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。     

改进麻雀搜索算法在光伏阵列MPPT中的应用

在局部遮阴条件下光伏阵列的输出功率存在多个峰值,传统的最大功率点追踪(MPPT)技术在寻优过程中易陷入局部峰值,难于快速准确地追踪到最大功率点。针对这一问题,提出了一种改进麻雀搜索算法应用于光伏MPPT技术。首先,借鉴于乌鸦搜索算法引入了飞行步长,并采用一种动态递变规则调节飞行步长,增强加入者的探索能力,解决了麻雀搜索算法在低维下寻优精度低的问题;其次,设计了一种自适应规则应用于发现者位置更新中,同时通过边界处理策略约束麻雀位置更新,保证了麻雀搜索算法能够有效地解决搜索范围较小情况下的寻优问题;最后,在MATLAB中对6个基准函数进行测试验证,并将改进的算法应用于非均匀光照条件下光伏阵列的最大输出功率点追踪中进行仿真。结果表明,所提出的改进麻雀搜索算法具有较快的收敛速度和较高的追踪精度,在寻优过程中能有效避免陷入局部峰值并快速精确地追踪到最大功率点。     

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.     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

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。     

基于深度信念网络的光伏阵列故障诊断

光伏阵列所处环境恶劣严峻,导致故障频发。为提高光伏阵列故障诊断精度,针对光伏阵列的常见故障类型,提出基于深度信念网络（deep belief networks,DBN）的故障诊断方法。利用Matlab仿真模拟获取实验特征参数,建立以光伏阵列5种运行状态为输出的故障诊断模型;根据深度信念网络的特点,通过识别实验,分析不同训练集、训练周期以及受限玻尔兹曼机（restricted boltzmann machine,RBM）层数等对模型性能的影响,并从整体诊断精度和各类型故障诊断精度2方面,与模糊C均值聚类（fuzzy C-means clustering,FCM）、支持向量机（support vector machine,SVM）和BP神经网络（back propagation neural networks,BPNN）方法进行对比。实验结果表明,该方法适用于光伏阵列故障分类,相比于其他诊断模型,有效提高了故障识别准确率。     

应用于光伏阵列故障诊断的DA-SOM算法研究

针对自组织映射SOM(self-organizing map)神经网络聚类性能易受其初始权值的影响,采用蜻蜓算法DA(dragonfly algorithm)优化SOM神经网络的局部权重失真指数LWDI(locally weighted distortion index),对神经网络的初始权值进行寻优.以光伏阵列故障数...     

基于改进BP神经网络的风机故障诊断研究

采用动量法和学习速率自适应的改进BP神经网络进行风机的故障诊断。根据风机的故障诊断特点,确定神经网络的结构与参数。在网络训练过程中同时采用标准训练样本和含有白噪声的训练样本,使网络具有一定的容错性。实例诊断表明,改进的BP神经网络缩短了学习时间,是风机故障诊断的有效方法。     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。