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。