CN111091141A - 一种基于分层Softmax的光伏背板故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于分层Softmax的光伏背板故障诊断方法，首先获取光伏背板在正常工况及各类故障下的电气特征、工作状态及持续时间，并对数据进行最大最小归一化处理；然后搭建BP神经网络模型，根据光伏背板在各工况下的总持续时间，搭建哈弗曼树，将神经网络的输出层与哈夫曼树的根节点相连，构建分层Softmax。将预处理后的电气特征作为训练样本，训练BP神经网络及分层Softmax，得到故障诊断模型。实时检测光伏背板的四个电气特征值，将其作为模型输入，判断光伏背板是否出现故障及故障的种类。本发明降低了模型的计算量，提高了光伏电站的故障检测效率，降低了光伏电站的运维成本。

Description

一种基于分层Softmax的光伏背板故障诊断方法

技术领域

本发明涉及太阳能发电领域，尤其涉及一种基于分层Softmax的光伏背板故障诊断方法。

背景技术

光伏发电经过近十年的发展，在包括光伏电池效率提升、MPPT算法研究、逆变算法研究、并网模式等环节上都取得了较大的突破；电站通过发展各类拓补结构、与蓄电池相互结合并配合能源管理系统等方法，最大限度减轻了太阳能发电波动大、不稳定的缺点，弱化了光伏发电对并网的冲击。

尽管如此，光伏电站的运维在行业内一直是个难点。特别是光伏背板，由于长期部署在室外，受到恶劣天气影响，易出现各类故障，对正常发电造成影响。部分电站采用定期巡检的方式，对光伏背板等主要设备进行定期的检修，往往效率低下，耗时耗力。理想的方法是实时检测光伏背板的主要电气特征，通过故障模型在线判断是否发生故障及故障种类，再组织专门人员进行检修，以提高运维的效率。

目前主流的故障诊断模型包括以SVM、决策树为代表的传统机器学习方法和以神经网络为代表的深度学习方法。与传统机器学习方法相比，神经网络在非线性问题中的表现往往更好，但存在参数量大、训练速度慢的缺陷，不适用于在线学习或对模型实时性要求高的场景。影响神经网络训练速度的一个重要原因在于，在往常的分类问题中，模型需要计算输出属于各个类别的概率。当分类模型的输出特征维度较大时，相应的计算量就会很大，造成训练缓慢。

发明内容

本发明目的在于针对现有技术的不足，提出一种基于分层Softmax的光伏背板故障诊断方法，通过在神经网络的输出端连接分层Softmax，在保证分类精确度的同时，提高神经网络的学习速度。

本发明的目的是通过以下技术方案来实现的：一种基于分层Softmax的光伏背板故障诊断方法，主要包括以下步骤：

1)获取光伏背板在正常工况及各类故障下的电气特征、工作状态及持续时间。其中，需采集的电气特征包括光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max；典型的工作状态包括正常工况、光伏背板开路、光伏背板短路、光伏背板老化及阴影遮挡。

2)对数据进行预处理；对步骤1)中采集的电气特征数据，采用最大最小归一化处理，并对五种典型的工作状态进行编号，分别用1、2、…、5来表示。

3)搭建BP神经网络模型；BP神经网络由输入层、隐藏层及输出层组成；每层都有相应的激活函数；

所述BP神经网络包括三层，第一层为输入层，包含四个神经元，对应了光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max四维输入特征；第二、三层为隐藏层和输出层，各包含五个神经元。采用的激活函数为Relu函数，描述如下：

4)

根据光伏背板在各工况下的总持续时间，搭建哈弗曼树。将步骤3)中神经网络的输出层与哈夫曼树的根节点相连，构建分层Softmax。哈夫曼树的每个中间节点(包括根节点)都是一个Logistic分类器，基于第j个节点的输入x_j，将其分到左侧子节点的概率为h_j(x_j)，分到右侧子节点的概率为1-h_j(x_j)。其中h_j(x_j)可用下式表示，w_j为待训练的参数，其维度与输入x_j一致：

5)将预处理后的电气特征作为训练样本，将交叉熵作为损失函数，利用梯度下降法训练BP神经网络及分层Softmax，得到故障诊断模型。其中交叉熵的公式如下，y_i代表第i个样本的真实标签，

代表当前模型将第i个样本分到标签y_i的概率。

训练完成后，实时检测光伏背板的四个电气特征值，将其作为模型输入，判断光伏背板是否出现故障及故障的种类。

进一步地，步骤2)中，最大最小归一化处理公式如下：

其中x为数据的原特征值，x_norm为归一化后的特征值，x_min为要进行归一化的特征的最小值，x_max为要进行归一化的特征的最大值。

进一步地，所述步骤3)中BP神经网络的前向传播可用下式描述：

其中，

为第l层第i个神经元的输入，

为该神经元的输出，f为该层的激活函数，

为第l-1层第j个神经元与第l层第i个神经元之间的权值，

为第l层第i个神经元的偏置。

相应的反向传播公式可用下式描述：

其中E代表模型的总体误差，E(i)代表第i个样本所带来的误差，

代表总体误差对

的梯度；

代表总体误差对

的梯度。

进一步地，所述步骤4)中哈弗曼树的搭建方式如下：

a)将光伏背板在五种典型工作状态下的持续时间作为权值{λ(x₁)...λ(x₅)}，构造二叉树集合F＝{T₁…T₅}，其中每棵二叉树T_i都是一个权值为λ(x_i)的根节点，其左右子树为空，代表了第i种工作状态。

b)初始时刻，在F中选取两颗权值最小的树作为左右子树构造一颗新的二叉树，将两颗子树的权值相加作为新树的权值。将新树加入F，在F中删除新树的左右子树。

c)重复上一步，直到F中只剩一棵树，F中的树即为所求哈夫曼树。树中的每个叶节点都代表了光伏背板的一种工作状态。

本发明的有益效果：本发明提供的一种基于分层Softmax的光伏背板故障诊断方法，将神经网络的输出端与基于哈弗曼树构造的分层Softmax相连接，与传统分类模型相比，降低了模型的计算量，加快了模型的训练速度及诊断速度，使光伏背板故障诊断模型的在线训练及实时诊断成为可能，提高了光伏电站的故障检测效率，降低了光伏电站的运维成本。

附图说明

图1为光伏背板故障诊断流程图；

图2为光伏背板故障诊断模型结构图；

图3为光伏背板故障诊断效果图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图和具体实施方式，进一步阐述本发明。

如图1所示，本发明提供的一种基于分层Softmax的光伏背板故障诊断方法，主要包括以下步骤：

1)获取光伏背板在正常工况及各类故障下的电气特征、工作状态及持续时间。其中，需采集的电气特征包括光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max；典型的工作状态包括正常工况、光伏背板开路、光伏背板短路、光伏背板老化及阴影遮挡。

2)对数据进行预处理；对步骤1)中采集的电气特征数据，采用最大最小归一化处理，公式如下：

其中x为数据的原特征值，x_norm为归一化后的特征值，x_min为要进行归一化的特征的最小值，x_max为要进行归一化的特征的最大值。此外，对五种典型的工作状态进行编号，分别用1、2、…、5来表示。

3)搭建BP神经网络模型。BP神经网络由输入层、隐藏层及输出层组成；每层都有相应的激活函数。BP神经网络在理论上可以拟合任意单值函数，其训练过程主要包括输入前向传播与误差反向传播两部分。

BP神经网络的前向传播可用下式描述：

其中，

为第l层第i个神经元的输入，

为该神经元的输出，f为该层的激活函数，

为第l-1层第j个神经元与第l层第i个神经元之间的权值，

为第l层第i个神经元的偏置。

相应的反向传播公式可用下式描述：

其中E代表模型的总体误差，E(i)代表第i个样本所带来的误差，

代表总体误差对

的梯度；

代表总体误差对

的梯度。

所述神经网络包括三层，第一层为输入层，包含四个神经元，对应了光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max四维输入特征；第二、三层为隐藏层和输出层，各包含五个神经元。采用的激活函数为Relu函数，描述如下：

与其他激活函数相比，Relu具有梯度恒定的优点，便于模型在训练过程中的快速收敛。

4)根据光伏背板在各工况下的总持续时间，按以下方式按搭建哈弗曼树，并将步骤3)中神经网络的第三层与哈夫曼树的根节点相连，构建分层Softmax。

a)将光伏背板在五种典型工作状态下的持续时间作为权值{λ(x₁)...λ(x₅)}，构造二叉树集合F＝{T₁…T₅}，其中每棵二叉树T_i都是一个权值为λ(x_i)的根节点，其左右子树为空，代表了第i种工作状态。

b)初始时刻，在F中选取两颗权值最小的树作为左右子树构造一颗新的二叉树，将两颗子树的权值相加作为新树的权值。将新树加入F，在F中删除新树的左右子树。

c)重复上一步，直到F中只剩一棵树，F中的树即为所求哈夫曼树。

以表1所示数据为例，搭建的故障诊断模型结构如图2所示。

表1，光伏背板各工作状态总持续时间

故障名(故障标签)	正常(1)	开路(2)	老化(3)	短路(4)	阴影遮挡(5)
						持续时间(h)	800	6	17	8	30

5)将预处理后的电气特征作为训练样本，将交叉熵作为损失函数，利用梯度下降法训练BP神经网络及分层Softmax，得到故障诊断模型。其中交叉熵的公式如下，y_i代表第i个样本的真实标签，

代表当前模型将第i个样本分到标签y_i的概率。

训练完成后，本发明所述故障诊断模型在测试数据集上的诊断效果如图3所示，诊断正确率为98.7％。在相同数据集上对比所述方法与常用故障分类方法(SVM、决策树、KNN)的性能，结果如表2所示。观察结果可以发现，所述方法在保证分类正确率的前提下，提高了训练速度和预测速度。

表2，不同模型的预测性能对比

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (4)

1.一种基于分层Softmax的光伏背板故障诊断方法，其特征在于，主要包括以下步骤：

1)获取光伏背板在正常工况及各类故障下的电气特征、工作状态及持续时间。其中，需采集的电气特征包括光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max等；典型的工作状态包括正常工况、光伏背板开路、光伏背板短路、光伏背板老化及阴影遮挡等。

2)对数据进行预处理；对步骤1)中采集的电气特征数据，采用最大最小归一化处理，并对五种典型的工作状态进行编号，分别用1、2、…、5来表示。

3)搭建BP神经网络模型；BP神经网络由输入层、隐藏层及输出层组成；每层都有相应的激活函数；

所述BP神经网络包括三层，第一层为输入层，包含四个神经元，对应了光伏背板的开路电压U_o、短路电流I_s、最大功率电压U_max、最大功率电流I_max四维输入特征；第二、三层为隐藏层和输出层，各包含五个神经元。采用的激活函数为Relu函数，描述如下：

4)根据光伏背板在各工况下的总持续时间，搭建哈弗曼树。将步骤3)中神经网络的输出层与哈夫曼树的根节点相连，构建分层Softmax。哈夫曼树的每个中间节点(包括根节点)都是一个Logistic分类器，基于第j个节点的输入x_j，将其分到左侧子节点的概率为h_j(x_j)，分到右侧子节点的概率为1-h_j(x_j)。其中h_j(x_j)可以用下式表示，w_j为待训练的参数，其维度与输入x_j一致：

5)将预处理后的电气特征作为训练样本，将交叉熵作为损失函数，利用梯度下降法训练BP神经网络及分层Softmax，得到故障诊断模型。其中交叉熵的公式如下，y_i代表第i个样本的真实标签，

代表当前模型将第i个样本分到标签y_i的概率。

训练完成后，实时检测光伏背板的四个电气特征值，将其作为模型输入，判断光伏背板是否出现故障及故障的种类。

2.根据权利要求1所述的一种基于分层Softmax的光伏背板故障诊断方法，其特征在于，步骤2)中，最大最小归一化处理公式如下：

其中x为数据的原特征值，x_norm为归一化后的特征值，x_min为要进行归一化的特征的最小值，x_max为要进行归一化的特征的最大值。

3.根据权利要求1所述的一种基于分层Softmax的光伏背板故障诊断方法，其特征在于，所述步骤3)中BP神经网络的前向传播可用下式描述：

其中，

为第l层第i个神经元的输入，

为该神经元的输出，f为该层的激活函数，

为第l-1层第j个神经元与第l层第i个神经元之间的权值，

为第l层第i个神经元的偏置。

相应的反向传播公式可用下式描述：

其中E代表模型的总体误差，E(i)代表第i个样本所带来的误差，

代表总体误差对

的梯度；

代表总体误差对

的梯度。

4.根据权利要求1所述的一种基于分层Softmax的光伏背板故障诊断方法，其特征在于，所述步骤4)中哈弗曼树的搭建方式如下：

a)将光伏背板在五种典型工作状态下的持续时间作为权值{λ(x₁)...λ(x₅)}，构造二叉树集合F＝{T₁…T₅}，其中每棵二叉树T_i都是一个权值为λ(x_i)的根节点，其左右子树为空，代表了第i种工作状态。

b)初始时刻，在F中选取两颗权值最小的树作为左右子树构造一颗新的二叉树，将两颗子树的权值相加作为新树的权值。将新树加入F，在F中删除新树的左右子树。

c)重复上一步，直到F中只剩一棵树，F中的树即为所求哈夫曼树。树中的每个叶节点都代表了光伏背板的一种工作状态。

Images