CN115828818B - 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 PDFInfo
- Publication number
- CN115828818B CN115828818B CN202310051660.1A CN202310051660A CN115828818B CN 115828818 B CN115828818 B CN 115828818B CN 202310051660 A CN202310051660 A CN 202310051660A CN 115828818 B CN115828818 B CN 115828818B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic cell
- water
- value
- optimization algorithm
- water flow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 181
- 238000005457 optimization Methods 0.000 claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 88
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 110
- 238000009826 distribution Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005381 potential energy Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000008187 granular material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:
其中,为输出电流计算值,为理想电流源的输出电流值,为第个二极管的暗饱和电流,为输出电压测量值,为串联电阻,为第个二极管的理想因子,为热电压,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:
其中,为均方差,为数据的个数,为第时刻的光伏电池的输出电流计算值,为第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:
其中,为层流概率,为Morlet小波,,的可行域为;
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:
其中,为第次迭代中层流更新后水颗粒的位置,为第次迭代中水颗粒的位置,,为水颗粒数量,为位移参数,取值0~1,矢量为所有水颗粒共同的移动方向,所述采用如下公式表示:
其中,为第次迭代中的引导水颗粒,为当前次迭代中的其它水颗粒,为第次迭代中引导水颗粒的适应度,为第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:
其中,和分别为第个水颗粒更新前和更新后的位置,为随机数函数,为所有水颗粒适应度的平均值,为更新因子,所述更新因子采用如下公式表示:
其中,为当前迭代次数,为最大迭代次数,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:
其中,为维解中的任意一个分量,为不同水颗粒的选择系数,,为突变值,所述突变值采用如下公式表示:
其中,为旋转变换,为层上移动变换,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒除去后的任意一维分量,,为随机选的水颗粒的另一维度,,为0~1之间的随机数,为涡流控制参数,;
其中,旋转变换公式表示如下:
其中,为之间的随机数,为自适应动态移动参数,所述采用如下公式表示:
层上移动变换公式表示如下:
其中,为解的下界,为解的上界。
可选的,所述步骤S44采用如下公式进行更新:
其中,为第次迭代中变异前水颗粒的位置,为第次迭代变异后水颗粒的位置,为高斯分布,为调节系数,为之间的随机数,所述调节系数采用如下公式表示:
其中,为当前迭代过程中第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:
其中,为概率密度函数,为分布的平均值,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、以及并联电阻和串联电阻,其中,理想电流源S、三个二极管D1、D2、D3和并联电阻并联后,与串联电阻串联。
其中,光伏输出电流计算值采用如下公式表示:
(1)
其中,为输出电流计算值,为理想电流源的输出电流值,为流过第个二极管的电流,为流过并联电阻的电流。
其中,流过二极管的电流采用如下公式表示:
(2)
其中,为第个二极管的暗饱和电流,为输出电压测量值,为串联电阻,为第个二极管的理想因子,为热电压,exp为指数函数,其中,采用如下公式表示:
(3)
其中,为波尔兹曼常数;为电池的绝对温度;为电子电荷,取值为。
其中,流过并联电阻的电流采用如下公式表示:
(4)
本实施例中,可确定的若干个待识别参数为、、、和。
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,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,输出电流计算值采用如下公式表示:
(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
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:
(6)
其中,为均方差,为数据的个数,为第时刻的光伏电池的输出电流计算值,为第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:
(7)
其中,、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、最大迭代次数、水流中水颗粒的数量。
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,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:
(8)
其中,为当前迭代过程中采用圆混沌映射策略更新后的第个水颗粒的位置,为随机生成的水颗粒,和为控制因子,其取值为,为取余函数,为形状参数,其计算公式如下:
(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:
(10)
其中,为层流概率,为Morlet小波,,的可行域为。
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:
(11)
其中,为第次迭代中层流更新后水颗粒的位置,为第次迭代中水颗粒的位置,,为水颗粒数量,为位移参数,取值0~1,矢量为所有水颗粒共同的移动方向,采用如下公式表示:
(12)
其中,为第次迭代中的引导水颗粒,为当前次迭代中的其它水颗粒,为第次迭代中引导水颗粒的适应度,为第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:
(13)
其中,和分别为第个水颗粒更新前和更新后的位置,为随机数函数,为所有水颗粒适应度的平均值,为更新因子,更新因子采用如下公式表示:
(14)
其中,为当前迭代次数,为最大迭代次数,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:
(15)
其中,为维解中的任意一个分量,为不同水颗粒的选择系数,,为突变值,突变值采用如下公式表示:
(16)
其中,为旋转变换,为层上移动变换,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒除去后的任意一维分量,,为随机选的水颗粒的另一维度,,为0~1之间的随机数,为涡流控制参数,;
其中,旋转变换公式表示如下:
(17)
其中,为之间的随机数,为自适应动态移动参数,可视为水颗粒所受到的剪切力,采用如下公式表示:
(18)
层上移动变换公式表示如下:
(19)
其中,为解的下界,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:
(20)
其中,为第次迭代过程中第个水颗粒的初始位置,为第次迭代过程中层流更新后第个水颗粒的适应度,为第次迭代过程中层流更新前第个水颗粒的适应度。
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:
(21)
其中,为第次迭代中变异前水颗粒的位置,为第次迭代变异后水颗粒的位置,为高斯分布,为调节系数,为之间的随机数,调节系数采用如下公式表示:
(22)
其中,为当前迭代过程中第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:
(23)
其中,为概率密度函数,为分布的平均值,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
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
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 (5)
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;
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;
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:
其中,为层流概率,为Morlet小波,,的可行域为;
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;
所述层流运动水流优化算法采用如下公式表示:
其中,为第次迭代中层流更新后水颗粒的位置,为第次迭代中水颗粒的位置,,为水颗粒数量,为位移参数,取值0~1,矢量为所有水颗粒共同的移动方向,所述采用如下公式表示:
其中,为第次迭代中的引导水颗粒的位置,为当前次迭代中的其它水颗粒的位置;
为第次迭代中引导水颗粒的适应度,为第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:
其中,和分别为第个水颗粒更新前和更新后的位置,为随机数函数,为所有水颗粒适应度的平均值,为更新因子,所述更新因子采用如下公式表示:
其中,为当前迭代次数,为最大迭代次数,为四舍五入函数;
所述湍流运动水流优化算法采用如下公式表示:
其中,为维解中的任意一个分量,为不同水颗粒的选择系数,,为突变值,所述突变值采用如下公式表示:
其中,为旋转变换,为层上移动变换,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒的任意一维分量,为第次迭代过程中第个水颗粒除去后的任意一维分量,,为随机选的水颗粒的另一维度,,为0~1之间的随机数,为涡流控制参数,;
其中,旋转变换公式表示如下:
其中,为之间的随机数,为自适应动态移动参数,所述采用如下公式表示:
层上移动变换公式表示如下:
其中,为解的下界,为解的上界;
步骤S44采用如下公式进行更新:
其中,为第次迭代中变异前水颗粒的位置,为第次迭代变异后水颗粒的位置,为高斯分布,为调节系数,为之间的随机数,所述调节系数采用如下公式表示:
其中,为当前迭代过程中第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:
其中,为概率密度函数,为分布的平均值,为标准差。
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:
其中,为输出电流计算值,为理想电流源的输出电流值,为第个二极管的暗饱和电流,为输出电压测量值,为串联电阻,为第个二极管的理想因子,为热电压,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:
其中,为均方差,为数据的个数,为第时刻的光伏电池的输出电流计算值,为第时刻的光伏电池的输出电流测量值,min为取最小值函数。
5.一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1-4中任一项所述的光伏电池参数辨识方法。
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 CN115828818A (zh) | 2023-03-21 |
CN115828818B true 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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (3)
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 |
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 |
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 |
-
2023
- 2023-02-02 CN CN202310051660.1A patent/CN115828818B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115828818A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113572206B (zh) | 一种风电出力区间预测方法 | |
Yu et al. | The forecast of the electrical energy generated by photovoltaic systems using neural network method | |
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 | |
Chuentawat et al. | The comparison of PM2. 5 forecasting methods in the form of multivariate and univariate time series based on support vector machine and genetic algorithm | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN115392139B (zh) | 一种燃料电池参数辨识方法 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
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 | |
Liu et al. | Energy storage battery SOC estimate based on improved BP neural network | |
Li et al. | Photovoltaic power prediction method for zero energy consumption buildings based on multi-feature fuzzy clustering and MAOA-ESN | |
El Marghichi et al. | A solar PV model parameters estimation based on an improved manta foraging algorithm with dynamic fitness distance balance | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115828818B (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 | |
CN112418504A (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN116454875A (zh) | 基于集群划分的区域风电场中期功率概率预测方法及系统 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
Weng et al. | Boosted backtracking search optimization with information exchange for photovoltaic system evaluation | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
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 | |
CN116090389A (zh) | 基于失效边缘采样的电路良率估计方法、预测系统 |
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 |