發(fā)布時間：2024-03-14 05:53

　　光伏陣列長期暴露在惡劣的環(huán)境中，導致光伏組件易發(fā)生故障，從而影響光伏陣列的發(fā)電效率。在實際運行過程中，光伏陣列除發(fā)生單一故障之外，還會出現(xiàn)多類型的復合故障，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)化極限學習機(ELM)的光伏陣列多類型復合故障診斷方法。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以及鯨魚優(yōu)化算法(WOA)-ELM算法進行對比。實驗結(jié)果表明，對于復合故障類型，HHO-ELM模型具有更高的診斷準確率，提高了光伏陣列復合故障的識別精度。

【文章頁數(shù)】：6 頁

【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，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)點上的權(quán)值和偏差。ELM訓練神經(jīng)網(wǎng)絡(luò)主要分為兩個階段：(1)隨機特征映射階段，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)元的個數(shù)，隱藏層的神經(jīng)元個數(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

標況下，光伏陣列的典型單一故障有四種，分別是短路、開路、老化、局部陰影。相應的仿真模擬方法為：通過在兩個并聯(lián)的光伏電池支路上串聯(lián)一個無限大電阻來模擬開路故障；通過在其中一個光伏電池兩端并聯(lián)一個無窮小接近于0的電阻來模擬短路故障；通過在兩個并聯(lián)的光伏電池支路上串聯(lián)一個3Ω電阻來模擬....

圖4復合故障下的輸出特性曲線

實際現(xiàn)場運行時，光伏陣列在運行過程中可能會發(fā)生不止一種類型的故障，如老化陰影、短路陰影、開路陰影、開路老化和短路老化等兩種復合型故障同時發(fā)生，本文只考慮老化陰影、短路陰影以及開路陰影三種復合故障，記為復合故障1、復合故障2以及復合故障3，三種復合故障的輸出特性曲線如圖4所示，光伏....

本文編號：3928154