一种面向光伏发电运维的组件模型参数辨识方法技术

本发明专利技术公开了一种面向光伏发电运维的组件模型参数辨识方法，提出的基于模糊自适应差分进化理论的光伏组件模型参数辨识算法，采用DE/current‑to‑FS‑best/1变异策略，增大了种群的局部搜索能力以引导其得到更好的解；为避免算法搜索陷入局部最优，采用一种模糊选择策略以保证种群的多样性；引入了一种边界处理方法以避免变异个体越界。

【技术实现步骤摘要】
一种面向光伏发电运维的组件模型参数辨识方法
本专利技术属于电力设备运维检修
，具体涉及一种面向光伏发电运维的组件模型参数辨识方法。
技术介绍
随着光伏发电技术的不断提高以及国家政策的激励，近些年来光伏系统的装机容量呈爆发式增长，同时大规模光伏并网发电背景下的电站高效运维市场前景可观。其中，建立精确的光伏组件数学模型，准确评估系统的输出特性，对系统性能评估、故障分析及指导运维检修意义重大。目前研究者已经开发的光伏组件模型中单二极管模型应用最广泛，其中表征光伏组件模型的核心参数是光生电流、二极管因子、二极管反向饱和电流、串联寄生电阻和并联寄生电阻。由于PV制造商仅提供光伏组件标况下的电气参数，并不提供模型参数，不利于光伏发电系统的高效运维。
技术实现思路
本专利技术的目的是提供一种面向光伏发电运维的组件模型参数辨识方法，采用基于模糊自适应差分进化算法，提高光伏组件的模型参数辨识精确率。本专利技术所采用的技术方案是，一种面向光伏发电运维的组件模型参数辨识方法，具体按照以下步骤实施：步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号；步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF0、高斯分布的位置参数uCR0；步骤5、将基于均方根误差的目标函数作为种群适应度函数，求取出初始种群中每个个体的适应度值；步骤6、利用自适应控制策略更新突变因子和交叉因子；步骤7、根据适应度值选出前p个个体，作为临时精英种群；步骤8、分别对临时精英种群中个体进行突变和交叉，并根据约束条件处理越界的个体，得到新向量；步骤9、计算新向量中每个个体的适应度值，并根据模糊选择策略选择下一代个体；步骤10、利用柯西分布和高斯分布原理更新突变因子和交叉因子；步骤11、判断迭代是否达到最大次数，若达到则输出最终结果，将最终的适应度值作为寻优的最佳目标函数，其对应的解向量即为光伏发电运维的组件模型参数，若未达到则返回步骤7。本专利技术的特点还在于：步骤2待识别模型参数包括：待辨识模型参数包括光生电流Iph、串联电阻Rs、二极管因子n1、并联电阻Rsh、二极管反向饱和电流Id。步骤2具体过程为：根据待识别模型参数计算预测电流：求取预测电流与实际电流的误差：X＝(Iph，I01，Rs，Rsh，n1)式中，Iph表示待辨识模型中光生电流，Rs表示待辨识模型中串联电阻、n1表示待辨识模型中二极管因子，Rsh表示待辨识模型中并联电阻，Id表示待辨识模型中二极管反向饱和电流，I表示光伏发电组件运行时实际电流；基于均方根误差的目标函数为：式中，N是原始信号的组数，V光伏发电组件运行时的电压。步骤6具体过程为：利用自适应控制策略生成初始的变异因子F表示为：F＝Cauchy(uF0,0.1)利用自适应控制策略生成初始的交叉因子CR表示为：CR＝Gaussian(uCR0,0.1)。根据初始种群的适应度值的大小对初始种群进行排序，适应度值较大的前p个初始种群组成临时精英种群SP。步骤8具体过程为：从临时精英种群中随机选择三个个体，并在这三个个体中随机选择一个个体作为目标向量Xi,G，其中，Xi,G表示第G代的第i个个体，将随机选择的三个个体按照适应度值大小进行优劣排序，得到对应适应度值的变异向量；在变异向量中选取第i个个体作为突变向量Vi,G，对目标向量Xi,G和突变向量Vi,G进行二项式交叉操作，生成试验向量；试验向量中第j个个体为uj,i,G，其中j＝{1,2…D}，则第j个个体为uj,i,G的生成过程为：选取生成第j个个体为uj,i,G的突变向量为Vj,i,G，目标向量为Xj,i,G，则有：其中j＝{1,2…D}，jrand是{1,2…D}中的随机数，randj是[0,1]范围内的一个随机数；根据如下约束条件处理越界的个体具体过程为：设定边界上限Xj,max和边界下限Xj,min；如果试验向量ujiG中任意一个个体ujiG存在：Xj,min≤uj,i,G≤Xj,max，则ujiG存入新向量；否则，取uj,i,G＝Xj,max+rand*(Xj,max-Xj,min),rand是[0,1]范围内的一个随机数，并将ujiG存入新向量。步骤9中根据模糊选择策略选择下一代个体具体过程为：任意选择新向量中的两个个体Ua、Ub，两个个体的适应度值为f(Ua)、f(Ub)，通过比较大小的方法选取适应度值较小的个体，随后将该个体的适应度值和其他个体的适应度值比较，选择适应度值最小的个体作为下一代个体。步骤10具体过程为：利用下式更新变异因子：F新＝(1-c)·uF+c·mean(SF)c为0到1之间的常数，uF表示柯西分布的位置参数，初始值是0.5，SF为当前迭代中所有成功突变向量的变异因子集合，其中：利用下式更新交叉因子：CR新＝(1-c)·uCR+c·mean(SCR)u表示高斯分布的位置参数，SCR为当前迭代中所有成功突变向量的交叉因子集合；交叉因子是0到1之间的常数，uCR的初始值为0.5，SCR为当前迭代中所有成功交叉向量的集合；mean(SCR)计算如下：本专利技术的有益效果是：本专利技术一种面向光伏发电运维的组件模型参数辨识方法，提出的基于模糊自适应差分进化理论的光伏组件模型参数辨识算法，采用DE/current-to-FS-best/1变异策略，增大了种群的局部搜索能力以引导其得到更好的解；为避免算法搜索陷入局部最优，采用一种模糊选择策略以保证种群的多样性；引入了一种边界处理方法以避免变异个体越界。附图说明图1为本专利技术一种面向光伏发电运维的组件模型参数辨识方法流程图；图2为Photowatt-PWP201组件的模拟I-V数据和实测数据比较；图3为Photowatt-PWP201组件的模拟P-V数据和实测数据比较；图4为Photowatt-PWP201组件模拟电流和实测电流的绝对电流误差。具体实施方式下面结合附图及具体实施方式对本专利技术进行详细说明。本专利技术一种面向光伏发电运维的组件模型参数辨识方法，如图1所示，具体按照以下步骤实施：步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号，原始信号即为实际光伏发电组件的测量数据；步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；待识别模型参数包括：待辨识模型参数包本文档来自技高网...

【技术保护点】
1.一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，具体按照以下步骤实施：/n步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号；/n步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；/n步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；/n步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF

【技术特征摘要】
1.一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，具体按照以下步骤实施：
步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号；
步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；
步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；
步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF0、高斯分布的位置参数uCR0；
步骤5、将基于均方根误差的目标函数作为种群适应度函数，求取出初始种群中每个个体的适应度值；
步骤6、利用自适应控制策略更新突变因子和交叉因子；
步骤7、根据适应度值选出前p个个体，作为临时精英种群；
步骤8、分别对临时精英种群中个体进行突变和交叉，并根据约束条件处理越界的个体，得到新向量；
步骤9、计算新向量中每个个体的适应度值，并根据模糊选择策略选择下一代个体；
步骤10、利用柯西分布和高斯分布原理更新突变因子和交叉因子；
步骤11、判断迭代是否达到最大次数，若达到则输出最终结果，将最终的适应度值作为寻优的最佳目标函数，其对应的解向量即为光伏发电运维的组件模型参数，若未达到则返回步骤7。


2.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤2所述待识别模型参数包括：待辨识模型参数包括光生电流Iph、串联电阻Rs、二极管因子n1、并联电阻Rsh、二极管反向饱和电流Id。


3.根据权利要求2所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤2所述具体过程为：根据待识别模型参数计算预测电流：



求取预测电流与实际电流的误差：



X＝(Iph，I01，Rs，Rsh，n1)
式中，Iph表示待辨识模型中光生电流，Rs表示待辨识模型中串联电阻、n1表示待辨识模型中二极管因子，Rsh表示待辨识模型中并联电阻，Id表示待辨识模型中二极管反向饱和电流，I表示光伏发电组件运行时实际电流；
基于均方根误差的目标函数为：



式中，N是原始信号的组数，V光伏发电组件运行时的电压。


4.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤6具体过程为：
利用自适应控制策略生成初始的变异因子F表示为：
F＝Cauchy(uF0,0.1)
利用自适应控制策略生成初始的交叉因子CR表示为：
CR＝Gaussian(uCR0,0.1)。


5....

【专利技术属性】
技术研发人员：党建，王高明，贾嵘，夏超浩，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61