[发明专利]基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法在审
申请号: | 201810890803.7 | 申请日: | 2018-08-07 |
公开(公告)号: | CN108805256A | 公开(公告)日: | 2018-11-13 |
发明(设计)人: | 易辉;张杰;庄城城;张霞 | 申请(专利权)人: | 南京工业大学 |
主分类号: | G06N3/00 | 分类号: | G06N3/00;G06N3/04;G06N3/08;G06Q50/06 |
代理公司: | 南京天翼专利代理有限责任公司 32112 | 代理人: | 于忠洲 |
地址: | 211816 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 鸟巢 故障诊断 光伏组件 算法 故障数据 等效电路模型 计算复杂度 诊断 参数设置 分类算法 故障类型 故障状态 计算误差 结果矩阵 输出故障 输入测试 搜索算法 算法优化 优化训练 初始化 映射 收敛 替换 样本 筛选 输出 更新 记录 优化 | ||
1.基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法,其特征在于,包括如下步骤:
步骤1,建立光伏组件的等效电路模型,收集光伏组件模型输出的各类数据,筛选出代表故障类型的故障数据,并设定部分故障数据作为训练样本;
步骤2,初始化BPNN的权值和阈值,初始化布谷鸟收索算法的鸟巢个数m、Pa以及最大迭代次数;
步骤3,随机产生m个鸟巢,设初位置始值分别为wi(0)=[x1(0),x2(0),…xm(0)]T,对BPNN的权值和阈值进行编码和优化训练,以均方误差为目标函数,记录当前最优鸟巢的位置xb(0);
步骤4,通过位置更新算法来更新当前鸟巢的位置,计算适应度值,并与上一代的鸟巢位置作对比,选择最优的鸟巢位置来替换较差的鸟巢位置,从而留下更新后的最优鸟巢的位置为wt(t)=[x1(t),x2(t),…xm(t)]T;
步骤5,如果获得的最优鸟巢的位置xb(t)达到设定的精度要求或者迭代次数达到上限,则将最优鸟巢的位置xb(t)的值赋值给BPNN的权值与阈值,否则返回步骤4;
步骤6,将作为样本的故障数据作为输入,将光伏组件故障类型作为输出,训练CS优化后的BPNN的模型;
步骤7,输入测试样本,计算误差值,直到完成故障数据到故障状态的映射,输出故障类型结果矩阵,从而实现光伏组件故障诊断。
2.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法,其特征在于,步骤4中的位置更新算法的算法公式为:
式中,为第i个鸟巢在第t代的位置,α为步长比例因子(α>0),表示点对点乘法,L(λ)为随机搜索路径,位置更迭后产生一个随机数r∈[0,1],如若r>Pa,则鸟巢位置发生更新,如若r≤Pa,则鸟巢位置不变,最后保留最优的一组鸟巢位置记为Pa∈[0,1]为宿主鸟发现外来鸟蛋的概率。
3.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法,其特征在于,步骤1中等效电路模型的输出特性方程为:
Ipv=Iph-Id-IRsh
式中,Ipv为模型负载端输出电流;Iph为光感电流,表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生;Id为二极管电流;由于光伏电池的并联电阻会非常大,因此简化Rsh趋于无穷大,IRsh趋于0。
4.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法,其特征在于,步骤1中筛选出代表故障类型的故障数据包括最大功率点电压、最大功率点电流、开路电压以及短路电流。
5.根据权利要求1所述的基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法,其特征在于,步骤6中光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京工业大学,未经南京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810890803.7/1.html,转载请声明来源钻瓜专利网。