CN112380765A - 一种基于改进平衡优化器算法的光伏电池参数识别方法 - Google Patents

一种基于改进平衡优化器算法的光伏电池参数识别方法 Download PDF

Info

Publication number
CN112380765A
CN112380765A CN202011239017.4A CN202011239017A CN112380765A CN 112380765 A CN112380765 A CN 112380765A CN 202011239017 A CN202011239017 A CN 202011239017A CN 112380765 A CN112380765 A CN 112380765A
Authority
CN
China
Prior art keywords
ieo
cell
particles
layer
parameter identification
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
CN202011239017.4A
Other languages
English (en)
Other versions
CN112380765B (zh
Inventor
刘斌
谈竹奎
唐赛秋
徐长宝
胡厚鹏
丁超
林呈辉
欧家祥
高吉普
徐玉韬
王宇
张历
辛明勇
肖小兵
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202011239017.4A priority Critical patent/CN112380765B/zh
Priority to US17/786,556 priority patent/US20230035108A1/en
Priority to PCT/CN2020/141889 priority patent/WO2022095265A1/zh
Publication of CN112380765A publication Critical patent/CN112380765A/zh
Application granted granted Critical
Publication of CN112380765B publication Critical patent/CN112380765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于改进平衡优化器算法的光伏电池参数识别方法，它包括：步骤1、建立PV电池模型和适应度函数；步骤2、基于测量的输出I‑V数据，通过BP神经网络预测PV电池的输出数据；步骤3、利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数；解决了现有技术不能达到参数识别最优和容易陷入局部最优等技术问题。

Description

一种基于改进平衡优化器算法的光伏电池参数识别方法
技术领域
本发明属于光伏电池技术领域，尤其涉及一种基于改进平衡优化器算法的光伏电池参数识别方法。
背景技术
如今，环境的严重恶化，如森林砍伐和空气污染，传统化石燃料等不可再生资源的迅速枯竭，正威胁着世界的可持续发展。为了应对日益严峻的环境问题，长期的能源革命和能源结构转型已成为必然。其中，太阳能被认为是最有前途和最有效的替代能源之一，由于其安装方便，储量丰富且无污染排放，已经获得了广泛的应用。准确识别PV电池模型相关的电气参数是PV系统性能分析、故障诊断和最大功率点跟踪(maximum power pointtracking,MPPT)中最重要和关键的一步。在现有技术中主要存在两种参数识别方法，即分析法和确定性方法。分析法主要依赖于制造商提供的I-V曲线上的一些关键点，并据此通过一系列数学计算对模型进行参数识别。这些方法结构简单，但在变化的运行环境条件下识别精度不够高。确定性方法主要利用PV系统的P-V特性曲线的凸性进行参数识别，可以获得相对更准确的识别结果，但这类方法对模型特性要求极其严格，并且对初始条件以及梯度信息高度敏感，这使得它们很容易陷入局部最优。因此，如何在测量数据有限的情况下准确快速地识别PV电池模型的参数，成为了当下研究的重点和难点。
发明内容
本发明要解决的技术问题：提供一种基于改进平衡优化器算法的光伏电池参数识别方法，以解决现有技术不能达到参数识别最优和容易陷入局部最优等技术问题。
本发明技术方案：
一种基于改进平衡优化器算法的光伏电池参数识别方法，它包括：
步骤1、建立PV电池模型和适应度函数；
步骤2、基于测量的输出I-V数据，通过BP神经网络预测PV电池的输出数据；
步骤3、利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数。
步骤1所述建立PV电池模型和适应度函数的方法包括：
采用双二极管PV电池模型，输出电流-电压current-voltage，建立I-V特性方程如下：
Figure BDA0002767748530000021
式中IL和VL分别表示PV电池的输出电流和输出电压；Ish表示流过并联电阻Rsh的电流；热电压VT定义为：
Figure BDA0002767748530000022
式中T代表电池温度；K＝1.38×10-23J/K表示玻尔兹曼常数；q＝1.6×10-19C表示电子电荷；Iph为光生电流，Isd1、Isd2为二极管的反向饱和电流，Rs为串联电阻，Rsh为并联电阻，二极管理想因子a1、a2是需要识别的参数；
选择均方根误差RMSE作为目标函数，为实现最优的效果要求目标函数最小，建立目标函数公式为：
Figure BDA0002767748530000031
式中RMSE(x)为目标函数，x＝{Iph，Isd1，Isd2，Rs，Rsh，a1，a2}表示需要识别未知参数的解向量；RMSE表示均方根误差；N表示实验次数；f(VL，IL，x)为误差函数表示为：
Figure BDA0002767748530000032
将适应度函数设计为RMSE的扩展函数，表达式为：
Figure BDA0002767748530000033
式中Np表示预测数据的数量。
步骤2所述基于测量的输出I-V数据，通过BP神经网络预测PV电池的输出数据的方法为：BP神经网络的主要结构与普通神经网络的主要结构相同，它包含三个部分，即输入层，隐含层和输出层；基本过程包括前向传播和反向传播两个过程；权重和偏置以基于从输出层到输入层的反向传播而成功更新，重复上述过程直到满足最终迭代标准为止。
所述通过BP神经网络预测PV电池的输出数据的方法具体包括：
前向传播
对于第i层中的第j个神经元，其输入
Figure BDA0002767748530000041
描述为
Figure BDA0002767748530000042
式中n代表第(I-1)层中的神经元数；
Figure BDA0002767748530000043
表示第(I-1)层中的第i个神经元指向第(I-1)层中的第j个神经元的权重；
Figure BDA0002767748530000044
表示第I层中第j个神经元的偏置；
Figure BDA0002767748530000045
表示基于Sigmoid函数
Figure BDA0002767748530000046
计算的
Figure BDA0002767748530000047
的值，表示为
Figure BDA0002767748530000048
反向传播
将单个样本的误差Lm定义为
Figure BDA0002767748530000049
其中L是损失函数，
Figure BDA00027677485300000416
是正向样本传播的输出值；ym为样本值；
根据链式法则，对于单个样本m，从隐含层中的第j个神经元到输出层中的第k个神经元的权重
Figure BDA00027677485300000410
的偏导数为：
Figure BDA00027677485300000411
类似地，偏置
Figure BDA00027677485300000417
的偏导数可以通过下式计算：
Figure BDA00027677485300000412
将学习率定义为μ，权重矩阵和偏置矩阵可以如下更新
Figure BDA00027677485300000413
Figure BDA00027677485300000414
其中ωl和
Figure BDA00027677485300000415
表示从第(I-1)个隐含层到第I个隐含层的权重矩阵及其偏导；bl和
Figure BDA0002767748530000051
分别表示从第(I-1)隐含层到第I隐含层的偏置矩阵及其偏导；
权重和偏置可以基于从输出层到输入层的反向传播而成功更新，并且需要重复上述过程，直到满足最终迭代标准为止。
步骤3所述利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数的方法包括：
步骤3.1、初始化阶段，根据如下公式进行：
Figure BDA0002767748530000052
式中
Figure BDA0002767748530000053
代表第i个粒子的初始浓度；Cmax、Cmin分别代表最小、最大维度值；ri表示0到1之间的随机向量；n表示粒子数，设置迭代次数k＝0；
步骤3.2、每个PV电池的解向量被视为IEO的优化变量；PV电池参数通常分布在一定范围内，因此优化变量被限制在上下限内，如下所示：
Figure BDA0002767748530000054
式中xh表示第h个优化变量(即第h个PV电池参数)；
Figure BDA0002767748530000055
表示第h个变量的上下限；H表示优化变量的集合；
步骤3.3、根据适应度函数计算所有粒子的适应度值；
步骤3.4、根据所有粒子的适应度值构建平衡池；
步骤3.5、计算所有候选平衡粒子的选择概率；
步骤3.6、根据选择概率从现在的平衡池中选择一个候选平衡个体；
步骤3.7、计算粒子的指数项；
步骤3.8、计算粒子的生成率；
步骤3.9、更新粒子的解；
粒子的解通过如下公式更新：
Figure BDA0002767748530000061
步骤3.10、更新迭代次数k＝k+1；
步骤3.11、判断IEO是否停止迭代而收敛。
步骤3.4所述根据所有粒子的适应度值构建平衡池的方法为：
将最终收敛态称为平衡态，包含四个到目前为止最好的粒子和另一个单独粒子，它们被定义为平衡候选粒子，据此产生一个平衡池：
Figure BDA0002767748530000062
步骤3.5所述计算所有候选平衡粒子的选择概率的方法为：
与从平衡池中随机选择平衡候选对象不同，IEO对所有平衡候选对象分配有不同的选择概率，所有平衡候选对象的适应度值都被归一化为0到1的范围，因此选择概率由下式确定：
Figure BDA0002767748530000063
式中pmin、pmax表示最大、最小的选择概率；pm表示第m个平衡候选的选择概率；Ep表示平衡候选的集合。
步骤3.7所述计算粒子的指数项的方法为：
在浓度更新过程中，指数项F表示为：
Figure BDA0002767748530000064
式中
Figure BDA0002767748530000071
表示0到1之间的随机向量，时间t表示迭代函数，表示如下：
Figure BDA0002767748530000072
式中iter、itermax分别表示目前和最大的迭代次数；a2为一个针对局部搜索调整所采用的恒量；
为了有效地避免过早收敛，还增加：
Figure BDA0002767748530000073
式中a1表示与全局搜索能力成正比的常数值；
Figure BDA0002767748530000074
决定了全局搜索和局部搜索的方向；
Figure BDA0002767748530000075
表示0到1之间的随机向量。
步骤3.8所述的计算粒子的生成率的方法为：
生成率G具体如下：
Figure BDA0002767748530000076
Figure BDA0002767748530000077
Figure BDA0002767748530000078
式中
Figure BDA0002767748530000079
为初始值；r1、r2分别表示0到1之间的随机值；GCP定义为发电率的控制参数；GP分别表示生成概率，表示利用生成进行状态更新的粒子所占的比例。
步骤3.11所述判断IEO是否停止迭代而收敛的方法为：
如果k≥kmax，则IEO迭代结束，算法收敛，输出最优解，即参数识别结果；否则返回步骤步骤3.2。
本发明的有益效果：
1.本发明所采用的IEO算法通过基于BP神经网络的数据预测对输出I-V数据样本进行预测与扩展，从而建立更可靠的适应度函数来有效提高求解质量。
2.本发明采用IEO算法根据不同的平衡候选对象的适应度值对其分配不同的选择概率，可以实现更深入的搜索，进而提高整体优化效率。
3.采用双二极管PV电池模型对IEO的实际性能进行了综合验证。实例研究表明，与灰狼优化(grey wolf optimization,GWO)算法相比，本发明采用IEO算法能有效提高优化精度和效率。
解决了现有技术不能达到参数识别最优和容易陷入局部最优等技术问题。
附图说明：
图1是基于IEO算法的PV电池参数识别结构图；
图2是在双二极管PV电池模型图；
图3是BP神经网络结构图
图4a-d是50％和100％数据下IEO算法识别的PV电池输出功率-电压(power–voltage,P-V)和I-V拟合特性曲线对比图；
图5a-b是50％和100％数据下IEO和GWO算法参数识别的收敛特性对比图；
图6是不同数据集下IEO和GWO算法参数识别的平均误差对比图。
具体实施方式：
本发明为解决PV电池建模过程中其参数难以准确识别，影响精确建模的问题，提出一种基于IEO算法的PV电池参数识别方法，该算法收敛速度快、搜索精度高，可在PV电池建模仿真中实现高效、精准的参数识别，从而实现可靠的PV电池建模。
本发明的目的通过以下技术方案实现：首先，建立PV电池模型；其次，利用BP神经网络预测PV电池的输出数据，建立更加可靠的适应度函数；然后，利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数。
具体步骤为：
建立PV电池模型(见附图2)和适应度函数，方法如下：
本发明采用常见的双二极管PV电池模型，输出电流-电压(current-voltage，I-V)特性方程如下：
Figure BDA0002767748530000091
式中IL和VL分别表示PV电池的输出电流和输出电压；Ish表示流过并联电阻Rsh的电流；而热电压VT定义为：
Figure BDA0002767748530000092
其中T代表电池温度；K＝1.38×10-23J/K表示玻尔兹曼常数；q＝1.6×10-19C表示电子电荷。光生电流Iph，二极管的反向饱和电流Isd1、Isd2，串联电阻Rs，并联电阻Rsh以及二极管理想因子a1、a2是需要识别的参数。
参数识别的主要目标是搜索适当的参数，以有效地减少实验数据和模拟数据之间的误差，这些误差可以通过目标函数进行定量评估。在此，选择均方根误差(RMSE)作为目标函数，为实现最优的效果，要求目标函数最小，其目标函数公式如下：
Figure BDA0002767748530000093
式中RMSE(x)为目标函数，x＝{Iph，Isd1，Isd2，Rs，Rsh，a1，a2}表示需要识别未知参数的解向量；RMSE表示均方根误差；N表示实验次数；f(VL，IL，x)为误差函数，可表示为：
Figure BDA0002767748530000101
由于所有解都可以满足约束条件(3)，因此在IEO中直接选择目标函数作为适应度函数。基于BP神经网络的预测输出数据，可以将适应度函数设计为RMSE的扩展函数，如下所示：
Figure BDA0002767748530000102
式中Np表示预测数据的数量。
基于测量的输出I-V数据，通过BP神经网络预测PV电池的输出数据，步骤如下：
BP神经网络的主要结构与普通神经网络的主要结构相同，它包含三个部分，即输入层，隐含层和输出层，结构图见附图3，其基本过程包括前向传播和反向传播两个过程。
(1)前向传播
对于第i层中的第j个神经元，其输入
Figure BDA0002767748530000103
描述为
Figure BDA0002767748530000104
其中n代表第(I-1)层中的神经元数；
Figure BDA0002767748530000105
表示第(I-1)层中的第i个神经元指向第(I-1)层中的第j个神经元的权重；
Figure BDA0002767748530000106
表示第I层中第j个神经元的偏置；
Figure BDA0002767748530000107
表示基于Sigmoid函数
Figure BDA0002767748530000108
计算的
Figure BDA0002767748530000109
的值，可以表示为
Figure BDA0002767748530000111
(2)反向传播
将单个样本的误差Lm定义为
Figure BDA0002767748530000112
其中L是损失函数，
Figure BDA0002767748530000113
是正向样本传播的输出值；ym为样本值。
根据链式法则，对于单个样本m，从隐含层中的第j个神经元到输出层中的第k个神经元的权重
Figure BDA0002767748530000114
的偏导数为：
Figure BDA0002767748530000115
类似地，偏置
Figure BDA0002767748530000116
的偏导数可以通过下式计算：
Figure BDA0002767748530000117
将学习率定义为μ，权重矩阵和偏置矩阵可以如下更新
Figure BDA0002767748530000118
Figure BDA0002767748530000119
其中ωl和
Figure BDA00027677485300001110
表示从第(I-1)个隐含层到第I个隐含层的权重矩阵及其偏导；bl和
Figure BDA00027677485300001111
分别表示从第(I-1)隐含层到第I隐含层的偏置矩阵及其偏导。
因此，权重和偏置可以基于从输出层到输入层的反向传播而成功更新，并且需要重复上述两个过程，直到满足最终迭代标准为止。
所述利用IEO算法对PV电池的参数进行识别，具体步骤如下所述。
(1)初始化
初始化阶段，根据如下公式进行：
Figure BDA00027677485300001112
式中
Figure BDA0002767748530000121
代表第i个粒子的初始浓度；Cmax、Cmin分别代表最小、最大维度值；ri表示0到1之间的随机向量；n表示粒子数，设置迭代次数k＝0。
(2)优化变量
每个PV电池的解向量被视为IEO的优化变量。实际上，PV电池参数通常分布在一定范围内，因此优化变量被限制在其上下限内，如下所示：
Figure BDA0002767748530000122
式中xh表示第h个优化变量(即第h个PV电池参数)；
Figure BDA0002767748530000123
表示第h个变量的上下限；H表示优化变量的集合。
(3)根据适应度函数(公式5)计算适应度值
(4)根据所有粒子的适应度值，构建平衡池
将最终收敛态称为平衡态，其中包含四个到目前为止最好的粒子和另一个单独粒子，它们被定义为平衡候选粒子，据此可以产生一个平衡池：
Figure BDA0002767748530000124
(5)计算所有候选平衡粒子的选择概率
与从平衡池中随机选择平衡候选对象不同，IEO对所有平衡候选对象分配有不同的选择概率。如，适应度值较小的平衡候选体有较高的被选择概率。注意，所有平衡候选对象的适应度值都被归一化为0到1的范围，因此选择概率可以由下式所确定：
Figure BDA0002767748530000125
Figure BDA0002767748530000131
式中pmin、pmax表示最大、最小的选择概率；pm表示第m个平衡候选的选择概率；Ep表示平衡候选的集合。
(6)根据选择概率从现在的平衡池中选择一个候选平衡个体
(7)计算粒子的指数项
在浓度更新过程中，指数项(F)对于平衡全局搜索和局部搜索至关重要，表示为：
Figure BDA0002767748530000132
式中
Figure BDA0002767748530000133
表示0到1之间的随机向量，时间t表示迭代函数，表示如下：
Figure BDA0002767748530000134
式中iter、itermax分别表示目前和最大的迭代次数；a2为一个针对局部搜索调整所采用的恒量。
为了有效地避免过早收敛，还考虑了：
Figure BDA0002767748530000135
式中a1表示与全局搜索能力成正比的常数值；
Figure BDA0002767748530000136
决定了全局搜索和局部搜索的方向；
Figure BDA0002767748530000137
表示0到1之间的随机向量。
(8)计算粒子的生成率
生成率(G)是通过改善局部搜索阶段提供准确解的关键，具体如下：
Figure BDA0002767748530000138
Figure BDA0002767748530000139
Figure BDA00027677485300001310
式中
Figure BDA0002767748530000141
为初始值；r1、r2分别表示0到1之间的随机值；GCP定义为发电率的控制参数；GP分别表示生成概率，表示利用生成进行状态更新的粒子所占的比例。
(9)更新粒子的解
粒子的解通过如下公式更新：
Figure BDA0002767748530000142
(10)更新迭代次数k＝k+1
(11)判断IEO是否停止迭代而收敛
如果k≥kmax，则IEO迭代结束，算法收敛，输出最优解(即参数识别结果)；否则，返回步骤(2)。
下面结合具体实例，对本发明作进一步说明。
本发明提出的IEO算法和传统GWO算法分别在双二极管PV电池模型下进行参数识别。在天气条件(光照强度G＝1000W/m2和温度T＝33℃)下，从57mm的R.T.C.France太阳能电池中提取了用于模拟的总共26组测量I-V数据集。为验证算法在实测数据不足情况下的优化性能，从26对实测数据中随机设置50％、60％、70％、80％、90％和100％的数据采集梯度。在这里，只有IEO使用预测数据，而其他系统使用原始测量数据。
为了公平比较，IEO和GWO算法的最大迭代次数和种群规模是相同的，迭代均为100次，种群规模设计为50。每个算法在PV电池模型中独立运行100次。实验结果如下所示：
实施例：如图4的a-d所示，无论是在50％数据集还是100％数据集下，利用IEO得到的模型曲线与实际数据具有高度的一致性，这也说明了它对于各种数据集下的PV电池参数识别具有突出的性能。由图5a和b所示，在50％和100％数据集下，IEO算法和GWO算法均能在20次以内收敛，但基于IEO算法的参数识别误差明显低于基于GWO算法的参数识别误差；且在两个数据集下IEO算法的收敛特性也展示出了出显著的稳定性。由图6可知，在测试的各个数据集下，与GWO算法相比，基于IEO算法的参数识别的平均误差更低。综上，实验结果表明：与GWO算法相比，IEO算法能够利用更少的实测数据更快、更准地识别PV电池的双二极管电池模型的未知参数。表1展示了IEO算法所识别的PV电池双二极管模型的未知参数值及误差。结果表明，IEO算法相比于GWO算法收敛误差更小，也即参数识别结果更加精准。
表1 PV电池双二极管模型参数识别结果及误差
Figure BDA0002767748530000151
以上(结合附图)对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于改进平衡优化器算法的光伏电池参数识别方法，它包括：
步骤1、建立PV电池模型和适应度函数；
步骤2、基于测量的输出I-V数据，通过BP神经网络预测PV电池的输出数据；
步骤3、利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数。
2.根据权利要求1所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：
步骤1所述建立PV电池模型和适应度函数的方法包括：
采用双二极管PV电池模型，输出电流-电压current-voltage,建立I-V特性方程如下：
Figure FDA0002767748520000011
式中IL和VL分别表示PV电池的输出电流和输出电压；Ish表示流过并联电阻Rsh的电流；热电压VT定义为：
Figure FDA0002767748520000012
式中T代表电池温度；K＝1.38×10-23J/K表示玻尔兹曼常数；q＝1.6×10-19C表示电子电荷；Iph为光生电流，Isd1、Isd2为二极管的反向饱和电流，Rs为串联电阻,Rsh为并联电阻，二极管理想因子a1、a2是需要识别的参数；
选择均方根误差RMSE作为目标函数，为实现最优的效果要求目标函数最小，建立目标函数公式为：
Figure FDA0002767748520000021
式中RMSE(x)为目标函数，x＝{Iph,Isd1,Isd2,Rs,Rsh,a1,a2}表示需要识别未知参数的解向量；RMSE表示均方根误差；N表示实验次数；f(VL,IL,x)为误差函数表示为：
Figure FDA0002767748520000022
将适应度函数设计为RMSE的扩展函数，表达式为：
Figure FDA0002767748520000023
式中Np表示预测数据的数量。
3.根据权利要求1所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤2所述基于测量的输出I-V数据，通过BP神经网络预测PV电池的输出数据的方法为：BP神经网络的主要结构与普通神经网络的主要结构相同，它包含三个部分，即输入层，隐含层和输出层；基本过程包括前向传播和反向传播两个过程；权重和偏置以基于从输出层到输入层的反向传播而成功更新，重复上述过程直到满足最终迭代标准为止。
4.根据权利要求3所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：所述通过BP神经网络预测PV电池的输出数据的方法具体包括：
前向传播
对于第i层中的第j个神经元，其输入
Figure FDA0002767748520000031
描述为
Figure FDA0002767748520000032
式中n代表第(l-1)层中的神经元数；
Figure FDA0002767748520000033
表示第(l-1)层中的第i个神经元指向第(l-1)层中的第j个神经元的权重；
Figure FDA0002767748520000034
表示第l层中第j个神经元的偏置；
Figure FDA0002767748520000035
表示基于Sigmoid函数
Figure FDA0002767748520000036
计算的
Figure FDA00027677485200000318
的值，表示为
Figure FDA0002767748520000038
反向传播
将单个样本的误差Lm定义为
Figure FDA0002767748520000039
其中L是损失函数，
Figure FDA00027677485200000310
是正向样本传播的输出值；ym为样本值；
根据链式法则，对于单个样本m，从隐含层中的第j个神经元到输出层中的第k个神经元的权重
Figure FDA00027677485200000311
的偏导数为：
Figure FDA00027677485200000312
类似地，偏置
Figure FDA00027677485200000313
的偏导数可以通过下式计算：
Figure FDA00027677485200000314
将学习率定义为μ，权重矩阵和偏置矩阵可以如下更新
Figure FDA00027677485200000315
Figure FDA00027677485200000316
其中ωl和
Figure FDA00027677485200000317
表示从第(l-1)个隐含层到第l个隐含层的权重矩阵及其偏导；bl和
Figure FDA0002767748520000041
分别表示从第(l-1)隐含层到第l隐含层的偏置矩阵及其偏导；
权重和偏置可以基于从输出层到输入层的反向传播而成功更新，并且需要重复上述过程，直到满足最终迭代标准为止。
5.根据权利要求1所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤3所述利用IEO算法对PV电池的参数进行识别，直到达到IEO算法的收敛条件，最后输出识别的最优参数的方法包括：
步骤3.1、初始化阶段，根据如下公式进行：
Figure FDA0002767748520000042
式中
Figure FDA0002767748520000043
代表第i个粒子的初始浓度；Cmax、Cmin分别代表最小、最大维度值；ri表示0到1之间的随机向量；n表示粒子数，设置迭代次数k＝0；
步骤3.2、每个PV电池的解向量被视为IEO的优化变量；PV电池参数通常分布在一定范围内，因此优化变量被限制在上下限内，如下所示：
Figure FDA0002767748520000044
式中xh表示第h个优化变量(即第h个PV电池参数)；
Figure FDA0002767748520000045
表示第h个变量的上下限；H表示优化变量的集合；
步骤3.3、根据适应度函数计算所有粒子的适应度值；
步骤3.4、根据所有粒子的适应度值构建平衡池；
步骤3.5、计算所有候选平衡粒子的选择概率；
步骤3.6、根据选择概率从现在的平衡池中选择一个候选平衡个体；
步骤3.7、计算粒子的指数项；
步骤3.8、计算粒子的生成率；
步骤3.9、更新粒子的解；
粒子的解通过如下公式更新：
Figure FDA0002767748520000051
步骤3.10、更新迭代次数k＝k+1；
步骤3.11、判断IEO是否停止迭代而收敛。
6.根据权利要求5所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤3.4所述根据所有粒子的适应度值构建平衡池的方法为：
将最终收敛态称为平衡态，包含四个到目前为止最好的粒子和另一个单独粒子，它们被定义为平衡候选粒子，据此产生一个平衡池：
Figure FDA0002767748520000052
7.根据权利要求5所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤3.5所述计算所有候选平衡粒子的选择概率的方法为：
与从平衡池中随机选择平衡候选对象不同，IEO对所有平衡候选对象分配有不同的选择概率，所有平衡候选对象的适应度值都被归一化为0到1的范围，因此选择概率由下式确定：
Figure FDA0002767748520000053
Figure FDA0002767748520000061
式中pmin、pmax表示最大、最小的选择概率；pm表示第m个平衡候选的选择概率；Ep表示平衡候选的集合。
8.根据权利要求5所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：
步骤3.7所述计算粒子的指数项的方法为：
在浓度更新过程中，指数项F表示为：
Figure FDA0002767748520000062
式中
Figure FDA0002767748520000063
表示0到1之间的随机向量，时间t表示迭代函数，表示如下：
Figure FDA0002767748520000064
式中iter、itermax分别表示目前和最大的迭代次数；a2为一个针对局部搜索调整所采用的恒量；
为了有效地避免过早收敛，还增加：
Figure FDA0002767748520000065
式中a1表示与全局搜索能力成正比的常数值；
Figure FDA0002767748520000066
决定了全局搜索和局部搜索的方向；
Figure FDA0002767748520000067
表示0到1之间的随机向量。
9.根据权利要求5所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤3.8所述的计算粒子的生成率的方法为：
生成率G具体如下:
Figure FDA0002767748520000068
Figure FDA0002767748520000069
Figure FDA0002767748520000071
式中
Figure FDA0002767748520000072
为初始值；r1、r2分别表示0到1之间的随机值；GCP定义为发电率的控制参数；GP分别表示生成概率，表示利用生成进行状态更新的粒子所占的比例。
10.根据权利要求5所述的一种基于改进平衡优化器算法的光伏电池参数识别方法，其特征在于：步骤3.11所述判断IEO是否停止迭代而收敛的方法为：
如果k≥kmax，则IEO迭代结束，算法收敛，输出最优解，即参数识别结果；否则返回步骤步骤3.2。
CN202011239017.4A 2020-11-09 2020-11-09 一种基于改进平衡优化器算法的光伏电池参数识别方法 Active CN112380765B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011239017.4A CN112380765B (zh) 2020-11-09 2020-11-09 一种基于改进平衡优化器算法的光伏电池参数识别方法
US17/786,556 US20230035108A1 (en) 2020-11-09 2020-12-31 Photovoltaic cell parameter identification method based on improved equilibrium optimizer algorithm
PCT/CN2020/141889 WO2022095265A1 (zh) 2020-11-09 2020-12-31 一种基于改进平衡优化器算法的光伏电池参数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011239017.4A CN112380765B (zh) 2020-11-09 2020-11-09 一种基于改进平衡优化器算法的光伏电池参数识别方法

Publications (2)

Publication Number Publication Date
CN112380765A true CN112380765A (zh) 2021-02-19
CN112380765B CN112380765B (zh) 2022-11-04

Family

ID=74578934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011239017.4A Active CN112380765B (zh) 2020-11-09 2020-11-09 一种基于改进平衡优化器算法的光伏电池参数识别方法

Country Status (3)

Country Link
US (1) US20230035108A1 (zh)
CN (1) CN112380765B (zh)
WO (1) WO2022095265A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711292A (zh) * 2021-03-29 2021-04-27 深圳黑晶光电技术有限公司 一种光伏组件最大功率追踪方法、系统及存储介质
CN113037213A (zh) * 2021-03-04 2021-06-25 国网新疆电力有限公司信息通信公司 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置
CN115986744A (zh) * 2022-12-28 2023-04-18 国网安徽省电力有限公司芜湖供电公司 一种含共享储能的配电网潮流优化方法
CN116502989A (zh) * 2023-06-27 2023-07-28 合肥城市云数据中心股份有限公司 一种基于混合平衡优化算法的冷链物流车辆路径优化方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970332B (zh) * 2022-05-16 2024-03-22 西北工业大学 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法
CN115081483B (zh) * 2022-07-01 2024-06-14 淮阴工学院 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法
CN115221798B (zh) * 2022-09-19 2022-12-30 中南大学 一种电池热过程时空建模预测方法、系统、设备及介质
CN116148680B (zh) * 2023-04-20 2023-06-23 上海玫克生储能科技有限公司 电池参数的辨识方法、装置、计算机设备和存储介质
CN117114144B (zh) * 2023-10-24 2024-01-26 青岛农业大学 基于人工智能的水稻耐盐碱性能预测方法及系统
CN117451626B (zh) * 2023-10-27 2024-05-28 清华大学 包含样品形状优化的叠层成像方法及装置
CN117494530B (zh) * 2023-12-29 2024-03-26 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1143290A (zh) * 1995-04-07 1997-02-19 斯维则工程实验室公司 变电站通信处理设备
CN103870649A (zh) * 2014-03-19 2014-06-18 国家电网公司 一种基于分布式智能计算的主动配电网自治化仿真方法
US20170104426A1 (en) * 2003-09-05 2017-04-13 Brilliant Light Power, Inc Electrical power generation systems and methods regarding same
CN108054758A (zh) * 2017-11-15 2018-05-18 清华大学 新能源电站电压平衡优化方法及存储介质
CN108562856A (zh) * 2018-03-16 2018-09-21 江苏华西新能源工程技术有限公司 太阳能电池阵列并联内阻的在线检测装置及其检测方法
CN109389236A (zh) * 2017-08-07 2019-02-26 贵州电网有限责任公司电力科学研究院 电动汽车有序充电与无功优化协调控制策略
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8633671B2 (en) * 2011-03-31 2014-01-21 GM Global Technology Operations LLC Photo-voltaic charging of high voltage traction batteries
CN109992911B (zh) * 2019-05-06 2023-04-07 福州大学 基于极限学习机和iv特性的光伏组件快速建模方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1143290A (zh) * 1995-04-07 1997-02-19 斯维则工程实验室公司 变电站通信处理设备
US20170104426A1 (en) * 2003-09-05 2017-04-13 Brilliant Light Power, Inc Electrical power generation systems and methods regarding same
CN103870649A (zh) * 2014-03-19 2014-06-18 国家电网公司 一种基于分布式智能计算的主动配电网自治化仿真方法
CN109389236A (zh) * 2017-08-07 2019-02-26 贵州电网有限责任公司电力科学研究院 电动汽车有序充电与无功优化协调控制策略
CN108054758A (zh) * 2017-11-15 2018-05-18 清华大学 新能源电站电压平衡优化方法及存储介质
CN108562856A (zh) * 2018-03-16 2018-09-21 江苏华西新能源工程技术有限公司 太阳能电池阵列并联内阻的在线检测装置及其检测方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MOHAMED ABDEL-BASSET等: "Solar photovoltaic parameter estimation using an improved equilibrium optimizer", 《SOLARENERGY》 *
ZHUKUI TAN等: "Fast learning optimizer for real-time optimal energy management of a grid-connected microgrid", 《IET GENERATION TRANSMISSION & DISTRIBUTION》 *
崔骏 等: "几种产业化太阳能电池板的户外实际发电性能比较", 《集成技术》 *
沈璐璐: "基于优化的模糊神经模型的光伏发电预测的研究", 《微型电脑应用》 *
高勇 等: "主动配电网柔性负荷优化调控研究综述", 《新型工业化》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037213A (zh) * 2021-03-04 2021-06-25 国网新疆电力有限公司信息通信公司 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置
CN112711292A (zh) * 2021-03-29 2021-04-27 深圳黑晶光电技术有限公司 一种光伏组件最大功率追踪方法、系统及存储介质
CN112711292B (zh) * 2021-03-29 2021-07-09 深圳黑晶光电技术有限公司 一种光伏组件最大功率追踪方法、系统及存储介质
CN115986744A (zh) * 2022-12-28 2023-04-18 国网安徽省电力有限公司芜湖供电公司 一种含共享储能的配电网潮流优化方法
CN115986744B (zh) * 2022-12-28 2024-02-06 国网安徽省电力有限公司芜湖供电公司 一种含共享储能的配电网潮流优化方法
CN116502989A (zh) * 2023-06-27 2023-07-28 合肥城市云数据中心股份有限公司 一种基于混合平衡优化算法的冷链物流车辆路径优化方法
CN116502989B (zh) * 2023-06-27 2023-09-08 合肥城市云数据中心股份有限公司 一种基于混合平衡优化算法的冷链物流车辆路径优化方法

Also Published As

Publication number Publication date
WO2022095265A1 (zh) 2022-05-12
US20230035108A1 (en) 2023-02-02
CN112380765B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
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
Wang et al. Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN109978283B (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
CN107562992B (zh) 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
CN116632823A (zh) 基于功率转换模型与多层感知机的短期光伏功率预测方法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN113705922A (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN116341717A (zh) 一种基于误差补偿的风速预测方法
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
Jafarkazemi et al. Performance prediction of flat-plate solar collectors using MLP and ANFIS
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN116681154A (zh) 一种基于emd-ao-delm的光伏功率计算方法
CN105956720A (zh) 一种基于t-s模糊模型的风电功率超短期预测方法
Kermia et al. Photovoltaic power prediction using a recurrent neural network RNN
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN115293406A (zh) 基于CatBoost和Radam-LSTM的光伏发电功率预测方法
Ban et al. Electrical characteristics estimation of photovoltaic modules via cuckoo search—Relevant vector machine probabilistic model

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