基于人工蜂群算法优化RBF神经网络的光伏组件故障 诊断定位方法

随着光伏装机容量的迅速增长以及国家光伏补贴的逐步取消,针对提高光伏发电效率与收益的研究具有重要意义。首先,为精确定位光伏故障以降低运维成本,提出以组串支路电流与组件温度为故障定位特征量。其次,为提高光伏故障诊断效率,利用人工蜂群算法(artificial bee colony,ABC)优化RBF神经网络的中心、函数宽度及权值,提出将其应用于光伏组件故障诊断定位研究。最后,根据盐城市响水县1.5MW光伏电站数据,经Matlab仿真研究并与传统RBF神经网络相比较,结果验证了所提理论的准确性。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

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。     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

基于FCM和SRF组合的光伏组件故障诊断研究

为了在较长的时间段内准确诊断光伏组件的故障,提出了一种基于FCM (fuzzy C-means)算法和SRF算法组合的光伏组件故障诊断方法。利用FCM将样本数据按照最大隶属度原则进行相似日聚类并得到聚类中心,用每一类样本数据分别训练SRF分类模型,将上述聚类中心和SRF分类模型组成FCM-SRF分类模型来判断光伏组件的运行状态。通过实验证明了该方法适用于样本数据的时间和季节跨度较大的情况,其判断结果具有较高的准确性和有效性。     

基于RBF神经网络的光伏动态重组系统

光伏系统的模块重组对于改善系统的P-V特性有非常重要的作用。提出了一种在部分阴影遮蔽情况下基于人工神经网络算法的光伏模块重组方案。这个方案中,光伏模块分为固定部分和自由部分,并通过开关矩阵来连接。然后测量的每个自由模块以及每行固定模块的短路电流值,测量值通过人工神经网络算法得到的结果决定开关矩阵的连接方式。仿真实验显示所提出的方案的参数测量实时简易、重组策略高效,能有效地改善部分阴影状态下的光伏阵列的功率输出。最重要是所提出的控制策略能应用于较大规模光伏系统结构重组。     

基于BP神经网络的光伏组件在线故障诊断

为了提高光伏系统的发电效率,同时降低人工维护的成本,提出了一种基于 BP(back propagation)神经网络的光伏组件在线故障诊断策略;分析了光伏组件短路和异常老化故障的成因,并在 Matlab 中对光伏组件故障状态下的输出特性进行了仿真研究。根据仿真结果并结合光伏组件的数学模型,总结了光伏组件的故障规律,建立了BP神经网络故障诊断模型及模拟光伏组件各种故障的仿真模型。用该模型采集了适合神经网络训练的样本,并对神经网络诊断模型进行了训练。结合光伏功率优化器,进行了组件在线故障诊断的仿真和实验研究,结果验证了文中方法的正确性、有效性和环境适应性。     

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。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断.经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高.     

基于RBF神经网络的动力电池故障诊断系统研究

纯电动车动力电池在性能、成本、寿命、安全性上的局限是制约电动车普及的关键问题。基于RBF神经网络,设计了一套电池故障诊断系统,对动力电池组的故障进行预防和诊断。首先,利用d SPACE中的电池模型,模拟电池的故障,进行神经网络的学习训练,然后,利用三组测试数据对故障诊断系统进行测试。测试结果显示,设计的系统可以准确诊断电池故障类型与故障级别。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于RBF神经网络的室内定位算法研究

在无线传感器网络室内定位中,由于遮挡、多径效应等因素的影响,传统基于RSSI（Received Signal Strength Indicator）的定位算法存在测距不准、定位精度不高的问题。针对此问题,本文提出一种改进的基于RBF（Radial Basis Function）神经网络的室内定位算法,算法在离线阶段直接建立各参考节点接收到的RSSI值与其位置坐标的映射关系;在线阶段采集待定位节点的 RSSI值,利用学习好的神经网络对待定位节点进行定位。实验结果表明,与传统RSSI定位算法相比,本文提出的定位算法具备更高的定位精度。     

基于多变量相空间重构和RBF神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。首先,基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数(radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

基于RBF神经网络的风力发电机组故障诊断研究

风力发电机组是一个复杂的机电系统,采用整机诊断模式将使系统非常复杂,诊断效果也不理想;采用两层诊断模式不但实现起来简单,而且可以获得很好的诊断效果。使用RBF神经网络对发电机子系统进行故障诊断,仿真结果表明该诊断方法满足要求。     

一种基于径向基神经网络和频谱分析的电路元件故障诊断方法

针对一类模型不确定的非线性系统,提出了具有强鲁棒性和高灵敏度的在线故障检测与诊断方法。其中,系统只有输入、输出可检测,故障是关于输入和状态的非线性函数。将RBF神经网络和频谱分析相结合,由RBF神经网络来学习及存储电子电路的故障频谱和故障类型之间的映射关系,介绍了该算法的实现过程。并以某船舶电气设备放大电路为例建立仿真系统。仿真结果和实验实例表明,该算法可以快速有效地对故障元件进行定位,识别率较高。     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,采用了遗传算法的选择、基因突变（基因重组）及变异过程代替BP神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,该算法具有收敛速度快及推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

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。     

基于小波神经网络的可更换电路单元故障诊断

文章提出了一种基于小波神经网络的模拟电路故障诊断方法。这种方法采用正弦信号作为被测电路的输入激励,在时域中对输出信号采样来构造神经网络的训练和测试样本,将自适应学习率及附加动量BP算法训练后的小波神经网络应用于某装备可更换电路单元故障诊断中。仿真试验表明,该方法减少了故障诊断时间和提高了网络的平均诊断正确率。