摘要:为提高光伏阵列故障诊断精度，提出一种基于改进金豺算法（improved golden jackal optimization，IGJO）优化深度混合核极限学习机（deep hybrid kernel limit learning machine，DHKELM）的光伏阵列故障诊断方法。首先，在MATLAB/Simulink仿真平台模拟各种光伏阵列故障，在对故障特征进行了深入分析的基础上，提出了一个12维特征作为光伏阵列故障诊断的特征量；其次，通过引入透镜成像反向学习策略、正余弦算法策略和自适应T分布扰动策略对金豺算法进行改进，以提高其收敛速度和全局寻优能力，并将IGJO与其他优化算法通过测试函数进行对比；再次，将径向基核函数和多项式核函数引入极限学习机，并结合自编码器构成DHKELM模型。最后，通过IGJO对DHKELM模型的初始参数进行优化，建立了IGJO-DHKELM光伏阵列故障诊断模型。结果分析表明，与传统4维和5维故障特征量相比，利用所提12维故障特征量进行诊断时准确率更高；相较于其他故障诊断模型，基于IGJO-DHKELM的光伏阵列故障诊断方法具有更高的诊断精度。