光伏陣列長(zhǎng)期暴露在惡劣的環(huán)境中，導(dǎo)致光伏組件易發(fā)生故障，從而影響光伏陣列的發(fā)電效率。在實(shí)際運(yùn)行過(guò)程中，光伏陣列除發(fā)生單一故障之外，還會(huì)出現(xiàn)多類(lèi)型的復(fù)合故障，給故障診斷加大了難度。提出了一種基于哈里斯鷹(HHO)算法優(yōu)化極限學(xué)習(xí)機(jī)(ELM)的光伏陣列多類(lèi)型復(fù)合故障診斷方法。用HHO算法優(yōu)化ELM的權(quán)值和閾值，建立HHO-ELM故障診斷模型，并與ELM、粒子群優(yōu)化算法(PSO)-ELM、正余弦優(yōu)化算法(SCA)-ELM以及鯨魚(yú)優(yōu)化算法(WOA)-ELM算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，對(duì)于復(fù)合故障類(lèi)型，HHO-ELM模型具有更高的診斷準(zhǔn)確率，提高了光伏陣列復(fù)合故障的識(shí)別精度。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1ELM結(jié)構(gòu)圖

圖1中，H(x)是隱藏層的輸出，X=[X1,…,XD]T是輸入樣本，T=[T1,…,TM]T表示輸出節(jié)點(diǎn)，b=[b1,…,bL]T是隱藏層與輸出層之間的輸出權(quán)重，w和b分別表示隱藏層節(jié)點(diǎn)上的權(quán)值和偏差。ELM訓(xùn)練神經(jīng)網(wǎng)絡(luò)主要分為兩個(gè)階段：(1)隨機(jī)特征映射階段，即隱藏層的參數(shù)隨....

圖2HHO-ELM故障診斷模型圖

HHO-ELM優(yōu)化步驟包括五步，其具體的優(yōu)化流程圖如圖2所示。步驟一：根據(jù)輸入特征量的結(jié)構(gòu)，初始化ELM的參數(shù)，主要包括輸入、輸出神經(jīng)元的個(gè)數(shù)，隱藏層的神經(jīng)元個(gè)數(shù)和層數(shù)，然后根據(jù)ELM的結(jié)構(gòu)初始化HHO種群的的規(guī)模M、最大迭代次數(shù)N、待優(yōu)化參數(shù)的上界ub和下界lb等。

圖3單一故障的輸出特性曲線

標(biāo)況下，光伏陣列的典型單一故障有四種，分別是短路、開(kāi)路、老化、局部陰影。相應(yīng)的仿真模擬方法為：通過(guò)在兩個(gè)并聯(lián)的光伏電池支路上串聯(lián)一個(gè)無(wú)限大電阻來(lái)模擬開(kāi)路故障；通過(guò)在其中一個(gè)光伏電池兩端并聯(lián)一個(gè)無(wú)窮小接近于0的電阻來(lái)模擬短路故障；通過(guò)在兩個(gè)并聯(lián)的光伏電池支路上串聯(lián)一個(gè)3Ω電阻來(lái)模擬....

圖4復(fù)合故障下的輸出特性曲線

實(shí)際現(xiàn)場(chǎng)運(yùn)行時(shí)，光伏陣列在運(yùn)行過(guò)程中可能會(huì)發(fā)生不止一種類(lèi)型的故障，如老化陰影、短路陰影、開(kāi)路陰影、開(kāi)路老化和短路老化等兩種復(fù)合型故障同時(shí)發(fā)生，本文只考慮老化陰影、短路陰影以及開(kāi)路陰影三種復(fù)合故障，記為復(fù)合故障1、復(fù)合故障2以及復(fù)合故障3，三種復(fù)合故障的輸出特性曲線如圖4所示，光伏....

本文編號(hào)：3928154