技術(shù)特征：

1.一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。

2.根據(jù)權(quán)利要求1所述的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：步驟S1中所述光伏模型為單二極管五參數(shù)模型和雙二極管七參數(shù)模型；單二極管光伏數(shù)學(xué)模型如下式所示：

$T_L/N_p=I_{ph}-I_s\[\exp \left(\frac{V_L/N_s+R_s{I}_L/N_p}{{\mathrm{nV}}_t}\right)-1)\]-\frac{V_L/N_s+R_s{I}_L/N_p}{R_{sh}};$

雙二極管數(shù)據(jù)模型如下式所示：

$I_L/N_p=I_{ph}-I_{o1}\[\exp \left(\frac{V_L/N_s+R_s{I}_L/N_p}{n_1{V}_t}\right)-1)\]-I_{o2}\[\exp \left(\frac{V_L/N_s+R_s{I}_L/N_p}{n_2{V}_t}\right)-1)\]-\frac{V_L/N_s+R_s{I}_L/N_p}{R_{sh}};$

其中I_L和V_L為實(shí)測(cè)IV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)，q為基本電荷量；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]，其中I_ph為光電流，I_o為單二極管反向飽和，I_o1、I₂分別為雙二極管的反向飽和電路流，n為單二極管理想化因子，n₁、n₂分別為雙二極管理想化因子，R_s等效串聯(lián)電阻，R_sh為等效并聯(lián)電阻。

3.根據(jù)權(quán)利要求2所述的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：步驟S3中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：

$J(V_L,I_L,X)=I_{ph}-I_s\[\exp \left(\frac{V_L+R_s{T}_Z}{{\mathrm{nV}}_t}\right)-1\]-\frac{V_L+R_s{I}_L}{R_{sh}}-I_L$

$J(V_L,I_L,X)=I_{ph}-I_{O1}\[\exp \left(\frac{V_L+R_s{I}_L}{n_1{V}_t}\right)-1\]-I_{O2}\[\exp \left(\frac{V_L+R_s{I}_L}{n_2{V}_t}\right)-1\]-\frac{V_L+R_s{I}_L}{R_{sh}}-I_L$

$OF\left(X\right)=\sqrt{\frac{1}{N}\underset{p=1}{\overset{N}{\Σ}}J{(V_p,I_p,X)}^2}$

均方根誤差目標(biāo)函數(shù)OF(X)的取值最小，即表示實(shí)測(cè)IV曲線與仿真IV曲線最優(yōu)擬合。

4.根據(jù)權(quán)利要求3所述的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：步驟S2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}；

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Vi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Pi，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Vi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。

5.根據(jù)權(quán)利要求4所述的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：步驟S3包括以下具體步驟,其中f(X)為目標(biāo)函數(shù)OF(X)：

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S302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S 313；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：使得當(dāng)前迭代次數(shù)Iter增加1，并返回步驟S302。

6.根據(jù)權(quán)利要求5所述的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：所述的自適應(yīng)Nelder-Mead單純形體現(xiàn)在對(duì)其收縮系數(shù)采用線性的自適應(yīng)調(diào)整策略，自適應(yīng)Nelder-Mead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*dim，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)。