CN106126863A - 基于人工鱼群和蛙跳算法的光伏电池参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于人工鱼群和蛙跳混合算法的光伏电池参数辨识方法，包括建立光伏组件机理模型、设置目标函数、计算所述光伏电池的实测输出电压U和实测输出电流为I、执行人工鱼群算法、执行蛙跳算法步骤。本发明兼具了人工鱼群算法前期收敛迅速与蛙跳算法局部搜索准确的优势。前期通过人工鱼群算法的聚群和追尾行为可使整个鱼群迅速向全局最优区域移动，收敛速度较快；后期通过蛙跳算法有更强的方向性的更新策略，在一个区域内具有较强的局部搜索寻找到最优解的能力，使计算结果更精确。

Description

基于人工鱼群和蛙跳算法的光伏电池参数辨识方法

技术领域

本发明涉及一种光伏电池参数辨识方法，尤其是一种基于人工鱼群和蛙跳算法的光伏电池参数辨识方法，属于能源技术领域。

背景技术

近年来，光伏发电技术以其独特的发电特性取得了广泛地发展与应用。而光伏电池是光伏发电系统中光伏阵列的重要组成部分，光伏电池输出特性会直接影响整个光伏发电系统的整体输出特性，准确地计算光伏发电系统的输出功率，预测光伏电站的发电量，能够更合理地安排机组出力，有助于大规模光伏发电系统的并网运行与调度。所以建立能够准确描述光伏电池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。

在光伏电池模型方面，国内外学者已做了大量工作，归纳起来主要有三种模型:光伏组件U－I特性机理模型、工程用简化模型以及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。

而在实际上，传统的光伏电池参数辨识和功率预测方法，多基于光伏电池生产厂家提供的数据。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，也无法精确地预测光伏阵列的输出功率。

发明内容

本发明要解决的技术问题是提供一种基于人工鱼群和蛙跳算法的光伏电池参数辨识方法。

本发明采用下述技术方案：

一种基于人工鱼群和蛙跳算法的光伏电池参数辨识方法，mxn个所述光伏电池通过m串n并组成光伏阵列，m，n为大于1的整数，所述光伏阵列用于单级式光伏并网发电系统；包括以下步骤：

步骤1：建立光伏组件机理模型：

$I_L=I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}}---\left(1\right)$

其中，U_L、I_L分别为光伏电池的输出电压和输出电流，I_ph.ref为标准测试条件下的光伏电池的光生电流，I_o.ref为标准测试条件下的二极管反向饱和电流，n为二极管品质因子，R_s为串联电阻，R_sh为并联电阻，T为光伏电池的绝对温度，K为玻尔兹曼常数，q为电子基本电荷量；

步骤2：设置目标函数：

$R_{MSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\[f(U_L,I_L,x)\]}^2}---\left(2\right)$

其中，U_L和I_L为所述光伏电池的输出电压输出电流，x＝[I_ph.ref,I_o.ref,R_s,R_sh,n]为需要辨识的光伏电池参数，f(U_L,I_L,x)为光伏电池输出电流的估计误差，其计算方法为：

$\left(3\right)---f(U_L,I_L,x)=I-(I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}})$

式中I为光伏阵列的实测输出电流；

步骤3：计算所述光伏电池的实测输出电压U和实测输出电流I：

U＝U_L1/m (4)

I＝I_L1/n (5)

其中，U_L1和I_L1为所述光伏阵列的实测输出电压和实测输出电流；

步骤4：执行人工鱼群算法，由以下具体步骤组成：

步骤4-1：初始化鱼群：设置人工鱼群中的人工鱼数量N、人工鱼的感知距离Visual、人工鱼移动的最大步长Step、拥挤度因子δ、觅食行为尝试的最大次数try_number、最大迭代次数MAXGEN和各人工鱼个体的状态位置初始值{X₀}＝(x₁,x₂,...,x_n,...,x_N),其中x_n＝[I_ph.ref,I_o.ref,R_s,R_sh,n]；设置迭代次数try为0；

步骤4-2：计算各人工鱼在位置i的食物浓度，即计算目标函数值R_MES,i，并记录当前全局最优人工鱼的状态位置{X_best}；

步骤4-3：模拟聚群行为：设置尝试次数try_1为0；逐一计算各人工鱼在当前状态位置X_i,领域范围d_i,j＝||X_i-X_j||<Visual范围内的伙伴数目n_f及中心位置X_c,中心位置X_c计算公式如下：

$X_C=\underset{j=1}{\overset{n_f}{\&Sigma;}}\frac{X_j}{n_f}---\left(6\right)$

判断(Y_c/n_f)>δY_i是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_c的方向前进一步，记录移动后的位置X_next1和浓度Y_next1；否则，转向步骤4-6；

步骤4-4：模拟追尾行为：搜索各人工鱼在当前领域内浓度最大的伙伴Y_j，判断(Y_j/n_f)>δY_i，是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_j的方向前进一步，记录移动后的位置X_next2和浓度Y_next2；否则，转向步骤4-6；

步骤4-5：尝试次数try_1；判断尝试次数try_1是否大于觅食行为尝试的最大次数try_number，如果是转向步骤4-8，否则，转向步骤4-6；

步骤4-6：模拟觅食行为：在各人工鱼的当前状态位置的领域范围内随机选择一个位置状态X_k，判断其浓度Y_k是否大于位置状态X_i的浓度Y_i，如果是，转向步骤4-7；否则转向步骤4-5；

步骤4-7：所述人工鱼则向位置状态X_k方向前进一步；

步骤4-8：模拟随机行为：各人工鱼的状态位置随机移动到下一个位置：X_i+1＝X_i+r*Visual，r为[-1，1]之间的随机数；

步骤4-9：比较步骤4-3、步骤4-4、步骤4-6和步骤4-8中各人工鱼所处状态位置对应的目标函数值，选择最小的一个更新全局最优人工鱼的状态位置{X_best}；

步骤4-10：try加1，判断是否大于最大迭代次数MAXGEN，如果是，转向步骤5，否则，转向步骤4-3；

步骤5：执行蛙跳算法，由以下具体步骤组成：

步骤5-1：初始化青蛙种群：将最后一次迭代产生的人工鱼按目标函数值排序，取其前1/2生成的相应的青蛙，设置青蛙个体的状态位置为X_i＝(x_1i,x_2i,...x_ki)，其中x_ki＝[I_ph.ref,I_o.ref,R_s,R_sh,n](i＝1,2,...,k)；设置青蛙子群个数p及最大迭代次数MAXI；蛙跳算法迭代次数设置为0；

步骤5-2：将所述各青蛙降序排列后分配到青蛙p个子群中，分配规则为第1只青蛙进入第1个子群，第p只进入第p个子群，第p+1只进入第一个子群；设置跳跃次数为0；蛙跳算法迭代次数加1，判断其是否大于MAXI，如果是，转向步骤6，否则转向步骤5-3；

步骤5-3：每个子群中，最优和最差位置即对应目标函数值最小和最大的青蛙被标记为X_b和X_ww，整个蛙群中的最优青蛙标记为X_g；将X_ww设置为跳跃青蛙X_w；设置模拟跳跃次数为0；

步骤5-4：模拟青蛙跳跃：模拟跳跃次数加1，更新规则如下:

X_w-new＝X_w-current+C*R*(X_b-X_w) (7)

式中，R是0到1之间的随机数；C为步长因子，X_w-current为X_w的当前位置，X_w-new为X_w更新后位置；

步骤5-5：判断X_w-new是否优于X_w-current，如果是，将_w-new更新为X_w-current，转向步骤5-2，否则转向步骤5-6；

步骤5-6：判断模拟跳跃次数是否为1，如果是，转向步骤5-7，否则转向步骤5-2；

步骤5-7：设置X_g为跳跃青蛙X_w，转向步骤5-4；

步骤6：输出最优解，包括辨识结果和最小均方根误差。

采用上述技术方案所产生的有益效果在于：

1、本发明前期通过人工鱼群算法的聚群和追尾行为可使整个鱼群迅速向全局最优区域移动，在前期收敛速度较快。

2、本发明后期通过蛙跳算法有更强的方向性的更新策略，在一个区域内具有较强的局部搜索寻找到最优解的能力，使计算结果更精确。

3、本发明提出的混合算法兼具了人工鱼群算法前期收敛迅速与蛙跳算法局部搜索准确的优势。

附图说明

图1是光伏电池的等效电路图；

图2本发明的流程图；

图3是本发明中的人工鱼群算法流程图；

图4是本发明中的蛙跳算法流程图。

具体实施方式

下面结合附图和具体是实施方式对本发明作进一步详细的说明。

如图1所示，光伏电池相当于一般的P-N结，电池的模型可以用反向二极管与电流源的并联电路来等效。根据光伏电池机理模型原理示意图建立光伏电池数学模型，以模型为研究对象，推倒出机理模型中待辨识的未知参数，即标准测试条件下的光生电流I_ph.ref，标准测试条件下的二极管反向饱和电流I_o.ref，二极管品质因子n，串联电阻R_s，并联电阻R_sh，并以均方根误差R_MSE为目标函数。

如图2所示，一种基于人工鱼群和蛙跳算法的光伏电池参数辨识方法，mxn个所述光伏电池通过m串n并组成光伏阵列，m，n为大于1的整数，所述光伏阵列用于单级式光伏并网发电系统；包括以下步骤：

步骤1：建立光伏组件机理模型：

$I_L=I_{ph.ref}-I_{o.ref}\exp \{\&lsqb;\frac{q(U_L+I_L{R}_s)}{nKT}\&rsqb;-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}}---\left(1\right)$

其中，U_L、I_L分别为光伏电池的输出电压和输出电流，I_ph.ref为标准测试条件下的光伏电池的光生电流，I_o.ref为标准测试条件下的二极管反向饱和电流，n为二极管品质因子，R_s为串联电阻，R_sh为并联电阻，T为光伏电池的绝对温度，K为玻尔兹曼常数，q为电子基本电荷量；

步骤2：设置目标函数：

$R_{MSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\&lsqb;f(U_L,I_L,x)\&rsqb;}^2}---\left(2\right)$

其中，U_L和I_L为所述光伏电池的输出电压输出电流，x＝[I_ph.ref,I_o.ref,R_s,R_sh,n]为需要辨识的光伏电池参数，f(U_L,I_L,x)为光伏电池输出电流的估计误差，其计算方法为：

$f(U_L,I_L,x)=I-(I_{ph.ref}-I_{o.ref}\exp \{\&lsqb;\frac{q(U_L+I_L{R}_s)}{nKT}\&rsqb;-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}})---\left(3\right)$

式中I为光伏阵列的实测输出电流；

步骤3：计算所述光伏电池的实测输出电压U和实测输出电流I：

U＝U_L1/m (4)

I＝I_L1/n (5)

其中，U_L1和I_L1为所述光伏阵列的实测输出电压和实测输出电流；

步骤4：执行人工鱼群算法，由以下具体步骤组成：

步骤4-1：初始化鱼群：设置人工鱼群中的人工鱼数量N、人工鱼的感知距离Visual、人工鱼移动的最大步长Step、拥挤度因子δ、觅食行为尝试的最大次数try_number、最大迭代次数MAXGEN和各人工鱼个体的状态位置初始值{X₀}＝(x₁,x₂,...,x_n,...,x_N),其中x_n＝[I_ph.ref,I_o.ref,R_s,R_sh,n]；设置迭代次数try为0；

步骤4-2：计算各人工鱼在位置i的食物浓度，即计算目标函数值R_MES,i，并记录当前全局最优人工鱼的状态位置{X_best}；

步骤4-3：模拟聚群行为：设置尝试次数try_1为0；逐一计算各人工鱼在当前状态位置X_i,领域范围d_i,j＝||X_i-X_j||<Visual范围内的伙伴数目n_f及中心位置X_c,中心位置X_c计算公式如下：

$X_C=\underset{j=1}{\overset{n_f}{\&Sigma;}}\frac{X_j}{n_f}---\left(6\right)$

判断(Y_c/n_f)>δY_i是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_c的方向前进一步，记录移动后的位置X_next1和浓度Y_next1；否则，转向步骤4-6；

步骤4-4：模拟追尾行为：搜索各人工鱼在当前领域内浓度最大的伙伴Y_j，判断(Y_j/n_f)>δY_i，是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_j的方向前进一步，记录移动后的位置X_next2和浓度Y_next2；否则，转向步骤4-6；

步骤4-5：尝试次数try_1；判断尝试次数try_1是否大于觅食行为尝试的最大次数try_number，如果是转向步骤4-8，否则，转向步骤4-6；

步骤4-6：模拟觅食行为：在各人工鱼的当前状态位置的领域范围内随机选择一个位置状态X_k，判断其浓度Y_k是否大于位置状态X_i的浓度Y_i，如果是，转向步骤4-7；否则转向步骤4-5；

步骤4-7：所述人工鱼则向位置状态X_k方向前进一步；

步骤4-8：模拟随机行为：各人工鱼的状态位置随机移动到下一个位置：X_i+1＝X_i+r*Visual，r为[-1，1]之间的随机数；

步骤4-9：比较步骤4-3、步骤4-4、步骤4-6和步骤4-8中各人工鱼所处状态位置对应的目标函数值，选择最小的一个更新全局最优人工鱼的状态位置{X_best}；

步骤4-10：try加1，判断是否大于最大迭代次数MAXGEN，如果是，转向步骤5，否则，转向步骤4-3；

步骤5：执行蛙跳算法，由以下具体步骤组成：

步骤5-1：初始化青蛙种群：将最后一次迭代产生的人工鱼按目标函数值排序，取其前1/2生成的相应的青蛙，设置青蛙个体的状态位置为X_i＝(x_1i,x_2i,...x_ki)，其中x_ki＝[I_ph.ref,I_o.ref,R_s,R_sh,n](i＝1,2,...,k)；设置青蛙子群个数p及最大迭代次数MAXI；蛙跳算法迭代次数设置为0；

步骤5-2：将所述各青蛙降序排列后分配到青蛙p个子群中，分配规则为第1只青蛙进入第1个子群，第p只进入第p个子群，第p+1只进入第一个子群；设置跳跃次数为0；蛙跳算法迭代次数加1，判断其是否大于MAXI，如果是，转向步骤6，否则转向步骤5-3；

步骤5-3：每个子群中，最优和最差位置即对应目标函数值最小和最大的青蛙被标记为X_b和X_ww，整个蛙群中的最优青蛙标记为X_g；将X_ww设置为跳跃青蛙X_w；设置模拟跳跃次数为0；

步骤5-4：模拟青蛙跳跃：模拟跳跃次数加1，更新规则如下:

X_w-new＝X_w-current+C*R*(X_b-X_w) (7)

式中，R是0到1之间的随机数；C为步长因子，X_w-current为X_w的当前位置，X_w-new为X_w更新后位置；

步骤5-5：判断X_w-new是否优于X_w-current，如果是，将_w-new更新为X_w-current，转向步骤5-2，否则转向步骤5-6；

步骤5-6：判断模拟跳跃次数是否为1，如果是，转向步骤5-7，否则转向步骤5-2；

步骤5-7：设置X_g为跳跃青蛙X_w，转向步骤5-4；

步骤6：输出最优解，包括辨识结果和最小均方根误差。

Claims (1)

1.一种基于人工鱼群和蛙跳算法的光伏电池参数辨识方法，mxn个所述光伏电池通过m串n并组成光伏阵列，m，n为大于1的整数，所述光伏阵列用于单级式光伏并网发电系统；其特征在于：包括以下步骤：

步骤1：建立光伏组件机理模型：

$I_L=I_{ph.ref}-I_{o.ref}\exp \{\&lsqb;\frac{q(U_L+I_L{R}_s)}{nKT}\&rsqb;-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}}---\left(1\right)$

其中，U_L、I_L分别为光伏电池的输出电压和输出电流，I_ph.ref为标准测试条件下的光伏电池的光生电流，I_o.ref为标准测试条件下的二极管反向饱和电流，n为二极管品质因子，R_s为串联电阻，R_sh为并联电阻，T为光伏电池的绝对温度，K为玻尔兹曼常数，q为电子基本电荷量；

步骤2：设置目标函数：

$R_{MSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{\&lsqb;f(U_L,I_L,x)\&rsqb;}^2}---\left(2\right)$

其中，U_L和I_L为所述光伏电池的输出电压输出电流，x＝[I_ph.ref,I_o.ref,R_s,R_sh,n]为需要辨识的光伏电池参数，f(U_L,I_L,x)为光伏电池输出电流的估计误差，其计算方法为：

$f(U_L,I_L,x)=I-(I_{ph.ref}-I_{o.ref}exp\{\&lsqb;\frac{q(U_L+I_L{R}_s)}{nKT}\&rsqb;-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}})---\left(3\right)$

式中I为光伏阵列的实测输出电流；

步骤3：计算所述光伏电池的实测输出电压U和实测输出电流I：

U＝U_L1/m (4)

I＝I_L1/n (5)

其中，U_L1和I_L1为所述光伏阵列的实测输出电压和实测输出电流；

步骤4：执行人工鱼群算法，由以下具体步骤组成：

步骤4-1：初始化鱼群：设置人工鱼群中的人工鱼数量N、人工鱼的感知距离Visual、人工鱼移动的最大步长Step、拥挤度因子δ、觅食行为尝试的最大次数try_number、最大迭代次数MAXGEN和各人工鱼个体的状态位置初始值{X₀}＝(x₁,x₂,...,x_n,...,x_N),其中x_n＝[I_ph.ref,I_o.ref,R_s,R_sh,n]；设置迭代次数try为0；

步骤4-2：计算各人工鱼在位置i的食物浓度，即计算目标函数值R_MES,i，并记录当前全局最优人工鱼的状态位置{X_best}；

步骤4-3：模拟聚群行为：设置尝试次数try_1为0；逐一计算各人工鱼在当前状态位置X_i,领域范围d_i,j＝||X_i-X_j||<Visual范围内的伙伴数目n_f及中心位置X_c,中心位置X_c计算公式如下：

$X_C=\underset{j=1}{\overset{n_f}{\&Sigma;}}\frac{X_j}{n_f}---\left(6\right)$

判断(Y_c/n_f)>δY_i是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_c的方向前进一步，记录移动后的位置X_next1和浓度Y_next1；否则，转向步骤4-6；

步骤4-4：模拟追尾行为：搜索各人工鱼在当前领域内浓度最大的伙伴Y_j，判断(Y_j/n_f)>δY_i，是否成立；如果是，将各人工鱼的状态位置则朝伙伴Y_j的方向前进一步，记录移动后的位置X_next2和浓度Y_next2；否则，转向步骤4-6；

步骤4-5：尝试次数try_1；判断尝试次数try_1是否大于觅食行为尝试的最大次数try_number，如果是转向步骤4-8，否则，转向步骤4-6；

步骤4-6：模拟觅食行为：在各人工鱼的当前状态位置的领域范围内随机选择一个位置状态X_k，判断其浓度Y_k是否大于位置状态X_i的浓度Y_i，如果是，转向步骤4-7；否则转向步骤4-5；

步骤4-7：所述人工鱼则向位置状态X_k方向前进一步；

步骤4-8：模拟随机行为：各人工鱼的状态位置随机移动到下一个位置：X_i+1＝X_i+r*Visual，r为[-1，1]之间的随机数；

步骤4-9：比较步骤4-3、步骤4-4、步骤4-6和步骤4-8中各人工鱼所处状态位置对应的目标函数值，选择最小的一个更新全局最优人工鱼的状态位置{X_best}；

步骤4-10：try加1，判断是否大于最大迭代次数MAXGEN，如果是，转向步骤5，否则，转向步骤4-3；

步骤5：执行蛙跳算法，由以下具体步骤组成：

步骤5-1：初始化青蛙种群：将最后一次迭代产生的人工鱼按目标函数值排序，取其前1/2生成的相应的青蛙，设置青蛙个体的状态位置为X_i＝(x_1i,x_2i,...x_ki)，其中x_ki＝[I_ph.ref,I_o.ref,R_s,R_sh,n](i＝1,2,...,k)；设置青蛙子群个数p及最大迭代次数MAXI；蛙跳算法迭代次数设置为0；

步骤5-2：将所述各青蛙降序排列后分配到青蛙p个子群中，分配规则为第1只青蛙进入第1个子群，第p只进入第p个子群，第p+1只进入第一个子群；设置跳跃次数为0；蛙跳算法迭代次数加1，判断其是否大于MAXI，如果是，转向步骤6，否则转向步骤5-3；

步骤5-3：每个子群中，最优和最差位置即对应目标函数值最小和最大的青蛙被标记为X_b和X_ww，整个蛙群中的最优青蛙标记为X_g；将X_ww设置为跳跃青蛙X_w；设置模拟跳跃次数为0；

步骤5-4：模拟青蛙跳跃：模拟跳跃次数加1，更新规则如下:

X_w-new＝X_w-current+C*R*(X_b-X_w) (7)

式中，R是0到1之间的随机数；C为步长因子，X_w-current为X_w的当前位置，X_w-new为X_w更新后位置；

步骤5-5：判断X_w-new是否优于X_w-current，如果是，将_w-new更新为X_w-current，转向步骤5-2，否则转向步骤5-6；

步骤5-6：判断模拟跳跃次数是否为1，如果是，转向步骤5-7，否则转向步骤5-2；

步骤5-7：设置X_g为跳跃青蛙X_w，转向步骤5-4；

步骤6：输出最优解，包括辨识结果和最小均方根误差。