[发明专利]基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法

摘要

本发明提供了一种基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，步骤包括：建立光伏组件的等效电路模型，筛选出代表故障类型的故障数据；初始化BP神经网络和布谷鸟算法的参数；对BPNN的参数进行编码和优化训练，记录当前最优鸟巢的位置；更新当前鸟巢的位置，选择最优的鸟巢位置来替换较差的鸟巢位置；将最优鸟巢的位置的值赋值给BPNN的权值与阈值；设定输入和输出，训练CS算法优化后的BPNN的模型；输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵。该故障诊断方法利用布谷鸟搜索算法优化后的BP神经网络分类算法参数设置简单，计算复杂度低，收敛速度快，诊断的精度高，诊断的结果更直接。

主权项

1.基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法，其特征在于，包括如下步骤：步骤1，建立光伏组件的等效电路模型，收集光伏组件模型输出的各类数据，筛选出代表故障类型的故障数据，并设定部分故障数据作为训练样本；步骤2，初始化BPNN的权值和阈值，初始化布谷鸟收索算法的鸟巢个数m、Pa以及最大迭代次数；步骤3，随机产生m个鸟巢，设初位置始值分别为wi(0)＝[x1(0)，x2(0)，…xm(0)]T，对BPNN的权值和阈值进行编码和优化训练，以均方误差为目标函数，记录当前最优鸟巢的位置xb(0)；步骤4，通过位置更新算法来更新当前鸟巢的位置，计算适应度值，并与上一代的鸟巢位置作对比，选择最优的鸟巢位置来替换较差的鸟巢位置，从而留下更新后的最优鸟巢的位置为wt(t)＝[x1(t)，x2(t)，…xm(t)]T；步骤5，如果获得的最优鸟巢的位置xb(t)达到设定的精度要求或者迭代次数达到上限，则将最优鸟巢的位置xb(t)的值赋值给BPNN的权值与阈值，否则返回步骤4；步骤6，将作为样本的故障数据作为输入，将光伏组件故障类型作为输出，训练CS优化后的BPNN的模型；步骤7，输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果矩阵，从而实现光伏组件故障诊断。