本發(fā)明屬于太陽(yáng)能電池及光伏發(fā)電陣列的檢測(cè)技術(shù)，具體涉及一種基于鷹策略和自適應(yīng)NM單純形的光伏模型參數(shù)辨識(shí)方法。

背景技術(shù)：

光伏組件及陣列的精確建模對(duì)于優(yōu)化光伏電站的發(fā)電效率具有重要作用。然而，由于光伏組件及陣列安裝和工作在復(fù)雜的戶外環(huán)境中，同時(shí)受到熱循環(huán)、濕度，紫外線，風(fēng)激振等各種環(huán)境因素的作用，容易出現(xiàn)局部材料老化、性能下降、裂紋等各種問題，導(dǎo)致模型參數(shù)會(huì)隨著時(shí)間發(fā)生變化。光伏組件及陣列主要采用單/雙二極管模型，其模型參數(shù)對(duì)模型的準(zhǔn)確性有重要影響?；趯?shí)測(cè)的光伏組件和陣列伏安(I-V)特性輸出曲線的模型參數(shù)提取方法與技術(shù)，能夠獲取準(zhǔn)確的光伏陣列模型參數(shù)，用于實(shí)時(shí)更新光伏陣列的模型，從而便于評(píng)估和優(yōu)化光伏電站的工作狀態(tài)。隨著世界各國(guó)光伏發(fā)電裝機(jī)量的快速增長(zhǎng)，光伏發(fā)電系統(tǒng)中光伏組件及陣列的精確模型參數(shù)提取方法與技術(shù)近年來(lái)得到國(guó)內(nèi)外越來(lái)越多的學(xué)者和相關(guān)機(jī)構(gòu)的關(guān)注。

目前存在的光伏模型參數(shù)提取方法大體可分為三種類型，即解析法、數(shù)值優(yōu)化法，以及兩者的混合法。解析法主要通過構(gòu)造光伏模型的顯示方程，基于光伏組件制造商給定的或者實(shí)測(cè)的少數(shù)關(guān)鍵點(diǎn)數(shù)據(jù)(如開路電壓、短路電流、最大功率點(diǎn)電壓和電流、溫度系數(shù))求解出光伏模型參數(shù)。這類方法雖然簡(jiǎn)單、計(jì)算量較小，但是模型參數(shù)的精度較差，且易受這些關(guān)鍵點(diǎn)數(shù)據(jù)的精度和噪聲影響。為了克服解析法的缺點(diǎn)，各種確定性和隨機(jī)的數(shù)值優(yōu)化方法相繼被提出，這些方法通過最小仿真和實(shí)測(cè)I-V曲線的均方根誤差，來(lái)準(zhǔn)確提取模型參數(shù)。確定性數(shù)值優(yōu)化法包括Newton–Raphson法、Levenberg–Marquardt法、模式搜索法等。這些方法雖然收斂速度快、計(jì)算量小，但易陷入局部最優(yōu)值，模型參數(shù)的精度易受搜索起始點(diǎn)影響、比較不穩(wěn)定。用于光伏模型參數(shù)提取的隨機(jī)數(shù)值優(yōu)化法主要有差分演化、遺傳算法、蜂群算法、粒子群算法那、花粉傳播算法等等。這些算法具有較強(qiáng)的全局搜索能力，然而計(jì)算量較大、收斂速度較慢，難以適用于實(shí)時(shí)的參數(shù)提取。為了利用這類方法的優(yōu)點(diǎn)同時(shí)克服其缺點(diǎn)，一些混合法被提出，包括Levenberg–Marquardt結(jié)合模擬退火法，布谷鳥結(jié)合單純形法，解析法結(jié)合單純形法等。雖然這些算法取得了較好的結(jié)果，然而仍然難以同時(shí)保證參數(shù)提取的精度和速度。為此，本發(fā)明提出一種新的混合法即基于鷹策略和自適應(yīng)NM單純形的光伏模型參數(shù)辨識(shí)方法，通過包括粗略全局搜索、粗略局部搜索和精細(xì)局部搜索的三階段鷹搜索策略，將蜂群算法和單純形算法進(jìn)行混合，同時(shí)采用自適應(yīng)參數(shù)策略改進(jìn)了常規(guī)的單純形，從而同時(shí)提高了參數(shù)提取的精度和速度。

目前，公開發(fā)表的文獻(xiàn)及專利中尚未見有基于鷹策略和自適應(yīng)NM單純形的光伏模型參數(shù)辨識(shí)方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于鷹策略和自適應(yīng)Nelder-Mead單純形的光伏模型參數(shù)辨識(shí)方法，以克服現(xiàn)有相關(guān)技術(shù)的缺陷，從而提高光伏模型參數(shù)辨識(shí)的性能。所述的光伏模型是指單二極管五參數(shù)模型和雙二極管七參數(shù)模型；所述的光伏模型參數(shù)是指光電流I_ph，二極管反向飽和電流Io，二極管理想化因子n，等效串聯(lián)電阻R_s,和等效并聯(lián)電阻R_sh。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：一種基于鷹策略和自適應(yīng)NM單純形的光伏模型參數(shù)辨識(shí)方法，其特征在于，包括如下步驟：步驟S1：根據(jù)光伏陣列的串聯(lián)和并聯(lián)太陽(yáng)能電池片的數(shù)量N_s和N_p,設(shè)置光伏組件模型參數(shù)的搜索范圍；步驟S2：采用蜂群智能優(yōu)化算法對(duì)光伏模型參數(shù)的進(jìn)行粗略全局搜索，獲取若干個(gè)的較優(yōu)的光伏模型參數(shù)初始值向量；步驟S3：采用多個(gè)Nelder-Mead單純形在步驟S2中的一組最優(yōu)的光伏模型參數(shù)向量X附近進(jìn)行進(jìn)一步的粗略局部搜索；步驟S4：采用單個(gè)自適應(yīng)Nelder-Mead單純形對(duì)步驟S3中的最優(yōu)的模型參數(shù)向量進(jìn)行進(jìn)一步的精細(xì)局部搜索,以獲取最優(yōu)的光伏模型參數(shù)向量。

相較于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明所提出的一種基于鷹策略和自適應(yīng)Nelder-Mead單純形的光伏模型參數(shù)辨識(shí)方法，通過仿真和實(shí)例的驗(yàn)證和分析結(jié)果表明，采用包括粗略全局搜索、粗略局部搜索和精細(xì)局部搜索的三階段鷹策略，能夠有效利用隨機(jī)群智能蜂群優(yōu)化算法全局搜索能力強(qiáng)的優(yōu)點(diǎn)并避免其計(jì)算量大的缺點(diǎn)，有效利用確定性Nelder-Mead單純形優(yōu)化算法的局部搜索能力強(qiáng)和計(jì)算量低的優(yōu)點(diǎn)并避免其易陷入局部最優(yōu)值的缺點(diǎn)，從而同時(shí)提高了光伏模型參數(shù)辨識(shí)的速度、精度和可靠性。此外，采用收縮系數(shù)線性自適應(yīng)調(diào)整策略改進(jìn)了常規(guī)Nelder-Mead單純形算法的收斂速度，從而進(jìn)一步提高了參數(shù)辨識(shí)的速度。綜上述所，與現(xiàn)有的參數(shù)辨識(shí)算法相比，本發(fā)明大大提高了光伏模型參數(shù)辨識(shí)的速度、精度和可靠性。

附圖說明

圖1為本發(fā)明中基于鷹策略和自適應(yīng)Nelder-Mead單純形的光伏模型參數(shù)辨識(shí)方法的總體流程圖

圖2為本發(fā)明中單二極管和雙二極管光伏模型的等效電路圖

圖3為本發(fā)明一實(shí)施例中的光伏組件IV曲線獲取示意圖圖

圖4為本發(fā)明一實(shí)施例中的用于粗略全局搜索的蜂群算法流程圖

圖5為本發(fā)明一實(shí)施例中的用于粗略局部搜索的基本Nelder-Mead單純形算法流程圖

圖6為本發(fā)明一實(shí)施例中的單二極管模型的參數(shù)辨識(shí)結(jié)果圖

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步解釋。

本發(fā)明提供一種基于鷹策略和自適應(yīng)Nelder-Mead單純形的光伏模型參數(shù)辨識(shí)方法，流程框圖如圖1所示。圖2為本實(shí)施例的光伏陣列、組件串、組件或電池的單二極管和雙二極管等效電路模型，其中圖2a為單二極管等效電模型，圖2b為雙二極管等效電路模型。單二極管光伏數(shù)學(xué)模型如下式所示：

雙二極管數(shù)據(jù)模型如下式所示：

其中I_L和V_L為實(shí)測(cè)IV曲線(伏安曲線)中的電流和電壓值；V_t為熱電壓由確定，其中K為玻爾茲曼常數(shù)(1.3806503×10^-23J/K)，q為基本電荷量(1.60217646×10^-19C)。有待辨識(shí)的光伏模型參數(shù)包括光電流I_ph，二極管反向飽和電流Io，二極管理想化因子n，等效串聯(lián)電阻R_s和等效并聯(lián)電阻R_sh。單二極管光伏模型五參數(shù)向量為[I_ph,I_o,n,R_s,R_sh]，雙二極管光伏模型七參數(shù)向量為[I_ph,I_o1,n₁,I_o2,n₂R_s,R_sh]。本發(fā)明所提出的算法通過在給定的參數(shù)向量的范圍內(nèi)，尋找一組最優(yōu)的參數(shù)向量X使得如下述公式所示：

均方根誤差目標(biāo)函數(shù)OF(X)的取值最小，即使得實(shí)測(cè)IV曲線與仿真IV曲線最優(yōu)擬合，具體包括以下步驟：

步驟S1：根據(jù)光伏陣列的串聯(lián)和并聯(lián)太陽(yáng)能電池片的數(shù)量N_s和N_p,設(shè)置光伏組件模型參數(shù)的搜索范圍；步驟S2：采用蜂群智能優(yōu)化算法對(duì)光伏模型參數(shù)的進(jìn)行粗略全局搜索，獲取若干個(gè)的較優(yōu)的光伏模型參數(shù)初始值向量；步驟S3：采用多個(gè)Nelder-Mead單純形在步驟S2中的一組最優(yōu)的光伏模型參數(shù)向量X附近進(jìn)行進(jìn)一步的粗略局部搜索；步驟S4：采用單個(gè)自適應(yīng)Nelder-Mead單純形對(duì)步驟S3中的最優(yōu)的模型參數(shù)向量進(jìn)行進(jìn)一步的精細(xì)局部搜索,以獲取最優(yōu)的光伏模型參數(shù)向量。

在所述步驟S1中，所述的光伏IV曲線測(cè)試儀器型號(hào)為臺(tái)灣泰仕的PROVA-1011。所述的光伏模型參數(shù)搜索范圍為，I_ph:[0 5N_P](A),Io:[0 1N_p](μA),n:[1N_s 2N_s],R_s:[0 1N_s/N_p](Ω),R_sh:[0 N_s*100](Ω)，其中N_s為光伏模型(光伏陣列/組件串/組件)串聯(lián)的太陽(yáng)能電池片的個(gè)數(shù)，N_p為光伏陣列/組件串/組件中并聯(lián)的太陽(yáng)能電池片的個(gè)數(shù)。

在本發(fā)明一實(shí)施例中，采用臺(tái)灣泰仕PROVA-1011光伏IV曲線測(cè)試儀器獲取光伏組件的IV特性曲線，如圖3所示。根據(jù)光伏組件的串聯(lián)和并聯(lián)太陽(yáng)能電池片的數(shù)量N_s和N_p,設(shè)置光伏組件模型參數(shù)的搜索范圍:I_ph:[0 5N_P](A),I_o:[0 1N_p](μA),n:[1N_s 2N_s],R_s:[0 1N_s/N_p](Ω),R_sh:[0 N_s*100](Ω)。

在本發(fā)明一實(shí)例中所測(cè)量的單晶硅光伏組件由36個(gè)太陽(yáng)能電池片串聯(lián)構(gòu)成，因此Ns＝36,Np＝1。

步驟S2：采用基本的蜂群智能優(yōu)化算法對(duì)光伏模型參數(shù)的進(jìn)行粗略全局搜索，獲取若干個(gè)的較優(yōu)的光伏模型參數(shù)初始值向量。

該基本蜂群算法詳細(xì)流程如圖4所示，其中

算法控制參數(shù):

蜜源的個(gè)數(shù)(與雇傭蜂和觀察蜂數(shù)量相等):SN

算法終止的最大迭代次數(shù):MEN

蜜源放棄閾值:lim it

公式(1):X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)

式中，Xi(i＝1,2,...,SN)為D維向量，

D為優(yōu)化參數(shù)的個(gè)數(shù)，j∈{1,2,...,D}

公式(2):

式中，j∈{1,2,...,D},k∈{1,2,...,SN}

k隨機(jī)生成且k≠i

為[-1,1]之間的隨機(jī)數(shù)

公式(3):

fit(x_i)為第i個(gè)解的適應(yīng)度值

本蜂群算法具體包括以下步驟：

步驟S201：根據(jù)X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)初始化種群解X_i，X_i為D維向量，i＝1,2,...,SN，SN為蜜源個(gè)數(shù)，D為優(yōu)化參數(shù)的個(gè)數(shù)，j∈{1,2,...,D}；rand(0,1)生成均勻分布的偽隨機(jī)數(shù)，結(jié)果分布在(0～1)之間；

步驟S202：計(jì)算種群中各個(gè)蜜蜂的適應(yīng)值；

步驟S203：設(shè)迭代次數(shù)Cycle初始值為1；

步驟S204：判斷迭代次數(shù)Cycle是否小于等于算法終止的迭代次數(shù)MEN，若是將當(dāng)前的迭代次數(shù)Cycle增加1并進(jìn)入步驟S25；否則根據(jù)適應(yīng)值對(duì)所有解進(jìn)行排序；

步驟S25：雇傭蜂根據(jù)產(chǎn)生新的解V_i并計(jì)算新的適應(yīng)值；式中j∈{1,2,...,D},k∈{1,2,...,SN}，k隨機(jī)生成且k≠i，為[-1,1]之間的隨機(jī)數(shù)；

步驟S206：雇傭蜂根據(jù)貪心策略選擇蜜源；

步驟S207：根據(jù)選擇蜜源X_i的概率P_i，式中fit(x_i)為第i個(gè)解的適應(yīng)度值；

步驟S208：觀察蜂根據(jù)Pi選擇蜜源Xi，根據(jù)在該蜜源附近產(chǎn)生新的蜜源V_i的適應(yīng)值；

步驟S209：觀察蜂根據(jù)貪心策略選擇蜜源；

步驟S210：根據(jù)蜜源放棄閾值Limit判斷是否存在需要放棄的蜜源，若存在則通過X_ij＝X_min,j+rand(0,1)(X_max,j-X_min,j)產(chǎn)生一個(gè)新的蜜源替代需要放棄的蜜源；否則直接進(jìn)入步驟S211；

步驟S211：記錄最優(yōu)解并返回步驟S204。

在本發(fā)明一實(shí)施例中，所采用的蜂群算法控制參數(shù)為:種群大小SN＝20,最大迭代次數(shù)MEN＝10,蜜源放棄閾值Limit＝10。

步驟S3：采用多個(gè)Nelder-Mead單純形在步驟S2中的一組最優(yōu)的光伏模型參數(shù)向量附近進(jìn)行進(jìn)一步的粗略局部搜索?；締渭冃蔚脑敿?xì)算法流程如圖5所示，圖中

公式一:X_i+1＝(1+△)X_1i，i＝1,2,...,N

式中，△系數(shù)控制初始單純形的大小

公式二:X_r＝X_c+α(X_c-X_n+1)

式中，α為反射系數(shù)

公式三:X_e＝X_c+β(X_r-X_c)

式中，β為膨脹系數(shù)

公式四:X_oc＝X_c+γ(X_r-X_c)

式中，γ為壓縮系數(shù)

公式五:X_ic＝X_c-γ(X_r-X_c)

式中，γ為壓縮系數(shù)

公式六:V_i＝X₁+σ(X_i-X₁)

式中，σ為收縮系數(shù)，i＝1,2,...,n+1

基本單純形的算法具體包括以下具體步驟：

步驟S301：在給定的起始點(diǎn)X₁,根據(jù)X_i+1＝(1+△)X_1i，i＝1,2,...,N，構(gòu)造N+1個(gè)頂點(diǎn)的單純形；式中△系數(shù)控制初始單純形的大小，N為自然數(shù)；

步驟S302：判斷迭代次數(shù)Iter是否小于最大的迭代數(shù)Iter_max，若是進(jìn)入步驟S303否則輸出最優(yōu)解；

步驟S303：對(duì)N維單純形的n+1個(gè)頂點(diǎn)進(jìn)行排序f(X₁)≤f(X₂)...f(X_n)≤f(X_n+1)；

步驟S304：根據(jù)公式(1):X_r＝X_c+α(X_c-X_n+1)計(jì)算單純形的的反射點(diǎn)X_r式中，α為反射系數(shù)；

步驟S305：判斷是否f(X₁)≤f(X_r)≤f(X_n)，若是則使得X_n+1＝X_r，并進(jìn)入步驟S313；否則進(jìn)入步驟S306；

步驟S306：判斷是否f(X₁)≤f(X_r)，若是根據(jù)X_e＝X_c+β(X_r-X_c)計(jì)算膨脹點(diǎn)X_e，式中，β為膨脹系數(shù)，并進(jìn)入步驟S307，否則直接進(jìn)入步驟S308

步驟S307：判斷是否f(X_e)≤f(X_r)，若是則使得X_n+1＝X_e，并進(jìn)入步驟S313，否則使X_n+1＝X_r，并進(jìn)入步驟S313；

步驟S308：判斷f(X_n)≤f(X_r)≤f(X_n+1)，若是則根據(jù)X_oc＝X_c+γ(X_r-X_c)計(jì)算外縮收點(diǎn)X_oc，式中，γ為壓縮系數(shù)并進(jìn)入步驟S309，否則直接進(jìn)入步驟S310；

步驟S309：判斷是否f(X_oc)≤f(X_r)，若是則使得X_n+1＝X_oc并進(jìn)入步驟S313；否則直接進(jìn)入步驟S312；

步驟S310：判斷是否f(X_n+1)≤f(X_r)，若是則根據(jù)X_ic＝X_c-γ(X_r-X_c)計(jì)算內(nèi)縮收點(diǎn)X_ic，并進(jìn)入步驟S311；

步驟S311：判斷是否f(X_ic)≤f(X_n+1)，若是則使得X_n+1＝X_ic并進(jìn)入步驟S313；否則直接進(jìn)入步驟S312；

步驟S312：根據(jù)V_i＝X₁+σ(X_i-X₁)計(jì)算收縮點(diǎn)Vi，使X_i＝V_i，并進(jìn)入步驟S313，式中，σ為收縮系數(shù)，i＝1,2,...,n+1；

S313：使得迭代次數(shù)Iter增加1，并返回步驟S302。

在本發(fā)明一實(shí)施例中，基本單純形的四個(gè)系數(shù)設(shè)置為:反射系數(shù)ρ＝1,膨脹系數(shù)β＝1+2/dim，壓縮系數(shù)γ＝0.75-1/2*d_im，收縮系數(shù)σ＝1-1/dim。在本實(shí)例中，以步驟S2中的5個(gè)最優(yōu)的參數(shù)為搜索起點(diǎn)，分別按照?qǐng)D5所示的基本Nelder-Mead單純形算法進(jìn)行粗略局部搜索，最大迭代次數(shù)設(shè)置為100。

步驟S4：采用單個(gè)自適應(yīng)Nelder-Mead單純形對(duì)步驟S3中的最優(yōu)的模型參數(shù)向量進(jìn)行進(jìn)一步的精細(xì)局部搜索,以獲取最優(yōu)的光伏模型參數(shù)向量。自適應(yīng)策略是指根據(jù)迭代數(shù)對(duì)單純形的收縮系數(shù)進(jìn)行自適應(yīng)調(diào)整:收縮系數(shù)σ＝σ_max-(σ_max-σ_min)*Iter/Iter_max,σ_max＝1-1/dim,σ_min＝0.005，其中dim為參數(shù)向量的維數(shù)，Iter為當(dāng)前的迭代數(shù)，Iter_max為最大的迭代數(shù)。

較佳的，在本實(shí)例中對(duì)10組不同光照度和溫度下的光伏組件IV曲線進(jìn)行擬合以提取單二極管光伏模型參數(shù)，結(jié)果如表1和圖6所示。每條IV曲線由149個(gè)數(shù)據(jù)點(diǎn)構(gòu)成，由表1中的曲線擬合均方根誤差(RMSE)可見，本發(fā)明所提出的方法能夠進(jìn)行精確的曲線擬合。

表1.不同光照度和溫度下光伏組件IV曲線擬合及參數(shù)提取結(jié)果

以上是本發(fā)明的較佳實(shí)施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時(shí)，均屬于本發(fā)明的保護(hù)范圍。