[发明专利]基于改进粒子群优化Elman网络的光伏故障检测方法

摘要

本发明涉及一种基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，包括以下步骤：(1)粒子群算法初始化；(2)构建Elman神经网络拓扑结构；(3)确定粒子评价函数，计算粒子适应度值；(4)更新粒子并引入变异算子，获得新的种群粒子：重新确定个体极值和全局极值，在达到设定精度或最大迭代次数时获得最优粒子；(5)根据步骤(4)中得到的最优粒子获得最优权值进行网络训练和结果预测。本发明在改进的粒子群算法下获取神经网络最优权值，克服了Elman神经网络陷于局部最优解的缺陷，使得预测效率更高，速度更快，便于光伏发电系统的维护与管理。

主权项

1.一种基于改进粒子群优化Elman网络的光伏故障检测方法，其特征在于，包括以下步骤：步骤1、粒子群参数初始化，包括初始化迭代次数、种群规模、惯性权重、学习因子以及种群中各粒子的位置和速度，其中，将种群中各粒子的速度控制在区间[Vmin，Vmax]，其中，Vmin表示粒子最小速度，Vmax表示粒子最大速度；步骤2、构建Elman神经网络拓扑结构；步骤3、确定粒子评价函数，计算粒子适应度值，具体步骤包括：粒子种群随机生成第i个粒子的Elman神经网络初始权值Wi＝(w1，w2，w3...wi)T，对Elman神经网络进行赋值，然后输入样本进行神经网络训练，按照设定精度得到一个输出值，则个体Wi的适应度值fiti为：式中，表示期望输出值，y_j表示训练输出值，M为重构相空间中的相点数，n为种群规模；根据输入输出样本数据计算每个粒子的适应度值，并由此得到个体极值和全局极值，此时根据每个粒子得到的最好位置作为其最佳历史位置；步骤4、更新粒子并引入正态变异算子，获得新的种群粒子：重新确定个体极值和全局极值，在达到设定精度或最大迭代次数时获得最优粒子；步骤5、根据步骤4中得到的最优粒子获得最优权值进行Elman神经网络训练和结果预测，其中，训练样本来自光伏发电站包括运行参数、电气参数、设备参数在内的历史数据，其中包括正常状态运行数据和各种故障状态运行下的数据。