多尺度特征融合的光伏電站故障診斷

那峙雄，孫 濤，來廣志，王 棟，張長志

1.國網電子商務有限公司，北京 100053 2.國網天津市電力公司 電力科學研究院，天津 300220

太陽能是一種清潔、可再生的能源，在我國新能源發展戰略中占有重要地位，而光伏發電是目前利用太陽能最廣泛、最有效的方式。分布式光伏電站是光伏發電的一種基礎設施，特指在用戶場地附近建設，運行方式為用戶側自發自用、多余電量上網的光伏發電設施。分布式光伏電站能夠有效緩解局部用電緊張的狀況，并且滿足無噪聲、無污染的要求。但隨著分布式光伏發電設備部署規模的發展，其運維難度也顯著增大。以某分布式光伏發電站為例，該電站年發電量約為220萬千瓦時，光伏設備眾多，設備位置分散，所處環境多變，對其進行人工巡檢效率低，成本高，出現故障后難以及時發現，嚴重影響光伏電站的正常運行。因此，自動化的光伏設備故障診斷算法具有極高的研究和應用價值。

目前的故障診斷算法可以分為基于設備電氣特性和基于機器學習兩大類。基于設備電氣特性的算法依賴于特定的、準確的電氣數據進行數學建模，而獲得這些數據需要復雜的硬件支持以及人力維護，因此難以在實際生產中廣泛應用。基于機器學習的診斷算法能夠從不同類型的輸入數據中挖掘故障設備的特征，并且能夠容忍數據輸入的噪聲。但是目前的故障診斷算法研究都采用了設備之間沒有差異、不同日期的天氣條件沒有差異的假設。這個假設只適用于集中式光伏電站，而分布式光伏電站中，設備的設置地點、放置角度、投入使用時間等都存在著較大差異。另外，已有的機器學習算法往往只能利用交流電流、交流電壓、直流電流、直流電壓四項數據，而實際監測數據中往往包含十多項條目，其中蘊含大量信息可以挖掘利用。

針對已有算法的問題，本文首先提出了一種矯正設備因素差異、天氣條件差異的數據規范化方法。通過同一日期內所有設備的運行情況衡量當天的天氣條件，計算天氣條件矯正因子；通過同一設備的歷史運行情況衡量該設備的健康狀況，計算設備矯正因子。借助這兩個矯正因子，將監測數據的絕對數值轉化為相對數值，從而減弱設備、天氣差異對故障診斷的影響。在此基礎上，本文提出了一種基于多尺度時序特征的故障診斷深度學習模型。首先，針對分布式光伏電站監測數據數值波動大、噪點多的數據特點，模型通過多尺度鄰域特征提取單元實現平滑輸入、消除噪點的效果，同時又避免了平滑過度、信息丟失的問題；然后，使用帶有注意力機制的長短時記憶單元（long short-term memory，LSTM）[1]提取序列特征，以應對監測數據序列長、維度高的特點；最后，使用度量學習的方法訓練模型，增強模型的辨別能力，提高對難樣本的診斷效果。

本文的研究成果可以概括為以下三點：

（1）針對分布式光伏電站設備差異較大、天氣條件差異較大的問題，提出了一種矯正差異的數據規范化方法。

（2）針對分布式光伏電站監測數據數值波動大、噪點多的特點，提出了融合多時序尺度特征的故障診斷模型。

（3）針對分布式光伏電站故障樣本數量不均衡的問題，遷移使用了一種度量學習的損失函數進行輔助訓練，進一步提升模型辨別能力。

本文在某分布式光伏電站的實際監測數據上對提出的數據規范化算法、故障診斷模型進行了實驗，證明了其在實際應用場景下的有效性。

1 相關工作

1.1 光伏設備故障診斷算法

光伏設備的I-V曲線體現了光伏設備的輸出特性，能夠反映設備的故障情況[2-3]，是經常用于故障診斷的電氣特性。Liu[4]和Ding等[5]對熱斑組件I-V曲線進行建模，借助曲線的特征對光伏陣列健康狀態進行定量評估。Liu等[6]提出等效電路法，利用伏安特性進行故障診斷，通過光伏陣列等效電路模型中串聯等效電路來判斷系統中是否存在故障組件。由于實際應用場景中難以獲得精確的I-V曲線，這類算法很難達到理想的效果。

光伏電站不間斷產生的大量監測數據為基于機器學習和深度學習的故障診斷算法提供了很好的支持。Lin等[7]和Ye等[8]分別采用支持向量機和級聯隨機森林模型對監測數據進行分類來實現故障診斷。Zhu[9]和Lu[10]將聚類算法應用到光伏故障檢測上，先將光伏設備根據其環境特征進行聚類，然后比較同一類中的設備，從而篩選出故障設備。除了傳統機器學習算法外，深度學習模型也被應用到該領域內。Zhang等[11]采用卷積神經網絡（convolutional neural network，CNN）和雙向門控循環單元（bidirectional gate recurrent unit，biGRU）的雙分支結構處理電站監測數據，雙分支各自提取不同的特征，最后拼接形成整體特征用于故障檢測。Wu等[12]使用經驗模態分解算法和CNN對時間序列進行分類，從而得到診斷結果。基于機器學習和深度學習的故障檢測算法不需要對設備電氣特性進行分析，可以直接作用在監測數據上并產生診斷結果，有較強的抗干擾能力。

1.2 時序特征提取

傳統的時序特征提取算法主要是通過分析時序數據的波形來提取特征。Baydogan等[13]提出了時間序列特征包（time series bag of features，TSBF）算法，使用特征袋（bag of features，BoF）集成來自時間序列各部分的局部信息，將各個序列片段的特征組成整個時序數據的特征包。Keogh等[14]提出了Shaplets的概念，僅將時間序列中最易區分的特征提取出來，拼接形成序列特征，從而減弱噪聲的干擾。基于Shaplets的算法大都沒有考慮更高維度的特征，因此在處理長序列或多維數的數據時效果都不盡人意。

循環神經網絡（recurrent neural network，RNN）是常見的處理序列數據的深度學習模型，而LSTM是RNN的一個變種，其門控機制能夠有效避免RNN在處理長序列輸入時的梯度消失或梯度爆炸的問題。在循環神經網絡的基礎上，Sutskever等[15]提出了編碼器-解碼器（encoder-decoder）模型，實現了序列輸入到序列輸出的轉換；Bahdanau等[16]提出了注意力機制來解決編碼器和解碼器之間的信息損失問題，使得網絡能夠自適應地關注序列的局部信息。

1.3 度量學習方法

度量學習（metric learning）是樣本特征之間的距離學習，目標是同類樣本的特征盡可能相似，而類間的特征距離盡可能遠。Liu[17]、Wang[18]、Deng[19]等的一些系列研究將全連接層權重視作各個類別的中心特征，從而將softmax分類損失轉化為特征向量與中心特征之間余弦距離損失。Song等[20]將行人重識別問題視為行人特征差向量的二分類問題，并采用馬氏距離優化樣本特征的相似性。

除了直接優化距離損失函數的方式外，還可以通過正負樣本對比的方式實現度量學習。Hadsell等[21]設計了對比損失函數，通過歐式距離優化所得特征。Schroff等[22]提出了三元組損失函數，在網絡的每次迭代中選擇一組同類樣本、一組異類樣本進行訓練，從而提升度量學習的效率。Feng等[23]在三元組損失函數的基礎上，為正樣本之間的距離設置了閾值，訓練時過濾掉低于閾值的樣本，從而避免了過小的類內距離導致網絡收斂緩慢的問題。

2 基于多尺度時序特征的故障檢測算法

2.1 光伏電站監測數據規范化算法

受設備投入使用時間、所處位置等因素的影響，即使在相同的天氣條件下，兩組正常運行的設備都可能產生不同的數據，如圖1所示。由于天氣變化、季節更替的影響，即使相同的設備，在不同日期正常運行時產生的數據也可能不同，如圖2所示。

圖1 不同設備同一日期的交流功率曲線Fig.1 AC power curve of different equipments on same date

圖2 同一設備不同日期的交流功率曲線Fig.2 AC power curve of same equipment on different dates

這種現象會給故障診斷帶來很大的困難。設備安裝位置較差、投入使用時間較長或者當天的天氣條件較差都會造成較低發電量，但這些情況不應當被診斷為設備故障。相反，一臺設備某天的發電量監測數據在正常范圍內，但其可能仍發生了故障，只是其安裝位置、天氣條件較為優越，即使存在故障，仍可以達到發電量的平均水平。因此，僅僅根據單獨一臺設備在某個日期產生的監測數據對其進行診斷很容易造成誤判。

針對這個問題，本文設計了一種可以消除不同設備、不同天氣等差異帶來的影響的數據規范化算法，其流程如圖3所示。該算法利用設備之間的橫向對比矯正設備差異，利用日期之間的縱向對比矯正天氣因素差異，從而消除設備、天氣等因素的影響。算法將同一設備不同日期的監測數據平均值作為日期矯正因子，將不同設備同一日期的監測數據平均值作為設備校正因子。通過計算實際監測數據與這兩個校正因子的比值關系，將監測數據轉化為相對數值。該相對數值是設備之間對比、日期之間對比的量化結果，從而修正了監測數據中設備差異、天氣差異等因素帶來的固有偏差。

圖3 數據規范化算法流程Fig.3 Data normalization algorithm workflow

以發電量這一項數據為例來說明，用wi,j,k表示第i天第j組設備在當天第k個時刻監測到的發電量數據。計算當天各個時刻發電量的平均值wˉi,j來衡量第i天第j組設備的發電量水平，即：其中，K表示每天記錄數據的時刻數。這個數值是同時受設備因素和天氣條件因素干擾的，需要綜合設備歷史運行情況和其他設備當天運行情況對其矯正。用第i天中所有設備發電量的平均值′作為日期因素的矯正因子，用第j組設備在所有日期下發電量的平均值作為設備因素的矯正因子，即：

其中，I表示有數據記錄的日期數，J表示設備數。通過這兩個矯正因子，可以計算不受日期差異和設備差異影響的時序數據即：

對其他數據項也做相同的處理，隨后拼接起來形成二維張量F∈RK×N，其中N表示所有數據項維度之和。

本方法并沒有從局部的數值特征入手，而是將設備固有的發電水平、不同日期的發電條件等因素考慮進來，通過橫、縱向對比的方法，將各項監控數據轉化為相對數值關系，從而使得監測數據中的異常更容易被分析挖掘。在轉化為相對數值的過程中，可能存在少量信息的損失，對整個診斷系統的靈敏性造成影響。但實際監測數據包含的項目眾多且采樣頻繁，一定程度的信息損失并不會對診斷系統造成太大的干擾。

2.2 故障診斷網絡

總體上，本模型采用多尺度特征提取模塊輔助LSTM提取序列特征的設計，整體結構如圖4所示。多尺度卷積能夠通過不同尺度鄰域內的加權求和運算平滑輸入，過濾噪點，從而降低后續網絡的學習難度。而帶有注意力機制的LSTM可以處理長序列、高維度的輸入數據，能夠提取出時序數據中的特征。網絡的訓練過程中，除了常規的分類監督，還使用了度量學習的損失函數，從而進一步增強模型的辨別能力，提升其對難樣本的診斷效果。

圖4 融合多尺度時序特征的故障檢測算法流程Fig.4 Workflow of fault diagnosis algorithm based on multi-scale time serial features fusion

2.2.1 多尺度鄰域特征提取模塊

卷積神經網絡最初是應用在圖像領域中的模型，但其局部特征提取的思想同樣可以應用到時序數據分析中。一個卷積核大小為3的時序卷積結構如圖5所示，對于時序數據輸入，卷積核以滑動窗口的形式沿時間維度移動，并輸出每個時序片段內數據的加權和。每個卷積單元堆疊了多個卷積核從而輸出多維特征。大卷積核會從大尺度時序鄰域內提取特征，其中鄰域內每項數值產生的影響更小，從而減弱輸入數據的波動，減輕其中噪點對輸出特征的影響。但大尺度卷積核減弱了數值變化的差異，容易導致平滑過度的問題，使得輸出特征失去判別能力。與之相對的，小尺度卷積核能夠較好地保留輸入數據中的信息，但是也更容易受到其中噪點的干擾。考慮到不同尺度卷積的特點，組合使用不同大小的卷積單元提取不同時序尺度的特征。然后采用特征拼接的方式完成特征融合，從而得到多尺度鄰域特征。通過這種方式，輸出的特征既包含了平滑后的特征，也保存了原始輸入的特征。在模型的訓練過程中，后續的網絡結構可以學習分析這兩種特征，從而在一定程度上實現了平滑輸入數據并且避免信息丟失。

圖5 時序卷積單元Fig.5 Time series convolution unit

本文使用卷積核分別為3、5、7的三種時序卷積組成多尺度時序特征提取單元。時序卷積C由卷積層、批歸一化層（batch normalization，BN）、修正線性單元（rectified linear unit，ReLU）組成，其運算可以表示為：

其中，x和h分別表示時序卷積單元的輸入和輸出；W和b分別表示卷積核內可訓練的權重和偏移；?表示卷積操作；BN(·)表示批歸一化層，能夠使網絡訓練更加穩定、迅速；ReLU(·)表示激活函數，使得模型能夠擬合非線性映射，同時避免梯度消失的問題。多尺度時序特征提取單元M可表示為：

其中，C1×k表示卷積核為1×k的卷積單元，x和y分別表示輸入和輸出。cat(·)表示特征拼接操作，即將維數分別為d1、d2和d3的向量，拼接成d1+d2+d3維的向量。將特征直接相加或使用最大池化也可以實現特征融合，但這兩種方式都會帶來信息損失。

2.2.2 時間特征提取模塊

光伏電站監測數據有序列長、維度高的特點，因此時間特征提取模塊需要具備較強的表征能力和特征提取能力。為此，本模型采用了兩層LSTM組成的“編碼器-解碼器”（encoder-decoder）結構來實現，可表示如下：

其中，x1,x2,…,x K和y1,y2,…,y K分別表示時間特征提取模塊的輸入與輸出；K表示序列長度；c表示編碼器最后一次迭代的輸出向量。從上式中可以看出，編碼器到解碼器之間的信息傳遞都通過向量c實現，其中不可避免地存在信息損失。

為了解決這個問題，在二者之間增加了注意力機制，從而由網絡自主學習哪部分信息可以丟棄，哪部分信息需要關注。添加注意力機制的網絡結構可以描述為：

其中，h i表示編碼器第i次迭代的輸出；ci表示第i次迭代的上下文信息，其計算方式為：

其中，attention()表示注意力機制網絡，由一層全連接網絡實現；αij表示第i次迭代時h j的權重；計算c1時使用零向量作為c0。

2.2.3 損失函數

最后的特征分類由兩層全連接網絡實現，接收LSTM最后一次迭代的輸出向量，經線性運算后得到一個P+1維的向量y，其中P表示故障類別數。在進行診斷時，向量y通過softmax函數后得到預測q，其每一維可作為對應類別的概率，其中概率最大的類別作為最終的診斷結果。在進行訓練時，使用了度量學習和分類監督兩種損失函數，分別作用在第一、二層全連接網絡的輸出上，如圖4所示。

分類監督使用的是加權交叉熵損失函數。因為實際應用中的監測數據往往存在類別不均衡的問題，即大部分樣本都是正常運行時的監測數據，只有少部分是故障樣本。如果使用一般的交叉熵損失函數進行訓練，模型會忽略故障樣本，傾向于將所有樣本都診斷為正常樣本，這樣模型也可以取得較高的診斷準確率，但存在故障診斷召回率低的問題。所以需要對不同類別的損失進行加權，給數量較少的故障樣本設置較高的權重。權重的計算方式為：

其中，wl表示類別l的權重；nl表示類別l的樣本總數。則用于訓練的加權交叉熵損失可表示為：

其中，M表示訓練樣本總數；p i表示樣本的標簽，即樣本i屬于第pi類故障狀態；y(i)表示第i個樣本輸入時模型最后一層全連接層的輸出，表示取向量y(i)的第j項數值。

模型的度量學習監督是將ArcFace損失函數遷移到故障檢測任務上實現的。首先為各個故障類別維護中心特征矩陣W∈R(P+1)×D，其中D表示中心特征的維數。然后將常規的交叉熵損失函數拆解成樣本特征f與中心特征的向量積的形式：

其中，p i表示樣本的標簽；W j表示第j類的中心特征；f(i)表示第i個樣本的特征，在本模型中即為第一層全連接層的輸出向量。又因為向量余弦距離可以定義為：

當固定中心特征W的模長為1，樣本特征f的模長為s時，交叉熵損失可以進一步轉換為：

在這個形式下，交叉熵損失函數可以視作中心特征和樣本特征夾角的損失函數。為了著重優化這個角度，增加對其的懲罰項m，最終度量學習的損失函數形式為：

最終用于訓練模型的損失函數Lfinal為：

其中，λ是度量損失函數的權重，實驗中設置為0.5，表示以分類損失為主，度量學習起輔助作用。

2.2.4 模型訓練設置

網絡訓練采用Adam優化算法[24]，如算法1所示。該算法使用滑動平均的方式估計梯度的一階矩m和二階矩v。然后將梯度的一階矩視作動量，減弱了鞍點對訓練的影響；將梯度的二階矩作為梯度的修正因子，增強優化的穩定性。模型訓練的初始學習率為0.001，訓練共進行20周次，分別在第10、15周次將學習率衰減為原來的1/10。

3 實驗驗證

3.1 實驗數據集

實驗所使用的數據集來自某分布式光伏發電站2018年的監測數據。其中有效數據包含了352天內對34個設備組串的發電量、溫度、交流端數據、直流端數據的記錄，具體的數據項如表1所示。各項數據不間斷地每15 min記錄一次，但在沒有陽光的時段中，監測數據沒有實際意義且存在大量缺失，因此這里只采用了5：00到21：00之間的64次記錄。

表1 監測數據項目說明Table 1 Monitoring data description

常見的光伏設備故障可分為四類，分別是光伏板遮擋故障、逆變器運行故障、逆變器短路故障和電壓數值異常故障，這也是實驗中進行診斷的故障類別。光伏板遮擋故障是由于雜物遮擋光伏板，導致光照面積減小，表現為逆變器電流明顯減小；逆變器運行故障往往表現為輸出端三相不平衡、電流異常或者電壓較大；逆變器短路故障一般會導致輸出端交流電流顯著增大；電壓數值異常故障表現為輸出端三相阻抗數值異常，導致三相電壓偏高。在實驗數據集中，四種類別的故障樣本以及正常樣本數量如表2所示。實驗中隨機地將這些樣本按照4∶1的比例劃分成訓練集和測試集。

表2 各類別樣本數量Table 2 Number of samples in each category

3.2 實驗環境及評估指標

實驗基礎硬件平臺為一臺搭載了Intel Xeon E5處理器、Nvidia GTX 1080ti顯卡的服務器。采用Pytorch深度學習框架實現本文提出的模型（以下簡稱Multi-Conv+LSTM）。

實驗中使用故障診斷準確率（accuracy）作為主要的評估指標，即診斷正確的樣本占全部測試樣本的比率。為了更全面地說明MultiConv+LSTM模型的診斷效果，還使用了精確率（precision）、召回率（recall）以及F1得分三個更精細的評估指標。這三個評估指標的定義是由二分類任務拓展而來的。考慮多分類任務中的一個類別，將屬于該類別的樣本稱為正樣本，不屬于該類別的樣本稱為負樣本。再將被預測正確的正樣本數量記為TP（true positive），被預測正確的負樣本數量記為TN（true negative），被預測錯誤的正樣本數量記為FN（false negative），被預測錯誤的負樣本數量記為FP（false positive）。在此基礎上，以上評估指標可用下式進行計算：

3.3 實驗結果分析

3.3.1 數據規范化算法對比

在實驗過程中，分別在原始數據和規范化后的數據上訓練了MultiConv+LSTM模型，實驗結果如表3所示。可以看出使用數據規范化后，故障診斷準確率有了大幅提升。在原始數據上，單條記錄的數值大小對于故障診斷沒有意義，模型只能挖掘出三相不平衡、直流串間不平衡這類癥狀，而漏檢、錯檢大量樣本。數據規范化算法將絕對數值轉換為相對大小，使模型可以利用數據的絕對數值大小進行故障診斷。

將檢測數據轉化為相對數值的做法能夠使異常數據更明顯地暴露出來，也能夠降低數據對于天氣、設備差異等因素的敏感性。圖6展示了數據集中兩個逆變器五月份每天平均交流功率的原始數據和矯正后數據。逆變器1在5月24日產生故障，交流功率明顯下降。但在原始數據上，其數值大小仍然與逆變器2接近，這導致模型無法診斷出逆變器1發生了故障；而在矯正后的數據上，通過設備矯正因子的影響，逆變器1交流功率的下降十分明顯地表現出來，從而易于模型進行診斷。另外，5月5日到5月9日，兩臺逆變器的發電量都相對較低，從單個逆變器發電量上看，容易將其誤判為發生了故障。但同時考慮這兩臺逆變器的數據，就能發現這段時間的低發電量更有可能是天氣原因導致的。通過算法矯正后，數據在這段時間的波動被平滑到了相對較小的范圍內，能夠明顯地與異常數據的波動區別開。因此，提出的矯正算法能夠有效降低故障診斷對無關條件的敏感性，從而增強診斷效果的穩定性。

圖6 數據規范化算法暴露異常數據的效果Fig.6 Effect of exposing abnormal data of data normalization method

3.3.2 時序分析算法對比

在規范化后的數據集上對傳統算法LearningShapelet算法[25]、K最近鄰算法（K-nearest neighbors，KNN），以及深度學習算法LSTM模型、全卷積神經網絡（fully convolution network，FCN）模型[26-27]和biGRU+CNN進行了實驗。為了保證對比的公平性，所有深度學習方法都使用相同的訓練設置，只使用加權交叉熵函數作為損失函數。

在本實驗中，所有算法都在規范化后的數據上進行訓練和測試。表4對比了MultiConv+LSTM與其他時序數據分析算法的故障診斷準確率。可以看出深度學習算法整體領先于傳統算法，可以體現出深度學習算法在有大規模數據支持時的優越性。在深度學習算法中，LSTM和FCN分別代表兩種基礎的神經網絡結構。LSTM是經典的循環網絡結構，將數據按次序進行一輪迭代處理后輸出特征；FCN則由卷積神經單元逐層組成，每層網絡只提取特征的局部信息，多層網絡疊加后才能得到最終特征。單獨使用這兩種網絡分別可以達到91.12%和92.76%的診斷準確率。而biGRU+CNN和Multi-Conv+LSTM都組合使用了這兩種基礎網絡結構，并且都在診斷準確率上有一定的提升。biGRU+CNN采用了雙分支的并行結構，意味著兩個分支都需要學習原始數據到高層特征的映射，并沒有實現兩種結構的互補。而MultiConv+LSTM單分支串聯起兩種網絡，較淺的卷積單元設計用于平滑數據，提取鄰域特征，而后續的LSTM從處理后的數據中提取高層特征。從結果上看，MultiConv+LSTM也取得了一定的優勢。另外，加上度量學習損失函數后，診斷準確率進一步提升了1.26個百分點。

表4 各算法故障診斷準確率對比Table 4 Comparison on fault diagnosis accuracy of different algorithms

另外，使用精確率、召回率和F1得分三個指標評估MultiConv+LSTM模型的結果如表5所示。受各類樣本數量不均衡的影響，模型對于正常運行類別的樣本能夠達到較高的精確率和召回率，而逆變器運行故障和逆變器短路故障這兩類的召回率相對較低。但總體上，MultiConv+LSTM仍然達到了不錯的效果。

表5 MultiConv+LSTM的其他指標評估Table 5 Evaluations on other metrics of MultiConv+LSTM

3.3.3 多尺度特征提取對比實驗

表6展示了組合不同尺度卷積單元時的故障診斷準確率。表中卷積單元數量為1時，網絡結構就是沒有使用多尺度特征提取機制的普通卷積單元。使用尺度為3的卷積時，診斷準確率為92.74%，而尺度為3、5的多尺度卷積使準確率提升至95.6%；尺度為5的普通卷積和尺度為5、7的多尺度卷積也有明顯的準確率提升。從中可以看出，組合卷積單元進行多尺度特征提取能夠有效提升模型的診斷準確率。另外，尺度為3的卷積核在本模型中起到了重要作用，只使用尺度為5、7的卷積核時，模型的表現甚至低于LSTM，說明大尺度卷積核確實存在信息丟失的問題，也證明了多尺度特征提取的必要性。

表6 不同尺度卷積組合的準確率對比Table 6 Comparison on accuracy of different scale combinations of convolutional units

從表6中可以看出，卷積單元數量為3，卷積尺度為3、5、7時，算法效果最佳。而將卷積單元數量增加到5時，診斷準確率有所下降，原因是5組卷積特征拼接得到的多尺度特征維數過高，給LSTM的訓練增加了負擔。

3.3.4 加權損失函數對模型訓練的影響

本實驗探究了加權交叉熵損失函數對診斷模型的作用。分別使用了加權交叉熵損失函數與常規交叉熵損失對模型進行了訓練，實驗結果如圖7所示。因為訓練數據中大部分為正常運行樣本，少部分為故障樣本，所以使用不帶權重的交叉熵損失函數訓練時，網絡傾向于將樣本預測為正常運行。這個問題不會體現在故障診斷準確率上，但對故障樣本的召回率有很大影響。加權交叉熵損失函數為數量較少的樣本加上較大的權重，從而產生較大的梯度，使得這些樣本能夠對參數的學習產生更大的影響。從圖7可以看出，加權交叉熵損失函數能夠有效提升故障類別的召回率。

圖7 加權交叉熵損失對故障診斷召回率的提升Fig.7 Recall of fault diagnosis w/o weighted cross entropy loss

4 總結

本文提出了一種基于多尺度時序特征的光伏系統故障診斷模型，實現了對正常運行設備、光伏板遮擋故障、逆變器運行故障、逆變器短路故障和電壓數值異常故障這五種狀態的精準診斷。本文設計了數據規范化算法，以矯正設備差異、天氣差異給故障診斷帶來的影響；設計了多尺度鄰域特征提取模塊，以解決光伏電站監測數據波動大、噪點多的問題。實驗結果證明了本文提出的數據規范化算法的有效性，也表明了MultiConv+LSTM模型已經足夠滿足實際應用場景的要求。

基于本文的研究仍有一些方向值得探索。一方面，可以考慮細化故障的分類，實現更具體的故障診斷；另一方面，可以考慮在故障樣本數量有限的情況下，進一步提升模型對故障樣本的召回率。