CN108665112A - 基于改进粒子群优化Elman网络的光伏故障检测方法 - Google Patents
基于改进粒子群优化Elman网络的光伏故障检测方法 Download PDFInfo
- Publication number
- CN108665112A CN108665112A CN201810470634.1A CN201810470634A CN108665112A CN 108665112 A CN108665112 A CN 108665112A CN 201810470634 A CN201810470634 A CN 201810470634A CN 108665112 A CN108665112 A CN 108665112A
- Authority
- CN
- China
- Prior art keywords
- particle
- layer
- output
- input
- elman
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 78
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000037435 normal mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000003111 delayed effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
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。
Description
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[Vmin，Vmax]，其中，Vmin表示粒子最小速度，Vmax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Wi＝(w1，w2，w3…wi)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Wi的适应度值fiti为：
式中，表示期望输出值，yj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。
优选地，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，Vi k表示第k次迭代的第i个粒子的速度，wk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，Qi表示个体极值的位置，Qg为全局极值的位置，r1、r2为分布于[0，1]之间的随机数。
优选地，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。
优选地，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))
xk＝f(w1xc(k-1)+w2u(k-1))
xc＝x(k-1)
式中，y(k)、xk、u(k)、xc(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。
优选地，所述步骤4包括：
种群的每个个体包含于两个向量之中，两个向量分别是解向量、摄动向量，其中解向量x＝(v1，v2，v3，...vn)，摄动向量σ＝(σ1，σ2，σ3，...σn)，摄动向量是变异解向量的控制向量，需要不断的进行变异，设被选个体为(x，σ)，那么产生新的子代(x’，σ’)的变异公式为
v′i＝vi+γ·N(0，σ’i)
式中，Ni(0，Δσ)是相互独立且均值为0、方差为Δσ的符合正态分布的随机数γ为增量系数，i＝1，2，3...n，Δσ为二级步长控制参数；
采用概率为Pm的变异算子对每个粒子的个体极值进行变异操作，根据变异后的优劣情况来判断是否需要更新种群的个体极值、全局极值，并进行适应度计算，获得最优粒子得到神经网络最优权值。
优选地，所述步骤5中，将太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流选为所述Elman神经网络的输入特征向量，将逆变器故障、光伏组件故障、控制器故障、线路故障选为所述Elman神经网络所对应的常见的故障输出，其中，输入特征向量采用线性归一化处理确保所有数据均处于[0，1]区间，方式如下：
式中，xn、xmax、xmin分别为原始输入数据、原始输入数据中的最大值、原始输入数据中的最小值。
优选地，所述步骤5中，输入特征向量编码为X＝[x1，x2，x3，x4，x5，x6]，分别代表太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流，故障输出编码为Y＝[y1，y2，y3，y4]，分别对应于：逆变器故障、光伏组件故障、控制器故障、线路故障，用0代表相应器件无故障，1代表相应器件有故障，则有：Y＝[0，0，0，0]表示无故障；Y＝[1，0，1，0]表示逆变器故障和控制器故障的组合形式。
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：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。
附图说明
图1是本发明的流程图；
图2是本发明中Elman神经网络拓扑结构图；
图3是粒子在二维空间移动原理图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
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，包括以下步骤：首先对粒子群算法初始化，再给神经网络赋初值，对该网络进行训练得到输出结果计算个体适应度值，并得到个体极值和全局极值。粒子通过个体极值和全局极值更新自身位置和速度并引入变异算子，重新计算个体极值和全局极值，然后在达到设定精度或最大迭代次数时取得最优粒子个体并对神经网络进行权值更新，最后进行网络训练和结果预测。如图1所示，具体包括以下步骤：
(1)将种群参数初始化，包括迭代次数、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。
在每一次迭代过程中粒子自身位置和速度的更新模型为：
其中：k为当前迭代次数，Vi k表示第k次迭代的第i个粒子的速度，wk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，Qi表示个体极值的位置，Qg为全局极值的位置，r1、r2为分布于[0，1]之间的随机数。
为了提高寻优过程中的效率，减少盲目性，此处对粒子的速度进行设置，即控制在区间[Vmin，Vmax]，其中Vmin表示粒子最小速度，Vmax表示最大速度。
(2)确定Elman神经网络拓扑结构，Elman神经网络分为四层，包括：输入层、隐含层、输出层和承接层；其中，所述输入层的节点起到信号传输作用，所述输出层的节点起到线性加权作用，所述隐含层的激励函数选择线性或者非线性函数，所述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。
Elman神经网络的非线性空间状态表达式为：
y(k)＝g(w3x(k))
xk＝f(w1xc(k-1)+w2u(k-1))
xc＝x(k-1)
其中，y(k)、xk、u(k)、xc(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。
(3)粒子种群随机生成第i个粒子的Elman神经网络初始权值Wi＝(w1，w2，w3...wi)T。对神经网络进行赋值，然后输入样本进行网络训练，按照设定精度得到一个输出值，则个体Wi的适应度值fiti为
其中，表示期望输出值，yj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Wi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。
(4)本发明采用的是引入正态变异算子的算法，其具体算法如下：种群的每个个体包含于两个向量之中，分别是解向量、摄动向量，其中解向量x＝(v1，v2，v3，...vn)，摄动向量σ＝(σ1，σ2，σ3，...σn)。摄动向量是变异解向量的控制向量，需要不断的进行变异。设被选个体为(x，σ)，那么产生新的子代(x’，σ’)的变异公式为
v’i＝vi+γ·N(0，σ’i)
其中，Ni(0，Δσ)是相互独立且均值为0、方差为Δσ的符合正态分布的随机数，γ为增量系数，i＝1，2，3...n，Δσ称为二级步长控制参数。
采用概率为Pm的变异算子对每个粒子的个体极值进行变异操作，根据变异后的优劣情况来判断是否需要更新种群的个体极值、全局极值，并进行适应度计算，获得最优粒子得到神经网络最优权值。
(5)本发明中训练样本来自光伏发电站的运行参数、电气参数、设备参数等历史数据，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。本发明选取比较典型的6个输入特征向量：太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流。所对应的常见的故障输出为逆变器故障、光伏组件故障、控制器故障、线路故障。由于样本数据之间的量纲、数量级差异较大，为减小数据误差，输入数据采用线性归一化处理确保所有数据均处于[0，1]区间，方式如下：
式中，xn、xmax、xmin分别为原始输入数据、原始输入数据中的最大值、原始输入数据中的最小值。
输入向量编码为X＝[x1，x2，x3，x4，x5，x6]，分别代表6个输入特征向量：太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流。输出向量Y＝[y1，y2，y3，y4]，分别对应于：逆变器故障、光伏组件故障、控制器故障、线路故障。用0代表相应器件无故障，1代表相应器件有故障，其中Y＝[0，0，0，0]表示无故障。光伏发电系统实际运行过程中故障输出也可能是多种单一故障的复合形式，其中Y＝[1，0，1，0]表示逆变器故障和控制器故障的组合形式。
从步骤(4)获得的最优粒子中取得Elman神经网络最优权值，并训练神经网络，用于检测的数据是光伏发电系统实时运行参数，从而能达到实时监测故障并及时预测故障发生原因的目的。
Claims (7)
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[Vmin，Vmax]，其中，Vmin表示粒子最小速度，Vmax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Wi＝(w1，w2，w3...wi)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Wi的适应度值fiti为：
式中，表示期望输出值，yj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，Vi k表示第k次迭代的第i个粒子的速度，wk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，Qi表示个体极值的位置，Qg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))
xk＝f(w1xc(k-1)+w2u(k-1))
xc＝x(k-1)
式中，y(k)、xk、u(k)、xc(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。
5.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4包括：
种群的每个个体包含于两个向量之中，两个向量分别是解向量、摄动向量，其中解向量x＝(v1，v2，v3，...vn)，摄动向量σ＝(σ1，σ2，σ3，...σn)，摄动向量是变异解向量的控制向量，需要不断的进行变异，设被选个体为(x，σ)，那么产生新的子代(x’，σ’)的变异公式为
v′i＝vi+γ·N(0，σ′i)
式中，Ni(0，Δσ)是相互独立且均值为0、方差为Δσ的符合正态分布的随机数γ为增量系数，i＝1，2，3...n，Δσ为二级步长控制参数；
采用概率为Pm的变异算子对每个粒子的个体极值进行变异操作，根据变异后的优劣情况来判断是否需要更新种群的个体极值、全局极值，并进行适应度计算，获得最优粒子得到神经网络最优权值。
6.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5中，将太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流选为所述Elman神经网络的输入特征向量，将逆变器故障、光伏组件故障、控制器故障、线路故障选为所述Elman神经网络所对应的常见的故障输出，其中，输入特征向量采用线性归一化处理确保所有数据均处于[0，1]区间，方式如下：
式中，xn、xmax、xmin分别为原始输入数据、原始输入数据中的最大值、原始输入数据中的最小值。
7.根据权利要求6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5中，输入特征向量编码为X＝[x1，x2，x3，x4，x5，x6]，分别代表太阳能阵列输出电压、并网输出电压、并网输出电流、逆变器温度、逆变器输出功率、功率器件电流，故障输出编码为Y＝[y1，y2，y3，y4]，分别对应于：逆变器故障、光伏组件故障、控制器故障、线路故障，用0代表相应器件无故障，1代表相应器件有故障，则有：Y＝[0，0，0，0]表示无故障；Y＝[1，0，1，0]表示逆变器故障和控制器故障的组合形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470634.1A CN108665112A (zh) | 2018-05-16 | 2018-05-16 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470634.1A CN108665112A (zh) | 2018-05-16 | 2018-05-16 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108665112A true CN108665112A (zh) | 2018-10-16 |
Family
ID=63778486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810470634.1A Pending CN108665112A (zh) | 2018-05-16 | 2018-05-16 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665112A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766989A (zh) * | 2018-12-05 | 2019-05-17 | 东华大学 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN109934810A (zh) * | 2019-03-08 | 2019-06-25 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
| CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
| CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
| CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
| CN110348123A (zh) * | 2019-07-11 | 2019-10-18 | 浙江树人学院（浙江树人大学） | 一种基于aic-rbf的油气管道挤压形变估计方法 |
| CN110518819A (zh) * | 2019-09-10 | 2019-11-29 | 中国计量大学 | 一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法 |
| CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
| CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
| CN111611010A (zh) * | 2020-04-24 | 2020-09-01 | 武汉大学 | 一种代码修改实时缺陷预测的可解释方法 |
| CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
| CN112036456A (zh) * | 2020-08-19 | 2020-12-04 | 阳光电源股份有限公司 | 光伏故障数据生成方法、装置及计算机可读存储介质 |
| CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
| CN114048550A (zh) * | 2021-11-29 | 2022-02-15 | 华中科技大学 | Pso优化延时算子模型的车辆驾驶室声品质评价方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
| CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
| CN105138717A (zh) * | 2015-07-09 | 2015-12-09 | 上海电力学院 | 一种动态变异粒子群优化神经网络的变压器状态评估方法 |
| CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
-
2018
- 2018-05-16 CN CN201810470634.1A patent/CN108665112A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
| CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
| CN105138717A (zh) * | 2015-07-09 | 2015-12-09 | 上海电力学院 | 一种动态变异粒子群优化神经网络的变压器状态评估方法 |
| CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张晓宇等: "基于EMD和改进PSO－Elman 神经网络的液压故障诊断", 《计算机技术与发展》 * |
| 李文强等: "应用粒子群优化的动态递归神经网络诊断滚动轴承故障", 《第十五届中国科协年会第1分会场：绿色化营运，创新型人才国际论坛论文集》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109856969B (zh) * | 2018-11-06 | 2023-10-03 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN111221375B (zh) * | 2018-11-27 | 2022-10-18 | 东君新能源有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
| CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
| CN109766989A (zh) * | 2018-12-05 | 2019-05-17 | 东华大学 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
| CN109766989B (zh) * | 2018-12-05 | 2020-12-08 | 东华大学 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
| CN109934810B (zh) * | 2019-03-08 | 2023-05-02 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
| CN109934810A (zh) * | 2019-03-08 | 2019-06-25 | 太原理工大学 | 一种基于改进粒子群小波神经网络的缺陷分类方法 |
| CN110223317A (zh) * | 2019-04-26 | 2019-09-10 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
| CN110223317B (zh) * | 2019-04-26 | 2023-04-07 | 中国矿业大学 | 一种基于图像处理的移动目标检测与轨迹预测方法 |
| CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
| CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
| CN110263907B (zh) * | 2019-07-01 | 2020-12-29 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
| CN110348123A (zh) * | 2019-07-11 | 2019-10-18 | 浙江树人学院（浙江树人大学） | 一种基于aic-rbf的油气管道挤压形变估计方法 |
| CN110348123B (zh) * | 2019-07-11 | 2022-12-02 | 浙江树人学院（浙江树人大学） | 一种基于aic-rbf的油气管道挤压形变估计方法 |
| CN110518819A (zh) * | 2019-09-10 | 2019-11-29 | 中国计量大学 | 一种基于粒子群算法和神经网络学习算法的光伏逆变器的控制方法 |
| CN110909857A (zh) * | 2019-11-26 | 2020-03-24 | 重庆锐云科技有限公司 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
| CN111611010A (zh) * | 2020-04-24 | 2020-09-01 | 武汉大学 | 一种代码修改实时缺陷预测的可解释方法 |
| CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
| CN112036456A (zh) * | 2020-08-19 | 2020-12-04 | 阳光电源股份有限公司 | 光伏故障数据生成方法、装置及计算机可读存储介质 |
| CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
| CN114048550A (zh) * | 2021-11-29 | 2022-02-15 | 华中科技大学 | Pso优化延时算子模型的车辆驾驶室声品质评价方法 |
| CN114048550B (zh) * | 2021-11-29 | 2024-07-19 | 华中科技大学 | Pso优化延时算子模型的车辆驾驶室声品质评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108665112A (zh) | 基于改进粒子群优化Elman网络的光伏故障检测方法 | |
| CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
| CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
| CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
| CN112016736A (zh) | 基于门控卷积和注意力机制的光伏发电功率的控制方法 | |
| CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
| CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN109146131A (zh) | 一种日前风力发电预测方法 | |
| Xu et al. | Short-term wind speed prediction based on GRU | |
| Yasin et al. | Quantum-inspired evolutionary programming-artificial neural network for prediction of undervoltage load shedding | |
| Arshad et al. | Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN) | |
| CN115146827B (zh) | 一种考虑量测缺失的配电网在线优化方法 | |
| CN113783186B (zh) | 一种考虑配电网拓扑结构变化的电压预测方法 | |
| Mori et al. | Development of GRBFN with global structure for PV generation output forecasting | |
| CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
| CN113052489A (zh) | 基于蛙跳和模式搜索神经网络的光伏系统mppt方法 | |
| Jiahui et al. | Short-term load forecasting based on GA-PSO optimized extreme learning machine | |
| Li et al. | A wind power prediction model based on optimized N-BEATS network with multivariate inputs | |
| CN108539730B (zh) | 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |