本發(fā)明涉及一種基于群搜索算法的光伏電池參數(shù)辨識方法，屬于能源技術(shù)領(lǐng)域。

背景技術(shù)：

近年來，光伏發(fā)電技術(shù)以其獨特的發(fā)電特性取得了廣泛地發(fā)展與應(yīng)用。而光伏電池是光伏發(fā)電系統(tǒng)中光伏陣列的重要組成部分，光伏電池輸出特性會直接影響整個光伏發(fā)電系統(tǒng)的整體輸出特性，準確地計算光伏發(fā)電系統(tǒng)的輸出功率，預(yù)測光伏電站的發(fā)電量，能夠更合理地安排機組出力，有助于大規(guī)模光伏發(fā)電系統(tǒng)的并網(wǎng)運行與調(diào)度。所以建立能夠準確描述光伏電池輸出特性的模型是開展光伏系統(tǒng)對電力系統(tǒng)影響分析等相關(guān)研究及仿真的基礎(chǔ)。

在光伏電池模型方面，國內(nèi)外學(xué)者已做了大量工作，歸納起來主要有三種模型:光伏組件U－I特性模型(機理模型)、工程用簡化模型以及考慮部分陰影遮擋的光伏組件模型。其中，機理模型由于概念清楚，特性與實測更一致，因此為更多數(shù)研究者所接受。

而在實際上，傳統(tǒng)的光伏電池參數(shù)辨識和功率預(yù)測方法，多基于光伏電池生產(chǎn)廠家提供的數(shù)據(jù)。但是，將光伏電池串并聯(lián)為光伏陣列后，陣列中的各個電池工作狀態(tài)并不一致，此時利用廠家提供的數(shù)據(jù)無法準確辨識光伏陣列的運行參數(shù)，也無法精確地預(yù)測光伏陣列的輸出功率。

目前國內(nèi)外常規(guī)的參數(shù)辨識方法有最小二乘法、神經(jīng)網(wǎng)絡(luò)算法和粒子群算法等等。傳統(tǒng)基于最小二乘法的參數(shù)辨識方法實現(xiàn)簡單，但該算法適應(yīng)于求解線性方程組，光伏電池的參數(shù)辨識問題明顯地不能用線性關(guān)系來描述，因此最小二乘法在解決此問題上有很大的局限性；基于神經(jīng)網(wǎng)絡(luò)算法的參數(shù)辨識方法收斂速度慢，易陷入局部最優(yōu)；基于粒子群算法的參數(shù)辨識方法具有優(yōu)化時間長、易陷入早熟、實現(xiàn)較繁瑣等問題。

技術(shù)實現(xiàn)要素：

本發(fā)明需要解決的技術(shù)問題是提供一種基于群搜索的光伏電池參數(shù)辨識方法。

本發(fā)明采用下述技術(shù)方案：

一種基于群搜索的光伏電池參數(shù)辨識方法，所述參數(shù)辨識方法用于辨識單級式光伏并網(wǎng)發(fā)電系統(tǒng)的光伏電池，所述光伏電池通過m串n并組成光伏陣列：包括以下步驟：

步驟1：獲取光伏陣列輸出電壓U_L1和輸出電流I_L1及光伏電池的輸出電壓U_L和輸出電流I_L，由以下具體分步驟組成：

步驟1-1：讀取所述光伏陣列的輸出電壓U_L1和輸出電流I_L1；

步驟1-2：所述光伏電池的輸出電壓為U_L＝U_L1/m,輸出電流為I_L＝I_L1/n；

步驟2：搭建光伏組件機理模型：

$I_L=I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}}---\left(1\right)$

其中，U_L、I_L分別為輸出電壓和輸出電流，I_ph.ref為標準測試條件下的光生電流，I_o.ref為標準測試條件下的二極管反向飽和電流，n為二極管品質(zhì)因子，R_s為串聯(lián)電阻，R_sh為并聯(lián)電阻，T為電池的絕對溫度，K為玻爾茲曼常數(shù)，K＝1.380*10^(-23)，q為電子電荷，q＝1.680*10^(-19)；

步驟3：設(shè)置目標函數(shù)為適應(yīng)度是均方根誤差R_MES；

$R_{MSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\[f(U_L,I_L,x)\]}^2}---\left(2\right)$

其中，x＝[I_ph.ref,I_o.ref,R_s,R_sh,n]為所述光伏電池需要辨識的參數(shù)；N為測量數(shù)據(jù)的采樣點的數(shù)目；適應(yīng)度為：

$f(U_L,I_L,x)=I-(I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}})---\left(3\right)$

其中，I為光伏陣列的實測輸出電流；

步驟4：初始化：設(shè)置群規(guī)模a、最大轉(zhuǎn)移距離l_max、最大轉(zhuǎn)向角α_max、最大迭代次數(shù)MAXGEN、發(fā)現(xiàn)者更新的最大嘗試次數(shù)try_number；所有成員的初始位置{X_i}、(i＝1,2,...a)及其角度{ψ_i}X_i＝(x₁,x₂,...,x_a),ψ_i＝(ψ_i1,ψ_i2,...,ψ_i(a-1)),其中，x_i為所述光伏電池需要辨識的參數(shù)；發(fā)現(xiàn)者更新次數(shù)為0；迭代次數(shù)為0；

步驟5：計算各成員的目標函數(shù)值，選取目標函數(shù)值最小的成員作為發(fā)現(xiàn)者，并按照預(yù)設(shè)的比例隨機選取非發(fā)現(xiàn)者成員的80％為追隨者，其余的為游蕩者；

步驟6：對發(fā)現(xiàn)者、追隨者和游蕩者進行位置更新；由以下具體步驟組成：

步驟6-1：發(fā)現(xiàn)者的搜索行為；由以下具體分步驟組成：

步驟6-1-1：發(fā)現(xiàn)者更新次數(shù)加1；發(fā)現(xiàn)者從當前位置開始搜索，然后在搜索空間中當前位置的前方、左側(cè)、右側(cè)分別進行掃描，在三個方向分別更新位置，然后計各自的適應(yīng)度，把適應(yīng)值更好的點作為新的發(fā)現(xiàn)者，三個方向分別按照如下公式更新：

前方:

右方:

左方：

其中，X^k_p為第k次迭代中發(fā)現(xiàn)者的位置；r₁是一個平均值為0，標準差為1的正態(tài)分布的隨機數(shù)；r₂是均勻分布在(0，1)的隨機數(shù)；θ_max為最大轉(zhuǎn)移角度，均為標量；D_p^k＝{D_i^k}為搜索方向,D_i^k＝(d_i1^k,d_i2^k,...,d_im^k),搜索方向為一個單位向量，由搜索角度計算而來，過程如下：

若三個位置的適應(yīng)度均未優(yōu)于當前適應(yīng)度，則按照下式轉(zhuǎn)變掃描角度，重新隨機取點；

步驟6-1-2：判斷發(fā)現(xiàn)者更新次數(shù)是否等于try_number；如果是，轉(zhuǎn)向步驟6-1-3；否則轉(zhuǎn)向步驟6-1-1；

步驟6-1-3：發(fā)現(xiàn)者的搜索角度更新為

步驟6-1-4：判斷群成員位置是否超出設(shè)定取值區(qū)間，如果是，轉(zhuǎn)向步驟6-1-5；否則轉(zhuǎn)向步驟6-2；

步驟6-1-5：在搜索空間內(nèi)隨機初始化群成員的位置；

步驟6-2：追隨者的位置更新如下式：

$X_i^{k+1}=X_i^k+r_3(X_p^k-X_i^k)$

其中，X_i^k為第i個追隨者在第k次迭代中的位置，r₃為均勻分布在(0，1)的隨機數(shù)；

步驟6-3：游蕩者的位置更新如下：

其中，l_w＝α*r₁l_max，其中，r₁是一個平均值為0，標準差為1的正態(tài)分布的隨機數(shù)，α為迭代過程中游蕩者的轉(zhuǎn)向角；X_w^k為第w個游蕩者在第k次迭代中的位置；

步驟7：計算群成員位置更新后的目標函數(shù)值R_MES值；

步驟8：判斷迭代次數(shù)是否等于最大迭代次數(shù)MAXGEN，如果否轉(zhuǎn)向步驟9，否則轉(zhuǎn)入步驟10；

步驟9：迭代次數(shù)加1；轉(zhuǎn)向步驟5，

步驟10：把發(fā)現(xiàn)者的位置作為電池參數(shù)的辨識結(jié)果輸出。

采用上述技術(shù)方案所產(chǎn)生的有益效果在于：

1、本發(fā)明通過游蕩者的隨機性及發(fā)現(xiàn)者的局部尋優(yōu)，優(yōu)化速度很快。

2、本發(fā)明通過游蕩者的加入，使整個迭代曲線持續(xù)下降，有效地解決了優(yōu)化問題陷入局部最小值的問題，并快速地在整個搜索空間找出最優(yōu)解。

3、本發(fā)明在搜索過程中保證群成員在限定范圍內(nèi)搜索，若搜索躍出邊界時，就回到搜索空間的初始位置，避免了越限，提高了結(jié)果的精度。

4、本發(fā)明對于多模態(tài)高維非線性函數(shù)的優(yōu)化問題有很明顯的優(yōu)勢。

附圖說明

圖1是光伏電池機理模型原理示意圖；

圖2是基于群搜索算法的光伏電池參數(shù)辨識方法流程圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

如圖1所示，光伏電池相當于一般的P-N結(jié)，電池的模型可以用反向二極管與電流源的并聯(lián)電路來等效。根據(jù)光伏電池機理模型原理示意圖建立光伏電池數(shù)學(xué)模型，以模型為研究對象，推倒出機理模型中待辨識的未知參數(shù)，即標準測試條件下的光生電流I_ph.ref，標準測試條件下的二極管反向飽和電流I_o.ref，二極管品質(zhì)因子n，串聯(lián)電阻R_s，并聯(lián)電阻R_sh，并以均方根誤差R_MSE為目標函數(shù)。

如圖2所示，一種基于群搜索的光伏電池參數(shù)辨識方法，所述參數(shù)辨識方法用于辨識單級式光伏并網(wǎng)發(fā)電系統(tǒng)的光伏電池，所述光伏電池通過m串n并組成光伏陣列：包括以下步驟：

步驟1：獲取光伏陣列輸出電壓U_L1和輸出電流I_L1及光伏電池的輸出電壓U_L和輸出電流I_L，由以下具體分步驟組成：

步驟1-1：讀取所述光伏陣列的輸出電壓U_L1和輸出電流I_L1；

步驟1-2：所述光伏電池的輸出電壓為U_L＝U_L1/m,輸出電流為I_L＝I_L1/n；

步驟2：搭建光伏組件機理模型：

$I_L=I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}}---\left(1\right)$

其中，U_L、I_L分別為輸出電壓和輸出電流，I_ph.ref為標準測試條件下的光生電流，I_o.ref為標準測試條件下的二極管反向飽和電流，n為二極管品質(zhì)因子，R_s為串聯(lián)電阻，R_sh為并聯(lián)電阻，T為電池的絕對溫度，K為玻爾茲曼常數(shù)，K＝1.380*10^(-23)，q為電子電荷，q＝1.680*10^(-19)；

步驟3：設(shè)置目標函數(shù)為適應(yīng)度是均方根誤差R_MES；

$R_{MSE}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{\[f(U_L,I_L,x)\]}^2}---\left(2\right)$

其中，x＝[I_ph.ref,I_o.ref,R_s,R_sh,n]為所述光伏電池需要辨識的參數(shù)；N為測量數(shù)據(jù)的采樣點的數(shù)目；適應(yīng)度為：

$f(U_L,I_L,x)=I-(I_{ph.ref}-I_{o.ref}\exp \{\[\frac{q(U_L+I_L{R}_s)}{nKT}\]-1\}-\frac{(U_L+I_L{R}_s)}{R_{sh}})---\left(3\right)$

其中，I為光伏陣列的實測輸出電流；

步驟4：初始化：設(shè)置群規(guī)模a、最大轉(zhuǎn)移距離l_max、最大轉(zhuǎn)向角α_max、最大迭代次數(shù)MAXGEN、發(fā)現(xiàn)者更新的最大嘗試次數(shù)try_number；所有成員的初始位置{X_i}、(i＝1,2,...a)及其角度{ψ_i}X_i＝(x₁,x₂,...,x_a),ψ_i＝(ψ_i1,ψ_i2,...,ψ_i(a-1)),其中，x_i為所述光伏電池需要辨識的參數(shù)；發(fā)現(xiàn)者更新次數(shù)為0；迭代次數(shù)為0；

步驟5：計算各成員的目標函數(shù)值，選取目標函數(shù)值最小的成員作為發(fā)現(xiàn)者，并隨機選取剩余的80％為追隨者，之后剩余的20％為游蕩者；

步驟6：對發(fā)現(xiàn)者、追隨者和游蕩者進行位置更新；由以下具體步驟組成：

步驟6-1：發(fā)現(xiàn)者的搜索行為；由以下具體分步驟組成：

步驟6-1-1：發(fā)現(xiàn)者更新次數(shù)加1；發(fā)現(xiàn)者從當前位置開始搜索，然后在搜索空間中當前位置的前方、左側(cè)、右側(cè)分別進行掃描，在三個方向分別更新位置，然后計各自的適應(yīng)度，把適應(yīng)值更好的點作為新的發(fā)現(xiàn)者，三個方向分別按照如下公式更新：

前方:

右方:

左方：

其中，X^k_p為第k次迭代中發(fā)現(xiàn)者的位置；r₁是一個平均值為0，標準差為1的正態(tài)分布的隨機數(shù)；r₂是均勻分布在(0，1)的隨機數(shù)；θ_max為最大轉(zhuǎn)移角度，均為標量；D_p^k＝{D_i^k}為搜索方向,D_i^k＝(d_i1^k,d_i2^k,...,d_im^k),搜索方向為一個單位向量，由搜索角度計算而來，過程如下：

若三個位置的適應(yīng)度均未優(yōu)于當前適應(yīng)度，則按照下式轉(zhuǎn)變掃描角度，重新隨機取點；

步驟6-1-2：判斷發(fā)現(xiàn)者更新次數(shù)是否等于try_number；如果是，轉(zhuǎn)向步驟6-1-3；否則轉(zhuǎn)向步驟6-1-1；

步驟6-1-3：發(fā)現(xiàn)者的搜索角度更新為

步驟6-1-4：判斷群成員位置是否超出設(shè)定取值區(qū)間，如果是，轉(zhuǎn)向步驟6-1-5；否則轉(zhuǎn)向步驟6-2；

步驟6-1-5：在搜索空間內(nèi)隨機初始化群成員的位置；

步驟6-2：追隨者的位置更新如下式：

$X_i^{k+1}=X_i^k+r_3(X_p^k-X_i^k)$

其中，X_i^k為第i個追隨者在第k次迭代中的位置，r₃為均勻分布在(0，1)的隨機數(shù)；

步驟6-3：游蕩者的位置更新如下：

其中，l_w＝α*r₁l_max，其中，r₁是一個平均值為0，標準差為1的正態(tài)分布的隨機數(shù)，α為迭代過程中游蕩者的轉(zhuǎn)向角；X_w^k為第w個游蕩者在第k次迭代中的位置；

步驟7：計算群成員位置更新后的目標函數(shù)值R_MES值；

步驟8：判斷迭代次數(shù)是否等于最大迭代次數(shù)MAXGEN，如果否轉(zhuǎn)向步驟9，否則轉(zhuǎn)入步驟10；

步驟9：迭代次數(shù)加1；轉(zhuǎn)向步驟5，

步驟10：把發(fā)現(xiàn)者的位置作為電池參數(shù)的辨識結(jié)果輸出。