粒子群优化RBF神经网络的光伏阵列故障诊断.pdf-资料库

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

资料库

粒子群优化RBF神经网络的光伏阵列故障诊断.pdf

相关推荐

开发技术

热门标签

最新资料