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.     

基于聚类与梯度混合学习算法RBF神经网络的电液伺服系统建模及仿真

针对电液伺服系统同有的流量-压力等非线性凶素使得传统的机珲建模法难以获得系统的精确数学模型,该文采用RBF神经网络对某型号武器扫雷犁电液伺服系统建模并进行了仿真.由于神经网络学习时间较长且不易收敛,采用聚类与梯度训练相结合的混合学习算法对RBF神经网络进行训练.首先使用聚类方法对学习样本进行聚类,确定隐含层结构,然后用...     

基于数据挖掘算法的通信领域故障信号识别性能分析

针对通信领域故障信号识别的技术问题,提出了基于数据挖掘算法的通信故障信号识别方法。通过K-means聚类算法,使得用户从诸如温度、振动、电网故障、负荷、湿度、谐波、磁场、电网纹波等影响通信质量的样本数据中,根据通信类别样本的某些属性或某类特征,确定聚类簇数K,把通信样本类型归为已确定的某一类别中,使得簇内的通信样本数据能够紧密分布在一起,并通过欧几里得距离公式计算出某个类别范围内的数据。通过对数据进行聚类,使用户快速对影响因子进行分析、计算,大大提高了分类效果及稳定性。然后在聚类的数据中,采用BP神经网络模型再次对获取的聚类数据进行训练、计算,能够映射、处理不同聚类类别故障信息数据之间的复杂非线性关系,更加精确、及时处理数据,使用户对评估故障信号的精确度大大提高,减少了计算误差。     

基于多代理系统的含DG辐射状配电网故障定位

分布式电源(DG)的高渗透接入使配电网结构发生了改变,导致传统的配电网故障定位算法失效.基于含多DG辐射状配电网拓扑结构的特点,构建多代理系统的配电网故障定位框架,该系统主代理根据子代理上传的电源端故障量测量建立RBF神经网络故障测距模型,估计各电源端到故障点的故障距离,考虑上传量测量误差对相邻线路分界点故障定位的影响...     

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。     

模拟电路故障检测与定位新方法

提出了一种基于统计理论与智能信息处理技术的容差模拟电路故障检测与定位新方法。在充分考虑容差效应的基础上,构建了故障阈值函数与故障判据,从而可通过监测可测点工作电压实现电路的故障在线检测。再通过离线测量电路在不同测试频率下输出对输入的增益,将可测点工作电压与电路增益两类测试信息经特征层融合,运用所提出的遗传神经网络方法对电路进行故障定位。仿真结果表明:所提方法对模拟电路的硬故障与元件参数偏移较小的软故障均适用,故障检测与定位准确率高。     

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。     

考虑多重影响因素的负荷同时系数预测方法

负荷同时系数的选取是合理开展电力系统负荷预测工作的基础。目前,实际工程中的小区同时系数的选取缺乏理论依据,选取结果不能合理匹配小区的实际用电需求。针对该类问题,该文提出一种考虑多重影响因素的负荷同时系数预测方法。通过分析负荷同时系数的主要影响因素,构建同时系数影响因素指标体系。基于模糊K均值(K-means)聚类算法和径向基函数(radial basis function,RBF)神经网络相结合的方法,对样本集进行聚类分析,根据聚类结果预测样本的负荷同时系数。该方法可以大大提高样本的预测精度。对城市小区配电网规划具有指导意义。     

用HCM聚类算法RBF网络诊断输电线路故障

在分析高压输电线路故障诊断方法的基础上,利用径向基函数(RBF)网络适于求解模式识别问题的优势,建造了基于RBF网络的高压输电线路故障诊断模型结构,来实现高压输电线路的故障诊断。同时采用基于优化原理的HCM算法实现聚类过程,来确定RBF网络的隐含层节点数,使网络的利用效率较高。仿真分析及容错性测试结果表明,该法能有效地实现高压输电线路系统的故障诊断,且在网络的训练速度及对畸变输入信息的容错能力方面都优于传统的BP神经网络(BPNN),对实时信息处理系统有一定适用性。     

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。