CN116956733A - 基于改进蜣螂算法的光伏电池模型参数辨识方法 - Google Patents
基于改进蜣螂算法的光伏电池模型参数辨识方法 Download PDFInfo
- Publication number
- CN116956733A CN116956733A CN202310934761.3A CN202310934761A CN116956733A CN 116956733 A CN116956733 A CN 116956733A CN 202310934761 A CN202310934761 A CN 202310934761A CN 116956733 A CN116956733 A CN 116956733A
- Authority
- CN
- China
- Prior art keywords
- dung
- photovoltaic cell
- model
- parameters
- algorithm
- 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
- 210000003608 fece Anatomy 0.000 title claims abstract description 139
- 241000254173 Coleoptera Species 0.000 title claims abstract description 135
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000002474 experimental method Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 35
- 230000000739 chaotic effect Effects 0.000 claims description 19
- 238000005096 rolling process Methods 0.000 claims description 19
- 230000002431 foraging effect Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 235000013601 eggs Nutrition 0.000 claims description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 7
- 241001229848 Aphodius granarius Species 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000017448 oviposition Effects 0.000 claims description 5
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000004459 forage Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000283153 Cetacea Species 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Hybrid Cells (AREA)
Abstract
本发明公开了基于改进蜣螂算法的光伏电池模型参数辨识方法,属于光伏发电技术领域。所述方法包括:1)通过实验采集实际光伏电池的输出电压和输出电流数据;2)建立光伏电池I‑V特性方程,确定待辨识参数;3)将光伏电池的实际电流和辨识模型得到的电流的均方差作为改进蜣螂算法寻优搜索的目标函数;4)设定算法的运行参数;5)运行改进蜣螂算法对光伏电池模型的未知参数进行辨识,通过最小化目标函数得到模型中未知参数的辨识估计值,将辨识估计值代入光伏电池模型中,构成光伏电池的辨识模型。本发明方法可替代传统光伏电池辨识方法,具有寻优精度高、收敛速度快、稳定性强等特点,也可推广到其他复杂模型的参数辨识中。
Description
技术领域
本发明涉及基于改进蜣螂算法的光伏电池模型参数辨识方法,属于光伏发电技术领域。
背景技术
工业革命之后,原油与煤炭、天然气是全球最主要的三大能源,化石能源含量的降低影响着全世界前进的脚步。如何实现全球能源供应可持续性发展道路是21世纪的主要挑战之一。能源需求的加大、全球气候的变化、能源的可靠性等促进以光伏发电为主的可再生能源技术的迅速发展。
光伏电池作为光伏发电系统的基础,同时也是核心部分,能否精确地辨识模型中的未知参数,影响到光伏系统的性能优化、故障检测、最大功率点跟踪控制等方面。因其建模后是非线性,未知参数多且求解困难,近些年来大量研究采用元启发式算法或其改进算法来辨识光伏电池及其组件的参数。群智能算法具有实现简单、鲁棒性强、全局寻优等优点,粒子群算法(Particle Swarm Optimization,PSO)、蚁群算法(Ant ColonyOptimization,ACO)、改进型共生生物搜索算法(Symbiotic Organisms Search,SOS)、萤火虫和模式搜索混合算法(Hybrid Firefly algorithm and Pattern Search Algorithm,HFAPS)等被应用于光伏电池参数辨识问题。但多数群智能算法存在着陷入局部最优、收敛精度低、收敛速度慢等不足,光伏参数辨识准确性有待进一步提高。
发明内容
为了提升光伏电池模型参数辨识方法的收敛速度、精度,提升辨识准确性,本发明提供了基于改进蜣螂算法的光伏电池模型参数辨识方法,包括:
步骤1:通过实验采集所述光伏电池模型的输出电压和输出电流数据;
步骤2:设置优化目标函数,分别建立光伏电池的单二极管模型、双二极管模型以及光伏组件模型,并确定各模型的待辨识参数;
步骤3:输入实验数据和待辨识各参数的取值范围,作为基于改进蜣螂算法的光伏电池模型参数辨识方法的已知条件;
步骤4:设置所述改进蜣螂算法的运行参数,包括种群数量N、最大迭代次数Tmax以及终止条件;
步骤5:利用所述改进蜣螂算法分别对光伏电池的单二极管模型、双二极管模型以及光伏组件模型中的待辨识参数进行辨识,并通过求解相应的优化问题,获得待辨识参数的估计值;
步骤6:将所述步骤5获得的待辨识参数估计值代入相应的光伏电池I-V特性方程中,得到光伏电池的辨识模型;
所述改进蜣螂算法采用Tent混沌映射初始化种群;并引入Levy飞行策略,更新蜣螂滚球行为时的个体位置;采用自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动。
可选的,所述步骤5包括:
步骤5-1:首先利用Tent混沌映射初始化种群,在参数寻优空间中随机生成D个不同的初始值[x01,x02,,x0D],其中D表示搜索维度,即待辨识参数个数;
然后,用Tent混沌映射公式进行N次混沌映射产生N行D列的初始化矩阵,其每一行表示一组光伏电池I-V特性方程的参数可行解,Tent混沌映射公式如下:
其中,u为(0,1)的随机数,当0<u<1,0≤xn<1时,系统处于混沌状态,初始化的蜣螂种群位置矩阵如下:
步骤5-2:改进蜣螂算法将每个蜣螂种群分为:滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂,一个蜣螂种群包括N个代理,每个代理表示一种候选的解决方案;第i个代理的位置向量由xi(t)=[xi1(t),xi2(t),,xiD(t)]表示,不同问题中,每种蜣螂的数量分布不同;
顺序执行滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂四个部分更新蜣螂的位置信息,当滚球蜣螂中随机数λ小于0.9时,按照改进后的滚球行为更新位置,公式如下:
xi(t+1)=xi(t)×Levy+α×k×xi(t-1)+b×Δx
式中,t为当前迭代次数,xi(t)表示第i只蜣螂在第t次迭代时的位置信息;k为(0,0.2)之间的常数,表示缺陷系数;b为(0,1)的常数;α为-1或1的自然系数;Δx为当前位置和全局最差位置的差值;
采用Levy飞行策略更新蜣螂滚球行为时的个体位置,Levy飞行策略公式如下:
式中,Γ为伽马函数,β为常数,r1,r2为(0,1)的随机数;
当随机数λ大于等于0.9且遇到障碍后偏移的角度时,按照跳舞行为更新位置:
xi(t+1)=xi(t)+tan(θ)|xi(t)-xi(t-1)|
式中,θ属于[0,π],否则位置不做更新;
蜣螂将粪球滚动到安全区域后进行隐藏,合适的产卵地点对于蜣螂后代来说至关重要,提出一种边界选择策略模拟雌性蜣螂的产卵区域:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1+R),Ub)
式中,X*为当前局部最佳位置;Lb*,Ub*分别为产卵区的下限和上限;表示动态选择因子;Lb,Ub分别为待辨识参数的下限和上限;
确定产卵区域后,每只雌性蜣螂每次产一枚卵,产卵的区域随迭代次数动态调整,卵球的位置也是动态变化的:
Bi(t+1)=X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*)
式中,Bi(t)表示第i个卵球在第t次迭代时的位置,b1,b2均为1×D的独立随机向量,D为待辨识参数的个数;
幼虫从卵中钻出后,需要限定最佳觅食区域引导小蜣螂觅食,最佳觅食区域的边界为:
Lbb=max(Xb×(1-R),Lb)
Ubb=min(Xb×(1+R),Ub)
式中,Lbb,Ubb分别为最佳觅食区域的下限和上限;Xb为全局最佳位置;
小蜣螂在觅食过程中位置的更新为:
xi(t+1)=xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
式中,C1为服从正态分布的随机数;C2为(0,1)的随机数;
经过滚球蜣螂、繁殖蜣螂、觅食蜣螂的位置更新后,偷窃作为一种竞争行为十分常见,用于优胜劣汰,偷窃蜣螂的位置更新为:
xi(t+1)=Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中,S为常数;g为服从正态分布的1×D随机向量;
步骤5-3:引入自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动,增强前期的全局开发能力和后期的局部探索能力,提高收敛速度和收敛精度,其位置更新为:
xi(t+1)=xi(t)+xi(t)×Tt(t)
式中,xi(t)×Tt(t)为随机扰动项;随着迭代次数的增加,t分布逐渐向高斯分布靠拢,收敛速度得到提升;
自适应t分布中随机扰动项的加入很大程度上提高了蜣螂算法的寻优性能,但是每个迭代个体都使用,不仅增加计算时间,而且无法发挥算法本身的特点。故采用动态选择概率p调节自适应t分布变异算子的使用,数学表达式为:
式中,w1为动态选择概率上限;w2为动态选择概率的变化幅度,选取部分蜣螂的位置进行扰动,提高搜索的速度;
步骤5-4:将更新后的蜣螂位置适应度最优值跟当前适应度比较,如果更优则代替原来蜣螂的位置,否则蜣螂位置保持不变;
步骤5-5:更新蜣螂种群,算法迭代次数t增加1,记录并更新种群最优值;
步骤5-6:重复步骤5-1、5-2、5-3、5-4、5-5,直到满足终止条件;
步骤5-7:将找到的历史最优解作为光伏电池I-V模型的辨识参数。
可选的,所述目标函数为:
其中,M为测试次数,f(VL,IL,x)表示光伏电池模型,IL和VL为实验采集的光伏电池输出电流和输出电压,x表示待辨识参数。
可选的,所述单二极管模型相应的I-V特性方程如下:
其中,Iph为光生电流;Isd为二极管反向饱和电流;q为电子电荷量;n为二极管理想因子;k为玻尔兹曼常数;T为光伏电池工作时的绝对温度;Rs和Rsh分别为等效串联电阻和并联电阻;待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
可选的,所述双二极管模型相应的I-V特性方程如下:
其中,Isd1和Isd2分别为二极管D1和D2的扩散电流和饱和电流,n1和n2分别为二极管D1和D2的理想因子;待辨识参数有七个,分别为Iph、Isd1、Isd2、n1、n2、Rs和Rsh。
可选的,所述光伏组件模型,相应的I-V特性方程如下:
其中,Np为并联电池数,Ns为串联电池数;待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
可选的,所述种群数量N=50。
可选的,所述最大迭代次数Tmax=2000。
可选的,所述随机数u=0.499。
可选的,所述步骤5-2中,k=0.1,b=0.3,β=1.5。
可选的,算法的终止条件为:运行次数达到最大迭代次数Tmax=2000,S=0.5。
可选的,所述步骤5-3中,w1=0.5、w2=0.1。
本发明有益效果是:
本发明基于蜣螂算法提出了一种光伏电池模型参数辨识方法,且针对本发明的应用场景,对传统蜣螂算法进行了改进。
针对基本算法的不足,本发明的改进蜣螂算法采用Tent混沌映射初始化种群,使初始解尽可能均匀分布在解空间内;引入Levy飞行策略,更新蜣螂滚球行为时的个体位置,跳出局部最优解,扩大搜索范围;采用自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动,在迭代前期具有较好的全局开发能力,在迭代后期具有良好的局部探索能力,并提高算法的收敛速度。
本发明将提出的IDBO在单二极管、双二极管和光伏组件上进行参数辨识,实验结果显示,本发明提出的基于改进蜣螂算法的光伏电池模型参数辨识方法,具有寻优精度高、收敛速度快、稳定性强的特点,同样也适用于其他复杂过程模型的参数辨识。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是光伏电池单二极管模型等效电路图。
图2是光伏电池双二极管模型等效电路图。
图3是光伏组件模型等效电路图。
图4为本发明改进蜣螂算法的光伏参数辨识方法的流程图。
图5为本发明光伏电池单二极管模型模拟数据和实际数据比较图。
图6为本发明光伏电池双二极管模型模拟数据和实际数据比较图。
图7为本发明光伏组件Photowatt-PWP 201模型模拟数据和实际数据比较图。
图8为本发明光伏组件Photowatt-PWP 201模型参数辨识收敛图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于改进蜣螂算法的光伏电池模型参数辨识方法,包括:
步骤1:通过实验采集光伏电池模型的输出电压和输出电流数据;
步骤2:设置优化目标函数,分别建立光伏电池的单二极管模型、双二极管模型以及光伏组件模型,并确定各模型的待辨识参数;
步骤3:输入实验数据和待辨识各参数的取值范围,作为基于改进蜣螂算法的光伏电池模型参数辨识方法的已知条件;
步骤4:设置改进蜣螂算法的运行参数,包括种群数量N、最大迭代次数Tmax以及终止条件;
步骤5:利用改进蜣螂算法分别对光伏电池的单二极管模型、双二极管模型以及光伏组件模型中的待辨识参数进行辨识,并通过求解相应的优化问题,获得待辨识参数的估计值;
步骤6:将步骤5获得的待辨识参数估计值代入相应的光伏电池I-V特性方程中,得到光伏电池的辨识模型;
改进蜣螂算法采用Tent混沌映射初始化种群;并引入Levy飞行策略,更新蜣螂滚球行为时的个体位置;采用自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动。
实施例二:
本实施例提供基于改进蜣螂算法的光伏电池模型参数辨识方法,本实施例中的光伏电池模型为图1所示的光伏电池单二极管模型,图2所示的光伏电池双二极管模型,图3所示的光伏组件模型。
(1)单二极管模型,相应的I-V特性方程如下:
其中,IL和VL为实验采集的光伏电池输出电流和输出电压;Iph为光生电流;Isd为二极管反向饱和电流;q为电子电荷量(1.60217646×10-19C);n为二极管理想因子;k为玻尔兹曼常数(1.3806503×10-23J/K);T为光伏电池工作时的绝对温度;Rs和Rsh分别为等效串联电阻和并联电阻。待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
(2)双二极管模型,相应的I-V特性方程如下:
其中,Isd1和Isd2分别为二极管D1和D2的扩散电流和饱和电流,n1和n2分别为二极管D1和D2的理想因子。待辨识参数有七个,分别为Iph、Isd1、Isd2、n1、n2、Rs和Rsh。
(3)光伏组件模型,相应的I-V特性方程如下:
其中,Np为并联电池数,Ns为串联电池数。待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
在模型中,待辨识的参数均可由样本数据估计。
光伏电池模型参数估计的方法步骤如图4所示,具体的步骤如下:
步骤1:通过实验测定光伏电池单二极管模型、光伏电池双二极管模型26组光伏电池数据和光伏组件模型25组光伏电池数据,包括IL、VL、T。本实施教程数据来自文献:Easwarakhanthan T,Bottin J,Bouhouch J,et al.Nonlinear Minimization Algorithmfor Determining the Solar Cell Parameters with Microcomputers[J].International Journal of Solar Energy,1986,4:1-12。
步骤2:设置优化目标函数为:
其中,M为测试次数,单二极管和光伏组件模型中x={Iph、Isd、n、Rs、Rsh},双二极管模型中x={Iph、Isd1、Isd2、n1、n2、Rs、Rsh},f(VL,IL,x)由下式给出:
光伏电池单二极管模型:
光伏电池双二极管模型:
光伏组件模型:
将RMSE函数代入改进蜣螂算法寻优搜索。
步骤3:输入实验数据和待辨识各参数的取值范围,作为基于改进蜣螂算法的光伏电池模型参数辨识方法的已知条件。
步骤4:设置改进蜣螂算法的运行参数,包括种群数量N=50、最大迭代次数Tmax。
步骤5:运行改进蜣螂算法分别对光伏电池的单二极管模型、双二极管模型以及光伏组件模型中的待辨识参数进行辨识,并通过求解相应的优化问题,获得待辨识参数的估计值。
步骤6:将步骤5获得的待辨识参数估计值代入相应的光伏电池I-V特性方程中,得到光伏电池的辨识模型。
上述步骤5可具体为:
步骤5-1:首先,利用Tent混沌映射初始化种群,在参数寻优空间中随机生成D个不同的初始值[x01,x02,,x0D],其中D表示搜索维度,即待辨识参数个数。然后,用Tent混沌映射公式进行N次混沌映射产生N行D列的初始化矩阵,其每一行表示一组光伏电池I-V特性方程的参数可行解。Tent混沌映射公式如下:
当0<u<1,0≤xn<1时,系统处于混沌状态,初始化的蜣螂种群位置矩阵如下:
步骤5-2:改进蜣螂算法将每个蜣螂种群分为4个部分,即滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂。一个蜣螂种群包括N个代理,每个代理表示一种候选的解决方案。第i个代理的位置向量由xi(t)=[xi1(t),xi2(t),,xiD(t)]表示。不同问题中,每种蜣螂的数量分布不同。
顺序执行滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂四个部分更新蜣螂的位置信息。当滚球蜣螂中随机数λ小于0.9时,按照改进后的滚球行为更新位置,公式如下:
xi(t+1)=xi(t)×Levy+α×k×xi(t-1)+b×Δx
式中,t为当前迭代次数,xi(t)表示第i只蜣螂在第t次迭代时的位置信息;k表示缺陷系数;α为-1或1的自然系数;Δx为当前位置和全局最差位置的差值。
Levy飞行策略公式如下:
式中,Γ为伽马函数,r1,r2为(0,1)的随机数。
当随机数λ大于等于0.9且遇到障碍后偏移的角度时,按照跳舞行为更新位置:
xi(t+1)=xi(t)+tan(θ)|xi(t)-xi(t-1)|
式中,θ属于[0,π],否则位置不做更新。
蜣螂将粪球滚动到安全区域后进行隐藏,合适的产卵地点对于蜣螂后代来说至关重要,提出一种边界选择策略模拟雌性蜣螂的产卵区域:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1+R),Ub)
式中,X*为当前局部最佳位置;Lb*,Ub*分别为产卵区的下限和上限;表示动态选择因子;Lb,Ub分别为待辨识参数的下限和上限。
确定产卵区域后,每只雌性蜣螂每次产一枚卵。产卵的区域随迭代次数动态调整,卵球的位置也是动态变化的:
Bi(t+1)=X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*)
式中,Bi(t)表示第i个卵球在第t次迭代时的位置,b1,b2均为1×D的独立随机向量,D为待辨识参数的个数。
幼虫从卵中钻出后,需要限定最佳觅食区域引导小蜣螂觅食,最佳觅食区域的边界为:
Lbb=max(Xb×(1-R),Lb)
Ubb=min(Xb×(1+R),Ub)
式中,Lbb,Ubb分别为最佳觅食区域的下限和上限;Xb为全局最佳位置。
小蜣螂在觅食过程中位置的更新为:
xi(t+1)=xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
式中,C1为服从正态分布的随机数;C2为(0,1)的随机数。
经过滚球蜣螂、繁殖蜣螂、觅食蜣螂的位置更新后,偷窃作为一种竞争行为十分常见,用于优胜劣汰,偷窃蜣螂的位置更新为:
xi(t+1)=Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中,g为服从正态分布的1×D随机向量。
步骤5-3:引入自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动,增强前期的全局开发能力和后期的局部探索能力,提高收敛速度和收敛精度,其位置更新为:
xi(t+1)=xi(t)+xi(t)×Tt(t)
式中,xi(t)×Tt(t)为随机扰动项。随着迭代次数的增加,t分布逐渐向高斯分布靠拢,收敛速度得到提升。
自适应t分布中随机扰动项的加入很大程度上提高了蜣螂算法的寻优性能,但是每个迭代个体都使用,不仅增加计算时间,而且无法发挥算法本身的特点。故采用动态选择概率p调节自适应t分布变异算子的使用,数学表达式为:
式中,w1为动态选择概率上限;w2为动态选择概率的变化幅度。选取部分蜣螂的位置进行扰动,提高搜索的速度。
步骤5-4:将更新后的蜣螂位置适应度最优值跟当前适应度比较,如果更优则代替原来蜣螂的位置,否则蜣螂位置保持不变;
步骤5-5:更新蜣螂种群,算法迭代次数t增加1,记录并更新种群最优值;
步骤5-6:重复步骤5-1、5-2、5-3、5-4、5-5,直到满足终止条件;
步骤5-7:将找到的历史最优解作为光伏电池I-V模型的辨识参数。
根据上述方法,得到光伏电池单二极管模型的参数估计值如表1所示,光伏电池双二极管模型的参数估计值如表2所示,光伏组件模型的参数估计值如表3所示。
表1改进蜣螂算法(IDBO)的光伏电池单二极管模型参数估计值
表2改进蜣螂算法(IDBO)的光伏电池双二管模型参数估计值
表3改进蜣螂算法(IDBO)的光伏组件模型参数估计值
将IDBO跟其他算法进行对比,包括灰狼算法(Gray Wolf OptimizationAlgorithm,GWO)、正余弦算法(Sine-Cosine Algorithm,SCA)、鲸鱼算法(WhaleOptimization Algorithm,WOA)、飞蛾扑火算法(Moth Flame Optimization Algorithm,MFO)、蜣螂算法(Dung Betle Otimization Agorithm,DBO)。单二极管模型、双二极管模型、光伏组件模型的比较结果分别见表4、表5和表6。
表4不同算法辨识光伏单二极管模型参数对比
表5不同算法辨识光伏双二极管模型参数对比
表6不同算法辨识光伏组件模型参数对比
RMSE是优化目标函数,从表4、表5可以看出,针对同样的实验,本发明采用改进蜣螂算法辨识参数的光伏电池I-V模型具有更高的精确度;从表6可以看出,MFO、DBO、IDBO均取得最优的值,但从图8可以看出,IDBO相较于MFO和DBO收敛速度更快。
将改进蜣螂算法估计的参数代入光伏模型中,得到响应的I-V和P-V辨识模型,如图5、6、7所示。结果显示,本发明提出的改进蜣螂算法的光伏电池模型参数辨识方法,在测量电压范围内,模拟得到的电流值和实际数据高度一致,表明本发明可以准确描述实际特性。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏电池模型参数辨识方法,其特征在于,所述方法包括:
步骤1:通过实验采集所述光伏电池模型的输出电压和输出电流数据;
步骤2:设置优化目标函数,分别建立光伏电池的单二极管模型、双二极管模型以及光伏组件模型,并确定各模型的待辨识参数;
步骤3:输入实验数据和待辨识各参数的取值范围,作为基于改进蜣螂算法的光伏电池模型参数辨识方法的已知条件;
步骤4:设置所述改进蜣螂算法的运行参数,包括种群数量N、最大迭代次数Tmax以及终止条件;
步骤5:利用所述改进蜣螂算法分别对光伏电池的单二极管模型、双二极管模型以及光伏组件模型中的待辨识参数进行辨识,并通过求解相应的优化问题,获得待辨识参数的估计值;
步骤6:将所述步骤5获得的待辨识参数估计值代入相应的光伏电池I-V特性方程中,得到光伏电池的辨识模型;
所述改进蜣螂算法采用Tent混沌映射初始化种群;并引入Levy飞行策略,更新蜣螂滚球行为时的个体位置;采用自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动。
2.根据权利要求1所述的光伏电池模型参数辨识方法,其特征在于,所述步骤5包括:
步骤5-1:首先利用Tent混沌映射初始化种群,在参数寻优空间中随机生成D个不同的初始值[x01,x02,…,x0D],其中D表示搜索维度,即待辨识参数个数;
然后,用Tent混沌映射公式进行N次混沌映射产生N行D列的初始化矩阵,其每一行表示一组光伏电池I-V特性方程的参数可行解,Tent混沌映射公式如下:
其中,u为(0,1)的随机数,当0<u<1,0≤xn<1时,系统处于混沌状态,初始化的蜣螂种群位置矩阵如下:
步骤5-2:改进蜣螂算法将每个蜣螂种群分为:滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂,一个蜣螂种群包括N个代理,每个代理表示一种候选的解决方案;第i个代理的位置向量由xi(t)=[xi1(t),xi2(t),…,xiD(t)]表示,不同问题中,每种蜣螂的数量分布不同;
顺序执行滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂四个部分更新蜣螂的位置信息,当滚球蜣螂中随机数λ小于0.9时,按照改进后的滚球行为更新位置,公式如下:
xi(t+1)=xi(t)×Levy+α×k×xi(t-1)+b×Δx
式中,t为当前迭代次数,xi(t)表示第i只蜣螂在第t次迭代时的位置信息;k为(0,0.2)之间的常数,表示缺陷系数;b为(0,1)的常数;α为-1或1的自然系数;Δx为当前位置和全局最差位置的差值;
采用Levy飞行策略更新蜣螂滚球行为时的个体位置,Levy飞行策略公式如下:
式中,Γ为伽马函数,β为常数,r1,r2为(0,1)的随机数;
当随机数λ大于等于0.9且遇到障碍后偏移的角度时,按照跳舞行为更新位置:
xi(t+1)=xi(t)+tan(θ)|xi(t)-xi(t-1)|
式中,θ属于[0,π],否则位置不做更新;
蜣螂将粪球滚动到安全区域后进行隐藏,合适的产卵地点对于蜣螂后代来说至关重要,提出一种边界选择策略模拟雌性蜣螂的产卵区域:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1+R),Ub)
式中,X*为当前局部最佳位置;Lb*,Ub*分别为产卵区的下限和上限;表示动态选择因子;Lb,Ub分别为待辨识参数的下限和上限;
确定产卵区域后,每只雌性蜣螂每次产一枚卵,产卵的区域随迭代次数动态调整,卵球的位置也是动态变化的:
Bi(t+1)=X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*)
式中,Bi(t)表示第i个卵球在第t次迭代时的位置,b1,b2均为1×D的独立随机向量,D为待辨识参数的个数;
幼虫从卵中钻出后,需要限定最佳觅食区域引导小蜣螂觅食,最佳觅食区域的边界为:
Lbb=max(Xb×(1-R),Lb)
Ubb=min(Xb×(1+R),Ub)
式中,Lbb,Ubb分别为最佳觅食区域的下限和上限;Xb为全局最佳位置;
小蜣螂在觅食过程中位置的更新为:
xi(t+1)=xi(t)+C1×(xi(t)-Lbb)+C2×(xi(t)-Ubb)
式中,C1为服从正态分布的随机数;C2为(0,1)的随机数;
经过滚球蜣螂、繁殖蜣螂、觅食蜣螂的位置更新后,偷窃作为一种竞争行为十分常见,用于优胜劣汰,偷窃蜣螂的位置更新为:
xi(t+1)=Xb+S×g×(|xi(t)-X*|+|xi(t)-Xb|)
式中,S为常数;g为服从正态分布的1×D随机向量;
步骤5-3:引入自适应t分布和动态选择策略,以迭代次数为t分布的自由度参数对蜣螂位置进行扰动,增强前期的全局开发能力和后期的局部探索能力,提高收敛速度和收敛精度,其位置更新为:
xi(t+1)=xi(t)+xi(t)×Tt(t)
式中,xi(t)×Tt(t)为随机扰动项;随着迭代次数的增加,t分布逐渐向高斯分布靠拢,收敛速度得到提升;
自适应t分布中随机扰动项的加入很大程度上提高了蜣螂算法的寻优性能,但是每个迭代个体都使用,不仅增加计算时间,而且无法发挥算法本身的特点。故采用动态选择概率p调节自适应t分布变异算子的使用,数学表达式为:
式中,w1为动态选择概率上限;w2为动态选择概率的变化幅度,选取部分蜣螂的位置进行扰动,提高搜索的速度;
步骤5-4:将更新后的蜣螂位置适应度最优值跟当前适应度比较,如果更优则代替原来蜣螂的位置,否则蜣螂位置保持不变;
步骤5-5:更新蜣螂种群,算法迭代次数t增加1,记录并更新种群最优值;
步骤5-6:重复步骤5-1、5-2、5-3、5-4、5-5,直到满足终止条件;
步骤5-7:将找到的历史最优解作为光伏电池I-V模型的辨识参数。
3.根据权利要求2所述的光伏电池模型参数辨识方法,其特征在于,所述目标函数为:
其中,M为测试次数,f(VL,IL,x)表示光伏电池模型,IL和VL为实验采集的光伏电池输出电流和输出电压,x表示待辨识参数。
4.根据权利要求3所述的光伏电池模型参数辨识方法,其特征在于,所述单二极管模型相应的I-V特性方程如下:
其中,Iph为光生电流;Isd为二极管反向饱和电流;q为电子电荷量;n为二极管理想因子;k为玻尔兹曼常数;T为光伏电池工作时的绝对温度;Rs和Rsh分别为等效串联电阻和并联电阻;待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
5.根据权利要求3所述的光伏电池模型参数辨识方法,其特征在于,所述双二极管模型相应的I-V特性方程如下:
其中,Isd1和Isd2分别为二极管D1和D2的扩散电流和饱和电流,n1和n2分别为二极管D1和D2的理想因子;待辨识参数有七个,分别为Iph、Isd1、Isd2、n1、n2、Rs和Rsh。
6.根据权利要求3所述的光伏电池模型参数辨识方法,其特征在于,所述光伏组件模型,相应的I-V特性方程如下:
其中,Np为并联电池数,Ns为串联电池数;待辨识参数有五个,分别为Iph、Isd、n、Rs和Rsh。
7.根据权利要求1所述的光伏电池模型参数辨识方法,其特征在于,所述种群数量N=50。
8.根据权利要求1所述的光伏电池模型参数辨识方法,其特征在于,所述最大迭代次数Tmax=2000。
9.根据权利要求2所述的光伏电池模型参数辨识方法,其特征在于,所述随机数u=0.499。
10.根据权利要求2所述的光伏电池模型参数辨识方法,其特征在于,所述步骤5-2中,k=0.1,b=0.3,β=1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934761.3A CN116956733A (zh) | 2023-07-27 | 2023-07-27 | 基于改进蜣螂算法的光伏电池模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310934761.3A CN116956733A (zh) | 2023-07-27 | 2023-07-27 | 基于改进蜣螂算法的光伏电池模型参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956733A true CN116956733A (zh) | 2023-10-27 |
Family
ID=88460132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310934761.3A Pending CN116956733A (zh) | 2023-07-27 | 2023-07-27 | 基于改进蜣螂算法的光伏电池模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742976A (zh) * | 2024-02-20 | 2024-03-22 | 广东省科技基础条件平台中心 | 一种基于蜣螂优化算法的共识节点选择方法 |
-
2023
- 2023-07-27 CN CN202310934761.3A patent/CN116956733A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742976A (zh) * | 2024-02-20 | 2024-03-22 | 广东省科技基础条件平台中心 | 一种基于蜣螂优化算法的共识节点选择方法 |
CN117742976B (zh) * | 2024-02-20 | 2024-05-24 | 广东省科技基础条件平台中心 | 一种基于蜣螂优化算法的共识节点选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Orthogonally adapted Harris hawks optimization for parameter estimation of photovoltaic models | |
Ridha et al. | Boosted mutation-based Harris hawks optimizer for parameters identification of single-diode solar cell models | |
CN109635506B (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
CN112380765B (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
CN114969995B (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN116956733A (zh) | 基于改进蜣螂算法的光伏电池模型参数辨识方法 | |
Guedes et al. | Performance analysis of metaheuristic optimization algorithms in estimating the parameters of several wind speed distributions | |
CN109961173A (zh) | 一种用于分布式电源发电功率的智能预测方法 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN106786499B (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN115169517A (zh) | 一种改进的灰狼优化算法的方法 | |
CN114706445A (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
El Marghichi et al. | A solar PV model parameters estimation based on an improved manta foraging algorithm with dynamic fitness distance balance | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN110322050B (zh) | 一种风能资源数据补偿方法 | |
CN117217374A (zh) | 基于dbo-elm的短期风电功率预测方法 | |
CN116526478A (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 | |
CN111967670A (zh) | 一种基于改进灰狼算法的开关柜局放数据识别方法 | |
CN111126458A (zh) | 基于小样本的数据增强及神经网络对抗训练方法 | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
Weng et al. | Boosted backtracking search optimization with information exchange for photovoltaic system evaluation | |
Kezban et al. | Parameter extraction of photovoltaic models by honey badger algorithm and wild horse optimizer | |
Wang et al. | Wind power day-ahead prediction based on LSSVM with fruit fly optimization algorithm |
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 |