CN119128782B 一种基于多源数据融合的光伏板故障诊断方法 （三峡新能源云南师宗发电有限公司）

司雄壁社区居民委员会雄壁居民小组1US2023176557A1,2023.06.08一种基于多源数据融合的光伏板故障诊断开了一种基于多源数据融合的光伏板故障诊断结合流形映射学习的自编码神经网络实现特征2S1、数据采集与标注，构成原始数据集，λb＝0.01bb)表示非线性变换函数；b式中，Δθb为量子比特的初始叠加状态角度的调整量，Δ∈b为纠缠强度的调整量，cv是损失学习率参数，和分别是损失函数L关于θb和∈b的偏导数，Δθ3S3、将扩充后的数据输入到特征提取模型中进行特模型采用基于自适应波动优化的神经网络特征提取算法对特征进S4、将特征提取后的数据输入到特征降维模型降维模型采用基于流形映射学习的自编码神经网S5、将降维后的数据输入到分类器模型中进行分所述步骤S2.3中的基于量子态纠缠度调整的随机变量σb根据量子态的纠缠度∈b和叠加角b2b)表示叠加状态对样本生成位置的影响，∈b2表示纠缠度在生成样本中的b是基于量子态纠缠度调整的随机变量。所述步骤S3中基于自适应波动优化的神经网络特征提取算法进行训练的过其中，frs(*)表示网络结构，且该网络结构的输出层采用预设的So4数，表示损失函数为L时的第i个参数的历史迭代次数中最小的波动阈值，||为绝对减系数调节因子和增幅系数调节因子，分别表示衰减系数和增幅系数，ΔLGR5所述步骤S4中基于流形映射学习的自编码神经网络算法的训练包括cr_xcr^||2表示重构误差；所述步骤S5中基于梯度累积的高阶神经网络算法的训练的具体包括6置的累计梯度GW,和的表达式如下：7伏板作为光伏发电系统的核心组件，其性能的可靠性直接影响整个发电系统的运行效果。[0003]申请号为CN202011063756.2的中国发明专利提出一种户用光伏系统直流侧故障8提取模型采用基于自适应波动优化的神经网络特征提取算法对特征进行特征降维模型采用基于流形映射学习的自编码神经[0016]作为本发明的优选技术方案，所述步骤S2中基于量子信息非局域性的SMOTE算法b＝0.1bb)表示非线性变换函数；b基于量子态纠缠度调整的随机变量，x为输入的原始特征向量，zb表示解纠缠后的特征向9of")为更新后的量子比特的初始叠加状态角度，b2θ0包括神经网络的权重wgr和偏置bg波源Si的强度更新为of),计算方式可以表示为：GR表示损失函数；[0091]其中，+-Dwa表示每次迭代累加梯度表示每次迭代累加梯度[0096]与现有技术相比，本发明提供了一种基于多源数据融合际应用中的准确性和可靠性，高阶神经网络的梯度累积策略显著减少了训练过程中的震a3456789b＝0.1bb)表示非线性变换函数；b基于量子态纠缠度调整的随机变量，x为输入的原始特征向量，zb表示解纠缠后的特征向[0119]基于量子态纠缠度调整的随机变量σb根据量子态的纠缠度∈b和叠加角度θb动态b2θ0包括神经网络的权重wgr和偏置bg参数的梯度，Bim为衰减系数，a"表示第t次迭代时每个波源Si的强度，ybgm为增幅系cr的转置。[0220]其中，+=Dwa表示每次迭代累加梯度表示每次迭代累加梯度