一种光伏组件模型参数混合优化辨识方法技术

本发明专利技术公开了一种光伏组件模型参数混合优化辨识方法。基于光伏电池的单二极管模型，确定太阳能光伏电池板的内部参数，建立光伏组件五参数模型。利用粒子群优化算法和灰狼优化算法对太阳能光伏组件的I

【技术实现步骤摘要】
一种光伏组件模型参数混合优化辨识方法


[0001]本专利技术属于光伏发电
，具体涉及一种光伏组件模型参数混合优化辨识方法。

技术介绍

[0002]不断增长的电力需求和保护环境的必要性促使人们更加关注可再生源。由于太阳能在可用性和清洁性方面的优点，因此认为是一种关键和有前途的替代能源。光伏组件是光伏电站对外输送能源的关键部件，而合理且精确的数学建模方式却又是提高光伏组件设计理念的重要基础。单二极管模型作为一种广泛使用的数学模型，由于其输出特性I
‑
V曲线具备非线性，导致光伏组件参数提取存在一定的困难。元启发式的光伏组件参数辨识方法具有速度快、精度高的优势，但常规的方法如遗传算法、粒子群算法或人工蜂群算法等方法存在一定不足，易陷入局部最优。
[0003]近期，混合技术在解决光伏模型参数提取问题中盛行，将不同策略或者算法结合在一起，能够解决单一算法中的缺陷。为了更好地实现光伏组件模型参数的提取，本专利技术将采用混合技术完成对任意环境条件下光伏组件I
‑
V特性曲线的参数辨识。

技术实现思路

[0004]本专利技术的目的在于提供一种光伏组件模型参数混合优化辨识方法，以解决现有技术中光伏组件模型参数辨识方法所得计算结果误差较大，鲁棒性较差的问题。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种光伏组件模型参数混合优化辨识方法，包括：
[0006]a、根据光伏电池单二极管模型确定光伏组件五参数模型，进一步确定待辨识的参数；
[0007]b、获取一定温度和辐照度条件下的光伏组件I
‑
V曲线数据，根据I
‑
V曲线数据确定各待辨识参数的可行解区间，定义适应度函数；
[0008]c、结合待辨识的光伏组件参数建立粒子种群，根据粒子群算法的运行法则初始化粒子种群的各项基本参数，通过适应度函数初始化各粒子的适应度值；
[0009]d、采用自适应惯性权重调整粒子速度的更新公式，结合灰狼算法对粒子种群的速度和位置进行更新；
[0010]e、通过适应度函数计算各粒子的适应度值，更新粒子个体最优位置和群体最优位置；
[0011]f、判断算法迭代次数是否达到最大或者适应度值精度已满足要求，若是，则输出全局最优解，获得一组满足条件的光伏组件模型参数；若否，则重复步骤 d～f，直到满足预设停止条件为止。
[0012]步骤a中，所述光伏组件五参数模型为：
[0013][0014][0015]式中，I为光伏组件输出电流；V为光伏组件输出电压；I
ph
为光生电流；I0为二极管反向饱和电流；q为电子电荷；K为玻尔兹曼常数；n为二极管理想因子；R
s
为串联电阻；R
sh
为并联电阻；T为组件工作时的开氏温度；V
t
为热电压； N
s
为组件串联电池片个数。
[0016]所述待辨识参数为I
ph
、I0、n、R
s
、R
sh
。
[0017]所述步骤b包括：
[0018]b1、确定各待辨识参数的可行解区间，具体方法为：n的范围为[0.3,2]；I
ph
以实测电流的最大值为区间中心，变动范围为12％；I0以公式(3)计算出的理论值为区间中心，变动范围为55％；R
s
取标准测试条件下的标准值为区间中心，变动范围为15％；R
sh
取实测I
‑
V曲线在短路电流处导数值倒数为区间中心，变动范围为20％；
[0019][0020]式中，I
0,ref
为光伏组件在标准测试条件下的反向饱和电流；I
sc,ref
为光伏组件在标准测试条件下的短路电流；V
oc，ref
为光伏组件在标准测试条件下的开路电压； n
ref
为光伏组件在标准测试条件下的理想因子；T
ref
为标准测试条件下的温度；E
g
为禁带宽度；计算所得的I0’
即可作为I0取值区间的中心值；
[0021]b2、定义适应度函数，选择实测电流和理论电流的均方根误差作为适应度函数，其公式为：
[0022][0023]式中，F
fit
为需计算的适应度函数，m为实测数据点数，I
real
为实测电流值， I
cal
为理论计算所得电流值。
[0024]所述的步骤c中，粒子群算法的初始化参数包括：最大迭代次数T
max
，粒子种群个数N，维度D，代表光伏组件模型五参数的粒子种群的速度V和位置S，根据所述步骤b1中的要求预设粒子速度和位置的边界；其中粒子速度和位置采用随机函数给粒子初始化赋值。
[0025]所述的步骤d包括：
[0026]d1、采用自适应惯性权重调整粒子的速度更新公式，该公式表示如下：
[0027][0028]式中，为第k+1次迭代中第i个粒子在第d维上的速度，ω为惯性权重， k为当前迭代次数，c1为群体学习因子，c2为个体学习因子，r1和r2为随机系数，为第k次迭代中第i个粒子在第d维上的最优位置，为第k次迭代中群体最优粒子在第d维上的位
置；另外，自适应惯性权重的表达式如下：
[0029][0030]式中：ω
start
为初始惯性权重；ω
end
为终止惯性权重；t为当前的送代次数；t
max
为初始设置的最大送代次数；k为控制因子。
[0031]d2、判断粒子的速度与位置是否小于一定阈值，若是，则表明该部分粒子陷入局部寻优过程，则需要结合灰狼优化算法对该部分粒子进行替换；若否，则继续进行下一步。
[0032]所述的步骤d2，即灰狼优化算法对不符合要求粒子的替换过程包括：
[0033]d21、初始化灰狼种群，产生一定个数的灰狼位置，根据所需替换的粒子个数设计灰狼的种群大小，初始化参数α、β、σ，确定最大迭代次数；
[0034]d22、计算灰狼个体适应度值，找到适应度值的最优解(α狼的位置X
α
)，次优解(β狼的位位置X
β
)以及第三优解(σ狼的位置X
σ
)，更新剩余灰狼的位置信息，并更新参数α、β、σ的值；
[0035]d23、判断是否达到最大迭代次数或者达到预设的阈值，如满足终止寻优过程，将所寻的最优解、次优解和第三优解的平均值替换原先不满足要求粒子的速度和位置；否则继续执行步骤d22～d23。
[0036]与现有技术相比，本专利技术达到的有益效果：本专利技术通过预设待辨识参数的可行解区间初始化种群的分布位置，通过自适应惯性权重提高了粒子群算法的寻优迭代速度，并结合灰狼算消除了粒子群算法在寻优过程陷入局部最优的问题。该算法能够较好地解决元启发式方法在参数辨识过程中早本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏组件模型参数混合优化辨识方法，其特征在于，包括如下步骤：a、根据光伏电池单二极管模型，建立光伏组件的五参数模型，确定待辨识的参数；b、获取一定温度和辐照度条件下的光伏组件I
‑
V曲线数据，根据I
‑
V曲线数据确定各待辨识参数的可行解区间，定义适应度函数；c、结合待辨识的光伏组件参数建立粒子种群，根据粒子群算法的运行法则初始化粒子种群的各项基本参数，通过适应度函数初始化各粒子的适应度值；d、采用自适应惯性权重调整粒子速度的更新公式，结合灰狼算法对粒子种群的速度和位置进行更新；e、通过适应度函数计算各粒子的适应度值，更新粒子个体最优位置和群体最优位置。f、判断算法迭代次数是否达到最大或者适应度值精度已满足要求，若是，则输出全局最优解，获得一组满足条件的光伏组件模型参数；若否，则重复步骤d～f，直到满足预设停止条件为止。2.根据权利要求1所述的一种光伏组件模型参数混合优化辨识方法，其特征在于，步骤a中，所述光伏组件五参数模型为：a中，所述光伏组件五参数模型为：式中，I为光伏组件输出电流；V为光伏组件输出电压；I
ph
为光生电流；I0为二极管反向饱和电流；q为电子电荷；K为玻尔兹曼常数；n为二极管理想因子；R
s
为串联电阻；R
sh
为并联电阻；T为组件工作时的开氏温度；V
t
为热电压；N
s
为组件串联电池片个数。所述待辨识参数为I
ph
、I0、n、R
s
、R
sh
。3.根据权利要求2所述的一种光伏组件模型参数混合优化辨识方法，其特征在于，所述步骤b包括：b1、确定各待辨识参数的可行解区间，具体方法为：n的范围为[0.3,2]；I
ph
以实测电流的最大值为区间中心，变动范围为12％；I0以公式(3)计算出的理论值为区间中心，变动范围为55％；R
s
取标准测试条件下的标准值为区间中心，变动范围为15％；R
sh
取实测I
‑
V曲线在短路电流处导数值倒数为区间中心，变动范围为20％；式中，I
0,ref
为光伏组件在标准测试条件下的反向饱和电流；I
sc,ref
为光伏组件在标准测试条件下的短路电流；V
oc,ref
为光伏组件在标准测试条件下的开路电压；n
ref
为光伏组件在标准测试条件下的理想因子...

【专利技术属性】
技术研发人员：郑文明，谈诚，张峰毓，丁坤，陈翔，
申请(专利权)人：国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：