[發明專利]一種基于分層Softmax的光伏背板故障診斷方法

有效

• 申請號: 201911148679.8
• 申請日: 2019-11-21
• 公開（公告）號: CN111091141B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 顏文俊;朱鋒;方曉倫;鄒紹琨;馮夢丹
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜

本發明公開了一種基于分層Softmax的光伏背板故障診斷方法，首先獲取光伏背板在正常工況及各類故障下的電氣特征、工作狀態及持續時間，并對數據進行最大最小歸一化處理；然后搭建BP神經網絡模型，根據光伏背板在各工況下的總持續時間，搭建哈弗曼樹，將神經網絡的輸出層與哈夫曼樹的根節點相連，構建分層Softmax。將預處理后的電氣特征作為訓練樣本，訓練BP神經網絡及分層Softmax，得到故障診斷模型。實時檢測光伏背板的四個電氣特征值，將其作為模型輸入，判斷光伏背板是否出現故障及故障的種類。本發明降低了模型的計算量，提高了光伏電站的故障檢測效率，降低了光伏電站的運維成本。

技術領域

本發明涉及太陽能發電領域，尤其涉及一種基于分層Softmax的光伏背板故障診斷方法。

背景技術

光伏發電經過近十年的發展，在包括光伏電池效率提升、MPPT算法研究、逆變算法研究、并網模式等環節上都取得了較大的突破；電站通過發展各類拓補結構、與蓄電池相互結合并配合能源管理系統等方法，最大限度減輕了太陽能發電波動大、不穩定的缺點，弱化了光伏發電對并網的沖擊。

盡管如此，光伏電站的運維在行業內一直是個難點。特別是光伏背板，由于長期部署在室外，受到惡劣天氣影響，易出現各類故障，對正常發電造成影響。部分電站采用定期巡檢的方式，對光伏背板等主要設備進行定期的檢修，往往效率低下，耗時耗力。理想的方法是實時檢測光伏背板的主要電氣特征，通過故障模型在線判斷是否發生故障及故障種類，再組織專門人員進行檢修，以提高運維的效率。

目前主流的故障診斷模型包括以SVM、決策樹為代表的傳統機器學習方法和以神經網絡為代表的深度學習方法。與傳統機器學習方法相比，神經網絡在非線性問題中的表現往往更好，但存在參數量大、訓練速度慢的缺陷，不適用于在線學習或對模型實時性要求高的場景。影響神經網絡訓練速度的一個重要原因在于，在往常的分類問題中，模型需要計算輸出屬于各個類別的概率。當分類模型的輸出特征維度較大時，相應的計算量就會很大，造成訓練緩慢。

發明內容

本發明目的在于針對現有技術的不足，提出一種基于分層Softmax的光伏背板故障診斷方法，通過在神經網絡的輸出端連接分層Softmax，在保證分類精確度的同時，提高神經網絡的學習速度。

本發明的目的是通過以下技術方案來實現的：一種基于分層Softmax的光伏背板故障診斷方法，主要包括以下步驟：

1)獲取光伏背板在正常工況及各類故障下的電氣特征、工作狀態及持續時間。其中，需采集的電氣特征包括光伏背板的開路電壓U_o、短路電流I_s、最大功率電壓U_max、最大功率電流I_max；典型的工作狀態包括正常工況、光伏背板開路、光伏背板短路、光伏背板老化及陰影遮擋。

2)對數據進行預處理；對步驟1)中采集的電氣特征數據，采用最大最小歸一化處理，并對五種典型的工作狀態進行編號，分別用1、2、…、5來表示。

3)搭建BP神經網絡模型；BP神經網絡由輸入層、隱藏層及輸出層組成；每層都有相應的激活函數；

所述BP神經網絡包括三層，第一層為輸入層，包含四個神經元，對應了光伏背板的開路電壓U_o、短路電流I_s、最大功率電壓U_max、最大功率電流I_max四維輸入特征；第二、三層為隱藏層和輸出層，各包含五個神經元。采用的激活函數為Relu函數，描述如下：