研究背景下，光伏电站长期运行于强辐照、风沙、腐蚀及气候波动等复杂环境中，易出现局部遮挡、器件老化、传感器故障、变换器控制异常等多类故障，进而导致发电效率下降与停机风险增加。针对传统单模态方法难以同时刻画电参量的局部空间纹理与长程时序依赖的问题，研究人员提出一种基于双通道1D-2D-CNN-BiLSTM时空特征融合网络的并网光伏故障诊断方法。该方法以原始电流、电压序列为一维通道，并通过Gramian Angular Field（GAF，格拉姆角场）构建二维图像通道，再结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）与多头自注意力机制，实现动态特征与纹理特征的互补融合。实验基于真实并网光伏系统运行数据，覆盖7类典型故障与正常状态，结果表明该方法诊断准确率达到94.6875%，对复杂工况下多类型光伏故障识别具有较强有效性与工程应用价值。

《Scientific Reports》：Research on a fault diagnosis method for photovoltaic power plants based on a dual-channel 1D-2D-CNN-BiLSTM spatiotemporal feature fusion network

　　

本研究提出一种面向并网光伏电站的双通道时空特征融合故障诊断方法。针对光伏系统在复杂运行条件下故障特征弱、时序演化复杂以及多源干扰耦合导致单一特征表达能力不足的问题，研究人员构建了由二维图像分支和一维序列分支组成的异构并行架构。二维分支采用Gramian Angular Field（GAF，格拉姆角场）将原始一维监测序列映射为保留时间相关性的结构化图像，再由CNN提取局部空间纹理特征；一维分支直接保留电流、电压时间序列，并通过BiLSTM建模前后向长程依赖，同时引入多头自注意力机制（multi-head self-attention）对关键时刻进行动态加权。通过双通道特征互补与深度融合，模型实现了对不同类型故障的有效识别。实验结果表明，该方法在7类典型故障诊断中准确率达到94.6875%，优于对比模型，说明其能够在合理模型复杂度下提升并网光伏系统故障识别性能。

研究人员首先指出，全球能源转型与“双碳”目标推动光伏装机快速增长，但光伏电站长期暴露于极端天气、紫外辐照、风沙侵蚀和海水腐蚀等环境中，易发生多种电气故障。故障会加速组件老化、降低输出功率与系统效率，因此亟需高准确率、强泛化能力的故障诊断方法。传统视觉/热成像方法受限于现场条件，而基于电参量的方法虽应用广泛，但在复杂工况下往往难以同时提取局部纹理、动态瞬态和长程依赖特征，尤其对复合故障识别能力不足。为此，研究人员提出双通道1D-2D-CNN-BiLSTM时空特征融合网络：一方面用GAF将电流、电压序列转化为保留时序相关性的二维图像，再由CNN提取空间纹理；另一方面保留原始一维序列，由BiLSTM捕获上下文依赖，并用多头自注意力强化关键时刻。该研究的核心结论是，异构双通道融合可有效弥补单模态表达不足，显著提升并网光伏故障分类性能。其重要意义在于为复杂工况下光伏系统的智能运维提供了更具工程可行性的诊断路径。

研究使用了实际并网光伏系统实验数据，覆盖7类典型故障与正常状态；方法上主要包括GAF时序图像转换、CNN二维特征提取、BiLSTM一维序列建模、多头自注意力加权，以及基于Accuracy、Precision、Recall和F1-score的分类评估。

研究结果部分显示：
“Gramian Angular Field变换”表明，GASF（Gramian Angular Summation Field）与GADF（Gramian Angular Difference Field）能够将一维序列转化为具有更清晰结构的信息图像，其中GASF更适于表征整体趋势，GADF更适于捕捉瞬态变化；三维可视化结果说明GAF后特征类间分离度提高。
“对比实验结果”表明，所提方法在7类故障诊断中取得94.6875%的准确率、94.36%的宏平均精确率、94.23%的宏平均召回率和0.9413的宏平均F1值，整体优于CNN、BiLSTM及其多种融合变体。
“消融实验分析”表明，若将多头自注意力改为单头，或将注意力放在融合后，或以1D CNN替换BiLSTM，性能均明显下降，说明多头注意力、分支内独立加权以及BiLSTM序列建模是性能提升的关键。
“分类别性能分析”表明，该方法在反馈传感器故障（F2）和光伏阵列局部遮挡失配（F4）上表现尤为突出；相较于仅用一维BiLSTM的方法，引入GAF二维纹理特征后，F4的识别能力显著增强，证明双通道互补对复杂故障区分具有明显优势。

讨论部分指出，该方法的优势主要体现在三个方面：其一，GAF保留了时间点两两相关性，使二维图像通道具有明确物理意义；其二，BiLSTM直接建模原始序列，避免卷积池化对瞬态波动的过度平滑；其三，多头自注意力可自动聚焦故障发生的关键时刻，抑制冗余波动和背景噪声。研究人员总结认为，该异构双通道框架在较低模型复杂度下实现了较好的诊断精度与泛化性能，适合用于并网光伏系统在线监测与智能运维。论文同时指出，现阶段对纯Transformer等模型尚未进行结构兼容性的公平比较，且多故障并发场景下特征重叠仍影响判别精度；未来可进一步构建统一评测基准，并探索多任务学习或特征解耦策略，以增强模型在动态环境与复合故障下的适应能力。