CN103399491A - 光伏发电系统光伏组件机理模型参数辨识方法 - Google Patents

Abstract

本发明提出一种光伏发电系统光伏组件机理模型参数辨识方法，包括步骤：搭建光伏组件机理模型并对实际光伏组件进行模拟；以上述建立的模型作为研究对象，根据光伏组件已知的实际工程参数得到光伏组件的最大功率点信息，推导出机理模型中待辨识的未知参数，即光伏电池串联电阻R_s、曲线拟合系数A之间的关系，并利用A表示R_s；采用修正阻尼最小二乘法对参数A进行辨识。本发明的光伏发电系统光伏组件机理模型参数辨识方法，减少了待辨识参数的数目，提高了系统参数辨识的精度。

Description

光伏发电系统光伏组件机理模型参数辨识方法

技术领域

本发明涉及电网分析计算领域，具体涉及一种光伏发电系统光伏组件机理模型参数辨识方法。

背景技术

近年来，大规模光伏发电系统的迅速发展，必然会对电力系统产生巨大影响。而光伏电池是光伏发电系统中光伏阵列的重要组成部分，光伏组件输出特性会直接影响整个光伏发电系统的整体输出特性，所以建立能够准确描述光伏组件输出特性的模型是开展光伏系统对电力系统影响分析等相关研究及仿真的基础。

现阶段在光伏组件模型方面，归纳起来主要有三种模型：光伏组件U-I特性模型（机理模型），工程用简化模型，考虑部分阴影遮挡的光伏组件模型。其中，机理模型由于概念清楚，特性与实测更一致，因此为更多数研究者所接受。

在实际情况下，光伏模块生产商只为用户提供标准测试条件下的短路电流I_sc，开路电压U_oc，最大功率点输出电压U_m，输出电流I_m及开路电压温度系数K_v，短路电流温度系数K_i。而光伏组件的机理模型需要的是标准测试条件下的短路电流I_sc，开路电压U_oc，短路电流温度系数K_i、串联电阻R_s等参数，二者的参数概念并不对应。

发明内容

本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此，本发明的一个目的在于提出一种难度较小，准确率较高的光伏发电系统光伏组件机理模型参数辨识方法。

根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法，包括以下步骤：S1.搭建光伏组件机理模型并对实际光伏组件进行模拟；S2.以所述模型作为研究对象，根据所述光伏组件已知的实际工程参数得到所述光伏组件的最大功率点信息，推导出所述机理模型中待辨识的未知参数，即光伏电池串联电阻R_s、曲线拟合系数A之间的关系，并利用所述曲线拟合系数A表示所述光伏电池串联电阻R_s；以及S3.采用修正阻尼最小二乘法对所述参数曲线拟合系数A进行辨识。

优选地，根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法，所述步骤S2进一步包括步骤：根据下列公式计算所述光伏组件机理模型中的光伏组件输出功率为： $P=V\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\·\frac{V+R_{s}I}{{\mathrm{AN}}_s})\left]\right\}$ 其中，V为输出电压，I为输出电流，I_pv为光伏电流，I₀为二极管饱和电流，N_s为光伏电池串联个数，q=1.6*10^-19C是电子电荷，A是曲线拟合系数，K=1.38*10^-23J/K是波尔兹曼常数，R_S是光伏电池串联电阻；得到 $P_m=V_m\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\·\frac{V_m+R_s{I}_m}{{\mathrm{AN}}_s})\left]\right\},$ 其中，P_m是最大功率点功率，V_m是最大功率点电压，I_m是最大功率点电流；将所述P_m进一步变换得到：

优选地，根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法，所述步骤S3进一步包括：S301.令待辨识的参数组成待辨识参数向量α，并设定向量α初值α₀、阻尼因子λ、二分法常数β、最大误差值J_max、最大迭代值MaxTimes、收敛指标ε₂和收敛指标ε₃，令迭代次数k=0；S302.读入模型输入[T，G，V]，实际光伏组件最大功率点功率及电压P_m，U_m，其中T为光伏组件表面温度，G为辐照度，V为光伏组件的发电电压；S303.计算目标函数J(α)=∫(Y_r-Y_M)^Tw(Y_r-Y_M)dt，其中，Y_r为实际组件最大功率点功率及电压，Y_M为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量，w为观测加权矩阵；S304.判断是否同时满足J(α)>J_max和k<MaxTimes，如果同时满足J(α)>J_max和k<MaxTimes，则执行S305，否则，执行S318；S305.计算雅克比矩阵

并分别根据公式 $H={\&Integral;}_{t_0}^t{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}\mathrm{dt}$ 和 $g={\&Integral;}_{t_0}^t{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w(Y_r-Y_M\left({\mathrm{\&alpha;}}_0\right))\mathrm{dt}$ 计算矩阵H和矩阵g；S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ；S307.判断加入阻尼因子λ的矩阵H是否可逆，如果加入阻尼因子λ的矩阵H可逆，则执行S308，否则，执行S312；S308.利用公式p=-H^-1g计算方向矩阵p；S309.判断g^Tp>0是否成立，如果g^Tp>0成立，则执行S312，否则，执行S310；S310.采用重复二等分的方法确定h，使h满足J(α_k+hp)<J(α_k)+2βhg^Tp，并令Δα=hp；S311.令λ=λ/4，执行S315；S312.判断矩阵g的最大模分量

是否小于等于设定阈值ε₁，如果矩阵g的最大模分量|g_l|小于等于设定阈值，则执行S318，否则，执行S313，其中，g_i为向量g中的元素，n为向量g的维数；S313.确定h，使得h满足J(α_k+hg_l)<J(α_k)，并令Δα=hp；S314.令λ=λ/4；S315.判断α的变化量α_k+1-α_k是否小于收敛指标ε₂或者目标函数J的变化量J(α_k+1)-J(α_k)是否小于收敛指标ε₃，如果是，则执行S316，否则，执行S318；S316.令α_k+1=α_k+Δα，且k=k+1；S317.检验α_k+1的合理性，当α_k+1在设定的参数范围内时，则认为α_k+1是合理的，否则，用设定值替代α_k+1，之后返回S302进行下一步迭代；S318.停止迭代；以及S319.输出结果。

本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法，减少了待辨识参数的数目，提高了系统参数辨识的精度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是光伏组件机理模型原理示意图；

图2是本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法的流程图；和

图3是图2中步骤S3的详细流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

针对背景技术中所述现状，本发明提出了一种光伏发电系统光伏组件机理模型参数辨识方法，减少了待辨识参数的数目，提高了系统参数辨识的精度。

该方法的核心思想为：首先，搭建一个光伏组件机理模型对实际光伏组件进行模拟，然后，以该模型作为研究对象，经过理论推导计算，导出了机理模型中待辨识的未知参数——光伏电池串联电阻R_s、曲线拟合系数A之间的关系。利用曲线拟合系数A表示光伏电池串联电阻R_s，成功地减少了需辨识的机理模型参数的数目；最后，通过光伏组件已给出的工程参数，采用修正阻尼最小二乘法进行辨识。采用修正阻尼最小二乘法可有效地避免收敛到某一鞍点的情况，确保最后收敛到至某一局部极小值，有利于解决参数辨识中的收敛性和多值性问题，提高了光伏系统参数辨识的精度和扩大了收敛范围。仿真结果也证明了该辨识方法的正确性和有效性。

为使本领域技术人员更好地理解本发明，发明人先对光伏组件机理模型的建模做背景和原理等做铺垫，然后再详细叙述具体实施例。

1.光伏组件机理模型原理

图1是光伏组件机理模型原理图。如图1可知光伏组件的机理模型为

其中，V为输出电压，I为输出电流，I_pv为光伏电流，I_d为二极管总的扩散电流且R_s为组件串联电阻，R_p为组件并联电阻。

由于并联电阻R_p数值非常大，可以近似看做无穷大，可以忽略R_p对光伏组件输出特性的影响。考虑光照强度和温度变化，光伏组件机理模型的输出特性可描述为

$\left\{\begin{array}{c}I=I_{\mathrm{pv}}-I_0[\exp \left(\frac{V+R_{s}I}{V_{t}A}\right)-1]\\ V_t=N_s\mathrm{KT}/q\\ I_{\mathrm{pv}}=(I_{\mathrm{pvn}}+K_I\mathrm{\&Delta;T})\frac{G}{G_n}\\ I_0=I_{0n}{\left(\frac{T_n}{T}\right)}^{3/A}\exp \left[\frac{q{E}_g}{\mathrm{AK}}(\frac{1}{T_n}-\frac{1}{T})\right]\\ I_{\mathrm{pvn}}\&ap;I_{\mathrm{scn}}\\ I_{0n}=\frac{I_{\mathrm{pvn}}}{\exp (V_{\mathrm{ocn}}/{\mathrm{AV}}_{\mathrm{tn}})-1}\end{array}\right.---\left(1\right)$

式中V为输出电压，I为输出电流，I_pv为光伏电流，I₀为二极管饱和电流，V_ocn为标准温度下开路电压，I_scn为标准温度下短路电流，N_s为光伏电池串联个数，q=1.6*10^-19(C)是电子电荷，A是曲线拟合系数，K=1.38*10^-23(J/K)是波尔兹曼常数，T_n是额定电池温度，R_S是组件串联电阻，E_g是带隙电压，G是光照强度(W/m²)，K_I(A/SEC)是短路电流温度系数。

2.发明的实施方式—机理模型参数辨识方法

本发明的辨识方法的整体思路为总体测辨法，其基本思想是将光伏组件作为整体，从组件的实际工程参数得到光伏组件的最大功率点信息，在第一节建立的光伏组件模型基础上，根据最大功率点信息辨识出机理模型参数。

2.1光伏组件模型参数

对光伏组件模型参数分类得到下表：

表1.光伏组件参数分类表

已知常数	工程参数	机理模型参数
			标准辐照度Gn	标况短路电流Iscn	标况短路电流Iscn
标准温度Tn	标况开路电压Vocn	标况开路电压Vocn
			波尔兹曼常数K	最大功率电压Vm	短路电流温度系数Ki
电子电荷量q	最大功率电流Im	光伏电池串联电阻Rs
			带隙电压Eg	最大功率Pm	曲线拟合系数A
	开路电压温度系数Kv	电池串联个数Ns
				短路电流温度系数Ki

其中，光伏电池串联电阻R_s，曲线拟合系数A为未知参数。

2.2光伏组件机理模型简化参数辨识策略

由上表可知，机理模型待辨识的参数为光伏电池串联电阻Rs、曲线拟合系数A这两个参数。但由于工程参数只能提供组件最大功率点信息，且只能根据最大功率点信息去辨识机理模型参数，信息量较少，所以为了使辨识精度提高，可以通过计算推导导出Rs与A之间的代数关系，从而减少需辨识的参数。

由2.1节光伏组件机理模型第一个公式得到光伏组件输出功率公式：

$P=V\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\&CenterDot;\frac{V+R_{s}I}{{\mathrm{AN}}_s})\left]\right\}---\left(2\right)$

通过工程参数最大功率点功率P_m，最大功率点电压V_m，最大功率点电流I_m可以得到如下公式：

$P_m=V_m\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\&CenterDot;\frac{V_m+R_s{I}_m}{{\mathrm{AN}}_s})\left]\right\}---\left(3\right)$

将（3）式进行一定的变换得到：

$\mathrm{Rs}=\frac{N_s\&CenterDot;\frac{\mathrm{AKT}}{q}\&CenterDot;\ln \frac{I_{\mathrm{pv}}-I_m}{I_0}-V_m}{I_m}---\left(4\right)$

如（4）式给A一个值，则能够确定唯一的R_s值。所以只需单独对参数A进行辨识即可得到与组件最大功率点拟合的较好的参数A与R_s值。

2.3修正阻尼最小二乘法（Modified Damped Least Square，MDLS）

2.3.1基本原理

由于光伏组件机理模型非线性程度较高，不能用显式表达出来。所以借助如下函数来描述：假定用具有k个参数α_j(j=1,…,k)的模型来拟合n个数据点(x_i，y_i)，i=1,…,n则该模型为：y(x)=y(x；α₁，α₂，…，α_k)。其中,x_i，y_i为观测值，令α=[α₁,α₂…α_k]^T为系统模型的待辨识参数向量。

对于光伏组件机理模型的辨识，有α=[A]，模型输入U=[T，G，V]，其中T为光伏组件表面温度，G为辐照度，V为光伏组件的发电电压，模型输出Y=[P_max，U_max]。

定义目标函数如下：

J(α)=∫(Y_r-Y_M)^Tw(Y_r-Y_M)dt                   （5）

其中，Y_r=[P_m，U_m]为实际组件最大功率点功率及电压，Y_M=[P_max，U_max]为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量，w为观测加权矩阵。

将（2）式对U求偏导得

$\frac{\&PartialD;P}{\&PartialD;U}=I_{\mathrm{pv}}-I_0\left[\exp \frac{q(U+R_{s}I)}{\mathrm{AK}{N}_{s}T}\right]+U[-I_0\&CenterDot;\frac{q}{\mathrm{AK}{N}_{s}T}\&CenterDot;\exp \frac{q(U+R_{s}I)}{\mathrm{AK}{N}_{s}T}]---\left(6\right)$

令 $\frac{\&PartialD;P}{\&PartialD;U}=0$ 得

$U=\frac{{\mathrm{AKN}}_{s}T\&CenterDot;I_{\mathrm{pv}}}{I_{0}q\&CenterDot;\exp \left[\frac{q(U+R_{s}I)}{\mathrm{AK}{N}_{s}T}\right]}-\frac{\mathrm{AK}{N}_{s}T}{q}---\left(7\right)$

上述U对应模型输出P-V曲线中最大功率点的电压值即U_max。

将（7）式中的U代入（2）式得到

$P=\{\frac{\mathrm{AK}{N}_{s}T\&CenterDot;I_{\mathrm{pv}}}{I_{0}q\&CenterDot;\exp \left[\frac{q(U+R_{s}I)}{\mathrm{AK}{N}_{s}T}\right]}-\frac{\mathrm{AK}{N}_{s}T}{q}\}\&times;\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\&CenterDot;\frac{U+R_{s}I}{{\mathrm{AN}}_s})\left]\right\}---\left(8\right)$

其中，P对应模型输出最大功率点功率值即P_max。

将Y_M线性化展开成泰勒级数并略去高阶项，得

$Y_M\left(\mathrm{\&alpha;}\right)=Y_M\left({\mathrm{\&alpha;}}_0\right)+\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}{|}_{{\mathrm{\&alpha;}}_0}(\mathrm{\&alpha;}-{\mathrm{\&alpha;}}_0)---\left(9\right)$

令Δα=α-α₀，并对线性化后的J(α)求极小，得到

$\mathrm{\&Delta;\&alpha;}={\left({\&Integral;}_{t_0}^{t_r}{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}\mathrm{dt}\right)}^{-1}{\&Integral;}_{t_0}^{t_r}{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w(Y_r-Y_M\left({\mathrm{\&alpha;}}_0\right))\mathrm{dt}---\left(10\right)$

$=H^{-1}g$

其中, $H={\&Integral;}_{t_0}^{t_r}{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}\mathrm{dt},$ $g={\&Integral;}_{t_0}^{t_r}{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w(Y_r-Y_M\left({\mathrm{\&alpha;}}_0\right))\mathrm{dt}$

参数估计值 ${\widetilde{\mathrm{\&alpha;}}}_{n+1}={\widetilde{\mathrm{\&alpha;}}}_n+\mathrm{K\&Delta;}{\mathrm{\&alpha;}}_n,$ 其中K为步长矩阵。

对（10）中矩阵H进行修正，对于初值α_k按下式计算其修正方向：

$\stackrel{\&OverBar;}{H}=H+{\mathrm{\&lambda;}}_{k}I,\mathrm{\&Delta;}{\mathrm{\&alpha;}}_k={\stackrel{\&OverBar;}{H}}^{-1}g---\left(11\right)$

其中λ_k>0，为加入阻尼因子，这样当H矩阵奇异或病态时，修正后的矩阵可能仍然能提供一个下降方向。按修正后的方法计算出Δα_k，再按如下方法求得实际修正量：

$\mathrm{\&Delta;\&alpha;}=2^{-r_k}\mathrm{\&Delta;}{\mathrm{\&alpha;}}_k---\left(12\right)$

其中γ_k是使：

$J({\mathrm{\&alpha;}}_k+\mathrm{\&Delta;\&alpha;})\&le;J\left({\mathrm{\&alpha;}}_k\right)-2^{1-r_k}\mathrm{\&gamma;}{g}^T\mathrm{\&Delta;}{\mathrm{\&alpha;}}_k---\left(13\right)$

成立的最小正整数。其中0<γ<1为控制参数。按照实际修正量修正后再进行下一次迭代，直至收敛。

如果矩阵也奇异，则按下述方向P=(0,...0,g_l,0,...0)^T进行线性搜索找到一个Δα_k使得J(α)下降，其中g_l为g中最大值。有文献指出，这一方向对于J(α)在α_k处一定是下降的。同时将阻尼系数增加四倍，以改善下一次H矩阵的特性。

由(13)式得到的修正量Δα确保了J(α)按下降方向变化，而不仅仅是J(Δα)最小。这样就避免了因为初始值偏差太大，而导致参数发散。

由以上介绍可见，由于修正阻尼最小二乘法是在最小二乘法和最速下降法之间取某种插值，它力图以最大的步长前进，同时又能紧靠负梯度方向，这样既能保证迭代的收敛又能保证较快迭代速度。在实际计算中也确实证实了这一点，对很多最小二乘法问题都能求得收敛的结果，收敛的范围也显著增大，并且能有效地避免收敛至某一局部最小值的情况。

2.3.2算法特点

修正阻尼最小二乘法是一种很有效的算法，对很多最小二乘法问题都能求得收敛的结果，并且能有效地避免收敛到某一鞍点的情况，确保最后收敛到至某一局部极小值。由于它具有如此良好的特点，所以本方法中的最小二乘算法辨识算法就采用了修正阻尼最小二乘法作为核心算法，并在某些具体算法中作了更有利于解决参数辨识中的收敛性和多值性问题的改进。程序的计算运行结果表明，采用了修正阻尼最小二乘法的程序比未采用修正阻尼算法的程序的收敛范围显著扩大，并能避免收敛到鞍点上，所以该算法是具有实际应用价值的。

2.3.3算法流程

光伏组件机理模型参数辨识的整体步骤详述如图2所示：

步骤S1.搭建光伏组件机理模型并对实际光伏组件进行模拟。

步骤S2.以模型作为研究对象，根据光伏组件已知的实际工程参数得到光伏组件的最大功率点信息，推导出机理模型中待辨识的未知参数，即光伏电池串联电阻R_s、曲线拟合系数A之间的关系，并利用曲线拟合系数A表示光伏电池串联电阻R_s。

步骤S3.采用修正阻尼最小二乘法对所述参数A进行辨识。

我们以步骤S3中参数辨识为例，介绍通用的修正阻尼最小二乘法算法在光伏组件机理模型简化参数辨识方法中的应用，如图3所示，步骤说明如下：

步骤S301.令待辨识的参数A组成待辨识参数向量α，并设定向量α初值α₀=[A₀]、阻尼因子λ、二分法常数β、最大误差值J_max、最大迭代值MaxTimes、收敛指标ε₂和收敛指标ε₃，令迭代次数k=0；

步骤S302.读入模型输入[T，G，V]，实际光伏组件最大功率点功率及电压P_m，U_m，其中T为光伏组件表面温度，G为辐照度，V为光伏组件的发电电压；

步骤S303.进行一次模型仿真，求得仿真的最大功率点功率P_max和电压U_max，然后计算目标函数J(α)=∫(Y_r-Y_M)^Tw(Y_r-Y_M)dt，其中，Y_r为实际组件最大功率点功率及电压，Y_M为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量，w为观测加权矩阵；

步骤S304.判断是否同时满足J(α)>J_max和k<MaxTimes，如果同时满足J(α)>J_max和k<MaxTimes，则执行S305，否则，执行S318；

步骤S305.计算雅克比矩阵

并分别根据公式

和 $g={\&Integral;}_{t_0}^t{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w(Y_r-Y_M\left({\mathrm{\&alpha;}}_0\right))\mathrm{dt}$ 计算矩阵H和矩阵g；

步骤S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ；

步骤S307.判断加入阻尼因子λ的矩阵H是否可逆，如果加入阻尼因子λ的矩阵H可逆，则执行S308，否则，执行S312；

步骤S308.利用公式p=-H^-1g计算方向矩阵p；

步骤S309.判断g^Tp>0是否成立，如果g^Tp>0成立，则执行S312，否则，执行S310；

步骤S310.采用重复二等分的方法确定h，使h满足J(α_k+hp)<J(α_k)+2βhg^Tp，并令Δα=hp；

步骤S311.令λ=λ/4，执行S315；

步骤S312.判断矩阵g的最大模分量

是否小于等于设定阈值ε₁，如果矩阵g的最大模分量|g_l|小于等于设定阈值，则执行S318，否则，执行S313，其中，g_i为向量g中的元素，n为向量g的维数；

步骤S313.确定h，使得h满足J(α_k+hg_l)<J(α_k)，并令Δα=hp；

步骤S314.令λ=λ/4；

步骤S315.判断α的变化量α_k+1-α_k是否小于收敛指标ε₂或者目标函数J的变化量J(α_k+1)-J(α_k)是否小于收敛指标ε₃，如果是，则执行S316，否则，执行S318；

步骤S316.令α_k+1=α_k+Δα，且k=k+1；

步骤S317.检验α_k+1的合理性，当α_k+1在设定的参数范围内时，则认为α_k+1是合理的，否则，用设定值替代α_k+1，之后返回S302进行下一步迭代；

步骤S318.停止迭代；以及

步骤S319.输出结果。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种光伏发电系统光伏组件机理模型参数辨识方法，其特征在于，包括步骤：

S1.搭建光伏组件的机理模型并对实际光伏组件进行模拟；

S2.以所述机理模型作为研究对象，根据所述光伏组件的已知的实际工程参数得到所述光伏组件的最大功率点信息，推导出所述机理模型中的光伏电池串联电阻R_s、曲线拟合系数A之间的关系，并利用所述曲线拟合系数A表示所述光伏电池串联电阻R_s；以及

S3.采用修正阻尼最小二乘法对所述曲线拟合系数A进行辨识。

2.如权利要求1所述的光伏发电系统光伏组件机理模型参数辨识方法，其特征在于，所述步骤S2进一步包括步骤：

根据下列公式计算所述机理模型中的光伏组件输出功率为：

$P=V\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\&CenterDot;\frac{V+R_{s}I}{{\mathrm{AN}}_s})\left]\right\}$

其中，V为输出电压，I为输出电流，I_pv为光伏电流，I₀为二极管饱和电流，N_s为光伏电池串联个数，q=1.6*10^-19C是电子电荷，A是曲线拟合系数，K=1.38*10^-23J/K是波尔兹曼常数，R_S是光伏电池串联电阻；

得到 $P_m=V_m\{I_{\mathrm{pv}}-I_0[\exp (\frac{q}{\mathrm{KT}}\&CenterDot;\frac{V_m+R_s{I}_m}{{\mathrm{AN}}_s})\left]\right\},$ 其中，P_m是最大功率点功率，V_m是最大功率点电压，I_m是最大功率点电流；

将所述P_m进一步变换得到： $\mathrm{Rs}=\frac{N_s\&CenterDot;\frac{\mathrm{AKT}}{q}\&CenterDot;\ln \frac{I_{\mathrm{pv}}-I_m}{I_0}-V_m}{I_m}.$

3.如权利要求1所述的光伏发电系统光伏组件机理模型参数辨识方法，其特征在于，所述步骤S3进一步包括步骤：

S301.将待辨识的参数组成待辨识参数向量α，并设定向量α初值α₀，阻尼因子λ、二分法常数β、最大误差值J_max、最大迭代值MaxTimes、收敛指标ε₂和收敛指标ε₃，令迭代次数k=0；

S302.读入模型输入[T，G，V]和实际光伏组件最大功率点功率及电压P_m，U_m，其中T为光伏组件表面温度，G为辐照度，V为光伏组件的发电电压；

S303.计算目标函数J(α)=∫(Y_r-Y_M)^Tw(Y_r-Y_M)dt，其中，Y_r为实际组件最大功率点功率及电压，Y_M为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量，w为观测加权矩阵；

S304.判断是否同时满足J(α)>J_max和k<MaxTimes，如果同时满足J(α)>J_max和k<MaxTimes，则执行S305，否则，执行S318；

S305.计算雅克比矩阵

并分别根据公式

和 $g={\&Integral;}_{t_0}^t{\left(\frac{\&PartialD;Y_M}{\&PartialD;{\mathrm{\&alpha;}}^T}\right)}_{{\mathrm{\&alpha;}}_0}^{T}w(Y_r-Y_M\left({\mathrm{\&alpha;}}_0\right))\mathrm{dt}$ 计算矩阵H和矩阵g；

S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ；

S307.判断加入阻尼因子λ的矩阵H是否可逆，如果加入阻尼因子λ的矩阵H可逆，则执行S308，否则，执行S312；

S308.利用公式p=-H^-1g计算方向矩阵p；

S309.判断g^Tp>0是否成立，如果g^Tp>0成立，则执行S312，否则，执行S310；

S310.采用重复二等分的方法确定h，使h满足J(α_k+hp)<J(α_k)+2βhg^Tp，并令Δα=hp；

S311.令λ=λ/4，执行S315；

S312.判断矩阵g的最大模分量

是否小于等于设定阈值ε₁，如果矩阵g的最大模分量|g_l|小于等于设定阈值，则执行S318，否则，执行S313，其中，g_i为向量g中的元素，n为向量g的维数；

S313.确定h，使得h满足J(α_k+hg_l)<J(α_k)，并令Δα=hp；

S314.令λ=λ/4；

S315.判断α的变化量α_k+1-α_k是否小于收敛指标ε₂或者目标函数J的变化量J(α_k+1)-J(α_k)是否小于收敛指标ε₃，如果是，则执行S316，否则，执行S318；

S316.令α_k+1=α_k+Δα，且k=k+1；

S317.检验α_k+1的合理性，当α_k+1在设定的参数范围内时，则认为α_k+1是合理的，否则，用设定值替代α_k+1，之后返回S302进行下一步迭代；

S318.停止迭代；以及

S319.输出结果。

Images