CN111506856A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111506856A
CN111506856A CN202010160132.6A CN202010160132A CN111506856A CN 111506856 A CN111506856 A CN 111506856A CN 202010160132 A CN202010160132 A CN 202010160132A CN 111506856 A CN111506856 A CN 111506856A
Authority
CN
China
Prior art keywords
photovoltaic cell
new
optimization algorithm
voltage
harris eagle
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
CN202010160132.6A
Other languages
English (en)
Other versions
CN111506856B (zh
Inventor
吴忠强
刘重阳
王云青
赵德隆
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202010160132.6A priority Critical patent/CN111506856B/zh
Publication of CN111506856A publication Critical patent/CN111506856A/zh
Application granted granted Critical
Publication of CN111506856B publication Critical patent/CN111506856B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及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，具体包括：1、采集和处理光伏电池的输出电流、电压数据；2、建立光伏电池的工程模型，并构造适应度函数；3、引入柔性递减策略改进猎物初始能量递减方式；4、利用黄金正弦法优化当前种群，引入黄金分割数，并从中筛选出适应度最优个体组建新的种群进入下一步迭代；5、根据种群中个体携带的参数信息计算适应度值，直到猎物的适应度值达到精度要求或达到最大迭代次数后停止，输出猎物的参数信息作为最优的光伏电池参数值并绘制拟合曲线和算法迭代曲线，并对比光伏电池的电流、电压实验结果与模型辨识结果。该方法可替代传统光伏电池辨识方法，有效提高光伏电池参数的辨识精度。

Description

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
技术领域
本发明涉及光伏电池的参数辨识方法，属于新能源技术领域，具体涉及一种基于改进哈里斯鹰优化算法的光伏电池模型参数辨识方法。
背景技术
太阳能光伏发电有着无污染，可再生和使用广泛的优势，而光伏电池的建模是光伏发电系统的基础，其优劣直接影响系统的整体效果。参数辨识对于光伏系统建模有很大的影响，精准程度不高的参数不但会造成很大的误差，甚至有可能导致最大功率点追踪失败。因此,建立可高精度地描述光伏电池的工程数学模型，并准确地辨识其参数对提高光伏发电系统的效率具有实际意义。
目前，用于光伏电池模型辨识的方法大致分为三类：解析法、数值计算法和优化算法估计法。解析法可以实现快速求解，但求解适应性差的问题一直未得到很好的解决，特别是该方法中的近似处理会降低求解的准确度。数值计算法过分依赖于初值的选择，若误差过大，每次都要重新选取初值，然后观察其收敛性，求解过程中的误差也会随着辨识参数的增加而增大。优化算法具有限制条件少和辨识非线性能力强等优点，已被广泛应用于电池模型的参数辨识中，但是经典智能算法大多存在收敛速度慢和已陷入局部极小点问题，导致整体辨识精度不高。哈里斯鹰优化算法是一种新型启发式智能算法，通过模拟哈里斯鹰优化群体探索、觅食及合作捕食等行为实现算法的全局搜索和局部开发，然而在复杂非线性优化问题中，其仍存在寻优效率不高和易陷入局部最优的缺陷。
发明内容
本发明需要解决的技术问题是针对哈里斯鹰优化算法有时会陷入局部最优，在保证寻优精度的情况下会导致寻优时间增长，且搜索过程调整不够灵活，不能针对性的进行阶段性搜索，影响搜索精度等问题，提出一种高效率高精度的光伏电池参数辨识方法。
为解决上述技术问题，本发明所采用的技术方案是：
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，其特征在于包括以下步骤：
a、根据光伏电池的基本数学模型，构造光伏电池的工程模型，建立适应度函数，采集和处理光伏电池的输出电流、电压数据进行快速求解；
b、将哈里斯鹰优化算法探索阶段中以柔性递减的方式将初始能量递减到零，进一步选择出适应性更好的个体；
c、进入哈里斯鹰优化算法狩猎阶段，利用黄金正弦法优化哈里斯鹰优化算法迭代出的当代种群，位置更新中引入黄金分割数以便缩小搜寻空间，使其更加靠近最优解，并从种群中筛选出适应性最为优秀的个体组建新的哈里斯鹰优化种群进入哈里斯鹰优化算法的下一步迭代；
d、改进哈里斯鹰优化算法算法用于光伏电池工程模型的参数辨识，直到最优个体的适应度函数值达到预期标准，输出最优个体的参数信息作为光伏电池的模型参数，并绘制拟合曲线与迭代曲线，对比光伏电池的电流电压实验结果与模型辨识结果。
本发明技术方案的进一步改进在于：所述步骤a中将光伏电池基本模型简化为便于求解的四参数工程模型，利用标准测试条件下的开路电压、短路电流、最大功率点电压、最大功率点电流进行快速求解。
本发明技术方案的进一步改进在于：步骤a中所述的光伏电池的工程模型，其输出特性表达式为：
Figure BDA0002405461680000021
Figure BDA0002405461680000022
Figure BDA0002405461680000031
式中,IL为光伏电池的输出电流，UL为光伏电池的输出电压，Uoc为开路电压、Isc为短路电流、Um为最大功率点电压、Im为最大功率点电流；
输出特性曲线随着光照强度和温度的变化而变化，当光照强度和温度发生变化时，需要根据生产厂家提供的标准测试条件下的原始数据对光照强度和温度的变化量加以修正，从而获得新工况下的输出特性曲线，即：
ΔT＝Tnew-T
Figure BDA0002405461680000032
式中：T为标准温度，Tnew为新工况下的温度，S为标准辐射照度，Snew为新工况下的辐射照度，ΔT为新工况和标准工况下的温度差，ΔS为相对辐射照度差；
然后根据下式计算新工况下的开路电压Uoc_new、短路电流Isc_new、最大功率点电压Um_new、最大功率点电流Im_new：
Figure BDA0002405461680000033
Uoc_new＝Uoc(1-γΔT)ln(e+βΔS)
Figure BDA0002405461680000034
Um_new＝Um(1-γΔT)ln(e+βΔS)
式中：系数α＝0.0025℃，β＝0.5，γ＝0.00288℃；
基于上述模型，根据光伏电池输出电流电压的实际测量值与算法辨识值构造误差平方的适应度函数F(x)。
Figure BDA0002405461680000041
式中：ILi，ULi分别为在某一工况下光伏电池的一组实测电流值和电压值，x＝(Isc,Uoc,Im,Um)是待辨识的参数值。
Figure BDA0002405461680000042
式中：N为实测数据量总数，适应度值越小表示辨识参数越准确。
本发明技术方案的进一步改进在于：所述步骤b中柔性递减方式初期快速递减后期慢速递减，最终至零，这种递减方式在初期扩大全局搜索范围，在后期延长迭代的局部搜索时间，搜索出适应性更好的个体。
本发明技术方案的进一步改进在于：所述步骤d应用于光伏电池工程模型的参数辨识中，不断优化种群个体并更新猎物的位置，直到猎物的适应度函数达到预置期望值后，输出猎物的参数信息，绘制出算法辨识值与实际测量值的最佳拟合曲线与算法迭代曲线，并进行比较。
由于采用了上述技术方案，本发明取得的技术进步是：
1、本方法与粒子群算法、蚁狮优化算法、灰狼优化算法、哈里斯鹰优化算法的辨识结果以及厂家提供的原始数据相比，更为接近实验测得数据，是一种辨识精度更高、速度更快的光伏电池参数辨识方法；
2、本方法引入柔性递减策略，在迭代初期扩大全局搜索范围，在迭代后期延长局部搜索时间，加强了初期的全局搜索能力和后期的局部搜索能力；
3、本方法引入黄金正弦法，增加了种群的多样性，使个体容易跳出局部最优，减少算法陷入局部最优的可能性，并缩小了搜索空间，提高了寻优效率。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
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，包括以下步骤：
a、根据光伏电池的基本数学模型，构造光伏电池的工程模型，基于光伏电池的工程模型构造适应度函数，采集和处理光伏电池的输出电流、电压数据，即可进行快速求解；
b、引入柔性递减策略，在迭代初期扩大全局搜索范围，在迭代后期延长局部搜索时间，提升全局搜索和局部搜索的平衡性；
c、引入黄金正弦法，增加了种群的多样性，减少算法陷入局部最优的可能性，并缩小了搜索空间，提高了寻优效率；
d、基于哈里斯鹰优化算法搜索方式以及四种捕食策略，使其更加靠近最优解，更新种群位置，最后输出最优个体的参数信息作为光伏电池的模型参数，并绘制拟合曲线与迭代曲线。
进一步的辨识过程如下：
哈里斯鹰优化种群反复进行与前步骤b,c和d相同的优化及迭代操作，直到最优个体的适应度函数值达到预期目标。
其中步骤a中所述的光伏电池的工程模型，其输出特性表达式为：
Figure BDA0002405461680000051
Figure BDA0002405461680000052
Figure BDA0002405461680000053
式中,IL为光伏电池的输出电流，UL为光伏电池的输出电压，Uoc为开路电压、Isc为短路电流、Um为最大功率点电压、Im为最大功率点电流。
输出特性曲线也会随着光照强度和温度的变化而变化，因此，当光照强度和温度发生变化时，需要根据生产厂家提供的标准测试条件下的原始数据对光照强度和温度的变化量加以修正，从而获得新工况下的输出特性曲线。即：
ΔT＝Tnew-T
Figure BDA0002405461680000061
式中：T为标准温度，Tnew为新工况下的温度，S为标准辐射照度，Snew为新工况下的辐射照度，ΔT为新工况和标准工况下的温度差，ΔS为相对辐射照度差。
然后根据下式计算新工况下的开路电压Uoc_new、短路电流Isc_new、最大功率点电压Um_new、最大功率点电流Im_new：
Figure BDA0002405461680000062
Uoc_new＝Uoc(1-γΔT)ln(e+βΔS)
Figure BDA0002405461680000063
Um_new＝Um(1-γΔT)ln(e+βΔS)
式中：系数α＝0.0025℃，β＝0.5，γ＝0.00288℃。
基于上述模型，根据光伏电池输出电流电压的实际测量值与算法辨识值构造误差平方的适应度函数F(x)。
Figure BDA0002405461680000064
式中：ILi，ULi分别为在某一工况下光伏电池的一组实测电流值和电压值，x＝(Isc,Uoc,Im,Um)是待辨识的参数值。
Figure BDA0002405461680000065
式中：N为实测数据量总数，适应度值越小表示辨识参数越准确。
步骤b中所述的更改猎物初始能量递减方式的方法包括，首先改进初始能量的递减系数如式所示：
Figure BDA0002405461680000071
式中,ξ是柔性递减系数。
步骤c中所述的黄金正弦法是基于正弦函数与单位圆的关系，历遍正弦函数上的所有值即可寻遍单位圆上的所有点的优化方法。该方法的优化步骤包括：在鹰的位置更新中引入黄金分割数以便缩小搜捕空间，使其更加靠近猎物的区域，使“搜索”和“开发”达到良好的平衡。其表达式为：
X(t+1)＝X(t)|sinθ1|+θ2sinθ1|τ1Xprey(t)-τ2X(t)|
式中：θ1是(0,2π)之间的随机数，θ2是(0,π)之间的随机数，τ1和τ2是通过黄金分割数
Figure BDA0002405461680000072
得到的系数，可由下式获得：
τ1＝-π+(1-τ)×2π
τ2＝-π+τ×2π
进一步的，步骤d中所述的更新种群位置的迭代方法，是哈里斯鹰优化个体按照如下迭代公式向猎物逼近的过程：
Figure BDA0002405461680000073
式中：X(t+1)是下一代中哈里斯鹰的位置向量，X(t)是当前代中哈里斯鹰的位置向量，Xprey(t)是猎物的位置向量，E表示猎物的逃逸能量，r代表猎物在突袭之前成功逃脱的机会，ΔX(t)是猎物位置和当代鹰位置的差，J＝2(1-rand)是猎物在整个逃生过程中的跳跃强度，rand是(0，1)内的随机数，F(X)是适应度函数，Y、Z、P和Q分别由下式获得：
Y＝Xprey(t)-E|JXprey(t)-X(t)|
Z＝Y+S×LF(D)
P＝Xprey(t)-E|JXprey(t)-Xm(t)|
Q＝P+S×LF(D)
式中：D是维度，S是大小为1×D的随机向量。LF是莱维飞行函数，计算公式如下式所示。
Figure BDA0002405461680000081
式中：其中μ，ν是(0，1)内的随机值，
Figure BDA0002405461680000082
λ是常数。
通过不断的更新当前种群的位置即参数信息，进而更新猎物，直到猎物的适应度满足期望值或者达到最大迭代步数。将此时猎物的参数信息输出到光伏电池模型中，进而计算出光伏电池的输出电流、电压辨识值，最后通过计算机软件绘制出输出电流、电压辨识值与实际测量值的拟合曲线以及猎物的适应度迭代曲线，这些曲线直接反映了算法的辨识效率与精度。
具体本发明是这样实现的：
步骤1、根据光伏电池的基本数学模型，构造光伏电池的工程模型，采集和处理光伏电池输出电流、电压的数据，基于光伏电池的工程模型构造出与误差平方和相关的适应度函数；
步骤2、引入柔性递减策略改进哈里斯鹰优化算法中猎物初始能量的递减方式；
步骤3、利用黄金正弦法改进哈里斯鹰的种群更新方式；
步骤4、利用哈里斯鹰优化算法的四种捕食策略，完成算法求解；
步骤5、在辨识过程中，重复实施步骤2、3和4的操作，基于构造出的光伏电池工程模型，不断更新哈里斯鹰种群的位置，直到猎物的适应度值满足期望值，并通过端电压估计值与实测值的拟合曲线及算法的适应度迭代曲线得到辨识的精度及效率。

Claims (5)

1.一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法，其特征在于包括以下步骤：
a、根据光伏电池的基本数学模型，构造光伏电池的工程模型，建立适应度函数，采集和处理光伏电池的输出电流、电压数据进行快速求解；
b、将哈里斯鹰优化算法探索阶段中以柔性递减的方式将初始能量递减到零，进一步选择出适应性更好的个体；
c、进入哈里斯鹰优化算法狩猎阶段，利用黄金正弦法优化哈里斯鹰优化算法迭代出的当代种群，位置更新中引入黄金分割数以便缩小搜寻空间，使其更加靠近最优解，并从种群中筛选出适应性最为优秀的个体组建新的哈里斯鹰优化种群进入哈里斯鹰优化算法的下一步迭代；
d、改进哈里斯鹰优化算法用于光伏电池工程模型的参数辨识，直到最优个体的适应度函数值达到预期标准，输出最优个体的参数信息作为光伏电池的模型参数，并绘制拟合曲线与迭代曲线，对比光伏电池的电流电压实验结果与模型辨识结果。
2.根据权利要求1所述的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，其特征在于：所述步骤a中将光伏电池基本模型简化为便于求解的四参数工程模型，利用标准测试条件下的开路电压、短路电流、最大功率点电压、最大功率点电流进行快速求解。
3.根据权利要求1所述的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，其特征在于：步骤a中所述的光伏电池的工程模型，其输出特性表达式为：
Figure FDA0002405461670000011
Figure FDA0002405461670000012
Figure FDA0002405461670000021
式中,IL为光伏电池的输出电流，UL为光伏电池的输出电压，Uoc为开路电压、Isc为短路电流、Um为最大功率点电压、Im为最大功率点电流；
输出特性曲线随着光照强度和温度的变化而变化，当光照强度和温度发生变化时，需要根据生产厂家提供的标准测试条件下的原始数据对光照强度和温度的变化量加以修正，从而获得新工况下的输出特性曲线，即：
ΔT＝Tnew-T
Figure FDA0002405461670000022
式中：T为标准温度，Tnew为新工况下的温度，S为标准辐射照度，Snew为新工况下的辐射照度，ΔT为新工况和标准工况下的温度差，ΔS为相对辐射照度差；
然后根据下式计算新工况下的开路电压Uoc_new、短路电流Isc_new、最大功率点电压Um_new、最大功率点电流Im_new：
Figure FDA0002405461670000023
Uoc_new＝Uoc(1-γΔT)ln(e+βΔS)
Figure FDA0002405461670000024
Um_new＝Um(1-γΔT)ln(e+βΔS)
式中：系数α＝0.0025℃，β＝0.5，γ＝0.00288℃；
基于上述模型，根据光伏电池输出电流电压的实际测量值与算法辨识值构造误差平方的适应度函数。
4.根据权利要求1所述的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，其特征在于：所述步骤b中柔性递减方式初期快速递减后期慢速递减，最终至零，这种递减方式在初期扩大全局搜索范围，在后期延长迭代的局部搜索时间，搜索出适应性更好的个体。
5.根据权利要求1所述的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，其特征在于：所述步骤d应用于光伏电池工程模型的参数辨识中，不断优化种群个体并更新猎物的位置，直到猎物的适应度函数达到预置期望值后，输出猎物的参数信息，绘制出算法辨识值与实际测量值的最佳拟合曲线与算法迭代曲线，并进行比较。
CN202010160132.6A 2020-03-10 2020-03-10 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 Active CN111506856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160132.6A CN111506856B (zh) 2020-03-10 2020-03-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160132.6A CN111506856B (zh) 2020-03-10 2020-03-10 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

Publications (2)

Publication Number Publication Date
CN111506856A true CN111506856A (zh) 2020-08-07
CN111506856B CN111506856B (zh) 2022-06-03

Family

ID=71875724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160132.6A Active CN111506856B (zh) 2020-03-10 2020-03-10 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

Country Status (1)

Country Link
CN (1) CN111506856B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247436A (zh) * 2019-06-05 2019-09-17 东华大学 一种基于改进蚁狮优化算法的电力系统经济负荷分配方法
CN112577507A (zh) * 2020-11-04 2021-03-30 杭州电子科技大学 基于哈里斯鹰优化算法的电动汽车路径规划方法
CN113033136A (zh) * 2021-02-08 2021-06-25 山东大学 简化的光伏电池物理参数提取优化方法及系统
CN113204815A (zh) * 2021-04-19 2021-08-03 河海大学 基于数据驱动的酸性环境下地下结构寿命预测方法
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
CN113609761A (zh) * 2021-07-21 2021-11-05 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN114337419A (zh) * 2021-12-31 2022-04-12 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN115966739A (zh) * 2023-03-13 2023-04-14 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统
CN116047310A (zh) * 2023-02-27 2023-05-02 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190233951A1 (en) * 2018-01-29 2019-08-01 Hytech Power, Llc Explosion Safe Electrolysis Unit
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190233951A1 (en) * 2018-01-29 2019-08-01 Hytech Power, Llc Explosion Safe Electrolysis Unit
CN110728001A (zh) * 2019-09-29 2020-01-24 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUILING CHEN等: "Parameters identification of photovoltaic cells and modules using diversification-enriched Harris hawks optimization with chaotic drifts", 《JOURNAL OF CLEANER PRODUCTION》 *
刘重阳: "基于智能优化算法的光伏电池参数辨识", 《中国优秀博硕士学位论文全文数据库 工程科技Ⅱ辑》 *
吴忠强 等: "基于IHHO算法的光伏电池工程模型的参数辨识", 《计量学报》 *
徐岩 等: "基于混合蛙跳算法的光伏阵列参数辨识方法", 《太阳能学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247436A (zh) * 2019-06-05 2019-09-17 东华大学 一种基于改进蚁狮优化算法的电力系统经济负荷分配方法
CN112577507A (zh) * 2020-11-04 2021-03-30 杭州电子科技大学 基于哈里斯鹰优化算法的电动汽车路径规划方法
CN113033136B (zh) * 2021-02-08 2022-05-31 山东大学 简化的光伏电池物理参数提取优化方法及系统
CN113033136A (zh) * 2021-02-08 2021-06-25 山东大学 简化的光伏电池物理参数提取优化方法及系统
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
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
CN113204815A (zh) * 2021-04-19 2021-08-03 河海大学 基于数据驱动的酸性环境下地下结构寿命预测方法
CN113204815B (zh) * 2021-04-19 2022-10-14 河海大学 基于数据驱动的酸性环境下地下结构寿命预测方法
CN113609761A (zh) * 2021-07-21 2021-11-05 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN113609761B (zh) * 2021-07-21 2024-02-20 三明学院 一种模型参数的计算方法、装置、设备和存储介质
CN114337419A (zh) * 2021-12-31 2022-04-12 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN114337419B (zh) * 2021-12-31 2023-07-18 北方民族大学 基于哈里斯鹰算法永磁风力发电机组的控制方法及系统
CN116047310A (zh) * 2023-02-27 2023-05-02 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备
CN116047310B (zh) * 2023-02-27 2023-09-08 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备
CN115966739A (zh) * 2023-03-13 2023-04-14 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统
CN115966739B (zh) * 2023-03-13 2023-06-02 湖北工业大学 基于改进海马优化算法的燃料电池参数辨识方法及系统

Also Published As

Publication number Publication date
CN111506856B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN111506856B (zh) 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
CN110752410A (zh) 一种快速分选和重组退役锂电池的方法
CN112380765B (zh) 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN110287540B (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
US11316212B2 (en) Method, system and device for active balance control of battery pack
CN110286708B (zh) 一种光伏阵列的最大功率跟踪控制方法及系统
CN110989342B (zh) 一种联合循环机组重型燃气轮机实时t-s模糊建模方法
CN109346787B (zh) 一种电动汽车动力电池自适应优化充电方法
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN112270139B (zh) 基于母型库的燃料电池离心压缩机气动优化设计方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN114744310B (zh) 基于soc自适应分阶的动力锂电池两步充电方法
CN113466710B (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN115146723A (zh) 基于深度学习和启发式算法的电化学模型参数辨识方法
CN111814399B (zh) 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法
Su et al. Parameter extraction of photovoltaic single-diode model using integrated current–voltage error criterion
CN107515374B (zh) 一种应用于agv车soc估算动态调整滤波增益的方法
CN112487748B (zh) 一种考虑时频域特性的锂离子电池分数阶模型建立方法
CN114861555A (zh) 一种基于Copula理论的区域综合能源系统短期负荷预测方法
CN114895206A (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN112465271A (zh) 一种面向储能平抑风电波动场景的储能电池选型方法
CN113690941A (zh) 配置光储充微网容量的方法、装置、设备及存储介质
CN113408622A (zh) 计及特征量信息表达差异的非侵入式负荷辨识方法及系统
CN117348683B (zh) 基于多启发式算法优化光伏电导增量法的mppt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