基于粒子群优化算法的太阳电池隐式方程参数辨识方法技术

本发明专利技术公开了一种基于粒子群优化算法的太阳电池隐式方程参数辨识方法，用于解决现有太阳电池参数辨识方法辨识精度低的技术问题。技术方案是基于粒子群优化算法，针对太阳电池模型为隐式方程的特点，采用基于待辨识方程的适应度函数设计方法，通过辨识，能够高效的提取太阳电池模型的五个参数。在辨识的过程中无需进行等效方程的线性简化和参数小范围变化的缺省，使得辨识过程更具灵活性、适应性和鲁棒性，辨识结果精确度更高。同时，本发明专利技术方法还能用于解决除太阳电池模型外的其他隐式方程参数辨识问题，具有一定的普适性。

【技术实现步骤摘要】

本专利技术涉及一种太阳电池参数辨识方法，特别是涉及一种基于粒子群优化算法的 太阳电池隐式方程参数辨识方法。
技术介绍
文献"基于最大功率点的太阳电池参数辨识方法，第三十一届中国控制会议论文 集，2012"公开了一种基于出厂数据确定伏安特性曲线的常规参数辨识方法。该方法依据光 伏发电中太阳电池最大功率跟踪特性，结合硅太阳电池伏安特性特性方程在最大功率点处 的极值表述，利用不同光照及温度下所测量的最大功率点处硅太阳电池的电压及电流建立 含有四个模型参数的封闭方程组，包括光生电流、反向饱和电流、二极管理想因子和电池串 联电阻，通过辨识确定太阳电池四个待定参数从而确定硅太阳电池的伏安特性方程。文献 所述的方法在建立太阳电池方程时采用了近似线性化的方法，将一些数值较小的参数近似 为0,忽略小范围变化的参数，导致辨识精度不高；辨识出的太阳电池参数未包含太阳电池 等效并联电阻及曲线拟合参数，与常用的太阳电池参数不符，无法准确建立太阳电池性能 参数的测量模型。
技术实现思路
为了克服现有太阳电池参数辨识方法辨识精度低的不足，本专利技术提供一种基于粒 子群优化算法的太阳电池隐式方程参数辨识方法。该方法基于粒子群优化算法，针对太阳 电池模型为隐式方程的特点，采用基于待辨识方程的适应度函数设计方法，通过辨识，能够 高效的提取太阳电池模型的五个参数。在辨识的过程中无需进行等效方程的线性简化和参 数小范围变化的缺省，使得辨识过程更具灵活性、适应性和鲁棒性，辨识结果精确度更高。 同时，本专利技术方法还能用于解决除太阳电池模型外的其他隐式方程参数辨识问题，具有一 定的普适性。 本专利技术解决其技术问题所采用的技术方案是：一种基于粒子群优化算法的太阳电 池隐式方程参数辨识方法，其特点是采用以下步骤： 步骤一、针对复杂的非线性隐式方程，设计适应度函数， 对于隐式方程模型： y = f (x1； x2, . . . , xn, y) (1) 其中Xp x2,. . . ,xn为方程输入，y为方程输出。输入和输出变量无法直接分开，需 先求出隐式方程的根，再结合试验数据构成用于评价的适应度函数，该函数表示为： 式中等号右边部分由三个部分组成，第一部分为记忆部分，反映粒子的运动习惯， 代表粒子有保持自己先前速度的趋势；第二部分为自我认知部分，反映的是粒子对自身历 史经验的记忆，表示粒子有向自身历史最佳位置逼近的趋势；第三部分为粒子社会认知部 分，反映了粒子间协同合作与知识共享的群体历史经验，表示粒子有向群体或领域历史最 佳位置逼近的趋势。N为数据的维数，x，y为实测输入输出数据，x'，y'为采用某一步辨 识结果带入隐式方程，对方程求根得到的零点值。 步骤二、初始化粒子种群内粒子数目、最大迭代次数、学习因子和惯性权重，确定 带辨识参数的变化范围，在各个参数的取值区间内随机粒子的位置和速度，作为粒子的初 始状态。并将各个粒子的初始状态存储为每个粒子的个体最优值pbesti，并记录下对应粒 子所代表的位置，称其为个体最优粒子P id。 步骤三、按照以下公式对所有粒子的速度和位置进行更新： Vid (t+1) = ? X Vid (t) +Q X A X (Pid-Xid (t)) +C2 X r2 X (Pgd-Xid (t)) (3) Xid(t+1) = Xid(t)+Vid(t+1) (4) 其中，CjP(：2是两个学习因子，也称为加速参数，是两个非负常数；r jpr2为 范围内的随机数；t为迭代次数。vid是飞行速度，v idG ，vmax是常数，由用户设 定用来限制粒子的飞行速度。 更新后的粒子位置即为参数某一时刻的辨识结果。 步骤四、将步骤三的参数辨识结果带入隐式方程，通过数值解法求取此时方程的 零点。结合试验数据，带入步骤一中设计的适应度函数，计算各个粒子的适应度值。 步骤五、根据步骤四得到的适应度值，更新所有的个体最优值pbesti和个体最优 粒子Pid，以及全局最优值gbest和全局最优粒子pgd。 步骤六、根据需要设定循环结束条件，为适应度值达标的解或最大迭代次数。达到 结束条件则结束搜索，输出辨识结果；否则转入步骤三，继续循环更新粒子的位置和速度。 本专利技术的有益效果是：该方法基于粒子群优化算法，针对太阳电池模型为隐式方 程的特点，采用基于待辨识方程的适应度函数设计方法，通过辨识，能够高效的提取太阳电 池模型的五个参数。在辨识的过程中无需进行等效方程的线性简化和参数小范围变化的缺 省，使得辨识过程更具灵活性、适应性和鲁棒性，辨识结果精确度更高。同时，本专利技术方法还 能用于解决除太阳电池模型外的其他隐式方程参数辨识问题，具有一定的普适性。 下面结合附图和【具体实施方式】对本专利技术作详细说明。【附图说明】 图1是本专利技术的流程图。 图2是本专利技术方法【具体实施方式】中太阳电池直流等效模型示意图。 图3是本专利技术方法【具体实施方式】中在辨识过程中适应度值的变化曲线。 图4是本专利技术方法【具体实施方式】中辨识结果的数据拟合与实测数据的对比曲线。 图5是本专利技术方法【具体实施方式】中将辨识结果带入隐式方程模型得到的输出电 流与实测电流误差百分比曲线。【具体实施方式】 参照图1-5。本专利技术具体 步骤如下： 1)设计适应度函数： 参照附图2,由太阳电池常用的直流等效模型，可以得到的太阳电池五参数模型的 等效隐式方程为： 其中I。为方程输出，V。为方程输入。需要辨识的参数为光生电流Ig，二极管反向 饱和电流Id，曲线拟合常数A，电池并联电阻R sh和电池串联电阻Rs。由于方程为隐式表达 式，所以在求取适应度值时与一般的方法有所不同。需首先求出隐式方程的根，再结合实测 数据构成用于评价的适应度函数，针对太阳电池隐式方程模型，其适应度函数形式如下： 式中N为数据的维数，I。为实测数据，I'。为在某一步已知辨识参数与输入V。的 情况下隐式方程的根。太阳电池等效模型的隐式方程为一元的超越方程，求解该类方程根 的数值解法最常用的有二分法、不动点迭代法、zeroing算法等。 2)初始化： 根据待辨识模型设置粒子种群内粒子数目m、最大迭代次数T、学习因子CdP C 2、 惯性权重根据工程实际经验，确定待辨识参数的变化范围：其中曲线拟合常数A取值范 围在之内，电池串联电阻艮取值范围为欧姆，电池并联电阻R sh取值范 围为欧姆，当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于粒子群优化算法的太阳电池隐式方程参数辨识方法，其特征在于包括以下步骤：步骤一、针对复杂的非线性隐式方程，设计适应度函数，对于隐式方程模型：y＝f(x1,x2,...,xn,y)   (1)其中x1,x2,...,xn为方程输入，y为方程输出；输入和输出变量无法直接分开，需先求出隐式方程的根，再结合试验数据构成用于评价的适应度函数，该函数表示为：式中等号右边部分由三个部分组成，第一部分为记忆部分，反映粒子的运动习惯，代表粒子有保持自己先前速度的趋势；第二部分为自我认知部分，反映的是粒子对自身历史经验的记忆，表示粒子有向自身历史最佳位置逼近的趋势；第三部分为粒子社会认知部分，反映了粒子间协同合作与知识共享的群体历史经验，表示粒子有向群体或领域历史最佳位置逼近的趋势；N为数据的维数，x,y为实测输入输出数据，x',y'为采用某一步辨识结果带入隐式方程，对方程求根得到的零点值；步骤二、初始化粒子种群内粒子数目、最大迭代次数、学习因子和惯性权重，确定带辨识参数的变化范围，在各个参数的取值区间内随机粒子的位置和速度，作为粒子的初始状态；并将各个粒子的初始状态存储为每个粒子的个体最优值pbesti，并记录下对应粒子所代表的位置，称其为个体最优粒子pid；步骤三、按照以下公式对所有粒子的速度和位置进行更新：Vid(t+1)＝ω×Vid(t)+C1×r1×(Pid‑Xid(t))+C2×r2×(Pgd‑Xid(t))   (3)Xid(t+1)＝Xid(t)+Vid(t+1)   (4)其中，C1和C2是两个学习因子，也称为加速参数，是两个非负常数；r1和r2为[0,1]范围内的随机数；t为迭代次数；Vid是飞行速度，Vid∈[‑Vmax,Vmax]，Vmax是常数，由用户设定用来限制粒子的飞行速度；更新后的粒子位置即为参数某一时刻的辨识结果；步骤四、将步骤三的参数辨识结果带入隐式方程，通过数值解法求取此时方程的零点；结合试验数据，带入步骤一中设计的适应度函数，计算各个粒子的适应度值；步骤五、根据步骤四得到的适应度值，更新所有的个体最优值pbesti和个体最优粒子pid，以及全局最优值gbest和全局最优粒子pgd；步骤六、根据需要设定循环结束条件，为适应度值达标的解或最大迭代次数；达到结束条件则结束搜索，输出辨识结果；否则转入步骤三，继续循环更新粒子的位置和速度。...

【技术特征摘要】

【专利技术属性】
技术研发人员：吕梅柏，李浩宇，朱丹，李肖瑛，傅娜，王靖宇，姜海旭，韩治国，高波，
申请(专利权)人：西北工业大学，中国西安卫星测控中心，
类型：发明
国别省市：陕西;61