基于SCSO-SVM算法的光伏组件故障识别

光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine, SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine, SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine, PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine, GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine, SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine, GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine, WOA-SVM)算法。首先,六种SVM混合算法都克...     

反向传播神经网络及其改进算法用于光伏MPPT的研究

研究了反向传播神经网络(BPNN)、粒子群优化反向传播神经网络(PSO-BPNN)、萤火虫优化反向传播神经网络(FA-BPNN),以及斐波那契优化反向传播神经网络(IM-FSM-BPNN)用于光伏组件在局部阴影下最大功率点的跟踪，以及上述算法在太阳能无人机中飞行光伏发电跟踪。结果首先表明，局部阴影下，IM-FSM-BPNN功率预测精度最低，跟踪时间最长，鲁棒性差，原因是控制参数多，依赖参数初始值。FA-BPNN功率预测精度最高且鲁棒性较好，原因是在训练过程中有效避免梯度消失的问题。其次，在样本数据量增加和太阳能无人机的应用中，发现FA-BPNN的预测效果好和IM-FSM-BPNN的局限性。最后，探讨了参数变化对预测结果的影响。IM-FSM-BPNN、PSO-BPNN和FA-BPNN较BPNN更适用于多样本数据预测，IM-FSM-BPNN相较于其他3种算法更适用于较小的学习率，4种算法的平均跟踪时间和功率平均预测精度随隐含层节点数震荡。