CN115048863A - 一种光伏阵列在线建模方法 - Google Patents

Abstract

本发明公开了一种光伏阵列在线建模方法，包括以下步骤：获取光伏组件实际运行的实测数据，实测数据包括电流电压数据以及辐照度和温度数据；对实测数据进行预处理，剔除异常数据以及低辐照度下的数据；利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识，得到光伏阵列模型参数；根据每个模型参数的分布情况，选择不同函数进行拟合，建立模型参数与辐照度和温度之间的解析方程；通过实测的辐照度和温度对相应的模型参数进行求解，建立实时仿真模型。本发明提供的一种光伏阵列在线建模方法，能够利用灰狼优化算法局部与全局最优解之间的平衡能力改进粒子群算法的全局搜索能力，避免了陷入局部最优解；同时具备实时性，能够对故障下的I‑V曲线进行模型参数辨识。

Description

一种光伏阵列在线建模方法

技术领域

本发明涉及一种光伏阵列在线建模方法，属于光伏发电技术领域。

背景技术

光伏阵列作为光伏系统中将太阳能直接转换为电能的第一级电力电子装置，长期处于户外复杂环境中，受太阳紫外辐射、热循环、灰尘、冰雹等不确定性气象因素影响，容易发生故障严重影响光伏系统的发电效率。因此，大量研究人员开始关注于光伏阵列异常检测与故障诊断、健康状态评估等技术的研究，这些技术通常需要利用实测光伏阵列运行电气参数，如：组串电压、电流或光伏阵列电流-电压(I-V)曲线，并与光伏阵列数学模型估算结果对比分析，通过两者的偏差程度实现故障检测，诊断以及健康状态评估，或者通过两者的偏差进一步提取有效的特征参数用于故障诊断。光伏阵列数学模型的精度将直接影响到故障诊断与健康状态评估的准确性，由此需要进一步计算光伏阵列模型参数，提高数学模型的精度。

在实际应用中，为建立光伏阵列在不同环境状态下的输出特性，其模型参数辨识的方法主要可以分为解析法、迭代法与元启法式算法。随着光伏阵列的长时间运行，组件会逐渐退化，组件出厂时的铭牌参数已偏离实际运行状态，因此解析法的精度较低。迭代法的速度和精度均优于解析法，但是其对目标函数要求较高，并且易受初值影响，出现局部收敛与发散的情况。由于元启发式算法能够实现全局搜索从而避免陷入局部最优，以及能够处理没有梯度约束的计算和非线性问题，所以被广泛应用于光伏阵列模型参数提取去克服解析法与迭代法所存在的问题。

粒子群算法(Particle Swarm Optimization,PSO)是一种常用的群体优化算法，于1995年由Kennedy等提出，该算法主要是基于鸟群即“粒子”在寻找食物(最优位置)过程中的社会行为。粒子的初始位置在搜索空间中是随机生成的。每个粒子在搜索过程中通过更新自己移动的速度与位置，最终找到食物(即最优的位置)。而灰狼优化算法(GreyWolvesOptimization,GWO)是模拟自然界中灰狼群体捕食行为而衍生出的一种新的元启发式优化算法。在灰狼优化算法的寻优过程中，最靠近猎物目标的α，β，δ狼(局部最优解)负责确定猎物目标及位置(全局最优解)，并靠近、跟踪猎物，狼群内一般个体ω则跟随比自己等级高的狼的位置来调整自己的位置，形成对猎物的包围，追捕，进而攻击捕获，即获得最优解。准粒子群优化算法收敛速度快但是全局搜索能力较差易陷入局部最优解。灰狼优化算法在局部最优解与全局最优解之间具有较好的平衡能力，不易陷入局部最优解，但是其主要依据领头狼的位置信息来判断狼群与猎物之间的距离，导致收敛速度慢。因此，亟需一种优化算法，能够将粒子群算法和灰狼优化算法的优势进行有机结合，克服两者的缺陷，用于对光伏阵列模型参数进行辨识。另外，单独通过辨识算法对光伏阵列实测I-V曲线进行模型参数辨识耗费时间，不具有实时性，而且辨识算法无法对故障下的I-V曲线进行模型参数辨识，若当前阵列发生故障则无法对其进行建模。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种光伏阵列在线建模方法，能够利用灰狼优化算法局部与全局最优解之间的平衡能力改进粒子群算法的全局搜索能力，避免了陷入局部最优解；同时具备实时性，能够对故障下的I-V曲线进行模型参数辨识。

为解决上述技术问题，本发明采用的技术方案为：

一种光伏阵列在线建模方法，包括以下步骤：

获取光伏组件实际运行的实测数据，实测数据包括电流电压数据以及辐照度和温度数据；

对实测数据进行预处理，剔除光伏阵列在失配条件下的异常数据以及低辐照度下的数据；

基于预处理后的实测数据中电流电压数据，利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识，得到光伏阵列模型参数；根据每个模型参数的分布情况，选择不同函数通过最小二乘法进行拟合，建立模型参数与辐照度和温度之间的解析方程；

利用已建立的解析方程，通过实测的辐照度和温度对相应的模型参数进行求解，建立实时仿真模型。

电流电压数据通过集成电流电压曲线扫描功能的逆变器获取，记为[I_mea，V_mea]，其中I_mea和V_mea分别代表电流和电压。

实测数据预处理包括异常点检测方法、平滑滤波方法和环境平稳性检测方法，得到符合条件的光伏组件电流电压数据，记为[I_i，mea，V_i，mea]，i＝(1，…，N)，其中N表示电流电压的数据点个数。

光伏阵列等效模型的五个参数为A，I_ph，R_s，R_sh和I₀，其中A代表二极管理想因子，I_ph代表雪崩击穿电流，R_s和R_sh分别代表光伏阵列等效串并联电阻，I₀代表二极管饱和电流，在模型参数辨识前对二极管理想因子A进行固定，取值为1。

利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识具体包括以下步骤：

S01，对优化算法参数以及灰狼种群进行初始化；

S02，初始化后根据适应度函数与相应的误差函数计算灰狼个体的适应度值，确定三个领头狼以及其它个体灰狼的位置信息；

S03，利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式，对位置信息进行进行迭代计算得到个体灰狼朝向三个领头狼之间的前进速度与位置，并定位个体灰狼的最终位置；

S04，判断是否达到最大迭代次数，否则跳转至S02，继续执行，是则输出相应的全局最优结果，即模型参数I_ph、R_s、R_sh和I₀。

S01中，优化算法参数初始化包括：种群数pop、最大迭代次数Iter_max、待求参数个数d、参数更新系数范围，其中，最大迭代次数Iter_max表示算法的终止条件；

灰狼种群进行初始化包括：随机生成一个灰狼种群，在搜索空间中初始化每个灰狼位置

按如下公式进行初始化：

其中，

和

分别表示第i维位置参数的上界和下界，

表示第j个灰狼的第i维位置参数的值，pop表示灰狼种群的总数，d表示位置参数的维数，rand表示[0，1]的随机数。

S02中，均方根误差被使用作为混合优化算法的适应度函数，首先计算每一头灰狼的适应度值f(X_i)，i＝1,2,...,pop，具体如式(2)-(4)：

f(X_i)＝RMSE_i (2)

其中，均方根误差RMSE_i表示X_i对应的仿真数据与实测数据之间的偏离程度，M表示实测I-V曲线的点数，X表示需要被辨识的未知光伏阵列模型参数，即A，I_ph，R_s，R_sh和I₀，V_m和I_m分别表示实测的电压、电流；A表示二极管理想因子、K为玻尔兹曼常数，具体为1.38×10^-23J/K、T为光电池片温度、m为雪崩击穿指数、q为电子电荷常数，具体为1.602×10^-19C、V_bd为P-N结击穿电压、a为与雪崩击穿电流相关的系数；

将灰狼的适应度值进行排序，将种群中适应度值最优的α狼的位置信息保存为X_a，将种群中适应度值次优的β狼的位置信息保存为X_β，将种群中适应度第三优的δ狼的位置信息保存为X_δ，剩下的灰狼作为种群中地位最低的个体灰狼ω。

S03中，分别计算α，β，δ三头狼与其他个体灰狼ω之间的距离D_a，D_β，D_δ，其中，将粒子群优化算法中粒子的速度与位置更新公式替换灰狼优化算法中狼群位置更新公式，并通过引入惯性权重k来协调混合优化算法全局搜索与局部搜索能力，具体如下：

其中，D_a，D_β，D_δ分别表示α，β，δ三个领头狼与其他个体灰狼ω之间的距离，C₁，C₂和C₃是随机向量，X(t)表示当前个体灰狼ω的位置；

C₁，C₂和C₃计算方式如下：

C＝2r₂·a (6)

式中，r₁和r₂为区间[0，1]之间的随机向量，向量a为收敛因子a组成的列向量，E是每一个元素都是1的行向量，其中收敛因子a计算方式如下：

其中，t为当前迭代次数，Iter_max为最大迭代次数；

利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式，替换后的表达式如下：

X(t+1)＝X(t)+v(t+1) (10)

v(t)与X(t)为狼群第t次迭代时的速度和位置，X(t+1)为迭代后的狼群位置信息，k为惯性权重，取值为[0-1]之间的随机数，c₁，c₂与c₃为灰狼的个体学习因子，r₁、r₂和r₃为[0，1]间的随机数，A₁，A₂和A₃为系数向量，计算方式为

A＝2(r₁-E)·a (11)。

利用幂指数型函数对模型参数R_s，R_sh与辐照度G_d进行拟合，利用线性函数对模型参数I_ph与辐照度G_d进行拟合，利用指数函数对模型参数I₀与温度T进行拟合。

本发明的有益效果：本发明提供一种光伏阵列在线建模方法，采用PSO-GWO混合优化算法进行模型参数辨识，将粒子群算法中粒子速度和位置迭代方法与灰狼优化算法位置更新公式相结合，从而保留了灰狼优化算法在局部最优解与全局最优解之间所具有的较好平衡能力，并引入粒子群算法的迭代方法，在提升混合算法收敛速度的同时，避免了陷入局部最优解；利用光伏阵列实测I-V曲线数据，建立模型参数与实测环境参数的关系，而后通过实测环境参数实时估算光伏阵列模型参数，完成实时在线建模，耗费时间低且能够对故障下的I-V曲线进行模型参数辨识，从而保证光伏阵列建模的实时性与准确性。

附图说明

图1是本发明一种光伏阵列在线建模方的流程图；

图2是本发明中PSO-GWO模型参数辨识的流程图；

图3是本发明中光伏阵列模型参数与环境参数的拟合曲线图；

图4是本发明中I-V曲线建模结果图。

具体实施方式

下面对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

具体实施例1

如图1所示，本发明公开一种光伏阵列在线建模方法，包括以下步骤：

步骤一，获取光伏组件实际运行的实测数据，实测数据包括电流电压数据以及辐照度和温度数据。电流电压数据通过集成电流电压曲线扫描功能的逆变器获取，记为[I_mea，V_mea]，电流电压各N个数据点，其中I_mea和V_mea分别代表电流和电压。

步骤二，对实测数据进行预处理，剔除光伏阵列在失配条件下的异常数据以及低辐照度下的数据。实测数据预处理包括异常点检测方法、平滑滤波方法和环境平稳性检测方法，得到符合条件的光伏组件电流电压数据，记为[I_i，mea，V_i，mea]，i＝(1，…，N)，其中N表示电流电压的数据点个数。

步骤三，基于预处理后的实测数据中电流电压数据，利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识，得到光伏阵列模型参数。针对标准粒子群优化算法(Particle Swarm Optimization,PSO)收敛速度快，但是全局搜索能力差，易陷入局部最优解；灰狼优化算法(Grey Wolf Optimization,GWO)在局部最优解与全局最优解之间具有较好的平衡能力，不易陷入局部最优，但是需要根据领头狼的位置信息来判断狼群与猎物之间的距离，导致收敛速度慢；因此，本专利结合粒子群优化算法与灰狼优化算法的优势，提出了一种粒子群与灰狼混合优化算法PSO-GWO，利用GWO优化算法局部与全局最优解之间的平衡能力改进PSO优化算法的全局搜索能力，避免了陷入局部最优解，对光伏阵列模型参数进行辨识，具体如图2所示。对于优化算法而言，寻优空间维数会制约求解精度，维数过高往往会使寻优算法更易陷入局部最优，导致算法性能极不稳定，所以使用寻优算法时，应尽量降低解空间的维度。此外，模型参数对光伏阵列I-V曲线形状的影响并不是相互独立的，即五个模型参数的解之间并不相互独立，模型参数之间存在相互耦合的问题，导致参数提取不稳定存在耦合误差，并且不利于后续拟合模型参数与辐照度、温度的关系，建立在线仿真模型。考虑到模型参数对于I-V特性曲线的影响具有耦合问题，本发明为了避免模型参数之间的耦合问题，首先针对光伏电池片等效模型的五个参数，包括[A,I_ph,R_s,R_sh,I₀]，其中A代表二极管理想因子，I_ph代表雪崩击穿电流，R_s和R_sh分别代表光伏阵列等效串并联电阻，I₀代表二极管饱和电流，分析了其各自对于I-V特性曲线的影响，结果理想因子A与二极管饱和电流I₀之间对I-V曲线的影响是相互耦合的，理想因子A的增加会使得I-V曲线开路电压V_oc增大，然而饱和电流I₀的增加会使得I-V曲线开路电压V_oc减小，因此两者在参数辨识的过程中容易产生耦合误差，同一条I-V曲线可能辨识对应多组A与I₀的解，使得模型参数辨识不准确。为进一步保证模型参数辨识的准确性与稳定性，在模型参数辨识前首先对A与I₀模型参数之一进行固定，且大量实验表明二极管理想因子A一般不随环境状态的变化而变化，可取值为1，而后对待求的模型参数[I_ph,R_s,R_sh,I₀]利用本发明提出的PSO-GWO混合优化算法进行模型参数辨识。

利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识具体包括以下步骤：

步骤a，对优化算法参数以及灰狼种群进行初始化。优化算法参数初始化包括：种群数pop、最大迭代次数Iter_max、待求参数个数d、参数更新系数范围，其中，最大迭代次数Iter_max表示算法的终止条件；

灰狼种群进行初始化包括：随机生成一个灰狼种群，在搜索空间中初始化每个灰狼位置

按如下公式进行初始化：

其中，

和

分别表示第i维位置参数的上界和下界，

表示第j个灰狼的第i维位置参数的值，pop表示灰狼种群的总数，d表示位置参数的维数，rand表示[0，1]的随机数。

步骤b，初始化后根据适应度函数与相应的误差函数计算灰狼个体的适应度值，确定三个领头狼以及其它个体灰狼的位置信息。为了精确计算仿真输出电流与实测电流之间的误差，均方根误差被使用作为混合优化算法的适应度函数，首先计算每一头灰狼的适应度值f(X_i)，i＝1,2,...,pop，具体如式(2)-(4)：

f(X_i)＝RMSE_i (2)

其中，均方根误差RMSE_i表示X_i对应的仿真数据与实测数据之间的偏离程度，RMSE越小，灰狼与猎物之间的位置距离越小，说明光伏组件建模精度越高。M表示实测I-V曲线的点数，X表示需要被辨识的未知光伏阵列模型参数，即A，I_ph，R_s，R_sh和I₀，V_m和I_m分别表示实测的电压、电流；A表示二极管理想因子、K为玻尔兹曼常数，具体为1.38×10^-23J/K、T为光电池片温度、m为雪崩击穿指数、q为电子电荷常数，具体为1.602×10^-19C、V_bd为P-N结击穿电压、a为与雪崩击穿电流相关的系数。

将灰狼的适应度值进行排序，将种群中适应度值最优的α狼的位置信息保存为X_a，将种群中适应度值次优的β狼的位置信息保存为X_β，将种群中适应度第三优的δ狼的位置信息保存为X_δ，剩下的灰狼作为种群中地位最低的个体灰狼ω。

步骤c，利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式，对位置信息进行进行迭代计算得到个体灰狼朝向三个领头狼之间的前进速度与位置，并定位个体灰狼的最终位置。

当狼群包围猎物后，需要对猎物的位置(全局最优解)进行确定并发起狩猎，在寻优过程中，α，β，δ狼(局部最优解)是最靠近猎物目标的并且对猎物的潜在位置信息有着更好的了解。分别计算α，β，δ三头狼与其他个体灰狼ω之间的距离D_a，D_β，D_δ，其中，将粒子群优化算法中粒子的速度与位置更新公式替换灰狼优化算法中狼群位置更新公式，并通过引入惯性权重k来协调混合优化算法全局搜索与局部搜索能力，具体如下：

其中，D_a，D_β，D_δ分别表示α，β，δ三个领头狼与其他个体灰狼ω之间的距离，C₁，C₂和C₃是随机向量，X(t)表示当前个体灰狼ω的位置；

C₁，C₂和C₃计算方式如下：

C＝2r₂·a (6)

式中，r₁和r₂为区间[0，1]之间的随机向量，向量a为收敛因子a组成的列向量，E是每一个元素都是1的行向量，其中收敛因子a计算方式如下：

其中，t为当前迭代次数，Iter_max为最大迭代次数；

在每次迭代最后，利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式使得混合优化算法收敛速度更快，替换后的表达式如下：

X(t+1)＝X(t)+v(t+1) (10)

v(t)与X(t)为狼群第t次迭代时的速度和位置，X(t+1)为迭代后的狼群位置信息，k为惯性权重，取值为[0-1]之间的随机数，c₁，c₂与c₃为灰狼的个体学习因子，r₁、r₂和r₃为[0，1]间的随机数，A₁，A₂和A₃为系数向量，计算方式为

A＝2(r₁-E)·a (11)。

步骤d，判断是否达到最大迭代次数，否则跳转至步骤b，继续执行，是则输出相应的全局最优结果，即模型参数I_ph、R_s、R_sh和I₀。步骤四，根据每个模型参数的分布情况，选择不同函数通过最小二乘法进行拟合，建立模型参数与辐照度和温度之间的解析方程。利用幂指数型函数对模型参数R_s，R_sh与辐照度G_d进行拟合，利用线性函数对模型参数I_ph与辐照度G_d进行拟合，利用指数函数对模型参数I₀与温度T进行拟合。

步骤五，利用已建立的解析方程，通过实测的辐照度和温度对相应的模型参数进行求解，建立实时仿真模型。

具体实施例2

将具体实施例1的方法具体应用到真实场景中，通过上述所提出的PSO-GWO混合优化算法对光伏电站2018年6月至2019年6月的数据分四个季节对未知的模型参数[I_ph,R_s,R_sh,I₀]进行辨识；

根据每个模型参数的分布情况，选择合适的函数进行拟合建立新的解析表达式，通过最小二乘法进行拟合。图3显示了其中秋季提取出的各模型参数的分布以及对应的拟合曲线，可以看出模型参数I_ph,R_s,R_sh主要与环境参数辐照度有关，模型参数I₀主要与温度有关。利用幂指数型函数表达式对模型参数R_s,R_sh与辐照度G_d进行拟合，利用线性函数对模型参数I_ph与辐照度G_d进行拟合，利用指数函数对I₀与温度T进行拟合。其春，夏，秋，冬四个季节对应的各模型参数的拟合公式和相应的系数，如表1所示；

表1

上述已完成光伏阵列在线模型的建立，可以利用已建立的解析方程，通过实测的辐照度和温度对相应的模型参数求解，以建立实时、精确的仿真模型。利用上述已经建立的解析表达式对实验电站2019年7月至9月的实测I-V曲线数据进行验证，从中随机挑选出7条不同辐照度温度下的曲线，其估算曲线与实测曲线如图4所示，结果表明本专利所建立的光伏阵列在线模型I-V曲线输出与实测I-V曲线具有较高的吻合度，建模精度较高。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种光伏阵列在线建模方法，其特征在于：包括以下步骤：

获取光伏组件实际运行的实测数据，实测数据包括电流电压数据以及辐照度和温度数据；

对实测数据进行预处理，剔除光伏阵列在失配条件下的异常数据以及低辐照度下的数据；

基于预处理后的实测数据中电流电压数据，利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识，得到光伏阵列模型参数；根据每个模型参数的分布情况，选择不同函数通过最小二乘法进行拟合，建立模型参数与辐照度和温度之间的解析方程；

利用已建立的解析方程，通过实测的辐照度和温度对相应的模型参数进行求解，建立实时仿真模型。

2.根据权利要求1所述的一种光伏阵列在线建模方法，其特征在于：电流电压数据通过集成电流电压曲线扫描功能的逆变器获取，记为[I_mea，V_mea]，其中I_mea和V_mea分别代表电流和电压。

3.根据权利要求2所述的一种光伏阵列在线建模方法，其特征在于：实测数据预处理包括异常点检测方法、平滑滤波方法和环境平稳性检测方法，得到符合条件的光伏组件电流电压数据，记为[I_i，mea，V_i，mea]，i＝(1，…，N)，其中N表示电流电压的数据点个数。

4.根据权利要求1所述的一种光伏阵列在线建模方法，其特征在于：光伏阵列等效模型的五个参数为A，I_ph，R_s，R_sh和I₀，其中A代表二极管理想因子，I_ph代表雪崩击穿电流，R_s和R_sh分别代表光伏阵列等效串并联电阻，I₀代表二极管饱和电流，在模型参数辨识前对二极管理想因子A进行固定，取值为1。

5.根据权利要求4所述的一种光伏阵列在线建模方法，其特征在于：利用粒子群与灰狼混合优化算法对光伏阵列模型参数进行辨识具体包括以下步骤：

S01，对优化算法参数以及灰狼种群进行初始化；

S02，初始化后根据适应度函数与相应的误差函数计算灰狼个体的适应度值，确定三个领头狼以及其它个体灰狼的位置信息；

S03，利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式，对位置信息进行进行迭代计算得到个体灰狼朝向三个领头狼之间的前进速度与位置，并定位个体灰狼的最终位置；

S04，判断是否达到最大迭代次数，否则跳转至S02，继续执行，是则输出相应的全局最优结果，即模型参数I_ph、R_s、R_sh和I₀。

6.根据权利要求5所述的一种光伏阵列在线建模方法，其特征在于：

S01中，优化算法参数初始化包括：种群数pop、最大迭代次数Iter_max、待求参数个数d、参数更新系数范围，其中，最大迭代次数Iter_max表示算法的终止条件；

灰狼种群进行初始化包括：随机生成一个灰狼种群，在搜索空间中初始化每个灰狼位置

i＝1,2,...,pop，按如下公式进行初始化：

其中，

和

分别表示第i维位置参数的上界和下界，

表示第j个灰狼的第i维位置参数的值，pop表示灰狼种群的总数，d表示位置参数的维数，rand表示[0，1]的随机数。

7.根据权利要求6所述的一种光伏阵列在线建模方法，其特征在于：S02中，均方根误差被使用作为混合优化算法的适应度函数，首先计算每一头灰狼的适应度值f(X_i)，i＝1,2,...,pop，具体如式(2)-(4)：

f(X_i)＝RMSE_i (2)

其中，均方根误差RMSE_i表示X_i对应的仿真数据与实测数据之间的偏离程度，M表示实测I-V曲线的点数，X表示需要被辨识的未知光伏阵列模型参数，即A，I_ph，R_s，R_sh和I₀，V_m和I_m分别表示实测的电压、电流；A表示二极管理想因子、K为玻尔兹曼常数，具体为1.38×10^-23J/K、T为光电池片温度、m为雪崩击穿指数、q为电子电荷常数，具体为1.602×10^-19C、V_bd为P-N结击穿电压、a为与雪崩击穿电流相关的系数；

将灰狼的适应度值进行排序，将种群中适应度值最优的α狼的位置信息保存为X_a，将种群中适应度值次优的β狼的位置信息保存为X_β，将种群中适应度第三优的δ狼的位置信息保存为X_δ，剩下的灰狼作为种群中地位最低的个体灰狼ω。

8.根据权利要求7所述的一种光伏阵列在线建模方法，其特征在于：S03中，分别计算α，β，δ三头狼与其他个体灰狼ω之间的距离D_a，D_β，D_δ，其中，将粒子群优化算法中粒子的速度与位置更新公式替换灰狼优化算法中狼群位置更新公式，并通过引入惯性权重k来协调混合优化算法全局搜索与局部搜索能力，具体如下：

其中，D_a，D_β，D_δ分别表示α，β，δ三个领头狼与其他个体灰狼ω之间的距离，C₁，C₂和C₃是随机向量，X(t)表示当前个体灰狼ω的位置；

C₁，C₂和C₃计算方式如下：

C＝2r₂·a (6)

式中，r₁和r₂为区间[0，1]之间的随机向量，向量a为收敛因子a组成的列向量，E是每一个元素都是1的行向量，其中收敛因子a计算方式如下：

其中，t为当前迭代次数，Iter_max为最大迭代次数；

利用粒子群优化算法粒子位置更新公式替换灰狼优化算法位置公式，替换后的表达式如下：

X(t+1)＝X(t)+v(t+1) (10)

v(t)与X(t)为狼群第t次迭代时的速度和位置，X(t+1)为迭代后的狼群位置信息，k为惯性权重，取值为[0-1]之间的随机数，c₁，c₂与c₃为灰狼的个体学习因子，r₁、r₂和r₃为[0，1]间的随机数，A₁，A₂和A₃为系数向量，计算方式为

A＝2(r₁-E)·a (11)。

9.根据权利要求4所述的一种光伏阵列在线建模方法，其特征在于：利用幂指数型函数对模型参数R_s，R_sh与辐照度G_d进行拟合，利用线性函数对模型参数I_ph与辐照度G_d进行拟合，利用指数函数对模型参数I₀与温度T进行拟合。

Images