基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法与流程
本发明涉及太阳能光伏电池及光伏发电阵列的检测技术领域，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。
背景技术：
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。
技术实现要素：
本发明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，本发明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，则执行横向价差操作；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
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
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|<1且rand<0.5，进入软包围与渐进式快速下伏阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入软包围与渐进式快速下伏阶段的位置更新公式为y＝xrabbit(t)-e|jxrabbit(t)-x(t)|，z＝y+s×lf(d)，
步骤1-10：如果|e|<0.5且rand<0.5，进入硬包围与渐进式快速下伏阶段，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包围与渐进式快速下伏阶段的位置更新公式为y＝xrabbit(t)-e|j*xrabbit(t)-xm(t)|，z＝y+s×lf(d)，
步骤1-11：对种群中的每个个体执行横向交叉操作，其更迭方式如下所示：
其中，c1和c2分别为扩展系数，它们均匀地分布在[-1,1]之间的随机值；ε1和ε2为[0,1]内部的两个连续均匀随机数；
步骤1-12：对种群中的每个个体执行纵向交叉操作，其更迭方式如下所示：
其中，
步骤1-13：判断当前的评估次数fes是否达到最大评估次数max_t；若没有达到，继续返回步骤1-3进行重复操作；若已经达到最大评估次数max_t，则计算出种群中所有个体的适应度值，并对其进行升序排序，获取最优个体位置及适应度值，即得到最优的模型参数向量；
步骤a2、基于步骤a1所输出最优的模型参数向量，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，具体过程如下：
步骤2-1：以步骤1-13中最优个体为初始点，构建n+1个顶点的单纯型，计算所有个体的适应度值，以找到最佳位置xg和第二个xp；其中，最佳位置xg和第二个xp的适应度值分别为f(xg)和f(xp)，计算中心位置如下：xc＝(xg+xp)/2；
步骤2-2：反射操作产生反射点xr，即xr＝xc+r×(xc–xw)；
步骤2-3：iff(xr)<f(xg)，说明反射的方向是正确的，找到更好的解进行扩张操作，即
步骤2-4：iff(xr)<f(xw)，说明反射的方向是不正确的，执行压缩操作，即其数学表达式为xic＝xc+β(xr-xc)；
步骤2-5：iff(xr)>f(xw)>f(xp)，执行收缩操作，重构新的单纯型，这个收缩后的点为：xoc＝xc-δ(xw-xc)；
步骤2-6：输出最终反射点xr的位置，即获取最终表现最优的模型参数向量。
本发明实施例还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器，包括：
光伏模型参数范围设置单元，用于确定光伏模型，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；
参数优化单元，用于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；
优化结果输出单元，用于输出最终获取的最优的模型参数向量。
其中，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]；
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]；
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]。
实施本发明实施例，具有如下有益效果：
本发明结合纵横交叉策略以及nm单纯型的哈里斯鹰算法，通过基础的哈里斯鹰算法进行全局搜索，纵横交叉算法保证候补解的多样性进行粗略的局部搜索，nm单纯型指导进一步进行精细的局部搜索，提高提取光伏参数的精度，从而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，提高了评估光伏模型参数的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法的流程图；
图2为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法中单二极管模型的等效电路图；
图3为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法中双二极管模型的等效电路图；
图4为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法中基于单二极管光伏电池的光伏组件的等效电路图；
图5为对应图2至图4中各光伏模型经过模拟实验获取的模拟数据与制造商提供的测量数据基于i-v特征的拟合曲线图；
图6为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法中nelder-mead单纯型的原理图；
图7为本发明实施例提供的基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的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，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；
具体过程为，如图2至图4所示，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，
在图2中，单二极管光伏数学模型由一个与二极管并联的电流源、一个代表泄漏电流的分流电阻和一个代表负载电流损失的串联电阻组成。此时，单二极管光伏数学模型，如下式所示：
从而，得到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；
在图3中，双二极管光伏数据模型是通过在原始的单二极管中加入二极管来表征耗散区载流子的复杂损耗而实现。此时，双二极管光伏数据模型，如下式所示：
从而，得到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；
在图4中，基于单二极管太阳能电池的光伏组件模型是将光转化为电能的接口，通常由多个太阳能电池串联或并联组成。此时，基于单二极管太阳能电池的光伏组件模型，如下式所示：
从而，得到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。
本发明的研究目的是帮助找到一组最优参数，使得其构造出来的光伏模型可以尽可能的接近真实模型，即使得测量的i-v曲线与模拟实验获取的i-v曲线尽可能地拟合，从而将其转换为数学模型就是通过寻找一组代表参数的向量x使其最小化均方根误差rmse。
所以，rmse的数学方程即为本次发明中目标函数，其如下定义：
其中，n代表所测量的电压数据的个数；x在不同的模型中指代不同的参数集
在本发明实施例中，根据rtcfrance光伏太阳能电池制造商提供的数据(如图5所示)，设置模型参数的搜索范围；其中，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]；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]；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]。
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；
具体过程为，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，具体步骤如下：
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
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
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|<1且rand<0.5，进入软包围与渐进式快速下伏阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入软包围与渐进式快速下伏阶段的位置更新公式为y＝xrabbit(t)-e|jxrabbit(t)-x(t)|，z＝y+s×lf(d)，
步骤1-10：如果|e|<0.5且rand<0.5，进入硬包围与渐进式快速下伏阶段，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包围与渐进式快速下伏阶段的位置更新公式为y＝xrabbit(t)-e|j*xrabbit(t)-xm(t)|，z＝y+s×lf(d)，
步骤1-11：对种群中的每个个体执行横向交叉操作，其更迭方式如下所示：
其中，c1和c2分别为扩展系数，它们均匀地分布在[-1,1]之间的随机值；ε1和ε2为[0,1]内部的两个连续均匀随机数；
步骤1-12：对种群中的每个个体执行纵向交叉操作，其更迭方式如下所示：
其中，
步骤1-13：判断当前的评估次数fes是否达到最大评估次数max_t；若没有达到，继续返回步骤1-3进行重复操作；若已经达到最大评估次数max_t，则计算出种群中所有个体的适应度值，并对其进行升序排序，获取最优个体位置及适应度值，即得到最优的模型参数向量；
步骤a2、基于步骤a1所输出最优的模型参数向量，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，具体步骤如下：
步骤2-1：以步骤1-13中最优个体为初始点，构建n+1个顶点的单纯型(如图6所示)，计算所有个体的适应度值，以找到最佳位置xg和第二个xp；其中，最佳位置xg和第二个xp的适应度值分别为f(xg)和f(xp)，计算中心位置如下：xc＝(xg+xp)/2；
步骤2-2：反射操作产生反射点xr，即xr＝xc+r×(xc–xw)；
步骤2-3：iff(xr)<f(xg)，说明反射的方向是正确的，找到更好的解进行扩张操作，即
步骤2-4：iff(xr)<f(xw)，说明反射的方向是不正确的，执行压缩操作，即其数学表达式为xic＝xc+β(xr-xc)；
步骤2-5：iff(xr)>f(xw)>f(xp)，执行收缩操作，重构新的单纯型，这个收缩后的点为：xoc＝xc-δ(xw-xc)；
步骤2-6：输出最终反射点xr的位置，即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。
具体过程为，根据步骤s2获取最终表现最优的模型参数向量输出，即为所需结果。
应当说明的是，在本发明中，采用了matlab工具箱提供的基于nelder-mead单纯型的函数fminsearchbnd()。由于在开始评估的过程中，获取的最优参数可能不是所期待的最优参数，所以无需花大量的时间在其附近进行过多的搜索，随着评估次数的逐渐增加获取的最优值逐渐接近期待得到的最优值，此时可以在其附近尽心多次的搜索，因此基于此思想，将fminsearchbnd()中表示最大评估次数的参数设置为0.1*max_t。
如表1至表3所示，为同温度不同辐照度情况下光伏系统st40、光伏系统sm55和光伏系统kc200gt分别采用基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法后的最优参数估计。
表1.在温度为25℃和不同辐照度的情况下对st40的最优参数估计
表2.在温度为25℃和不同辐照度的情况下对sm55的最优参数估计
表3.在温度为25℃和不同辐照度的情况下对kc200gt的最优参数估计
如表4至表6所示，为不同温度同辐照度情况下光伏系统st40、光伏系统sm55和光伏系统kc200gt分别采用基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法后的最优参数估计。
表4.在辐照度1000w/m2和不同温度的情况下对st40的最优参数估计
表5.在辐照度1000w/m2和不同温度的情况下对sm55的最优参数估计
表6.在辐照度1000w/m2和不同温度的情况下对kc200gt的最优参数估计
如图7所示，为本发明实施例中，提供的一种基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化器，包括：
光伏模型参数范围设置单元10，用于确定光伏模型，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；
参数优化单元20，用于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；
优化结果输出单元30，用于输出最终获取的最优的模型参数向量。
其中，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]；
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]；
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]。
实施本发明实施例，具有如下有益效果：
本发明结合纵横交叉策略以及nm单纯型的哈里斯鹰算法，通过基础的哈里斯鹰算法进行全局搜索，纵横交叉算法保证候补解的多样性进行粗略的局部搜索，nm单纯型指导进一步进行精细的局部搜索，提高提取光伏参数的精度，从而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，提高了评估光伏模型参数的性能。
值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
- 还没有人留言评论。精彩留言会获得点赞！