基于改进粒子群算法的光伏电池参数辨识方法与流程
本发明涉及光伏发电技术领域，尤其涉及光伏并网发电系统中光伏电池参数的辨识方法。
背景技术：
太阳能的利用以及光伏电池特性的研究已成为热点，随着研究不断的深入，国内外学者提出了不同描述I-V曲线的光伏电池模型。I-V曲线是光伏电池特性的宏观表述，其中的参数是模型内在特性的反映。通过辨识光伏电池参数不仅可以确定I-V方程，利用求得的I-V方程预测光伏阵列的输出功率；而且通过分析这些参数的变化可以进一步研究光伏电池发生故障的起因。因此进行光伏电池内部参数的辨识对于研究和改善其特性是非常有意义的。
目前，光伏电池的参数辨识方法主要分为参数近似求解法和基于优化算法的参数估计方法。光伏电池模型的特性方程是一个复杂的超越非线性函数，不能通过简单计算直接求解，参数近似求解法就是利用微分求导和简化模型等数学方法处理I-V特性方程，以求得参数近似值。虽然利用数学分析近似求解参数的方法直观简单，但是这种方法求得的参数近似值误差较大，当精度要求较高时不适用。
基于优化算法的参数估计方法主要是利用智能算法对光伏电池进行参数辨识。例如，一些学者提出将遗传算法运用到光伏电池参数辨识领域，在保证辨识精度的前提下，将光伏电池参数辨识后得到的多组结果收敛为一组参数值，其优势是利用迭代减小误差，从而得到参数的最优估计值；而把最小梯度搜索方法用于传统的遗传算法中，就形成了改进融合遗传算法，能够提高了参数辨识的精度和速度，但是仍然无法克服遗传算法易陷入早熟的缺陷。再如，一些学者将粒子群算法引入光伏电池参数辨识领域，但传统的粒子群算法通过追随个体极值和群体极值完成极值寻优，虽然操作简单，但是随着迭代次数的不断增加，在种群收敛集中的同时，各粒子也越来越相似，可能在局部最优解周边无法跳出，且后期收敛速度慢、收敛精度较差，很难满足现实需要。
技术实现要素：
本发明要解决的技术问题是提供一种基于改进粒子群算法的光伏电池参数辨识方法，用于光伏并网发电系统中串并联m×n型光伏组件阵列的参数分析，能够辨识光伏电池I-V方程的待定参数、确定光伏电池的I-V数学模型及解析光伏电池的故障起因。
为解决上述技术问题，本发明所采取的技术方案如下。
基于改进粒子群算法的光伏电池参数辨识方法，建立光伏电池的递推最小二乘模型形式并确定待辨识参数，初始化粒子群的位置和速度，计算粒子适应度值、个体极值、群体极值，更新粒子的位置和速度，个体极值加入高斯算子，计算适应度值并更新个体极值，计算各粒子与全局极值的距离，如果距离小于阈值，则该粒子与全局极值交叉该粒子的解变为交叉后的解，如果距离不小于阈值，则保留该粒子的解，然后计算粒子适应度值，进行个体极值和群体极值更新，此时如果未达到最大迭代次数，则返回计算粒子适应度值、个体极值、群体极值继续迭代，直至达到最大迭代次数，输出待定光伏电池参数的最优取值。
作为本发明的一种优选技术方案，该方法包括如下实施步骤：
步骤1：建立下式所示的光伏电池I-V特性方程，确定待辨识的参数；其中，UL和IL分别为光伏组件的输出电压和输出电流，Isc为光生电流，I0为光伏组件无光照时的饱和电流，Rs为光伏组件的串联电阻，Rsh为光伏组件的旁漏电阻，q为电子电荷，A为常数因子，K为玻尔兹曼常数，T为光伏组件一定工况下的绝对温度值；确定待辨识的参数为Isc、I0、A、Rs、Rsh；
步骤2：通过测量及测算方式获取光伏组件的输出电压UL和输出电流IL；
步骤3：输入原始数据，包括各时段光伏组件的输出电压、电流、约束条件，并初始化待辨识的各参数，令迭代次数k＝0；
步骤4：种群初始化，初始搜索点的位置xi0及其速度vi0在满足变量的约束范围内随机产生,对于光伏电池的参数辨识，位置个体即五个待辨识参数的取值；
步骤5：更新每个粒子的位置和速度，并作越限处理；粒子群优化算法的速度和位置更新方程为：其中，ω为惯性权重；d＝1，2，…，D，D为搜索空间的维数；i＝1,2,3,4,5；k为当前迭代次数；c1和c2为加速因子，是非负的常数；r1和r2为分布于[0,1]区间的随机数；vid为粒子速度；为粒子i在第k次迭代中第d维的当前位置；是整个粒子群在第d维的全局极值点的位置；是粒子i在第k维的个体极值点的位置；
步骤6：个体极值加入高斯算子，按下式重新更新位置，并作越限处理：其中，Ni(0，1)是均值为0、方差为1的高斯变量；fmin为m个粒子中的最小适应函数值，即当前最优值；β为尺度因子，取β＝0.6；
步骤7：最优交叉；设定一个阈值，如果某一粒子与当前极值的位置距离小于这个阈值，则将其与当前最优解进行交叉操作：Ch1(Xi)＝piPa1(Xi)+(1-pi)Pa2(Xi)，其中，Ch为子代粒子，Pa为父代粒子，X为粒子位置，V为粒子速度，pi是介于[0,1]之间的随机数；重新更新该粒子，并作越限处理；
步骤8：将各粒子的当前位置适应度值与该粒子历史最优位置适应度值及全局历史最优解的适应度值进行比较和更新，完成适应度值计算；
步骤9：判断迭代次数是否达到最大，如果是则转向步骤10，如果否则转向步骤5，直至迭代次数达到最大并转向步骤10；
步骤10：输出全局最优解，即得待定光伏电池参数的最优取值。
作为本发明的一种优选技术方案，步骤1中，q取值为1.602e-19C；A在正偏电压大时A取值为1，在正偏电压小时A取值为2，一般状况下A取值为1.3；K取值为1.38e-23J/K。
作为本发明的一种优选技术方案，步骤2包括以下具体分步骤：
步骤2-1：读取光伏阵列的输出电压UL_array和输出电流IL_array；
步骤2-2：记录光伏阵列的输出电压UL_array和输出电流IL_array，光伏组件的输出电压为UL＝UL_array/m，输出电流为IL＝IL_array/n。
作为本发明的一种优选技术方案，步骤4包括以下具体分步骤：
步骤4-1：初始化粒子位置xi0；在第0次迭代时，设位置粒子i为xi0＝(xi1，…，xi5)，xi1，…，xi5的随机产生满足如下约束条件：ximin≤xi≤ximax，即在(xmin，xmax)范围内；每个粒子的xbest坐标设置为其当前位置，计算出其相应的个体极值，全局极值即个体极值中最好的，记录该最优值的粒子序号，并将gbest设置为该最好粒子的当前位置；
步骤4-2：初始化粒子速度vi0；如果vi0选得太大，粒子可能错过最优解，如果vi0太小，粒子可能陷入局部搜索，在本参数辨识过程中选择vjmax＝0.2×(vhjmax-vhjmin)，式中，Vhjmax为第j个待辨识参数的最大可能取值，vhjmin为第j个待辨识参数的最小可能取值。
作为本发明的一种优选技术方案，步骤8包括以下具体分步骤：
步骤8-1：计算各粒子的适应度值，将每个粒子的当前位置的适应度值和粒子自身以前最好位置的适应度值相比较，如果当前位置适应度值优于个体极值的适应度值，则更新个体极值；
步骤8-2：将每个粒子的个体极值与目前找到的全局最优解的适应度值进行比较，重新更新全局最优解。
采用上述技术方案所产生的有益效果在于：本发明的光伏电池参数辨识方法以改进的粒子群算法位居出，用于光伏并网发电系统中串并联m×n型光伏组件阵列的参数分析，能够辨识光伏电池I-V方程的待定参数、确定光伏电池的I-V数学模型及解析光伏电池的故障起因。其有益效果分述如下：
1、本发明提出了一种基于改进粒子群算法的光伏电池参数辨识方法，以光伏组件的输出电压、电流作为输入量，利用改进粒子群算法辨识光伏电池原始模型中的参数，通过迭代得到最优参数取值。可以同步一次性辨识出全部参数，不需要分步辨识各个参数。
2、本发明在粒子群算法中加入高斯算子，每找到一个个体最优解就在其周围用高斯算子进行局部搜索；引入高斯算子的算法比传统粒子群算法前期的求解精度更高，同时算法后期的收敛速度更快。
3、本发明摒弃了传统粒子群算法中的通过跟踪极值来更新粒子位置的方法，而是引入了遗传算法中的交叉操作，对即将与当前最优解重叠的个体进行交叉，可以使该个体重新更新、探索新的区域，更容易跳出函数的局部最优点，具有更好的全局寻优能力，避免陷入局部最优、出现所谓的早熟收敛现象。
4、本发明易于实验室条件下测试，同样适用于一般的光伏发电系统，通用性强。
附图说明
图1-A为实施例1中构成光伏组件的光伏电池的单二极管等效电路。
图1-B为将一定数量的光伏组件串并联排布于固定支架上得到的m×n型光伏组件阵列。
图2为实施例2中的光伏电池参数辨识方法实施流程图。
具体实施方式
以下实施例详细说明了本发明。本发明所使用的各种原料及各项设备均为常规市售产品，均能够通过市场购买直接获得。
实施例1、光伏并网发电系统中的m×n型光伏组件阵列。
参见附图1-A，构成光伏组件的光伏电池实际上是一个大面积平面二极管，其工作可以用图1的单二极管等效电路来描述；图中RL是光伏电池的外接负载，光伏电池的输出电压为UL，输出电流为IL。
参见附图1-B，将一定数量的光伏组件串并联排布于固定支架上即得到光伏阵列；假设构成光伏阵列的各光伏组件具有理想的一致性，其中有m个串联组件，n个并联组件，即为光伏并网发电系统中的串并联m×n型光伏组件阵列。
实施例2、本发明的实施流程框架。
参见附图2，本实施例给出了带遗忘因子的递推最小二乘光伏电池参数辨识方法流程框架：建立光伏电池的递推最小二乘模型形式并确定待辨识参数→初始化粒子群的位置和速度→计算粒子适应度值、个体极值、群体极值→更新粒子的位置和速度→个体极值加入高斯算子→计算适应度值并更新个体极值→计算各粒子与全局极值的距离，如果距离小于阈值，则该粒子与全局极值交叉该粒子的解变为交叉后的解，如果距离不小于阈值，则保留该粒子的解→然后计算粒子适应度值，进行个体极值和群体极值更新→如果未达到最大迭代次数，则返回计算粒子适应度值、个体极值、群体极值继续迭代，直至达到最大迭代次数→输出待定光伏电池参数的最优取值。
实施例3、本发明的具体实施步骤。
参见附图1-2，基于改进粒子群算法的光伏电池参数辨识方法，包括如下实施步骤：
步骤1：建立下式所示的光伏电池I-V特性方程，确定待辨识的参数；其中，UL和IL分别为光伏组件的输出电压和输出电流，Isc为光生电流，I0为光伏组件无光照时的饱和电流，Rs为光伏组件的串联电阻，Rsh为光伏组件的旁漏电阻，q为电子电荷，A为常数因子，K为玻尔兹曼常数，T为光伏组件一定工况下的绝对温度值；确定待辨识的参数为Isc、I0、A、Rs、Rsh；其中，q取值为1.602e-19C；A在正偏电压大时A取值为1，在正偏电压小时A取值为2，一般状况下A取值为1.3；K取值为1.38e-23J/K；
步骤2：通过测量及测算方式获取光伏组件的输出电压UL和输出电流IL；包括以下具体分步骤：
步骤2-1：读取光伏阵列的输出电压UL_array和输出电流IL_array；
步骤2-2：记录光伏阵列的输出电压UL_array和输出电流IL_array，光伏组件的输出电压为UL＝UL_array/m，输出电流为IL＝IL_array/n；
步骤3：输入原始数据，包括各时段光伏组件的输出电压、电流、约束条件，并初始化待辨识的各参数，令迭代次数k＝0；
步骤4：种群初始化，初始搜索点的位置xi0及其速度vi0在满足变量的约束范围内随机产生,对于光伏电池的参数辨识，位置个体即五个待辨识参数的取值；包括以下具体分步骤：
步骤4-1：初始化粒子位置xi0；在第0次迭代时，设位置粒子i为xi0＝(xi1，…，xi5)，xi1，…，xi5的随机产生满足如下约束条件：ximin≤xi≤ximax，即在(xmin，xmax)范围内；每个粒子的xbest坐标设置为其当前位置，计算出其相应的个体极值，全局极值即个体极值中最好的，记录该最优值的粒子序号，并将gbest设置为该最好粒子的当前位置；
步骤4-2：初始化粒子速度vi0；如果vi0选得太大，粒子可能错过最优解，如果vi0太小，粒子可能陷入局部搜索，在本参数辨识过程中选择vjmax＝0.2×(vhjmax-vhjmin)，式中，Vhjmax为第j个待辨识参数的最大可能取值，vhjmin为第j个待辨识参数的最小可能取值；
步骤5：更新每个粒子的位置和速度，并作越限处理；粒子群优化算法的速度和位置更新方程为：其中，ω为惯性权重；d＝1，2，…，D，D为搜索空间的维数；i＝1,2,3,4,5；k为当前迭代次数；c1和c2为加速因子，是非负的常数；r1和r2为分布于[0,1]区间的随机数；vid为粒子速度；为粒子i在第k次迭代中第d维的当前位置；是整个粒子群在第d维的全局极值点的位置；是粒子i在第k维的个体极值点的位置；
步骤6：个体极值加入高斯算子，按下式重新更新位置，并作越限处理：其中，Nj(0，1)是均值为0、方差为1的高斯变量；fmin为m个粒子中的最小适应函数值，即当前最优值；β为尺度因子，取β＝0.6；
步骤7：最优交叉；设定一个阈值，如果某一粒子与当前极值的位置距离小于这个阈值，则将其与当前最优解进行交叉操作：Ch1(Xi)＝piPa1(Xi)+(1-pi)Pa2(Xi)，其中，Ch为子代粒子，Pa为父代粒子，X为粒子位置，V为粒子速度，pi是介于[0,1]之间的随机数；重新更新该粒子，并作越限处理；
步骤8：将各粒子的当前位置适应度值与该粒子历史最优位置适应度值及全局历史最优解的适应度值进行比较和更新，完成适应度值计算；包括以下具体分步骤：
步骤8-1：计算各粒子的适应度值，将每个粒子的当前位置的适应度值和粒子自身以前最好位置的适应度值相比较，如果当前位置适应度值优于个体极值的适应度值，则更新个体极值；
步骤8-2：将每个粒子的个体极值与目前找到的全局最优解的适应度值进行比较，重新更新全局最优解；
步骤9：判断迭代次数是否达到最大，如果是则转向步骤10，如果否则转向步骤5，直至迭代次数达到最大并转向步骤10；
步骤10：输出全局最优解，即得待定光伏电池参数的最优取值。
本发明以光伏组件的输出电压、电流作为输入量，利用改进粒子群算法辨识光伏电池模型中的参数，通过迭代得到最优参数取值；它在粒子群算法中加入高斯算子，每找到一个个体最优解就在其周围用高斯算子进行局部搜索，比传统粒子群算法前期求解精度更高，同时后期的收敛速度更快；它引入了遗传算法中的交叉操作，对即将与当前最优解重叠的个体进行交叉，可以使该个体重新更新、探索新的区域，更容易跳出函数的局部最优点，具有更好的全局寻优能力，避免陷入局部最优、出现所谓的早熟收敛现象。
上述描述仅作为本发明可实施的技术方案提出，不作为对其技术方案本身的单一限制条件。
- 还没有人留言评论。精彩留言会获得点赞！