太阳能电池故障分析方法及系统

技术领域

本申请涉及太阳能电池系统技术领域，具体而言，涉及一种太阳能电池故障分析方法及系统。

背景技术

太阳能电池，是一种利用太阳光直接发电的光电半导体薄片，只要被满足一定照度条件的光照度，瞬间就可输出电压及在有回路的情况下产生电流，在物理学上称为太阳能光伏（Photovoltaic，缩写为PV），简称光伏。也即，太阳能电池是通过光电效应或者光化学效应直接把光能转化成电能的装置。以光伏效应工作的晶硅太阳能电池为主流。在相关技术中，太阳能电池系统是一个结合多个太阳能电池和太阳能电池控制组件的大型系统，太阳能电池监控系统通过对太阳能电池系统进行实时状态监控从而及时获知其运行状态，尤其是监控其是否处于故障状态，以便于及时进行故障修复。然而，目前针对太阳能电池系统的故障分析方式不够准确。

发明内容

本申请提供一种太阳能电池故障分析方法及系统。

第一方面，本申请实施例提供一种太阳能电池故障分析方法，基于故障检测服务器进行执行，包括：

获取太阳能电池监控系统上传的目标电池运行异常数据对应的状态流向特征分布；所述目标电池运行异常数据为对目标太阳能电池系统进行状态数据监控获得的存在运行异常活动的数据；所述目标太阳能电池系统为待进行故障分析的电池目标；

对所述状态流向特征分布进行成员活动定位，输出所述目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布；

将各所述第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出所述目标电池运行异常数据对应的第一故障分类置信度；所述第一故障分类置信度包括所述目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度；

将所述状态流向特征分布加载至目标整体故障分析模型，输出所述目标电池运行异常数据对应的第二故障分类置信度；所述第二故障分类置信度包括所述目标电池运行异常数据中各电池运行异常活动针对各所述故障标签特征的支持度；

基于所述第一故障分类置信度以及所述第二故障分类置信度确定所述目标太阳能电池系统对应的故障标签特征。

第二方面，本申请实施例提供一种故障检测服务器，包括：

处理器；

存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现第一方面所述的太阳能电池故障分析方法。

如上，本申请通过获取目标电池运行异常数据对应的状态流向特征分布；其中，目标电池运行异常数据为对需要进行故障分析的目标太阳能电池系统进行状态数据监控获得的存在运行异常活动的数据；然后，对状态流向特征分布进行成员活动定位，输出目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布；将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出目标电池运行异常数据对应的第一故障分类置信度；其中，第一故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度；同时，将状态流向特征分布加载至目标整体故障分析模型，输出目标电池运行异常数据对应的第二故障分类置信度；其中，第二故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度；基于第一故障分类置信度以及第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征；如此，通过将目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，使得目标电池运行异常数据中每个电池运行异常活动都有对应的一个第一目标成员故障分析模型进行故障标签特征分析由此可以有效基于目标电池运行异常数据的精细化成员特征对目标电池运行异常数据中的目标太阳能电池系统进行故障标签特征分析，输出目标电池运行异常数据对应的第一故障分类置信度；通过将状态流向特征分布直接加载至目标整体故障分析模型，可以充分利用目标电池运行异常数据的整体特征对目标太阳能电池系统进行故障标签特征分析，输出目标电池运行异常数据对应的第二故障分类置信度；最终，通过目标电池运行异常数据对应的第一故障分类置信度和第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征，可以规避相关技术中仅基于第一故障分类置信度进行故障标签特征分析时，过于关注目标电池运行异常数据的细节特征，当目标太阳能电池系统的故障范围较大时，无法精确判定实际故障的问题；也可以规避相关技术中仅基于第二故障分类置信度进行故障标签特征分析时，无法充分利用目标电池运行异常数据的细节特征，导致目标太阳能电池系统故障分析不准确的问题，由此提高最终故障分析的可靠性。

附图说明

图1为本申请实施例提供的一种太阳能电池故障分析方法步骤流程示意图；

图2为本申请的实施例提供的用于执行图1中的太阳能电池故障分析方法的故障检测服务器的结构示意框图。

具体实施方式

下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，记载的实施例是本申请一部分实施例，而不是全部的实施例。依据本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

下面结合图1对本申请实施例的具体实施方式进行说明。

STEP110，获取目标电池运行异常数据对应的状态流向特征分布。

其中，目标电池运行异常数据为对目标太阳能电池系统进行状态数据监控获得的存在运行异常活动的数据。

其中，目标太阳能电池系统为待进行故障分析的电池目标。

一些示例性的设计思路中，故障检测服务器可以获取到对需要进行故障分析的目标太阳能电池系统进行状态数据监控得到的目标电池运行异常数据，将目标电池运行异常数据加载至满足模型收敛要求的目标深度学习网络中，该目标深度学习网络中的编码单元通过特征提取函数对目标电池运行异常数据进行特征编码，生成状态流向特征分布。

例如，特征提取函数可以为F，若输入的目标电池运行异常数据为W，编码单元生成的状态流向特征分布为E，计算公式如下：E=F（W）。

STEP120，对状态流向特征分布进行成员活动定位，输出目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布。

一些示例性的设计思路中，故障检测服务器可以对状态流向特征分布进行成员活动定位，输出到目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布。

STEP130，将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出目标电池运行异常数据对应的第一故障分类置信度。

其中，第一故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度。

故障检测服务器将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，通过各第一目标成员故障分析模型生成的各第一成员状态流向特征分布对应的故障分类置信度，可以得到目标电池运行异常数据对应的第一故障分类置信度，该第一故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度。

STEP140，将状态流向特征分布加载至目标整体故障分析模型，输出目标电池运行异常数据对应的第二故障分类置信度。

其中，第二故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度。

一些示例性的设计思路中，故障检测服务器可以将状态流向特征分布直接加载至全局共享的目标整体故障分析模型，输出目标整体故障分析模型针对状态流向特征分布生成的故障分类置信度，从而可以基于该故障分类置信度得到目标电池运行异常数据对应的第二故障分类置信度，该第二故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度。

STEP150，基于第一故障分类置信度以及第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征。

一些示例性的设计思路中，故障检测服务器可以基于第一故障分类置信度以及第二故障分类置信度确定目标电池运行异常数据对应的目标故障分类置信度，该目标故障分类置信度包括了目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，从而故障检测服务器可以基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征。

例如，目标太阳能电池系统对应的故障标签特征可以是目标太阳能电池系统的故障标签特征。

采用以上技术方案，本实施例通过获取目标电池运行异常数据对应的状态流向特征分布；其中，目标电池运行异常数据为对需要进行故障分析的目标太阳能电池系统进行状态数据监控获得的存在运行异常活动的数据；然后，对状态流向特征分布进行成员活动定位，输出目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布；将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出目标电池运行异常数据对应的第一故障分类置信度；其中，第一故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度；同时，将状态流向特征分布加载至目标整体故障分析模型，输出目标电池运行异常数据对应的第二故障分类置信度；其中，第二故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度；基于第一故障分类置信度以及第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征；如此，通过将目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，使得目标电池运行异常数据中每个电池运行异常活动都有对应的一个第一目标成员故障分析模型进行故障标签特征分析由此可以有效基于目标电池运行异常数据的精细化成员特征对目标电池运行异常数据中的目标太阳能电池系统进行故障标签特征分析，输出目标电池运行异常数据对应的第一故障分类置信度；通过将状态流向特征分布直接加载至目标整体故障分析模型，可以充分利用目标电池运行异常数据的整体特征对目标太阳能电池系统进行故障标签特征分析，输出目标电池运行异常数据对应的第二故障分类置信度；最终，通过目标电池运行异常数据对应的第一故障分类置信度和第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征，可以规避相关技术中仅基于第一故障分类置信度进行故障标签特征分析时，过于关注目标电池运行异常数据的细节特征，当目标太阳能电池系统的故障范围较大时，无法精确判定实际故障的问题；也可以规避相关技术中仅基于第二故障分类置信度进行故障标签特征分析时，无法充分利用目标电池运行异常数据的细节特征，导致目标太阳能电池系统故障分析不准确的问题，由此提高最终故障分析的可靠性。

一些示例性的设计思路中，以上实施例中的STEP130包括：

STEP210，将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出各第一成员状态流向特征分布对应的故障分类置信度。

一些示例性的设计思路中，故障检测服务器在将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出目标电池运行异常数据对应的第一故障分类置信度的过程中，故障检测服务器可以将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，首先得到各第一目标成员故障分析模型生成的各第一成员状态流向特征分布对应的故障分类置信度。

STEP220，依据各第一成员状态流向特征分布的时空域信息，对各第一成员状态流向特征分布进行融合，输出融合后的第一成员状态流向特征分布。

一些示例性的设计思路中，故障检测服务器得到各第一目标成员故障分析模型生成的各第一成员状态流向特征分布对应的故障分类置信度后，故障检测服务器可以依据各第一成员状态流向特征分布的时空域信息，对各第一成员状态流向特征分布进行融合，输出融合后的第一成员状态流向特征分布。

STEP230，基于各融合后的第一成员状态流向特征分布对应的故障分类置信度，生成状态流向特征分布对应的故障分类置信度。

其中，状态流向特征分布对应的故障分类置信度包括状态流向特征分布中各电池运行异常活动针对各故障标签特征的支持度。

一些示例性的设计思路中，故障检测服务器在得到融合后的第一成员状态流向特征分布后，可以基于各融合后的第一成员状态流向特征分布对应的故障分类置信度，生成状态流向特征分布对应的故障分类置信度，该状态流向特征分布对应的故障分类置信度包括了状态流向特征分布中各电池运行异常活动针对各故障标签特征的支持度。

STEP240，基于状态流向特征分布对应的故障分类置信度，生成第一故障分类置信度。

一些示例性的设计思路中，由于目标深度学习网络生成的状态流向特征分布与输入的电池运行异常数据（即目标电池运行异常数据）特征分布范围一致，因此，故障检测服务器在得到状态流向特征分布对应的故障分类置信度后，可以基于状态流向特征分布中各电池运行异常活动针对各故障标签特征的支持度，生成目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的支持度，输出第一故障分类置信度。

采用以上步骤，通过将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出各第一成员状态流向特征分布对应的故障分类置信度；依据第一成员状态流向特征分布的时空域信息，对各第一成员状态流向特征分布进行融合，输出融合后的第一成员状态流向特征分布；基于各融合后的第一成员状态流向特征分布对应的故障分类置信度，生成状态流向特征分布对应的故障分类置信度；其中，状态流向特征分布对应的故障分类置信度包括状态流向特征分布中各电池运行异常活动针对各故障标签特征的支持度；最后，基于状态流向特征分布对应的故障分类置信度，生成第一故障分类置信度；如此，通过将目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，使得目标电池运行异常数据中每个电池运行异常活动都有对应的一个第一目标成员故障分析模型进行故障标签特征分析由此可以有效基于目标电池运行异常数据的精细化成员特征对目标电池运行异常数据中的目标太阳能电池系统进行故障标签特征分析，提高目标太阳能电池系统的故障分类流程中的局部细节特征捕捉能力。

一些示例性的设计思路中，基于第一故障分类置信度以及第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征，包括：将第一故障分类置信度与第二故障分类置信度相加，输出目标电池运行异常数据对应的目标故障分类置信度；基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征。

其中，目标故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度。

一些示例性的设计思路中，故障检测服务器在基于第一故障分类置信度以及第二故障分类置信度确定目标太阳能电池系统对应的故障标签特征的过程中，故障检测服务器可以将第一故障分类置信度与第二故障分类置信度相加，输出目标电池运行异常数据对应的目标故障分类置信度，该目标故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度；然后，基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，可以确定目标太阳能电池系统对应的故障标签特征。

采用以上步骤，通过将第一故障分类置信度与第二故障分类置信度相加，输出目标电池运行异常数据对应的目标故障分类置信度；其中，目标故障分类置信度包括目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度；基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征；如此，可以规避相关技术中仅基于第一故障分类置信度进行故障标签特征分析时，过于关注目标电池运行异常数据的细节特征，当目标太阳能电池系统的故障范围较大时，无法精确判定实际故障的问题；也可以规避相关技术中仅基于第二故障分类置信度进行故障标签特征分析时，无法充分利用目标电池运行异常数据的细节特征，导致目标太阳能电池系统故障分析不准确的问题，由此提高最终故障分析的可靠性。

一些示例性的设计思路中，基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征，包括：在目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度中，生成目标电池运行异常数据中各电池运行异常活动对应的最大目标支持度；将各最大目标支持度对应的故障标签特征，输出为目标电池运行异常数据中各电池运行异常活动对应的故障标签特征；基于目标电池运行异常数据中各电池运行异常活动对应的故障标签特征，生成目标太阳能电池系统对应的故障标签特征。

一些示例性的设计思路中，故障检测服务器在基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征的过程中，故障检测服务器可以在目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度中，生成目标电池运行异常数据中各电池运行异常活动对应的最大目标支持度，从而可以将各最大目标支持度对应的故障标签特征，输出为目标电池运行异常数据中各电池运行异常活动对应的故障标签特征，并基于目标电池运行异常数据中各电池运行异常活动对应的故障标签特征，可以确定目标电池运行异常数据中组成目标太阳能电池系统的各电池运行异常活动对应的故障标签特征，进而可以确定目标太阳能电池系统的故障标签特征。

采用以上步骤，通过在目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度中，生成目标电池运行异常数据中各电池运行异常活动对应的最大目标支持度；将各最大目标支持度对应的故障标签特征，输出为目标电池运行异常数据中各电池运行异常活动对应的故障标签特征；基于目标电池运行异常数据中各电池运行异常活动对应的故障标签特征，生成目标太阳能电池系统对应的故障标签特征；如此，通过将目标电池运行异常数据中各电池运行异常活动对应的最大目标支持度所归属的故障标签特征，输出为目标电池运行异常数据中各电池运行异常活动对应的故障标签特征；从而可以基于组成目标太阳能电池系统的各电池运行异常活动对应的故障标签特征，准确确定目标太阳能电池系统对应的故障标签特征，提高了目标太阳能电池系统的故障分析的可靠性。

一些示例性的设计思路中，方法还包括：对状态流向特征分布进行多次不同特征维度下的成员活动定位，输出目标电池运行异常数据在至少一个特征维度下对应的第二成员状态流向特征分布；将各第二成员状态流向特征分布加载至各自关联的第二目标成员故障分析模型中，输出目标电池运行异常数据对应的至少一个第三故障分类置信度；至少一个第三故障分类置信度包括目标电池运行异常数据中各电池运行异常活动在对应的特征维度下，针对各故障标签特征的支持度；将第一故障分类置信度、第二故障分类置信度与至少一个第三故障分类置信度相加，输出目标故障分类置信度。

其中，第二成员状态流向特征分布的分布范围大于第一成员状态流向特征分布的分布范围，且小于状态流向特征分布的分布范围。

一些示例性的设计思路中，故障检测服务器在确定目标电池运行异常数据对应的目标故障分类置信度过程中，故障检测服务器还可以对状态流向特征分布进行多次不同特征维度下的成员活动定位，输出目标电池运行异常数据在至少一个特征维度下对应的第二成员状态流向特征分布，且该第二成员状态流向特征分布的分布范围大于第一成员状态流向特征分布的分布范围，且小于状态流向特征分布的分布范围。

然后，将各第二成员状态流向特征分布加载至各自关联的第二目标成员故障分析模型中，输出不同特征维度下对应的各第二目标成员故障分析模型生成的故障分类置信度，从而得到目标电池运行异常数据对应的至少一个第三故障分类置信度，上述至少一个第三故障分类置信度包括目标电池运行异常数据中各电池运行异常活动在对应的特征维度下，针对各故障标签特征的支持度；最后，故障检测服务器将第一故障分类置信度、第二故障分类置信度与不同特征维度下对应的第三故障分类置信度相加，可以得到目标电池运行异常数据对应的目标故障分类置信度。

采用以上步骤，通过对状态流向特征分布进行多次不同特征维度下的成员活动定位，输出目标电池运行异常数据在至少一个特征维度下对应的第二成员状态流向特征分布；其中，第二成员状态流向特征分布的分布范围大于第一成员状态流向特征分布的分布范围，且小于状态流向特征分布的分布范围；将各第二成员状态流向特征分布加载至各自关联的第二目标成员故障分析模型中，输出目标电池运行异常数据对应的至少一个第三故障分类置信度；其中，至少一个第三故障分类置信度包括目标电池运行异常数据中各电池运行异常活动在对应的特征维度下，针对各故障标签特征的支持度；将第一故障分类置信度、第二故障分类置信度与至少一个第三故障分类置信度相加，输出目标故障分类置信度；如此，通过对状态流向特征分布进行多特征维度划分，并将划分后的成员状态流向特征分布加载至各自关联的第二目标成员故障分析模型中，通过各第二目标成员故障分析模型的输出结果得到状态流向特征分布在不同特征维度下对应的第三故障分类置信度，并将第三故障分类置信度与充分利用了状态流向特征分布细节特征的第一故障分类置信度和充分利用状态流向特征分布整体特征的第二故障分类置信度相加，输出目标故障分类置信度；从而实现了故障分析模型的语义内容可以基于不同区域的状态流向特征分布内容的变化而变化，可以充分提取和融合不同分布范围状态流向特征分布上的特征信息，丰富了目标电池运行异常数据中目标太阳能电池系统的特征细节，进而可以通过目标电池运行异常数据对应的目标故障分类置信度，准确识别目标太阳能电池系统的故障标签特征，增强了故障分析模型对每张目标电池运行异常数据不同区域的自适应感知能力。

一些示例性的设计思路中，以上实施例的方法还包括：获取等待进行模型权重优化的成员故障分析模型；基于梯度下降算法对等待进行模型权重优化的成员故障分析模型进行模型权重信息优化，输出满足模型收敛要求的第一成员故障分析模型；和/或，基于指定损失函数对等待进行模型权重优化的成员故障分析模型进行模型权重信息优化，输出满足模型收敛要求的第二成员故障分析模型；基于第一成员故障分析模型和/或第二成员故障分析模型，输出目标成员故障分析模型。

其中，等待进行模型权重优化的成员故障分析模型包括不同特征维度对应的单元故障分析模型。

其中，目标成员故障分析模型包括第一目标成员故障分析模型、目标整体故障分析模型以及第二目标成员故障分析模型。

一些示例性的设计思路中，故障检测服务器还可以获取状态流向特征分布在不同特征维度下对应的等待进行模型权重优化的成员故障分析模型，基于梯度下降算法对所述等待进行模型权重优化的成员故障分析模型进行模型权重信息优化，输出满足模型收敛要求的第一成员故障分析模型，该第一成员故障分析模型包括了各故障标签特征对应的d维故障关联特征表示。

最后，故障检测服务器可以基于第一成员故障分析模型和/或第二成员故障分析模型，输出目标成员故障分析模型；该目标成员故障分析模型包括第一目标成员故障分析模型、目标整体故障分析模型以及第二目标成员故障分析模型。

采用以上步骤，通过获取状态流向特征分布在不同特征维度下对应的等待进行模型权重优化的成员故障分析模型；基于梯度下降算法对等待进行模型权重优化的成员故障分析模型进行模型权重信息优化，输出满足模型收敛要求的第一成员故障分析模型；和/或，基于指定损失函数对等待进行模型权重优化的成员故障分析模型进行模型权重信息优化，输出满足模型收敛要求的第二成员故障分析模型；基于第一成员故障分析模型和/或第二成员故障分析模型，输出目标成员故障分析模型；如此，可以通过多种方法训练得到目标成员故障分析模型，结合了多种方法的优点，可以提升目标成员故障分析模型对故障标签特征分析的准确性，同时使得获取目标成员故障分析模型的方式更加多样化。

一些示例性的设计思路中，目标整体故障分析模型包括故障比对单元和故障分类单元；将状态流向特征分布加载至目标整体故障分析模型，输出目标电池运行异常数据对应的第二故障分类置信度，包括：将状态流向特征分布加载至故障比对单元，输出目标电池运行异常数据中各电池运行异常活动对应的故障关联特征与各故障标签特征对应的故障关联特征间的目标关联参数值；将目标关联参数值加载至故障分类单元，输出第二故障分类置信度。

其中，目标电池运行异常数据中各电池运行异常活动对应的故障关联特征的维度与各故障标签特征对应的故障关联特征的维度相等。

其中，第二故障分类置信度为通过故障分类单元将目标关联参数值加载至归一化多分类函数得到的。

一些示例性的设计思路中，目标整体故障分析模型包括故障比对单元和故障分类单元；故障检测服务器在将状态流向特征分布加载至目标整体故障分析模型，输出目标电池运行异常数据对应的第二故障分类置信度的过程中，故障检测服务器可以将状态流向特征分布加载至故障比对单元，输出目标电池运行异常数据中各电池运行异常活动对应的故障关联特征与各故障标签特征对应的故障关联特征间的目标关联参数值；其中，目标电池运行异常数据中各电池运行异常活动对应的故障关联特征的维度与各故障标签特征对应的故障关联特征的维度相等；并通过将目标关联参数值加载至故障分类单元，输出第二故障分类置信度；其中，第二故障分类置信度为通过故障分类单元将目标关联参数值加载至归一化多分类函数得到的。

采用以上步骤，通过将状态流向特征分布加载至故障比对单元，输出目标电池运行异常数据中各电池运行异常活动对应的故障关联特征与各故障标签特征对应的故障关联特征间的目标关联参数值；将目标关联参数值加载至故障分类单元，输出第二故障分类置信度；如此，当目标太阳能电池系统的故障范围较大时，通过目标整体故障分析模型可以进行全面故障分类，并通过生成的第二故障分类置信度，准确识别出目标太阳能电池系统对应的故障标签特征。

一些示例性的设计思路中，另一个实施例可以具体包括以下步骤：

STEP302，获取目标电池运行异常数据对应的状态流向特征分布。

STEP304，对状态流向特征分布进行成员活动定位，输出目标电池运行异常数据中各电池运行异常活动对应的第一成员状态流向特征分布。

STEP306，将各第一成员状态流向特征分布加载至各自关联的第一目标成员故障分析模型中，输出各第一成员状态流向特征分布对应的故障分类置信度。

STEP308，依据各第一成员状态流向特征分布的时空域信息，对各第一成员状态流向特征分布进行融合，输出融合后的第一成员状态流向特征分布。

STEP310，基于各融合后的第一成员状态流向特征分布对应的故障分类置信度，生成状态流向特征分布对应的故障分类置信度。

STEP312，基于状态流向特征分布对应的故障分类置信度，生成目标电池运行异常数据对应的第一故障分类置信度。

STEP314，将状态流向特征分布加载至故障比对单元，输出目标电池运行异常数据中各电池运行异常活动对应的故障关联特征与各故障标签特征对应的故障关联特征间的目标关联参数值。

STEP316，将目标关联参数值加载至故障分类单元，输出目标电池运行异常数据对应的第二故障分类置信度。

STEP318，将第一故障分类置信度与第二故障分类置信度相加，输出目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度。

STEP320，基于目标电池运行异常数据中各电池运行异常活动针对各故障标签特征的目标支持度，生成目标太阳能电池系统对应的故障标签特征。

在以上描述的基础上，在进一步的故障修复阶段，本申请实施例还可以包括下述实施例的步骤。

STEP160，根据所述目标太阳能电池系统对应的故障标签特征，对所述目标太阳能电池系统进行故障修复。

其中，STEP160可以通过下述子步骤实现。

STEP161，将所述目标太阳能电池系统对应的故障标签特征输入到故障修复方案推荐模型中，输出所述目标太阳能电池系统对应的故障修复方案信息；

STEP162，基于所述故障修复方案信息对所述目标太阳能电池系统进行故障修复。

例如，前述的故障修复方案推荐模型的训练步骤包括：

STEP1601，从故障修复模板数据库中提取模板故障标签特征，以及所述模板故障标签特征中的每个对应的故障标签节点各自对应的模板故障修复方案信息；

STEP1602，结合故障修复方案推荐模型的故障因果关系图提取单元，对所述模板故障标签特征进行故障因果关系图提取，输出所述模板故障标签特征相对应的模板故障因果关系图信息；

STEP1603，结合所述模板故障因果关系图信息，基于故障修复方案推荐模型的故障修复方案输出单元进行故障修复方案输出，生成所述模板故障标签特征中的每个故障标签节点各自对应的故障修复方案输出信息；

STEP1604，结合所述模板故障标签特征中的每个故障标签节点各自对应的故障修复方案输出信息，以及所述模板故障标签特征中的每个模板故障标签节点各自对应的模板故障修复方案信息，对所述故障修复方案推荐模型进行权重参数层的更新。

STEP1601的一种实现方式可以是：获取所述模板故障修复训练数据簇；所述模板故障修复训练数据簇中涵盖模板故障标签特征，以及所述模板故障标签特征相对应的组件故障症状数据；结合所述模板故障标签特征，以及所述模板故障标签特征相对应的组件故障症状数据，生成所述模板故障标签特征相对应的模板故障诊断图谱；所述模板故障诊断图谱表征所述模板故障标签特征中故障诊断参数所对应的故障诊断实体；结合所述模板故障诊断图谱，基于故障诊断概率预测单元进行故障诊断概率预测，生成所述模板故障标签特征相对应的模板故障诊断参数的故障诊断概率值；结合所述模板故障诊断参数的故障诊断概率值，分别在所述模板故障标签特征中的每个故障标签节点进行故障诊断参数提取，生成所述模板故障标签特征的每个故障标签节点的故障诊断参数序列；结合所述模板故障修复训练数据簇中的每个模板故障标签特征的每个故障标签节点的故障诊断参数序列的故障修复实例，生成故障修复实例图谱；所述故障修复实例图谱表征所述故障修复模式的故障修复实例联动关系；结合所述故障修复模式的故障修复实例联动关系，生成所述故障修复方案输出单元关联的故障修复模式；所述故障修复模式涵盖多个故障修复细化模式；结合所述模板故障标签特征中的每个故障标签节点的故障诊断参数序列，基于所述故障修复模式进行故障修复方案推荐，生成所述模板故障标签特征中的每个故障标签节点关联的模板故障修复方案信息。

依据同一发明构思，本申请实施例还提供一种故障检测服务器，参阅图2，图2为本申请实施例提供的故障检测服务器100的结构图，故障检测服务器100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（Central ProcessWnF UnWts，CPU）112（例如，一个或一个以上处理器）和存储器111。其中，存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块，各个模块可以包括对故障检测服务器100中的一系列指令操作。更进一步地，中央处理器112可以设置为与存储器111通信，在故障检测服务器100上执行存储器111中的一系列指令操作。

故障检测服务器100还可以包括一个或一个以上电源，一个或一个以上通信单元113，一个或一个以上传递到输出接口，和/或，一个或一个以上操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM， LinuxTM，FreeBSDTM等等。

上述实施例中由故障检测服务器所执行的步骤可以依据图2所示的故障检测服务器结构。

另外，本申请实施例还提供了一种机器可读介质，所述机器可读介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的方法。

本申请实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。