CN110287540A - 一种基于精英群众差分进化算法的光伏电池参数辨识方法 - Google Patents

一种基于精英群众差分进化算法的光伏电池参数辨识方法 Download PDF

Info

Publication number
CN110287540A
CN110287540A CN201910457000.7A CN201910457000A CN110287540A CN 110287540 A CN110287540 A CN 110287540A CN 201910457000 A CN201910457000 A CN 201910457000A CN 110287540 A CN110287540 A CN 110287540A
Authority
CN
China
Prior art keywords
stratum
masses
elite
photovoltaic cell
individual
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.)
Granted
Application number
CN201910457000.7A
Other languages
English (en)
Other versions
CN110287540B (zh
Inventor
苗学良
陈旭
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.)
Beitai Zhiyun Fujian Technology Co ltd
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN201910457000.7A priority Critical patent/CN110287540B/zh
Publication of CN110287540A publication Critical patent/CN110287540A/zh
Application granted granted Critical
Publication of CN110287540B publication Critical patent/CN110287540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于精英群众差分进化算法的光伏电池参数辨识方法，实施流程框架包括：建立光伏电池模型并确认需要辨识的参数，采集数据和设置目标函数，种群初始化，计算适应度值、将种群分为精英阶层和群众阶层，对精英阶层和群众阶层进行变异操作和交叉操作，是否超出边界判断判断，计算适应度值并进行选择操作，更新缩放因子F和交叉概率因子CR，移除复制品，最后输出光伏电池中需要辨识的参数最优值。本发明用于光伏并网发电系统中光伏阵列为m×n型的光伏电池参数辨识，能够辨识光伏电池I‑V方程的待定参数和求出光伏电池的输出功率以及利用所辨识的参数分析光伏电池故障。

Description

一种基于精英群众差分进化算法的光伏电池参数辨识方法
技术领域
本发明涉及一种基于精英群众差分进化算法的光伏电池参数辨识方法，属于新能源技术领域。
背景技术
近年来，随着绿色经济的发展，光伏发电产业迎来了巨大的发展。光伏电池是光伏发电系统中的重要组成部分，但光伏发电系统的输出特性受光伏电池输出特性的影响较大。通过辨识那些反映光伏电池内在特性的参数，不仅可以确定I-V方程，从而利用求得的I-V方程预测光伏阵列的输出功率；而且通过分析这些参数的变化还可以进一步研究和改善光伏电池发生故障的原因。因此进行辨识光伏电池内部参数是十分有意义的。
目前，参数近似求解法和基于优化算法的参数估计法为光伏电池参数辨识的两种常见方法。但是光伏电池机理模型的特性方程为复杂非线性函数，采用参数近似求解法求得的参数近似值误差较大，不适用于精度要求高的时候；而基于优化算法的参数估计法求得的参数近似值误差较小，精度相对较高。
基于优化算法的参数估计法的特点是利用群体智能算法来对目标函数进行寻优，在光伏电池参数辨识中就是对光伏电池机理模型的特性方程进行寻优。一些学者将遗传算法(GA)应用到光伏电池参数辨识中，但是这种方法收敛速度慢且易于陷入局部最优；一些学者将粒子群算法(PSO)应用到光伏电池参数辨识中,但是这种方法易陷入早熟与停滞。这些方法虽然能够寻优，但往往因为所采用的算法自身存在一些缺陷，不能得到精度更高的最优解。
发明内容
本发明为解决现有的技术问题而提供一种基于精英群众差分进化算法的光伏电池参数辨识方法，所述参数辨识方法用于辨识单级式光伏并网发电系统的光伏电池且光伏组件阵列串并联为m×n型，能够辨识光伏电池I-V方程的待定参数和求出光伏电池的输出功率以及利用所辨识的参数分析光伏电池故障。
为解决上述技术问题，本发明采用下述技术方案。
基于精英群众差分进化算法的光伏电池参数辨识方法，建立电池的模型形式并确定需要辨识的参数。对种群进行初始化操作，计算种群的适应度值和将种群分为20％的精英阶层和80％的群众阶层。对20％的精英阶层进行单维度的差分变异操作和对80％的群众阶层进行全维度的差分变异和交叉操作来产生新的种群，判断新的种群是否超出边界。若新种群中出现相同种群，则进行剔除复制品操作，此时如果未达到最大计算代价，则返回计算种群的适应度值和将种群分为20％的精英阶层和80％的群众阶层继续迭代，直到达到最大计算代价，输出待定光伏电池参数的最优取值。
作为本发明的技术方案，该方法的实施包括如下步骤：
步骤1：建立式(1)所示的光伏电池I-V方程，确定需要辨识的参数；其中，V为负载两端电压、I为通过负载的电流、Iph为光生电流、Io为二极管反向饱和电流、A为二极管品质因子、Rs为电池串联电阻、Rsh为电池并联电阻、T为电池的绝对温度、K为波尔兹曼常数、q为电子电荷；其中，光生电流Iph、二极管反向饱和电流Io、二极管品质因子A、电池串联电阻Rs、电池并联电阻Rsh这5个参数为需要辨识的参数；
步骤2：通过测量及计算获得光伏电池阵列的负载两端电压V和负载电流I，同时设置目标函数的适应度，求取适应度的均方根误差RMES；
步骤3：输入原始数据到目标函数的适应度，包括各时段光伏组件的负载两端电压V和通过负载电流I以及约束条件、初始化需要辨识的参数和令计算代价FES＝0；
步骤4：种群初始化，初始化缩放因子Fi和交叉概率因子CRi，其中，Xi＝[Iph,Io,Rs,Rsh,A]表示第i个目标向量个体中的5个电池模型的参数值；
步骤5：计算每个个体的适应度值，选取适应度值最小的20％为精英阶层，剩余的80％为群众阶层；
步骤6：对精英阶层的一个维度进行变异操作，对群众阶层进行变异操作和交叉操作，将新的精英阶层和新的群众阶层合并形成新的种群试验向量；
步骤7：对新产生的试验向量个体进行是否超出边界判断，若超出边界则进行边界操作，边界操作如式(2)所示，其中，Ui,j代表第i个个体的第j维，r代表[0,1]之间的随机数，lj和uj分别为边界的最小值和最大值；
Ui,j＝lj+r·(uj-lj) (2)
步骤8：计算新产生的种群试验向量个体Ui的适应度值并与目标向量个体Xi的适应度计算值进行一对一贪婪选择如式(3)所示，其中，其中f(Ui)和f(Xi)分别是试验向量个体Ui和目标向量个体Xi的适应度计算值；
步骤9：更新缩放因子F和交叉概率因子CR；
步骤10：移除复制品。如果一个目标向量个体X1与另外一个目标向量个体X2相同，则对其中一个目标向量个体Xi用高斯分布重新生成，如式(4)所示，其中Xi,j为目标向量个体Xi的第j维，NP为种群数目，N()为高斯分布公式。
Xi,j～N(Xi,j,(uj-lj)/Np) (4)
步骤11：判断计算代价是否达到最大值，如果是则转向步骤12，如果否则转向步骤5；
步骤12：输出全局最优解，即为需要辨识的参数最优解。
进一步，步骤2包括以下具体步骤：
步骤2-1：读取光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal；
步骤2-2：记录光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal，光伏组件的负载两端电压V＝Vtotal/m和通过负载电流I＝Itotal/n；
步骤2-3：设置目标函数为适应度的均方根误差RMES，其中，X＝[Iph,Io,Rs,Rsh,A]为需要辨识的参数，N为测量数据的采样点数目，适应度为f(V,I,X)：
进一步，步骤6包括以下具体步骤：
步骤6-1：对精英阶层的一个维度进行变异操作，生成一个新的精英阶层试验向量个体U_Ii，如式(7)所示，其中，Xi1,j,Xi2,j和Xi3,j为精英阶层随机挑选的3个个体的第j维且i1≠i2≠i3,U_Ii,j为精英阶层的第i个试验向量的第j维；
U_Ii,j＝Xi1+F(Xi2-Xi3) (7)
步骤6-2：对群众阶层进行变异操作和交叉操作，生成一个新的群众阶层试验向量个体U_Mi，如式(8)所示，其中，Xi1,j,Xi2,j和Xi3,j为群众阶层随机挑选的3个个体的第j维且i1≠i2≠i3,U_Mi,j为群众阶层的第i个试验向量的第j维，CRi为群众阶层第i个个体交叉概率因子，r1为[0,1]之间的随机数，rj为随机的一个维度；
步骤6-3：将新的精英阶层试验向量个体U_Ii和新的群众阶层试验向量个体U_Mi合并形成新的种群试验向量Ui。
进一步，步骤9包括以下具体步骤：
步骤9-1：更新缩放因子Fi，如式(9)所示，其中，为柯西分布，uF为采样中心位置，c为学习因子，uF的取值变化如式(10)所示，meanL()为Lehmer平均数，SF为所有成功的Fi，如果Fi大于1，则截断为1，如果Fi小于0，则重新产生Fi；
Fi＝randci(uF,0.1) (9)
uF＝(1-c)·uF+c·meanL(SF) (10)
步骤9-2：更新交叉概率因子CRi，如式(11)所示；其中，f(Xi)为第i个个体的适应度值，max_f是当前种群中最差的适应度值；
进一步，uF和c的初始值分别为0.5和0.1。
进一步，输出全局最优解X＝[0.7607,3.2302e-07,0.03637,53.7185,1.4811]。
采用上述技术方案所产生的有益效果在于：
1.本发明提出了一种基于精英群众差分进化算法的光伏电池参数辨识方法，利用精英群众差分进化算法辨识光伏电池中的参数，通过不断地迭代来同时确定5个参数的最优解，具有同步性。
2.本发明计算种群的适应度值和将种群分为20％的精英阶层和80％的群众阶层。对20％的精英阶层进行单维度的差分变异操作和对80％的群众阶层进行全维度的差分变异和交叉操作来产生新的种群，判断新的种群是否超出边界。通过将种群分为精英阶层和群众阶层来实现对种群的区分，并对精英阶层抛弃常规的全维度变异而采用的单一维度变异，这样操作一方面大大增强了光伏电池参数局部寻优，加快优化速度，另一方面通过移除复制品操作，提高了种群的多样性，增强了全局搜索能力，有效地解决了优化问题陷入局部最优、早熟收敛等问题。
3.本发明通过对缩放因子F和交叉概率因子CR采用自适应策略，使得整个优化过程中的缩放因子F和交叉概率因子CR更加合理，从而提高了结果的精度。
4.本发明易于实验室条件下测试，同样适用于一般的光伏发电系统，通用性强。
附图说明
图1为光伏电池模型及阵列示意图；(a)为光伏电池机理模型原理示意图；(b)为m×n型光伏阵列。
图2为基于精英群众差分进化算法拟合的特性曲线；(a)为基于精英群众差分进化算法拟合的I-V特性曲线；(b)为基于精英群众差分进化算法拟合的P-V特性曲线。
图3为基于精英群众差分进化算法的光伏电池参数辨识方法流程图。
具体实施方式
结合附图和具体实施步骤对本发明作进一步详细的说明。本发明中所涉及的各种原料和设备均为常规市售产品，均能够在市场中购买获得。、
本发明中，该参数辨识方法用于辨识单级式光伏并网发电系统的光伏电池且光伏组件阵列串并联为m×n型，能够辨识光伏电池I-V方程的待定参数和求出光伏电池的输出功率以及利用所辨识的参数分析光伏电池故障，其特征在于：建立光伏电池模型并确认需要辨识的参数，采集数据和设置目标函数，种群初始化，计算适应度值、将种群分为精英阶层和群众阶层，对精英阶层和群众阶层进行变异操作和交叉操作，是否超出边界判断判断，计算适应度值并进行选择操作，更新缩放因子F和交叉概率因子CR，移除复制品，最后输出光伏电池中需要辨识的参数最优值。
如附图1(a)所示，由晶体硅构成的光伏电池的结构本身就是一个P-N结，P-N结的“光生电压”使得电路产生电流输出一定的功率，因此光伏电池的模型可用反向二极管和电流源的并联电路来等效。根据光伏电池的机理模型建立数学模型，以数学模型为研究对象，可求出机理模型中需要辨识的参数，即光生电流Iph、二极管反向饱和电流Io、二极管品质因子A、电池串联电阻Rs和电池并联电阻Rsh。
如附图3所示，一种基于精英群众差分进化算法的光伏电池参数辨识方法流程图，所述参数辨识方法用于辨识单级式光伏并网发电系统的光伏电池，且光伏组件阵列串并联为m×n型；本发明的具体实施步骤如下：
步骤1：建立式(1)所示的光伏电池I-V方程，确定需要辨识的参数；其中，V为负载两端电压、I为通过负载电流、Iph为光生电流、Io为二极管反向饱和电流、A为二极管品质因子、Rs为电池串联电阻、Rsh为电池并联电阻、T为电池的绝对温度、K为波尔兹曼常数(1.380×10-23J/K)、q为电子电荷(1.608×10-19)；其中，光生电流Iph、二极管反向饱和电流Io、二极管品质因子A、电池串联电阻Rs、电池并联电阻Rsh这5个参数可以体现光伏电池模型内在特性，因此这5个参数为需要辨识的参数。
步骤2：通过测量及计算方式获得光伏电池阵列的负载两端电压V和通过负载电流I和设置目标函数为适应度是均方根误差RMES。
步骤2-1：如附图1(b)所示,读取光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal。
步骤2-2：记录光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal，光伏组件的负载两端电压V＝Vtotal/m和通过负载电流I＝Itotal/n。
步骤2-3：设置目标函数为适应度的均方根误差RMES,如式(2)所示。其中，X＝[Iph,Io,Rs,Rsh,A]为需要辨识的参数，N为测量数据的采样点数目，适应度为f(V,I,X),如式(3)所示。
步骤3：输入原始数据，包括各时段光伏组件的负载两端电压V和通过负载电流I以及约束条件(最大计算代价maxFES＝5000)、初始化需要辨识的参数和令计算代价FES＝0。
步骤4：种群初始化，初始化缩放因子Fi和交叉概率因子CRi。其中，Xi＝[Iph,Io,Rs,Rsh,A]表示第i个目标向量个体中的5个电池模型的参数值。
步骤5:计算每个个体的适应度值，选取适应度值最小的20％为精英阶层，剩余的80％为群众阶层。
步骤6：对精英阶层的一个维度进行变异操作，对群众阶层进行变异操作和交叉操作，将新的精英阶层和新的群众阶层合并形成新的种群试验向量。
步骤6-1：对精英阶层的一个维度进行变异操作，生成一个新的精英阶层试验向量个体U_Ii，如式(4)所示。其中，i1,i2和i3为精英阶层随机挑选的3个个体且i1≠i2≠i3,U_Ii,j为精英阶层的第i个试验向量的第j维。
U_Ii,j＝Xi1+F(Xi2-Xi3) (4)
步骤6-2：对群众阶层进行变异操作和交叉操作，生成一个新的群众阶层试验向量个体U_Mi，如式(5)所示。其中，i1,i2和i3为群众阶层随机挑选的3个个体且i1≠i2≠i3,U_Mi,j为群众阶层的第i个试验向量的第j维，CRi为群众阶层第i个个体交叉概率因子，r1为[0,1]之间的随机数，rj为随机的一个维度。
步骤6-3：将新的精英阶层试验向量个体U_Ii和新的群众阶层试验向量个体U_Mi合并形成新的种群试验向量Ui。
步骤7：对新产生的试验向量个体进行是否超出边界判断，若超出边界则进行边界操作，边界操作如式(6)所示，其中，Ui,j代表第i个个体的第j维，r代表[0,1]之间的随机数，lj和uj分别为边界的最小值和最大值。
Ui,j＝lj+r·(uj-lj) (6)
步骤8：计算新产生的种群试验向量个体Ui的适应度值并与目标向量个体Xi的适应度计算值进行一对一贪婪选择如式(7)所示，其中，其中f(Ui)和f(Xi)分别是试验向量个体Ui和目标向量个体Xi的适应度计算值。
步骤9：更新缩放因子F和交叉概率因子CR。
步骤9-1：更新缩放因子Fi，如式(8)所示。其中，为柯西分布，uF和c的初始值分别为0.5和0.1，uF的取值变化如式(9)所示。meanL()为Lehmer平均数，SF为所有成功的Fi，如果Fi大于1，则截断为1，如果Fi小于0，则重新产生Fi。
Fi＝randci(uF,0.1) (8)
uF＝(1-c)·uF+c·meanL(SF) (9)
步骤9-2：更新交叉概率因子CRi，如式(10)所示。其中，f(Xi)为第i个个体的适应度值，max_f是当前种群中最差的适应度值。
步骤10：移除复制品。如果一个目标向量个体X1与另外一个目标向量个体X2相同，则对其中一个目标向量个体Xi用高斯分布重新生成，如式(11)所示，其中NP为种群数目。
Xi,j～N(Xi,j,(uj-lj)/Np) (11)
步骤11：判断计算代价是否达到最大值，如果是则转向步骤12，如果否则转向步骤5。
步骤12：输出全局最优解X＝[0.7607,3.2302e-07,0.03637,53.7185,1.4811]，即为需要辨识的参数最优解，用所辨识的参数拟合I-V特性曲线如附图2(a)所示，用所辨识的参数拟合的P-V特性曲线如附图2(b)所示。
为了体现本发明提供的方法拥有较好的光伏电池参数辨识能力，比较了本发明提供的方法和一些利用其它方法对光伏电池参数辨识的均方根误差RMES(均方根误差越小代表参数辨识能力越强)。表1展示了各个方法的均方根误差，从表1可以看出，本发明提供的方法拥有较好的光伏电池参数辨识能力。
表1光伏电池参数辨识的均方根误差RMES
方法 R<sub>MES</sub>
GA 1.9080×10<sup>-2</sup>
TLBO 1.0476×10<sup>-3</sup>
CPSO 1.3900×10<sup>-3</sup>
本方法 9.8602×10<sup>-4</sup>
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.基于精英群众差分进化算法的光伏电池参数辨识方法，其特征在于，该方法包括如下实施步骤：
步骤1：建立式(1)所示的光伏电池I-V方程，确定需要辨识的参数；其中，V为负载两端电压、I为通过负载的电流、Iph为光生电流、Io为二极管反向饱和电流、A为二极管品质因子、Rs为电池串联电阻、Rsh为电池并联电阻、T为电池的绝对温度、K为波尔兹曼常数、q为电子电荷；其中，光生电流Iph、二极管反向饱和电流Io、二极管品质因子A、电池串联电阻Rs、电池并联电阻Rsh这5个参数为需要辨识的参数；
步骤2：通过测量及计算获得光伏电池阵列的负载两端电压V和负载电流I，同时设置目标函数的适应度，求取适应度的均方根误差RMES；
步骤3：输入原始数据到目标函数的适应度，包括各时段光伏组件的负载两端电压V和通过负载电流I以及约束条件、初始化需要辨识的参数和令计算代价FES＝0；
步骤4：种群初始化，初始化缩放因子Fi和交叉概率因子CRi，其中，Xi＝[Iph,Io,Rs,Rsh,A]表示第i个目标向量个体中的5个电池模型的参数值；
步骤5：计算每个个体的适应度值，选取适应度值最小的20％为精英阶层，剩余的80％为群众阶层；
步骤6：对精英阶层的一个维度进行变异操作，对群众阶层进行变异操作和交叉操作，将新的精英阶层和新的群众阶层合并形成新的种群试验向量；
步骤7：对新产生的试验向量个体进行是否超出边界判断，若超出边界则进行边界操作，边界操作如式(2)所示，其中，Ui,j代表第i个个体的第j维，r代表[0,1]之间的随机数，lj和uj分别为边界的最小值和最大值；
Ui,j＝lj+r·(uj-lj) (2)
步骤8：计算新产生的种群试验向量个体Ui的适应度值并与目标向量个体Xi的适应度计算值进行一对一贪婪选择如式(3)所示，其中，其中f(Ui)和f(Xi)分别是试验向量个体Ui和目标向量个体Xi的适应度计算值；
步骤9：更新缩放因子F和交叉概率因子CR；
步骤10：移除复制品。如果一个目标向量个体X1与另外一个目标向量个体X2相同，则对其中一个目标向量个体Xi用高斯分布重新生成，如式(4)所示，其中Xi,j为目标向量个体Xi的第j维，NP为种群数目，N()为高斯分布公式。
Xi,j～N(Xi,j,(uj-lj)/Np) (4)
步骤11：判断计算代价是否达到最大值，如果是则转向步骤12，如果否则转向步骤5；
步骤12：输出全局最优解，即为需要辨识的参数最优解。
2.根据权利要求1所述的基于精英大众差分进化算法的光伏电池参数辨识方法，其特征在于：步骤2包括以下具体步骤：
步骤2-1：读取光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal；
步骤2-2：记录光伏电池阵列的负载两端电压Vtotal和通过负载电流Itotal，光伏组件的负载两端电压V＝Vtotal/m和通过负载电流I＝Itotal/n；
步骤2-3：设置目标函数为适应度的均方根误差RMES，其中，X＝[Iph,Io,Rs,Rsh,A]为需要辨识的参数，N为测量数据的采样点数目，适应度为f(V,I,X)：
3.根据权利要求1所述的基于精英群众差分进化算法的光伏电池参数辨识方法，其特征在于：步骤6包括以下具体步骤：
步骤6-1：对精英阶层的一个维度进行变异操作，生成一个新的精英阶层试验向量个体U_Ii，如式(7)所示，其中，Xi1,j,Xi2,j和Xi3,j为精英阶层随机挑选的3个个体的第j维且i1≠i2≠i3,U_Ii,j为精英阶层的第i个试验向量的第j维；
U_Ii,j＝Xi1+F(Xi2-Xi3) (7)
步骤6-2：对群众阶层进行变异操作和交叉操作，生成一个新的群众阶层试验向量个体U_Mi，如式(8)所示，其中，Xi1,j,Xi2,j和Xi3,j为群众阶层随机挑选的3个个体的第j维且i1≠i2≠i3,U_Mi,j为群众阶层的第i个试验向量的第j维，CRi为群众阶层第i个个体交叉概率因子，r1为[0,1]之间的随机数，rj为随机的一个维度；
步骤6-3：将新的精英阶层试验向量个体U_Ii和新的群众阶层试验向量个体U_Mi合并形成新的种群试验向量Ui。
4.根据权利要求1所述的基于精英群众差分进化算法的光伏电池参数辨识方法，其特征在于：步骤9包括以下具体步骤：
步骤9-1：更新缩放因子Fi，如式(9)所示，其中，为柯西分布，uF为采样中心位置，c为学习因子，uF的取值变化如式(10)所示，meanL()为Lehmer平均数，SF为所有成功的Fi，如果Fi大于1，则截断为1，如果Fi小于0，则重新产生Fi；
Fi＝randci(uF,0.1) (9)
uF＝(1-c)·uF+c·meanL(SF) (10)
步骤9-2：更新交叉概率因子CRi，如式(11)所示；其中，f(Xi)为第i个个体的适应度值，max_f是当前种群中最差的适应度值；
5.根据权利要求4所述的基于精英群众差分进化算法的光伏电池参数辨识方法，其特征在于：uF和c的初始值分别为0.5和0.1。
6.根据权利要求1所述的基于精英群众差分进化算法的光伏电池参数辨识方法，其特征在于：输出全局最优解X＝[0.7607,3.2302e-07,0.03637,53.7185,1.4811]。
CN201910457000.7A 2019-05-29 2019-05-29 一种基于精英群众差分进化算法的光伏电池参数辨识方法 Active CN110287540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910457000.7A CN110287540B (zh) 2019-05-29 2019-05-29 一种基于精英群众差分进化算法的光伏电池参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910457000.7A CN110287540B (zh) 2019-05-29 2019-05-29 一种基于精英群众差分进化算法的光伏电池参数辨识方法

Publications (2)

Publication Number Publication Date
CN110287540A true CN110287540A (zh) 2019-09-27
CN110287540B CN110287540B (zh) 2023-06-13

Family

ID=68002876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910457000.7A Active CN110287540B (zh) 2019-05-29 2019-05-29 一种基于精英群众差分进化算法的光伏电池参数辨识方法

Country Status (1)

Country Link
CN (1) CN110287540B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111899286A (zh) * 2020-07-13 2020-11-06 江西理工大学 基于精英差分演化的图像配准方法
CN113221465A (zh) * 2021-05-25 2021-08-06 西安理工大学 一种面向光伏发电运维的组件模型参数辨识方法
CN113343410A (zh) * 2021-04-19 2021-09-03 武汉凹伟能源科技有限公司 一种光伏电池模型的最优参数求解方法
CN113591039A (zh) * 2021-08-06 2021-11-02 同济大学 一种小功率Buck直流变换器负载电阻的辨识方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778345A (zh) * 2015-01-07 2015-07-15 天津大学 一种模拟光伏电池模型老化故障的非线性参数计算方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778345A (zh) * 2015-01-07 2015-07-15 天津大学 一种模拟光伏电池模型老化故障的非线性参数计算方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐斌等: "基于适应策略差分进化算法的化工反应动力学参数估值", 《化工进展》 *
马永杰等: "基于精英种群策略的协同差分进化算法", 《计算机工程与科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111899286A (zh) * 2020-07-13 2020-11-06 江西理工大学 基于精英差分演化的图像配准方法
CN111899286B (zh) * 2020-07-13 2024-01-05 江西理工大学 基于精英差分演化的图像配准方法
CN113343410A (zh) * 2021-04-19 2021-09-03 武汉凹伟能源科技有限公司 一种光伏电池模型的最优参数求解方法
CN113343410B (zh) * 2021-04-19 2022-08-02 武汉凹伟能源科技有限公司 一种光伏电池模型的最优参数求解方法
CN113221465A (zh) * 2021-05-25 2021-08-06 西安理工大学 一种面向光伏发电运维的组件模型参数辨识方法
CN113221465B (zh) * 2021-05-25 2023-04-07 西安理工大学 一种面向光伏发电运维的组件模型参数辨识方法
CN113591039A (zh) * 2021-08-06 2021-11-02 同济大学 一种小功率Buck直流变换器负载电阻的辨识方法
CN113591039B (zh) * 2021-08-06 2024-04-26 同济大学 一种小功率Buck直流变换器负载电阻的辨识方法

Also Published As

Publication number Publication date
CN110287540B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN110287540A (zh) 一种基于精英群众差分进化算法的光伏电池参数辨识方法
CN108062571B (zh) 基于差分进化随机森林分类器的光伏阵列故障诊断方法
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN105375878B (zh) 一种在线检测和评估光伏系统效率的方法
CN109670553B (zh) 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
CN106202914A (zh) 基于改进粒子群算法的光伏电池参数辨识方法
CN109635506A (zh) 自适应混沌树和种子算法的光伏电池模型参数辨识方法
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
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN110929451A (zh) 一种燃料电池单体电压一致性预测方法
Rawat et al. Solar PV parameter estimation using multi-objective optimisation
CN110363334A (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
Liu et al. A fault detection and diagnosis technique for solar system based on Elman neural network
Huang et al. Parameter identification for photovoltaic models using an improved learning search algorithm
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
Yong et al. The MPPT control method by using BP neural networks in PV generating system
Abdelghany et al. Solar cell parameter estimation using school-based optimization algorithm
CN112485587B (zh) 一种含分布式光伏配电网故障区段分层定位方法
CN113595132A (zh) 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
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
CN116436405A (zh) 一种光伏组串的热斑故障诊断方法
Swathika et al. Classification of faults in pv system using artificial neural network
Gong et al. Fault diagnosis method of photovoltaic array based on random forest algorithm
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法
CN114710116A (zh) 一种基于模糊模型的光伏电池组件的实测建模方法及系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240503

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region after: China

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

Country or region before: China

TR01 Transfer of patent right

Effective date of registration: 20240509

Address after: Unit 2803, No. 893 Haicang Avenue, Haicang District, Xiamen City, Fujian Province, 361000, China

Patentee after: Beitai Zhiyun (Fujian) Technology Co.,Ltd.

Country or region after: China

Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Country or region before: China