CN113037213A - 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 - Google Patents
基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 Download PDFInfo
- Publication number
- CN113037213A CN113037213A CN202110273464.XA CN202110273464A CN113037213A CN 113037213 A CN113037213 A CN 113037213A CN 202110273464 A CN202110273464 A CN 202110273464A CN 113037213 A CN113037213 A CN 113037213A
- Authority
- CN
- China
- Prior art keywords
- goblet
- group
- sea squirt
- photovoltaic cell
- diode
- 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
- 241000251555 Tunicata Species 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 241000251557 Ascidiacea Species 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 25
- 235000013305 food Nutrition 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 241000219130 Cucurbita pepo subsp. pepo Species 0.000 description 1
- 235000003954 Cucurbita pepo var melopepo Nutrition 0.000 description 1
- 241000251592 Halocynthia Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种光伏电池技术领域,是一种基于樽海鞘群算法的光伏电池模型参数辨识方法及装置,包括获取不同光照强度下,光伏电池的输出响应;结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;初始化樽海鞘群个体的位置及设定樽海鞘群参数;循环迭代,输出辨识结果。本发明引入了双二极管模型作为光伏电池等效电路模型,并通过樽海鞘群算法对双二极管模型进行参数辨识相较于单二极管模型更符合实际情况,与光伏电池输出特性匹配程度更高,同时使用樽海鞘群算法对双二极管模型进行参数辨识,樽海鞘群算法灵活性高、易于实现且不易陷入局部最优,故而能够准确地搜索到全局最优点,有效提高参数辨识的精度。
Description
技术领域
本发明涉及一种光伏电池技术领域,是一种基于樽海鞘群算法的光伏电池模型参数辨识方法及装置。
背景技术
光能是一种注重生态平衡,促进可持续发展的可再生能源。由于能源危机、燃料枯竭、传统能源造成的环境污染和气候变化等一系列问题,光伏系统正在成为最受欢迎的可再生能源技术之一。然而,在安装光伏系统之前,需要对其性能进行预测以实现最大功率跟踪,而性能的预测又取决于对等效电路参数的估计。同时,等效电路参数的变化可以反映光伏电池的劣化状态。因此,光伏电池模型参数识别对于不同环境下的太阳能电池的高效利用和状态判断具有十分重要的意义。
目前,在光伏电池等效模型方面,常使用单二极管模型进行等效并利用相关算法对其中的5个模型参数进行辨识,其算法多使用最小二乘法、粒子群算法、遗传算法、神经网络算法等。由于单二极管模型数学表达为单指数函数形式,在实际测量过程中,光伏电池输出特性与单指数函数曲线匹配程度不高,造成输出的光伏电池等效模型不精确;同时目前常用的辨识算法存在易陷入局部优化、收敛速度慢等问题,故而造成不能全局优化及辨识不准确的问题。
发明内容
本发明提供了一种基于樽海鞘群算法的光伏电池模型参数辨识方法及装置,克服了上述现有技术之不足,其能有效解决现有使用单二极管模型进行等效完成光伏电池模型参数识别存在的的光伏电池输出特性与单指数函数曲线匹配程度不高,造成输出的光伏电池等效模型不精确,参数辨识不准确问题。
本发明的技术方案之一是通过以下措施来实现的:一种基于樽海鞘群算法的光伏电池模型参数辨识方法,包括:
获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
下面是对上述发明技术方案的进一步优化或/和改进:
上述结合双二极管等效电路模型和基于樽海鞘群算法,构建适应度函数,包括:
获取双二极管等效电路模型的数学表达式,具体如下:
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,Isd1为第一个二极管的反向饱和电流,Isd2为第二个二极管的反向饱和电流,η1、η2分别是第一个二极管的品质因子和第二个二极管的品质因子,Rsh为电池并联电阻,Rs为电池串联电阻;T为电池的绝对温度,K为玻尔兹曼常数,q为电子电荷;
构建樽海鞘群算法的适应度函数,具体如下:
上述初始化樽海鞘群中个体的位置及设定樽海鞘群参数,包括:
设定樽海鞘群参数,樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源,其中初始食物源位置为适应度最优的个体所对应的位置;
随机初始化樽海鞘群中个体的位置,根据自适应函数获取每个个体的适应度,其中个体包括Iph,Isd1,Isd2,Rs,Rsh,η1,η2。
上述循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果,包括:
对领导者的位置和追随者的位置进行更新;
判断个体位置是否超出搜索空间的上下边界,响应于否,则判断迭代次数;
判断当前迭代次数是否超过最大迭代次数,响应于是,则输出最优值,即为辨识结果。
本发明的技术方案之二是通过以下措施来实现的:一种基于樽海鞘群算法的光伏电池模型参数辨识装置,包括:
数据获取单元,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
函数构建单元,结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
初始化单元,初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
迭代辨识单元,循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
本发明引入了双二极管模型作为光伏电池等效电路模型,并通过樽海鞘群算法对双二极管模型进行参数辨识。其中双二极管模型考虑了损耗区中重组电流的影响,具有7个待测模型参数,相较于单二极管模型更符合实际情况,与光伏电池输出特性匹配程度更高,同时使用樽海鞘群算法对双二极管模型进行参数辨识,樽海鞘群算法灵活性高、易于实现且不易陷入局部最优,故而能够准确地搜索到全局最优点,有效提高参数辨识的精度。
附图说明
附图1为本发明实施例1的参数识别方法流程图。
附图2为本发明实施例2的参数识别方法流程图。
附图3为本发明实施例3的参数识别方法流程图。
附图4为双二极管等效电路模型的电路示意图。
附图5为单二极管等效电路模型的电路示意图。
附图6为本发明实施例4的I-V特性拟合效果图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例1:如附图1所示,本实施例公开了一种基于樽海鞘群算法的光伏电池模型参数辨识方法,包括:
步骤S101,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
步骤S102,结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
步骤S103,初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
步骤S104,循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
本发明实施例公开了一种基于樽海鞘群算法的光伏电池模型参数辨识方法,引入双二极管模型作为光伏电池等效电路模型,并通过樽海鞘群算法对双二极管模型进行参数辨识。其中双二极管模型考虑了损耗区中重组电流的影响,具有7个待测模型参数,相较于单二极管模型更符合实际情况,与光伏电池输出特性匹配程度更高,同时使用樽海鞘群算法对双二极管模型进行参数辨识,樽海鞘群算法灵活性高、易于实现且不易陷入局部最优,故而能够准确地搜索到全局最优点,有效提高参数辨识的精度。
上述步骤S101,获取不同光照强度下,光伏电池的输出响应,具体:
1、获取不同光照强度下,记录负载阻值R和负载端口输出电压V;
2、计算输出电流I,I=V/R,绘制输出特性曲线。
实施例2:如附图2所示,本实施例公开了一种基于樽海鞘群算法的光伏电池模型参数辨识方法,包括:
步骤S201,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
步骤S202,获取双二极管等效电路模型的数学表达式,即采用双二极管等效电路模型作为光伏电池等效电路模型,具体如下:
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,Isd1为第一个二极管的反向饱和电流,Isd2为第二个二极管的反向饱和电流,η1、η2分别是第一个二极管的品质因子和第二个二极管的品质因子,Rsh为电池并联电阻,Rs为电池串联电阻;T为电池的绝对温度,K为玻尔兹曼常数(1.380×10-23J/K),q为电子电荷(1.608×10-19C);
步骤S203,构建樽海鞘群算法的适应度函数,具体如下:
这里目标函数为拟合值与真实值之间的相对误差,海樽链型算法的适应度函数为故而在双二极管等效电路模型的基础上,基于樽海鞘群算法的适应度函数如上所述;基于樽海鞘群算法的适应度函数中Iph,Isd1,Isd2,Rs,Rsh,η1,η2为樽海鞘群中的樽海鞘个体;
步骤S204,初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
步骤S205,循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果,辨识结果即为最优的Iph,Isd1,Isd2,Rs,Rsh,η1,η2。
实施例3:如附图3所示,本实施例公开了一种基于樽海鞘群算法的光伏电池模型参数辨识方法,包括:
步骤S301,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
步骤S302,结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数:
步骤S303,设定樽海鞘群参数,樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源,其中初始食物源位置为适应度最优的个体所对应的位置;
步骤S304,随机初始化樽海鞘群中个体的位置,根据自适应函数获取每个个体的适应度,其中个体包括Iph,Isd1,Isd2,Rs,Rsh,η1,η2;
步骤S305,对领导者的位置和追随者的位置进行更新,具体包括:
1、通过下式对于领导者的位置进行更新;
2、通过下式对于跟随者的位置进行更新;
上述对领导者的位置和追随者的位置进行更新时,若i等于1,则更新领导者的位置,若i不等于1,则更新追随者的位置。
步骤S306,判断个体位置是否超出搜索空间的上下边界,响应于否,则判断迭代次数,响应于是,则返回步骤S304,重新随机初始化樽海鞘群中个体的位置;
步骤S307,判断当前迭代次数是否超过最大迭代次数,响应于是,则输出最优值,即为辨识结果,响应于否,则返回步骤S305,重新对领导者的位置和追随者的位置进行更新。
实施例4:以36000lux光照强度、室温条件下的光伏电池为例进行参数辨识,通过调节负载电阻大小得到输出电压与电流的关联数据,利用实验得到如表1所示的I-V数据进行参数辨识的辨识数值。
使用本发明所提出的樽海鞘群算法分别以单二极管模型与双二极管模型为光伏电池等效电路模型,对实验中的光伏电池参数进行辨识;其结果如图6所示,比较可得,本发明所提出的基于海樽链型算法的光伏电池模型参数识别方法能更加精确的参数辨识。
实施例5:本实施例公开了一种基于樽海鞘群算法的光伏电池模型参数辨识装置,包括:
数据获取单元,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
函数构建单元,结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
初始化单元,初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
迭代辨识单元,循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
实施例6:该存储介质,所述存储介质上存储有能被计算机读取的计算机程序,所述计算机程序被设置为运行时执行基于樽海鞘群算法的光伏电池模型参数辨识方法。
上述存储介质可以包括但不限于:U盘、只读存储器、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例7:该电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,计算机程序由处理器加载并执行以实现基于樽海鞘群算法的光伏电池模型参数辨识方法。
上述电子设备还包括传输设备、输入输出设备,其中,传输设备和输入输出设备均与处理器连接。
以上技术特征构成了本发明的最佳实施例,其具有较强的适应性和最佳实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
表1实例验证的一组参数识别结果
Claims (8)
1.一种基于樽海鞘群算法的光伏电池模型参数辨识方法,其特征在于,包括:
获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
3.根据权利要求1或2所述的基于樽海鞘群算法的光伏电池模型参数辨识方法,其特征在于,所述初始化樽海鞘群中个体的位置及设定樽海鞘群参数,包括:
设定樽海鞘群参数,樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源,其中初始食物源位置为适应度最优的个体所对应的位置;
随机初始化樽海鞘群中个体的位置,根据自适应函数获取每个个体的适应度,其中个体包括Iph,Isd1,Isd2,Rs,Rsh,η1,η2。
4.根据权利要求1或2所述的基于樽海鞘群算法的光伏电池模型参数辨识方法,其特征在于,所述循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果,包括:
对领导者的位置和追随者的位置进行更新;
判断个体位置是否超出搜索空间的上下边界,响应于否,则判断迭代次数;
判断当前迭代次数是否超过最大迭代次数,响应于是,则输出最优值,即为辨识结果。
5.根据权利要求3所述的基于樽海鞘群算法的光伏电池模型参数辨识方法,其特征在于,所述循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果,包括:
对领导者的位置和追随者的位置进行更新;
判断个体位置是否超出搜索空间的上下边界,响应于否,则判断迭代次数;
判断当前迭代次数是否超过最大迭代次数,响应于是,则输出最优值,即为辨识结果。
6.一种基于樽海鞘群算法的光伏电池模型参数辨识装置,其特征在于,包括:
数据获取单元,获取不同光照强度下,光伏电池的输出响应,其中输出响应包括电压、电流和功率;
函数构建单元,结合双二极管等效电路模型,构建樽海鞘群算法的适应度函数;
初始化单元,初始化樽海鞘群个体的位置及设定樽海鞘群参数,其中樽海鞘群参数包括樽海鞘群的种群规模、迭代次数、搜索空间上下边界、领导者、追随者和食物源;
迭代辨识单元,循环迭代,对领导者和追随者的位置进行更新,并根据设定的迭代结束条件,输出辨识结果。
7.一种存储介质,其特征在于,所述存储介质上存储有能被计算机读取的计算机程序,所述计算机程序被设置为运行时执行如权利要求1至5任一项所述的基于樽海鞘群算法的光伏电池模型参数辨识方法。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,计算机程序由处理器加载并执行以实现如权利要求1至5任一项所述的基于樽海鞘群算法的光伏电池模型参数辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273464.XA CN113037213A (zh) | 2021-03-04 | 2021-03-04 | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273464.XA CN113037213A (zh) | 2021-03-04 | 2021-03-04 | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113037213A true CN113037213A (zh) | 2021-06-25 |
Family
ID=76470422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110273464.XA Pending CN113037213A (zh) | 2021-03-04 | 2021-03-04 | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037213A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255146A (zh) * | 2021-06-03 | 2021-08-13 | 郑州轻工业大学 | 基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法 |
CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
CN114626765A (zh) * | 2022-05-07 | 2022-06-14 | 河南科技学院 | 一种动力锂电池化成智能调度方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942438A (zh) * | 2014-04-24 | 2014-07-23 | 河海大学常州校区 | 硅电池光伏组件五参数模型的参数提取方法 |
CN106295068A (zh) * | 2016-08-24 | 2017-01-04 | 河海大学常州校区 | 一种光伏组件双二极管模型的参数简化及提取方法 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN108509757A (zh) * | 2018-06-20 | 2018-09-07 | 泰州隆基乐叶光伏科技有限公司 | 一种光伏电池模型的搭建方法 |
CN109388845A (zh) * | 2018-08-19 | 2019-02-26 | 福州大学 | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 |
CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 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 |
CN111259550A (zh) * | 2020-01-17 | 2020-06-09 | 福州大学 | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 |
CN111814399A (zh) * | 2020-07-08 | 2020-10-23 | 温州大学 | 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 |
CN111859796A (zh) * | 2020-07-14 | 2020-10-30 | 温州大学 | 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法 |
CN112380765A (zh) * | 2020-11-09 | 2021-02-19 | 贵州电网有限责任公司 | 一种基于改进平衡优化器算法的光伏电池参数识别方法 |
-
2021
- 2021-03-04 CN CN202110273464.XA patent/CN113037213A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942438A (zh) * | 2014-04-24 | 2014-07-23 | 河海大学常州校区 | 硅电池光伏组件五参数模型的参数提取方法 |
CN106295068A (zh) * | 2016-08-24 | 2017-01-04 | 河海大学常州校区 | 一种光伏组件双二极管模型的参数简化及提取方法 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN108509757A (zh) * | 2018-06-20 | 2018-09-07 | 泰州隆基乐叶光伏科技有限公司 | 一种光伏电池模型的搭建方法 |
CN109388845A (zh) * | 2018-08-19 | 2019-02-26 | 福州大学 | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 |
CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 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 |
CN111259550A (zh) * | 2020-01-17 | 2020-06-09 | 福州大学 | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 |
CN111814399A (zh) * | 2020-07-08 | 2020-10-23 | 温州大学 | 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 |
CN111859796A (zh) * | 2020-07-14 | 2020-10-30 | 温州大学 | 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法 |
CN112380765A (zh) * | 2020-11-09 | 2021-02-19 | 贵州电网有限责任公司 | 一种基于改进平衡优化器算法的光伏电池参数识别方法 |
Non-Patent Citations (2)
Title |
---|
ABDELKADERABBASSI等: ""Parameters identification of photovoltaic cell models using enhanced exploratory salp chains-based approach"", 《ENERGY》 * |
RABEH ABBASSI 等: ""An efficient salp swarm-inspired algorithm for parameters identification of photovoltaic cell models"", 《ENERGY CONVERSION AND MANAGEMENT》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255146A (zh) * | 2021-06-03 | 2021-08-13 | 郑州轻工业大学 | 基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法 |
CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
CN114626765A (zh) * | 2022-05-07 | 2022-06-14 | 河南科技学院 | 一种动力锂电池化成智能调度方法 |
CN114626765B (zh) * | 2022-05-07 | 2022-09-16 | 河南科技学院 | 一种动力锂电池化成智能调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037213A (zh) | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 | |
Abdel-Basset et al. | Parameter estimation of photovoltaic models using an improved marine predators algorithm | |
Zhao et al. | Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm | |
CN105590032B (zh) | 一种基于参数辨识的光伏组件mppt方法 | |
Han et al. | Parameters identification for photovoltaic module based on an improved artificial fish swarm algorithm | |
CN106485075B (zh) | 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 | |
CN109888840B (zh) | 风光-垃圾发电能源综合利用系统的调度优化方法及装置 | |
CN111859796B (zh) | 基于纵横交叉和nm型的哈里斯鹰光伏模型参数优化方法 | |
CN112785027A (zh) | 风光储联合发电系统置信容量评估方法及系统 | |
CN109242180A (zh) | 中长期电力负荷预测方法和系统 | |
CN108460525A (zh) | 一种多能互补配用电系统的综合能源利用效率评估方法 | |
CN104376373A (zh) | 基于时序特性和环境效益的分布式电源规划方法 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN113595132B (zh) | 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 | |
Karmouni et al. | A novel MPPT algorithm based on Aquila optimizer under PSC and implementation using raspberry | |
CN114638153A (zh) | 光伏电池参数的辨识方法、装置、存储介质及电子设备 | |
Chaoming Hsu et al. | Reinforcement learning-based dynamic power management for energy harvesting wireless sensor network | |
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 | |
CN108988370A (zh) | 电力系统中储能装置的容量确定方法、设备及存储介质 | |
Qu et al. | A Hunter‐Prey Algorithm Coordinating Mutual Benefit and Sharing and Interactive Learning for High‐Efficiency Design of Photovoltaic Models | |
CN113361805B (zh) | 一种配电网规划方法及系统 | |
CN112487347B (zh) | 考虑环境和时变因素的光伏组件模型参数化方法 | |
CN113690941A (zh) | 配置光储充微网容量的方法、装置、设备及存储介质 | |
CN113011119B (zh) | 基于降维处理的光伏电池多参数提取方法及系统 | |
CN117610314B (zh) | 光伏组件建模方法、装置、设备及存储介质 |
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: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |