CN106485075B - 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 - Google Patents

Abstract

本发明涉及一种基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其包括以下步骤：步骤S1：采用光伏IV曲线测试仪器获取光伏模型进行IV特性曲线,根据光伏阵列的串联和并联太阳能电池的数量,设置光伏模型参数的范围；步骤S2：采用蜂群智能优化算法对光伏模型参数的进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量；步骤S3：采用多个Nelder‑Mead单纯形在步骤S2中的一组最优的光伏模型参数向量附件进行进一步的粗略局部搜索；步骤S4：采用单个自适应Nelder‑Mead单纯形对步骤S3中的最优的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量。

Description

基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法

技术领域

本发明属于太阳能电池及光伏发电阵列的检测技术，具体涉及一种基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法。

背景技术

光伏组件及阵列的精确建模对于优化光伏电站的发电效率具有重要作用。然而，由于光伏组件及阵列安装和工作在复杂的户外环境中，同时受到热循环、湿度，紫外线，风激振等各种环境因素的作用，容易出现局部材料老化、性能下降、裂纹等各种问题，导致模型参数会随着时间发生变化。光伏组件及阵列主要采用单/双二极管模型，其模型参数对模型的准确性有重要影响。基于实测的光伏组件和阵列伏安(I-V)特性输出曲线的模型参数提取方法与技术，能够获取准确的光伏阵列模型参数，用于实时更新光伏阵列的模型，从而便于评估和优化光伏电站的工作状态。随着世界各国光伏发电装机量的快速增长，光伏发电系统中光伏组件及阵列的精确模型参数提取方法与技术近年来得到国内外越来越多的学者和相关机构的关注。

目前存在的光伏模型参数提取方法大体可分为三种类型，即解析法、数值优化法，以及两者的混合法。解析法主要通过构造光伏模型的显示方程，基于光伏组件制造商给定的或者实测的少数关键点数据(如开路电压、短路电流、最大功率点电压和电流、温度系数)求解出光伏模型参数。这类方法虽然简单、计算量较小，但是模型参数的精度较差，且易受这些关键点数据的精度和噪声影响。为了克服解析法的缺点，各种确定性和随机的数值优化方法相继被提出，这些方法通过最小仿真和实测I-V曲线的均方根误差，来准确提取模型参数。确定性数值优化法包括Newton–Raphson法、Levenberg–Marquardt法、模式搜索法等。这些方法虽然收敛速度快、计算量小，但易陷入局部最优值，模型参数的精度易受搜索起始点影响、比较不稳定。用于光伏模型参数提取的随机数值优化法主要有差分演化、遗传算法、蜂群算法、粒子群算法那、花粉传播算法等等。这些算法具有较强的全局搜索能力，然而计算量较大、收敛速度较慢，难以适用于实时的参数提取。为了利用这类方法的优点同时克服其缺点，一些混合法被提出，包括Levenberg–Marquardt结合模拟退火法，布谷鸟结合单纯形法，解析法结合单纯形法等。虽然这些算法取得了较好的结果，然而仍然难以同时保证参数提取的精度和速度。为此，本发明提出一种新的混合法即基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，通过包括粗略全局搜索、粗略局部搜索和精细局部搜索的三阶段鹰搜索策略，将蜂群算法和单纯形算法进行混合，同时采用自适应参数策略改进了常规的单纯形，从而同时提高了参数提取的精度和速度。

目前，公开发表的文献及专利中尚未见有基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法。

发明内容

本发明的目的在于提供一种基于鹰策略和自适应Nelder-Mead单纯形的光伏模型参数辨识方法，以克服现有相关技术的缺陷，从而提高光伏模型参数辨识的性能。所述的光伏模型是指单二极管五参数模型和双二极管七参数模型；所述的光伏模型参数是指光电流I_ph，二极管反向饱和电流I_o，二极管理想化因子n，等效串联电阻R_s,和等效并联电阻R_sh。

为实现上述目的，本发明采用以下技术方案：一种基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于，包括如下步骤：步骤S1：根据光伏阵列的串联和并联太阳能电池片的数量N_s和N_p,设置光伏组件模型参数的搜索范围；步骤S2：采用蜂群智能优化算法对光伏模型参数进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量；步骤S3：采用多个Nelder-Mead单纯形在步骤S2中的一组最优的光伏模型参数向量X附近进行进一步的粗略局部搜索；步骤S4：采用单个自适应Nelder-Mead单纯形对步骤S3中的最优的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量。

相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于鹰策略和自适应Nelder-Mead单纯形的光伏模型参数辨识方法，通过仿真和实例的验证和分析结果表明，采用包括粗略全局搜索、粗略局部搜索和精细局部搜索的三阶段鹰策略，能够有效利用随机群智能蜂群优化算法全局搜索能力强的优点并避免其计算量大的缺点，有效利用确定性Nelder-Mead单纯形优化算法的局部搜索能力强和计算量低的优点并避免其易陷入局部最优值的缺点，从而同时提高了光伏模型参数辨识的速度、精度和可靠性。此外，采用收缩系数线性自适应调整策略改进了常规Nelder-Mead单纯形算法的收敛速度，从而进一步提高了参数辨识的速度。综上述所，与现有的参数辨识算法相比，本发明大大提高了光伏模型参数辨识的速度、精度和可靠性。

附图说明

图1为本发明中基于鹰策略和自适应Nelder-Mead单纯形的光伏模型参数辨识方法的总体流程图。

图2为本发明中单二极管和双二极管光伏模型的等效电路图。

图3为本发明一实施例中的光伏组件IV曲线获取示意图图。

图4为本发明一实施例中的用于粗略全局搜索的蜂群算法流程图。

图5为本发明一实施例中的用于粗略局部搜索的基本Nelder-Mead单纯形算法流程图。

图6为本发明一实施例中的单二极管模型的参数辨识结果图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步解释。

本发明提供一种基于鹰策略和自适应Nelder-Mead单纯形的光伏模型参数辨识方法，流程框图如图1所示。图2为本实施例的光伏阵列、组件串、组件或电池的单二极管和双二极管等效电路模型，其中图2a为单二极管等效电模型，图2b为双二极管等效电路模型。单二极管光伏数学模型如下式所示：

双二极管数据模型如下式所示：

其中I_L和V_L为实测IV曲线(伏安曲线)中的电流和电压值；V_t为热电压由

确定，其中K为玻尔兹曼常数(1.3806503×10^-23J/K)，q为基本电荷量(1.60217646×10^-19C)。有待辨识的光伏模型参数包括光电流I_ph，二极管反向饱和电流I_o，二极管理想化因子n，等效串联电阻R_s和等效并联电阻R_sh。单二极管光伏模型五参数向量为[I_ph,I_o,n,R_s,R_sh]，双二极管光伏模型七参数向量为[I_ph,I_o1,n₁,I_o2,n₂R_s,R_sh]。本发明所提出的算法通过在给定的参数向量的范围内，寻找一组最优的参数向量X使得如下述公式所示：

均方根误差目标函数OF(X)的取值最小，即使得实测IV曲线与仿真IV曲线最优拟合，具体包括以下步骤：

步骤S1：根据光伏阵列的串联和并联太阳能电池片的数量N_s和N_p,设置光伏组件模型参数的搜索范围；步骤S2：采用蜂群智能优化算法对光伏模型参数进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量；步骤S3：采用多个Nelder-Mead单纯形在步骤S2中的一组最优的光伏模型参数向量X附近进行进一步的粗略局部搜索；步骤S4：采用单个自适应Nelder-Mead单纯形对步骤S3中的最优的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量。

在所述步骤S1中，所述的光伏IV曲线测试仪器型号为台湾泰仕的PROVA-1011。所述的光伏模型参数搜索范围为，I_ph:[0 5N_P](A),I_o:[0 1N_p](μA),n:[1N_s 2N_s],R_s:[0 1N_s/N_p](Ω),R_sh:[0N_s*100](Ω)，其中N_s为光伏模型(光伏阵列/组件串/组件)串联的太阳能电池片的个数，N_p为光伏阵列/组件串/组件中并联的太阳能电池片的个数。

在本发明一实施例中，采用台湾泰仕PROVA-1011光伏IV曲线测试仪器获取光伏组件的IV特性曲线，如图3所示。根据光伏组件的串联和并联太阳能电池片的数量N_s和N_p,设置光伏组件模型参数的搜索范围:I_ph:[0 5N_P](A),I_o:[0 1N_p](μA),n:[1N_s 2N_s],R_s:[0 1N_s/N_p](Ω),R_sh:[0N_s*100](Ω)。

在本发明一实例中所测量的单晶硅光伏组件由36个太阳能电池片串联构成，因此Ns＝36,Np＝1。

步骤S2：采用基本的蜂群智能优化算法对光伏模型参数的进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量。

该基本蜂群算法详细流程如图4所示，其中

算法控制参数:

蜜源的个数(与雇佣蜂和观察蜂数量相等):SN

算法终止的最大迭代次数:MEN

蜜源放弃阈值:lim it

公式(1):X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)

式中，Xi(i＝1,2,...,SN)为D维向量，

D为优化参数的个数，j∈{1,2,...,D}

公式(2):

式中，j∈{1,2,...,D},k∈{1,2,...,SN}

k随机生成且k≠i

为[-1,1]之间的随机数

公式(3):

fit(x_i)为第i个解的适应度值

本蜂群算法具体包括以下步骤：

步骤S201：根据X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)初始化种群的解即蜜源X_i，i＝1,2,...,SN，SN为蜜源个数，X_i为D维向量，j∈{1,2,...,D}；rand(0,1)生成均匀分布的伪随机数，结果分布在(0～1)之间；

步骤S202：计算种群中各个蜜蜂的适应值；

步骤S203：设迭代次数Cycle初始值为1；

步骤S204：判断迭代次数Cycle是否小于等于算法终止的迭代次数MEN，若是将当前的迭代次数Cycle增加1并进入步骤S25；否则根据适应值对所有解进行排序；

步骤S205：雇佣蜂根据

产生新的蜜源V_i并计算新的适应值；式中j∈{1,2,...,D},k∈{1,2,...,SN}，k随机生成且k≠i，

为[-1,1]之间的随机数；

步骤S206：雇佣蜂根据贪心策略选择蜜源；

步骤S207：根据

选择蜜源X_i的概率P_i，式中fit(x_i)为第i个解的适应度值；

步骤S208：观察蜂根据Pi选择蜜源Xi，根据

在该蜜源附近产生新的蜜源V_i的适应值；

步骤S209：观察蜂根据贪心策略选择蜜源；

步骤S210：根据蜜源放弃阈值Limit判断是否存在需要放弃的蜜源，若存在则通过X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)产生一个新的蜜源替代需要放弃的蜜源；否则直接进入步骤S211；

步骤S211：记录最优解并返回步骤S204。

在本发明一实施例中，所采用的蜂群算法控制参数为:种群大小SN＝20,最大迭代次数MEN＝10，蜜源放弃阈值Limit＝10。

步骤S3：采用多个Nelder-Mead单纯形在步骤S2中的一组最优的光伏模型参数向量附近进行进一步的粗略局部搜索。基本单纯形的详细算法流程如图5所示，图

公式一:X_i+1＝(1+Δ)X_1i，i＝1,2,...,N

式中，Δ系数控制初始单纯形的大小

公式二:X_r＝X_c+α(X_c-X_n+1)

式中，

α为反射系数

公式三:X_e＝X_c+β(X_r-X_c)

式中，β为膨胀系数

公式四:X_oc＝X_c+γ(X_r-X_c)

式中，γ为压缩系数

公式五:X_ic＝X_c-γ(X_r-X_c)

式中，γ为压缩系数

公式六:V_i＝X₁+σ(X_i-X₁)

式中，σ为收缩系数，i＝1,2,...,n+1

基本单纯形的算法具体包括以下具体步骤：

步骤S301：在给定的起始点X₁，根据X_i+1＝(1+Δ)X_i，i＝1,2,...,N，构造N+1个顶点的单纯形；式中Δ系数控制初始单纯形的大小，N为自然数；

步骤S302：判断迭代次数Iter是否小于最大的迭代数Iter_max，若是进入步骤S303；否则输出最优解；

步骤S303：对N维单纯形的N+1个顶点进行排序f(X₁)≤f(X₂)...f(X_N)≤f(X_N+1)；

步骤S304：根据公式:X_r＝X_c+α(X_c-X_N+1)计算单纯形的反射点X_r，式中

α为反射系数；

步骤S305：判断是否f(X₁)≤f(X_r)<f(X_N)，若是则使得X_N+1＝X_r,并进入步骤S313；否则进入步骤S306；

步骤S306：判断是否f(X_r)＜f(X₁)，若是根据X_e＝X_c+β(X_r-X_c)计算膨胀点X_e，式中，β为膨胀系数，并进入步骤S307，否则直接进入步骤S308；

步骤S307：判断是否f(X_e)＜f(X_r)，若是则使得X_N+1＝X_e，否则使X_N+1＝X_r，并进入步骤S313；

步骤S308：判断f(X_N)≤f(X_r)＜f(X_N+1)，若是则根据X_oc＝X_c+γ(X_r-X_c)计算外缩收点X_oc，式中，γ为压缩系数，并进入步骤S309，否则直接进入步骤S310；

步骤S309：判断是否f(X_oc)≤f(X_r)，若是则使得X_N+1＝X_oc并进入步骤S313；否则直接进入步骤S312；

步骤S310：判断是否f(X_N+1)≤f(X_r)，若是则根据X_ic＝X_c-γ(X_r-X_c)计算内缩收点X_ic，并进入步骤S311；

步骤S311：判断是否f(X_ic)≤f(X_N+1)，若是则使得X_N+1＝X_ic并进入步骤S313；否则直接进入步骤S312；

步骤S312：根据V_i＝X₁+σ(X_i-X₁)计算收缩点Vi，使X_i＝V_i，并进入步骤S313；式中，σ为收缩系数，i＝1，2，...N+1；

步骤S313：使得当前迭代次数Iter增加1，并返回步骤S302。

在本发明一实施例中，基本单纯形的四个系数设置为:反射系数ρ＝1,膨胀系数β＝1+2/dim，压缩系数γ＝0.75-1/2*dim，收缩系数σ＝1-1/dim。在本实例中，以步骤S2中的5个最优的参数为搜索起点，分别按照图5所示的基本Nelder-Mead单纯形算法进行粗略局部搜索，最大迭代次数设置为100。

步骤S4：采用单个自适应Nelder-Mead单纯形对步骤S3中的最优的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量。自适应策略是指根据迭代数对单纯形的收缩系数进行自适应调整：收缩系数σ＝σ_max-(σ_max-σ_min)*Iter/Iter_max,σ_max＝1-1/dim,σ_min＝0.005，其中dim为参数向量的维数，Iter为当前的迭代数，Iter_max为最大的迭代数。

较佳的，在本实例中对10组不同光照度和温度下的光伏组件IV曲线进行拟合以提取单二极管光伏模型参数，结果如表1和图6所示。每条IV曲线由149个数据点构成，由表1中的曲线拟合均方根误差(RMSE)可见，本发明所提出的方法能够进行精确的曲线拟合。

表1.不同光照度和温度下光伏组件IV曲线拟合及参数提取结果

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于，鹰策略包括粗略全局搜索、粗略局部搜索和精细局部搜索三阶段，具体包括如下步骤：

步骤S1：根据光伏阵列的串联和并联太阳能电池片的数量N_s和N_p,设置光伏组件模型参数的搜索范围；

步骤S2：采用蜂群智能优化算法对光伏模型参数进行粗略全局搜索，获取若干个的较优的光伏模型参数初始值向量；

步骤S3：采用多个Nelder-Mead单纯形在步骤S2中的一组较优的光伏模型参数向量附近进行进一步的粗略局部搜索；

步骤S4：采用单个自适应Nelder-Mead单纯形对步骤S3中的最优粗略局部搜索的模型参数向量进行进一步的精细局部搜索,以获取最优的光伏模型参数向量；

所述的自适应Nelder-Mead单纯形体现在对其收缩系数采用线性的自适应调整策略，自适应Nelder-Mead单纯形的四个系数设置为：反射系数ρ＝1,膨胀系数β＝1+2/dim，压缩系数γ＝0.75-1/2*dim，收缩系数σ＝σ_max-(σ_max-σ_min)*Iter/Iter_max,σ_max＝1-1/dim,σ_min＝0.005，其中dim为参数向量的维数，Iter为当前的迭代数，Iter_max为最大的迭代数。

2.根据权利要求1所述的基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于：步骤S1中所述光伏模型为单二极管五参数模型和双二极管七参数模型；单二极管光伏数学模型如下式所示：

双二极管数据模型如下式所示：

其中I_L和V_L为实测IV曲线中的电流和电压值；V_t为热电压由V_t＝kT/q确定，其中K为玻尔兹曼常数，q为基本电荷量；单二极管光伏模型五参数向量为[I_ph,I_o,n,R_s,R_sh]，双二极管光伏模型七参数向量为[I_ph,I_o1,n₁,I_o2,n₂R_s,R_sh]，其中I_ph为光电流，I_o为单二极管反向饱和，I_o1、I_o2分别为双二极管的反向饱和电路流，n为单二极管理想化因子，n₁、n₂分别为双二极管理想化因子，R_s等效串联电阻，R_sh为等效并联电阻。

3.根据权利要求2所述的基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于：步骤S3中算法通过在给定的参数向量的范围内，寻找一组最优的参数向量X使得如下述公式所示：

均方根误差目标函数OF(X)的取值最小，即表示实测IV曲线与仿真IV曲线最优拟合。

4.根据权利要求3所述的基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于：步骤S2包括以下步骤：

步骤S201：根据X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)初始化种群中的解即蜜源X_i，X_i为D维向量，i＝1,2,...,SN，SN为蜜源个数，D为优化参数的个数，j∈{1,2,...,D}；

步骤S202：计算种群中各个蜜蜂的适应值；

步骤S203：设迭代次数Cycle初始值为1；

步骤S204：判断迭代次数Cycle是否小于等于算法终止的迭代次数MEN，若是将当前的迭代次数Cycle增加1并进入步骤S25；否则根据适应值对所有解进行排序；

步骤S205：雇佣蜂根据

产生新的蜜源Vi并计算新的适应值；式中j∈{1,2,...,D},k∈{1,2,...,SN}，k随机生成且k≠i，

为[-1,1]之间的随机数；

步骤S206：雇佣蜂根据贪心策略选择蜜源；

步骤S207：根据

选择蜜源X_i的概率Pi，式中fit(x_i)为第i个解的适应度值；

步骤S208：观察蜂根据Pi选择蜜源Xi，根据

在该蜜源附近产生新的蜜源Vi的适应值；

步骤S209：观察蜂根据贪心策略选择蜜源；

步骤S210：根据蜜源放弃阈值Limit判断是否存在需要放弃的蜜源，若存在则通过X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)产生一个新的蜜源替代需要放弃的蜜源；否则直接进入步骤S211；

步骤S211：记录最优解并返回步骤S204。

5.根据权利要求4所述的基于鹰策略和自适应NM单纯形的光伏模型参数辨识方法，其特征在于：步骤S3包括以下具体步骤，其中f(X)为目标函数OF(X)：

步骤S301：在给定的起始点X₁，根据X_i+1＝(1+Δ)X_i，i＝1,2,...,N，构造N+1个顶点的单纯形；式中Δ系数控制初始单纯形的大小，N为自然数；

步骤S302：判断迭代次数Iter是否小于最大的迭代数Iter_max，若是进入步骤S303；否则输出最优解；

步骤S303：对N维单纯形的N+1个顶点进行排序f(X₁)≤f(X₂)...f(X_N)≤f(X_N+1)；

步骤S304：根据公式:X_r＝X_c+α(X_c-X_N+1)计算单纯形的反射点X_r，式中

α为反射系数；

步骤S305：判断是否f(X₁)≤f(X_r)＜f(X_N)，若是则使得X_N+1＝X_r,并进入步骤S313；否则进入步骤S306；

步骤S306：判断是否f(X_r)＜f(X₁)，若是根据X_e＝X_c+β(X_r-X_c)计算膨胀点X_e，式中，β为膨胀系数，并进入步骤S307，否则直接进入步骤S308；

步骤S307：判断是否f(X_e)＜f(X_r)，若是则使得X_N+1＝X_e，否则使X_N+1＝X_r，并进入步骤S313；

步骤S308：判断f(X_N)≤f(X_r)＜f(X_N+1)，若是则根据X_oc＝X_c+γ(X_r-X_c)计算外缩收点X_oc，式中，γ为压缩系数，并进入步骤S309，否则直接进入步骤S310；

步骤S309：判断是否f(X_oc)≤f(X_r)，若是则使得X_N+1＝X_oc并进入步骤S313；否则直接进入步骤S312；

步骤S310：判断是否f(X_N+1)≤f(X_r)，若是则根据X_ic＝X_c-γ(X_r-X_c)计算内缩收点X_ic，并进入步骤S311；

步骤S311：判断是否f(X_ic)≤f(X_N+1)，若是则使得X_N+1＝X_ic并进入步骤S313；否则直接进入步骤S312；

步骤S312：根据V_i＝X₁+σ(X_i-X₁)计算收缩点Vi，使X_i＝V_i，并进入步骤S313；式中，σ为收缩系数，i＝1，2，...N+1；

步骤S313：使得当前迭代次数Iter增加1，并返回步骤S302。

Images