基于麻雀搜索算法的光伏阵列参数辨识

目前最为常用的光伏电池参数辨识方式是解析法与智能优化算法,麻雀搜索算法（SSA）是新提出来的智能优化算法,具备传统智能优化算法优势的同时,提高了运算速度,对传统算法易陷入局部最优的问题进行了优化。在对光伏系统智能化监测的需求下,提出了一种基于麻雀搜索算法的光伏阵列参数辨识方法辨识模型参数,然后对光伏阵列特性曲线进行拟合。通过实测数据对光伏电池的相关参数进行辨识,之后再对特性曲线进行拟合,结果表明采用该方法可以在保证计算速度的同时精确地对特性曲线进行拟合。     

基于麻雀搜索算法优化概率神经网络的变压器故障诊断

针对依照经验选取平滑因子导致概率神经网络模型故障诊断正确率不高的问题,提出了一种基于麻雀搜索算法优化概率神经网络(P N N)的变压器故障诊断方法.该方法引入麻雀搜索算法来优化概率神经网络中的平滑因子,然后将优化得到的平滑因子赋给PN N,从而得到优化后的变压器故障诊断模型.仿真结果表明,与优化前的PNN网络及PSO-...     

基于改进麻雀搜索算法的MPPT方法

局部阴影情况下,光伏系统的功率-电压(P-V)输出特性曲线呈现多峰值现象,传统的最大功率跟踪算法易陷入局部最优.针对这一现象,提出了一种基于改进麻雀搜索算法的控制方法,应用于最大功率跟踪模块.与传统麻雀搜索算法相比,该算法解决了生产者易陷入局部最优问题、由原来向最佳位置跳跃改成向最佳位置移动,提高了算法的全局搜索能力,...     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

基于改进RBF神经网络的光伏组件故障诊断

由于光伏组件的输出特性受多种因素混合影响,对光伏组件的故障检测是一个严峻的考验.为了保证故障诊断的实时性和精确性,采用多传感器法提取短路和开路故障特征,利用电压扫描法获取不均匀光照引起的热击穿和电击穿故障的判断依据,以故障特征为判据,给出一种基于K均值聚类算法的改进RBF神经网络的光伏组件故障诊断方法,在Matlab平...     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

基于改进SqueezeNet的光伏阵列故障诊断

光伏阵列常受极端条件影响,易产生各种故障,影响电力系统安全运行。为了提高光伏阵列故障诊断模型的综合性能,提出了一种基于改进SqueezeNet的轻量化光伏阵列故障诊断模型,用于对短路、断路、阴影、老化故障的精确诊断。采用深度卷积代替传统卷积降低模型的参数计算量,使用通道洗牌操作提高模型的特征交互能力,并加入残差连接允许信息在层与层之间流通。基于光伏阵列的I-U和P-U曲线,构建了I,U,P三维通道特征图作为模型的输入。实验结果表明,所提模型能够准确地进行故障分类,平均准确率为99.65%,优于其他对比模型,且相较于其他模型,所提模型在保持高准确率的同时,大幅降低了计算复杂度,可实现光伏阵列故障的实时在线诊断。     

基于参数辨识的光伏组件故障诊断模型

为了对光伏组件运行状况进行准确判断,提出了一种基于参数辨识的组件故障诊断模型。分析了任意工况下的光伏组件输出特性曲线,借助于改进人工鱼群算法对数学模型中各参数进行了辨识。通过分析各模型参数随光照和温度的变化关系来获取多组工况下的模型参数值,结合光伏组件各种故障数据建立了以光生电流、二极管反向饱和电流、二极管理想品质因素和等效串并联电阻为输入层向量,以组件正常、组件短路、等效串联电阻异常老化和等效并联电阻异常老化为输出层向量的径向基函数(radical basis function,RBF)神经网络故障诊断仿真模型,仿真结果验证了上述光伏组件故障规律的正确性。搭建了基于可编程电子负载的光伏组件户外实验平台,进行了组件故障诊断的实验研究,实验结果验证了所提方法的有效性和准确性。     

基于ASSA-RBF联合算法的三元锂离子电池SOC估计

准确估计三元锂电池的荷电状态(SOC)是保障电动汽车安全稳定运行的基础.针对传统BP神经网络估计精度不高,而RBF神经网络也容易陷入局部最优的问题,提出一种基于自适应麻雀搜索算法与RBF神经网络联合的三元锂电池SOC估计方法.首先,对标准麻雀搜索算法进行改进,采用精英混沌反向机制初始化麻雀种群,采用柯西-高斯变异策略优化麻雀种群中跟随者位置更新公式;然后,使用改进后的麻雀搜索算法对RBF神经网络的初始权值和宽度参数进行寻优,以提升算法对SOC的估计精度;最后,基于三元锂电池的充放电实验数据进行模型验证.结果表明,动态应力测试工况下,所提联合算法模型SOC估计均方根误差为0.694%,平均百分比误差为3.15%,能很好的应用于三元锂电池SOC估计.     

基于改进LBG算法RBF网络的高压输电线路故障诊断

利用径向基函数RBF网络适合于求解模式识别问题的优势,提出采用RBF网络来实现高压输电线路的故障诊断,建造了基于RBF网络的高压输电线路故障诊断模型结构,并且对RBF网络的聚类过程给出了改进的LBG算法.仿真分析及容错性测试结果表明,本文所提方法能快速、正确地实现高压输电线路的故障诊断,而且对因干扰而畸变的输入信息情况具有容错能力,适合应用于实时信息处理系统.     

级联H桥多电平逆变器故障的多尺度OGLPE特征提取方法

针对逆变器电容老化故障的特征不明显、提取困难,且存在多分类、细分类问题,提出一种自适应白噪声完整集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与小波包能量熵(wavelet packet energy entropy,WPEE)结合的特征提取策略,并利用改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化最小二乘支持向量机(least squares support vector machine,LSSVM)参数,完成故障诊断。首先,利用CEEMDAN处理相电压信号,获得模态分量(intrinsic mode function,IMF),根据相关系数、方差贡献率共同筛选IMF,将含噪的IMF去噪并重构,与不含噪的IMF构成纯净IMF组,然后利用小波包分析并对其分解获取故障特征明显的WPEE;其次,通过Iterative混沌映射与随机游走策略改进的SSA对LSSVM进行参数寻优,建立诊断模型;最后,以Z源逆变器为例进行验证。结果表明：所提方法能快速有效地提取电容老化故障特征,且诊断方法更快、故障识别率更高。

     

联合VMD与ISSA-ELM的电力电子电路软故障诊断

针对电力电子电路的软故障特征区分度差、不易诊断等问题,提出了变分模态分解(VMD)结合改进的麻雀搜索算法(ISSA)优化极限学习机(ELM)的故障诊断方法。首先,将采集的故障信号进行VMD分解成本征模态分量(IMF),提取线性重构后IMF的12维时域参数作为故障诊断的特征向量。其次为提高ELM在故障诊断中的精度,提出ISSA对ELM的参数进行优化,建立ISSA-ELM分类模型。ISSA首先采用Iterative映射初始化种群,然后在发现者位置更新处引入自适应惯性权重因子,最后在解的位置引入Levy变异算子进行扰动得到新解等3种策略改进,提高算法性能。在8类基准函数测试中,ISSA比另外4种智能算法的收敛速度和寻优精度均有提升,并且VMD结合ISSA-ELM在功率为150 W Boost电路软故障诊断中精度达到99%以上。     

基于胶囊网络的电力变压器故障诊断

针对麻雀搜索算法同质化严重和变压器故障样本不平衡导致分类效果不佳的问题,提出了变异麻雀搜索算法优化支持向量机(variation sparrow search algorithm-support vector machine,VSSA-SVM)和改进合成少数过采样技术(improved synthetic minority over-sampling technique,ISMOTE)的变压器故障诊断方法。首先使用Tomek Link对数据集进行去噪,引入中心偏移权重(center offset weight,COW)改进SMOTE算法对不平衡数据集的少数类样本进行合成,得到平衡化处理后的变压器故障数据集。然后,基于变异的思想,构建VSSA-SVM的变压器故障诊断模型。最后,在413例油浸变压器的油中溶解气体分析(dissoived gas anaiysis,DGA)数据上,使用PSO-SVM、SSA-SVM和VSSA-SVM模型进行诊断,诊断结果分别为81.45%、88.71%和96.77%,同时与SMOTE-NND、SVM SMOTE、Borderline-SMOTE、SMOTE以及原始数据集方法相比,ISMOTE分别提升了3.22%、4.03%、6.45%、7.52%、11.29%。结果表明,该文所提方法能准确判别变压器的故障状态,有效解决故障数据不平衡导致分类精度低的问题,具有一定的工程实用价值。

     

改进麻雀搜索算法在PMSM匝间短路中应用研究

针对麻雀搜索算法(SSA)存在收敛精度低和易陷入局部最优等问题,提出了一种改进麻雀搜索算法(ISSA),并应用于PMSM匝间短路故障诊断.首先,搭建了PMSM匝间短路仿真模型,模拟了不同短路匝数比的故障.其次,对故障进行分析,提取了3个故障识别特征量.接着,利用实验平台进行不同短路匝数比的故障测试.然后,介绍了麻雀搜索算法(SSA),并利用Tent混沌映射、自适应正余弦策略和Levy飞行策略对其进行优化,生成改进麻雀搜索算法(ISSA),同时将ISSA算法与SSA算法、粒子群算法(PSO)、灰狼算法(GWO)在测试函数上进行比较,验证其在寻优能力和稳定性等方面具有优越性.紧接着,介绍了随机森林(RF)算法,并搭建了ISSA-RF的故障诊断模型.最后,将4种算法分别对RF的基本参数进行优化并实现故障分类.结果表明,所提出的改进方法能够检测出匝间短路故障及其故障严重程度,ISSA-RF模型的准确率达到98.5％,验证了该算法的有效性和可靠性.     

基于布谷鸟算法的光伏组件故障诊断模型优化

光伏组件是光伏发电系统中重要的组成部分。为了分析光伏组件在运行过程中出现的故障情况,建立布谷鸟搜索算法优化反向传播(BP)神经网络光伏组件故障诊断模型,并使用布谷鸟搜索算法寻找BP神经网络中的阈值和权值,降低网络对初始值的敏感度,避免网络陷入局部最小,实现模型分类效果的优化。对比结果显示,该模型能够准确有效地识别光伏组件的故障类型。相对于其他算法,优化的故障诊断模型具有更高的精确度,证明了该模型的有效性和可行性。