CN115828818A - 一种光伏电池参数辨识方法及存储介质 - Google Patents

一种光伏电池参数辨识方法及存储介质 Download PDF

Info

Publication number
CN115828818A
CN115828818A CN202310051660.1A CN202310051660A CN115828818A CN 115828818 A CN115828818 A CN 115828818A CN 202310051660 A CN202310051660 A CN 202310051660A CN 115828818 A CN115828818 A CN 115828818A
Authority
CN
China
Prior art keywords
photovoltaic cell
water
iteration
follows
water particles
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
CN202310051660.1A
Other languages
English (en)
Other versions
CN115828818B (zh
Inventor
付波
张万祥
何晗哲
陈登耀
黎祥程
李超顺
范秀香
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202310051660.1A priority Critical patent/CN115828818B/zh
Publication of CN115828818A publication Critical patent/CN115828818A/zh
Application granted granted Critical
Publication of CN115828818B publication Critical patent/CN115828818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种光伏电池参数辨识方法及存储介质，该光伏电池参数辨识方法包括：建立光伏电池的三二极管等效电路模型，并根据三二极管等效电路模型确定光伏电池若干个待识别参数；给定光伏电池的输出电压测量值和输出电流测量值，根据输出电压测量值和三二极管等效电路模型计算得到光伏电池的输出电流计算值；确定输出电流计算值和输出电流测量值的均方差，并设定最小均方差为目标函数，以建立光伏电池优化模型；采用改进水流优化算法求解光伏电池优化模型，以确定若干个待识别参数的最优解，实现对光伏电池参数的精准辨识。本发明能够提高光伏电池待识别参数计算的准确率和效率。

Description

一种光伏电池参数辨识方法及存储介质
技术领域
本发明涉及光伏电池技术领域，尤其涉及一种光伏电池参数辨识方法及存储介质。
背景技术
光伏电池作为新能源，有着无污染，发电效率高等特点。世界各国为缓解全球变暖，大力发展全球光伏产业，装机容量不断提升，且每年都在以较高的速率增加。随着光伏设备不断地被投入应用，设备后期维护问题不断浮现，在一定程度上制约了光伏电池的发展。在所有可再生能源中，光伏电池可以将太阳能直接转化为电能，且不消耗任何可再生能源。因此，以太阳能为基础的能源可广泛应用于电力生产中。光伏电池模型包括单二极管、双二极管与三二极管等等效电路，其中，三二极管等效电路模型的参数较多，能更好的反应光伏电池的特性。
光伏电池的传统建模方法主要为两种：牛顿-拉夫森法和迭代曲线拟合法。光伏电池的实际性能常受光伏电池参数的影响，而光伏电池内部参数却并未给出。光伏电池的电流-电压方程求解较为复杂，三二极管光伏模型更是包括九个未知参数，采用数学解析法求解较为困难。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种光伏电池参数辨识方法，通过该方法能够得出光伏电池三二极管模型参数的最优解，使输出总电流的计算值与测量值尽可能接近，实现对光伏电池参数的精准辨识，以便于对光伏电池做进一步的预测与动态分析。
本发明的第二个目的在于提供一种计算机可读存储介质。
为达到上述目的，本发明通过以下技术方案实现：
一种光伏电池参数辨识方法，包括：
步骤S1：建立光伏电池的三二极管等效电路模型，并根据所述三二极管等效电路模型确定所述光伏电池若干个待识别参数；
步骤S2：给定所述光伏电池的输出电压测量值和输出电流测量值，根据所述输出电压测量值和所述三二极管等效电路模型计算得到所述光伏电池的输出电流计算值；
步骤S3：确定所述输出电流计算值和所述输出电流测量值的均方差，并设定最小均方差为目标函数，以建立光伏电池优化模型；
步骤S4：采用改进水流优化算法求解所述光伏电池优化模型，以确定若干个所述待识别参数的最优解，实现对光伏电池参数的精准辨识。
可选的，所述三二极管等效电路模型包括：三个二极管、理想电流源、以及并联电阻和串联电阻，其中，所述理想电流源、所述三个二极管和所述并联电阻并联后，与所述串联电阻串联。
可选的，所述输出电流计算值采用如下公式表示：
Figure SMS_1
其中，
Figure SMS_2
为输出电流计算值，
Figure SMS_4
为理想电流源的输出电流值，
Figure SMS_5
为第
Figure SMS_7
个二极管的暗饱和电流，
Figure SMS_8
为输出电压测量值，
Figure SMS_9
为串联电阻，
Figure SMS_11
为第
Figure SMS_3
个二极管的理想因子，
Figure SMS_6
为热电压，
Figure SMS_10
为并联电阻，exp为指数函数。
可选的，所述光伏电池优化模型采用如下公式表示：
Figure SMS_12
Figure SMS_13
其中，
Figure SMS_14
为均方差，
Figure SMS_15
为数据的个数，
Figure SMS_16
为第
Figure SMS_17
时刻的光伏电池的输出电流计算值，
Figure SMS_18
为第
Figure SMS_19
时刻的光伏电池的输出电流测量值，min为取最小值函数。
可选的，所述步骤S4包括：
步骤S41：初始化改进水流优化算法；
步骤S42：通过所述改进水流优化算法对所述光伏电池优化模型进行循环迭代寻优，直至水流颗粒流向最低势能处，以确定各水流颗粒的适应度；
步骤S43：根据各水流颗粒的所述适应度确定出当前次迭代的最优水颗粒；
步骤S44：采用高斯正弦变异对水颗粒群进行更新；
步骤S45：判断当前迭代次数是否达到最大迭代次数，并在当前迭代次数达到最大迭代次数时，输出所述待识别参数的最优解，否则返回步骤S42。
可选的，所述步骤S42中，通过所述改进水流优化算法对所述光伏电池优化模型进行循环迭代寻优之前，所述方法还包括：对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断，对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断的步骤，包括：
步骤S421：设置一0~1之间的随机数，并计算层流概率，所述层流概率采用如下公式表示：
Figure SMS_20
其中，
Figure SMS_21
为层流概率，
Figure SMS_22
为Morlet小波，
Figure SMS_23
，
Figure SMS_24
的可行域为
Figure SMS_25
；
步骤S422：判断所述随机数是否小于所述层流概率，所述随机数小于所述层流概率时，执行层流运动水流优化算法，所述随机数大于或等于所述层流概率时，执行湍流运动水流优化算法。
可选的，所述层流运动水流优化算法采用如下公式表示：
Figure SMS_26
其中，
Figure SMS_28
为第
Figure SMS_30
次迭代中层流更新后水颗粒的位置，
Figure SMS_31
为第
Figure SMS_32
次迭代中水颗粒的位置，
Figure SMS_33
，
Figure SMS_34
为水颗粒数量，
Figure SMS_35
为位移参数，取值0~1，矢量
Figure SMS_27
为所有水颗粒共同的移动方向，所述
Figure SMS_29
采用如下公式表示：
Figure SMS_36
其中，
Figure SMS_37
为第
Figure SMS_38
次迭代中的引导水颗粒，
Figure SMS_39
为当前次迭代中的其它水颗粒，
Figure SMS_40
为第
Figure SMS_41
次迭代中引导水颗粒的适应度，
Figure SMS_42
为第
Figure SMS_43
次迭代中其他水颗粒的适应度；
其中，在执行所述层流运动水流优化算法后，还引入新型教学优化策略对水颗粒进行再次更新，更新公式表示如下：
Figure SMS_44
其中，
Figure SMS_45
和
Figure SMS_46
分别为第
Figure SMS_47
个水颗粒更新前和更新后的位置，
Figure SMS_48
为随机数函数，
Figure SMS_49
为所有水颗粒适应度的平均值，
Figure SMS_50
为更新因子，所述更新因子采用如下公式表示：
Figure SMS_51
其中，
Figure SMS_52
为当前迭代次数，
Figure SMS_53
为最大迭代次数，
Figure SMS_54
为四舍五入函数。
可选的，所述湍流运动水流优化算法采用如下公式表示：
Figure SMS_55
其中，
Figure SMS_56
为
Figure SMS_57
维解中的任意一个分量，
Figure SMS_58
为不同水颗粒的选择系数，
Figure SMS_59
，
Figure SMS_60
为突变值，所述突变值采用如下公式表示：
Figure SMS_61
其中，
Figure SMS_69
为旋转变换，
Figure SMS_71
为层上移动变换，
Figure SMS_72
为第
Figure SMS_74
次迭代过程中第
Figure SMS_76
个水颗粒的任意一维分量，
Figure SMS_78
为第
Figure SMS_79
次迭代过程中第
Figure SMS_62
个水颗粒的任意一维分量,
Figure SMS_65
为第
Figure SMS_67
次迭代过程中第
Figure SMS_68
个水颗粒除去
Figure SMS_70
后的任意一维分量，
Figure SMS_73
，
Figure SMS_75
为随机选的水颗粒的另一维度，
Figure SMS_77
，
Figure SMS_63
为0~1之间的随机数，
Figure SMS_64
为涡流控制参数，
Figure SMS_66
；
其中，旋转变换公式表示如下：
Figure SMS_80
其中，
Figure SMS_81
为
Figure SMS_82
之间的随机数，
Figure SMS_83
为自适应动态移动参数，所述
Figure SMS_84
采用如下公式表示：
Figure SMS_85
层上移动变换公式表示如下：
Figure SMS_86
其中，
Figure SMS_87
为解的下界，
Figure SMS_88
为解的上界。
可选的，所述步骤S44采用如下公式进行更新：
Figure SMS_89
其中，
Figure SMS_91
为第
Figure SMS_92
次迭代中变异前水颗粒的位置，
Figure SMS_93
为第
Figure SMS_94
次迭代变异后水颗粒的位置，
Figure SMS_95
为高斯分布，
Figure SMS_96
为调节系数，
Figure SMS_97
为
Figure SMS_90
之间的随机数，所述调节系数采用如下公式表示：
Figure SMS_98
其中，
Figure SMS_99
为当前迭代过程中第
Figure SMS_100
个水颗粒与最优水颗粒的欧拉距离，高斯分布的概率密度函数采用如下公式表示：
Figure SMS_101
其中，
Figure SMS_102
为概率密度函数，
Figure SMS_103
为分布的平均值，
Figure SMS_104
为标准差。
为达到上述目的，本发明第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的光伏电池参数辨识方法。
本发明至少具有以下技术效果：
1、本发明通过水流优化算法判断可准确识别采用层流运动水流优化算法或者湍流运动水流优化算法，并且本发明采用该两种算法能够提高光伏电池参数的计算准确率和效率。
2、本发明采用非线性自适应层流概率计算公式替代改进前算法中的常数，可使算法前期偏向于在全局搜索解的位置，后期更偏向于局部搜索最优解的准确值，从而可帮助水流优化算法精确定位最优解的位置。
3、本发明采用改进圆混沌映射更新策略初始化水颗粒的分布，优化了水颗粒的空间分布，使水颗粒在解空间的分布更加均匀。
4、本发明在层流运动中引入新型教学优化策略对水颗粒进行再度更新，大幅提高了水流优化算法的全局寻优能力，为最优解的搜寻奠定良好基础。
5、本发明引入改进高斯正弦变异策略对水颗粒群进行再次更新，有助于水颗粒跳出局部最优解，避免水流优化算法因陷入局部最优解而过早收敛。
6、本发明对水流优化算法进行改进，提高了算法对复杂模型的适应能力。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明一实施例提供的光伏电池参数辨识方法的流程图。
图2为本发明一实施例提供的光伏电池的三二极管等效电路模型示意图。
图3为本发明一实施例提供的改进水流优化算法流程图。
图4-图5为本发明一实施例提供的改进水流优化算法的光伏电池三二极管等效电路模型参数的仿真结果与实验结果示意图。
图6为本发明一实施例提供的各算法迭代曲线示意图。
具体实施方式
下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本实施例的光伏电池参数辨识方法及存储介质。
图1为本发明一实施例提供的光伏电池参数辨识方法的流程图。如图1所示，该光伏电池参数辨识方法包括：
步骤S1：建立光伏电池的三二极管等效电路模型，并根据三二极管等效电路模型确定光伏电池若干个待识别参数。
具体的，可通过对光伏电池的工作原理与自身结构特点进行分析，以建立光伏电池的三二极管等效电路模型。如图2所示，光伏电池的三二极管等效电路模型包括：三个二极管D1、D2、D3、理想电流源S、以及并联电阻
Figure SMS_105
和串联电阻
Figure SMS_106
，其中，理想电流源S、三个二极管D1、D2、D3和并联电阻
Figure SMS_107
并联后，与串联电阻
Figure SMS_108
串联。
其中，光伏输出电流计算值采用如下公式表示：
Figure SMS_109
（1）
其中，
Figure SMS_110
为输出电流计算值，
Figure SMS_111
为理想电流源的输出电流值，
Figure SMS_112
为流过第
Figure SMS_113
个二极管的电流，
Figure SMS_114
为流过并联电阻的电流。
其中，流过二极管的电流
Figure SMS_115
采用如下公式表示：
Figure SMS_116
（2）
其中，
Figure SMS_118
为第
Figure SMS_119
个二极管的暗饱和电流，
Figure SMS_120
为输出电压测量值，
Figure SMS_121
为串联电阻，
Figure SMS_122
为第
Figure SMS_123
个二极管的理想因子，
Figure SMS_124
为热电压，exp为指数函数，其中，
Figure SMS_117
采用如下公式表示：
Figure SMS_125
（3）
其中，
Figure SMS_126
为波尔兹曼常数；
Figure SMS_127
为电池的绝对温度；
Figure SMS_128
为电子电荷，取值为
Figure SMS_129
。
其中，流过并联电阻的电流
Figure SMS_130
采用如下公式表示：
Figure SMS_131
（4）
本实施例中，可确定的若干个待识别参数为
Figure SMS_132
、
Figure SMS_133
、
Figure SMS_134
、
Figure SMS_135
和
Figure SMS_136
。
步骤S2：给定光伏电池的输出电压测量值和输出电流测量值，根据输出电压测量值和三二极管等效电路模型计算得到光伏电池的输出电流计算值。
具体的，可给定光伏电池的输出电压测量值
Figure SMS_137
，并结合通过三二极管等效电路模型得到的上述公式，即可得到光伏电池的输出电流计算值，输出电流计算值
Figure SMS_138
采用如下公式表示：
Figure SMS_139
（5）
需要说明的是，本实施例中除了给定光伏电池的输出电压测量值和输出电流测量值之外，还给定了光伏电池的若干个待识别参数的取值范围，若干个待识别参数的取值范围如表1所示：
表1 光伏电池待识别参数的取值范围
Figure SMS_140
步骤S3：确定输出电流计算值和输出电流测量值的均方差，并设定最小均方差为目标函数，以建立光伏电池优化模型。
输出电流计算值和输出电流测量值的均方差采用如下公式表示：
Figure SMS_141
（6）
其中，
Figure SMS_142
为均方差，
Figure SMS_143
为数据的个数，
Figure SMS_144
为第
Figure SMS_145
时刻的光伏电池的输出电流计算值，
Figure SMS_146
为第
Figure SMS_147
时刻的光伏电池的输出电流测量值。
光伏电池优化模型采用如下公式表示：
Figure SMS_148
（7）
其中，
Figure SMS_149
、
Figure SMS_150
等9个变量为决策变量也即待识别参数，min为取最小值函数，各决策变量的上下界约束条件如上表1所示。
步骤S4：采用改进水流优化算法求解光伏电池优化模型，以确定若干个待识别参数的最优解，实现对光伏电池参数的精准辨识。
步骤S4包括：
步骤S41：初始化改进水流优化算法。
如图3所示，本步骤包括：
步骤S411：设置水流活动区间
Figure SMS_151
、最大迭代次数
Figure SMS_152
、水流中水颗粒的数量
Figure SMS_153
。
步骤S412：在水流活动区间内初始化水颗粒分布，设置当前迭代次数
Figure SMS_154
，并采用改进圆混沌映射更新策略初始化水颗粒群，其计算公式如下：
Figure SMS_155
（8）
其中，
Figure SMS_157
为当前迭代过程中采用圆混沌映射策略更新后的第
Figure SMS_158
个水颗粒的位置，
Figure SMS_159
为随机生成的水颗粒，
Figure SMS_160
和
Figure SMS_161
为控制因子，其取值为
Figure SMS_162
，
Figure SMS_163
为取余函数，
Figure SMS_156
为形状参数，其计算公式如下：
Figure SMS_164
（9）
步骤S42：通过改进水流优化算法对光伏电池优化模型进行循环迭代寻优，直至水流颗粒流向最低势能处，以确定各水流颗粒的适应度。
步骤S42中，通过改进水流优化算法对光伏电池优化模型进行循环迭代寻优之前，方法还包括：对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断，对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断的步骤，包括：
步骤S421：设置一0~1之间的随机数，并计算层流概率，层流概率采用如下公式表示：
Figure SMS_165
（10）
其中，
Figure SMS_166
为层流概率，
Figure SMS_167
为Morlet小波，
Figure SMS_168
，
Figure SMS_169
的可行域为
Figure SMS_170
。
步骤S422：判断随机数是否小于层流概率，随机数小于层流概率时，执行层流运动水流优化算法，随机数大于或等于层流概率时，执行湍流运动水流优化算法。
层流运动水流优化算法采用如下公式表示：
Figure SMS_171
（11）
其中，
Figure SMS_173
为第
Figure SMS_174
次迭代中层流更新后水颗粒的位置，
Figure SMS_176
为第
Figure SMS_177
次迭代中水颗粒的位置，
Figure SMS_178
，
Figure SMS_179
为水颗粒数量，
Figure SMS_180
为位移参数，取值0~1，矢量
Figure SMS_172
为所有水颗粒共同的移动方向，
Figure SMS_175
采用如下公式表示：
Figure SMS_181
（12）
其中，
Figure SMS_182
为第
Figure SMS_183
次迭代中的引导水颗粒，
Figure SMS_184
为当前次迭代中的其它水颗粒，
Figure SMS_185
为第
Figure SMS_186
次迭代中引导水颗粒的适应度，
Figure SMS_187
为第
Figure SMS_188
次迭代中其他水颗粒的适应度；
其中，在执行层流运动水流优化算法后，为优化层流运动的全局寻优效果，在层流运动后，还引入新型教学优化策略对水颗粒进行再次更新，更新公式表示如下：
Figure SMS_189
（13）
其中，
Figure SMS_190
和
Figure SMS_191
分别为第
Figure SMS_192
个水颗粒更新前和更新后的位置，
Figure SMS_193
为随机数函数，
Figure SMS_194
为所有水颗粒适应度的平均值，
Figure SMS_195
为更新因子，更新因子采用如下公式表示：
Figure SMS_196
（14）
其中，
Figure SMS_197
为当前迭代次数，
Figure SMS_198
为最大迭代次数，
Figure SMS_199
为四舍五入函数。
湍流运动水流优化算法采用如下公式表示：
Figure SMS_200
（15）
其中，
Figure SMS_201
为
Figure SMS_202
维解中的任意一个分量，
Figure SMS_203
为不同水颗粒的选择系数，
Figure SMS_204
，
Figure SMS_205
为突变值，突变值采用如下公式表示：
Figure SMS_206
（16）
其中，
Figure SMS_214
为旋转变换，
Figure SMS_215
为层上移动变换，
Figure SMS_217
为第
Figure SMS_220
次迭代过程中第
Figure SMS_221
个水颗粒的任意一维分量，
Figure SMS_223
为第
Figure SMS_224
次迭代过程中第
Figure SMS_207
个水颗粒的任意一维分量,
Figure SMS_210
为第
Figure SMS_212
次迭代过程中第
Figure SMS_213
个水颗粒除去
Figure SMS_216
后的任意一维分量，
Figure SMS_218
，
Figure SMS_219
为随机选的水颗粒的另一维度，
Figure SMS_222
，
Figure SMS_208
为0~1之间的随机数，
Figure SMS_209
为涡流控制参数，
Figure SMS_211
；
其中，旋转变换公式表示如下：
Figure SMS_225
（17）
其中，
Figure SMS_226
为
Figure SMS_227
之间的随机数，
Figure SMS_228
为自适应动态移动参数，可视为水颗粒所受到的剪切力，
Figure SMS_229
采用如下公式表示：
Figure SMS_230
（18）
层上移动变换公式表示如下：
Figure SMS_231
（19）
其中，
Figure SMS_232
为解的下界，
Figure SMS_233
为解的上界。
步骤S43：根据各水流颗粒的适应度确定出当前次迭代的最优水颗粒。
具体的，可根据水颗粒的演化规则，然后根据各水流颗粒的适应度找出并记录本次迭代的最优水颗粒，具体步骤包括：
步骤S431：对各水流颗粒的适应度取最小值，然后记录更新过程中的最优位置。
步骤S432：解空间中有更低的势能点时，则更新水颗粒的位置；否则水颗粒保持在当前位置不动，其更新公式如下：
Figure SMS_234
（20）
其中，
Figure SMS_236
为第
Figure SMS_237
次迭代过程中第
Figure SMS_239
个水颗粒的初始位置，
Figure SMS_240
为第
Figure SMS_241
次迭代过程中层流更新后第
Figure SMS_242
个水颗粒的适应度，
Figure SMS_243
为第
Figure SMS_235
次迭代过程中层流更新前第
Figure SMS_238
个水颗粒的适应度。
步骤S44：采用高斯正弦变异对水颗粒群进行更新。
具体的，可对水颗粒进行变异，然后模拟异物落入水中。本步骤中可采用高斯正弦变异对水颗粒群进行更新，更新公式如下：
Figure SMS_244
（21）
其中，
Figure SMS_246
为第
Figure SMS_247
次迭代中变异前水颗粒的位置，
Figure SMS_248
为第
Figure SMS_249
次迭代变异后水颗粒的位置，
Figure SMS_250
为高斯分布，
Figure SMS_251
为调节系数，
Figure SMS_252
为
Figure SMS_245
之间的随机数，调节系数采用如下公式表示：
Figure SMS_253
（22）
其中，
Figure SMS_254
为当前迭代过程中第
Figure SMS_255
个水颗粒与最优水颗粒的欧拉距离，高斯分布的概率密度函数采用如下公式表示：
Figure SMS_256
（23）
其中，
Figure SMS_257
为概率密度函数，
Figure SMS_258
为分布的平均值，
Figure SMS_259
为标准差。
需要说明的是，步骤S43中可根据各水流颗粒的适应度确定出当前次迭代的最优水颗粒。步骤S44中，可再采用高斯正弦变异法得到另一最优水颗粒，若该另一最优水颗粒相较于步骤S43确定的水颗粒更优，则采用该另一最优水颗粒对其进行更新。
步骤S45：判断当前迭代次数是否达到最大迭代次数，并在当前迭代次数达到最大迭代次数时，输出待识别参数的最优解，否则返回步骤S42。
下面通过仿真实验分析本发明中光伏电池参数辨识方法。
仿真实验中的光伏电池以33℃下RTC法国太阳能电池的三二极管模型为例，带入相关参数，采用模拟退火算法（SA）、粒子群算法（PSO）、水流优化算法（WFO）和改进水流优化算法（New-WFO）对三二极管模型进行求解，各个算法求解出的最优参数与RMSE如表2所示：
表2 各算法对光伏电池三二极管模型参数的求解结果
Figure SMS_260
使用4种算法分别独立运算30次并对结果进行统计分析，包括最小RMSE、RMSE的平均值与标准差，运算结果如表3所示：
表3 各个算法运行20次求解出RMSE的最小值、平均值与标准差
Figure SMS_261
由表2可知：与其他四种算法相比，改进后的水流优化算法求解出的参数的计算值与实际值基本吻合，且所对应的RMSE取得了所有算法运算结果中的最小值。由表3可知各个算法运行20次求解出的RMSE的最小值、平均值与标准差均小于其他算法。统计结果表明New-WFO具有较好的鲁棒性，该算法对光伏电池三二极管模型参数的寻优能力相较于其他算法来说具有较为显著的优势。
由图4、图5可知改进水流优化算法的光伏电池三二极管等效电路模型参数的仿真结果与实验结果非常相近，这表明了改进后的水流优化算法具有较强的寻优能力，且曲线平滑，没有较大的波动，更表明了改进水流优化算法具有较好寻优效果。另外，观察图4、5易知，输出电流随输出电压的增加先保持平稳后逐渐降低；输出功率随输出电压的增大而先增大后减小，从而能更加精确的描述光伏电池的特性曲线。
由图6可知，改进后的水流优化算法（New-WFO）具有更好的寻优能力，有效地增强了原算法的全局寻优能力，进一步防止了算法收敛速度过快而陷入局部最优解，得到了较优的光伏电池辨识参数。
进一步的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，能够实现上述所述的光伏电池参数辨识方法。
综上，本发明通过水流优化算法判断可准确识别采用层流运动水流优化算法或者湍流运动水流优化算法，并且本发明采用该两种算法能够提高光伏电池参数的计算准确率和效率；本发明采用非线性自适应层流概率计算公式替代改进前算法中的常数，可使算法前期偏向于在全局搜索解的位置，后期更偏向于局部搜索最优解的准确值，从而可帮助水流优化算法精确定位最优解的位置；本发明采用改进圆混沌映射更新策略初始化水颗粒的分布，优化了水颗粒的空间分布，使水颗粒在解空间的分布更加均匀；本发明在层流运动中引入新型教学优化策略对水颗粒进行再度更新，大幅提高了水流优化算法的全局寻优能力，为最优解的搜寻奠定良好基础；本发明引入改进高斯正弦变异策略对水颗粒群进行再次更新，有助于水颗粒跳出局部最优解，避免水流优化算法因陷入局部最优解而过早收敛；另外，本发明对水流优化算法进行改进，提高了算法对复杂模型的适应能力。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种光伏电池参数辨识方法，其特征在于，包括：
步骤S1：建立光伏电池的三二极管等效电路模型，并根据所述三二极管等效电路模型确定所述光伏电池若干个待识别参数；
步骤S2：给定所述光伏电池的输出电压测量值和输出电流测量值，根据所述输出电压测量值和所述三二极管等效电路模型计算得到所述光伏电池的输出电流计算值；
步骤S3：确定所述输出电流计算值和所述输出电流测量值的均方差，并设定最小均方差为目标函数，以建立光伏电池优化模型；
步骤S4：采用改进水流优化算法求解所述光伏电池优化模型，以确定若干个所述待识别参数的最优解，实现对光伏电池参数的精准辨识。
2.如权利要求1所述的光伏电池参数辨识方法，其特征在于，所述三二极管等效电路模型包括：三个二极管、理想电流源、以及并联电阻和串联电阻，其中，所述理想电流源、所述三个二极管和所述并联电阻并联后，与所述串联电阻串联。
3.如权利要求2所述的光伏电池参数辨识方法，其特征在于，所述输出电流计算值采用如下公式表示：
Figure QLYQS_1
其中，
Figure QLYQS_3
为输出电流计算值，
Figure QLYQS_5
为理想电流源的输出电流值，
Figure QLYQS_7
为第
Figure QLYQS_8
个二极管的暗饱和电流，
Figure QLYQS_9
为输出电压测量值，
Figure QLYQS_10
为串联电阻，
Figure QLYQS_11
为第
Figure QLYQS_2
个二极管的理想因子，
Figure QLYQS_4
为热电压，
Figure QLYQS_6
为并联电阻，exp为指数函数。
4.如权利要求3所述的光伏电池参数辨识方法，其特征在于，所述光伏电池优化模型采用如下公式表示：
Figure QLYQS_12
Figure QLYQS_13
其中，
Figure QLYQS_14
为均方差，
Figure QLYQS_15
为数据的个数，
Figure QLYQS_16
为第
Figure QLYQS_17
时刻的光伏电池的输出电流计算值，
Figure QLYQS_18
为第
Figure QLYQS_19
时刻的光伏电池的输出电流测量值，min为取最小值函数。
5.如权利要求4所述的光伏电池参数辨识方法，其特征在于，所述步骤S4包括：
步骤S41：初始化改进水流优化算法；
步骤S42：通过所述改进水流优化算法对所述光伏电池优化模型进行循环迭代寻优，直至水流颗粒流向最低势能处，以确定各水流颗粒的适应度；
步骤S43：根据各水流颗粒的所述适应度确定出当前次迭代的最优水颗粒；
步骤S44：采用高斯正弦变异对水颗粒群进行更新；
步骤S45：判断当前迭代次数是否达到最大迭代次数，并在当前迭代次数达到最大迭代次数时，输出所述待识别参数的最优解，否则返回步骤S42。
6.如权利要求5所述的光伏电池参数辨识方法，其特征在于，所述步骤S42中，通过所述改进水流优化算法对所述光伏电池优化模型进行循环迭代寻优之前，所述方法还包括：对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断，对采用层流运动水流优化算法还是湍流运动水流优化算法进行判断的步骤，包括：
步骤S421：设置一0~1之间的随机数，并计算层流概率，所述层流概率采用如下公式表示：
Figure QLYQS_20
其中，
Figure QLYQS_21
为层流概率，
Figure QLYQS_22
为Morlet小波，
Figure QLYQS_23
，
Figure QLYQS_24
的可行域为
Figure QLYQS_25
；
步骤S422：判断所述随机数是否小于所述层流概率，所述随机数小于所述层流概率时，执行层流运动水流优化算法，所述随机数大于或等于所述层流概率时，执行湍流运动水流优化算法。
7.如权利要求6所述的光伏电池参数辨识方法，其特征在于，所述层流运动水流优化算法采用如下公式表示：
Figure QLYQS_26
其中，
Figure QLYQS_28
为第
Figure QLYQS_30
次迭代中层流更新后水颗粒的位置，
Figure QLYQS_31
为第
Figure QLYQS_32
次迭代中水颗粒的位置，
Figure QLYQS_33
，
Figure QLYQS_34
为水颗粒数量，
Figure QLYQS_35
为位移参数，取值0~1，矢量
Figure QLYQS_27
为所有水颗粒共同的移动方向，所述
Figure QLYQS_29
采用如下公式表示：
Figure QLYQS_36
其中，
Figure QLYQS_37
为第
Figure QLYQS_38
次迭代中的引导水颗粒，
Figure QLYQS_39
为当前次迭代中的其它水颗粒，
Figure QLYQS_40
为第
Figure QLYQS_41
次迭代中引导水颗粒的适应度，
Figure QLYQS_42
为第
Figure QLYQS_43
次迭代中其他水颗粒的适应度；
其中，在执行所述层流运动水流优化算法后，还引入新型教学优化策略对水颗粒进行再次更新，更新公式表示如下：
Figure QLYQS_44
其中，
Figure QLYQS_45
和
Figure QLYQS_46
分别为第
Figure QLYQS_47
个水颗粒更新前和更新后的位置，
Figure QLYQS_48
为随机数函数，
Figure QLYQS_49
为所有水颗粒适应度的平均值，
Figure QLYQS_50
为更新因子，所述更新因子采用如下公式表示：
Figure QLYQS_51
其中，
Figure QLYQS_52
为当前迭代次数，
Figure QLYQS_53
为最大迭代次数，
Figure QLYQS_54
为四舍五入函数。
8.如权利要求7所述的光伏电池参数辨识方法，其特征在于，所述湍流运动水流优化算法采用如下公式表示：
Figure QLYQS_55
其中，
Figure QLYQS_56
为
Figure QLYQS_57
维解中的任意一个分量，
Figure QLYQS_58
为不同水颗粒的选择系数，
Figure QLYQS_59
，
Figure QLYQS_60
为突变值，所述突变值采用如下公式表示：
Figure QLYQS_61
其中，
Figure QLYQS_69
为旋转变换，
Figure QLYQS_71
为层上移动变换，
Figure QLYQS_73
为第
Figure QLYQS_75
次迭代过程中第
Figure QLYQS_77
个水颗粒的任意一维分量，
Figure QLYQS_78
为第
Figure QLYQS_79
次迭代过程中第
Figure QLYQS_62
个水颗粒的任意一维分量,
Figure QLYQS_64
为第
Figure QLYQS_66
次迭代过程中第
Figure QLYQS_68
个水颗粒除去
Figure QLYQS_70
后的任意一维分量，
Figure QLYQS_72
，
Figure QLYQS_74
为随机选的水颗粒的另一维度，
Figure QLYQS_76
，
Figure QLYQS_63
为0~1之间的随机数，
Figure QLYQS_65
为涡流控制参数，
Figure QLYQS_67
；
其中，旋转变换公式表示如下：
Figure QLYQS_80
其中，
Figure QLYQS_81
为
Figure QLYQS_82
之间的随机数，
Figure QLYQS_83
为自适应动态移动参数，所述
Figure QLYQS_84
采用如下公式表示：
Figure QLYQS_85
层上移动变换公式表示如下：
Figure QLYQS_86
其中，
Figure QLYQS_87
为解的下界，
Figure QLYQS_88
为解的上界。
9.如权利要求8所述的光伏电池参数辨识方法，其特征在于，所述步骤S44采用如下公式进行更新：
Figure QLYQS_89
其中，
Figure QLYQS_91
为第
Figure QLYQS_92
次迭代中变异前水颗粒的位置，
Figure QLYQS_93
为第
Figure QLYQS_94
次迭代变异后水颗粒的位置，
Figure QLYQS_95
为高斯分布，
Figure QLYQS_96
为调节系数，
Figure QLYQS_97
为
Figure QLYQS_90
之间的随机数，所述调节系数采用如下公式表示：
Figure QLYQS_98
其中，
Figure QLYQS_99
为当前迭代过程中第
Figure QLYQS_100
个水颗粒与最优水颗粒的欧拉距离，高斯分布的概率密度函数采用如下公式表示：
Figure QLYQS_101
其中，
Figure QLYQS_102
为概率密度函数，
Figure QLYQS_103
为分布的平均值，
Figure QLYQS_104
为标准差。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-9中任一项所述的光伏电池参数辨识方法。
CN202310051660.1A 2023-02-02 2023-02-02 一种光伏电池参数辨识方法及存储介质 Active CN115828818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310051660.1A CN115828818B (zh) 2023-02-02 2023-02-02 一种光伏电池参数辨识方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310051660.1A CN115828818B (zh) 2023-02-02 2023-02-02 一种光伏电池参数辨识方法及存储介质

Publications (2)

Publication Number Publication Date
CN115828818A true CN115828818A (zh) 2023-03-21
CN115828818B CN115828818B (zh) 2023-05-16

Family

ID=85520709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310051660.1A Active CN115828818B (zh) 2023-02-02 2023-02-02 一种光伏电池参数辨识方法及存储介质

Country Status (1)

Country Link
CN (1) CN115828818B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959740A (zh) * 2018-06-20 2018-12-07 泰州隆基乐叶光伏科技有限公司 一种光伏电池及组件等效模型的建立方法
CN111814947A (zh) * 2020-06-30 2020-10-23 安徽大学 一种蝴蝶算法的优化实现方法
CN114444646A (zh) * 2022-01-21 2022-05-06 同济大学 一种基于改进多目标粒子群算法的函数测试方法
CN114638153A (zh) * 2022-02-18 2022-06-17 东北大学 光伏电池参数的辨识方法、装置、存储介质及电子设备
CN114818574A (zh) * 2022-03-10 2022-07-29 河海大学 光伏阵列双二极管七参数模型参数辨识方法
CN115115389A (zh) * 2022-03-11 2022-09-27 南京邮电大学 一种基于价值细分和集成预测的快递客户流失预测方法
CN115600503A (zh) * 2022-11-07 2023-01-13 湖北工业大学（Cn） 基于单纯形-模拟退火法的多结化合物电池模型参数优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959740A (zh) * 2018-06-20 2018-12-07 泰州隆基乐叶光伏科技有限公司 一种光伏电池及组件等效模型的建立方法
CN111814947A (zh) * 2020-06-30 2020-10-23 安徽大学 一种蝴蝶算法的优化实现方法
CN114444646A (zh) * 2022-01-21 2022-05-06 同济大学 一种基于改进多目标粒子群算法的函数测试方法
CN114638153A (zh) * 2022-02-18 2022-06-17 东北大学 光伏电池参数的辨识方法、装置、存储介质及电子设备
CN114818574A (zh) * 2022-03-10 2022-07-29 河海大学 光伏阵列双二极管七参数模型参数辨识方法
CN115115389A (zh) * 2022-03-11 2022-09-27 南京邮电大学 一种基于价值细分和集成预测的快递客户流失预测方法
CN115600503A (zh) * 2022-11-07 2023-01-13 湖北工业大学（Cn） 基于单纯形-模拟退火法的多结化合物电池模型参数优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DIAA SALAMA ABDELMINAAM ET AL.: "Turbulent Flow of Water-Based Optimization Using New Objective Function for Parameter Extraction of Six Photovoltaic Models" *
ESSAM H. HOUSSEIN ET AL.: "An efficient Manta Ray Foraging Optimization algorithm for parameter extraction of three-diode photovoltaic model" *
KAIPING LUO: "Water Flow Optimizer: A Nature-Inspired Evolutionary Algorithm for Global Optimization", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
迟晓妮;朱敏刚;吴秋轩;: "基于等效模型的全钒液流电池运行优化控制研究" *

Also Published As

Publication number Publication date
CN115828818B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN113572206B (zh) 一种风电出力区间预测方法
Askarzadeh et al. Artificial bee swarm optimization algorithm for parameters identification of solar cell models
Zhang et al. Genetic algorithm-trained radial basis function neural networks for modelling photovoltaic panels
Yu et al. The forecast of the electrical energy generated by photovoltaic systems using neural network method
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
Wang et al. Self-adaptive discrete grey model based on a novel fractional order reverse accumulation sequence and its application in forecasting clean energy power generation in China
CN107103154A (zh) 一种光伏组件模型参数辨识方法
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
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
Chen et al. Photovoltaic cells parameters extraction using variables reduction and improved shark optimization technique
CN110212592B (zh) 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统
Hassan et al. Parameters estimation of solar photovoltaic module using camel behavior search algorithm
Liu et al. Energy storage battery SOC estimate based on improved BP neural network
CN116862050A (zh) 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备
CN113408192B (zh) 基于ga-fsvr的智能电表误差预测方法
CN113033136B (zh) 简化的光伏电池物理参数提取优化方法及系统
Choulli et al. Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters
Bendib et al. Fuzzy-logic-based approach for organic solar cell parameters extraction
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
CN105633971A (zh) 一种基于帝国主义竞争算法的智能配电网随机潮流方法
CN115828818A (zh) 一种光伏电池参数辨识方法及存储介质
Koca et al. Using genetic algorithms for estimating Weibull parameters with application to wind speed
CN114137829B (zh) 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法
Weng et al. Boosted backtracking search optimization with information exchange for photovoltaic system evaluation

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