基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法技术

本发明专利技术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。

【技术实现步骤摘要】
基于布谷鸟算法与BP神经网络的光伏组件故障诊断方法
本专利技术涉及一种光伏组件故障诊断方法，尤其是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。
技术介绍
作为可持续发展战略中重要的能源问题，备受科研人员的关注。光伏发电作为清洁新能源之一，近年来，已经得到了快速的发展。光伏组件作为光伏发电系统的重要组成部件，对其可能发生的故障进行诊断，成为一项重要的课题。由于光伏板故障导致火灾的想象常有发生，目前光伏电站的维护工作，都是依靠人工来检测，判断光伏组件的输出特性是否正常。通常光伏组件都架设在环境恶劣的野外或者房屋高处，加上自生的高压，使得维护工作危险而且成本高昂。因此故障诊断系统的研究是解决问题其中关键的步骤。为了提高光伏发电系统的发电效率和稳定性，对光伏组件的电气参数监测与故障类型诊断尤为重要。因此有必要设计一种基于布谷鸟算法(CuckooSearch，CS)与BP神经网络(BackPropagationNeuralNetwork，BPNN)的光伏组件故障诊断方法，能够提高诊断的效率与准确率。
技术实现思路
本专利技术的目的在于：提供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，能够提高诊断的效率与准确率。为了实现上述专利技术目的，本专利技术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，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。进一步地，步骤4中的位置更新算法的算法公式为：式中，为第i个鸟巢在第t代的位置，α为步长比例因子(α＞0)，表示点对点乘法，L(λ)为随机搜索路径，位置更迭后产生一个随机数r∈[0,1]，如若r＞Pa，则鸟巢位置发生更新，如若r≤Pa，则鸟巢位置不变，最后保留最优的一组鸟巢位置记为Pa∈[0,1]为宿主鸟发现外来鸟蛋的概率。进一步地，步骤1中等效电路模型的输出特性方程为：Ipv＝Iph-Id-IRsh式中，Ipv为模型负载端输出电流；Iph为光感电流，表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生；Id为二极管电流；由于光伏电池的并联电阻会非常大，因此简化Rsh趋于无穷大，IRsh趋于0。进一步地，步骤1中筛选出代表故障类型的故障数据包括最大功率点电压、最大功率点电流、开路电压以及短路电流。进一步地，步骤6中光伏组件故障类型包括开路故障、短路故障、阴影热斑故障以及老化故障。本专利技术的有益效果在于：将布谷鸟搜索算法与BP神经网络相结合，改善传统方法在故障类型诊断方面的困难，将参数搜索与智能分类的优点引进故障诊断领域，与传统方法分析光伏组件故障类型相比，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。附图说明图1为本专利技术的诊断方法流程图；图2为本专利技术的光伏组件等效电路模型；图3为本专利技术的BP神经网络的拓扑结构示意图。具体实施方式如图1所示，本专利技术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，包括如下步骤：步骤1，建立光伏组件的等效电路模型，如图2所示，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。为了采集系统中的重要数据，减少计算的时间，需要建立一个光伏组件的等效电路模型，如图2所示，光伏组件输出特性由光伏电池的半导体P-N结在光照情况下产生。考虑电阻损耗，根据基尔霍夫定律，光伏电池组件的输出特性方程表示为：Ipv＝Iph-Id-IRsh(1)表达式中各参数定义为：模型负载端输出电流Ipv、光感电流Iph表示由入射辐射引起的PV电池的半导体层中的电荷载流子产生、二极管电流Id＝I0{exp[(Ud+Ipv·Rs)q/nkTj-1]}、损耗电阻上的电流IRsh＝(Ud+Ipv·Rs)/Rsh、电池反向偏置饱和电流I0、输出电压Ud、电荷常数q常取q＝1.6×10-19C、玻尔兹曼常数k＝1.38×10-23J/K、二极管P-N结理想因数n、电池温度Tj(单位K)、模型串联等效电阻Rs表示由于电流和连接导致的内部损耗在单元之间、模型并联等效电阻Rsh表示由于穿过半导体的高电流路径在整个机械缺陷和泄漏电流流向地面所引起的损耗，光伏电池的并联电阻会非常大，为了简化模型，可认为Rsh趋于无穷大。本专利技术以制造商给出的标准测试条件(StandardTestCondition，STC)下的光伏组件电气特性为标准。标准测试条件下光伏电池单元的温度TSTC＝25℃，辐照度GSTC＝1000W/m2，大气质量AM＝1.5。一般情况下，令A＝nkTj/q，四参数等效模型的输出电流可表示为：通过光伏电池的最大功率点(MaximumPowerPoint，MPP)参数，可计算出下列方程：因为光感电流远大于二极管电流，假设光感电流等于标准测试条件下的短路电流，则直接计算光感电流为：Iph＝Isc(6)开路情况下，负载端电流Ipv＝0A，由于(2)式中“1”相对于指数级显得很小，故可忽略，从而得：参考最大功率点的电压UMPP和电流本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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。2.根据...

【专利技术属性】
技术研发人员：易辉，张杰，庄城城，张霞，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏,32