[发明专利]基于改进粒子群优化Elman网络的光伏故障检测方法

权利要求书

1.一种基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，包括以下步骤：

步骤1、粒子群参数初始化，包括初始化迭代次数、种群规模、惯性权重、学习因子以及种群中各粒子的位置和速度，其中，将种群中各粒子的速度控制在区间[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；

步骤2、构建Elman神经网络拓扑结构；

步骤3、确定粒子评价函数，计算粒子适应度值，具体步骤包括：

粒子种群随机生成第i个粒子的Elman神经网络初始权值W_i＝(w₁，w₂，w₃...w_i)^T，对Elman神经网络进行赋值，然后输入样本进行神经网络训练，按照设定精度得到一个输出值，则个体W_i的适应度值fit_i为：

式中，表示期望输出值，y_j表示训练输出值，M为重构相空间中的相点数，n为种群规模；

根据输入输出样本数据计算每个粒子的适应度值，并由此得到个体极值和全局极值，此时根据每个粒子得到的最好位置作为其最佳历史位置；

步骤4、更新粒子并引入正态变异算子，获得新的种群粒子：重新确定个体极值和全局极值，在达到设定精度或最大迭代次数时获得最优粒子；

步骤5、根据步骤4中得到的最优粒子获得最优权值进行Elman神经网络训练和结果预测，其中，训练样本来自光伏发电站包括运行参数、电气参数、设备参数在内的历史数据，其中包括正常状态运行数据和各种故障状态运行下的数据。

2.根据权利要求1所述的基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，所述步骤1中，在每一次迭代过程中粒子自身位置和速度的更新模型为：

式中，k为当前迭代次数，V_i^k表示第k次迭代的第i个粒子的速度，w_k表示第k次迭代的非负的惯性因子，c₁、c₂为常数学习因子，b为历史极值的迭代次数，Q_i表示个体极值的位置，Q_g为全局极值的位置，r₁、r₂为分布于[0，1]之间的随机数。

3.根据权利要求1所述的基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，所述步骤2中，Elman神经网络分为四层：输入层、隐含层、输出层、承接层，其中，输入层节点起到信号传输作用，输出层节点起到线性加权作用，隐含层的激励函数选择线性或者非线性函数，承接层起到延时算子的作用，用来记忆隐含层前一时刻的输出值并返回给输入层；

隐含层的输出通过承接层的延迟与存储自然连接到隐含层的输入，这种自然连接方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加网络处理动态信息的能力。

4.根据权利要求3所述的基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，所述步骤2中，Elman神经网络的非线性空间状态表达式为：

y_(k)＝g(w₃x(k))

x_k＝f(w₁x_c(k-1)+w₂u(k-1))

x_c＝x(k-1)

式中，y_(k)、x_k、u(k)、x_c(k)分别表示第k次迭代的m维输入节点向量、n维隐藏层节点单位向量、r维输入向量和n维反馈状态向量；w₁、w₂、w₃分别表示隐含层到输入层、输入层到隐含层、承接层到隐含层的连接权值；g(·)为输出神经元的传递函数，是隐含层输出的线性组合；f(·)为隐含层神经元的传递函数。