[發(fā)明專利]基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法

在審

• 申請?zhí)枺?/td>: 201810470634.1
• 申請日: 2018-05-16
• 公開（公告）號: CN108665112A
• 公開（公告）日: 2018-10-16
• 發(fā)明（設(shè)計）人: 尤亞鋒;周武能
• 申請（專利權(quán)）人: 東華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;柏子雵

本發(fā)明涉及一種基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法，其特征在于，包括以下步驟：(1)粒子群算法初始化；(2)構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)；(3)確定粒子評價函數(shù)，計算粒子適應(yīng)度值；(4)更新粒子并引入變異算子，獲得新的種群粒子：重新確定個體極值和全局極值，在達到設(shè)定精度或最大迭代次數(shù)時獲得最優(yōu)粒子；(5)根據(jù)步驟(4)中得到的最優(yōu)粒子獲得最優(yōu)權(quán)值進行網(wǎng)絡(luò)訓(xùn)練和結(jié)果預(yù)測。本發(fā)明在改進的粒子群算法下獲取神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值，克服了Elman神經(jīng)網(wǎng)絡(luò)陷于局部最優(yōu)解的缺陷，使得預(yù)測效率更高，速度更快，便于光伏發(fā)電系統(tǒng)的維護與管理。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法，屬于光伏發(fā)電系統(tǒng)故障預(yù)測技術(shù)領(lǐng)域。

背景技術(shù)

隨著經(jīng)濟的飛速發(fā)展，對電量的使用也日益加劇，不可再生資源消耗量巨大，因此近年來各國大力發(fā)展光伏產(chǎn)業(yè)，這種技術(shù)的出現(xiàn)極大地緩解了能源危機。雖然光伏發(fā)電技術(shù)日趨成熟，但是，在光伏發(fā)電系統(tǒng)中存在的故障問題仍然值得關(guān)注并急需得到妥善的解決。因此提出一種基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法對于光伏發(fā)電系統(tǒng)來說，不僅節(jié)約了人力成本而且具有重要的經(jīng)濟意義。

目前，國內(nèi)外也有不少關(guān)于光伏系統(tǒng)故障檢測的方法，傳統(tǒng)的方式有人工檢測，但是這種方法對于處于惡劣環(huán)境下的光伏系統(tǒng)故障檢測是不可取的。隨著人工智能神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，相繼有人提出了基于BP神經(jīng)網(wǎng)絡(luò)、改進的BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)等方法應(yīng)用于光伏故障檢測系統(tǒng)中，并且取得了不錯的效果。但由于科技的進步以及用電需求的增加對于故障檢測的效率以及準確性提出了更高的要求，因此如何精確地進行故障檢測是目前光伏發(fā)電產(chǎn)業(yè)的一個重點和難點。設(shè)計出一種精度高、效率高的檢測算法是實現(xiàn)在線故障檢測的關(guān)鍵。

發(fā)明內(nèi)容

本發(fā)明的目的是：基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法，使得預(yù)測精度更高，速度更快。

為了達到上述目的，本發(fā)明的技術(shù)方案是提供了一種基于改進粒子群優(yōu)化Elman網(wǎng)絡(luò)的光伏故障檢測方法，其特征在于，包括以下步驟：

步驟1、粒子群參數(shù)初始化，包括初始化迭代次數(shù)、種群規(guī)模、慣性權(quán)重、學習因子以及種群中各粒子的位置和速度，其中，將種群中各粒子的速度控制在區(qū)間[V_min，V_max]，其中，V_min表示粒子最小速度，V_max表示粒子最大速度；

步驟2、構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)；

步驟3、確定粒子評價函數(shù)，計算粒子適應(yīng)度值，具體步驟包括：

粒子種群隨機生成第i個粒子的Elman神經(jīng)網(wǎng)絡(luò)初始權(quán)值W_i＝(w₁，w₂，w₃…w_i)^T，對Elman神經(jīng)網(wǎng)絡(luò)進行賦值，然后輸入樣本進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，按照設(shè)定精度得到一個輸出值，則個體W_i的適應(yīng)度值fit_i為：

式中，表示期望輸出值，y_j表示訓(xùn)練輸出值，M為重構(gòu)相空間中的相點數(shù)，n為種群規(guī)模；

根據(jù)輸入輸出樣本數(shù)據(jù)計算每個粒子的適應(yīng)度值，并由此得到個體極值和全局極值，此時根據(jù)每個粒子得到的最好位置作為其最佳歷史位置；

步驟4、更新粒子并引入正態(tài)變異算子，獲得新的種群粒子：重新確定個體極值和全局極值，在達到設(shè)定精度或最大迭代次數(shù)時獲得最優(yōu)粒子；

步驟5、根據(jù)步驟4中得到的最優(yōu)粒子獲得最優(yōu)權(quán)值進行Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練和結(jié)果預(yù)測，其中，訓(xùn)練樣本來自光伏發(fā)電站包括運行參數(shù)、電氣參數(shù)、設(shè)備參數(shù)在內(nèi)的歷史數(shù)據(jù)，其中包括正常狀態(tài)運行數(shù)據(jù)和各種故障狀態(tài)運行下的數(shù)據(jù)。