CN107066760A - 一种光伏组件参数辨识方法 - Google Patents
一种光伏组件参数辨识方法 Download PDFInfo
- Publication number
- CN107066760A CN107066760A CN201710335316.XA CN201710335316A CN107066760A CN 107066760 A CN107066760 A CN 107066760A CN 201710335316 A CN201710335316 A CN 201710335316A CN 107066760 A CN107066760 A CN 107066760A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- individual
- photovoltaic module
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000035772 mutation Effects 0.000 claims description 14
- 230000004087 circulation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 101150000810 BVES gene Proteins 0.000 claims description 4
- 101150025129 POP1 gene Proteins 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- -1 n=5 Substances 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Genetics & Genomics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组件参数辨识方法,其特征在于:将光伏组件5参数模型转化为待优化的五个目标方程,将五个目标方程转化为一个目标函数,采用遗传算法进行求解,得到STC条件下光伏组件模型中的参数。本发明提供了一种快捷光伏组件参数辨识方法,基于STC条件下采用本发明提供的方法辨识出的光伏模型参数,经转换后可以转变为任意气象条件下的光伏组件参数,结合模型结构,可以描述光伏组件在任意气象条件下的输出情况。
Description
技术领域
本发明属于新能源发电技术领域,涉及一种光伏组件参数的辨识方法。
背景技术
近年来,我国太阳能光伏发电应用领域取得了迅速的发展,根据公开资料显示,2016年上半年我国新增并网光伏装机容量约为22.5GW,其中仅6月份就新增了约11.3GW装机容量。伴随着光伏装机容量的快速增长,光伏运维逐渐受到越来越多的关注,因为其直接关系到电站发电量的多少,进而影响光伏电站投资的收益。
目前光伏单个电站的运维或集中式运维系统使用越来越广泛,而这些运维系统大部分只实现了简单的数据监测功能,缺乏有效的分析评估手段。目前主要的评估手段还停留在同一种类设备运行数据的一致性对比或设备运行数据的年、月、日时间统计等手段之上。造成这种现象的主要原因在于缺乏有效的数学模型及其参数来描述光伏组件或阵列在任意气象条件下的输出情况。任意气象条件下的输出估算对于评估光伏组件的发电输出能力并由此评价光伏阵列和逆变器的运行健康状态具有十分重要的意义。
目前,针对光伏组件的数学模型有很多种,最常见使用的是光伏5参数数学模型,该光伏组件数学模型包括受有效入射辐照度控制的电流源、一个反向并联二极管,一个串联电阻和一个并联电阻。尽管目前也有采用其他数学模型反映光伏组件特性,但是5参数模型是使用最广泛的模型。当光伏电站建成投产之后,如何根据组件厂家提供资料来确定光伏组件的数学模型参数是个需要解决的问题。
发明内容
发明目的:
目前现有的方法大都采用迭代法来求解光伏组件数学模型的参数,但是迭代法往往计算结果受初始值影响的因素较大,且在求解过程中会存在矩阵不可逆的情况出现,经常造成求解不成功,因此需要采用更为先进快捷的技术来求解光伏组件的数学模型参数,以便预测任意辐照和温度条件下组件及阵列的输出,所以本专利所述内容针对这个问题给出了全新的解决方法。
技术方案:
一种光伏组件参数辨识方法,其特征在于:将光伏组件5参数模型转化为待优化的五个目标方程f1~f5,
f2=Isc-IL+IO(exp(Isc·Rs/α)-1)+Isc·Rs/Rsh (9)
f3=Imp+Vmp·dI/dV|mp (10)
f4=IL-IO(exp((Vmp+Imp·Rs)/α)-1)-(Vmp+Imp·Rs)/Rsh-Imp (11)
式中,光生电流IL;二极管反向饱和电流IO;理想因子a;串联电阻Rs;并联电阻Rsh;组件开路电压Voc;组件短路电流Isc;最大功率跟踪点电压Vmp;最大功率跟踪点电流Imp;
将五个目标方程转化为一个目标函数f
采用遗传算法进行求解,得到STC条件下光伏组件模型中的参数。
将公式(13)的目标函数作为遗传算法的适应度函数。
采用遗传算法进行光伏组件模型参数求解,将光伏组件模型中的5个参数作为算法的个体,将式(13)的目标函数作为遗传算法的适应度函数;采用交叉变异策略,最终确定最终种群中的最优个体代表了所求的光伏组件模型参数。
遗传算法求解的步骤为:
1)生成一定数量的初始种群,并评估种群中个体的目标值即适应度;
2)按照轮盘赌的方法从初始种群中选取一定数量的父种群;
3)对父种群中的个体进行交叉和变异操作;
4)父种群与初始种群合并后按照目标函数的最优值保留固定数量的个体,形成新一代的种群;
5)判断是否满足迭代停止条件,若满足则结束;若不满足,则返回步骤2)循环执行。
迭代停止条件为:最优个体的适应度大于100或达到200次循环。
步骤1)中,
pop为设定的种群数量,初始产生一个pop×n维矩阵,n=5,矩阵中每行向量表示为:
[v1 v2 v3 v4 v5 f]
矩阵每行为一个个体,前5个变量随机产生,分别表示为IL、IO、a、Rs和Rsh,第6个变量为每个个体的适应度,其值按照公式(13)由前5个变量计算得出。
步骤2)中,
将本次循环种群中所有个体的适应度求和,并计算每个个体被选择的概率:
p(i)=fi/∑f (14)
则种群中所有个体的选择概率看成组成一个面积为1的圆盘,每个个体选择概率大,其占有轮盘的面积就大,每次选择产生一个随机数,判断该随机数落在轮盘上哪一个个体上,则该个体被选择,经pop次选择,则产生个体数量为pop的父种群。
步骤3)中,
进行pop次交叉和变异操作,每次产生一个随机数,若该随机数小于设定的交叉概率cross_pro,进行交叉操作;否则进行变异操作;
交叉操作完成之后,计算交叉产生个体的适应度;
变异完成之后,计算变异产生个体的适应度。
步骤4)中,
将父种群中的pop个个体和交叉变异差生的pop1个个体合并,按照适应度从大到小排序,选取排名前pop个个体作为新一代种群,本代循环结束;
最后一代种群中,最优个体即为模型参数的最终解。
本发明提供的一种光伏组件参数辨识方法,主要在确定模型参数方程、遗传算法目标设定和遗传算法参数求解过程等三方面提出了实施步骤与方法。
采用5参数模型描述光伏组件的运行特性,其中IL表示受入射辐照度控制的光生载流子数量,即光生电流;IO为光伏组件PN结承受反向电压光生载流子的复合效应对光生电流的减小效应;并联电阻Rsh表示制造工艺和材料缺陷导致的半导体表面电流效应;串联电阻Rs表示半导体材料与金属连接线之间的接触电阻。
在STC条件(公认的地面光伏组件标准测试条件)下,组件的开路电压是指在将组件正负极断路之后测得的电压;组件的短路电流是指将组件正负极短接之后测得的电流;最大功率跟踪点参数是指光伏组件在输出功率最大时的电压与电流。
模型参数方程的确定是指建立光伏组件模型,利用基尔霍夫电流定律建立开路电压方程、短路电流方程、最大功率点方程、最大功率点微分方程,共4个方程。可以认为短路点与最大功率点斜率的一半作为组件短路点时电流对电压的斜率,即可得到第5个方程。综上所述,针对5参数的光伏组件模型参数辨识,便可将问题转化为一个求解5元方程组的问题。
将上述5个方程转化为采用遗传算法待优化的单一目标函数(适应度函数)。
遗传算法是个迭代求解的算法,其基本的思路为:(1)确定求解方程的遗传算法的初始种群数量,进行种群初始化并计算适应度;(2)采用轮盘赌方法从父种群中选择一定数量的待交配个体;(3)对所有待交配种群进行交叉和变异操作产生一定数量的子种群;(4)将子种群和父种群合并,基于适应度重新选择迭代规定数量的种群,进入下一次循环。
遗传算法的中止条件为适应度函数大于1000,当算法中止时,即可得到STC条件下组件5参数模型的参数。其他辐照度和温度条件下的模型参数即可通过推导得出。
技术效果:
本发明提供了一种快捷光伏组件参数辨识方法,该参数辨识方法以5参数的电路模型表示光伏组件的“电流-电压”关系;随后以光伏厂家提供的“STC条件下,组件最大功率跟踪点电压、最大功率跟踪点电流、组件开路电压、组件开路电流”等参数,联立模型参数的5个方程;随后将5个方程的求解问题转化为一个目标函数;在确定目标函数之后,给出了求解目标函数的遗传算法方法,最后给出了求解的具体步骤。
基于STC条件下采用本发明提供的方法辨识出的光伏模型参数,经转换后可以转变为任意气象条件下的光伏组件参数,结合模型结构,可以描述光伏组件在任意气象条件下的输出情况。
附图说明
图1光伏组件模型结构图;
图2光伏组件输出电流与电压关系图(IV曲线);
图3模型参数求解流程。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
当光伏电站安装施工结束之后,电站便步入运行阶段,此时往往需要根据当前的辐照度和组件温度求出此时电站或光伏逆变器的理论输出功率。除了辐照度和温度这两个参数之外,还有厂家提供的组件在STC(组件温度25℃,辐照度1000W/m2)条件下的相关参数,包括:组件开路电压、组件短路电流、组件最大功率点电压、组件最大功率跟踪点电流,组件最大功率温度系数等。需要根据上述相关信息,建立光伏阵列在特定辐照度和温度条件下的组件功率输出。为了得出求解,首先需要确定光伏组件的电压与电流关系,如附图2所示,所采用的模型一般采用5参数的组件模型,如附图1所示。
在得出STC条件下的光伏组件模型参数之后,根据相关推导过程,即可得出当前任意辐照度和温度条件下的组件模型参数,然后经过求导计算出当前辐照度和温度条件下的最大功率,由于光伏逆变器一般经过调节使光伏阵列工作在最大功率跟踪点,所以此最大功率即为光伏阵列的理论功率;通过比较分析理论功率与实际功率的差别,即可反映出光伏阵列的工作状态和故障情况,继而可以评价整个光伏电站的运行状况。
本发明根据光伏组件中由厂家提供的参数,结合附图1提供的光伏组件5参数模型,最终确定光伏组件STC条件下的如下参数:
(1)光生电流IL;
(2)二极管反向饱和电流IO;
(3)理想因子a;
(4)串联电阻Rs;
(5)并联电阻Rsh。
(1)光伏模型参数求解方程确定
根据附图1所示的光伏组件模型图,在STC条件下,厂家提供以下几个参数:
1)组件开路电压Voc;
2)组件短路电流Isc;
3)最大功率跟踪点电压Vmp;
4)最大功率跟踪点电流Imp;
根据附图1所示的光伏模型,根据电流-电压定律,可以得出光伏组件输出电压V和输出电流I之间的关系:
在组件开路时候,此时I=0,则有:
在组件短路时,此时V=0,则有:
在组件最大功率跟踪点时,组件功率达到最大,此时:
dP/dV|mp=Imp+Vmp·dI/dV|mp=0 (4)
其中,根据式(1)求导可知:
同时,根据组件最大功率跟踪点时的电压Vmp和电流Imp,代入(1)式,有:
Imp=IL-IO(exp((Vmp+Imp·Rs)/α)-1)-(Vmp+Imp·Rs)/Rsh (6)
一般近似认为,短路点与最大功率跟踪点斜率的二分之一作为短路点的斜率,对(1)式进行求导,可得:
联立(2)、(3)、(5)、(6)和(7)五个方程,即可确定组件模型中的5个参数。本发明的目的即为采用遗传算法来求解模型中5各参数。
(2)确定目标函数
将公式(2)、(3)、(5)、(6)和(7)转变为五个优化目标,如公式(8)至公式(12)所示:
f2=Isc-IL+IO(exp(Isc·Rs/α)-1)+Isc·Rs/Rsh (9)
f3=Imp+Vmp·dI/dV|mp (10)
f4=IL-IO(exp((Vmp+Imp·Rs)/α)-1)-(Vmp+Imp·Rs)/Rsh-Imp (11)
在步骤(1)中需求解5个方程,可以认为求解函数f1~f5,使其全部为0,在计算中认为,同时使f1~f5接近为0,因此,可以将f1~f5整合为一个函数f,即:
当函数f达到最大时,即可认为公式f1~f5接近为0,此时的5各参数即可认为是STC条件下光伏的模型参数。
综上所述,结合图3,光伏模型参数确定可以认为求解函数f,当f达到100时,即可认为函数f1~f5均小于0.01,此时的参数IL、ID、Rsh、Rs和α即可认为是求解的模型参数。
(3)基于遗传算法的参数求解
遗传算法是一个模拟生物种群进化的算法,其由可能代表问题解集的固定数量的初始种群组成,从初始种群中采用选择方法选取一定数量的父种群,父种群中的个体经交叉和变异操作后,与原种群合并成,筛选其中最优的固定个数的个体组成新一代种群,至此完成一个循环。其基本的步骤为:
1)生成一定数量的初始种群,并评估种群中个体的目标值(适应度);
2)按照轮盘赌的方法从初始种群中选取一定数量的父种群;
3)对父种群中的个体进行交叉和变异操作;
4)父种群与初始种群合并后按照目标函数的最优值保留固定数量的个体,形成新一代的种群;
5)判断是否满足迭代停止条件(最优个体的适应度大于100或达到200次循环),若满足则结束;若不满足,则返回步骤2)进行执行。
以下详细叙述过程:
1)生成初始种群
本算法中,设pop为本算法设定的种群数量,初始先产生一个pop×n维矩阵,n=5,矩阵中每行向量表示为:
[v1 v2 v3 v4 v5 f]
矩阵每行称为一个个体,前五个变量随机产生,分别表示为IL、IO、α、Rs和Rsh,第6个变量为每个个体的适应度,其值按照公式(13)由前5个变量计算得出。
该初始种群也成为第1次循环种群。
2)选择操作
将本次循环种群中,所有个体的适应度求和,并按公式(14)计算每个个体被选择的概率:
p(i)=fi/∑f (14)
则种群中所有个体的选择概率可以看成它们组成一个面积为1的圆盘,每个个体选择概率大,其占有轮盘的面积就大,每次选择产生一个随机数,判断该随机数落在轮盘上哪一个个体上,则该个体被选择,经pop次选择,则产生个体数量为pop的父种群。
3)交叉、变异操作
本专利中设定的交叉概率cross_pro为0.9。
进行pop次交叉和变异操作,每次产生一个随机数,若该随机数小于0.9,进行交叉操作;否则进行变异操作。
交叉操作:
随机从父种群中选取两个个体a和b,按照以下公式产生两个新的个体:
其中,j=1,2,3,4,5,child1(j)、child2(j)表示光伏模型五个参数,也就是每个个体向量中的前五个值;bq由一随机数mu产生,方法如下:
交叉操作完成之后,按照式(13)计算交叉产生个体的适应度。
变异操作:
随机从父种群中选取个体c,按照以下公式产生新的个体:
child3(j)=c(j)+delta(j) (18)
其中,j=1,2,3,4,5,表示光伏组件五个参数,delta(j)由一随机数mr产生,方法如下:
变异完成之后,按照式(13)计算变异产生个体的适应度。
由于每次交叉产生两个新的个体,每次变异产生一个新的个体,则经过pop次交叉变异操作后,产生的新的个体数量不一定是pop,设为pop1。
4)新一代种群产生
将父种群中的pop个个体和交叉变异差生的pop1个个体合并,按照适应度从大到小排序,选取排名前pop个个体作为新一代种群,同时也表明本代循环结束。
最后一代种群中,最优个体即为模型参数的最终解。
(4)任意气象条件下光伏模型参数确定
至步骤(3)求解的模型参数为STC(G=1000W/m2,T=298K)条件下光伏组件的参数,则任意气象条件下(辐照为Gc,温度为Tc)光伏组件的模型参数为:
式(22)中a为组件温度系数,一般由厂家给出。
式(20)至式(24)为理论公式,不是本专利讨论的问题,其结果直接给出,便不再叙述过程。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种光伏组件参数辨识方法,其特征在于:将光伏组件5参数模型转化为待优化的五个目标方程f1~f5,
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>I</mi>
<mi>L</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>O</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>e</mi>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>/</mo>
<mi>&alpha;</mi>
</mrow>
</msup>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>/</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
f2=Isc-IL+IO(exp(Isc·Rs/α)-1)+Isc·Rs/Rsh (9)
f3=Imp+Vmp·dI/dV|mp (10)
f4=IL-IO(exp((Vmp+Imp·Rs)/α)-1)-(Vmp+Imp·Rs)/Rsh-Imp (11)
<mrow>
<msub>
<mi>f</mi>
<mn>5</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>O</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>&alpha;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>I</mi>
<mi>O</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>&alpha;</mi>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式中,光生电流IL;二极管反向饱和电流IO;理想因子α;串联电阻Rs;并联电阻Rsh;组件开路电压Voc;组件短路电流Isc;最大功率跟踪点电压Vmp;最大功率跟踪点电流Imp;
将五个目标方程转化为一个目标函数f
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
采用遗传算法进行求解,得到STC条件下光伏组件模型中的参数。
2.如权利要求1所述的一种光伏组件参数辨识方法,其特征在于:将公式(13)的目标函数作为遗传算法的适应度函数。
3.如权利要求1所述的一种光伏组件参数辨识方法,其特征在于:采用遗传算法进行光伏组件模型参数求解,将光伏组件模型中的5个参数作为算法的个体,将式(13)的目标函数作为遗传算法的适应度函数;采用交叉变异策略,最终确定最终种群中的最优个体代表了所求的光伏组件模型参数。
4.如权利要求1、2或3所述的一种光伏组件参数辨识方法,其特征在于:遗传算法求解的步骤为:
1)生成一定数量的初始种群,并评估种群中个体的目标值即适应度;
2)按照轮盘赌的方法从初始种群中选取一定数量的父种群;
3)对父种群中的个体进行交叉和变异操作;
4)父种群与初始种群合并后按照目标函数的最优值保留固定数量的个体,形成新一代的种群;
5)判断是否满足迭代停止条件,若满足则结束;若不满足,则返回步骤2)循环执行。
5.如权利要求4所述的一种光伏组件参数辨识方法,其特征在于:迭代停止条件为:最优个体的适应度大于100或达到200次循环。
6.如权利要求4所述的一种光伏组件参数辨识方法,其特征在于:步骤1)中,
pop为设定的种群数量,初始产生一个pop×n维矩阵,n=5,矩阵中每行向量表示为:
[v1 v2 v3 v4 v5 f]
矩阵每行为一个个体,前5个变量随机产生,分别表示为IL、IO、α、Rs和Rsh,第6个变量为每个个体的适应度,其值按照公式(13)由前5个变量计算得出。
7.如权利要求6所述的一种光伏组件参数辨识方法,其特征在于:步骤2)中,
将本次循环种群中所有个体的适应度求和,并计算每个个体被选择的概率:
p(i)=fi/∑f (14)
则种群中所有个体的选择概率看成组成一个面积为1的圆盘,每个个体选择概率大,其占有轮盘的面积就大,每次选择产生一个随机数,判断该随机数落在轮盘上哪一个个体上,则该个体被选择,经pop次选择,则产生个体数量为pop的父种群。
8.如权利要求7所述的一种光伏组件参数辨识方法,其特征在于:步骤3)中,
进行pop次交叉和变异操作,每次产生一个随机数,若该随机数小于设定的交叉概率cross_pro,进行交叉操作;否则进行变异操作;
交叉操作完成之后,计算交叉产生个体的适应度;
变异完成之后,计算变异产生个体的适应度。
9.如权利要求8所述的一种光伏组件参数辨识方法,其特征在于:步骤4)中,
将父种群中的pop个个体和交叉变异差生的pop1个个体合并,按照适应度从大到小排序,选取排名前pop个个体作为新一代种群,本代循环结束;
最后一代种群中,最优个体即为模型参数的最终解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710335316.XA CN107066760A (zh) | 2017-05-12 | 2017-05-12 | 一种光伏组件参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710335316.XA CN107066760A (zh) | 2017-05-12 | 2017-05-12 | 一种光伏组件参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066760A true CN107066760A (zh) | 2017-08-18 |
Family
ID=59596271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710335316.XA Pending CN107066760A (zh) | 2017-05-12 | 2017-05-12 | 一种光伏组件参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066760A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341324A (zh) * | 2017-08-23 | 2017-11-10 | 河海大学常州校区 | 一种利用Lambert函数求解光伏组件五参数的方法 |
CN107947226A (zh) * | 2017-11-13 | 2018-04-20 | 河南森源电气股份有限公司 | 一种光伏发电系统及光伏阵列最大功率点跟踪控制方法 |
CN108509736A (zh) * | 2018-04-09 | 2018-09-07 | 中国计量大学 | 一种用于故障诊断的光伏组件参数提取方法 |
CN109558632A (zh) * | 2018-10-26 | 2019-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件参数辨识方法 |
CN117610314A (zh) * | 2024-01-18 | 2024-02-27 | 电子科技大学(深圳)高等研究院 | 光伏组件建模方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140188410A1 (en) * | 2012-12-28 | 2014-07-03 | Locus Energy, Llc | Methods for Photovoltaic Performance Disaggregation |
CN103973221A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种基于实测数据的光伏阵列参数辨识方法 |
CN106126887A (zh) * | 2016-06-16 | 2016-11-16 | 河海大学 | 一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法 |
CN106295068A (zh) * | 2016-08-24 | 2017-01-04 | 河海大学常州校区 | 一种光伏组件双二极管模型的参数简化及提取方法 |
-
2017
- 2017-05-12 CN CN201710335316.XA patent/CN107066760A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140188410A1 (en) * | 2012-12-28 | 2014-07-03 | Locus Energy, Llc | Methods for Photovoltaic Performance Disaggregation |
CN103973221A (zh) * | 2014-05-20 | 2014-08-06 | 河海大学 | 一种基于实测数据的光伏阵列参数辨识方法 |
CN106126887A (zh) * | 2016-06-16 | 2016-11-16 | 河海大学 | 一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法 |
CN106295068A (zh) * | 2016-08-24 | 2017-01-04 | 河海大学常州校区 | 一种光伏组件双二极管模型的参数简化及提取方法 |
Non-Patent Citations (9)
Title |
---|
ALI M.HUMADA: "Solar cellparametersextractionbasedonsingleanddouble-diode", 《RENEWABLEANDSUSTAINABLEENERGYREVIEWS》 * |
J.D. BASTIDAS-RODRIGUEZA: "A genetic algorithm for identifying the single diode model", 《MATHEMATICS AND COMPUTERS IN SIMULATION》 * |
凌海风: "《装备保障智能优化决策方法与应用》", 31 May 2015, 国防工业出版社 * |
刘载文: "《水环境系统智能化软测量与控制方法》", 31 March 2013, 中国轻工业出版社 * |
周正贵: "《压气机/风扇叶片自动优化设计》", 31 December 2013, 国防工业出版社 * |
宋乐鹏: "《变量喷雾智能控制》", 31 July 2015, 西南交通大学出版社 * |
查晓锐: "一种基于遗传算法的光伏阵列参数辨识方法", 《可再生能源》 * |
邱纯: "任意辐照度与温度条件下光伏系统输出特性建模", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
龚煜: "基于参数辨识的光伏组件功率预测模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341324A (zh) * | 2017-08-23 | 2017-11-10 | 河海大学常州校区 | 一种利用Lambert函数求解光伏组件五参数的方法 |
CN107341324B (zh) * | 2017-08-23 | 2020-06-16 | 河海大学常州校区 | 一种利用Lambert函数求解光伏组件五参数的方法 |
CN107947226A (zh) * | 2017-11-13 | 2018-04-20 | 河南森源电气股份有限公司 | 一种光伏发电系统及光伏阵列最大功率点跟踪控制方法 |
CN107947226B (zh) * | 2017-11-13 | 2020-01-10 | 河南森源电气股份有限公司 | 一种光伏发电系统及光伏阵列最大功率点跟踪控制方法 |
CN108509736A (zh) * | 2018-04-09 | 2018-09-07 | 中国计量大学 | 一种用于故障诊断的光伏组件参数提取方法 |
CN108509736B (zh) * | 2018-04-09 | 2021-11-23 | 中国计量大学 | 一种用于故障诊断的光伏组件参数提取方法 |
CN109558632A (zh) * | 2018-10-26 | 2019-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件参数辨识方法 |
CN117610314A (zh) * | 2024-01-18 | 2024-02-27 | 电子科技大学(深圳)高等研究院 | 光伏组件建模方法、装置、设备及存储介质 |
CN117610314B (zh) * | 2024-01-18 | 2024-05-07 | 电子科技大学(深圳)高等研究院 | 光伏组件建模方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107066760A (zh) | 一种光伏组件参数辨识方法 | |
Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
CN103310065B (zh) | 计及分布式发电和储能单元的智能配网重构方法 | |
CN104281737B (zh) | 一种海上风电场集电系统拓扑结构选型方法 | |
CN106874630A (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
CN104156892A (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
CN102945296A (zh) | 一种需求响应视角下的配电网不确定性重构建模方法 | |
CN111275160B (zh) | 基于种群优化改进粒子群算法的光伏阵列参数辨识方法 | |
CN101047315A (zh) | 控制发电系统运行的系统、方法和制品 | |
CN108364117B (zh) | 一种考虑光伏电站元件可靠性的电网风险评估方法 | |
CN105356465B (zh) | 一种经济性与安全性协调的输电网规划平台及应用 | |
CN105656031A (zh) | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN109272134A (zh) | 一种考虑系统损耗的区域光伏电站并网功率预测方法 | |
CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN104682384A (zh) | 光伏并网后引起电网电压波动的评价方法 | |
CN105529736A (zh) | 撬棒投入双馈风电机群故障电流等值模型计算方法 | |
CN106021754A (zh) | 考虑vsc无功越限调整策略的混联电网概率潮流算法 | |
CN105633971A (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
CN109145503B (zh) | 一种光伏电站集群的高精度动态建模方法 | |
CN109345129A (zh) | 一种光伏发电站健康状态评估方法和系统 | |
Amouzad Mahdiraji et al. | Optimal in smart grids considering interruptible loads and photo-voltaic sources using genetic optimization | |
CN110518633B (zh) | 考虑线路容量充裕度的电网节点新能源接纳容量获得方法 | |
CN112257274B (zh) | 配电系统运行柔性的量化评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |