CN103973221B - 一种基于实测数据的光伏阵列参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于实测数据的光伏阵列参数辨识方法，预先采用常规参数辨识方法确定了待求解参数的可行解范围，再通过遗传算法和模拟退火遗传算法对光伏阵列的实测数据进行参数辨识。本发明提供的参数辨识方法实用性较强，本发明通过压缩搜索区间，有效提高了遗传算法的辨识效率，降低了算法的复杂度，同时结合遗传算法和模拟退火遗传算法对实测参数进行辨识，有效的提高了辨识结果的精度。

Description

一种基于实测数据的光伏阵列参数辨识方法

技术领域

本发明涉及一种光伏阵列的参数辨识方法，尤其涉及一种基于实测数据的光伏阵列参数辨识方法。

背景技术

在实际的光伏发电系统中，为准确预测光伏阵列的发电量，以降低光伏发电系统并网对电网造成的不利影响，快捷而准确地确定光伏阵列的模型参数就显得尤为必要。

传统的参数辨识方法主要有电导简化法、牛顿—拉夫逊法等，该类方法多基于光伏电池生产厂家提供的标准工况(standard test condition,STC)下的短路电流I_sc、开路电压V_oc、最大功率点电流I_m、最大功率点电压V_m，计算出待求解的光伏电池模型参数，求得光伏组件I-V特性曲线，从而找到最大功率点。但是，将光伏电池串并联为光伏阵列后，阵列中的各个电池工作状态并不一致；此时，利用厂家提供的数据无法准确辨识光伏阵列的运行参数，从而导致无法精确预测光伏阵列的输出功率。另外，随着时间的推移，光伏阵列参数会发生变化，此时再使用出厂时的信息已无法获取准确的系统参数。现在运用最多的是五点测量法，该方法可以有效的求解出模型参数，但需要提前获取光伏电池I-V特性曲线短路点和开路点的导数；同时，此种方法仍用到光伏电池生产厂家提供的标准工况下的参数，从而降低了辨识的效率和精度。

发明内容

发明目的：针对现有技术存在的问题，本发明提供了一种有效提高辨识效率和精度的基于实测数据的光伏阵列参数辨识方法。

发明内容：本发明提供了一种基于实测数据的光伏阵列参数辨识方法，包括以下步骤：

步骤10：测量光伏阵列在不同工况下的最大功率点处的电压值和电流值；并记录多组实测数据；

步骤20：根据公式组

$\left\{\begin{array}{c}\frac{V_{m1}}{I_{m1}}(a_1{I}_{\mathrm{ph},\mathrm{ref}}-I_{m1})=b_1[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_1{R}_{s,\mathrm{ref}}{I}_{m1}+{\mathrm{nV}}_{\mathrm{th}1}\\ \frac{V_{m2}}{I_{m2}}(a_2{I}_{\mathrm{ph},\mathrm{ref}}-I_{m2}){=b}_2[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_2{R}_{s,\mathrm{ref}}{I}_{m2}+{\mathrm{nV}}_{\mathrm{th}2}\\ \frac{V_{m3}}{I_{m3}}(a_3{I}_{\mathrm{ph},\mathrm{ref}}-I_{m3})=b_3[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_3{R}_{s,\mathrm{ref}}{I}_{m3}+{\mathrm{nV}}_{\mathrm{th}3}\end{array}\right.,$ 结合步骤1中光伏阵列在任意三组不同工况下的最大功率点处的电压值和电流值计算出一组光伏阵列在标准工况下的光生电流参考值I_ph,ref、串联电阻参考值R_s,ref和二极管理想因子参考值n_ref；其中，式中V_m,ref，I_m,ref分别表示光伏阵列在标准工况下最大功率点处的电压、电流值；V_m1，I_m1，V_m2，I_m2，V_m3，I_m3分别为光伏阵列在三组不同工况的最大功率点处的电压值、电流值；V_th,ref为光伏阵列在标准工况下的模型常数，q为电子电荷，q＝1.6×10^-19C，k为玻耳兹曼常数(k＝1.38×10^-23J/K)，T_ref为标准工况下的温度；V_th1、V_th2、V_th3分别为光伏阵列在三组不同工况下的模型常数，均可由i＝1,2,3根据不同工况下的温度T₁、T₂、T₃求出；a₁、b₁、c₁…a₃、b₃、c₃为参数换算系数，分别可由 b_i＝a_ic_i，i＝1,2,3根据不同工况下的光照S₁、S₂、S₃和温度T₁、T₂、T₃求出，其中β＝0.217，S_ref为标准工况下的光照。

步骤30：根据步骤2中计算获得的一组光伏阵列参数参考值I_ph,ref、R_s,ref和n_ref，利用光伏阵列在标准工况下的最大功率点处的电压值V_m,ref和电流值I_m,ref结合光伏电池的I-V方程I_m,ref＝I_ph,ref-I_0,refexp{[q(V_m,ref+I_m,refR_s,ref)/n_refkT_ref]-1}计算出光伏阵列在标准工况下的反向饱和电流I_0,ref，其中，I_ph,ref表示在标准工况下的光生电流参考值，I_0,ref表示在标准工况下二极管反向饱和电流参考值，R_s,ref表示在标准工况下串联电阻的参考值，n_ref表示在标准工况下二极管理想因子参考值；

步骤40：根据步骤1中测量的多组实测数据重复进行步骤2～步骤3，求解出多组在标准工况下的光伏阵列参数I_ph,ref、R_s,ref、n_ref和I_0,ref的参考值；结合多组参数参考值获得每个参数可行解的范围；

步骤50：利用遗传算法辨识光伏阵列的参数；

其中，利用遗传算法辨识光伏阵列参数的方法为：

步骤501：基于步骤40所求得的每个参数可行解范围，初始化遗传算法的控制参数；其中遗传算法的控制参数包括光伏阵列参数采用的编码方式、终止条件的设定、交叉概率和变异概率设定等；

步骤502：根据经过编码的参数可行解随机产生N组初始解，其中每组初始解中均包括四个参数I_ph,ref、R_s,ref、n_ref和I_0，ref的参考值，N组初始解构成一个初始种群，以这N组初始解作为初始点开始迭代；

步骤503：定义适应度函数F:

$F=\frac{1}{H};$

遗传算法是利用个体对应的适应度函数值来评价个体的优劣的，其中，目标函数上式中，m为测量数据个数；V_i为光伏阵列测量电压值；为预测的电压值；这样，光伏电池模型参数辨识问题转化为求目标函数H的最小值问题。

步骤504：初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，将通过代入适应度函数F中进行迭代计算得到的解与设定的终止条件进化代数进行比较，当满足终止条件，则输出每个参数的最优值，即在标准工况下，每个参数的值；否则，继续进行迭代优化。

进一步，还包括步骤60：对于部分实测数据采用遗传算法进行辨识的参数的辨识精度达不到要求时，针对这部分实测数据采用含有自适应交叉、变异算子的模拟退火遗传算法辨识光伏阵列的参数；具体步骤为：

步骤601：根据步骤40获得的每个光伏阵列参数可行解的范围，初始化模拟退火遗传算法的控制参数；

步骤602：根据经过编码的光伏阵列参数可行解随机产生N组初始解，其中每组初始解中均包括四个参数I_ph,ref、R_s,ref、n_ref和I_0，ref的参考值，N组初始解构成一个初始种群，以N组初始解作为初始点开始迭代；

步骤603：定义适应度函数

步骤604：将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，并独立地对所产生的每组解进行模拟退火过程，以模拟退火后的结果作为下一代种群中的解，将通过迭代计算得到的解与设定的终止条件进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化；采用模拟退火遗传算法可以对部分辨识结果精度不够高的实测数据进行辨识，能够有效的提高这一部分的实测数据的辨识结果的精度。

进一步，所述交叉和变异操作均采用自适应算子，以提高算法收敛性能与搜索能力；其中自适应调整公式为：

$P_c=\left\{\begin{array}{c}{k}_1\frac{f_{\max }{-f}^{\&prime;}}{f_{\max }-f_{\mathrm{avg}}},f^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ k_2,f^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.$

$P_m=\left\{\begin{array}{c}{k}_3\frac{f_{\max }-f}{f_{\max }-f_{\mathrm{avg}}},f\&GreaterEqual;f_{\mathrm{avg}}\\ k_4,{f<f}_{\mathrm{avg}}\end{array}\right.$

上式中：P_c为交叉概率，P_m为变异概率；f_max为种群中最大的适应度值，f_avg为每代种群的平均适应度值，f'为要交叉的两个个体中较大的适应度值，f为要变异个体的适应度值；k_j，j＝1,2,3,4自设常数，一般情况下交叉概率P_c和变异概率P_m的取值范围分别为0.4～0.99和0.0001～0.1，同时根据本文设定的适应度函数可以估计出f_max、f_avg、f'、f的值；由此，利用交叉和变异算子的自适应调整公式即可确定常数k_j，j＝1,2,3,4的取值范围，进而在k_j的取值范围中设定k₁、k₂、k₃和k₄的值。

进一步，所述光伏阵列采用同一种光伏电池构成，将光伏阵列等效为光伏电池进行参数辨识；

进一步，所述步骤10中测量并记录的实测数据为30组。

工作原理：本发明基于实测数据的光伏阵列参数辨识方法，预先采用常规参数辨识方法确定了待求解参数的可行解范围，再通过遗传算法和模拟退火遗传算法对光伏阵列的实测数据进行参数辨识。

有益效果：与现有技术相比，本发明提供的参数辨识方法实用性较强，本发明通过压缩搜索区间，有效提高了遗传算法的辨识效率，降低了算法的复杂度，同时结合遗传算法和模拟退火遗传算法对实测参数进行辨识，有效的提高了辨识结果的精度。

附图说明

图1是本发明参数辨识流程图示意图；

图2是基于基本遗传算法参数辨识流程图；

图3是基于混合遗传算法参数辨识流程图；

图4是基本遗传算法的目标函数与进化代数关系图；

图5是混合遗传算法的目标函数与进化代数关系图；

图6是光伏阵列预测功率与实际功率比较曲线图。

具体实施方式

下面结合附图，对本发明进行详细说明。

为了更好的说明本文方案，下面通过具体实例并结合附图，说明本发明的具体实施方式：

本发明中光伏阵列的参数辨识的流程图如图1所示，基于上述流程图，配置MATLABR2008a软件，并为该软件安装英国Sheffield大学开发的遗传算法工具箱。针对宁夏太阳山光伏电站的实测数据，验证本发明的有效性。

步骤1：确定参数可行解范围；

根据光伏电池的I-V方程及光伏阵列与光伏电池的等价变换公式，可推导出光伏阵列的参数求解方程为一个包含三个待求解参数的三元一次方程。参数求解方程如下：

$\left\{\begin{array}{c}\frac{V_{m1}}{I_{m1}}(a_1{I}_{\mathrm{ph},\mathrm{ref}}-I_{m1})=b_1[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_1{R}_{s,\mathrm{ref}}{I}_{m1}+{\mathrm{nV}}_{\mathrm{th}1}\\ \frac{V_{m2}}{I_{m2}}(a_2{I}_{\mathrm{ph},\mathrm{ref}}-I_{m2}){=b}_2[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_2{R}_{s,\mathrm{ref}}{I}_{m2}+{\mathrm{nV}}_{\mathrm{th}2}\\ \frac{V_{m3}}{I_{m3}}(a_3{I}_{\mathrm{ph},\mathrm{ref}}-I_{m3})=b_3[\frac{V_{m,\mathrm{ref}}}{I_{m,\mathrm{ref}}}(I_{\mathrm{ph},\mathrm{ref}}-I_{m,\mathrm{ref}})+R_{s,\mathrm{ref}}{I}_{m,\mathrm{ref}}-{\mathrm{nV}}_{\mathrm{th},\mathrm{ref}}]-c_3{R}_{s,\mathrm{ref}}{I}_{m3}+{\mathrm{nV}}_{\mathrm{th}3}\end{array}\right.$

其中，V_m,ref，I_m,ref分别为光伏阵列STC下最大功率点处的电压、电流值；V_m1，I_m1，V_m2，I_m2，V_m3，I_m3分别为光伏阵列不同工况下的最大功率点处的电压值、电流值；V_th,ref为STC下的模型常数，V_th1、V_th2、V_th3分别为不同工况下的模型常数；a₁、b₁、c₁…a₃、b₃、c₃为参数换算系数，可由光伏阵列的模型参数随光照强度和温度的变化关系式求出。

根据上述方程，只需要选择三组不同工况下光伏阵列最大功率点的电压和电流实测值便可求解出在标准工况下的参数光生电流I_ph,ref、串联电阻R_s，ref和二极管理想因子n_ref的参考值。根据求得的I_ph,ref、R_s,ref及n_ref，利用任意工况下的V_m4、I_m4结合光伏电池的I-V方程可得I_0,ref。由此，可计算出标准工况下光伏阵列模型的I_ph,ref、R_s,ref、n_ref及I_0,ref四个参数的参考值。

基于光伏阵列所提供的多组实测数据可求解出多组I_ph,ref、R_s,ref、n_ref及I_0,ref，由此可确定所针对光伏阵列各个待求解参数的可行解范围。

步骤2：利用基本遗传算法辨识光伏阵列待求解参数；

图2所示为基于基本遗传算法的光伏阵列参数辨识方法流程图。首先，基于步骤1所求得的各个参数可行解范围，初始化基本遗传算法的相关控制参数，包括参数采用的编码方式、终止条件的设定、交叉概率和变异概率设定等；然后，根据经过编码的参数可行解随机产生N个初始解，以这N个初始解作为初始点开始迭代；接着，设计适应度函数，遗传算法是利用个体对应的适应度函数值来评价个体的优劣的，本发明定义适应度函数F:

$F=\frac{1}{H}$

上式中，目标函数m为测量数据个数；V_i为光伏阵列测量电压值；为预测的电压值。这样，光伏电池模型参数辨识问题转化为求目标函数H的最小值问题。最后，将初始种群中的个体随机组队后，进行选择、交叉和变异等遗传操作，通过迭代计算得到优化个体并检测进化代数进行终止条件判断，当满足终止条件，则输出全局最优解；否则，继续进行迭代优化。

步骤3：利用混合遗传算法辨识光伏阵列参数；

图3所示为本发明中基于模拟退火遗传算法的光伏阵列参数辨识方法流程图。在用基本遗传算法进行光伏阵列的参数辨识时，针对部分数据的辨识精度不够高时，利用设计的混合遗传算法提高辨识结果的精度。首先，基于步骤1所求得的各个参数可行解范围，初始化混合遗传算法的相关控制参数，包括参数采用的编码方式、终止条件的设定、温度冷却系数和终止温度的设定等；然后，根据经过编码的参数可行解随机产生N组初始解，N组初始解构成一个种群，以这N组初始解作为初始点开始迭代；接着，设计适应度函数，本发明混和遗传算法中的适应度函数和基本遗传算法的适应度函数一致；最后，将初始种群中的个体随机组队后，进行选择、交叉和变异等遗传操作，并独立地对所产生的各个个体进行模拟退火过程，以其结果作为下一代群体中的个体，通过迭代计算得到优化个体并检测进化代数进行终止条件判断，当满足终止条件，则输出全局最优解(参数最优值)；否则，继续进行迭代优化。

实施示例：

以宁夏太阳山光伏电站为例，该光伏电站的光伏电池串并联数为112*17，以光伏电站5月份的实测数据为例，利用本发明进行参数辨识。宁夏太阳山光伏电站有10个分站房，由1-10编号，每个分站房有2台逆变器。

通过上百组数据的参数辨识和最大功率预测，比较预测值与实际值，可以发现误差较大的情形大多集中在光照较弱的情况下。由此，利用最大功率预测值与实际值的误差状况，可将光伏电站工作环境分为光照较强(晴天8:00～17:00)和光照较弱(阴天及晴天8:00之前和17:00之后)两类，针对两组数据分别根据遗传算法和模拟退火遗传算法辨识所对应的参数值，对本发明加以验证。

(1)光照较强时

利用光照较强(晴天8:00～17:00)时的30组实测数据，根据步骤1方法确定待求解参数的可行解范围。所得参数范围依次为：60.0078≤n_ref≤81.7634；7.4982≤I_ph,ref≤9.5385；1.0×10^-10≤I_0,ref≤1.5×10^-9；0.3064≤R_s,ref≤0.6634；运用基本遗传算法对参数进行辨识。

在遗传算法的运行过程中，需要确定种群规模N、交叉概率P_c和变异概率P_m等参数的值。本文将遗传算法的相关控制参数的值分别设定为：种群规模N＝100，交叉概率P_c＝0.85，变异概率P_m＝0.01，最大进化代数MAXGEN＝500；

如图4所示，在遗传算法工具箱中运行遗传算法后，可得到适应度函数的收敛曲线。由此图可知当迭代次数在250代以后函数收敛，得到各个参数的最优值分别为：n_ref＝68.5430，I_ph,ref＝8.8102Α，I_0,ref＝1.2410×10^-9Α，R_s,ref＝0.4113Ω。

根据辨识出的参数值，预测光伏电站在5月13日(晴天)光照较强时不同工况下的最大功率值，并将预测值与实际值比较，如表1所示：

表1

(2)光照较弱时

利用光照强度较弱(阴天及晴天8:00之前和17:00之后)时的30组实测数据可得参数可行解范围依次为：58.9533≤n_ref≤65.6031；6.8723≤I_ph,ref≤8.4845；1.1×10^-10≤I_0,ref≤1.2×10^-9；0.2964≤R_s,ref≤0.5605；运用模拟退火遗传算法对参数进行辨识。

在模拟退火遗传算法中，相关参数的值分别设定为：种群规模N＝100，自适应交叉、变异算子中k₁＝0.5、k₂＝0.02、k₃＝0.85及k₄＝0.05，最大进化代数MAXGEN＝500，退火初始温度T＝100℃，温度冷却系数k＝0.85，终止温度T_end＝1℃；

如图5所示，在遗传算法工具箱中运行模拟退火遗传算法，可得到适应度函数的收敛曲线。由此图可知当迭代次数在200代以后函数收敛，得到各个参数的最优值分别为：n_ref＝62.2844，I_ph,ref＝7.3021Α，I_0,ref＝2.1135×10^-9Α，R_s,ref＝0.3164Ω。

根据辨识出的参数值，预测光伏电站在5月13日(晴天)光照较弱时不同工况下的最大功率值，并将预测值与实际值比较，如表2所示：

表2

基于以上分析，进一步绘制出光伏电站在5月13日全天不同时刻的实际输出功率值与预测值的比较曲线如图6所示。

通过上述实施方式，可完成对光伏阵列参数辨识方法的实例验证，由此可见，本发明所提供的光伏阵列参数辨识方法，技术方案可行，实施途径简明。

Claims (5)

1.一种基于实测数据的光伏阵列参数辨识方法，其特征在于：包括以下步骤：

步骤10：测量光伏阵列在不同工况下的最大功率点处的电压值和电流值；并记录多组实测数据；

步骤20：根据公式组

结合步骤10中光伏阵列在任意三组不同工况下的最大功率点处的电压值和电流值计算出一组光伏阵列在标准工况下的光生电流参考值I_ph,ref、串联电阻参考值R_s,ref和二极管理想因子参考值n_ref；其中，式中V_m,ref，I_m,ref分别表示光伏阵列在标准工况下最大功率点处的电压、电流值；V_m1，I_m1，V_m2，I_m2，V_m3，I_m3分别为光伏阵列在三组不同工况的最大功率点处的电压值、电流值；V_th,ref为光伏阵列在标准工况下的模型常数，q为电子电荷，q＝1.6×10^-19C，k为玻耳兹曼常数，k＝1.38×10^-23J/K，T_ref为标准工况下的温度；V_th1、V_th2、V_th3分别为光伏阵列在三组不同工况下的模型常数，均可由 i＝1,2,3根据不同工况下的温度T₁、T₂、T₃求出；a_i、b_i、c_i，i＝1,2,3为参数换算系数，分别可由b_i＝a_ic_i，i＝1,2,3根据不同工况下的光照S₁、S₂、S₃和温度T₁、T₂、T₃求出，其中β＝0.217，S_ref为标准工况下的光照；

步骤30：根据步骤20中计算获得的一组光伏阵列参数参考值I_ph,ref、R_s,ref和n_ref，利用光伏阵列在标准工况下的最大功率点处的电压值V_m,ref和电流值I_m,ref结合光伏电池的I-V方程I_m,ref＝I_ph,ref-I_0,refexp{[q(V_m,ref+I_m,refR_s,ref)/n_refkT_ref]-1}计算出光伏阵列在标准工况下的反向饱和电流I_0,ref，其中，I_ph,ref表示在标准工况下的光生电流参考值， I_0,ref表示在标准工况下二极管反向饱和电流参考值，R_s,ref表示在标准工况下串联电阻的参考值，n_ref表示在标准工况下二极管理想因子参考值；

步骤40：根据步骤10中测量的多组实测数据重复进行步骤20～步骤30，求解出多组在标准工况下的光伏阵列参数I_ph,ref、R_s,ref、n_ref和I_0,ref的参考值；结合多组参数参考值获得每个参数可行解的范围；

步骤50：利用遗传算法辨识光伏阵列的参数；

其中，利用遗传算法辨识光伏阵列参数的方法为：

步骤501：基于步骤40所求得的每个参数可行解范围，初始化遗传算法的控制参数；

步骤502：根据经过编码的参数可行解随机产生N组初始解，其中每组初始解中均包括四个参数I_ph,ref、R_s,ref、n_ref和I_0,ref的参考值，N组初始解构成一个初始种群，以这N组初始解作为初始点开始迭代；

步骤503：定义适应度函数F：

其中，目标函数上式中，m为测量数据个数；V_i为第i个光伏阵列测量电压值；V_i ^*为第i个预测的电压值；

步骤504：将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，将通过代入适应度函数F中进行迭代计算得到的解与设定的终止条件进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化。

2.根据权利要求1所述的基于实测数据的光伏阵列参数辨识方法，其特征在于：还包括步骤60：对于部分实测数据采用模拟退火遗传算法辨识光伏阵列的参数；具体步骤为：

步骤601：根据步骤40获得的每个光伏阵列参数可行解的范围，初始化模拟退火遗传算法的控制参数；

步骤602：根据经过编码的光伏阵列参数可行解随机产生N组初始解，其中每组初始解中均包括四个参数I_ph,ref、R_s,ref、n_ref和I_0,ref的参考值，N组初始解构成一个初始种群，以N组初始解作为初始点开始迭代；

步骤603：定义适应度函数

步骤604：将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，并独立地对所产生的每组解进行模拟退火过程，以模拟退火后的结果作为下一代种群中的解，将通过迭代计算得到的解与设定的终止条件进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化。

3.根据权利要求2所述基于实测数据的光伏阵列参数辨识方法，其特征在于：所述步骤604中的交叉和变异操作均采用自适应算子，其中采用的自适应调整公式为：

式中：P_c为交叉概率，P_m为变异概率；f_max为群体中最大的适应度值，f_avg为每代群体的平均适应度值，f'为要交叉的两个个体中较大的适应度值，f为要变异个体的适应度值；k_j，j＝1,2,3,4自设常数。

4.根据权利要求1所述基于实测数据的光伏阵列参数辨识方法，其特征在于：所述光伏阵列采用同一种光伏电池构成，将光伏阵列等效为光伏电池进行参数辨识；

5.根据权利要求1所述基于实测数据的光伏阵列参数辨识方法，其特征在于：所述步骤10中测量并记录的实测数据为30组。