1.基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，具体按照以下步骤实施：

步骤1、将多组光伏组串图片作为样本，训练基于注意力机制的CNN网络跟踪模型；

步骤2、获得目标视频，将目标视频输入到已经训练好的基于注意力机制的CNN网络跟踪模型中获取视频帧序列，对视频帧序列进行特征提取，输出视频帧序列的组串特征图和故障特征图；

步骤3、结合注意力机制，对组串特征图进行特征加强，去除噪声干扰，对于故障特征图进行增强融合，去噪后的组串特征图输入GNet网络，得到热力图；

步骤4、将去噪后的组串特征图和增强融合后的故障特征图输入交叉特征增强模块CFA，进行基于注意力的交叉融合，输出融合后的特征图；

步骤5、将融合后的特征图输入预测头，通过预测头进行分类和回归，得到故障前景/背景分类结果；

步骤6、根据热力图和分类结果输出光伏组串的故障类型与位置。

2.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤2具体过程为：

通过无人机采集光伏组串的视频作为目标视频，将目标视频输入训练好的基于注意力机制的CNN网络跟踪模型中，通过基于注意力机制的CNN网络中的高维特征提取通道con‑5提取组串特征，得到组串特征图，通过低维通道con‑4进行目标图像特征选择提取组串内部故障细节信息，得到故障特征图。

3.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤3对组串特征图进行特征加强、对于故障特征图进行增强融合具体过程为：结合注意力机制，利用两个上下文增强模块ECA对组串特征图或故障特征图进行特征增强，其中ECA是利用残差形式的多头自注意，自适应整合组串特征图或故障特征图中不同位置的信息，将组串特征图或故障特征图作为ECA机制的输入，得到去噪后的组串特征图或增强融合后的故障特征图，其中ECA的作用机制表达：XEC＝X+MultiHead(X+Px,X+Px,X)      (1)其中X代表ECA的输入，px为空间位置编码，XEC为ECA的输出。

4.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤4中所述交叉特征增强模块CFA内采用空间位置编码，且在交叉特征增强模块CFA中引用FFN模块，其中FFN模块是由两个线性变换组成的全连通前馈网络，两个线性变换中间有一个ReLU，即

FFN(x)＝max(0,xW1+b1)W2+b2   (2)其中符号w表示权重矩阵，b表示基向量，下标表示融合的不同层。

5.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤4具体过程为：将去噪后的组串特征图和增强融合后的故障特征图输入交叉特征增强模块CFA，在CFA作用机制下，融合部分重复N次，输出融合后的特征图；

其中，CFA作用机制概括为：

其中，Xq是增强融合后的故障特征图向量表示形式，Pq是对应于Xq的空间位置编码，Xkv是去噪后的组串特征图向量表示形式，pkv是Xkv坐标的空间编码， 是经过多头交叉特征的融合输出，XCF是CFA的输出结果。

6.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤5中所述预测头包括分类分支和回归分支，所述分类分支和回归分支构成均包括具有隐藏维数d和ReLU激活函数的三层感知器。

7.根据权利要求6所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤5具体过程为：将融合后的特征图输入预测头，在分类分支通过二进制交叉熵损失进行分类，在回归分支进行回归训练，得到故障前景/背景分类结果；

其中，分类分支定义为：

Lcls＝‑∑[yilog(pj)+(1‑yi)log(1‑pj)]  (4)yj表示第j个样本的ground‑truth标签，yj＝1表示前景，pj表示学习模型预测的属于前景的概率；

回归分支中回归损失的定义为：

yi＝1表示正样本，bj表示第j个预测边界框，表示归一化的真实边界框，λG和λ1是正则化参数。

8.根据权利要求1所述基于注意力机制的光伏组串跟踪及故障跟踪方法，其特征在于，步骤6具体过程为：根据热力图得到光伏组串预测位置，根据光伏组串预测位置对该组串的编号跟踪；同时根据步骤5得到故障前景/背景分类结果，输出组串内故障的分类和跟踪结果。