CN116800202A - 基于参数辨识的光伏组件故障诊断方法和系统 - Google Patents
基于参数辨识的光伏组件故障诊断方法和系统 Download PDFInfo
- Publication number
- CN116800202A CN116800202A CN202310742622.0A CN202310742622A CN116800202A CN 116800202 A CN116800202 A CN 116800202A CN 202310742622 A CN202310742622 A CN 202310742622A CN 116800202 A CN116800202 A CN 116800202A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- neural network
- parameter
- identification
- parameter identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 59
- 241000251468 Actinopterygii Species 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 239000000178 monomer Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 10
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0207—Details of measuring devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及新能源发电技术领域,提供一种基于参数辨识的光伏组件故障诊断方法和系统,其中基于参数辨识的光伏组件故障诊断方法,包括:对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。根据本发明的方案,本发明改进现有光伏组件故障诊断方法均从光伏组件的外部特性或电气特性进行故障诊断的局限性,利用故障状态下的组件内部等效参数的变化来有效、客观诊断组件故障类型。
Description
技术领域
本发明涉及新能源发电技术领域,尤其涉及一种基于参数辨识的光伏组件故障诊断方法和系统。
背景技术
随着化石类能源的逐渐枯竭和环境污染的日益加剧,许多国家将目光转向新能源发电领域。其中,光伏发电技术以其独特的发电特性取得了广泛地发展与应用。光伏发电具有设计安装容易、地域限制小、扩容性强、噪声低以及寿命长等特点,日益称为新能源发电的主要形式之一。然而,由于光伏组件生产过程中不可避免会存在一些局部缺陷,长期运行在恶劣环境中,在热、电以及外部的破坏和影响等因素作用下会发生绝缘老化、材质劣化,进而引发故障和事故。
传统的光伏组件故障诊断方案无法及时发现光伏组件的潜在性故障,无法有效地保证系统可靠、稳定运行。
发明内容
本发明的目的在于解决背景技术中的至少一个技术问题,提供一种基于参数辨识的光伏组件故障诊断方法和系统。
为实现上述目的,本发明提供一种基于参数辨识的光伏组件故障诊断方法,包括:
对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
根据本发明的一个方面,确立所述数学模型的目标函数为:
式中,Ia、Ua是任意一组I-U曲线中的电流和电压采样点,Iph、ISD、n、Rs、Rsh分别为光伏电池单体等效电路中的光生电流、二极管反向饱和电流、二极管理想品质因素以及等效串并联电阻,q为电子电荷量,k为玻尔兹曼常数1.381×l0-23J/K,T为热力学温度。
根据本发明的一个方面,所述数学模型参数辨识为最小化所述目标函数以求取参数最优值;
其中,最小化目标函数为求其均方根误差指标RMSE:
式中:N为实测数据的采样点总数;x为待求解参数,x=(Iph、ISD、n、Rs、Rsh);fi(Ua,Ia,x)是第j组实测和仿真数据的误差。
根据本发明的一个方面,采用改进人工鱼群算法对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值。
根据本发明的一个方面,所述径向基函数神经网络为由输入层、隐含层和输出层组成的3层前向型网络,其激活函数为:
式中:为第p个输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
根据本发明的一个方面,训练好的所述神经网络的输出为:
式中:p为样本总数,p=1,2,...,P;ωij为隐含层到输出层的连接权值;i为隐含层节点数,i=1,2,..,h;yj为第j个节点的实际输出值;m为隐含层神经元个数;dj是期望输出值。
根据本发明的一个方面,所述径向基函数神经网络的隐含层节点数的确定方法为:
从单个节点开始训练,通过检查目标误差使神经网络自动增加节点数,每次循环使该网络产生最大误差所对应的输入向量产生一个新节点,并将其赋值为该权值向量,然后检查新网络的误差,重复上述过程,直到满足目标误差值或达到最大神经元数时终止。
根据本发明的一个方面,判断所述光伏组件的故障类型为:
通过建立从故障征兆空间到故障空间的非线性映射,实现对故障的识别和诊断。
为实现上述目的,本发明提供一种基于参数辨识的光伏组件故障诊断系统,包括:
参数获取模块,对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
神经网络训练模块,通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
诊断输出模块,将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的基于参数辨识的光伏组件故障诊断方法。
为实现上述目的,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的基于参数辨识的光伏组件故障诊断方法。
根据本发明的方案,本发明改进现有光伏组件故障诊断方法均从光伏组件的外部特性或电气特性进行故障诊断的局限性,利用故障状态下的组件内部等效参数的变化来有效、客观诊断组件故障类型。
本发明改进人工鱼群算法,提出先通过鱼群算法对目标函数进行全局搜索,获得最优解域后转成下山单纯形法进行精确搜索,既提高了算法收敛速度,同时又提高了搜索精度。
本发明通过径向基函数神经网络将个参数值与故障之间的对应关系保存在神经网络结构中,将实测曲线的辨识参数值输入到训练好的神经网络中,最后,准确判断出了光伏组件的运行状态,极大提高了诊断正确率。
附图说明
图1示意性表示根据本发明的一种实施方式的基于参数辨识的光伏组件故障诊断方法的流程图;
图2示意性表示根据本发明的一种实施方式的光伏电池单体等效电路图;
图3示意性表示根据本发明的一种实施方式的光伏组件参数辨识策略图;
图4示意性表示根据本发明的一种实施方式的改进人工鱼群流程图;
图5示意性表示根据本发明的一种实施方式的基于径向基函数神经网络的故障诊断基本结构图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容。应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种实施方式的基于参数辨识的光伏组件故障诊断方法的流程图。如图1所示,在本实施方式中,基于参数辨识的光伏组件故障诊断方法,包括:
a.对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
b.通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
c.将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
根据本发明的一种实施方式,在上述a步骤中,光伏组件的数学模型是一个隐式且非线性的超越方程,在利用改进人工鱼群算法前需要确立其目标函数为:
式中,Ia、Ua是任意一组I-U曲线中的电流和电压采样点,Iph、ISD、n、Rs、Rsh分别为光伏电池单体等效电路(等效电路如图2所示)中的光生电流、二极管反向饱和电流、二极管理想品质因素以及等效串并联电阻,q为电子电荷量(1.602×10-19C),k为玻尔兹曼常数1.381×10-23J/K,T为热力学温度(常温近似为300K)。
根据本发明的一种实施方式,在上述a步骤中,光伏组件的数学模型参数辨识可归纳为一个优化问题,其基本思想是通过最小化目标函数以求取参数最优值。在本实施方式中,最小化目标函数为求其均方根误差指标RMSE。
式中:N为实测数据的采样点总数;x为待求解参数,x=(Iph、ISD、n、Rs、Rsh);fi(Ua,Ia,x)是第i组实测和仿真数据的误差。通过最小化模型仿真值与实测值之间误差以获得对应工况下的真实参数值。随机初始化一组模型辨识参数值,对目标函数RMSE值进行计算,然后通过改进人工鱼群算法根据RMSE值更新模型辨识参数值,以校正仿真模型输出。对上述辨识过程进行循环迭代,直至迭代终止条件满足,即可辨识出最优化模型参数值,其过程如图3所示。
根据本发明的一种实施方式,在上述a步骤中,采用改进人工鱼群算法对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值。
在本实施方式中,基于光伏组件数学模型特点并结合智能算法的优越性,提出通过改进人工鱼群算法来辨识模型参数。具体过程为,首先通过人工鱼群算法对目标函数进行全局搜索,获得最优解域后转成下山单纯形法进行精确搜索,二者结合既提高了算法收敛速度,又提高了搜索精度。基于改进人工鱼群算法的光伏组件的参数辨识流程图如图4所示,具体包括:
步骤1.对参数进行初始化操作。
步骤2.求取各人工鱼的适应度值,并记录全局最优人工鱼状态。
步骤3.对人工鱼群算法参数进行自适应调整。
步骤4.对各人工鱼的行为进行评价,选择人工鱼最合适的行为进行动作。
步骤5.执行相应的行为后,对人工鱼的位置信息和全局最优人工鱼状态进行更新,给公告牌赋最优值。同时,采用繁殖行为,淘汰适应度值较差的个体。
步骤6.迁徙行为判断,若满足迁徙概率Pe,则执行迁徙行为,并更新广告牌状态;否则,直接转到步骤7执行。
步骤7.如果满足t mod K=0,执行下山单纯形法。借助K-均值聚类法,确定聚类中心人工鱼;对每个类中新个体执行下山单纯形法搜索,计算其适应度值并更新公告牌。
步骤8.对全局极值人工鱼个体执行下山单纯形法搜索,将最优值赋给公告牌。
进一步地,根据本发明的一种实施方式,在上述b步骤中,径向基函数神经网络将各参数值与故障类型之间的对应关系保存在神经网络结构中,光伏组件的等效参数值与不同故障类型之间存在非线性关系,而径向基函数神经网络是由输入层、隐含层和输出层组成的3层前向型网络,具有优良的非线性逼近性能,其激活函数如下:
式中:为第p个输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
在本实施方式中,结合径向基函数神经网络,可得该网络输出为:
式中:p为样本总数,p=1,2,...,P;ωij为隐含层到输出层的连接权值;i为隐含层节点数,i=1,2,...,h;yj为第j个节点的实际输出值;m为隐含层神经元个数;dj是期望输出值。
进一步地,在本实施方式中,径向基函数神经网络中隐含层节点数的确定是关键,包括:其数目的增加既关系到分类结果的准确性,也与该网络的复杂度和执行效率密切相关。
关于径向基函数神经网络隐藏层节点数的确定,确定原则为:以尽可能少的隐藏层节点数来满足目标误差值的要求。其具体做法是:从单个节点开始训练,通过检查目标误差使神经网络自动增加节点数,每次循环使该网络产生最大误差所对应的输入向量产生一个新节点,并将其赋值为该权值向量,然后检查新网络的误差,重复上述过程,直到满足目标误差值或达到最大神经元数时终止。如此方案,相比较于传统神经网络隐含层节点数为事先设定的固定参数值,本方法能够自动增加节点数,减少训练网络的误差,提高光伏故障诊断的准确率,而且能够提高光伏故障诊断的速度和效率。
进一步地,根据本发明的一种实施方式,在上述c步骤中,将实测曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型为:
从模式识别角度考虑光伏组件故障诊断,实质即为对其运行状态进行模式识别的过程。通过建立从故障征兆空间到故障空间的非线性映射,实现对故障的识别和诊断。
在光伏组件故障诊断时,将Iph、ISD、n、Rs、Rsh作为输入变量输入到径向基函数神经网络中,以组件正常、短路、Rs异常老化和Rsh异常老化等4中运行状态作为模型输出,分别用O1、O2、O3及O4代表。基于径向基函数神经网络光伏组件故障诊断模型的对应关系如图5所示。
根据本发明的上述方案,本发明改进现有光伏组件故障诊断方法均从光伏组件的外部特性或电气特性进行故障诊断的局限性,利用故障状态下的组件内部等效参数的变化来有效、客观诊断组件故障类型。
本发明改进人工鱼群算法,提出先通过鱼群算法对目标函数进行全局搜索,获得最优解域后转成下山单纯形法进行精确搜索,既提高了算法收敛速度,同时又提高了搜索精度。
本发明通过径向基函数神经网络将个参数值与故障之间的对应关系保存在神经网络结构中,将实测曲线的辨识参数值输入到训练好的神经网络中,最后,准确判断出了光伏组件的运行状态,极大提高了诊断正确率。
为实现上述目的,本发明还提供一种基于参数辨识的光伏组件故障诊断系统,包括:
参数获取模块,对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
神经网络训练模块,通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
诊断输出模块,将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
根据本发明的一种实施方式,在上述参数获取模块中,光伏组件的数学模型是一个隐式且非线性的超越方程,在利用改进人工鱼群算法前需要确立其目标函数为:
式中,Ia、Ua是任意一组I-U曲线中的电流和电压采样点,Iph、ISD、n、Rs、Rsh分别为光伏电池单体等效电路(等效电路如图2所示)中的光生电流、二极管反向饱和电流、二极管理想品质因素以及等效串并联电阻,q为电子电荷量(1.602×10-19C),k为玻尔兹曼常数1.381×10-23J/K,T为热力学温度(常温近似为300K)。
根据本发明的一种实施方式,在上述参数获取模块中,光伏组件的数学模型参数辨识可归纳为一个优化问题,其基本思想是通过最小化目标函数以求取参数最优值。在本实施方式中,最小化目标函数为求其均方根误差指标RMSE。
式中:N为实测数据的采样点总数;x为待求解参数,x=(Iph、ISD、n、Rs、Rsh);fi(Ua,Ia,x)是第i组实测和仿真数据的误差。通过最小化模型仿真值与实测值之间误差以获得对应工况下的真实参数值。随机初始化一组模型辨识参数值,对目标函数RMSE值进行计算,然后通过改进人工鱼群算法根据RMSE值更新模型辨识参数值,以校正仿真模型输出。对上述辨识过程进行循环迭代,直至迭代终止条件满足,即可辨识出最优化模型参数值,其过程如图3所示。
根据本发明的一种实施方式,在上述参数获取模块中,采用改进人工鱼群算法对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值。
在本实施方式中,基于光伏组件数学模型特点并结合智能算法的优越性,提出通过改进人工鱼群算法来辨识模型参数。具体过程为,首先通过人工鱼群算法对目标函数进行全局搜索,获得最优解域后转成下山单纯形法进行精确搜索,二者结合既提高了算法收敛速度,又提高了搜索精度。基于改进人工鱼群算法的光伏组件的参数辨识流程图如图4所示,具体包括:
步骤1.对参数进行初始化操作。
步骤2.求取各人工鱼的适应度值,并记录全局最优人工鱼状态。
步骤3.对人工鱼群算法参数进行自适应调整。
步骤4.对各人工鱼的行为进行评价,选择人工鱼最合适的行为进行动作。
步骤5.执行相应的行为后,对人工鱼的位置信息和全局最优人工鱼状态进行更新,给公告牌赋最优值。同时,采用繁殖行为,淘汰适应度值较差的个体。
步骤6.迁徙行为判断,若满足迁徙概率Pe,则执行迁徙行为,并更新广告牌状态;否则,直接转到Step7执行。
步骤7.如果满足t mod K=0,执行下山单纯形法。借助K-均值聚类法,确定聚类中心人工鱼;对每个类中新个体执行下山单纯形法搜索,计算其适应度值并更新公告牌。
步骤8.对全局极值人工鱼个体执行下山单纯形法搜索,将最优值赋给公告牌。
进一步地,根据本发明的一种实施方式,在上述神经网络训练模块中,径向基函数神经网络将各参数值与故障类型之间的对应关系保存在神经网络结构中,光伏组件的等效参数值与不同故障类型之间存在非线性关系,而径向基函数神经网络是由输入层、隐含层和输出层组成的3层前向型网络,具有优良的非线性逼近性能,其激活函数如下:
式中:为第p个输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
在本实施方式中,结合径向基函数神经网络,可得该网络输出为:
式中:p为样本总数,p=1,2,...,P;ωij为隐含层到输出层的连接权值;i为隐含层节点数,i=1,2,..,h;yj为第j个节点的实际输出值;m为隐含层神经元个数;dj是期望输出值。
进一步地,在本实施方式中,径向基函数神经网络中隐含层节点数的确定是关键,包括:其数目的增加既关系到分类结果的准确性,也与该网络的复杂度和执行效率密切相关。
关于径向基函数神经网络隐藏层节点数的确定,确定原则为:以尽可能少的隐藏层节点数来满足目标误差值的要求。其具体做法是:从单个节点开始训练,通过检查目标误差使神经网络自动增加节点数,每次循环使该网络产生最大误差所对应的输入向量产生一个新节点,并将其赋值为该权值向量,然后检查新网络的误差,重复上述过程,直到满足目标误差值或达到最大神经元数时终止。如此方案,相比较于传统神经网络隐含层节点数为事先设定的固定参数值,本方法能够自动增加节点数,减少训练网络的误差,提高光伏故障诊断的准确率,而且能够提高光伏故障诊断的速度和效率。
进一步地,根据本发明的一种实施方式,在上述诊断输出模块中,将实测曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型为:
从模式识别角度考虑光伏组件故障诊断,实质即为对其运行状态进行模式识别的过程。通过建立从故障征兆空间到故障空间的非线性映射,实现对故障的识别和诊断。
在光伏组件故障诊断时,将Iph、ISD、n、Rs、Rsh作为输入变量输入到径向基函数神经网络中,以组件正常、短路、Rs异常老化和Rsh异常老化等4中运行状态作为模型输出,分别用O1、O2、O3及O4代表。基于径向基函数神经网络光伏组件故障诊断模型的对应关系如图5所示。
根据本发明的上述方案,本发明改进现有光伏组件故障诊断方法均从光伏组件的外部特性或电气特性进行故障诊断的局限性,利用故障状态下的组件内部等效参数的变化来有效、客观诊断组件故障类型。
本发明改进人工鱼群算法,提出先通过鱼群算法对目标函数进行全局搜索,获得最优解域后转成下山单纯形法进行精确搜索,既提高了算法收敛速度,同时又提高了搜索精度。
本发明通过径向基函数神经网络将个参数值与故障之间的对应关系保存在神经网络结构中,将实测曲线的辨识参数值输入到训练好的神经网络中,最后,准确判断出了光伏组件的运行状态,极大提高了诊断正确率。
为实现上述目的,本发明还提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上所述的基于参数辨识的光伏组件故障诊断方法。
为实现上述目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上所述的基于参数辨识的光伏组件故障诊断方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (11)
1.基于参数辨识的光伏组件故障诊断方法,其特征在于,包括:
对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
2.根据权利要求1所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,确立所述数学模型的目标函数为:
式中,Ia、Ua是任意一组I-U曲线中的电流和电压采样点,Iph、ISD、n、Rs、Rsh分别为光伏电池单体等效电路中的光生电流、二极管反向饱和电流、二极管理想品质因素以及等效串并联电阻,q为电子电荷量,k为玻尔兹曼常数1.381×10-23J/K,T为热力学温度。
3.根据权利要求2所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,所述数学模型参数辨识为最小化所述目标函数以求取参数最优值;
其中,最小化目标函数为求其均方根误差指标RMSE:
式中:N为实测数据的采样点总数;x为待求解参数,x=(Iph、ISD、n、Rs、Rsh);fi(Ua,Ia,x)是第i组实测和仿真数据的误差。
4.根据权利要求1所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,采用改进人工鱼群算法对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值。
5.根据权利要求1所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,所述径向基函数神经网络为由输入层、隐含层和输出层组成的3层前向型网络,其激活函数为:
式中:为第p个输入样本;||xp-ci||为欧氏范数;ci和σ分别为高斯函数的中心和方差。
6.根据权利要求5所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,训练好的所述神经网络的输出为:
式中:p为样本总数,p=1,2,...,P;ωij为隐含层到输出层的连接权值;i为隐含层节点数,i=1,2,...,h;yj为第j个节点的实际输出值;m为隐含层神经元个数;dj是期望输出值。
7.根据权利要求1所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,所述径向基函数神经网络的隐含层节点数的确定方法为:
从单个节点开始训练,通过检查目标误差使神经网络自动增加节点数,每次循环使该网络产生最大误差所对应的输入向量产生一个新节点,并将其赋值为该权值向量,然后检查新网络的误差,重复上述过程,直到满足目标误差值或达到最大神经元数时终止。
8.根据权利要求1-7中任一项所述的基于参数辨识的光伏组件故障诊断方法,其特征在于,判断所述光伏组件的故障类型为:
通过建立从故障征兆空间到故障空间的非线性映射,实现对故障的识别和诊断。
9.基于参数辨识的光伏组件故障诊断系统,其特征在于,包括:
参数获取模块,对不同故障下光伏组件输出特性曲线进行数学模型参数辨识,获取相应光伏组件的等效参数值;
神经网络训练模块,通过径向基函数神经网络将各等效参数值与故障类型之间的对应关系输入神经网络结构中对神经网络进行训练;
诊断输出模块,将实测特性曲线的辨识参数值输入到训练好的神经网络中,判断出光伏组件的运行状态以及故障类型,在输出层进行诊断输出。
10.电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于参数辨识的光伏组件故障诊断方法。
11.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于参数辨识的光伏组件故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742622.0A CN116800202A (zh) | 2023-06-21 | 2023-06-21 | 基于参数辨识的光伏组件故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742622.0A CN116800202A (zh) | 2023-06-21 | 2023-06-21 | 基于参数辨识的光伏组件故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116800202A true CN116800202A (zh) | 2023-09-22 |
Family
ID=88049132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742622.0A Pending CN116800202A (zh) | 2023-06-21 | 2023-06-21 | 基于参数辨识的光伏组件故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116800202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113210A (zh) * | 2023-10-25 | 2023-11-24 | 河北省科学院应用数学研究所 | 驼峰排污系统故障诊断装置、方法及控制器 |
-
2023
- 2023-06-21 CN CN202310742622.0A patent/CN116800202A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113210A (zh) * | 2023-10-25 | 2023-11-24 | 河北省科学院应用数学研究所 | 驼峰排污系统故障诊断装置、方法及控制器 |
CN117113210B (zh) * | 2023-10-25 | 2023-12-29 | 河北省科学院应用数学研究所 | 驼峰排污系统故障诊断装置、方法及控制器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111340076B (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
CN112560079B (zh) | 一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击方法 | |
CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
CN112380773A (zh) | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 | |
CN116800202A (zh) | 基于参数辨识的光伏组件故障诊断方法和系统 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN113608140A (zh) | 一种电池故障诊断方法及系统 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
CN115600137A (zh) | 面向不完备类别数据的多源域变工况机械故障诊断方法 | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN114325245A (zh) | 基于行波数据深度学习的输电线路故障选线与定位方法 | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN113595132A (zh) | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 | |
CN115800274B (zh) | 一种5g配电网馈线自动化自适应方法、装置及存储介质 | |
CN112329370A (zh) | 一种基于极限学习机的SiC功率管在线故障诊断方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
CN111126458A (zh) | 基于小样本的数据增强及神经网络对抗训练方法 | |
CN115758259A (zh) | 一种基于特征融合的多源域泛化设备故障诊断方法 |
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 |