CN117610314B - 光伏组件建模方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例提供一种光伏组件建模方法、装置、设备及存储介质，该方法包括：采集光伏组件对应的第一工况数据，第一工况数据包括光伏组件对应的环境信息以及光伏组件对应的输出功率，确定光伏组件物理模型，光伏组件物理模型用于表征光伏组件在不同环境状况下对应的输出功率。根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值。根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型，这样可以构建出更精准的光伏组件仿真模型。

Description

光伏组件建模方法、装置、设备及存储介质

技术领域

本发明涉及自动化领域，尤其涉及一种光伏组件建模方法、装置、设备及存储介质。

背景技术

光伏组件被广泛应用于各个应用场景中，光伏组件是利用太阳能发电的核心部件，利用光伏组件中的光伏电池将太阳能转换成电能供电。其中，光伏组件中的多个光伏电池的转化效率作为影响将太阳能转换为电能的直接因素。多个光伏电池的输出功率与工作环境中的辐照度、光伏组件温度等因素呈现非线性变化的关系，那么当工作环境中的辐照度等环境因素发生变化时，光伏组件的最大功率点也会发生明显的漂移，进而影响光伏组件的工作性能。

那么为了获知光伏组件在各个工作环境下对应的工作性能，可以对其光伏组件进行建模，以使用构建的光伏组件仿真模型来预测光伏组件的工作状态，以根据光伏组件的工作状态追踪光伏组件最大功率点、对光伏组件进行故障检测、及时调整发电系统等。因此，提供亟需构建一种准确高效可靠的光伏组件仿真模型。

发明内容

有鉴于此，本发明实施例提供一种光伏组件建模方法、装置、设备及存储介质，用以构建精准地光伏组件仿真模型，使得光伏组件仿真模型可以更好地反映光伏组件的真实工作性能。

第一方面，本发明实施例提供一种光伏组件建模方法，所述方法包括：

采集光伏组件对应的第一工况数据，所述第一工况数据包括所述光伏组件对应的环境信息以及所述光伏组件对应的输出功率；

确定光伏组件物理模型，所述光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率；

根据所述第一工况数据，对所述光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得所述多个光伏组件参数各自对应的目标参数值，所述光伏组件参数用于描述所述光伏组件在各个工况下的工作状态；

根据所述多个光伏组件参数各自对应的目标参数值以及所述光伏组件物理模型，构建光伏组件仿真模型，所述光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，所述光伏组件仿真模型的输出为当前工况下所述光伏组件的输出功率。

第二方面，本发明实施例提供一种光伏组件建模装置，所述装置包括：

数据采集模块，用于采集光伏组件对应的第一工况数据，所述第一工况数据包括所述光伏组件对应的环境信息以及所述光伏组件对应的输出功率，所述环境信息包括多个环境特征数据；

物理模型确定模块，用于确定光伏组件物理模型，所述光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率；

参数确定模块，用于根据所述第一工况数据，对所述光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得所述多个光伏组件参数各自对应的目标参数值，所述光伏组件参数用于描述所述光伏组件在各个工况下的工作状态；

仿真模型构建模块，用于根据所述多个光伏组件参数各自对应的目标参数值以及所述光伏组件物理模型，构建光伏组件仿真模型，所述光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，所述光伏组件仿真模型的输出为当前工况下所述光伏组件的输出功率。

第三方面，本发明实施例还提供一种电子设备，包括：存储器和处理器；存储器，用于存储计算机程序；处理器，与存储器耦合，用于执行计算机程序，以实现本发明实施例提供的光伏组件建模方法中的各步骤。

第四方面，本发明实施例还提供一种存储有计算机程序的计算机可读存储介质，当计算机程序被处理器执行时，致使处理器实现本发明实施例提供的光伏组件建模方法中的各步骤。

本发明实施例提供的光伏组件建模方案，确定与光伏组件匹配的光伏组件物理模型，并将光伏组件物理模型作为光伏组件仿真模型的模型结构，以当前工况下光伏组件对应的环境信息为输入，以当前工况下光伏组件的输出功率为输出，构建光伏组件仿真模型。具体的，首先采集光伏组件对应的第一工况数据，第一工况数据包括光伏组件对应的环境信息以及光伏组件对应的输出功率。接着，确定光伏组件物理模型，光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率。而后，根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，光伏组件参数用于描述光伏组件在各个工况下的工作状态。最后，根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型。其中，光伏组件仿真模型的输入为当前工况下光伏组件对应的环境信息，光伏组件仿真模型的输出为当前工况下光伏组件的输出功率。

在上述方案中，根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，不仅可以快速确定出多个光伏组件参数对应的目标参数值，还可以使得确定出的多个光伏组件参数各自对应的目标参数值更符合实际工况情况，进而可以基于多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建出更精准的光伏组件仿真模型，以使得构建出的光伏组件仿真模型可以更好地仿真出光伏组件在各个环境状况下对应的最大输出功率，以便利用最大输出功率优化光伏电站的发电效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的光伏组件建模方法的流程示意图；

图2为本发明实施例提供的一种确定多个光伏组件各自对应的目标参数值的的流程示意图；

图3为本发明实施例提供的一种利用遗传算法确定多个光伏组件参数各自对应的目标参数值的流程示意图；

图4为本发明实施例提供的另一种光伏组件建模方法的流程示意图；

图5为本发明实施例提供的一种光伏组件仿真模型的结构示意图；

图6为本发明实施例提供的一种光伏组件建模方法的应用示意图；

图7为本发明实施例提供的一种光伏组件建模装置的结构示意图；

图8为本发明示例性实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

为了便于理解本发明的技术方案，下面对相关技术进行简要说明：

光伏组件被广泛应用于各个应用场景中，光伏组件是利用太阳能发电的核心部件，利用光伏组件中的光伏电池将太阳能转换成电能供电。对光伏组件进行精准建模，对于优化光伏电站的发电效率具有重要作用。光伏组件通常工作在恶劣的户外环境中，其工作易受到热循环、湿度，紫外线，风激振等各种环境因素的影响，并且各种环境也会使得导致材料的局部老化、性能下降、裂纹等故障，极大地影响光伏组件地电气特性，进而影响光伏电站的发电效率。

因此，对光伏组件进行精确建模对于优化光伏电站的发电效率、对光伏组件最大功率点追踪，故障检测等具有重要作用。

传统的光伏组件建模技术中提供了以下几种实现方式：

实现方式一，通过确定光伏组件对应的等效电路，以基于等效电路的白盒模型，建立光伏组件仿真模型。

具体的，将光伏组件等效为单/双二极管模型，单/双二极管模型通过I-V特性曲线确定光伏组件对应的等效电路等式，基于等效电路等式确定拟合曲线与实测曲线之间均方根误差最小时，确定内部的参数对应的最优参数，然后将所得到的最优参数代入以得到其准确的光伏模型。

然而，这种方法基于光伏组件出厂的输出特性来求解最大功率点的未知参数，但是工程应用环境并不一定能够达到出厂特性所要求的标准测试条件，那么构建的光伏组件仿真模型无法很好地满足实际工程应用需要。另外，其模型的准确性极大的依赖于公式内部的参数数值，而这些参数极易受环境因素的影响。因此，要想获得各个工况下的准确模型，要对各个工况下的I-V特性曲线进行参数提取，造成了光伏建模的繁琐和低效。并且，对实际使用中的不同工况建立了复杂的模型，利用光伏体系中丰富的传感器所采集的数据在白箱模型中引入了更多参数，过于复杂的模型增加了在线计算复杂度，丧失了模型的鲁棒性。

实现方式二，基于数据驱动的光伏组件黑箱建模技术，建立光伏组件仿真模型。

通过使用神经网络模型，将非均匀光照下的光伏组件对应的最大功率点跟踪问题抽象为一个多峰的函数逼近问题，从而确定出最大功率点所对应的电压值。然而，基于神经网络模型构建的光伏组件模型需要大量的实际工况下的数据对模型进行训练，并且，光伏组件黑箱建模方法获得的光伏组件模型的性能受训练数据的影响较大，不仅对训练数据的质量要求高，而且需要大量的数据对模型进行训练。此外，光伏组件黑箱建模方法缺乏物理理论知识作为支撑，模型的可解释性差且难以平衡准确性与泛化性。

为了解决上述技术问题，本发明实施例中提供了一种新的光伏组件建模方法，确定光伏组件物理模型，以光伏组件物理模型作为光伏组件仿真模型的模型结构，根据光伏组件的实际工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以确定多个光伏组件参数对应的最优参数值，这样不仅可以使得获得的光伏组件仿真模型具有可解释性，还可以获得准确性更高的光伏组件仿真模型。另外，根据光伏组件的实际工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，不仅可以快速确定出多个光伏组件参数对应的目标参数值，还可以使得确定出的多个光伏组件参数各自对应的目标参数值更符合实际工况情况，进而提高光伏组件仿真模型的实用性。

下面结合附图，对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

图1为本发明实施例提供的光伏组件建模方法的流程示意图；参考附图1所示，该方法的执行主体可以为光伏组件建模装置，可以理解的是，该控制装置可以实现为软件、或者软件和硬件的组合。具体的，该光伏组件建模方法可以包括如下步骤：

101、采集光伏组件对应的第一工况数据，第一工况数据包括光伏组件对应的环境信息以及光伏组件对应的输出功率。

102、确定光伏组件物理模型，光伏组件物理模型用于表征光伏组件在不同环境状况下对应的输出功率。

103、根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，光伏组件参数用于描述光伏组件在各个工况下的工作状态。

104、根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型，光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，光伏组件仿真模型的输出为当前工况下光伏组件的输出功率。

在构建光伏组件仿真模型时，可以先采集光伏组件对应的第一工况数据。其中，第一工况数据是指光伏组件在各个实际工况下获得的历史数据。具体的，第一工况数据可以包括光伏组件对应的环境信息以及光伏组件对应的输出功率，环境信息包括多个环境特征数据，该环境特征数据用于用于表征光伏组件的工作环境，例如环境特征数据为光伏组件工作环境中的阳光辐照度、风速、光伏组件的温度等，在本发明实施例中，对第一工况数据中所包括的数据类型以及数据量不做限定，可以根据实际情况进行设定。

接着，确定光伏组件对应的光伏组件物理模型。其中，光伏组件物理模型用于表征光伏组件在不同环境状况下对应的输出功率，并且可以以光伏组件工作环境对应的环境信息为输入，以光伏组件在当前工作环境下对应的输出功率为光伏组件物理模型的输出，以确定光伏组件在不同环境状态下对应的输出功率。也就是说，在本发明实施例中，可以根据光伏组件在不同环境状况下对应的输出功率以预测光伏组件当前的工作状态或工作性能。

其中，光伏组件物理模型可以为单二极管电路、双二极管电路、经验公式等物理模型。单二极管电路模型分为单二极管三参数模型、单二极管四参数模型、单二极管五参数模型等。经验公式物理模型中的经验公式可以为。其中，/>是指光伏组件的输出功率，/>是指光伏组件工作环境中的阳光辐照度，/>是光伏组件的面积，/>是光伏组件的电池光伏发电的效率，/>是由环境中各种因素如灰尘所导致的光伏发电的损失效率，/>是逆变器的转换效率，/>是光伏组件中的电池与温度相关的最大功率系数，/>是光伏组件的模块温度，也可以采用其它经验公式，可以根据实际需求进行设定，对此不做限定。

在一可选实施例中，可以根据采集到的第一工况数据，确定光伏组件对应的光伏组件物理模型。也可以根据光伏组件对应的物理参数，确定光伏组件对应的光伏组件物理模型。

在确定出光伏组件物理模型之后，接着可以根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值。其中，光伏组件参数用于描述光伏组件在各个工况下的工作状态，例如光伏组件参数可以为光伏组件的面积，光伏组件的电池光伏发电的效率，光伏发电的损失效率，逆变器的转换效率，光伏组件中的电池与温度相关的最大功率系数等。目标参数值是指光伏组件在各个工况下光伏组件参数对应的最优参数值。

参数辨识处理是指已知光伏组件物理模型的输入数据和输出数据，以及光伏组件物理模型的结构（物理模型公式），光伏组件物理模型中的多个光伏组件参数未知，基于采集到的光伏组件在各个工况下对应的第一工况数据确定多个光伏组件参数对应的参数值。那么在本发明实施例中，可以利用优化算法，对多个光伏组件参数进行参数辨识，以获得更精准地目标参数值，进而提高构建出的光伏组件仿真模型的准确性。

具体的，可以利用优化算法，基于实际采集到的光伏组件在各个工况下对应的第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值。其中，优化算法可以为遗传算法、最小二乘法或者线性规划或者粒子群优化算法等优化算法对光伏组件参数进行参数辨识，在本发明实施例中，对优化算法的类型不做限定，可以根据实际需求选取对应的优化算法。

另外，在实际应用中，通过传感器采集各个工况下光伏组件对应的第一工况数据，那么在使用传感器采集数据时，可能出现传感器故障，数据传输丢位，寄存器读写错误等情况，从而使得采集到的第一工况数据可能会存在异常数据值，那么根据第一工况数据，对多个光伏组件参数进行参数辨识时，可能使得确定出的多个光伏组件参数各自对应的目标参数值存在一定地偏差，从而影响构建出的光伏组件仿真模型的精准度。因此，在一可选实施例中，可以先对采集到的第一工况数据进行清洗，以确保采集到的第一工况数据接近真实状态。再基于清洗后的第一工况数据，对多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的第一参数值。

在本发明实施例中，对数据清洗方法不做限定可以采用中值滤波等数据清洗方法对采集到的光伏组件对应的第一工况数据进行数据清洗处理，以准确地清洗掉异常第一工况数据即可。另外需要注意的是：在对多个光伏组件参数进行辨识处理时，可以根据实际需求，设定是否对第一工况数据进行清洗，本发明实施例对此不做限定。

优选地，在本发明实施例中，可以利用遗传算法，对根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值。接着，根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型，光伏组件仿真模型的输入为当前工况下光伏组件对应的环境信息，光伏组件仿真模型的输出为当前工况下光伏组件的输出功率。

在一可选实施例中，根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型的具体实现方式可以为：将多个光伏组件参数各自对应的目标参数值代入到光伏组件物理模型中，并以光伏组件物理模型为光伏组件仿真模型的模型结构，以光伏组件当前工况下工作环境对应的环境信息为光伏组件仿真模型的输入，以光伏组件当前工况下对应的输出功率为光伏组件仿真模型的输出，以构建光伏组件仿真模型。

在本发明实施例中，通过根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，不仅可以快速确定出多个光伏组件参数对应的目标参数值，还可以使得确定出的多个光伏组件参数各自对应的目标参数值更符合实际工况情况，进而可以基于多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建出更精准的光伏组件仿真模型，以使得构建出的光伏组件仿真模型可以更好地仿真出光伏组件在各个环境状况下对应的最大输出功率，以便利用最大输出功率优化光伏电站的发电效率。

上述实施例介绍了根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型的具体实现过程。为了便于理解上述实施例中确定多个光伏组件参数各自对应的目标参数值的具体实现过程，结合附图2对利用遗传算法，确定多个光伏组件各自对应的目标参数值的具体实现方式进行示例性说明。

图2为本发明实施例提供的一种确定多个光伏组件各自对应的目标参数值的的流程示意图；参考附图2所示，提供了一种根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值的实现方式，具体的，该方法可以包括如下步骤：

201、将光伏组件物理模型转换为待优化的目标函数，目标函数的系数为光伏组件物理模型中的多个光伏组件参数，目标函数的函数值为光伏组件的输出功率。

202、利用遗传算法，确定目标函数在第一工况数据下，多个光伏组件参数各自对应的第一参数值。

203、根据第一参数值，确定多个光伏组件参数各自对应的目标参数值。

在确定光伏组件物理模型中各个光伏组件参数对应的目标参数值时，可以先将光伏组件物理模型转换为待优化的目标函数。其中，目标函数的系数为光伏组件物理模型中的多个光伏组件参数，目标函数的函数值为光伏组件的输出功率。接着，利用遗传算法，确定目标函数在第一工况数据下，多个光伏组件参数各自对应的第一参数值。

其中，利用遗传算法，确定目标函数在第一工况数据下，多个光伏组件参数各自对应的第一参数值的具体实现过程可以包括：将多个光伏组件参数作为遗传算法的个体，并将目标函数作为遗传算法的适应度函数，采用交叉变异策略，根据适应度函数以及第一工况数据中的输出功率，确定最终种群中的最优个体；将最优个体确定为多个光伏组件参数各自对应的第一参数值。

在一可选实施例中，采用交叉变异策略，根据适应度函数以及第一工况数据中的输出功率，确定最终种群中的最优个体的具体实现过程可以包括：随机选定适应度函数中的多个光伏组件参数各自对应的参数值；根据参数值以及多个环境特征数据，确定适应度函数对应的函数值；对函数值和第一工况数据中的输出功率进行适应度计算，以确定光伏组件对应的性能指标参数，性能指标参数用于反映光伏组件的工作性能；若性能指标参数不满足预设指标参数，则采用交叉变异策略，对适应度函数中的多个光伏组件参数进行调整，以确定最终种群中的最优个体。若性能指标参数满足预设指标参数，则将当前种群对应的个体确定为最优个体。也就是说，将当前多个光伏组件参数各自对应的参数值确定为多个光伏组件参数各自对应的目标参数值。其中，可以根据实际需求设定对应的预设指标参数。

结合附图3对利用遗传算法确定多个光伏组件参数各自对应的目标参数值的实现过程。具体实施时，假设光伏组件对应的第一工况数据包括输出功率、光伏组件工作环境中的阳光辐照度以及光伏组件的模块温度，光伏组件物理模型的经验公式为。/>为光伏组件的输出功率，/>为光伏组件工作环境中的阳光辐照度，/>为光伏组件的面积，/>为光伏组件的电池光伏发电的效率，/>为由环境中各种因素如灰尘所导致的光伏发电的损失效率，/>为逆变器的转换效率，/>为光伏组件中的电池与温度相关的最大功率系数，为光伏组件的模块温度。并且，多个光伏组件参数分别为/>、/>、/>、，光伏组件物理模型的输入为/>、/>，光伏组件物理模型的输出为/>。将该物理模型转换为适应度函数，其多个光伏组件参数为适应度函数系数。

首先，随机创建适应度函数中的多个光伏组件参数各自对应的参数值，并将随机创建的多个光伏组件参数各自对应的参数值确定为初始种群。接着，将随机创建的多个光伏组件参数各自对应的参数值、以及第一工况数据中的光伏组件工作环境中的阳光辐照度以及光伏组件的模块温度代入适应度函数，以输出适应度函数对应的函数值。而后，对函数值和第一工况数据中当前环境状况下对应的光伏组件的输出功率进行适应度计算，以确定光伏组件对应的性能指标参数。若该性能指标参数满足终止条件，则直接输出当前多个光伏组件参数对应的参数值，并将该参数值确定为多个光伏组件参数各自对应的目标参数值；若该性能指标参数不满足终止条件，则继续进行选择操作，以确定种群中新的个体，并对新的个体进行交叉操作以及变异操作，以重新选定多个光伏组件参数各自对应的参数值，依次循环不断优化多个光伏组件参数各自对应的参数值，以寻找出多个光伏组件参数各自对应的目标参数值。

由上述描述可知：将一组多个光伏组件参数看作为种群个体，通过模拟种群个体的自然进化过程搜索出多个光伏组件参数对应的最优解，以获得光伏组件物理模型中多个光伏组件参数各自对应的最优参数值（目标参数值），这样确定出的多个光伏组件参数对应的目标参数值可以更好地表征各个工况下对应的实际参数值，进而可以提高光伏组件仿真模型的准确性，以使得光伏组件仿真模型可以预测各个工况下光伏组件对应的真实工作状态。

本发明实施例，通过将光伏组件物理模型转换为待优化的目标函数，目标函数的系数为光伏组件物理模型中的多个光伏组件参数，目标函数的函数值为光伏组件的输出功率。利用遗传算法，确定目标函数在第一工况数据下，多个光伏组件参数各自对应的第一参数值，并根据第一参数值，确定多个光伏组件参数各自对应的目标参数值，这样确定出的目标参数值更可靠、更稳定，可以很好地表征各个环境状况下光伏组件对应的工作性能，进而提高了光伏组件仿真模型的精度、可靠性、稳定性以及泛化能力。

在确定出光伏组件物理模型中多个光伏组件参数各自对应的目标参数值之后，根据多个光伏组件参数各自对应的目标参数值以及光伏组件物理模型，构建光伏组件仿真模型。具体的，可以将多个光伏组件参数各自对应的目标参数值代入光伏组件物理模型中，以获得光伏组件仿真模型。

也就是说，以光伏组件物理模型作为光伏组件仿真模型的模型结构，那么建立的光伏组件仿真模型的模型性能好坏将直接由确定出的光伏组件物理模型中多个光伏组件参数各自对应的目标参数值的决定。因此，在本发明实施例中，为了获得更优的多个光伏组件参数各自对应的目标参数值，可以结合神经网络模型、双线性模型、自回归滑动平均模型、模糊逻辑或其他通用的非线性函数逼近器来进一步确定光伏组件参数对应的最优参数值，以使得确定出的参数值可以更好地表征当前工况下光伏组件对应的工作性能。

然而，在实际应用中，光伏组件物理模型中的光伏组件参数个数较多，要想获得各个工况下的准确光伏组件仿真模型，要对各个工况下进行参数提取，若使用非线性函数逼近器来确定光伏组件参数对应的目标参数值，将使得光伏建模的繁琐且低效，并且还增加了在线计算复杂度。那么在本发明实施例中，可以先从多个光伏组件参数中确定出主成分参数（目标光伏组件参数），再进一步确定主成分参数其对应的最优参数值，其余光伏组件参数对应的参数值以优化算法获得的参数值作为目标参数值，代入光伏组件物理模型中，以获得最终的光伏组件仿真模型。

结合下述实施例，对确定目标光伏组件参数以及基于目标光伏组件参数对应的参数值构建光伏组件仿真模型的具体实现过程进行示例性说明。

图4为本发明实施例提供的另一种光伏组件建模方法的流程示意图；在上述实施例的基础上，参考附图4所示，具体的，该方法可以包括如下步骤：

401、采集光伏组件对应的第一工况数据，第一工况数据包括光伏组件对应的环境信息以及光伏组件对应的输出功率。

402、确定光伏组件物理模型，光伏组件物理模型用于表征光伏组件在不同环境状况下对应的输出功率。

403、利用优化算法，根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，光伏组件参数用于描述光伏组件在各个工况下的工作状态。

404、从多个光伏组件参数中筛选出目标光伏组件参数。

405、根据第一工况数据，以环境信息为输入，以目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，光伏组件参数模型用于确定目标光伏组件参数对应的参数值。

406、根据多个光伏组件参数各自对应的目标参数值、光伏组件物理模型以及光伏组件参数模型，构建光伏组件仿真模型。

在构建光伏组件仿真模型时，首先采集光伏组件对应的第一工况数据，第一工况数据包括光伏组件对应的环境信息以及光伏组件对应的输出功率。确定光伏组件物理模型，光伏组件物理模型用于表征光伏组件在不同环境状况下对应的输出功率，以该光伏组件物理模型作为光伏组件仿真模型的模型结构。接着，利用优化算法，根据第一工况数据，对光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得多个光伏组件参数各自对应的目标参数值，光伏组件参数用于描述光伏组件在各个工况下的工作状态。

而后，从多个光伏组件参数中筛选出目标光伏组件参数，目标光伏组件参数为多个光伏组件参数中主成分参数。具体的，筛选目标光伏组件参数的实现过程可以为：采集光伏组件对应的第二工况数据，第二工况数据与第一工况数据属于同一时间段内的光伏组件对应的工况数据；利用遗传算法，确定目标函数在第二工况数据下，多个光伏组件参数各自对应的第二参数值；根据第一参数值和第二参数值，从多个光伏组件参数中筛选出目标光伏组件参数。其中，目标光伏组件参数对应的第一参数值与目标光伏组件参数对应的第二参数值的差值是多个光伏组件参数中差值最大的光伏组件参数。

由此可知：通过比较基于第一工况数据获得的多个光伏组件参数各自对应的第一参数值与基于第二工况数据获得的多个光伏组件参数各自对应的第二参数值的差值，将差值较大的光伏组件参数确定为目标光伏组件参数。

在确定出目标光伏组件参数之后，构建光伏组件参数模型，以利用光伏组件参数模型确定目标光伏组件参数对应的第二参数值。具体的，根据第一工况数据，以环境信息为输入，以目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，光伏组件参数模型用于确定目标光伏组件参数对应的参数值。

另外，可以通过对神经网络进行学习训练来生成光伏组件参数模型，即利用预设的第一工况数据中的环境信息以及与环境信息对应的目标光伏组件参数的参考值对神经网络进行学习训练，从而可以获得光伏组件参数模型。也可以利用第二工况数据或者利用第一工况数据和第二工况数据对学习训练，以获得光伏组件参数，本发明实施例只是一种示例性举例说明。

在建立光伏组件参数模型之后，可以利用光伏组件参数模型对获取到当前工况下的光伏组件的环境信息进行分析处理，从而可以获得与该工况下环境信息相对应的目标光伏参数的参数值。其中，也可以通过对双线性模型、自回归滑动平均模型、模糊逻辑或其他通用的非线性函数逼近器进行学习训练，生成光伏组件参数模型。

具体实施时，由于环境信息包括多个环境特征数据，那么利用光伏组件参数模型对多个环境特征数据进行分析处理时，光伏组件参数模型训练过程以及推理过程都很复杂，使得计算成本较高。因此，在本发明实施例中，可以先对环境信息中的多个环境特征数据进行筛选处理，再基于筛选后的多个环境特征数据，构建光伏组件参数模型，这样不仅使得光伏组件参数模型的学习训练过程以及推理过程更简单、降低计算成本，同时还能获得更精准地参数值。

具体的，在一可选实施例中，根据第一工况数据，以环境信息为输入，以目标光伏组件参数为输出，以获得训练好的光伏组件参数模型的具体实现过程可以包括：对多个环境特征数据进行敏感性分析，以确定各个环境特征数据与输出功率的敏感性关系；根据各个环境特征数据与输出功率的敏感性关系，从多个环境特征数据中筛选出目标环境特征数据；根据第一工况数据，以目标环境特征数据为输入，以目标光伏组件参数为输出，训练神经网络，以获得训练好的光伏组件参数模型。

在获得训练好的光伏组件参数模型之后，根据多个光伏组件参数各自对应的目标参数值、光伏组件物理模型以及光伏组件参数模型，构建光伏组件仿真模型。具体的，将多个光伏组件参数各自对应的目标参数值代入光伏组件物理模型中，以获得更新后的光伏组件物理模型，基于更新后的光伏组件物理模型以及光伏组件参数模型，构建光伏组件仿真模型。

由上述描述可知：光伏组件仿真模型包括光伏组件物理模型、光伏组件参数模型，如附图5所示的光伏组件仿真模型结构，光伏组件参数主要用于确定目标光伏组件参数对应的第二参数值，并将目标光伏组件参数对应的第二参数值输入至光伏组件物理模型中。光伏组件物理模型主要用于根据接收到的环境信息以及目标光伏组件参数对应的第二参数值，确定光伏组件对应的输出功率。

在构建出光伏组件仿真模型之后，可以使用光伏组件仿真模型来预测光伏组件在各个工况下对应的输出功率。例如，附图6所示，首先获取当前工况下的光伏组件的环境信息，环境信息包括目标环境特征数据。将目标环境特征数据输入至光伏组件仿真模型中的光伏组件参数模型，以获得目标光伏组件参数对应的第三参数值；将第三参数值以及环境信息输入至光伏仿真模型中的光伏组件物理模型，以获得当前工况下光伏组件的输出功率。

本发明实施例中，通过从多个光伏组件参数中筛选出目标光伏组件参数，并根据第一工况数据，以获得训练好的光伏组件参数模型，光伏组件参数模型用于确定目标光伏组件参数对应的参数值，而后根据多个光伏组件参数各自对应的目标参数值、光伏组件物理模型以及光伏组件参数模型，构建光伏组件仿真模型，这样获得的光伏组件仿真模型的精准度较高，并且该光伏组件仿真模型具体较好的先验性、可解释性，以更好地表征光伏组件在各个工况下的工作状态。

本发明实施例提供的光伏组件建模方法中的各步骤的详细实施方式以及有益效果已经在前述实施例中进行了详细描述，此处将不做详细阐述说明。其具体内容可以参考上述详细描述。

以下将详细描述本发明的一个或多个实施例的光伏组件建模装置。本领域技术人员可以理解，这些装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。

图7为本发明实施例提供的一种光伏组件建模装置的结构示意图，如图7所示，该装置包括：数据采集模块11、物理模型确定模块12、参数确定模块13、仿真模型构建模块14。

数据采集模块11，用于采集光伏组件对应的第一工况数据，所述第一工况数据包括所述光伏组件对应的环境信息以及所述光伏组件对应的输出功率，所述环境信息包括多个环境特征数据。

物理模型确定模块12，用于确定光伏组件物理模型，所述光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率。

参数确定模块13，用于根据所述第一工况数据，对所述光伏组件物理模型中的多个光伏组件参数进行参数辨识，以获得所述多个光伏组件参数各自对应的目标参数值，所述光伏组件参数用于描述所述光伏组件在各个工况下的工作状态。

仿真模型构建模块14，用于根据所述多个光伏组件参数各自对应的目标参数值以及所述光伏组件物理模型，构建光伏组件仿真模型，所述光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，所述光伏组件仿真模型的输出为当前工况下所述光伏组件的输出功率。

在一可选实施例中，所述参数确定模块13具体可以用于：将所述光伏组件物理模型转换为待优化的目标函数，所述目标函数的系数为所述光伏组件物理模型中的多个光伏组件参数，所述目标函数的函数值为所述光伏组件的输出功率；利用遗传算法，确定所述目标函数在所述第一工况数据下，所述多个光伏组件参数各自对应的第一参数值；根据所述第一参数值，确定所述多个光伏组件参数各自对应的目标参数值。

在一可选实施例中，所述参数确定模块13具体可以用于：将所述多个光伏组件参数作为遗传算法的个体；将所述目标函数作为遗传算法的适应度函数；采用交叉变异策略，根据所述适应度函数以及所述第一工况数据中的输出功率，确定最终种群中的最优个体；将所述最优个体确定为所述多个光伏组件参数各自对应的第一参数值。

在一可选实施例中，所述第一工况数据中的环境信息包括多个环境特征数据，所述环境特征数据用于表征光伏组件的工作环境；所述参数确定模块13具体可以用于：随机选定所述适应度函数中的所述多个光伏组件参数各自对应的参数值；根据所述参数值以及所述多个环境特征数据，确定所述适应度函数对应的函数值；对所述函数值和所述第一工况数据中的输出功率进行适应度计算，以确定所述光伏组件对应的性能指标参数，所述性能指标参数用于反映所述光伏组件的工作性能；若所述性能指标参数不满足预设指标参数，则采用交叉变异策略，对所述适应度函数中的多个光伏组件参数进行调整，以确定最终种群中的最优个体。

在一可选实施例中，所述仿真模型构建模块14具体用于：采集光伏组件对应的第二工况数据，所述第二工况数据与所述第一工况数据属于同一时间段内的光伏组件对应的工况数据；利用遗传算法，确定所述目标函数在所述第二工况数据下，所述多个光伏组件参数各自对应的第二参数值；根据所述第一参数值和第二参数值，从所述多个光伏组件参数中筛选出目标光伏组件参数，其中，所述目标光伏组件参数对应的第一参数值与所述目标光伏组件参数对应的第二参数值的差值是所述多个光伏组件参数中差值最大的光伏组件参数；根据所述第一工况数据，以所述环境信息为输入，以所述目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，所述光伏组件参数模型用于确定目标光伏组件参数对应的参数值；根据所述多个光伏组件参数各自对应的目标参数值、所述光伏组件物理模型以及所述光伏组件参数模型，构建光伏组件仿真模型。

在一可选实施例中，所述环境信息包括所述多个环境特征数据，所述仿真模型构建模块14具体用于：对所述多个环境特征数据进行敏感性分析，以确定各个环境特征数据与所述输出功率的敏感性关系；根据所述各个环境特征数据与所述输出功率的敏感性关系，从所述多个环境特征数据中筛选出目标环境特征数据；根据所述第一工况数据，以所述目标环境特征数据为输入，以所述目标光伏组件参数为输出，训练神经网络，以获得训练好的光伏组件参数模型。

在一可选实施例中，该装置还可以包括应用模块，应用模块具体用于：获取当前工况下的所述光伏组件的环境信息，所述环境信息包括目标环境特征数据；将所述目标环境特征数据输入至所述光伏仿真模型中的光伏组件参数模型，以获得所述目标光伏组件参数对应的第三参数值；将所述第三参数值以及所述环境信息输入至所述光伏仿真模型中的所述光伏组件物理模型，以获得当前工况下所述光伏组件的输出功率。

图7所示装置可以执行前述实施例中介绍的步骤，详细的执行过程和技术效果参见前述实施例中的描述，在此不再赘述。

在一个可能的设计中，上述图7所示光伏组件建模装置的结构可实现为一电子设备，如图8所示，该电子设备可以包括：存储器21、处理器22、通信接口23。其中，存储器21上存储有可执行代码，当所述可执行代码被处理器22执行时，使处理器22至少可以实现如前述实施例中提供的光伏组件建模方法。

另外，本发明实施例提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器至少可以实现如前述实施例中提供的光伏组件建模方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种光伏组件建模方法，其特征在于，包括：

采集光伏组件对应的第一工况数据，所述第一工况数据包括所述光伏组件对应的环境信息以及所述光伏组件对应的输出功率；

确定光伏组件物理模型，所述光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率；

将所述光伏组件物理模型转换为待优化的目标函数，所述目标函数的系数为所述光伏组件物理模型中的多个光伏组件参数，所述目标函数的函数值为所述光伏组件的输出功率；

利用遗传算法，确定所述目标函数在所述第一工况数据下，所述多个光伏组件参数各自对应的第一参数值；

根据所述第一参数值，确定所述多个光伏组件参数各自对应的目标参数值，所述光伏组件参数用于描述所述光伏组件在各个工况下的工作状态；

采集光伏组件对应的第二工况数据，所述第二工况数据与所述第一工况数据属于同一时间段内的光伏组件对应的工况数据；

利用遗传算法，确定所述目标函数在所述第二工况数据下，所述多个光伏组件参数各自对应的第二参数值；

根据所述第一参数值和第二参数值，从所述多个光伏组件参数中筛选出目标光伏组件参数，其中，所述目标光伏组件参数对应的第一参数值与所述目标光伏组件参数对应的第二参数值的差值是所述多个光伏组件参数中差值最大的光伏组件参数；

根据所述第一工况数据，以所述环境信息为输入，以所述目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，所述光伏组件参数模型用于确定目标光伏组件参数对应的参数值；

根据所述多个光伏组件参数各自对应的目标参数值、所述光伏组件物理模型以及所述光伏组件参数模型，构建光伏组件仿真模型，所述光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，所述光伏组件仿真模型的输出为当前工况下所述光伏组件的输出功率。

2.根据权利要求1所述的方法，其特征在于，所述利用遗传算法，确定所述目标函数在所述第一工况数据下，所述多个光伏组件参数各自对应的第一参数值，包括：

将所述多个光伏组件参数作为遗传算法的个体；

将所述目标函数作为遗传算法的适应度函数；

采用交叉变异策略，根据所述适应度函数以及所述第一工况数据中的输出功率，确定最终种群中的最优个体；

将所述最优个体确定为所述多个光伏组件参数各自对应的第一参数值。

3.根据权利要求2所述的方法，其特征在于，所述第一工况数据中的环境信息包括多个环境特征数据，所述环境特征数据用于表征光伏组件的工作环境；所述采用交叉变异策略，根据所述适应度函数以及所述第一工况数据中的输出功率，确定最终种群中的最优个体，包括：

随机选定所述适应度函数中的所述多个光伏组件参数各自对应的参数值；

根据所述参数值以及所述多个环境特征数据，确定所述适应度函数对应的函数值；

对所述函数值和所述第一工况数据中的输出功率进行适应度计算，以确定所述光伏组件对应的性能指标参数，所述性能指标参数用于反映所述光伏组件的工作性能；

若所述性能指标参数不满足预设指标参数，则采用交叉变异策略，对所述适应度函数中的多个光伏组件参数进行调整，以确定最终种群中的最优个体。

4.根据权利要求1所述的方法，其特征在于，所述环境信息包括多个环境特征数据，所述根据所述第一工况数据，以所述环境信息为输入，以所述目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，包括：

对所述多个环境特征数据进行敏感性分析，以确定各个环境特征数据与所述输出功率的敏感性关系；

根据所述各个环境特征数据与所述输出功率的敏感性关系，从所述多个环境特征数据中筛选出目标环境特征数据；

根据所述第一工况数据，以所述目标环境特征数据为输入，以所述目标光伏组件参数为输出，训练神经网络，以获得训练好的光伏组件参数模型。

5.根据权利要求4所述方法，其特征在于，所述方法还包括：

获取当前工况下的所述光伏组件的环境信息，所述环境信息包括目标环境特征数据；

将所述目标环境特征数据输入至所述光伏组件仿真模型中的光伏组件参数模型，以获得所述目标光伏组件参数对应的第三参数值；

将所述第三参数值以及所述环境信息输入至所述光伏组件仿真模型中的所述光伏组件物理模型，以获得当前工况下所述光伏组件的输出功率。

6.一种光伏组件建模装置，其特征在于，所述装置包括：

数据采集模块，用于采集光伏组件对应的第一工况数据，所述第一工况数据包括所述光伏组件对应的环境信息以及所述光伏组件对应的输出功率，所述环境信息包括多个环境特征数据；

物理模型确定模块，用于确定光伏组件物理模型，所述光伏组件物理模型用于表征所述光伏组件在不同环境状况下对应的输出功率；

参数确定模块，用于将所述光伏组件物理模型转换为待优化的目标函数，所述目标函数的系数为所述光伏组件物理模型中的多个光伏组件参数，所述目标函数的函数值为所述光伏组件的输出功率；利用遗传算法，确定所述目标函数在所述第一工况数据下，所述多个光伏组件参数各自对应的第一参数值；根据所述第一参数值，确定所述多个光伏组件参数各自对应的目标参数值，所述光伏组件参数用于描述所述光伏组件在各个工况下的工作状态；

仿真模型构建模块，用于采集光伏组件对应的第二工况数据，所述第二工况数据与所述第一工况数据属于同一时间段内的光伏组件对应的工况数据；

利用遗传算法，确定所述目标函数在所述第二工况数据下，所述多个光伏组件参数各自对应的第二参数值；根据所述第一参数值和第二参数值，从所述多个光伏组件参数中筛选出目标光伏组件参数，其中，所述目标光伏组件参数对应的第一参数值与所述目标光伏组件参数对应的第二参数值的差值是所述多个光伏组件参数中差值最大的光伏组件参数；

根据所述第一工况数据，以所述环境信息为输入，以所述目标光伏组件参数为输出，以获得训练好的光伏组件参数模型，所述光伏组件参数模型用于确定目标光伏组件参数对应的参数值；

根据所述多个光伏组件参数各自对应的目标参数值、所述光伏组件物理模型以及所述光伏组件参数模型，构建光伏组件仿真模型，所述光伏组件仿真模型的输入为当前工况下所述光伏组件对应的环境信息，所述光伏组件仿真模型的输出为当前工况下所述光伏组件的输出功率。

7.一种电子设备，其特征在于，包括：存储器、处理器、通信接口；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至5中任一项所述的光伏组件建模方法。

8.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至5中任一项所述的光伏组件建模方法。