【技术实现步骤摘要】
本专利技术涉及一种光伏故障诊断方法，尤其是一种结合核极限学习机(kelm)与模型无关的元学习框架(maml)的光伏故障诊断方法，属于光伏系统安全。
技术介绍
1、光伏发电具有不受地域限制、规模应用灵活、无污染等优点，在过去十年中，光伏发电容量呈指数级增长，是最有前途的可再生能源技术之一。光伏阵列的故障诊断是光伏发电的重要研究领域，其目的是尽早发现并解决这些故障，以确保系统的稳定运行和能源的持续供应。到目前为止，已经研究出很多故障诊断方法，但在实际应用中，不同故障的特征参数差异并不明显，且不容易有效地获得多个样本的标签，再加上光伏阵列的非线性输出特性和复杂的工作环境，故障诊断变得异常难度。因此，需要开发出更有效的光伏故障诊断方法，以便能够准确、快速地识别和定位光伏系统的故障。
2、在众多学习算法中，极限学习机(extreme learning machine，elm)作为前馈神经网络学习中一种全新的训练框架，在行为识别、情感识别和故障诊断等方面被广泛应用。然而，对于光伏数据特征，elm的性能高度依赖于随机生成的权重和偏置，以及隐藏层节点的数量。此外，在处理非线性问题时elm效果比较差。核极限学习机(kernel-based extremelearning machine，kelm)是极限学习机的一个变体，它通过引入核技术来解决原始极限学习机在处理高度非线性问题时的局限性。kelm主要用于分类和回归任务，能够有效提高处理复杂数据集时的性能，更有利于在光伏故障诊断问题中应用。虽然kelm具有实现简单，学习速度极快和人为干预
3、元学习(meta-learning，ml)，通常被称为“学习的学习”，旨在使机器学习算法能够从以往的经验中学习如何更好地学习新任务，其中模型无关的元学习框架(model-agnostic meta-learning，maml)旨在通过训练找到一个好的模型参数初始化，使得这些参数可以通过极少量的梯度更新快速适应新任务。maml通过优化模型参数的初始状态，使其减少了对大量任务特定数据的依赖，提高了模型的灵活性和实用性。然而，目前的元学习研究很少关注网络的选择和优化，往往存在模型复杂性高、计算资源消耗大、算法耗时等问题，除此之外，元学习的过程有时也会遇到元任务选择困难以及过拟合的问题。因此，提出一种既能保证故障诊断的快速性，又能具有良好的泛化能力和准确度的控制方法对于光伏系统稳定运行、能源持续供给具有重要意义。
技术实现思路
1、本专利技术为解决上述技术问题，提供一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，在保证故障诊断准确性的同时具有较快的反应速度，能够对光伏系统所受故障进行有效诊断，保证光伏系统的稳定运行。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，包括以下步骤：
4、步骤s1：构建基于核极限学习机的光伏故障诊断模型；
5、步骤s2：构建结合核极限学习机与模型无关的元学习框架的光伏故障协同诊断模型，用于进行光伏故障诊断；
6、步骤s3：构建针对诊断模型的光伏故障诊断结果的评估策略。
7、本专利技术技术方案的进一步改进在于：步骤s1包括以下步骤：
8、步骤s1.1：基于高斯径向基函数rbf构建核矩阵，其中，xi和xj是光伏故障训练数据集中的样本，σ为核函数参数；
9、步骤s1.2：通过求解一个正则化的最小二乘问题来输出权重β，故障诊断模型的目标函数为：
10、
11、输出权重公式为：
12、
13、其中，t是一个n×l的矩阵，包含所有训练样本的目标值，l是输出节点的数量，c是正规化参数，c＝1/λ，用于控制模型的复杂度，i为单位矩阵。
14、故障诊断的输出函数为：
15、f(x)＝k(x,x)β，
16、其中，k(x,x)表示新输入x与所有训练样本x的核函数值。
17、本专利技术技术方案的进一步改进在于：步骤s2通过内循环和外循环的两级优化过程实现，其中，内循环是针对单个任务的快速适应，外循环为跨任务更新初始参数，具体包括以下步骤：
18、步骤s2.1：内循环过程，具体操作为：
19、初始化核极限学习机参数，将第一个子任务的正则化参数与核函数参数分别设为c0和σ0，此时初始核矩阵及输出权重分别为：
20、
21、基于模型无关的元学习框架，第一轮更新后正则化参数与核函数参数表达如下：
22、
23、其中，α为内循环学习率，选用高斯径向基函数rbf作为核函数kij＝k(xi,xj)；再使用相同的步骤训练每个子任务以获得相应参数值，计算过程为：
24、
25、步骤s2.2：外循环过程，具体操作为：
26、在所有选中的任务上完成内循环后，进行元更新，使用每个任务ti的测试集计算在内循环中的损失，然后更新全局参数：
27、
28、其中，β为外循环学习率，cbest和σbest为顶级核极限学习机模型输出。
29、本专利技术技术方案的进一步改进在于：外循环结束后，对模型进行适应性改进，将中心差分方法作为梯度计算方法：
30、对于一元函数f(x)，通过中心差分公式来近似计算其在点x处的导数，计算公式为：
31、
32、其中，h为一小步长；
33、对于多元函数f(x)，其中x＝(x1,x2,…,xn)，通过对每个分量xi分别使用中心差分来计算其梯度f(x)，函数f在点x的梯度的第i个分量可以表示为：
34、
35、其中，第i个变量xi在xi+h和xi-h之间变化，其他变量保持不变。
36、本专利技术技术方案的进一步改进在于：步骤s3包括以下步骤：
37、步骤s3.1：计算精准率，其中tp是真正例，即正确预测的正例数量，fp是假正例，即错误预测为正例的负例数量；
38、步骤s3.2：计算召回率，其中fn是假负例，即错误预测为负例的正例数量；
39、步骤s3.3：计算f1分数，
40、本专利技术技术方案的进一步改进在于：步骤s3具体操作为：
41、计算准确率，accuracy＝correct/n，其中correct为正确分类的样本数，n为总样本数。
42、由于采用了上述技术方案，本专利技术取得的技术进步是：
43、相较于传统的光伏故障诊断方法，本专利技术结合了核极限学习机与模型无关的元学习框架，利用核极限学习机的核方法来处理每个任务的数据，并使用模型无关的元学习框架来优化模型参数的初始化，充分利用了核极限学习机的高效和稳定性，以及模型无关的元学习框架的跨任务快速适应性，让二者能够相辅相成、互本文档来自技高网...
【技术保护点】
1.一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤S2通过内循环和外循环的两级优化过程实现，其中，内循环是针对单个任务的快速适应，外循环为跨任务更新初始参数，具体包括以下步骤：
4.根据权利要求3所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，外循环结束后，对模型进行适应性改进，将中心差分方法作为梯度计算方法：
5.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤S3包括以下步骤：
6.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤S3具体操作为：
【技术特征摘要】
1.一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的一种结合核极限学习机与模型无关的元学习框架的光伏故障诊断方法，其特征在于，步骤s2通过内循环和外循环的两级优化过程实现，其中，内循环是针对单个任务的快速适应，外循环为跨任务更新初始参数，具体包括...
【专利技术属性】
技术研发人员：杨婕，徐英浩，马锴，李海滨，郭士亮，李晖，
申请(专利权)人：燕山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。