基于改进麻雀搜索算法的光伏功率短期预测

为提高光伏输出功率预测精度、保证电网的优化调度和稳定运行，提出一种改进麻雀搜索算法（SSA）的光伏输出功率预测模型。首先，对实验平台收集到的历史数据进行分析，得到关键气候影响因素；然后，用经验模态分解和主成分分析法对数据进行维稳和降维处理；并建立改进麻雀搜索算法的BP神经网络预测模型；最后，进行实例验证。结果表明，该预测模型在敛散精度方面有所提升。     

改进蜂群算法在大型电力变压器故障诊断中的应用

电力变压器故障危及电网供电安全,为提高其故障诊断精度,避免传统算法自身固有缺陷,提出了一种改进蜂群算法优化的BP神经网络故障诊断模型。首先改进传统蜂群算法,并将其与BP神经网络相结合以优化模型参数;然后将优化后的网络模型代入变压器故障识别中,以达到提高故障诊断准确率的目的。对比不同模型预测结果表明,所提模型与方法可实现对变压器故障的精确预测。     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于改进BP神经网络的光伏阵列多传感器故障检测定位方法

光伏阵列由数量庞大的光伏组件构成,使得在发生故障时难以精确定位故障位置。针对这一难题,该文提出一种基于改进BP神经网络的光伏阵列多传感器故障检测定位方法,该方法将传感器分成若干个检测单元,在检测故障时,先将故障定位到检测单元;然后利用改进BP神经网络对检测单元内部的故障特征值与故障位置间的映射关系进行学习,从而实现光伏阵列故障点的检测与定位;最后提出一种新的非硬性故障判据。经过Matlab仿真测试,论证该方法的有效性及优异性。     

基于XGBoost算法的光伏阵列故障诊断方法研究

针对光伏阵列故障频发,且无法及时有效在线对故障类型进行识别的问题,提出了一种基于极度梯度提升(XGBoost)算法对光伏阵列进行故障诊断的方法。首先,基于Matlab Simulink仿真技术,建立光伏阵列仿真模型,针对正常、开路、短路、老化、阴影遮挡5种光伏阵列运行状态进行仿真,获取500例有效数据;其次,分析仿真数据特征变量之间的共线性关系,提取有效的特征变量作为模型的特征变量输入;然后,基于特征变量构建XGBoost故障诊断模型,并根据10折交叉验证方法优化超参数;最后,依据模型性能度量指标对XGBoost故障诊断模型的诊断结果进行评价,并分析模型特征变量的重要性。研究结果表明：基于XGBoost算法的光伏阵列故障诊断方法能简单、高效、实时在线对样本数据进行故障诊断,可应用于光伏阵列典型故障类型的有效识别。该故障诊断方法可为光伏电站现场运维人员提供技术支持,未来将在大型光伏电站,使用更大范围的实时数据开展使用和验证工作。     

基于高斯核函数的支持向量机光伏故障诊断研究

及时进行光伏阵列故障检测和故障诊断,对提高光伏电站收益、减少光伏系统运维成本具有较强的理论和应用价值。文章基于MATLAB/Simulink模块建立光伏阵列仿真模型,并应用该模型仿真光伏阵列的各类故障。通过提取各类故障特性并基于高斯核函数支持向量机算法,建立光伏阵列故障诊断模型。结果表明,在10 kW光伏电站的实际运行中,该模型可较为精准地判别出各类故障。     

典型故障条件下光伏阵列建模与仿真

为实现光伏阵列在典型故障条件下的仿真模拟和数据分析,利用Simulink搭建了局部遮阴、开路、短路和老化条件下的光伏阵列仿真模型。构建2种光伏组件模型,通过实验数据分析,得到精度较高的光伏组件模型;根据光伏阵列故障原理,通过搭建物理接口电路实现优选的光伏组件模型和电阻器之间的串并联,建立光伏阵列故障模型。对光伏阵列故障输出特性进行仿真分析,结果表明,该光伏阵列故障仿真平台便于故障模拟和特性分析,能够直观看出光伏阵列电气参数变化趋势,为研究如何有效地选取电气参数作为故障诊断模型的输入特征变量提供了理论依据。     

基于BP神经网络的光伏阵列清洁机械臂逆运动学分析与时间最短运动规划

针对光伏阵列积灰效应带来的光电转换效率下降问题,依据中国西北地区安装地形特点和清洁作业环境设计一款车载式光伏阵列清洁机器人。清洁机械臂逆运动学分析是末端清洁器轨迹规划的难点,针对解析法求解逆运动学方法复杂且得不到最优解,提出基于BP神经网络求解机械臂逆运动学的方法,建立BP神经网络模型并利用Matlab进行仿真验证。为了提高光伏阵列清洁效率,针对清洁机械臂点到点运动的时间最优问题进行时间最短运动规划。利用五次多项式插值法对机械臂各个关节变量在关节空间坐标系中进行路径拟合,并利用遗传算法对清洁机械臂运动时间进行优化。最终根据优化结果对机械臂进行轨迹规划仿真。结果表明,建立的机械臂运动学模型及使用的BP神经网络求解清洁机械臂逆运动学方法符合清洁机械臂时间最优运动规划,提高了光伏阵列清洁效率,在一定程度上为光伏阵列清洁机器人机械臂提供了时间最优控制规划。     

基于布谷鸟搜索算法优化BP模糊Petri网的水电机组故障诊断

针对水电机组故障诊断的复杂性和传统算法存在的缺点,提出采用布谷鸟搜索算法优化BP模糊Petri网进行故障诊断。首先利用布谷鸟搜索算法的全局搜索功能对网络参数寻优,将得出的全局最优解作为BP模糊Petri网的最优初始参数,再用选取的故障样本数据对模糊Petri网进行学习训练,建立故障特征集到故障类型集的映射关系以实现故障分类。仿真试验表明,该故障诊断方法收敛速度快、准确率高,可应用于实际水电机组故障诊断。     

基于ISSA-ELM的垃圾发电厂焚烧过程建模方法研究

为建立精确有效的垃圾发电厂焚烧过程多输入多输出模型,提出一种改进麻雀算法(ISSA)与极限学习机(ELM)相结合的垃圾发电厂焚烧过程建模方法。首先,选择变量,并基于滑动窗口筛选稳定数据;其次,采用ISSA对ELM的输入层权重和隐含层偏置进行优化,以消除输入层权重和隐藏层偏置随机选取对模型稳定性的影响;最后,将ISSA-ELM模型与传统反向传播(BP)神经网络、ELM模型、麻雀算法-极限学习机(SSA-ELM)模型进行比较。结果表明：基于ISSA-ELM的垃圾发电厂焚烧过程模型相比于BP神经网络、ELM模型、SSA-ELM模型更加精确有效,可为操作人员提供最佳操作变量以调整焚烧工况。     

改进型BP神经网络在广州空气污染预报中的应用研究

为了更好地了解环境污染的情况,建立有效的空气污染预报模型成为了刻不容缓的工作。本文以广州市4年的空气污染指数(API)和相对应的逐日气象数据资料为基础,进行空气质量的研究。基于BP神经网络在空气污染指数预报中存在的不足,采用万有引力搜索算法对BP网络进行改进。鉴于不同季节API值的变化差别,将改进后的BP神经网络模型对广州4季的API值进行预测。通过比较改进前后模型的均方百分比误差和预报准确率,发现改进后的BP神经网络预报效果优于传统的BP。     

BP神经网络改进算法的探讨

针对标准BP神经网络收敛速度慢的局限性,提出了几种基于MATLAB语言的BP神经网络改进算法,搭建了相应的网络诊断模型;将铁道车辆典型齿轮箱故障信号作为神经网络的测试数据,用改进的BP神经网络进行仿真测试,结果表明,LM优化算法与其他改进算法相比较,具有较好的诊断效率和精度,基本达到了对铁道车辆齿轮箱故障诊断的目的.     

基于改进粒子群优化BP网络的水轮发电机故障诊断

针对常规BP神经网络在水轮发电机振动故障诊断中存在的收敛速度慢、易陷入局部极小等缺陷,提出了一种基于改进粒子群算法优化神经网络的方法,实现了BP网络的权值优化,并对水轮发电机的振动故障进行了诊断.实例仿真结果表明,该方法具有较好的分类效果,适用于水轮发电机的故障诊断.     

基于RTDS和神经网络的光储微电网线路故障诊断

为解决BP神经网络故障诊断模型训练过程长,收敛速度慢,识别率低等问题,文章提出一种新型基于遗传算法的优化BP神经网络(GA-BPNN)光储微电网故障诊断模型。RTDS仿真结果表明,该模型不仅能减少训练的步长,且能准确地判断出内部线路故障类型和故障相,提高了光储微电网的可靠性和安全性。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于改进人工蜂群算法的Elman神经网络风机故障诊断

在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法(IABC)优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。     

基于SSAPSO LightGBM的火电厂引风机故障预警方法

为了解决国内对火电厂引风机故障预警方法相对缺乏的问题,本文提出了一种基于SSAPSO LightGBM的故障预警算法。通过建立LightGBM(Light gradient boosting machine)正常轴承温度预测模型,并创新性地引入融合麻雀搜索算法的改进粒子群优化算法（SSAPSO）优化模型超参数,最终获得引风机轴承温度预警阈值,实现引风机早期故障预警。实验证明,基于SSAPSO LightGBM的故障预警方法在预测精度、泛化能力等方面相比传统预算法效果更好;该方法能够提前2 h对风机进行故障预警,对火电厂运维具有一定的指导意义。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

应用遗传算法优化BP神经网络预测太阳能PV/T系统热电产出

PV/T集热器系统是一种能够同时提供低品位热能和高品位电能的新型太阳能系统,在光伏发电同时回收光伏余热,降低光伏板温度的同时不仅可以提高发电效率,而且能够将余热收集起来并转化应用于供暖和生活热水系统。本文利用遗传算法优化神经网络的方法建立了太阳能光伏光热(PV/T)系统性能的仿真预测模型,并与单一(Back Propag ation) BP神经网络的预测模型进行了对比分析。仿真预测结果表明：太阳能PV/T系统性能遗传算法优化BP神经网络模型的预测值与实际值拟合度较好,且预测精确度优于单一BP神经网络模型。其中遗传BP神经网络模型预测电效率的平均相对误差为1%,相对误差小于2%的样本占比大于95%;预测蓄热水箱温度的绝对平均误差仅为0.2℃,最大相对误差不超过1%。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。