基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法技术

本发明专利技术提供一种基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，包括确定光伏模型，并根据制造商数据表提供的I‑V曲线以及光伏阵列的结构，设置所述光伏模型的参数范围；利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，且进一步采用预设的Nelder‑Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量；输出最终获取的最优的模型参数向量。实施本发明专利技术，能有效克服现有技术存在的慢收敛以及极易陷入局部最优等缺陷。

Parameter optimization method of Harris hawk photovoltaic model based on cross and NM

【技术实现步骤摘要】
基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法
本专利技术涉及太阳能光伏电池及光伏发电阵列的检测
，尤其涉及一种基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法及优化器。
技术介绍
全球经济的快速增长，导致人类对能源的需求不断增加。化石燃料的大量使用，造成了能源快速短缺，环境污染日益严重。能源问题已经成为经济发展的热点和难点。为了应对这种日益严重的能源短缺问题，近年来，以太阳能电池为基础的太阳能光伏系统越来越受到人们的关注。它们可以将太阳能作为原材料，将太阳能转化为电能，该技术在世界范围内的电力生产中逐渐占据了一席之地。一般来说，为了模拟光伏系统在不同环境下的特性，将采用等效电路模型来模拟光伏系统的特性。在所有记录的系统中，由于单二极管模型(SDM)和双二极管模型(DDM)可以通过数学模型和参数识别来建立，所以这两种模型被广泛使用。光伏模型经常暴露在室外。恶劣的外部环境难免会使光伏阵列的性能变差。由于光伏系统的实际性能主要取决于其未知参数，这就需要对光伏模型的未知参数进行评估。但是，SDM和DDM是隐含的超越方程，这使得太阳能电池的参数难以提取，难以模拟光伏系统。因此，提出一种能够高效可靠地提取参数的方法是非常重要的。目前存在的用于提取光伏模型参数的方法有多种，例如解析法，数值优化法以及两者的混合法。虽然这种方法在一定程度上可以模拟出接近实际的光伏模型，但是由于它们是基于制造商提供的实测的关键点数据实现的，所以极易受到这些数据的精度和噪声影响，并且模型的精度相对较差。为了克服这些方法所存在的缺陷，近年来，群智能算法在该领域中的应用得到了研究人员的广泛关注。包括粒子群算法，差分算法，灰狼算法，模拟退火算法，鲸鱼算法，遗传算法，花粉传播算法等。这些算法简单，具有较强的全局搜索能力，但是光伏模型未知参数提取问题是一个多模态问题，传统的群智能算法极易陷入局部最优，且收敛速度慢。为了取长补短，高效地利用这种方法，一些混合算法被提出，比如哈里斯鹰算法混合反向学习及混沌局部搜索，反向学习机制结合樽海鞘算法，结合了Nelder-Mead(NM)单纯型的差分算法，结合了凸组合交叉机制的遗传算法等。这些算法在一定程度上取得了很好的结果，但是速度与精度仍然有待于提升。因此，有必要提供一种基于改进的哈里斯鹰算法的光伏模型参数优化方法，有效地克服现有技术存在的慢收敛以及极易陷入局部最优等缺陷，从而提高评估光伏模型参数的性能。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种基于纵横交叉和NM单纯型的哈里斯鹰光伏模型参数优化方法及优化器，能有效克服现有技术存在的慢收敛以及极易陷入局部最优等缺陷，从而提高评估光伏模型参数的性能。为了解决上述技术问题，本专利技术实施例提供了一种基于纵横交叉和NM单纯型的哈里斯鹰光伏模型参数优化方法，所述方法包括以下步骤：步骤S1、确定光伏模型，并根据制造商数据表提供的I-V曲线以及光伏阵列的结构，设置所述光伏模型的参数范围；步骤S2、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，且进一步采用预设的Nelder-Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量；步骤S3、输出最终获取的最优的模型参数向量。其中，在所述步骤S1中，所述光伏模型包括单二极管模型、双二极管模型以及基于单二极管光伏电池的光伏组件；其中，所述单二极管光伏数学模型，如下式所示：所述单二极管光伏数学模型包含五个参数，分别为[Iph,Isd,Rs,Rsh,n]；其中，Iph为光生电流，Isd为单二极管的反向饱和电流，n为单二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流；所述双二极管光伏数据模型，如下式所示：所述双二极管光伏数据模型包含七个参数，分别为[Iph,Isd1,n1,Isd2,n2,Rs,Rsh]；其中，Iph为光生电流，Isd1和Isd21分别为双二极管光伏数据模型中两个二极管的反向饱和电流，n1和n2分别为双二极管光伏数据模型中两个二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流；所述基于单二极管太阳能电池的光伏组件模型，如下式所示：所述基于单二极管太阳能电池的光伏组件模型包含五个参数，分别为[Iph,Isd,Rs,Rsh,n]；其中Iph为光生电流，Isd为单二极管的反向饱和电流，n为单二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，Np为太阳能电池并联数量，Ns为太阳能电池串联数量，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流。其中，所述单二极管光伏数学模型的参数范围具体为：Iph∈[0A,1A]，Isd∈[0A,1A]，Rs∈[0Ω,0.5Ω]，Rsh∈[1Ω,100Ω]，n∈[1,2]。其中，所述双二极管光伏数据模型的参数范围具体为：Iph∈[0A,1A]，Rs∈[0Ω,0.5Ω]，Rsh∈[1Ω,100Ω]，Isd1∈[0A,1A]，Isd2∈[0A,1A]，n1∈[1,2]，n2∈[1,2]。其中，所述基于单二极管太阳能电池的光伏组件模型的参数范围具体为：Iph∈[0A,2A]，Isd∈[0A,50A]，Rs∈[0Ω,2Ω]，Rsh∈[1Ω,2000Ω]，n∈[1,50]。其中，所述步骤S2具体包括：步骤a1、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，具体过程如下：步骤1-1：参数初始化，具体包括：最大迭代次数T、哈里斯鹰种群个数N、最大评估次数MAX_t、猎物逃跑的初始能量E0、参数向量的上界UB及下界LB、哈里斯鹰种群X；其中，个体Xij＝LBij+rand*(UBij–LBij)；i＝1,2,3,…,N；j＝1,2,3,…,D；D为向量维度；步骤1-2：设置当前评估次数FEs的初始值为0；步骤1-3：计算种群中各个哈里斯鹰的适应度值，并将当前适应度值最小的个体位置设置为猎物的位本文档来自技高网...

【技术保护点】
1.一种基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述方法包括以下步骤：/n步骤S1、确定光伏模型，并根据制造商数据表提供的I-V曲线以及光伏阵列的结构，设置所述光伏模型的参数范围；/n步骤S2、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，且进一步采用预设的Nelder-Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量；/n步骤S3、输出最终获取的最优的模型参数向量。/n

【技术特征摘要】
1.一种基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述方法包括以下步骤：
步骤S1、确定光伏模型，并根据制造商数据表提供的I-V曲线以及光伏阵列的结构，设置所述光伏模型的参数范围；
步骤S2、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，且进一步采用预设的Nelder-Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量；
步骤S3、输出最终获取的最优的模型参数向量。


2.如权利要求1所述的基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，在所述步骤S1中，所述光伏模型包括单二极管模型、双二极管模型以及基于单二极管光伏电池的光伏组件；其中，
所述单二极管光伏数学模型，如下式所示：



所述单二极管光伏数学模型包含五个参数，分别为[Iph,Isd,Rs,Rsh,n]；其中，Iph为光生电流，Isd为单二极管的反向饱和电流，n为单二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流；
所述双二极管光伏数据模型，如下式所示：



所述双二极管光伏数据模型包含七个参数，分别为[Iph,Isd1,n1,Isd2,n2,Rs,Rsh]；其中，Iph为光生电流，Isd1和Isd21分别为双二极管光伏数据模型中两个二极管的反向饱和电流，n1和n2分别为双二极管光伏数据模型中两个二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流；
所述基于单二极管太阳能电池的光伏组件模型，如下式所示：



所述基于单二极管太阳能电池的光伏组件模型包含五个参数，分别为[Iph,Isd,Rs,Rsh,n]；其中Iph为光生电流，Isd为单二极管的反向饱和电流，n为单二极管的理想因子，Rs为等效串联电阻，Rsh为等效并联电阻，Np为太阳能电池并联数量，Ns为太阳能电池串联数量，K为玻尔兹曼常数，取值为1.3806503×10-23J/K，q为电子的电荷，取值为1.60217646×10-19C，T为电池的开尔文温度，VL为输出电压，IL为输出电流。


3.如权利要求2所述的基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述单二极管光伏数学模型的参数范围具体为：
Iph∈[0A,1A]，Isd∈[0A,1A]，Rs∈[0Ω,0.5Ω]，Rsh∈[1Ω,100Ω]，n∈[1,2]。


4.如权利要求2所述的基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述双二极管光伏数据模型的参数范围具体为：
Iph∈[0A,1A]，Rs∈[0Ω,0.5Ω]，Rsh∈[1Ω,100Ω]，Isd1∈[0A,1A]，Isd2∈[0A,1A]，n1∈[1,2]，n2∈[1,2]。


5.如权利要求2所述的基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述基于单二极管太阳能电池的光伏组件模型的参数范围具体为：
Iph∈[0A,2A]，Isd∈[0A,50A]，Rs∈[0Ω,2Ω]，Rsh∈[1Ω,2000Ω]，n∈[1,50]。


6.如权利要求1所述的基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述步骤S2具体包括：
步骤a1、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，具体过程如下：
步骤1-1：参数初始化，具体包括：最大迭代次数T、哈里斯鹰种群个数N、最大评估次数MAX_t、猎物逃跑的初始能量E0、参数向量的上界UB及下界LB、哈里斯鹰种群X；其中，个体Xij＝LBij+rand*(UBij–LBij)；i＝1,2,3,…,N；j＝1,2,3,…,D；D为向量维度；
步骤1-2：设置当前评估次数FEs的初始值为0；
步骤1-3：计算种群中各个哈里斯鹰的适应度值，并将当前适应度值最小的个体位置设置为猎物的位置；
步骤1-4：判断是否遍历了所有的哈里斯鹰个体；若是，则执行横向交叉操作；若否，则执行步骤1-6；
步骤1-5：根据相应的更新公式，更新猎物的初始能量E0，逃跑能量J和猎物能量E；其中，所述的猎物的初始能量E0的更新公式为E0＝2rand()-1；所述逃跑能量J的更新公式为J＝2(1-rand())；所述猎物能量E的更新公式为且t为当前评估次数；
步骤1-6：如果|E|≥1，那么进入勘探阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入勘探阶段的位置更新公式为Xrand是从当前种群中随机选取的一个个体，r1，r2，r3和r4均是介于[0,1]之间的随机数；
步骤1-7：如果0.5≤|E|<1且rand>0.5，并进入软围攻阶段，根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入软围攻阶段的位置更新公式为X(t+1)＝ΔX(t)-E|JXrand-X(t)|，ΔX(t)＝Xrabbit(t)-X(t)，J＝2(1–rand)；
步骤1-8：如果|E|<0.5且rand≥0.5，进入硬围攻阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入硬围攻阶段的位置更新公式为X(t+1)＝Xrabbit(t)–E|ΔX(t)|；
步骤1-9：如果0.5≤|E...

【专利技术属性】
技术研发人员：陈慧灵，刘芸，何才透，桂文永，张乐君，赵学华，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33