SOM-DBTGNet：一种结合自组织映射（Self-Organizing Maps）和双分支时序图卷积网络（Dual-Branch Temporal Graph Convolution Network）的混合光伏故障诊断方法
《Process Safety and Environmental Protection》：SOM-DBTGNet: A Hybrid PV Fault Diagnosis Method Integrating Self-Organizing Maps and Dual-Branch Temporal Graph Convolution Network
编辑推荐：
基于SOM与双分支时空图卷积网络的光伏系统故障诊断方法提出两阶段框架：第一阶段SOM构建特征空间并计算异常评分用于故障检测；第二阶段DBTGNet通过加权交叉熵损失函数和双邻接矩阵机制实现分类优化。实验表明该方法在六类故障中准确率达90.7%，有效提升复杂故障模式诊断能力。
彭燕|郑少凯|黄志|彭磊|刘家文|王道雷
上海电力大学计算机科学与技术学院，上海201306，中国
摘要—
近年来，基于深度学习的光伏（PV）系统故障诊断方法取得了显著进展。然而，在处理复杂故障模式时仍存在局限性。本文提出了一种两阶段自组织映射（SOM）与双分支时序图卷积网络（DBTGNet）相结合的故障诊断框架。在第一阶段，SOM构建了正常状态的特征空间，并计算输入数据的异常分数，以量化其偏离正常状态的程度，从而实现故障检测。在第二阶段，故障数据被输入到DBTGNet中进行分类，该网络引入了两项关键创新：首先，利用SOM生成的异常分数对交叉熵损失函数进行加权，对异常分数较高的样本赋予更高的权重，从而提高模型对异常样本的敏感性并优化分类边界；其次，设计了一种双可学习邻接矩阵机制，包括类间邻接矩阵和类内邻接矩阵，分别用于建模全局数据关系和局部拓扑结构，从而提升知识学习和表达能力。实验结果表明，所提出的SOM-DBTGNet在光伏故障诊断任务中的性能显著优于传统方法，在六个故障类别上的预测准确率达到了90.7%
章节摘录
引言
随着
可再生能源技术的快速发展，光伏（PV）系统已成为全球能源基础设施的重要组成部分。然而，PV系统的运行可靠性常常受到各种类型故障的影响，如光伏阵列故障、逆变器故障、电网异常和反馈传感器故障等。如果这些故障不能及时检测和诊断，可能会导致严重的能量损失、维护成本增加，甚至危及安全
SOM
<自组织映射（som）是一种由kohonen在20世纪80年代提出的无监督学习神经网络模型，广泛应用于降维、聚类和数据湖可视化领域（kohonen,>整体框架
光伏系统故障诊断是一个从特征提取到故障分类的精密工程过程。本文提出的SOM-DBTGNet的核心在于多层次数据处理和智能算法的融合应用。主要框架图如图1所示。
在第一阶段，通过时域分析和频域分析对系统进行全面的信号特征提取，以识别关键故障模式。
SOM网格尺寸选择依据
网格的维度至关重要，因为它需要在特征映射的粒度与过拟合风险之间取得平衡。一个广泛采用且经过实证验证的经验法则用于确定SOM中神经元数量（M）：其中表示训练样本的数量。在我们的研究中，训练集包含个来自正常运行条件的样本。因此选择了大约606个神经元作为最优数量
结论
本研究提出了一种基于SOM和DBTGNet的两阶段故障诊断框架。通过结合时间序列建模和图谱知识学习，有效提高了光伏系统复杂故障模式的故障检测和分类准确性。具体而言，所提出的SOM-DBTGNet引入了一种自适应损失函数，以解决工业数据中的类别不平衡问题，并采用了双可学习邻接矩阵机制来建模动态数据关系
作者贡献声明
刘家文：撰写 – 审稿与编辑，可视化。黄志：撰写 – 审稿与编辑，调查。彭磊：验证，资源准备。王道雷：数据整理，概念构建。郑少凯：方法论设计，调查。彭燕：撰写 – 初稿撰写，软件开发。利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究未获得公共部门、商业部门或非营利组织的任何特定资助。
