申请/专利权人：宁波大学科学技术学院

申请日：2021-09-22

公开（公告）日：2024-07-05

公开（公告）号：CN113887705B

主分类号：G06F18/23213

分类号：G06F18/23213;G06N3/084;H02S50/10;G06N3/044

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.01.21#实质审查的生效;2022.01.04#公开

摘要：本发明公开一种基于稀疏RBF神经网络的光伏电板运行状态监测方法，旨在有效的挖掘光伏电板各测量数据之间的非线性关系特征，并在此基础上监测光伏电板的运行状态。具体来讲，本发明方法通过设计一种稀疏的RBF神经网络结构，并将光伏电板的实时采样数据同时作为输入与输出，通过生成的误差来反映光伏电板运行状态是否出现了异常。本发明方法的优势在于：其一，本发明方法利用了RBF神经网络的非线性拟合能力，并通过搭建的稀疏RBF神经网络实现了对光伏电板正常运行状态下的样本数据非线性特征提取；其二，本发明方法通过稀疏RBF神经网络来生成误差用于实时判断光伏电板是否异常，不同于传统方法监测提取的非线性特征成分。

主权项：1.一种基于稀疏RBF神经网络的光伏电板运行状态监测方法，其特征在于，具体包括以下所示步骤：步骤1：确定光伏电板可实时测量的数据后，在光伏电板正常工作状态下，按照固定的采样时间间隔采集并存储各个采样时刻的样本数据向量；其中，每个采样时刻的样本数据向量中的8个数据依次是：光照强度，电板温度，最大动态直流功率，直流电流，直流电压，交流功率，交流电压和交流电流；步骤2：将光照强度大于零的N个采样时刻的样本数据向量x1，x2，…，xN组成训练数据矩阵X＝[x1，x2，…，xN]后，再对X∈R8×N中各个行向量实施归一化处理，从而得到新矩阵其中，xi∈R8×1表示第i个采样时刻的样本数据向量，R8×N表示8×N维的实数矩阵，R表示实数集，R8×1表示8×1维的实数向量，i∈{1，2，…，N}，实施归一化处理的方式具体如步骤2.1至步骤2.2所示；步骤2.1：设zj∈R1×N表示矩阵X中的第j行的行向量；其中，j∈{1，2，…，8}；步骤2.2：找出行向量zj中最小值mj和最大值Mj后，根据计算得到新矩阵中第j行的行向量步骤3：根据如下所示步骤3.1至步骤3.5确定稀疏RBF神经网络中间层神经元的中心点向量和宽度参数δ1，δ2，…，δ8；步骤3.1：确定聚类簇的总数为C，再初始化j＝1；步骤3.2：将新矩阵中除第j行向量以外的7行向量组成矩阵Xj∈R7×N后，再利用k均值聚类算法将矩阵Xj中的N列向量聚类成C簇，并将各聚类簇的中心点向量记录为步骤3.3：根据公式计算第a个中心点向量与第b个中心点向量之间的平方距离其中，a∈{1，2，…，C}，b∈{1，2，…，C}，上标号T表示矩阵或向量的转置；步骤3.4：根据如下所示公式①计算宽度参数δj： 步骤3.5：判断j是否小于8；若是，则设置j＝j+1后返回步骤3.2；若否，则得到稀疏RBF神经网络中间层神经元的中心点向量和宽度参数；步骤4：分别依次将中的列向量当成输入向量ξ∈R8×1，计算得到稀疏RBF神经网络中间层神经元的输出向量y1，y2，…，yN；其中，计算第i个列向量对应的稀疏RBF神经网络中间层神经元的输出向量yi的具体实施过程如步骤4.1至步骤4.4所示；步骤4.1：设置输入向量后，再初始化j＝1；步骤4.2：将输入向量ξ中除第j个数据以外的7个数据组成列向量ξj后，再利用如下所示公式②计算得到第j个子输出向量θj∈R1×C： 上式中，e表示自然常数，c∈{1，2，…，C}，θjc表示θj中的第c个数据；步骤4.3：判断j是否小于8；若是，则设置j＝j+1后返回步骤4.2；若否；则得到8个子输出向量θ1，θ2，…，θ8；步骤4.4：将θ1，θ2，…，θ8合并成输出向量yi＝[θ1，θ2，…，θ8]T；步骤5：利用误差反向传播算法优化得到稀疏RBF神经网络输出层神经元的权重向量w1，w2，…，w8以及阈值d1，d2，…，d8；步骤6：计算稀疏RBF神经网络输出层神经元的输出向量F1，F2，…，FN，再组建输出矩阵G＝[F1，F2，…，FN]后，计算误差矩阵其中，第i个输出向量Fi∈R8×1的计算方式如下所示： 上式中，Fij表示Fi中的第j个数据，wj和dj分别表示第j个权重向量和第j个阈值，fu＝11+e-u表示稀疏RBF神经网络输出层神经元的激活函数，为激活函数自变量；步骤7：计算误差矩阵E中所有列向量的均值向量μ后，再计算协方差矩阵Λ＝E-UE-UTN-1；其中，均值矩阵U∈R8×N是由N个均值向量μ组成；步骤8：根据公式Q＝diag{E-UTΛ-1E-U}计算监测指标向量Q∈RN×1后，再将Q中最大的10个数据的平均值记录为Qlim；其中，diag{}表示将花括号内的矩阵对角线元素转变成列向量的操作；步骤9：采集光伏电板最新采样时刻的数据并组成一个样本数据向量xt∈R8×1；其中，下标号t表示最新采样时刻，xt中的8个数据是按照步骤1中所列的顺序依次排列；步骤10：判断样本数据向量xt中的第一个数据是否大于0；若是，则执行步骤11；若否，则光伏电板处于待机状态，并返回步骤9；步骤11：根据公式对xt中各个数据实施归一化处理，从而得到新数据向量其中，xtj和分别表示xt和中第j个数据，j∈{1，2，…，8}；步骤12：将当成稀疏RBF神经网络的输入向量，计算得到输出层神经元的输出向量Ft∈R8×1；步骤13：根据公式计算监测指标Qt后，再判断Qt是否小于Qlim；若是，则光伏电板当前采样时刻正常运行，并返回步骤9继续利用最新采样时刻的样本数据向量实施光伏电板运行状态监测；若否，则执行步骤14决策是否触发光伏电板异常警告；步骤14：返回步骤9继续利用最新采样时刻的样本数据向量实施光伏电板故障检测；若连续6个采样时刻的监测指标皆大于Qlim，则触发光伏电板异常警告；反之，则光伏电板正常运行，并返回步骤9继续利用最新采样时刻的样本数据实施光伏电板运行状态监测。

全文数据：

权利要求：

百度查询： 宁波大学科学技术学院 一种基于稀疏RBF神经网络的光伏电板运行状态监测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD