TGBA优化核极限学习机的光伏阵列故障诊断

作者：余玲珍; 覃涛; 龙道银; 王霄; 杨靖^*

来源：激光杂志, 2021, 42(12): 140-148.

DOI：10.14016/j.cnki.jgzz.2022.12.140

• 光伏阵列
• 故障特征提取
• 核极限学习机
• 蝙蝠算法
• 故障诊断

针对核极限学习机(Kernel Extreme Learning Machine, KELM)用于光伏阵列故障诊断时准确率不高的不足,提出了一种基于TGBA(Tent Mapping and Gaussian Perturbation Strategy Optimize Bat Algorithm)算法优化核极限学习机的光伏阵列故障诊断方法(TGBA-KELM)。首先,建立光伏阵列故障仿真模型,提取光伏阵列故障特征参数;其次,引入Tent映射和高斯扰动策略对蝙蝠算法(Bat Algorithm, BA)进行改进,增加种群多样性,提高了算法的收敛速度和全局寻优能力;再次,利用改进后的蝙蝠算法优化KELM的正则化系数和核函数参数,建立最优的故障诊断模型;最后,采用光伏阵列硬件实验平台收集的故障数据验证了TGBA-KELM算法的准确性和有效性,并与ELM(Extreme Learning Machine, ELM)、KELM、BA-KELM、TGBA-ELM、BP(back propagation)算法对比,实验结果表明,TGBA-KELM具有更高的故障诊断准确率,可用于光伏阵列故障诊断。

• 单位
  贵州大学