1.一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：其包括如下步骤：

S1、首先建立包含风力发电机、光伏电池和蓄电池的微电网并网运行仿真模型，然后对微电网侧线路的10％、20％、30％、40％、50％、60％、70％、80％、90％位置处的每类线路故障类型进行仿真，并采集线路两端的三相故障电压信号；

S2、选择db6小波作为小波基，根据小波包系数递推表达式分别对仿真得到的三相故障电压信号，所述三相故障电压信号包括A相故障电压信号、B相故障电压信号和C相故障电压信号，分别对三相故障电压信号进行3层小波包分析，每个故障电压信号能得到8个不同频带内的子信号，将其按照从低频到高频的顺序对其进行重新排序；对8个不同频带分别进行小波包信号重构，共得到8个小波包重构信号；计算每个小波包重构信号的小波包能量熵，并将得到的8个小波包能量熵共同构造出一组特征向量；A相故障电压信号、B相故障电压信T

号和C相故障电压信号共得到共包含24个小波包能量熵的特征向量X＝[x1,x2,...,x24] ，将其作为数据样本；

S3、利用鲸鱼算法WOA优化极限学习机ELM的输入权值和隐含层阈值，以提高网络的全局搜索能力，将S2得到的数据样本带入WOA‑ELM模型进行训练和验证，具体步骤如下：S31、参数初始化，设置鲸鱼算法的参数：鲸鱼个体数、最大迭代次数、变量维数，变量上限和下限；

S32、种群初始化，随机初始化所有鲸鱼个体各个维度的位置值，每个鲸鱼个体的各个维度的位置值代表输入权值或阈值；

S33、计算适应度值，选择ELM的目标函数表达式(1)计算每个鲸鱼个体的适应度值；

式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量；

S34、更新最优解，根据每个鲸鱼个体的适应度值在所有解中找到最优解的位置，所述最优解的位置用于更新每个鲸鱼个体的位置；

S35、每个鲸鱼个体的位置更新，当选择收缩包围机制或螺旋更新位置的概率p＜0.5且|A|＜1时，根据表达式(2)进行每个鲸鱼个体的位置更新：*

X(t+1)＝X(t)‑A·D  (2)*

D＝|C·X(t)‑X(t)|  (3)式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的位置向量，t*

为迭代次数，A和C为系数向量，X 为当前获得的鲸群中最优解的位置向量，A和C计算方法如下：

A＝2ar‑a  (4)

C＝2r  (5)

式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量；

若|A|≥1，则随机选择一个位置向量，根据表达式(6)进行位置更新X(t+1)＝Xrand‑A·D  (6)D＝|C·Xrand‑X|  (7)式中，Xrand为当前鲸群随机选择的位置向量；

当概率p≥0.5时，通过表达式(8)进行位置更新：bl *

X(t+1)＝D'·e ·cos(2πl)+X(t)  (8)*

D'＝|X(t)‑X(t)|  (9)式中，b是用来定义螺旋形状的常量系数，l是[‑1,1]区间内的一个随机数，D'为鲸鱼个体与目标猎物之间的距离向量；

S36、重复步骤S33～S35，直到最大迭代次数，得到最佳输入权值和阈值，将最佳输入权值和阈值带入ELM网络进一步训练；

将微电网侧线路位置10％、20％、40％、60％、80％、90％处的数据样本作为训练样本，线路位置30％、50％、70％处的数据样本作为测试样本对网络进行训练和测试，特征向量XT T

＝[x1,x2,...,x24] 为网络的输入样本，网络的输出样本为T＝[t1,t2,t3,t4] ，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当线路出现故障时，故障相是否接地；当其为0时，代表未发生故障或此时故障相未接地；当输出为1时，则代表故障相接地，从而识别出微电网内部线路故障类型；通过利用鲸鱼算法优化极限学习机的输入权值和隐含层阈值建立故障诊断模型，WOA‑ELM模型能更识别微电网内部线路故障类型；WOA‑ELM故障诊断模型的期望输出和实际输出之间误差小，能对微电网线路故障类型进行准确识别。

2.根据权利要求1所述的基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：所述微电网内部线路故障类型包括单相接地短路即AG、BG、CG短路；两相短路即AB、AC、BC短路；两相接地短路即ABG、ACG、BCG短路；三相短路即ABC短路和三相接地短路即ABCG短路的故障。

3.根据权利要求1所述的基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：选用BP神经网络、RBF神经网络和ELM建立诊断模型，分别计算WOA‑ELM模型、BP神经网络、RBF神经网络和ELM的实际输出与期望输出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析，根据式(15)、(16)、(17)分别计算所述四种模型实际输出与期望输出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析如下，从而验证WOA‑ELM模型的有效性和准确性。