CN109558632A - 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 PDF

Info

Publication number
CN109558632A
CN109558632A CN201811257935.2A CN201811257935A CN109558632A CN 109558632 A CN109558632 A CN 109558632A CN 201811257935 A CN201811257935 A CN 201811257935A CN 109558632 A CN109558632 A CN 109558632A
Authority
CN
China
Prior art keywords
parameter
photovoltaic module
bacterium
value
photovoltaic
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
Application number
CN201811257935.2A
Other languages
English (en)
Inventor
舒展
蔡霞
邓健
杨立行
程思萌
杨越
陶翔
周宁
程正
邹进
蔡明�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811257935.2A priority Critical patent/CN109558632A/zh
Publication of CN109558632A publication Critical patent/CN109558632A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏组件参数辨识方法，属于电力系统建模领域。其方法包括以下步骤：确定目标函数，建立参数优化模型；利用参数值最优解域进行参数值初始化；寻找参数的最优解。最终形成光伏组件机理模型，确定需要辨识的四个光伏组件参数，通过比对辨识参数下的光伏组件输出特性和实际输出特性，验证该方法的正确性。该方法能够用于光伏组件的参数辨识，是光伏电站建模仿真的基础。

Description

一种光伏组件参数辨识方法
技术领域
本发明涉及电力系统建模方法，尤其涉及大型光伏电站并网建模与仿真分析，属于电力系统建模领域。
背景技术
我国拥有广大的国土面积并且处于高纬度地区多，因此太阳能资源十分丰富。据统计我国每年太阳能理论储量可达约17000亿吨标准煤，可以说我国已成为世界太阳能电池生产第一大国。随着太阳能光热发电技术发展,我国已经实现了光伏发电与火电厂发电相结合，同时电站的规模也在不断扩大，而分布式发电系统的建立则有效地解决了偏远山区发电问题。
光伏发电依靠其能源质量高、易获取、无污染等优点，取得了广泛的发展与应用。但现阶段，世界太阳能光伏发电产业尚未成熟，不可避免的会存在困难和难以解决的问题。在工程实际中，组件很少工作在STC下，且光伏电池是一个复杂的非线性系统，其U-I输出特性不仅受本身的工艺水平影响，外界因素诸如太阳光强和电池温度也会影响其特性。将光伏电池串、并联为光伏阵列后，光伏阵列中的各个电池工作状态并不一致，且随着光伏阵列运行时间越来越长，光伏电池会出现老化、故障等现象，此时利用厂家提供的数据得到的输出功率与实际光伏电站运行下的输出并不一致，仅靠厂家的数据得到的参数将影响预测光伏系统输出功率的准确度。所以，考虑实际情况下，针对标准光伏参数进行适当的修正，对光伏系统设计以及后续应用显得十分重要。
细菌群体趋药性(bacterial colony chemotaxis,BCC)算法具有固有的突破局部最值限制的性能，同时细菌群体的迁徙活动也有助于细菌群从局部最值逃逸。与其他群体优化算法相比，BCC具有更强的局部搜索能力，且较低的资源占用：BCC算法一般选取较少的种子数目就可以达到精度要求。
发明内容
本发明的目的是：提出一种光伏组件参数辨识方法，从而成为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。
本发明方法包括以下步骤：
(1)确定目标函数，建立参数优化模型；
具体方法为：采用下式计算第i次预测的光伏组件输出电流值：
Iph为光生电流；I0为反向饱和电流；q为电子电荷，q＝1.6×10-19C；n为二极管因子；K为玻尔兹曼常数，K＝1.38×10-23J/K；Rs为串联内阻，I为光伏组件测量电流值，为第i次预测的电流值，Ii、Ui分别为第i次测量的电流值和电压值，m为测量数据的个数；
确定目标函数表达式如下:
参数Rs，n，Iph，I0的约束方程表达式为：
上下限由解析法求得的最优解域确定；
(2)利用参数值最优解域进行参数值初始化；
(3)寻找参数的最优解。
本发明方法步骤(2)中参数值初始化方法如下：
采用细菌群体趋药性算法，初始化细菌群体和辨识参数变量，设细菌个数为z，细菌坐标变量的维数为需要辨识参数的数量，即为4，得到一个z×4阶的初始矩阵；其中，参数变量在算法中表征细菌移动寻优时的空间位置，即细菌在4维空间中遵循上述寻优步骤进行。
本发明方法步骤(3)所述寻找参数的最优解方法如下：
单个细菌分别独立移动，由预测电流值，即得到细菌移动结果和相应的目标函数值，其中，细菌的移动步长为标幺值，每一维度的基准值由其物理意义及实际问题情况决定；细菌寻找并采集群体中周围细菌个体中有更好位置的坐标信息，以修正移动策略并进行寻优，得到新的坐标位置信息并调用预测电流值的计算程序，计算相应的目标函数值；
比较个体移动及群体调整策略的计算结果，选择较优者作为本步的移动结果，同时为下一步移动提供位置信息参考依据；
判断是否达到精度或达到迭代步数，之后选择输出结果或继续迭代。
本发明方法属于电力系统建模领域的一种光伏组件参数辨识方法。最终形成光伏组件机理模型，确定需要辨识的四个光伏组件参数，通过比对辨识参数下的光伏组件输出特性和实际输出特性，验证该方法的正确性。该方法能够用于光伏组件的参数辨识，是光伏电站建模仿真的基础。
附图说明
图1为本发明光伏阵列参数辨识方法原理图；
图2为本发明光伏电池等效电路示意图；
图3为本发明光伏阵列示意图；
图4为本发明实测曲线与辨识曲线图。
具体实施方式
以下结合实施例对本发明进行详细说明。
本发明所述光伏阵列参数辨识方法包括以下步骤：
(1)形成光伏阵列等值模型；
(a)获得光伏电池理论模型；
可以将光伏电池假设为一个二极管与太阳光电流源并联的等效电路，根据电子学理论，光伏电池的特性可以用一个等效电路来进行描述，光伏电池单元的I-U方程为：
I＝Iph-I0exp{[q(U+IRs)/nKT]-1}-(U+IRs)/Rsh (1)
Iph为光生电流；I0为反向饱和电流；q为电子电荷，q＝1.6×10-19C；n为二极管因子；K为玻尔兹曼常数，K＝1.38×10-23J/K；Rs为串联内阻；Rsh为并联内阻。
由于Rsh非常大，因此可以忽略式(1)的(U+IRs)/Rsh项，太阳电池的电流方程可以近似为
I＝Iph-I0exp{[q(U+IRs)/nKT]-1} (2)
其中：Iph，I0，n，Rs为待定系数。
由生产厂家提供的光伏电池输出曲线均基于标准工况(标准辐照度Sref＝1000W/m2，标准温度Tref＝25℃)，当辐照度和参考温度发生变化时，该曲线便不再适用了；而在光伏电站的实际运行中，环境的温度和辐照度在不断发生变化，模型中对应参数的值也会随之发生变化，任意工况下的Iph及I0随温度和辐照度变化的关系如下：
其中，Iph,ref、I0,ref分别为标准工况下的光生电流和二极管反向饱和电流，S为任意工况下的辐照度，Eg为材料能带宽度，其温度依赖性可用下式表示：
Eg＝Eg,ref[1-0.0002677(T-Tref)] (4)
当T＝25℃时，Eg,ref＝1.121eV。
根据观察，光照强度及工作温度对二极管理想因子n值影响较小，因此在计算中可认为n为一个常数。
(b)形成光伏组件模型；
在实际应用中，光伏电池是以串、并联的方式组成阵列。假设光伏组件使用同一种光伏电池，则光伏阵列与光伏电池的输出关系为：
其中，UM，IM分别为光伏阵列输出电压、电流；UC，IC分别为各光伏电池输出电压、电流；m，p分别为光伏电池串联数和并联数。
(2)光伏组件模型参数辨识；
将光伏组件等价为光伏电池，再对其进行参数辨识。光伏电站中，光伏组件输出运行在最大功率，其所对应的直流电压及直流电流数据应满足光伏电池最大功率点特性。
根据P＝UI，在最大功率点进行全微分可得：
Um，Im为最大功率点处的输出电压和输出电流。由式(2)，(6)可得方程：
其中Uth＝kT/q。根据(3)式，将方程(7)换算成以标准条件下参数表示的方程：
其中Um0，Im0，Uth0为标准情况下的最大功率点电压、电流和已知参数；n，Iph0，Rs0为此时对应的模型参数；a，b，c为参数换算系数，可以由式(3)换算得到。
式(8)为三元一次方程式，选择若干组光伏电站气象数据、输出直流电压和直流电流数据，便可求解出参数Iph0，Rs0，n的最优解域。再选取一组输出电压和电流数据，结合辨识出的Iph0，Rs0，n，通过下式辨识出I0的最优解域。
(3)BCC优化算法；
(a)确定目标函数和约束方程
设定目标函数为:
式中：m为测量数据的个数，I为光伏组件测量电流值，为预测的电流值，后者由式(2)得出。其中，一般工况下的参数值由式(3)得到。由此，光伏组件模型参数辨识问题转化为求目标函数的最小值问题。
约束方程为：
上下限由解析法求得的最优解域确定。
(b)算法步骤
采用细菌群体趋药性(bacterial colony chemotaxis,BCC)算法，初始化细菌群体和辨识参数变量。设细菌个数为z，细菌坐标变量的维数为需要辨识参数的数量，即为4。于是，可以得到一个z×4阶的初始矩阵。其中，参数变量在算法中表征细菌移动寻优时的空间位置，即细菌在此4维空间中遵循寻优步骤进行；
单个细菌分别独立移动，由式(2)计算预测电流值，即得到细菌移动结果和相应的目标函数值。其中，细菌的移动步长为标幺值，每一维度的基准值由其物理意义及实际问题情况决定，因此在每一维的实际移动距离与相应维度的物理意义、数量级以及单位相符合；
细菌寻找并采集群体中周围细菌个体中有更好位置的坐标信息，以修正移动策略并进行寻优，得到新的坐标位置信息并调用预测电流值的计算程序，计算相应的目标函数值；
比较个体移动及群体调整策略的计算结果，选择较优者作为本步的移动结果，同时为下一步移动提供位置信息参考依据；
判断是否达到精度或达到迭代步数，之后选择输出结果或继续迭代。
以式(8)作为细菌算法的优化目标函数，并把需辨识参数作为维度与细菌优化算法的维度相对应，即实现了细菌优化算法在光伏组件参数辨识问题中的应用。
以某光伏电站5月18日的实测数据对机理模型中的参数进行辨识。根据式(8)和式(9)辨识出参数的最优解域如下表所示：
参数 I<sub>ph0</sub> n R<sub>s0</sub> I<sub>0</sub>
解域 207.38≤I<sub>ph0</sub>≤314.892 1268.39≤n≤1798.74 0.064≤R<sub>s0</sub>≤0.116 1.2601e<sup>-12</sup>≤I<sub>0</sub>≤3.1302e<sup>-11</sup>
选取30组测量数据进行参数辨识结果的优化，结果如下：
参数 I<sub>ph0</sub> n R<sub>s0</sub> I<sub>0</sub>
辨识结果 240.16 1500.96 0.093 6.3004e<sup>-12</sup>
基于BCC辨识结果的输出曲线如图3中的实线所示。实测曲线如图3中的虚线所示。由图可知，辨识曲线与实测曲线拟合程度很高，两条曲线基本可以重合，有较好的一致性。利用该方法进行光伏阵列参数辨识是有效的。

Claims (3)

1.一种光伏组件参数辨识方法，其特征在于，所述方法包括以下步骤：
(1)确定目标函数，建立参数优化模型；
具体方法为：采用下式计算第i次预测的光伏组件输出电流值：
Iph为光生电流；I0为反向饱和电流；q为电子电荷，q＝1.6×10-19C；n为二极管因子；K为玻尔兹曼常数，K＝1.38×10-23J/K；Rs为串联内阻，I为光伏组件测量电流值，为第i次预测的电流值，Ii、Ui分别为第i次测量的电流值和电压值，m为测量数据的个数；
确定目标函数表达式如下:
参数Rs，n，Iph，I0的约束方程表达式为：
上下限由解析法求得的最优解域确定；
(2)利用参数值最优解域进行参数值初始化；
(3)寻找参数的最优解。
2.根据权利要求1所述的光伏组件参数辨识的方法，其特征在于，步骤(2)中参数值初始化方法如下：
采用细菌群体趋药性算法，初始化细菌群体和辨识参数变量，设细菌个数为z，细菌坐标变量的维数为需要辨识参数的数量，即为4，得到一个z×4阶的初始矩阵；其中，参数变量在算法中表征细菌移动寻优时的空间位置，即细菌在4维空间中遵循上述寻优步骤进行。
3.根据权利要求1或2所述的风电场次同步频率等值建模方法，其特征在于，步骤(3)所述寻找参数的最优解方法如下：
单个细菌分别独立移动，由预测电流值，即得到细菌移动结果和相应的目标函数值，其中，细菌的移动步长为标幺值，每一维度的基准值由其物理意义及实际问题情况决定；细菌寻找并采集群体中周围细菌个体中有更好位置的坐标信息，以修正移动策略并进行寻优，得到新的坐标位置信息并调用预测电流值的计算程序，计算相应的目标函数值；
比较个体移动及群体调整策略的计算结果，选择较优者作为本步的移动结果，同时为下一步移动提供位置信息参考依据；
判断是否达到精度或达到迭代步数，之后选择输出结果或继续迭代。
CN201811257935.2A 2018-10-26 2018-10-26 一种光伏组件参数辨识方法 Pending CN109558632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811257935.2A CN109558632A (zh) 2018-10-26 2018-10-26 一种光伏组件参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811257935.2A CN109558632A (zh) 2018-10-26 2018-10-26 一种光伏组件参数辨识方法

Publications (1)

Publication Number Publication Date
CN109558632A true CN109558632A (zh) 2019-04-02

Family

ID=65865322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811257935.2A Pending CN109558632A (zh) 2018-10-26 2018-10-26 一种光伏组件参数辨识方法

Country Status (1)

Country Link
CN (1) CN109558632A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059441A (zh) * 2019-04-29 2019-07-26 广东电网有限责任公司 一种光伏电站建模方法及光伏电站模型输出校正方法
CN115204048A (zh) * 2022-07-19 2022-10-18 贵州大学 一种光伏发电系统模型辨识系统和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106169910A (zh) * 2016-07-20 2016-11-30 国网青海省电力公司 基于群搜索算法的光伏电池参数辨识方法
CN107066760A (zh) * 2017-05-12 2017-08-18 国网江苏省电力公司电力科学研究院 一种光伏组件参数辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106169910A (zh) * 2016-07-20 2016-11-30 国网青海省电力公司 基于群搜索算法的光伏电池参数辨识方法
CN107066760A (zh) * 2017-05-12 2017-08-18 国网江苏省电力公司电力科学研究院 一种光伏组件参数辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
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》 *
杨宏超等: "光伏组件内部参数辨识与输出特性研究", 《电子技术应用》 *
杨宏超等: "基于光伏组件内部参数辨识的故障诊断模型", 《计算机测量与控制》 *
殷桂梁等: "考虑风电和光伏发电影响的电力系统最优旋转备用容量确定", 《电网技术》 *
陈继明等: "基于改进细菌群体趋药性算法的配电网无功优化", 《电力系统保护与控制》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059441A (zh) * 2019-04-29 2019-07-26 广东电网有限责任公司 一种光伏电站建模方法及光伏电站模型输出校正方法
CN110059441B (zh) * 2019-04-29 2022-07-19 广东电网有限责任公司 一种光伏电站建模方法及光伏电站模型输出校正方法
CN115204048A (zh) * 2022-07-19 2022-10-18 贵州大学 一种光伏发电系统模型辨识系统和方法

Similar Documents

Publication Publication Date Title
Zhong et al. Prediction of photovoltaic power generation based on general regression and back propagation neural network
Farivar et al. An analytical solution for tracking photovoltaic module MPP
CN106126887B (zh) 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
CN107103154A (zh) 一种光伏组件模型参数辨识方法
Lodhi et al. Application of particle swarm optimization for extracting global maximum power point in PV system under partial shadow conditions
CN103973221A (zh) 一种基于实测数据的光伏阵列参数辨识方法
Issaadi et al. Comparative study of photovoltaic system optimization techniques: Contribution to the improvement and development of new approaches
CN106169910A (zh) 基于群搜索算法的光伏电池参数辨识方法
CN109558632A (zh) 一种光伏组件参数辨识方法
Ahmed et al. PSO-SMC controller based GMPPT technique for photovoltaic panel under partial shading effect
Souri et al. Modeling and estimation of the maximum power of solar arrays under partial shading conditions
Abderrahim et al. A New Improved Variable Step Size MPPT Method for Photovoltaic Systems Using Grey Wolf and Whale Optimization Technique Based PID Controller.
Hadji et al. Genetic algorithms for maximum power point tracking in photovoltaic systems
CN106468935B (zh) 一种折线拟合求太阳能电池最大功率点方法
CN113285655A (zh) 一种风光互补优化配比方法
Tifidat et al. An efficient method for predicting PV modules performance based on the two-diode model and adaptable to the single-diode model
Adam et al. Soft modeling of the photovoltaic modules based on MATLAB/Simulink
CN109388845B (zh) 基于反向学习与增强复杂进化的光伏阵列参数提取方法
Ahmed et al. Non-iterative MPPT Method: A Comparative Study
Ding et al. Improved global maximum power point tracking method based on voltage interval for PV array under partially shaded conditions
Rong et al. Parameter optimization of PV based on hybrid genetic algorithm
Raeisi et al. Designing and construction of a solar panel simulator capable of simulating partial shading conditions
CN104009493A (zh) 一种基于特征距离的光伏发电单元群等值建模方法
Yixin et al. Improved SPSO-based parameter identification of solar PV cells IV model
Jha et al. Effect of varying temperature on different PV array configurations under partial shading condition

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190402