摘要
光伏阵列长期处于恶劣的室外环境,容易发生故障.为了进一步提高模型分类识别的准确率和泛化能力,提出一种基于变分模态分解(VMD)和减法平均优化器(SABO)优化核极限学习机(KELM)的光伏阵列故障诊断方法.首先,利用Matlab建立光伏阵列仿真模型,设置故障点,获得不同故障数据.其次,利用VMD分解提取故障数据的九种特征向量,作为模型的输入量,故障类型作为输出层建立数据集.然后,采用SABO优化KELM的核参数和正则化参数,建立基于VMD-SABO-KELM的光伏阵列故障诊断模型.最后,通过实验对比,结果表明所提出的方法在分类准确度上高达 99.52%,与未改进前的模型相比,展现出较高的准确性和优越性.
NETL
NSTL
万方数据