[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

说明书

本发明涉及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：(1)粒子群算法初始化；(2)构建Elman神经网络拓扑结构；(3)确定粒子评价函数，计算粒子适应度值；(4)更新粒子并引入变异算子，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；(5)根据步骤(4)中得到的最优粒子获得最优权值进行网络训练和结果预测。本发明在改进的粒子群算法下获取神经网络最优权值，克服了Elman神经网络陷于局部最优解的缺陷，使得预测效率更高，速度更快，便于光伏发电系统的维护与管理。

技术领域

本发明涉及一种基于改进粒子群优化Elman网络的光伏故障检测方法，属于光伏发电系统故障预测技术领域。

背景技术

随着经济的飞速发展，对电量的使用也日益加剧，不可再生资源消耗量巨大，因此近年来各国大力发展光伏产业，这种技术的出现极大地缓解了能源危机。虽然光伏发电技术日趋成熟，但是，在光伏发电系统中存在的故障问题仍然值得关注并急需得到妥善的解决。因此提出一种基于改进粒子群优化Elman网络的光伏故障检测方法对于光伏发电系统来说，不仅节约了人力成本而且具有重要的经济意义。

目前，国内外也有不少关于光伏系统故障检测的方法，传统的方式有人工检测，但是这种方法对于处于恶劣环境下的光伏系统故障检测是不可取的。随着人工智能神经网络的出现，相继有人提出了基于BP神经网络、改进的BP神经网络、小波神经网络等方法应用于光伏故障检测系统中，并且取得了不错的效果。但由于科技的进步以及用电需求的增加对于故障检测的效率以及准确性提出了更高的要求，因此如何精确地进行故障检测是目前光伏发电产业的一个重点和难点。设计出一种精度高、效率高的检测算法是实现在线故障检测的关键。

发明内容

本发明的目的是：基于改进粒子群优化Elman网络的光伏故障检测方法，使得预测精度更高，速度更快。

为了达到上述目的，本发明的技术方案是提供了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。