[发明专利]一种基于分层Softmax的光伏背板故障诊断方法

权利要求书

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；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，p_yi(x_i)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。