.80.865 40.956 00.88810.059 926.83PDOPDK0.901 40.976 00.974 20.95050.042 6PDK0.827 70.965 50.981 70.925 00.084 6http:/第4期4结语提出一种基于PDK的光伏阵列开集复合故障诊断方法.该方法只需使用少量的标签数据，结合光伏系统历史无标签数据即可构建诊断模型，完成对已知类别的分类和未知故障的识别，能更好地满足实际情况下光伏阵列的故障诊断需求.基于阵列实际运行场景中可能遇到的情况，构建3种开集诊断任务.所提方法在3种任务中均能获得很好的准确率，且3种情形H-score平均值可达0.9 50 5.经对比，该方法的性能明显优于PD、O C SV M 和PDO方法.参考文献：1韩春雷.太阳能光伏发电技术现状与发展探讨J.光源与照明，2 0 2 2(3)：9 5-9 7.2彭雅兰，李志刚.太阳能光伏阵列在线故障诊断方法综述J电器与能效管理技术，2 0 19(11）：1-7.3 CHEN L C,LIN P J,ZHANG J,et al.Fault diagnosis and classification for photovoltaic arrays based on principal componentanalysis and support vector machine CJ/IOP Conference Series:Earth and Environmental Science.Shanghai:IOP Publishing,2018,188(1):012089.4 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 Conversion and Management,2019,198:111793.5 LIN P,QIAN Z,LU X,et al.Compound fault diagnosis model for photovoltaic array using multi-scale SE-ResNetJ.Sustain-able Energy Technologies and Assessments,2022,50:101785.6 HUANG J M,WAI R J,YANG G J.Design of hybrid artificial bee colony algorithm and semi-supervised extreme learningmachine for PV fault diagnoses by considering dust impactJ.IEEE Transactions on Power Electronics,2019,35(7):7086-7099.7刘圣洋，冬雷，王晓晓，等。基于高斯核模糊C均值聚类的光伏阵列故障诊断方法J太阳能学报，2 0 2 1，42（5）：286-294.【8 安冬，梁彬彬，叶井启，等.基于优化VMD和MHA-DenseNet的滚动轴承故障诊断J.组合机床与自动化加工技术，2022(6):114-118.9姜家国，郭曼利.基于MTF和DenseNet的滚动轴承故障诊断方法J.工矿自动化，2 0 2 2，48（9）：6 3-6 8.10 余志锋，熊邦书，熊天旸，等.基于VMD-CWT和改进CNN的直升机轴承故障诊断J.航空动力学报，2 0 2 1，36(5）：948-958.11 CHEN Y,CHEN Z,WU L,et al.Parameter extraction of PV models using an enhanced shuffled complex evolution algorithmimproved by opposition-based learningJ.Energy Procedia,2019,158:991-997.12 HUANG G,LIU Z,LAURENS V D M,et al.Densely connected convolutional networks C/IEEE Conference on ComputerVision and Pattern Recognition.Hawai:IEEE,2017:4700-4708.13 LEE D H.Pseudo-label:the simple and efficient semi-supervised learning method for deep neural networks C/InternetionalConference on Machine Learning.Atlanta:ACM,2013,3(2):896-902.14王嘉浩，罗倩，胡园园.基于KNN-EMD算法的机车轴承故障诊断方法J.计算机仿真，2 0 2 1，38（11)：12 9-132；172.15 YU X,ZHAO Z,ZHANG X,et al.Deep-learning-based open set fault diagnosis by extreme value theoryJ.IEEE Transactionson Industrial Informatics,2021,18(1):185-196.陈泽理，等：基于伪标签-1DDenseNet-KNN的光伏阵列开集复合故障诊断方法 497（责任编辑：樊华）http:/