基于改进蜣螂算法优化组合模型的光伏故障检测.pdfVIP

摘要

随着能源与环境问题日益突出，太阳能使用前景日趋明朗，光伏发电技术引起了

各国的高度关注，光伏产业由此得到迅猛发展。光伏系统一般建设在室外环境，在长

期外部因素的影响下，容易发生故障。当前，光伏发电系统的稳定性需求不断增强，

需要最大限度的减少因故障导致的发电损失，最迫切的任务在于研发一套高效的光伏

阵列故障检测技术。基于此，本文所作研究如下：

(1)研究光伏电池的数学模型与电路构造，在模拟环境下搭建单个光伏电池的模型，

并在此基础上，研究单个光伏电池在正常工作下的输出特性以及光照和环境温度变化

对输出的影响，从而确定光伏电池的参数变化规律。

(2)基于实际光伏电池的连接架构，构建光伏阵列的模型，并结合光伏阵列故障发

生时的实际电路参数，设定相应的故障类型，以模拟多种不同的故障情况。在

MATLAB仿真平台上，搭建了光伏仿真模型。通过深入剖析光伏阵列内部故障发生的

机理，模拟不同类型的故障工况。在仿真过程中，对比了在各类故障条件下的阵列输

出特性与正常运作状态下的差异，从而收集到各类故障状态下光伏阵列的运行数据。

将模拟故障数据与实际故障数据做对比，误差在允许范围内，证明了模型的有效性。

(3)研究并构建了一种融合卷积神经网络(ConvolutionalNeuralNetwork,CNN)与双向

长短期记忆神经网络(BidirectionalLongShortTermMemoryNeuralNetwork,BiLSTM）的

组合深度学习模型CNN-BiLSTM模型。该模型利用CNN的空间特征提取能力以及

BiLSTM对时序数据特征的捕捉能力，深层次的揭示了光伏故障数据时间特征及空间特

征之间的关联性，从而提高了故障检测效果。

(4)提出了一种改进蜣螂优化算法(ImprovedDungBeetleOptimizer,IDBO)优化神经

网络模型超参数。在原始蜣螂优化算法(DungBeetleOptimizer,DBO)的基础上，整合了

Levy飞行机制、T扰动分布策略并结合了灰狼搜索算法的优势。采用6种基准测试函数

对IDBO进行了深入的性能评测，并将其与遗传算法、原始蜣螂算法等做了对比分析，

实验结果显示IDBO在寻找最优解的速度以及全局优化能力上展现出了明显的优势。在

此基础上，将IDBO算法引入到对CNN-BiLSTM模型的关键超参数调优环节。以平均

绝对误差作为目标函数，构建出了借助IDBO进行超参数优化的CNN-BiLSTM模型。

通过对该模型与未经IDBO优化的原始CNN-BiLSTM模型性能进行对比分析，预测准

确率提升了3.5%。

关键词蜣螂优化算法光伏阵列仿真神经网络组合模型故障检测

Abstract

Withenergyandenvironmentalissuesbecomingincreasinglyprominent,theprospectsfor

solarenergyutilizationhavegrownincreasinglyclear,leadingtoheightenedattentionfrom

nationsworldwideonphotovoltaictechnology,therebyspurringrapiddevelopmentwithinthe

photovoltaicindustry.Photovoltaicsystemsaregenerallybuiltinoutdoorenvironmentsandare

pronetomalfunctionsunderlong-termexternalfactors.Inthefaceoftheneedtoenhancethe

stabilityofphotovoltaicpowergenerationsystemsandminimizepowergenerationlosses

causedbyfaults,anurgenttaskistodevelopanefficientphotovoltaicarrayfa