第
37
2018
卷第
年
3
期
2
月
JOURNAL OF HENAN POLYTECHNIC UNIVERSITY
NATURAL SCIENCE
河南理工大学学报( 自然科学版)
(
)
Vol. 37 No. 2
Mar. 2018
王福忠,裴玉龙
粒子群优化
.
RBF
]
神经网络的 光 伏 阵 列 故 障 诊 断[
J
.
河 南 理 工 大 学 学 报 ( 自 然 科 学 版 ) ,
2018
,
37
(
2
) :
093-098. doi
:
10. 16186 / j. cnki. 1673-9787. 2018. 02. 013
WANG F Z
,
PEI Y L. Fault diagnosis of PV array by using RBF neural network optimized by particle swarm
[
]
J
. Journal of Henan
Polytechnic University
(
Natural Science
) ,
2018
,
37
(
2
) :
093-098. doi
:
10. 16186 / j. cnki. 1673-9787. 2018. 02. 013
粒子群优化
RBF
神经网络的光伏阵列故障诊断
*
( 河南理工大学 电气工程与自动化学院,河南 焦作
)
454000
王福忠,裴玉龙
摘要: 光伏阵列能否正常工作直接关系到整个光伏 发 电 系 统 运 行 的 安 全 性 和 可 靠 性。对 于 光
伏阵列故障诊断中传统的 BP 神经网络诊断算法准确率低、收敛速度慢等问题,提出一种基于
粒子群优化 RBF 神经网络的故障 诊 断 算 法。建 立 以 光 伏 阵 列 的 4 种 故 障 特 征 参 数 为 输 入、5
种情况为输出的故障诊断模型,对基于粒子群算法的网 络 模 型 的 自 适 应 权 重 寻 优 进 行 仿 真 实
验。最后,将优化算法与 BP 神经网络算法以及 RBF 神经网络算法进行对比。实验结果表明,
优化算法不仅可以有效地诊断光伏阵列的故障类型,而且还可以提高故障诊断的准确率。
关 键 词: 光伏阵列; 故障诊断; RBF 神经网络; 粒子群算法
中图分类号: TP306
文章编号: 1673-9787
文献标志码: A
02-093-06
2018
(
)
Fault diagnosis of PV array by using RBF neural network
optimized by particle swarm
WANG Fuzhong
,
PEI Yulong
(
School of Electrical Engineering and Automation
,
Henan Polytechnic University
,
Jiaozuo 454000
,
Henan
,
China
)
Normal or abnormal operation of PV array is closely linked to the security and reliability of PV sys-
tem. BP neural network fault diagnosis algorithm in PV array have some problems such as low accuracy
slow
convergence speed
,
and so on. In order to solve these problems
,
a method of fault diagnosis of PV array using
,
Abstract
:
,
RBF neural network optimized by particle swarm is put forward. The PV array fault diagnosis model is estab-
lished
which uses PV array four characteristic parameters as input variables and five normal circumstances as
output variables. The method of adaptive network weight optimization based on particle swarm algorithm is sim-
ulated. Finally
the algorithm proposed
,
,
the traditional BP neural network algorithm and traditional RBF neural
network algorithm are compared. The simulation experiment shows that the proposed algorithm can not only ef-
fectively diagnose the fault types of PV array
but also improve accuracy of fault diagnosis.
,
Key words
:
PV arrays
;
fault diagnosis
;
RBF neural network
;
particle swarm algorithm
0 引 言
光伏阵列是光 伏 发 电 系 统 中 的 重 要 设 备,它
的故障比例在光 伏 系 统 中 非 常 高,其 正 常 工 作 与
否直接关系到整个发电系统运行的正常性以及可
靠性,因此,研究光伏阵列的故障诊断技术具有重
*
2017 -10 -22
收稿日期:
基金项目: 国家自然科学基金资助项目(
第一作者简介: 王福忠(
; 修回日期:
2017 -12 -24
61405055
1961—
:
E-mail
wangfzh@ hpu. edu. cn
) ; 河南省产学研基金资助项目(
132107000027
)
) ,男,河南孟州人,博士,教授,主要从事工业过程控制
智能电网等的教学和研究工作
、
。
中国煤炭期刊网 www.chinacaj.net
49
河南理工大学学报( 自然科学版)
2018
年第
卷
37
BP
法[
]
1
。
对于 光 伏 阵 列 的 故 障 诊 断,目 前 应 用
要的意义
最多的方法是红 外 图 像 检 测 法,该 方 法 利 用 光 伏
阵列在有故障和 无 故 障 时 存 在 明 显 温 差 的 特 点,
通过红外摄像仪拍摄出图像加以分析并有效地判
断出故 障 类 型 及 位 置
但 是 该 类 诊 断 方 法 成 本
高,而且精度也低
目前,为更加精准地诊断和定
位光伏阵列的各 种 故 障,国 内 外 学 者 研 究 了 诸 如
信 息 融 合 等 算
神 经 网 络
神 经 网 络
。
。
、RBF
、
15
]
。
、
BP
RBF
RBF
但是
。
传统 的
收敛速 度 慢 且 精 度 不 高 等 问 题,
、
神 经 网 络 存 在 易 陷 入 局 部 极 小
神 经 网
值
函 数 逼 近 能 力 强 等 优
络算法则以其收 敛 速 度 快
点,近年来被广泛地应用于图像处理
模式识别以
、
及故障诊断等领域[
神 经 网 络 的 理
论和学习还需要 进 一 步 完 善,如 何 建 立 一 个 更 加
优化的神经网络一直是研究的热点和难点
针对
上述光伏阵列故 障 诊 断 的 问 题,提 出 一 种 基 于 粒
神经网络的诊断方法,对于光伏阵
子群优化
列的几种故障数 据 输 入 和 故 障 类 型 输 出,建 立 诊
断模型,并以粒子 群 优 化 算 法 对故 障 模 型 的 自 适
应权重寻优,以此达到避免陷入局部最优
提高网
、
仿 真 结 果 表 明,
络泛化能力 和 收 敛 速 度 的 效 果
该方法可有效地 识 别 光 伏 阵 列 的 故 障 类 型,提 高
故障诊断的准确率
RBF
。
。
。
1 光伏阵列故障诊断模型的建立
1. 1 RBF 神经网络诊断模型的结构原理
(
”
“
。
基
当
RBF
RBF
RBF
作为隐单元的
radial basis function
) 的全称是径向基神
经网络,是一种前馈性神经网络,它的基本思想是
构成隐含层空间,这样
用
就可将输入 矢 量 ( 即 不 需 要 通 过 权 接 ) 映 射 到 隐
的中心点确定以后,这种映射关系
空间
就确定了,而隐含 层 空 间 到 输 出空 间 的 映 射 是 线
性的,即网络的输出是隐单元输出的线性加权和
。
由此可见,网络由输入到输出是非线性的,而网络
输出对可调参数而言是线性的
这样网络的权就
可以由线性方程 直 接 求 出,从 而 大 大 加 快 了 学 习
神
速率并避免了局部极小的问 题[
RBF
经网络具有学习速度快
收敛速
、
度 快 等 优 点,所 以 被 广 泛 应 用 于 故 障 诊 断 领 域
。
所示,本文针对光伏阵列的故障,建立了基
如图
于
神经网络的故障诊断模型
由 于
函数逼近能力强
、
。
。
1
]
12
RBF
。
径向基神经网络的基本函数表达式为
(
)x = j
(
S j
x - c
j
)
,
2
,
…
,
a。
j = 1
(
)
1
由于高斯函数 具 有 形 式 简 单
解 析 性 能 好 以
及光滑性能好等 优 点,所 以 本 文 采 用 高 斯 函 数 作
为径向基函数来计算
高斯函数的基本形式为
、
(
φ j
x - c
j
)
= exp -
。
[
(
x - c
j
)
(
T x - c
δ2
j
)
j
]
,(
)
2
为 基 函 数;
c j
为 隐 含 层 基 函 数 的 中 心 矢
间
个 基 函 数 的 参 数 宽
与基函数中心矢量
c j
为输入量
为 隐 含 层 第
x
j
Φ j
式中:
量;
‖x - c j ‖
的欧 式 距 离;
度
。
δ j
网络隐含层到 输 出 层 实 现 线 性 映 射,网 络 输
出层为隐含层节点的线性组合,其表达式为
a
ω jk ·s j
,
,
2
,
…
,
m。
k = 1
(
)
3
y k = ∑
j = 1
1
。
RBF
部分
1. 2 诊断模型输入和输出的设计
、
3
感知单元组成,如表
隐 含 层 和 输 出 层
神经网络包 含 输 入 层
其中 输 入 层 将 外 界 环 境 与 网 络 联 系,由
所示,本文光伏阵列输入有
种故障数据变量,分别是最大功率点输出电流
4
、
短路电流和开路电压; 隐含
最大功率点输出电压
、
层将输入层到隐 空 间 之 间 进 行 非 线 性 变 换; 输 出
所示,本文的输出层表示光
层则是线性的,如表
伏阵列的
短 路
间 的 数 值 来 表
和开路
0 ~ 1
示所发生的故障 程 度,数 值 越 接 近
表 示 越 可 能
无故障,数值越接近
则表示越有可能发生故障
4
网络的实 际 输 出 以
种故障类型,分别是老化
阴影
、
、
。
2
0
。
1
表
1
故障诊断模型输入变量
Tab. 1
Input variables of fault diagnosis model
输入变量
数据名称
U mpp
I mpp
I sc
U oc
最大功率点输出电压
最大功率点输出电流
短路电流
开路电压
中国煤炭期刊网 www.chinacaj.net
第
2
期
王福忠,等: 粒子群优化
RBF
神经网络的光伏阵列故障诊断
59
表
2
故障诊断模型输出变量定义
Tab. 2 Output variables definition of fault diagnosis model
输出变量定义
y1
y2
y3
y4
正常
短路
开路
老化
局部阴影
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
c2 r2
x i
v i
[(
(
由输出层和 隐 含 层 的 线 性 关 系,并 结 合 图
1
所示的模型结构 的 对 应 关 系,可 得 到 如 下 输 出 结
果表达式,
y k = w T
k Φ =
[
a
∑
j = 1
w kj exp -
x - c j
δ2
j
2
]
,
,
2
,
…
,
8
,
k = 1
(
)
4
式中:
,
w kn
,
…
…
为 输 出 层 节 点
y k
]T 为 输 出 节 点
,
Φ n
]T 为基函数矢量
k
k
的 输 出;
w k =
的 权 值 向 量;
[
w k1
w k2
,
[
,
,
Φ =
Φ 1
。
Φ 2
1. 3 RBF 神经网络模型权重寻优的粒子群算法
粒子群优化算法(
,
particle swarm optimization
) 属 于 进 化 算 法 的 一 种,与 模 拟 退 火 算 法 相
PSO
似,它也是从随机解出发,通过迭代寻找最优解,
也是通过适应度 来 评 价 解 的 品 质,但 它 比 遗 传 算
法更为简单,它没有遗传算法的
“
操作,通过搜索到的最优值来寻找全局最优
变异
交叉
和
”
“
”
。
PSO
是一种很好 的 优 化 工 具,初 始 化 为 一 群
随机解,然后通过迭代找到最优解,在每一次迭代
中,粒子通过跟踪
另外,也
可以不用整个种 群,而 只 用 其 中 的 一 部 分 作 为 粒
子的邻居,那么在 所 有 邻 居 中 的极 值 就 是 局 部 极
值[
个极值来更新自己
。
整个粒子群搜 索 到 的 最 优 位 置 为 全 局 极 值,
。
]
3
2
记为
(
g best =
p g1
在找到这
2
来更新自己的位置和速度:
,
…
,
p g2
个 最 优 值 时,粒 子 根 据 如 下 公 式
,
p gD
。
)
(
p id - x id
)
+
v id = w* v id + c1 r1
(
c2 r2
p gd - x id
) ,
x id = x id + v id
,
式中:
c1
随机数
,
c2
。
为 学 习 因 子;
,
r2
r1
为[
0
5
(
(
)
)
,
]内 的 均 匀
1
6
根据全局最优 点 的 距 离 来 调 整 算 法,步 骤 如
值存在粒子的个体极值
p best
有最优适应值的个体适应值保存在全局极值
中
中,并将所有
p best
中所
g best
。
(
3
) 更新粒子位移和速度:
+ v i
)
( t
,
j
( t + 1
[
p i
+ c1 r1
) ,
j = 1
,
2
j - x i
,
,
j
,
,
,
…
d
) ]
(
t
+
)
)
( t + 1
,
j
( t + 1
,
j
)
,
j
( t
= x i
= w·v i
(
) ]
。
,
j
,
j
t
j - x i
,
p g
) 更新权重:
[(
4
w = w min -
) ,
w max - w min
,
f ≤ f avg
,
f > f avg 。
f avg - f min
w = w max
) 将每个粒子的适应值与最好的位置作比
较,如果相近,则当前位置为最好
。
) 将算 法 达 到 其 停 止 条 件,则 停 止 搜 索 结
(
(
5
6
果输出,否则返回到第(
) 步继续搜索
。
本文粒子群优化算法的流程图如图
3
所示
。
2
)
*
(
f - f min
) ]
/
(
2 仿真实验分析
2. 1 数据样本的选取
本 文 根 据 光 伏 电 池 的 等 效 电 路 模 型,采 用
搭建光伏阵列故障检测系统的仿真模型
MATLAB
来验证该方法的可行性
该仿真系统以光伏电池
为最小单元,然后封装成光伏组件,光伏电池的等
效模型如图
所示
。
3
。
下
。
(
(
1
2
) 随机初始化每个粒子的速度和位置
) 评价每 个 粒 子 的 适 应 度,将 粒 子 的 适 应
。
利用 本 文 建 立 的 光 伏 阵 列 模 型 采 集
U mpp 、
中国煤炭期刊网 www.chinacaj.net
69
河南理工大学学报( 自然科学版)
2018
年第
卷
37
相关数值,这些数据在光照强度
I mpp 、U oc 、I SC
1 000 W / m 2 和模块温度为
训练
神经网络的训练样本
25 ~ 45 ℃
400 ~
内用来作为
开路电压
。
U OC =
,通过对近几年某型号光
RBF
,短路电流
I SC = 3 A
15 V
伏阵列的运 行 数 据 进 行 实 验,并 从 中 挑 选 出
组数据,随机选 取
类型的特征量 作 为 训 练 样 本,另 外
试样本
2. 2 仿真实验过程
250
组 包 含 各 种 光 伏 阵 列 故 障
组 作 为 测
100
150
。
光伏阵列的
种故障类型期望输出为
0
1
4
。
0. 001
,神经网络的实际输出结果以
间 的
0 ~ 1
~ 1. 000
数值来表示相应 的 故 障 程 度,越 接 近
就 表 示 越
接近发生故障,越 接 近
则 表 示 越 可 能 无 故 障 发
利用粒子群算法对神经网络进行自适应权重
生
寻优,通过改变参数观察适应度曲线的效果,对于
大部分问题来说,粒 子 群 算 法 相关 参 数 中 的 少 数
几个参数设置直 接 影 响 着 算 法 的 性 能 和 收 敛 性,
由于参数越大运 算 时 间 越 长 且 越 复 杂,所 以 每 种
参数取相对较小的数值,本文相关参数设置为: 总
群体规模
; 迭代次数
m = 20
G = 250
c2 = 2
图
约
w = 0. 1。
; 惯 性 因 子
所示的适应度曲线,从图
经 过 实 验 仿 真 得 到 如
可以看出,经过大
次迭 代,适 应 度 数 值 趋 于 稳 定,并 达 到 了
150
左右,此时 的 自 适 应 权 重 为 希 望 所 求 得 的 最
4
4
0. 6
佳自适应权重
。
2. 3 诊断结果
经过
100
组故障 特 征 量 数 据 训 练 后,将 剩 余
神 经 网 络
150
的
诊断模型的诊断精度,如表
组数据 用 于 测 试 训 练 过 的
所示
RBF
3
。
表
4
3
种算法的整体诊断精度对比
Tab. 4 Comparisons of monolithic diagnosis
accuracy of three algorithms
算法类型
测试样本数目 误诊数目 准确率
/ %
神经网络
BP
RBF
优化
神经网络
神经网络
RBF
150
150
150
25
29
15
83. 33
80. 67
90. 00
; 学习因子
表
c1 =
3
故障诊断结果
故障类型
测试样本数目
Tab. 3 Results of fault diagnosis
识别结果对应故障数目
短路
开路
老化
局部阴影
误判数
精度
/ %
3
3
6
3
90
89
73
96
2
1
17
3
1
0
1
67
短路
开路
老化
30
27
23
27
2
2
0
24
3
局部阴影
0
3
3
70
90%
89%
从表
,这说明这
精度
。
精度 是
其中开路故障诊断精度是
0
可以 看 出,不 同 故 障 类 型 有 不 同 诊 断
,短路诊断
,而 局 部 阴 影 的 诊 断 精 度 则 达 到 了
种故障类型具有较强的识别性,
96%
,不
易于诊断
,说明老 化 类 型 故 障 不 易 识 别,诊 断 起 来
足
难度略大,需要进一步研究,而实际光伏阵列中老
化的故障机理也确实较为复杂,诊断难度大,所以
结论与实际较为 符 合,该 诊 断 方 法 有 较 高 的 准 确
性
而老化的故障诊断精度则是
80%
73%
。
。
图
5
是基于 粒 子 群 优 化
练均方误差曲线图
有很快的收敛速度,在短时间内仅需要
就可以达到很高的误差精度
从图
。
5
。
神 经 网 络 的 训
RBF
可以看出,该算法 具
次训练
11
如表
所示,为 了 验 证 该 方 法 在 光 伏 阵 列 故
障诊断中的准确性,对所收集的数据分别又采用
4
中国煤炭期刊网 www.chinacaj.net
第
2
期
王福忠,等: 粒子群优化
RBF
神经网络的光伏阵列故障诊断
79
6
3
2
2
。
BP
RBF
所示,对于
神经网络和
神经网络 这
种 算 法,对
了
故障诊断的整体 精 度 进 行 了 对 比 研 究,结 果 表 明
本文提出的优化算法较另外
种算法有着更高的
诊断精度
如图
种方法的测量误差,做出
进一步的验证实 验,通 过 对 所 收 集 的 数 据 进 行 误
结 果 表 明,经 过 误 差 训
差预测的仿 真 对 比 研 究
练,粒子群优化后的
神经网络算法的测量误
差相对比较 低,且 稳 定 性 好,单 一 的
神 经 网
络算法的测量误 差 也 比 较 低,但 是 稳 定 性 没 有 粒
子群 算 法 好,而
神 经 网 络 算 法 的 测 量 误 差 精
度和稳定性都比较差
RBF
RBF
BP
。
。
3 结 语
RBF
RBF
本文针对光伏 阵 列 的 故 障 诊 断 问 题,提 出 一
种基 于 粒 子 群 优 化
神 经 网 络 的 故 障 诊 断 方
法,并 建 立 相 应 的 故 障 诊 断 模 型 进 行 实 验 验 证
。
仿真结果表明,粒子群优化后的
神经网络算
法 对 光 伏 阵 列 故 障 的 整 体 诊 断 精 度 可 以 达 到
的 网 络 权 值,可 以
以上,以粒 子 群 优 化
90%
提高网络的全局收敛能力
该方法不仅提高了故
障诊断的诊断精 度,而 且 优 化 后 的 诊 断 模 型 还 增
强了对故障类型的识别和判断能力
光伏阵列同
时出现两种及以上故障时的诊断问题仍需进一步
研究,另外 由 于 光 伏 组件 的 输 出 受 环 境 因 素 ( 光
强和温度 等 ) 影 响 很 大,所 以 对 于 不 同 季 节 和 不
同地区的光伏阵 列,该 方 法 在 参 数 设 置 上 还 需 要
做一定的修正
RBF
。
。
。
methods of PV
. Equipment Manufacturing Tech-
[
]
J
) :
,
2013
(
11
46-49.
nology
[
] 李兵 峰
2
光 伏 阵 列 故 障 检 测 方 法 的 研 究[
D
]
.
.
天
津: 天津大学,
2010.
LI B F. Research on fault detection method of PV ar-
. Tianjin
:
ray
[
]
D
[
] 温正
精通
3
学出版社,
.
MATLAB
2015.
,
Tianjin University
]
.
智 能 算 法[
M
2010.
北 京: 清 华 大
WEN Z. Proficient in intelligent algorithm of MAT-
[
]
M
LAB
:
. Beijing
Tsinghua University Press
,
2015.
应 用 技 术
[
] 王 忠 孔,段 慧 达,高 玉 峰
4
. MATLAB
[
]
.
M
北京: 清华大学出版社,
2007.
WANG Z K
,
DUAN H D
,
GAO Y F. Application
technology of MATLAB
M
. Beijing
[
]
:
Tsinghua Uni-
versity Press
,
2007.
[
] 谢柱
5
.
基于特 性 参 数 的 太 阳 能 电 池 和 光 伏 阵 列 建
]
模研究[
J
.
华东电力,
2010
,
38
(
) :
4
581-584.
XIE Z. Research on solar battery and PV array model-
ing based on characteristic parameters
[
]
J
. East Chi-
na Electric Power
,
2010
,
38
(
) :
4
581-584.
] 杨店飞,郭 宇 杰,沈 桂 鹏
[
.
6
]
伏组件 故 障 类 型 诊 断[
J
.
(
) :
2
15-21.
,
YANG D F
GUO Y J
,
基 于
神 经 网 络 的 光
BP
陕 西 电 力,
2016
,
44
SHEN G P. Fault types diag-
]
[
J
.
nosis of PV module based on neural network
Shanxi Power
,
2016
,
44
(
) :
2
15-21.
[
] 兰琴丽
7
. BP
]
应用[
J
.
神经网络在光伏发电 系 统 故 障 诊 断 中 的
通信电源技术,
,
) :
(
2011
28
4
38-40.
LAN Q L. Application of BP neural network in fault
diagnosis of solar photovoltaic system
[
]
J
. Telecom
,
,
(
) :
Power Technology
2011
] 张杰,王宏华,韩 伟,等
[
基 于 神 经 网 络 的 光 伏 阵
.
8
]
列局部 阴 影 建 模 研 究[
J
.
(
信 息 技 术,
38-40.
2014
,
) :
28
43
4
2
87-90.
,
ZHANG J
WANG H H
,
HAN W
,
et al. Application
of neural network algorithm in photovoltaic array under
]
[
J
.
Information Technology
,
2014
,
43
local shadow
(
) :
87-90.
2
] 刘景艳,王福忠,李玉东
[
.
9
机制动 系 统 故 障 诊 断[
]
.
J
(
) :
2
294-298.
基于粒子群网络的提升
控 制 工 程,
2016
,
23
,
LIU J Y
WANG F Z
,
LI Y D. Fault diagnosis of
hoist braking system based on neural network opti-
mized by particle swarm
. Control Engineering of
[
]
J
参考文献:
] 钟小凤,贺 德 强
[
1
.
光 伏 发 电 系 统 故 障 诊 断 方 法 综
[
]
.
J
上海电气技术,
2015
(
,
8
3
) :
28-31.
China
,
2016
,
23
(
) :
2
294-298.
[
10
] 乐治后
基于
.
RBF
神经 网 络 的 光 伏 电 池 故 障 诊 断
]
述[
J
.
设备制造技术,
2013
(
) :
11
46-49.
ZHONG X F
,
HE D Q. The reviews of fault diagnosis
YUE Z H. Fault diagnosis of PV cells based on RBF
,
. Shanghai Electronic Technology
neural network
[
]
J
中国煤炭期刊网 www.chinacaj.net
89
2015
(
,
8
3
) :
28-32.
河南理工大学学报( 自然科学版)
2018
年第
卷
37
制,
2013
) :
16
110-114.
(
,
41
,
WANG Y Z
WU C H
,
ZHOU D Q
,
et al. A survey
of fault diagnosis for BP array based on neural network
[
]
J
. Power System Protection and Control
) :
2013
,
,
41
(
16
110-114.
[
15
] 李浩,王福忠,王锐
.
]
神经网络识别算 法[
J
.
变压器绝缘故障类型的改进
,
14
电 源 学 报,
2016
LI H
WANG F Z
,
WANG R.
transformer internal
insulation fault identification algorithm based on im-
proved RBF neural network
Supply
,
2016
,
14
(
5
) :
1-4.
]
[
J
.
Journal of Power
[
16
] 龙泉,刘永前,杨永 平
基 于 粒 子 群 优 化
网络的风电机组齿轮箱故障诊断方法[
]
J
.
学报,
) :
(
.
神 经
BP
太 阳 能
,
33
1
2012
,
120-125.
,
LONG Q
LIU Y Q
YANG Y P. Fault diagnosis
method of wind turbine gearbox based on BP neural
network trained particle swarm optimization algorithm
[
) :
]
J
. Acta Energiae Solaries Sinica
2012
,
,
33
1
(
120-125.
[
11
] 张文瑾,葛 强,黄 澄 扬,等
.
光伏阵列智能故 障 诊 断[
]
J
.
科学学版) ,
) :
2015
,
,
18
,
1
(
ZHANG W J
GE Q
32-35.
HUANG C Y
,
基 于
神 经 网 络 的
扬 州 大 学 学 报 ( 自 然
BP
et al. Intelligent
]
[
J
.
fault diagnosis of PV based on BP neural network
Journal of Yangzhou University
2015
,
18
(
1
) :
32-35.
(
Natural Science
) ,
型
(
5
RBF
) :
1-4.
,
[
12
] 刘景艳,王 福 忠,杨 占 山
神 经 网 络 和
RBF
自适应遗传算法的变压器故障诊断[
]
J
.
学报( 工学版) ,
武 汉 大 学
基 于
,
) :
(
.
2016
49
1
88-93.
LIU J Y
,
WANG F Z
,
YANG Z S. Transformer fault
diagnosis based on RBF neural network and adaptive
[
]
J
genetic algorithm
University
1
] 李浩,王福 忠,王 锐
,
2016
,
49
(
[
13
网络的变压器故障诊断[
]
J
.
(
) :
11
4-7.
. Engineering Journal of Wuhan
) :
88-93.
免 疫 粒 子 群 优 化
.
RBF
神 经
,
31
2016
自 动 化 仪 表,
,
WANG F Z
LI H
,
WANG R. Transformer fault diag-
nosis by using RBF neural network optimized by im-
,
]
. Automatic Instruments
mune particle swarm
[
J
2016
,
31
(
11
) :
4-7.
( 责任编辑 袁兴起)
[
14
] 王元章,吴 春 华,周 笛 青,等
.
]
的光伏阵列故障诊断研究[
J
.
基 于
BP
神 经 网 络
电力系统保 护 与 控
中国煤炭期刊网 www.chinacaj.net