[发明专利]一种基于分层Softmax的光伏背板故障诊断方法

说明书

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。

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：