本发明属于光伏阵列故障诊断，特别涉及一种基于蜣螂优化的光伏阵列故障诊断方法。
背景技术：
1、光伏电池是太阳能光伏系统中的核心组件，担任着将光能转换成电能的职能。光伏电池相互组合形成光伏组件，大量的光伏组件再进一步组合成光伏阵列。光伏阵列的正常运行是为光伏系统提供电能的前提条件。对于光伏发电系统而言，光伏阵列是最重要的组成部分，而光伏阵列所处野外，环境多变，且光伏阵列具有一定规模，使得故障发生率高，且不易检测，所以光伏阵列的故障诊断尤为重要。光伏阵列的故障诊断研究方法目前可分为传统故障诊断方法和智能检测故障法两大类。
2、智能检测故障法能够提高检测的实时性，但目前的智能检测故障法仍存在检测时间较长，检测准确率较低的问题。
技术实现思路
1、本发明的目的是提供一种基于蜣螂优化的光伏阵列故障诊断方法，能够缩短光伏阵列故障诊断时间，并且提高检测的准确率。
2、本发明提供的技术方案为：
3、一种基于蜣螂优化的光伏阵列故障诊断方法，包括如下步骤：
4、步骤一、构建三层bp神经网络，并基于蜣螂优化算法对所述bp神经网络的初始权值和阈值进行优化，得到第一优化bp神经网络；
5、其中，所述权值包括输入层节点和隐含层节点的连接权值和隐含层节点和输出层节点的连接权值；所述阈值包括隐含层节点的阈值和输出层节点的阈值；
6、步骤二、对所述第一优化bp神经网络进行训练，得到光伏阵列故障诊断模型；
7、步骤三、实时获取光伏阵列的开路电压u1、最大功率处的电压u2、短路电流i1及最大功率处的电流i2，并输入所述光伏阵列故障诊断模型；所述光伏阵列故障诊断模型输出故障状态。
8、优选的是，在所述步骤一中，通过如下公式确定bp神经网络隐藏层节点的数量：
9、
10、其中，q为隐藏层节点的数量，m为输入层节点的数量，n为输出层节点的数量，a为调控参数，a∈[1,10]。
11、优选的是，在所述步骤一中，通过蜣螂优化算法对所述bp神经网络的初始权值和阈值进行优化，包括如下步骤：
12、步骤1、设置蜣螂种群数量，优化问题维度和最大迭代次数，并且使用tent混沌映射对种群随机初始化，得到初始种群；
13、其中，所述初始种群中的个体为权值和阈值组成的多维向量，所述优化问题维度即为所述多维向量的维度；
14、步骤2、将种群中的个体随机分为滚球、繁殖、觅食和偷窃4组；
15、步骤3、对4组个体分别进行初次更新；
16、步骤4、采用随机游走策略对初次更新得到的个体分别进行再次更新，并计算再次更新后的每个个体的适应度，得到全局最优解；
17、步骤5、重复进行步骤3-步骤4，直到达到最大迭代次数；
18、其中，每次迭代得到的全局最优解加入优化解集；
19、步骤6、选出所述优化解集中适应度最大的个体，作为bp神经网络的初始权值和阈值；
20、其中，如果存在多个适应度最大的个体，则选择迭代次数较小的个体。
21、优选的是，在所述步骤3中，所述4组个体采用不同的方法进行更新；
22、其中，滚球组个体的更新方法为：
23、将滚球组个体随机分成无障碍组和有障碍组，两种个体的数量比为1:1；
24、无障碍组的更新公式为：
25、xi(t+1)＝xi(t)+α·k·xi(t-1)+b·|xi(t)-xw|；
26、有障碍组的更新公式为：
27、xi(t+1)＝xi(t)+tan(θ)|xi(t)-xi(t-1)|；
28、其中，t为迭代次数，xi(t)表示第i个体在第t迭代的值，xw表示全局最差xi(t)值，α表示自然因素系数，取值为-1或1，b为权重系数，k为偏折系数；θ表示偏转角度，θ∈[0,π]。
29、优选的是，繁殖组个体的更新公式为：
30、xi(t+1)＝x*+b1·(xi(t)-lb*)+b2(xi(t)-ub*)；
31、其中，xi(t)表示第i个体在第t迭代的值，b1和b2是l×d维度的独立随机向量，d为优化问题维度；x*为当前的局部最优xi(t)值；lb*和ub*分别表示繁殖区域的上界和下界。
32、优选的是，觅食组个体的更新公式为：
33、xi(t+1)＝xi(t)+c1·(xi(t)-lbb)+c2(xi(t)-ubb)；
34、其中，xi(t)表示第i个体在第t迭代的值，c1表示服从正态分布的随机数，c2是l×d的维度的独立随机向量，lbb和ubb表示觅食区域的上界和下界。
35、优选的是，偷窃组个体的更新公式为：
36、xi(t+1)＝xb+s·g·(|xi(t)-xb|+|xi(t)-xb|)；
37、其中，xi(t)表示第i个体在第t迭代的值，xb为当前的全局最优xi(t)值，g是服从正态分布的l×d维度的随机向量，s为常数。
38、优选的是，在所述步骤4中，对采用随机游走策略对初次更新得到的个体进行再次更新的公式为：
39、xi′(t+1)＝xi(t+1)+ε(xj(t+1)-xk(t+1))；
40、其中，xi(t+1)为个体i在t+1次迭代初次更新值，xi′(t+1)为xi(t+1)再次更新后的值，xj(t+1)和xk(t+1)是个体i第t+1次迭代初次更新的两个随机解；ε是缩放因子，ε∈(0,1)。
41、优选的是，在所述步骤4中，适应度计算公式为：
42、
43、其中，n为输出层节点的数量，tk和yk分别为第k个输出节点的实际输出值和期望输出值。
44、本发明的有益效果是：
45、本发明提供的基于蜣螂优化的光伏阵列故障诊断方法，能够缩短光伏阵列故障检测时间，并且提高检测的准确率。
1.一种基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，在所述步骤一中，通过如下公式确定bp神经网络隐藏层节点的数量：
3.根据权利要求2所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，在所述步骤一中，通过蜣螂优化算法对所述bp神经网络的初始权值和阈值进行优化，包括如下步骤：
4.根据权利要求3所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，在所述步骤3中，所述4组个体采用不同的方法进行更新；
5.根据权利要求4所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，繁殖组个体的更新公式为：
6.根据权利要求4或5所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，觅食组个体的更新公式为：
7.根据权利要求6所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，偷窃组个体的更新公式为：
8.根据权利要求7所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，在所述步骤4中，对采用随机游走策略对初次更新得到的个体进行再次更新的公式为：
9.根据权利要求8所述的基于蜣螂优化的光伏阵列故障诊断方法，其特征在于，在所述步骤4中，适应度计算公式为：
