基于HHO-ELM的光伏阵列故障诊断方法研究

发布时间：2024-03-14 05:53

　　光伏阵列长期暴露在恶劣的环境中，导致光伏组件易发生故障，从而影响光伏阵列的发电效率。在实际运行过程中，光伏阵列除发生单一故障之外，还会出现多类型的复合故障，给故障诊断加大了难度。提出了一种基于哈里斯鹰(HHO)算法优化极限学习机(ELM)的光伏阵列多类型复合故障诊断方法。用HHO算法优化ELM的权值和阈值，建立HHO-ELM故障诊断模型，并与ELM、粒子群优化算法(PSO)-ELM、正余弦优化算法(SCA)-ELM以及鲸鱼优化算法(WOA)-ELM算法进行对比。实验结果表明，对于复合故障类型，HHO-ELM模型具有更高的诊断准确率，提高了光伏阵列复合故障的识别精度。

【文章页数】：6 页

【部分图文】：

图1ELM结构图

图1中，H(x)是隐藏层的输出，X=[X1,…,XD]T是输入样本，T=[T1,…,TM]T表示输出节点，b=[b1,…,bL]T是隐藏层与输出层之间的输出权重，w和b分别表示隐藏层节点上的权值和偏差。ELM训练神经网络主要分为两个阶段：(1)随机特征映射阶段，即隐藏层的参数随....

图2HHO-ELM故障诊断模型图

HHO-ELM优化步骤包括五步，其具体的优化流程图如图2所示。步骤一：根据输入特征量的结构，初始化ELM的参数，主要包括输入、输出神经元的个数，隐藏层的神经元个数和层数，然后根据ELM的结构初始化HHO种群的的规模M、最大迭代次数N、待优化参数的上界ub和下界lb等。

图3单一故障的输出特性曲线

标况下，光伏阵列的典型单一故障有四种，分别是短路、开路、老化、局部阴影。相应的仿真模拟方法为：通过在两个并联的光伏电池支路上串联一个无限大电阻来模拟开路故障；通过在其中一个光伏电池两端并联一个无穷小接近于0的电阻来模拟短路故障；通过在两个并联的光伏电池支路上串联一个3Ω电阻来模拟....

图4复合故障下的输出特性曲线

实际现场运行时，光伏阵列在运行过程中可能会发生不止一种类型的故障，如老化阴影、短路阴影、开路阴影、开路老化和短路老化等两种复合型故障同时发生，本文只考虑老化阴影、短路阴影以及开路阴影三种复合故障，记为复合故障1、复合故障2以及复合故障3，三种复合故障的输出特性曲线如图4所示，光伏....

本文编号：3928154