CN107103154A - 一种光伏组件模型参数辨识方法 - Google Patents
一种光伏组件模型参数辨识方法 Download PDFInfo
- Publication number
- CN107103154A CN107103154A CN201710346562.5A CN201710346562A CN107103154A CN 107103154 A CN107103154 A CN 107103154A CN 201710346562 A CN201710346562 A CN 201710346562A CN 107103154 A CN107103154 A CN 107103154A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtr
- mtd
- particle
- 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 33
- 239000002245 particle Substances 0.000 claims abstract description 62
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 5
- 235000008434 ginseng Nutrition 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002045 lasting effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012827 research and development 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏组件模型参数辨识方法，包括如下步骤：步骤一、根据光伏电池单二极管等效原理图，建立光伏组件五参数模型，五参数分别为光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh和二极管理想因子n；步骤二、推导光伏组件五参数模型中五个参数之间的关系，确定需辨识的未知参数，即二极管理想因子n；步骤三、采用改进的粒子群算法对二极管理想因子n进行辨识。利用数据手册提供的信息，推导光伏组件模型中五参数之间的关系，进而确定待辨识的未知参数，采用改进的粒子群算法进行参数辨识，算法参数设置简单，易于实现。
Description
技术领域
本发明涉及一种光伏组件模型参数辨识方法。
背景技术
能源短缺和环境污染是人类面临的重大问题，光伏发电技术作为一种环境污染小、灵活性强的新能源发电技术，引起了人们广泛地关注。因此，研究开发光伏发电系统具有重大意义。光伏电池是光伏发电系统的重要组成部分，光伏输出特性受光照强度和环境温度影响具有非线性。深入研究和分析光伏输出特性，对于改进太阳能利用方法和研制更为高效的能量转换装置具有指导作用。
光伏电池及组件的数学模型有很多，包括基于物理等效电路的隐含指数方程模型、基于试验数据拟合的多项式及分段多项式模型，以及基于光伏组件出厂参数的工程数学模型。其中，包含光生电流、反向饱和电流、二极管理想因子和等效串并联电阻的五参数模型兼顾了计算精度和实用性，使用最广泛。目前，有关五参数模型的参数辨识方法有很多，如何利用厂家提供的数据对这些参数进行简单而精确的求解仍是一个难题。
常用的参数辨识法有参数近似求解法和基于优化算法的参数估计方法。采用参数近似求解法求得的参数近似值误差较大，当精度要求较高时不适用。而基于优化算法的参数估计方法虽然能够提高精度，但大部分智能算法有其自身的缺陷，容易陷入局部最优，实现过程复杂。
比如，专利号为2013103399697的中国专利，公开了一种光伏发电系统光伏组件机理模型参数辨识方法，就存在上述问题。
发明内容
针对上述问题，本发明提供一种光伏组件模型参数辨识方法，利用数据手册提供的信息，推导光伏组件模型中五参数之间的关系，进而确定待辨识的未知参数，采用改进的粒子群算法进行参数辨识，算法参数设置简单，易于实现。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种光伏组件模型参数辨识方法，包括如下步骤：
步骤一、根据光伏电池单二极管等效原理图，建立光伏组件五参数模型，五参数分别为光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh和二极管理想因子n；
步骤二、推导光伏组件五参数模型中五个参数之间的关系，确定需辨识的未知参数，即二极管理想因子n；
步骤三、采用改进的粒子群算法对二极管理想因子n进行辨识。
优选，利用厂家数据手册提供的信息，推导光伏组件五参数模型中五个参数之间的关系。
优选，各参数之间的关系为：
其中，
其中，q为电子电荷量，值为1.6×10-19C；K为玻尔兹曼常数，值为1.38×10-23J/K；T为绝对温度；TS为标准测试条件下的绝对温度；Voc为开路电压；Isc为短路电流；Vm最大功率点电压；Im为最大功率点电流；G为日照强度；Gs为标准测试条件下的日照强度；Im,s为标准测试条件下最大功率点电流；Vm,s为标准测试条件下最大功率点电压；Isc,s为标准测试条件下短路电流；Voc,s为标准测试条件下开路电压；Ns为串联连接的光伏电池数。
优选，步骤三具体包括如下步骤：
1)获取原始数据，包括光伏组件的数据手册参数和改进粒子群算法的参数；
2)对粒子进行编码，设定迭代次数k＝1；
3)引入Logistic映射，混沌初始化粒子的速度和位置；
4)将目标函数(3)设为适应度函数，计算适应度值，初始化粒子的个体极值和种群的全局极值；
其中，f1、f2、f3分别表示短路点、开路点、最大功率点处电流计算值与参考值的误差；nmax为二极管理想因子的最大值；nmin为二极管理想因子的最小值；
为持久因子；
5)令k＝k+1，使惯性权重和学习因子随着迭代次数的增加而线性改变，将调节后的参数代入粒子群基本公式，更新粒子的速度和位置；
6)判断粒子是否越界，若是，则进行越界处理，重新设定粒子的速度和位置，转步骤7)，否则直接进入步骤7)；
7)再次计算适应度值，更新个体极值和种群全局极值；
8)判断是否达到迭代次数，是则输出全局极值所对应的最优解，即二极管理想因子的值，否则转步骤5)继续迭代计算。
本发明的有益效果是：
第一、仅利用厂家数据手册提供的信息，无需额外数据，易于实现。
第二、在算法初始化过程中，引入混沌系统。
第三、在寻优过程中，进行自适应调节和越界处理，确保了算法有效收敛，提高了参数辨识方法的精度。
第四、采用改进的粒子群算法对二极管理想因子进行辨识，进而得到任意给定条件下所有参数值。通过在初始化过程中引入混沌环节，增加了粒子种群的多样性，在算法寻优过程中，进行了自适应调节和越界处理，提高了参数辨识的精度。
第五、本发明提供的参数辨识方法，待辨识参数数目少，参数设置简单可靠，实用性强。
附图说明
图1是本发明一种典型的单二极管形式的光伏电池模型原理示意图；
图2是本发明一种光伏组件模型参数辨识方法的流程图；
图3是本发明采用改进粒子群算法进行参数辨识的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
一种光伏组件模型参数辨识方法，包括如下步骤：
步骤一、根据光伏电池单二极管等效原理图，建立光伏组件五参数模型，五参数分别为光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh和二极管理想因子n。
步骤二、推导光伏组件五参数模型中五个参数之间的关系，确定需辨识的未知参数，即二极管理想因子n。
步骤三、采用改进的粒子群算法对二极管理想因子n进行辨识。
下面结合具体实施例进行详细说明。
图1为一种典型的单二极管形式的光伏电池模型原理图。根据基尔霍夫定律，可以得到光伏电池的输出特性方程为：
其中，Ipv为光伏电池的电流；Vpv为光伏电池的电压；Iph为光生电流；I0为二极管反向饱和电流；q为电子电荷量，其值为1.6×10-19C；n为二极管理想因子；K为玻尔兹曼常数，1.38×10-23J/K；T为绝对温度；Rs为等效串联电阻；Rsh为等效并联电阻。
通常光伏组件由多个光伏电池串并联而成，输出特性存在如下关系：
V＝NsVpv (公式B)
I＝NpIpv (公式C)
其中，V为光伏组件的电流；I为光伏组件的电压；Ns为串联连接的光伏电池数；Np为并联连接的光伏电池数。
光伏组件的五参数模型可表示为：
其中，I为模块电流；本发明中所指光伏组件均是串联连接的，因此Np＝1。
步骤二中，利用厂家数据手册提供的信息，推导光伏组件五参数模型中五个参数之间的关系，五个参数即光伏组件模型中共有光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh、二极管理想因子n五个未知参数。
把标准测试条件下的短路电流Isc、开路电压Voc代入(公式D)，可以得到如下方程：
其中，下标,s表示标准测试状态下对应量的值；Ts为标准测试条件下的绝对温度。
光伏电池的输出特性与温度和日照强度有关，为了获得任意温度和光照强度下的模型表达式，对(公式E)和(公式F)中的相关参数作如下修正：
Isc＝Isc,s[1+Ki(T-Ts)] (公式G)
Voc＝Voc,s[1+Kv(T-Ts)] (公式H)
其中，G为日照强度；Gs为标准测试条件下的日照强度；Ki为电流温度系数；Kv为电压温度系数；Eg为电池的能带隙能量。
利用数据手册提供的信息，联立公式(公式D)～(公式J)，可以推导得出各参数之间的关系式：
其中，
其中，q为电子电荷量，值为1.6×10-19C；K为玻尔兹曼常数，值为1.38×10-23J/K；T为绝对温度；TS为标准测试条件下的绝对温度；Voc为开路电压；Isc为短路电流；Vm最大功率点电压；Im为最大功率点电流；G为日照强度；Gs为标准测试条件下的日照强度；Im,s为标准测试条件下最大功率点电流；Vm,s为标准测试条件下最大功率点电压；Isc,s为标准测试条件下短路电流；Voc,s为标准测试条件下开路电压；Ns为串联连接的光伏电池数。
假如n的值确定，其余四个参数可以通过上述公式求出，因此本发明中待辨识的参数仅为二极管理想因子。
采用改进的粒子群算法对二极管理想因子进行辨识包括如下步骤：
1)获取原始数据，包括光伏组件的数据手册参数和改进粒子群算法的参数；
2)对粒子进行编码，设定迭代次数k＝1；
3)引入Logistic映射，混沌初始化粒子的速度和位置，分两步进行：
第一步：利用Logistic映射式zt+1＝4zt(1-zt),zt∈(0,1)，产生N个轨迹不同的混沌变量zt，t＝0,1,2,3…N；
第二步：将混沌区间[0,1]映射到对应的变量区间，利用式zi＝(xi-Li)/(Ui-Li)，i＝0,1,2,3…N，xi∈[Li,Ui]，产生混沌变量；
其中，N为粒子总规模，Li和Ui为Logistic混沌参数。
基本的粒子群算法，通常都是随机产生初始解，这些解有很大可能遍及整个空间，即存在不能搜索到的区域。由于混沌具有遍历特性，采用混沌算法产生初始解群，可以使得粒子可以在整个解空间中进行搜索，大大增加了粒子种群的多样性。
4)将目标函数(公式M)设为适应度函数，计算适应度值，初始化粒子的个体极值和种群的全局极值,为提高精度，本发明将短路点、开路点、最大功率点一同考虑在内进行优化。同时考虑实际情况，增加二极管理想因子的约束条件，设置为算法的适应度函数为：
其中，f1、f2、f3分别表示短路点、开路点、最大功率点处电流计算值与参考值的误差；误差越小，精度越高，因此适应度函数minf的值越接近于0越好；nmax为二极管理想因子的最大值；nmin为二极管理想因子的最小值；
为持久因子，即是T＝Ts，G＝Gs，V＝0时的持久因子，含义类似。
5)令k＝k+1，使惯性权重和学习因子随着迭代次数的增加而线性改变，将调节后的参数代入粒子群基本公式，更新粒子的速度和位置。
粒子群基本公式为：
xij(k+1)＝xij(k)+vij(k+1) (公式O)
其中，c1、c2为学习因子；vij(k)为粒子i在第k次迭代中第j维的速度，xij(k)为粒子i在第k次迭代中j维的位置，pbestij(k)为粒子i在第k次迭代中第j维的个体极值，gbestj(k)为整个粒子群在第k次迭代中第j维全局极值；Rand1、Rand2为(0,1)区间内分布的随机数；ω为惯性权重。
为克服算法在迭代过程中容易陷入局部最优的缺陷，根据(公式P)调整惯性权重和学习因子：
其中，k＝1,2,…,J，J为总迭代次数，ω为惯性权重，c1、c2为学习因子；i＝1,2,…,N，N为粒子总规模，j＝1,2,…,M，M为粒子总维数；ωmax、ωmin分别为ω的最大值和最小值；c1ini、c2ini分别为c1和c2的初始值；c1fin、c2fin分别为c1和c2的终值。
6)判断粒子是否越界，若是，则进行越界处理，重新设定粒子的速度和位置，转步骤7)，否则直接进入步骤7)。
其中，粒子越界处理原则如下：
a)假如粒子当前的速度vij大于速度的最大值vmax，那么令vij＝vmax；
b)假如粒子当前的速度vij小于速度的最小值vmin，那么令vij＝vmin；
c)假如粒子当前的位置xij大于位置的最大值xmax，那么令xij＝xmax，同时令vij＝0；
d)假如粒子当前的位置xij小于位置的最小值xmin，那么令xij＝xmin，同时令vij＝0。
7)再次计算适应度值，更新个体极值和种群全局极值。更新条件为：若粒子的当前位置的适应度值优于个体极值的适应度值，则更新个体极值为当前位置的适应度值，否则保持不变；将每个粒子的个体极值与目前找到的全局极值的适应度值进行比较，更新全局极值。
8)判断是否达到迭代次数，是则输出全局极值所对应的最优解，即二极管理想因子的值，否则转步骤5)继续迭代计算。
为减少随机性对算法的影响，步骤三中可以运行改进的粒子群算法若干次，取二极管理想因子n的平均值作为最终结果。比如，将改进的粒子群算法平均运行30次，计算出二极管理想因子的平均值以及对应的最优适应度值。最优适应度值越小，说明算法的计算精度越高。
本发明的有益效果是：
第一、仅利用厂家数据手册提供的信息，无需额外数据，易于实现。
第二、在算法初始化过程中，引入混沌系统。
第三、在寻优过程中，进行自适应调节和越界处理，确保了算法有效收敛，提高了参数辨识方法的精度。
第四、采用改进的粒子群算法对二极管理想因子进行辨识，进而得到任意给定条件下所有参数值。通过在初始化过程中引入混沌环节，增加了粒子种群的多样性，在算法寻优过程中，进行了自适应调节和越界处理，提高了参数辨识的精度。
第五、本发明提供的参数辨识方法，待辨识参数数目少，参数设置简单可靠，实用性强。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种光伏组件模型参数辨识方法，其特征在于，包括如下步骤：
步骤一、根据光伏电池单二极管等效原理图，建立光伏组件五参数模型，五参数分别为光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh和二极管理想因子n；
步骤二、推导光伏组件五参数模型中五个参数之间的关系，确定需辨识的未知参数，即二极管理想因子n；
步骤三、采用改进的粒子群算法对二极管理想因子n进行辨识。
2.根据权利要求1所述的一种光伏组件模型参数辨识方法，其特征在于，步骤二中，利用厂家数据手册提供的信息，推导光伏组件五参数模型中五个参数之间的关系。
3.根据权利要求2所述的一种光伏组件模型参数辨识方法，其特征在于，各参数之间的关系为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<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>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>{</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<msub>
<mi>qV</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>n</mi>
<mi>K</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<msub>
<mi>qI</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mi>K</mi>
<mi>T</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>p</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mfrac>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mi>n</mi>
<mi>K</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mfrac>
<mi>G</mi>
<msub>
<mi>G</mi>
<mi>s</mi>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>&cong;</mo>
<mfrac>
<mrow>
<msub>
<mi>nKT</mi>
<mi>s</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>qI</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mfrac>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>&cong;</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
<mi>&beta;</mi>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>nKT</mi>
<mi>s</mi>
</msub>
<mi>&alpha;</mi>
</mrow>
<mrow>
<msubsup>
<mi>N</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>nKT</mi>
<mi>s</mi>
</msub>
<mi>&alpha;</mi>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mi>&beta;</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>qV</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>nKT</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<msub>
<mi>nKT</mi>
<mi>s</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，q为电子电荷量，值为1.6×10-19C；K为玻尔兹曼常数，值为1.38×10-23J/K；T为绝对温度；TS为标准测试条件下的绝对温度；Voc为开路电压；Isc为短路电流；Vm最大功率点电压；Im为最大功率点电流；G为日照强度；Gs为标准测试条件下的日照强度；Im,s为标准测试条件下最大功率点电流；Vm,s为标准测试条件下最大功率点电压；Isc,s为标准测试条件下短路电流；Voc,s为标准测试条件下开路电压；Ns为串联连接的光伏电池数。
4.根据权利要求3所述的一种光伏组件模型参数辨识方法，其特征在于，步骤三具体包括如下步骤：
1)获取原始数据，包括光伏组件的数据手册参数和改进粒子群算法的参数；
2)对粒子进行编码，设定迭代次数k＝1；
3)引入Logistic映射，混沌初始化粒子的速度和位置；
4)将目标函数(3)设为适应度函数，计算适应度值，初始化粒子的个体极值和种群的全局极值；
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>n</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<msub>
<mi>n</mi>
<mi>max</mi>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<mi>G</mi>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<msub>
<mo>|</mo>
<mrow>
<mi>V</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<mi>G</mi>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<msub>
<mo>|</mo>
<mrow>
<mi>V</mi>
<mo>=</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>-</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>T</mi>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
<mi>G</mi>
<mo>=</mo>
<msub>
<mi>G</mi>
<mi>s</mi>
</msub>
</mrow>
</munder>
<msub>
<mo>|</mo>
<mrow>
<mi>V</mi>
<mo>=</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>s</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，f1、f2、f3分别表示短路点、开路点、最大功率点处电流计算值与参考值的误差；nmax为二极管理想因子的最大值；nmin为二极管理想因子的最小值；
为持久因子；
5)令k＝k+1，使惯性权重和学习因子随着迭代次数的增加而线性改变，将调节后的参数代入粒子群基本公式，更新粒子的速度和位置；
6)判断粒子是否越界，若是，则进行越界处理，重新设定粒子的速度和位置，转步骤7)，否则直接进入步骤7)；
7)再次计算适应度值，更新个体极值和种群全局极值；
8)判断是否达到迭代次数，是则输出全局极值所对应的最优解，即二极管理想因子的值，否则转步骤5)继续迭代计算。
5.根据权利要求4所述的一种光伏组件模型参数辨识方法，其特征在于，步骤3)中，利用Logistic映射式zt+1＝4zt(1-zt),zt∈(0,1)，产生N个轨迹不同的混沌变量zt，t＝0,1,2,3…N；将混沌区间[0,1]映射到对应的变量区间，利用式zi＝(xi-Li)/(Ui-Li)，i＝0,1,2,3…N，xi∈[Li,Ui]，产生混沌变量；
其中，N为粒子总规模，Li和Ui为Logistic混沌参数。
6.根据权利要求4所述的一种光伏组件模型参数辨识方法，其特征在于，步骤5)中，粒子群基本公式为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&omega;v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>Rand</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>pbest</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>Rand</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
xij(k+1)＝xij(k)+vij(k+1) (5)
其中，c1、c2为学习因子；vij(k)为粒子i在第k次迭代中第j维的速度，xij(k)为粒子i在第k次迭代中j维的位置，pbestij(k)为粒子i在第k次迭代中第j维的个体极值，gbestj(k)为整个粒子群在第k次迭代中第j维全局极值；Rand1、Rand2为(0,1)区间内分布的随机数；ω为惯性权重。
7.根据权利要求6所述的一种光伏组件模型参数辨识方法，其特征在于，步骤5)中，根据公式(6)调整惯性权重和学习因子：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>k</mi>
<mo>/</mo>
<mi>J</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>k</mi>
<mo>/</mo>
<mi>J</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mn>2</mn>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>k</mi>
<mo>/</mo>
<mi>J</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，k＝1,2,···,J，J为总迭代次数，ω为惯性权重，c1、c2为学习因子；i＝1,2,···,N，N为粒子总规模，j＝1,2,···,M，M为粒子总维数；ωmax、ωmin分别为ω的最大值和最小值；c1ini、c2ini分别为c1和c2的初始值；c1fin、c2fin分别为c1和c2的终值。
8.根据权利要求6所述的一种光伏组件模型参数辨识方法，其特征在于，步骤6)中，粒子越界处理原则如下：
a)假如粒子当前的速度vij大于速度的最大值vmax，那么令vij＝vmax；
b)假如粒子当前的速度vij小于速度的最小值vmin，那么令vij＝vmin；
c)假如粒子当前的位置xij大于位置的最大值xmax，那么令xij＝xmax，同时令vij＝0；
d)假如粒子当前的位置xij小于位置的最小值xmin，那么令xij＝xmin，同时令vij＝0。
9.根据权利要求1所述的一种光伏组件模型参数辨识方法，其特征在于，步骤三中运行改进的粒子群算法若干次，取二极管理想因子n的平均值作为最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710346562.5A CN107103154A (zh) | 2017-05-17 | 2017-05-17 | 一种光伏组件模型参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710346562.5A CN107103154A (zh) | 2017-05-17 | 2017-05-17 | 一种光伏组件模型参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107103154A true CN107103154A (zh) | 2017-08-29 |
Family
ID=59670236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710346562.5A Pending CN107103154A (zh) | 2017-05-17 | 2017-05-17 | 一种光伏组件模型参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107103154A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109391022A (zh) * | 2018-11-29 | 2019-02-26 | 中国空间技术研究院 | 一种卫星电源系统行为级建模仿真系统 |
| CN109635506A (zh) * | 2019-01-10 | 2019-04-16 | 浙江大学 | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 |
| CN110829491A (zh) * | 2019-10-25 | 2020-02-21 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN111191406A (zh) * | 2018-11-14 | 2020-05-22 | 法国原子能及替代能源委员会 | 确定光伏模块串的电学模型的方法、与其相关的诊断方法和装置 |
| CN111460645A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学常州校区 | 一种光伏系统故障建模仿真方法 |
| WO2020211370A1 (zh) * | 2019-04-15 | 2020-10-22 | 国网甘肃省电力公司电力科学研究院 | 光伏发电系统最大功率估计方法 |
| CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 |
| CN112182883A (zh) * | 2020-09-28 | 2021-01-05 | 上海交通大学 | 基于自适应lm的光伏组件参数估计方法 |
| CN112487347A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 考虑环境和时变因素的光伏组件模型参数化方法 |
| CN113595132A (zh) * | 2021-06-25 | 2021-11-02 | 福州大学 | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
| CN103399491A (zh) * | 2013-08-06 | 2013-11-20 | 清华大学 | 光伏发电系统光伏组件机理模型参数辨识方法 |
| 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 |
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
-
2017
- 2017-05-17 CN CN201710346562.5A patent/CN107103154A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
| CN103399491A (zh) * | 2013-08-06 | 2013-11-20 | 清华大学 | 光伏发电系统光伏组件机理模型参数辨识方法 |
| 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 |
| CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周建良等: "基于实测数据的光伏阵列参数辨识与输出功率预测", 《可再生能源》 * |
| 程泽等: "基于自适应混沌粒子群算法的光伏电池模型参数辨识", 《电工技术学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111191406B (zh) * | 2018-11-14 | 2024-07-09 | 法国原子能及替代能源委员会 | 确定光伏模块串的电学模型的方法、与其相关的诊断方法和装置 |
| CN111191406A (zh) * | 2018-11-14 | 2020-05-22 | 法国原子能及替代能源委员会 | 确定光伏模块串的电学模型的方法、与其相关的诊断方法和装置 |
| CN109391022A (zh) * | 2018-11-29 | 2019-02-26 | 中国空间技术研究院 | 一种卫星电源系统行为级建模仿真系统 |
| CN109635506B (zh) * | 2019-01-10 | 2021-04-13 | 浙江大学 | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 |
| CN109635506A (zh) * | 2019-01-10 | 2019-04-16 | 浙江大学 | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 |
| WO2020211370A1 (zh) * | 2019-04-15 | 2020-10-22 | 国网甘肃省电力公司电力科学研究院 | 光伏发电系统最大功率估计方法 |
| CN110829491A (zh) * | 2019-10-25 | 2020-02-21 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN110829491B (zh) * | 2019-10-25 | 2023-08-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN111191375B (zh) * | 2020-01-04 | 2023-06-02 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN111191375A (zh) * | 2020-01-04 | 2020-05-22 | 温州大学 | 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法 |
| CN111460645B (zh) * | 2020-03-27 | 2022-08-09 | 河海大学常州校区 | 一种光伏系统故障建模仿真方法 |
| CN111460645A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学常州校区 | 一种光伏系统故障建模仿真方法 |
| CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 |
| CN112084703B (zh) * | 2020-08-18 | 2023-08-25 | 温州大学 | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 |
| CN112182883A (zh) * | 2020-09-28 | 2021-01-05 | 上海交通大学 | 基于自适应lm的光伏组件参数估计方法 |
| CN112487347A (zh) * | 2020-11-02 | 2021-03-12 | 东南大学 | 考虑环境和时变因素的光伏组件模型参数化方法 |
| CN112487347B (zh) * | 2020-11-02 | 2024-02-06 | 东南大学 | 考虑环境和时变因素的光伏组件模型参数化方法 |
| CN113595132A (zh) * | 2021-06-25 | 2021-11-02 | 福州大学 | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 |
| CN113595132B (zh) * | 2021-06-25 | 2023-11-17 | 福州大学 | 基于最大功率点和混合优化算法的光伏在线参数辨识方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103154A (zh) | 一种光伏组件模型参数辨识方法 | |
| Chellaswamy et al. | Parameter extraction of solar cell models based on adaptive differential evolution algorithm | |
| Kichou et al. | Comparison of two PV array models for the simulation of PV systems using five different algorithms for the parameters identification | |
| Chaibi et al. | A simple iterative method to determine the electrical parameters of photovoltaic cell | |
| Wang et al. | An improved model combining evolutionary algorithm and neural networks for PV maximum power point tracking | |
| CN109802394A (zh) | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 | |
| Yu et al. | Solar photovoltaic model parameter estimation based on orthogonally-adapted gradient-based optimization | |
| 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 | |
| Lingyun et al. | Solar cells parameter extraction using a hybrid genetic algorithm | |
| Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
| Hadji et al. | Maximum Power Point Tracking (MPPT) for Photovoltaic systems using open circuit voltage and short circuit current | |
| CN103973221A (zh) | 一种基于实测数据的光伏阵列参数辨识方法 | |
| CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
| CN106169910A (zh) | 基于群搜索算法的光伏电池参数辨识方法 | |
| Bentata et al. | Development of rapid and reliable cuckoo search algorithm for global maximum power point tracking of solar PV systems in partial shading condition | |
| Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
| Sharmin et al. | Implementation of an MPPT technique of a solar module with supervised machine learning | |
| CN110829491B (zh) | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 | |
| Abderrahim et al. | A New Improved Variable Step Size MPPT Method for Photovoltaic Systems Using Grey Wolf and Whale Optimization Technique Based PID Controller. | |
| Ahmed et al. | Non-iterative MPPT Method: A Comparative Study | |
| Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
| Hadji et al. | Experimental analysis of genetic algorithms based MPPT for PV systems | |
| CN106468935A (zh) | 一种折线拟合求太阳能电池最大功率点方法 | |
| Ravi et al. | Comparative analysis of recent metaheuristic algorithms for maximum power point tracking of solar photovoltaic systems under partial shading conditions | |
| Omer et al. | Adaptive boosting and bootstrapped aggregation based ensemble machine learning methods for photovoltaic systems output current prediction |
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: 20170829 |
|
| RJ01 | Rejection of invention patent application after publication |