CN113221465A - 一种面向光伏发电运维的组件模型参数辨识方法 - Google Patents

Abstract

本发明公开了一种面向光伏发电运维的组件模型参数辨识方法，提出的基于模糊自适应差分进化理论的光伏组件模型参数辨识算法，采用DE/current‑to‑FS‑best/1变异策略，增大了种群的局部搜索能力以引导其得到更好的解；为避免算法搜索陷入局部最优，采用一种模糊选择策略以保证种群的多样性；引入了一种边界处理方法以避免变异个体越界。

Description

一种面向光伏发电运维的组件模型参数辨识方法

技术领域

本发明属于电力设备运维检修技术领域，具体涉及一种面向光伏发电运维的组件模型参数辨识方法。

背景技术

随着光伏发电技术的不断提高以及国家政策的激励，近些年来光伏系统的装机容量呈爆发式增长，同时大规模光伏并网发电背景下的电站高效运维市场前景可观。其中，建立精确的光伏组件数学模型，准确评估系统的输出特性，对系统性能评估、故障分析及指导运维检修意义重大。目前研究者已经开发的光伏组件模型中单二极管模型应用最广泛，其中表征光伏组件模型的核心参数是光生电流、二极管因子、二极管反向饱和电流、串联寄生电阻和并联寄生电阻。由于PV制造商仅提供光伏组件标况下的电气参数，并不提供模型参数，不利于光伏发电系统的高效运维。

发明内容

本发明的目的是提供一种面向光伏发电运维的组件模型参数辨识方法，采用基于模糊自适应差分进化算法，提高光伏组件的模型参数辨识精确率。

本发明所采用的技术方案是，一种面向光伏发电运维的组件模型参数辨识方法，具体按照以下步骤实施：

步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号；

步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；

步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；

步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF₀、高斯分布的位置参数uCR₀；

步骤5、将基于均方根误差的目标函数作为种群适应度函数，求取出初始种群中每个个体的适应度值；

步骤6、利用自适应控制策略更新突变因子和交叉因子；

步骤7、根据适应度值选出前p个个体，作为临时精英种群；

步骤8、分别对临时精英种群中个体进行突变和交叉，并根据约束条件处理越界的个体，得到新向量；

步骤9、计算新向量中每个个体的适应度值，并根据模糊选择策略选择下一代个体；

步骤10、利用柯西分布和高斯分布原理更新突变因子和交叉因子；

步骤11、判断迭代是否达到最大次数，若达到则输出最终结果，将最终的适应度值作为寻优的最佳目标函数，其对应的解向量即为光伏发电运维的组件模型参数，若未达到则返回步骤7。

本发明的特点还在于：

步骤2待识别模型参数包括：待辨识模型参数包括光生电流I_ph、串联电阻R_s、二极管因子n₁、并联电阻R_sh、二极管反向饱和电流I_d。

步骤2具体过程为：根据待识别模型参数计算预测电流：

求取预测电流与实际电流的误差：

X＝(I_ph，I₀₁，R_s，R_sh，n₁)

式中，I_ph表示待辨识模型中光生电流，R_s表示待辨识模型中串联电阻、n₁表示待辨识模型中二极管因子，R_sh表示待辨识模型中并联电阻，I_d表示待辨识模型中二极管反向饱和电流，I表示光伏发电组件运行时实际电流；

基于均方根误差的目标函数为：

式中，N是原始信号的组数，V光伏发电组件运行时的电压。

步骤6具体过程为：

利用自适应控制策略生成初始的变异因子F表示为：

F＝Cauchy(uF₀,0.1)

利用自适应控制策略生成初始的交叉因子CR表示为：

CR＝Gaussian(uCR₀,0.1)。

根据初始种群的适应度值的大小对初始种群进行排序，适应度值较大的前p个初始种群组成临时精英种群SP。

步骤8具体过程为：从临时精英种群中随机选择三个个体，并在这三个个体中随机选择一个个体作为目标向量X_i,G，其中，X_i,G表示第G代的第i个个体，将随机选择的三个个体按照适应度值大小进行优劣排序，得到对应适应度值的变异向量；在变异向量中选取第i个个体作为突变向量V_i,G，对目标向量X_i,G和突变向量V_i,G进行二项式交叉操作，生成试验向量；

试验向量中第j个个体为u_j,i,G，其中j＝{1,2…D}，则第j个个体为u_j,i,G的生成过程为：

选取生成第j个个体为u_j,i,G的突变向量为V_j,i,G，目标向量为X_j,i,G，则有：

其中j＝{1,2…D}，j_rand是{1,2…D}中的随机数，rand_j是[0,1]范围内的一个随机数；

根据如下约束条件处理越界的个体具体过程为：

设定边界上限X_j,max和边界下限X_j,min；如果试验向量u_jiG中任意一个个体u_jiG存在：X_j,min≤u_j,i,G≤X_j,max，则u_jiG存入新向量；否则，取u_j,i,G＝X_j,max+rand*(X_j,max-X_j,min),rand是[0,1]范围内的一个随机数，并将u_jiG存入新向量。

步骤9中根据模糊选择策略选择下一代个体具体过程为：任意选择新向量中的两个个体U_a、U_b，两个个体的适应度值为f(U_a)、f(U_b)，通过比较大小的方法选取适应度值较小的个体，随后将该个体的适应度值和其他个体的适应度值比较，选择适应度值最小的个体作为下一代个体。

步骤10具体过程为：

利用下式更新变异因子：

F_新＝(1-c)·uF+c·mean(S_F)

c为0到1之间的常数，uF表示柯西分布的位置参数，初始值是0.5，S_F为当前迭代中所有成功突变向量的变异因子集合，其中：

利用下式更新交叉因子：

CR_新＝(1-c)·uCR+c·mean(S_CR)

u表示高斯分布的位置参数，S_CR为当前迭代中所有成功突变向量的交叉因子集合；

交叉因子是0到1之间的常数，uCR的初始值为0.5，S_CR为当前迭代中所有成功交叉向量的集合；

mean(S_CR)计算如下：

本发明的有益效果是：

本发明一种面向光伏发电运维的组件模型参数辨识方法，提出的基于模糊自适应差分进化理论的光伏组件模型参数辨识算法，采用DE/current-to-FS-best/1变异策略，增大了种群的局部搜索能力以引导其得到更好的解；为避免算法搜索陷入局部最优，采用一种模糊选择策略以保证种群的多样性；引入了一种边界处理方法以避免变异个体越界。

附图说明

图1为本发明一种面向光伏发电运维的组件模型参数辨识方法流程图；

图2为Photowatt-PWP201组件的模拟I-V数据和实测数据比较；

图3为Photowatt-PWP201组件的模拟P-V数据和实测数据比较；

图4为Photowatt-PWP201组件模拟电流和实测电流的绝对电流误差。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细说明。

本发明一种面向光伏发电运维的组件模型参数辨识方法，如图1所示，具体按照以下步骤实施：

步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号，原始信号即为实际光伏发电组件的测量数据；

步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；

待识别模型参数包括：待辨识模型参数包括光生电流I_ph、串联电阻R_s、二极管因子n₁、并联电阻R_sh、二极管反向饱和电流I_d。

步骤2具体过程为：根据待识别模型参数计算预测电流：

求取预测电流与实际电流的误差：

X＝(I_ph，I₀₁，R_s，R_sh，n₁)

式中，I_ph表示待辨识模型中光生电流，R_s表示待辨识模型中串联电阻、n₁表示待辨识模型中二极管因子，R_sh表示待辨识模型中并联电阻，I_d表示待辨识模型中二极管反向饱和电流，I表示光伏发电组件运行时实际电流；

基于均方根误差的目标函数为：

式中，N是原始信号的组数，V光伏发电组件运行时的电压。

步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；

步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF₀、高斯分布的位置参数uCR₀；

步骤5、将基于均方根误差的目标函数作为种群适应度函数，求取出初始种群中每个个体的适应度值；

步骤6、利用自适应控制策略更新突变因子F和交叉因子CR；

步骤6具体过程为：

利用自适应控制策略生成初始的变异因子F表示为：

F＝Cauchy(uF₀,0.1)

利用自适应控制策略生成初始的交叉因子CR表示为：

CR＝Gaussian(uCR₀,0.1)。

步骤7、根据适应度值选出前p个个体，作为临时精英种群；具体为：根据初始种群的适应度值的大小对初始种群进行排序，适应度值较大的前p个初始种群组成临时精英种群SP。

步骤8、分别对临时精英种群中个体进行突变和交叉，并根据约束条件处理越界的个体，得到新向量；步骤8具体过程为：从临时精英种群中随机选择三个个体，并在这三个个体中随机选择一个个体作为目标向量X_i,G，其中，X_i,G表示第G代的第i个个体，将随机选择的三个个体按照适应度值大小进行优劣排序，得到对应适应度值的变异向量；在变异向量中选取第i个个体作为突变向量V_i,G，对目标向量X_i,G和突变向量V_i,G进行二项式交叉操作，生成试验向量；

试验向量中第j个个体为u_j,i,G，其中j＝{1,2…D}，则第j个个体为u_j,i,G的生成过程为：

选取生成第j个个体为u_j,i,G的突变向量为V_j,i,G，目标向量为X_j,i,G，则有：

其中j＝{1,2…D}，j_rand是{1,2…D}中的随机数，rand_j是[0,1]范围内的一个随机数；

根据如下约束条件处理越界的个体具体过程为：

设定边界上限X_j,max和边界下限X_j,min；如果试验向量u_jiG中任意一个个体u_jiG存在：X_j,min≤u_j,i,G≤X_j,max，则u_jiG存入新向量；否则，取u_j,i,G＝X_j,max+rand*(X_j,max-X_j,min),rand是[0,1]范围内的一个随机数，并将u_jiG存入新向量。

步骤9、计算新向量中每个个体的适应度值，并根据模糊选择策略选择下一代个体；

步骤9中根据模糊选择策略选择下一代个体具体过程为：任意选择新向量中的两个个体U_a、U_b，两个个体的适应度值为f(U_a)、f(U_b)，通过比较大小的方法选取适应度值较小的个体，随后将该个体的适应度值和其他个体的适应度值比较，选择适应度值最小的个体作为下一代个体。

步骤10、利用柯西分布和高斯分布原理更新位置参数uF和uCR；

步骤10具体过程为：

利用下式更新变异因子：

F_新＝(1-c)·uF+c·mean(S_F)

c为0到1之间的常数，uF表示柯西分布的位置参数，初始值是0.5，S_F为当前迭代中所有成功突变向量的变异因子集合，其中：

利用下式更新交叉因子：

CR_新＝(1-c)·uCR+c·mean(S_CR)

u表示高斯分布的位置参数，S_CR为当前迭代中所有成功突变向量的交叉因子集合；

交叉因子是0到1之间的常数，uCR的初始值为0.5，S_CR为当前迭代中所有成功交叉向量的集合；

mean(S_CR)计算如下：

步骤11、判断迭代是否达到最大次数，若达到则输出最终结果，将最终的适应度值作为寻优的最佳目标函数，其对应的解向量即为光伏发电运维的组件模型参数，若未达到则返回步骤7。

实施例

下面以Photowatt-PWP201多晶硅组件为例(同时也适用于其他组件)。组件由36串电池片构成，运行温度为45℃。图1是本发明中面向光伏发电运维的组件模型参数辨识的流程图。

首先利用电压、电流传感器采集电压、电流波形作为原始信号x(t)。建立光伏组件数学模型，最大迭代次数为800次，种群大小为25，初试变异算子F0为0.5，交叉算子CR为0.9，设定出参数的边界约束条件，并且对种群进行初始化。利用式子

求出初始种群的适应度值，根据所求适应度值选出前p个个体。利用式子F_G＝Cauchy(uF,0.1)生成突变因子F，Cauchy(uF,0.1)是一个从位置参数为uF，刻度参数为0.1的柯西分布数列中采样的随机数，并且Fi在[0,1]之间，c为0到1之间的常数。柯西分布的位置参数uF初始值是0.5，随着迭代不断更新数值，利用式子CR_G＝Gaussian(uCR,0.1)生成交叉因子CR，Gaussian(CR,0.1)是一个取自均值为CR，标准差为0.1的高斯分布随机数。CR也截断于0到1之间，CR的初始值为0.5，随迭代不断更新数值。再分别对当前个体进行突变和交叉，并根据设定的边界约束条件处理越界个体。接着计算变异粒子的适应度值，从而由模糊选择策略选择出下一代个体。当达到最大迭代次数时，输出当前最佳参数以及适应度值RMSE。

为了进一步验证求取结果的质量，把FSJADE求取的参数带入式求取预测电流与实际电流的误差公式中得到模拟的数据，并绘制模拟数据的I-V、P-V曲线。图2和图3为求取的Photowatt-PWP201组件参数模拟的I-V、P-V曲线与实际曲线的对比情况，图4为模拟电流和实际电流的绝对误差，模拟电流数据与实测电流数据的绝对误差最大为4.83E-3，绝对电流误差总和为4.892E-2。

对于最小化问题，RMSE值越小说明求取结果越准确，FSJADE算法在求取组件的参数时均可获得较优的适应度值，并且求取结果优于大部分算法。从图2-图4可知，求取组件的模型参数模拟的I-V、P-V数据与实测数据高度吻合，验证了FSJADE算法求解模型参数的精确性。

通过上述方式，本发明一种面向光伏发电运维的组件模型参数辨识方法，提出的基于模糊自适应差分进化理论的光伏组件模型参数辨识算法，通过DE/current-to-FS-best/1突变策略和模糊种群选择策略，能够快速、准确、稳定的求解出模型参数，对不同工况下的光伏发电系统建模及高效运维奠定了基础。

Claims (8)

1.一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，具体按照以下步骤实施：

步骤1、采集多组光伏发电组件运行时电压、电流作为原始信号；

步骤2、根据待识别模型参数计算预测电流，根据预测电流与光伏发电组件运行时电流，建立基于均方根误差的目标函数；

步骤3、初始化种群，随机生成NP个D维向量，每个向量作为一个种群个体；

步骤4、设定基于模糊自适应差分进化算法的初始参数：种群个数NP、最大迭代次数Max_NFEs、柯西分布的位置参数uF₀、高斯分布的位置参数uCR₀；

步骤5、将基于均方根误差的目标函数作为种群适应度函数，求取出初始种群中每个个体的适应度值；

步骤6、利用自适应控制策略更新突变因子和交叉因子；

步骤7、根据适应度值选出前p个个体，作为临时精英种群；

步骤8、分别对临时精英种群中个体进行突变和交叉，并根据约束条件处理越界的个体，得到新向量；

步骤9、计算新向量中每个个体的适应度值，并根据模糊选择策略选择下一代个体；

步骤10、利用柯西分布和高斯分布原理更新突变因子和交叉因子；

步骤11、判断迭代是否达到最大次数，若达到则输出最终结果，将最终的适应度值作为寻优的最佳目标函数，其对应的解向量即为光伏发电运维的组件模型参数，若未达到则返回步骤7。

2.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤2所述待识别模型参数包括：待辨识模型参数包括光生电流I_ph、串联电阻R_s、二极管因子n₁、并联电阻R_sh、二极管反向饱和电流I_d。

3.根据权利要求2所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤2所述具体过程为：根据待识别模型参数计算预测电流：

求取预测电流与实际电流的误差：

X＝(I_ph，I₀₁，R_s，R_sh，n₁)

式中，I_ph表示待辨识模型中光生电流，R_s表示待辨识模型中串联电阻、n₁表示待辨识模型中二极管因子，R_sh表示待辨识模型中并联电阻，I_d表示待辨识模型中二极管反向饱和电流，I表示光伏发电组件运行时实际电流；

基于均方根误差的目标函数为：

式中，N是原始信号的组数，V光伏发电组件运行时的电压。

4.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤6具体过程为：

利用自适应控制策略生成初始的变异因子F表示为：

F＝Cauchy(uF₀,0.1)

利用自适应控制策略生成初始的交叉因子CR表示为：

CR＝Gaussian(uCR₀,0.1)。

5.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，步骤7具体过程为：根据初始种群的适应度值的大小对初始种群进行排序，适应度值较大的前p个初始种群组成临时精英种群SP。

6.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤8具体过程为：从临时精英种群中随机选择三个个体，并在这三个个体中随机选择一个个体作为目标向量X_i,G，其中，X_i,G表示第G代的第i个个体，将随机选择的三个个体按照适应度值大小进行优劣排序，得到对应适应度值的变异向量；在变异向量中选取第i个个体作为突变向量V_i,G，对目标向量X_i,G和突变向量V_i,G进行二项式交叉操作，生成试验向量；

试验向量中第j个个体为u_j,i,G，其中j＝{1,2…D}，则第j个个体为u_j,i,G的生成过程为：

选取生成第j个个体为u_j,i,G的突变向量为V_j,i,G，目标向量为X_j,i,G，则有：

其中j＝{1,2…D}，j_rand是{1,2…D}中的随机数，rand_j是[0,1]范围内的一个随机数；

根据如下约束条件处理越界的个体具体过程为：

设定边界上限X_j,max和边界下限X_j,min；如果试验向量u_jiG中任意一个个体u_jiG存在：X_j,min≤u_j,i,G≤X_j,max，则u_jiG存入新向量；否则，取u_j,i,G＝X_j,max+rand*(X_j,max-X_j,min),rand是[0,1]范围内的一个随机数，并将u_jiG存入新向量。

7.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤9中所述根据模糊选择策略选择下一代个体具体过程为：任意选择新向量中的两个个体U_a、U_b，两个个体的适应度值为f(U_a)、f(U_b)，通过比较大小的方法选取适应度值较小的个体，随后将该个体的适应度值和其他个体的适应度值比较，选择适应度值最小的个体作为下一代个体。

8.根据权利要求1所述的一种面向光伏发电运维的组件模型参数辨识方法，其特征在于，步骤10具体过程为：

利用下式更新变异因子：

F_新＝(1-c)·uF+c·mean(S_F)

c为0到1之间的常数，uF表示柯西分布的位置参数，初始值是0.5，S_F为当前迭代中所有成功突变向量的变异因子集合，其中：

利用下式更新交叉因子：

CR_新＝(1-c)·uCR+c·mean(S_CR)

u表示高斯分布的位置参数，S_CR为当前迭代中所有成功突变向量的交叉因子集合；

交叉因子是0到1之间的常数，uCR的初始值为0.5，S_CR为当前迭代中所有成功交叉向量的集合；

mean(S_CR)计算如下：

Images