基于功率预测的光伏组件阴影故障类型判定方法

摘要

本发明公开一种基于功率预测的光伏组件阴影故障类型判定方法。首先，该方法通过改进人工鱼群算法(IAFSA)辨识出光伏组件的内部等效参数，并获取各参数随外界工况变化的修正公式；其次，采用经验模态分解(EMD)方法对光照强度进行分解，挖掘其数据趋势项，为灰色模型(GM)预测提供应用基础；最后，根据改进人工鱼群算法优化灰色模型(IAFSA‑GM)和滚动式数据更新模式对光伏组件的输出功率进行预测，从而判断出各种阴影故障类型。本发明建立了一种基于功率预测的光伏组件阴影故障类型判定方法，能够有效区分光伏组件中存在的软、硬性阴影故障。

说明书

技术领域

本发明涉及光伏组件的阴影故障类型判定方法，属于新能源发电领域。

背景技术

随着化石类能源的逐渐枯竭和环境污染的日益加剧，许多国家将目光转向新能源发电领域。光伏发电具有设计安装容易、地域限制小、扩容性强、噪声低以及寿命长等特点，日益成为新能源发电的主要形式之一。

在光伏组件运行过程中，根据影响特性可把阴影分成硬性阴影和软性阴影。区别在于前者具有时不变性，而后者具有时变性，其位置、形状、大小随时间变化而变化。软性阴影会造成光伏组件中部分电池片输出功率不匹配，长时间会损坏电池片形成硬性阴影。因此，对阴影类型进行及时甄别，可避免其对组件本身造成的损害，降低功率损失。

目前，许多学者将研究重点集中在阴影情况下的光伏输出特性以及最大功率点跟踪，而忽略了阴影的成因。胡义华等人通过采样电路和上位机监控软件，总结出在有阴影影响的情况下光伏电池板的输出特性的规律，但未对阴影情况进行判断。王元章等人提出采用BP神经网络来实现光伏组件的在线故障诊断，但该方法忽视故障信息的不确定性和复杂性，因而诊断结果的可信度不高。王培珍等人通过分析不同故障情况下光伏组件呈现出反常的温度分布来判断故障类型，但该方法需加装红外摄像机且诊断结果精度较低。Hu等人通过温度记录仪结合光伏组件输出电气值对组件的模型参数进行计算，进而通过实际功率与模型功率两者差值对故障进行判断。陈雪娟等人仅对光伏组件软硬性阴影进行初步划分，并未对硬性阴影的程度作进一步细分，且该方法中小波基的选择具有一定的局限性。

发明内容

发明目的：本发明建立一种基于功率预测的光伏组件阴影故障类型判定方法，能够有效区分光伏组件的软性阴影故障、轻微硬性阴影故障和严重硬性阴影故障。

发明内容：本发明提出一种基于功率预测的光伏组件阴影故障类型判定方法，包括如下步骤：

步骤10：通过改进人工鱼群算法IAFSA辨识出光伏组件的内部等效参数，并获取各参数随外界工况变化的修正公式。

通过IAFSA对100组实验室环境下光伏组件实测数据进行参数辨识，并利用最小二乘拟合法对组件各参数变换公式进行拟合修正。

等效串联电阻R_s影响光伏组件MPP附近的I-V输出特性曲线形状，并对曲线中开路点附近的斜率有影响。通过最小二乘法对其进行拟合，得到R_s的近似拟合表达式为：

R_s＝R_s,ref>

式中，R_s,ref为标准测试环境(Standard>

等效并联电阻R_sh则对光伏组件I-V输出特性曲线中短路点附近的斜率有影响，R_sh数值越大，则曲线在短路点附近越平行于横轴。通过最小二乘法对其进行拟合，得到R_sh的近似拟合表达式为：

式中，R_sh,ref为STC下光伏组件等效并联电阻值。

光生电流I_ph近似地随光照强度呈现线性变化，它对光伏组件I-V输出特性曲线有着最为显著和直接的影响。通过最小二乘法对其进行拟合，得到I_ph的近似拟合表达式为：

式中，I_ph,ref为STC下光伏组件光生电流值。

二极管反向饱和电流I_SD随温度变化明显，它影响光伏组件的输出电压。通过最小二乘法对其进行拟合，得到I_SD的近似拟合表达式为：

式中，I_SD,ref为STC下光伏组件二极管反向饱和电流值。

二极管理想因子n对光伏组件的输出电压有较大影响。n随温度会发生变化，通过最小二乘法对其进行拟合，得到n的近似拟合表达式为：

n＝n_ref(1-0.0003(T-25))>

式中，n_ref为STC下二极管理想因子值。

因此，在确定光伏组件的实际工况后，结合式(1)～式(5)可得当前工况下光伏组件的内部等效参数值，从而进行光伏组件建模与分析。

步骤20：采用经验模态分解EMD方法对光照强度进行分解，挖掘其数据趋势项，为灰色模型GM预测提供应用基础。

EMD方法可以将原信号中不同尺度或频率的波动或趋势分解出来，得到一系列本征模态函数(Intrinsic Mode Function,IMF)及一个趋势项。趋势项反映信号随时间变化的趋势。

IMF反映原始信号中不同时间的局部特征信息，且满足以下两个条件：

(1)信号中极值点与过零点个数相等或至多相差1个；

(2)在任一时间点上，由信号极小值、极大值分别确定的下包络线、上包络线两者均值为0。

EMD方法具体处理步骤如下：

Step1、对原始信号X(t)进行分析，确定其局部极大、极小值点。

Step2、分别利用2条3次样条曲线对所有的极大、极小值点进行曲线拟合，形成上、下包络线X_max(t)、X_min(t)。

Step3、计算每个时刻上、下包络线的包络均值M₁(t)；同时，计算其与原信号X(t)的差H₁(t)，即：

M₁(t)＝[X_max(t)-X_min(t)]/2>

H₁(t)＝X(t)-M₁(t)>

Step4、判断H₁(t)是否满足IMF的两个基本条件。若H₁(t)满足上述条件，则IMF₁(t)＝H₁(t)即为得到的第一个IMF；重新计算H₁(t)上、下包络线均值，求出，并不断进行迭代，直到H_r(t)满足上述条件，则IMF₁(t)＝H_r(t)即为得到的第一个IMF。

Step5、令R₁(t)＝X(t)-IMF₁(t)，对R₁(t)分别重复上述四个步骤即可得到IMF₁(t)、IMF₂(t)、…、IMF_r(t)等多个IMF，直到最后一个差值序列R_N(t)小于预先设定的值或者是单调函数无法继续分解时为止，则R_N(t)是剩余分量，表示原序列的趋势项。

经上述各步骤，将原始信号X(t)表示为包含信号从高到低不同频率段的R个IMF分量和一个趋势项R_N(t)，即：

式(8)满足恒定关系，即EMD方法可以完美地将原序列分解为多个分量，并在此过程中未出现信号和能量的损失，保留原始序列X(t)的所有信息。

本发明采用EMD方法对光照强度的时间序列进行分解，其本质是将非平稳光照强度值逐步平稳化的过程。

步骤30：根据改进人工鱼群算法优化灰色模型IAFSA-GM和滚动式数据更新模式对光伏组件的输出功率进行预测，从而判断出各种阴影故障类型。

灰色预测是以灰色模型为基础，其中单序列一阶线性微分方程GM最为常用。设原始序列为x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)]，采用1-AGO生成一阶累加生成序列>(1)＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]，其中：

由式(9)可知该序列x⁽¹⁾(k)呈现指数型增长规律，恰好符合一阶微分方程解的要求，则x⁽¹⁾序列满足下述一阶线性微分方程模型：

若已知参数a、u值，直接对式(10)进行求解，可得：

Y_n＝BA>

式中，

式(11)中，待定参数为A，已知量为Y_n和B。由于只含有a、u两个变量，却有(n-1)个方程，且(n-1)>2，故方程组无解。可通过最小二乘拟合法对其进行近似求解，将式(11)改写为：

式中，E为误差项。

欲使根据矩阵求导公式，进一步可得：

将式(13)中所求得的代入原微分方程，可得：

对式(14)进行微分方程求解，可得：

写成离散形式(因x⁽¹⁾(1)＝x⁽⁰⁾(1))，可得：

将式(15)、式(16)称为GM预测的时间响应函数模型，对其再进行累减还原，进一步可 得原始数列x⁽⁰⁾的GM预测模型为：

GM建模的优劣用后验差检验方法进行分析。对上述GM的建模机理进行研究，分析其缺陷。GM优化主要从以下两方面展开研究：

1、GM背景值优化

由式(13)可知，GM中参数与背景值z⁽¹⁾的构造关系密切。

在[k-1,k]区间上，对进行推导，可得：

由Lagrange中值定理，可将背景值一般形式构造成：

z⁽¹⁾(k)＝αx⁽¹⁾(k-1)+(1-α)x⁽¹⁾(k)>

式中，α∈(0,1)。

α和存在如下关系：然而，传统GM中只是简单地取α＝0.5，而忽略α的变化。当取α＝0.5，会导致在较大时预测失效。

2、GM边值优化

由式(12)、式(13)、式(16)和式(17)可知：

(1)GM的前置条件为

(2)由于x⁽⁰⁾(1)不参与B与Y的构造，该值与模型中参数的求解无关，但该值的大小，影响GM预测结果的指数修正效果。

设边值修正式为其中θ为边值修正量，有：

进而有：

同时，考虑到GM预测结果是通过最小二乘拟合得出的结果，其值不一定包括点 (1,x⁽⁰⁾(1))。因此，若将系统边值强制选取为x⁽⁰⁾(1)，即限定上述拟合曲线必经过点(1,x⁽⁰⁾(1))缺乏理论依据。

通常，影响GM预测结果的参数变为两个，分别为α和θ。为准确地估计上述参数值，需建立适当的目标函数。在实际误差检验中，预测结果的平均相对误差最小也是一项重要指标，即：

采用改进人工鱼群算法(IAFSA)对式(21)所示的目标函数进行优化求解，获取GM中参数α和θ，并进行光伏组件的输出功率预测。

若当前时刻t＝k，对当前时刻点过去的全体数据进行GM建模，该模型是连续的时间函数。对于本征性灰系统而言，未知的不确定性因素将随时间的推移不断地进入系统造成影响。因此，预测时间尺度越大、灰度越大，GM预测值的实际意义也就越小。

基于此，采用一种滚动式更新数据模式，即基于IAFSA-GM进行功率预测，采用滚动模式不断更新模型数据集，尽可能提高光伏组件功率预测的准确度。

假设k为当前时刻点，利用IAFSA-GM短期功率预测在k时刻对时段区间[k+N_cT,k+N_TT]内Tcycle个分辨周期T的光伏组件输出功率值进行预测，其中，k+N_cT为预测开始时刻；k+N_TT为预测结束时刻；Tcycle为预测周期数，其值大小为(N_T-N_c)T。在此预测数据的基础上，提取区间[k+N_cT,k+(N_c+1)T]内预测结果，即所示“目标时段”，将k+N_cT时刻光伏组件的功率预测输出作为下一预测周期(即时段区间[k+(N_c+1)T,k+(N_T+1)T])的初始状态，接着利用IAFSA-GM重新进行功率预测；同时为不增加额外计算量，剔除时间最早的数据值(即第k时刻数据)，从而保持整个序列的维数不变。

原理：本发明基于功率预测的光伏组件阴影故障类型判定方法，其目的旨在有效甄别光伏组件中不同阴影遮挡类型。

有益效果：本发明建立了一种基于功率预测的光伏组件阴影故障类型判定方法，本发明能够有效区分光伏组件中存在的软、硬性阴影故障。

附图说明

图1：为本发明的典型日下光照强度变化过程。

图2：为本发明的典型日下光照强度EMD方法分解过程。

图3：为本发明的改进人工鱼群算法的流程图。

图4：为本发明的IAFSA优化GM参数流程图。

图5：为本发明的滚动式更新数据模式。

图6：为本发明的光伏组件阴影类型判定流程图。

图7：为本发明的软性阴影变化过程示意图。

具体实施方式

下面结合附图，对本发明进行详细说明。

光伏组件的输出特性是随光照强度S、环境温度T和组件参数等不断变化的非线性函数，因此要较准确地模拟实际光伏组件的I-V输出特性曲线，必须获知内部等效参数随S和T的变化关系。

步骤10：通过改进人工鱼群算法IAFSA辨识出光伏组件的内部等效参数，并获取各参数随外界工况变化的修正公式；

步骤20：采用经验模态分解EMD方法对光照强度进行分解，挖掘其数据趋势项，为灰色模型GM预测提供应用基础；

步骤30：根据改进人工鱼群算法优化灰色模型IAFSA-GM和滚动式数据更新模式对光伏组件的输出功率进行预测，从而判断出各种阴影故障类型。

具体以TSM-250PC05A型光伏组件为例，通过IAFSA对100组实验室环境下光伏组件实测数据进行参数辨识，并利用最小二乘拟合法对组件各参数变换公式进行拟合修正。

等效串联电阻R_s影响光伏组件MPP附近的I-V输出特性曲线形状，并对曲线中开路点附近的斜率有影响。通过最小二乘法对其进行拟合，得到R_s的近似拟合表达式为：

R_s＝R_s,ref>

式中，R_s,ref为标准测试环境(Standard>

等效并联电阻R_sh则对光伏组件I-V输出特性曲线中短路点附近的斜率有影响，R_sh数值越大，则曲线在短路点附近越平行于横轴。通过最小二乘法对其进行拟合，得到R_sh的近似拟合表达式为：

式中，R_sh,ref为STC下光伏组件等效并联电阻值。

光生电流I_ph近似地随光照强度呈现线性变化，它对光伏组件I-V输出特性曲线有着最为显著和直接的影响。通过最小二乘法对其进行拟合，得到I_ph的近似拟合表达式为：

式中，I_ph,ref为STC下光伏组件光生电流值。

二极管反向饱和电流I_SD随温度变化明显，它影响光伏组件的输出电压。通过最小二乘法对其进行拟合，得到I_SD的近似拟合表达式为：

式中，I_SD,ref为STC下光伏组件二极管反向饱和电流值。

二极管理想因子n对光伏组件的输出电压有较大影响。n随温度会发生变化，通过最小二乘法对其进行拟合，得到n的近似拟合表达式为：

n＝n_ref(1-0.0003(T-25))>

式中，n_ref为STC下二极管理想因子值。

因此，在确定光伏组件的实际工况后，结合式(1)～式(5)可得当前工况下光伏组件的内部等效参数值，从而进行光伏组件建模与分析。

在实际应用中，光伏组件的最大功率点(MPP)是整个光伏发电系统运行与控制的关键工作点。根据电流方程的显式解，得光伏组件的输出功率为：

在MPP处，根据可得：

式中，

式(7)是仅含有I_m的方程，若已知当前工况下各内部等效参数值，即可求解出I_m值。进而将其代入电压的显式表达式，可得：

因此，若已知当前工况，根据式(1)～(8)可准确获知当前P_m值，为后续光伏组件硬性阴影严重程度判定方法提供最大输出功率的理论值。

灰色关联度分析(GRA)是灰色系统分析方法的一种，根据系统内部各因素之间发展态势 的相似或相异程度来衡量各个因素之间的关联程度。应用GRA方法对光伏组件输出功率各影响程度进行评估的步骤如下：

(1)对样本数据进行归一化处理，即无量纲化处理。设X为m×n(影响因素的种类为m、每类影响因素的样本维数为n)维样本集，其中x_i(j)∈X表示第i行第j个数据，则归一化后为：

(2)对归一化后的样本数据计算绝对差。根据整体性灰色关联度的概念，将参考序列x₀(j)'依次选取为归一化后的S、T和P时间序列，定义参考序列与比较序列的绝对值差为Δ_i(k)，如式(10)所示：

Δ_i(j)＝|x₀(j)'-x_i(j)'|>

(3)计算绝对值差的两极值，和为两极最小值，表示在第i类影响因素的n个绝对差中找出最小值后，再按i＝1,2,...,m找出m个影响因素对应的所有绝对差的最小值；同理，为两极最大值，计算方法同上。

(4)计算关联系数r_i(j)，其表达式为式(11)所示：

式中，ρ为分辨系数，取值范围为0～1，本发明取ρ＝0.5。

(5)计算S、T和P三者之间的相互关联度，即：

选取一段时间内的光伏组件历史输出功率和对应运行气象数据，结合相似日选取方法对上述数据进行分类，分别为：晴天、阴天和雨天^[17]。结合式(9)～式(12)可得，在不同气象类型下光照强度S、温度T和光伏组件输出功率P的平均GRA关联度分析结果如表1所示。

表1不同气象类型下灰色关联度分析结果

由表1可知，不同气象类型下光伏组件输出功率P与光照强度S的平均相关性为0.93，与温度T的平均相关性为0.31。结合GRA关联系数的对应分类标准可知，P与S属于极强相 关性，而P与T属于弱相关性。因此，为方便起见，后续研究中仅选取S作为光伏组件阴影故障判断的主要参考量。

EMD方法是Hilbert-Huang变换中一种信号分解方法，该方法继承小波分析多分辨的优点，同时摒弃小波变换中对小波基的选取与分解尺度的确定。EMD方法可以将原信号中不同尺度(或频率)的波动或趋势分解出来，得到一系列本征模态函数(IMF)及一个趋势项。趋势项反映信号随时间变化的趋势。

IMF反映原始信号中不同时间的局部特征信息，且满足以下两个条件：

(1)信号中极值点与过零点个数相等或至多相差1个；

(2)在任一时间点上，由信号极小值、极大值分别确定的下包络线、上包络线两者均值为0。

EMD方法具体处理步骤如下：

Step1、对原始信号X(t)进行分析，确定其局部极大、极小值点。

Step2、分别利用2条3次样条曲线对所有的极大、极小值点进行曲线拟合，形成上、下包络线X_max(t)、X_min(t)。

Step3、计算每个时刻上、下包络线的包络均值M₁(t)；同时，计算其与原信号X(t)的差H₁(t)，即：

M₁(t)＝[X_max(t)-X_min(t)]/2>

H₁(t)＝X(t)-M₁(t)>

Step4、判断H₁(t)是否满足IMF的两个基本条件。若H₁(t)满足上述条件，则IMF₁(t)＝H₁(t)即为得到的第一个IMF；重新计算H₁(t)上、下包络线均值求出并不断进行迭代，直到H_r(t)满足上述条件，则IMF₁(t)＝H_r(t)即为得到的第一个IMF。

Step5、令R₁(t)＝X(t)-IMF₁(t)，对R₁(t)分别重复上述四个步骤即可得到IMF₁(t)、IMF₂(t)、…、IMF_r(t)等多个IMF，直到最后一个差值序列R_N(t)小于预先设定的值或者是单调函数无法继续分解时为止，则R_N(t)是剩余分量，表示原序列的趋势项。

经上述各步骤，将原始信号X(t)表示为包含信号从高到低不同频率段的R个IMF分量和一个趋势项R_N(t)，即：

式(15)满足恒定关系，即EMD方法可以完美地将原序列分解为多个分量，并在此过程 中未出现信号和能量的损失，保留原始序列X(t)的所有信息。

本发明采用EMD方法对光照强度的时间序列进行分解，其本质是将非平稳光照强度值逐步平稳化的过程。实验过程中，采用TBQ-2辐照度传感器测量光伏组件的共面光照强度，记录下每天6:00～17:30之间光照强度值的变化过程，选取其中1组典型日全天光照强度值的变化过程，如图1所示。

由图1可知，上午的光照强度出现较大的抖动，可能因为云层遮挡等突发天气状况引起的，而下午的光照强度呈现相对较好的递减曲线。选取当天7:00～10:00和14:00～15:00这两个时间段内光照强度值，分别采用EMD方法进行多尺度分解，可得如图2所示光照强度的EMD分解过程。

由图2可知，通过EMD方法的逐层分解，滤除外界不定因素带来的影响，得到平滑的趋势项数据。通过对图2中趋势项信息分析可知，尽管实际情况下光照强度值存在较大的波动，在7:00～10:00时间段内，整个区间范围内光照强度值随时间的增长呈上升趋势；在14:00～17:00时间段内，整个区间范围内光照强度值随时间的增长呈现下降趋势，上述光照强度变化过程均与常识相吻合，符合GM预测对数据单调性的要求。

灰色预测是以灰色模型为基础，其中单序列一阶线性微分方程GM最为常用。

设原始序列为x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)]，采用1-AGO生成一阶累加生成序列x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(n)]，其中：

由式(16)可知该序列x⁽¹⁾(k)呈现指数型增长规律，恰好符合一阶微分方程解的要求，则x⁽¹⁾序列满足下述一阶线性微分方程模型：

若已知参数a、u值，直接对式(17)进行求解，可得：

Y_n＝BA>

式中，

式(18)中，待定参数为A，已知量为Y_n和B。由于只含有a、u两个变量，却有(n-1)个>

式中，E为误差项。

欲使根据矩阵求导公式，进一步可得：

将式(20)中所求得的代入原微分方程，可得：

对式(21)进行微分方程求解，可得：

写成离散形式(因x⁽¹⁾(1)＝x⁽⁰⁾(1))，可得：

将式(22)、式(23)称为GM预测的时间响应函数模型，对其再进行累减还原，进一步可得原始数列x⁽⁰⁾的GM预测模型为：

GM建模的优劣用后验差检验方法进行分析，具体检验标准如表2中所示。

表2GM精度检验对照表

通常，在GM预测模型评价的优劣指标中，要求观测数据的方差s₁大、预测残差的方差s₂小，因而C值要求越小越好。此外，若要求相对偏差|e(k)|/s₁小于0.6745，则允许偏差绝对值|e(k)|也随之增大，因而P值要求越大越好。基于此，本发明即选用C、P这两个指标来检验预测模型的精度。

对上述GM的建模机理进行研究，分析其缺陷。GM优化主要从以下两方面展开研究：

1、GM背景值优化

由式(20)可知，GM中参数与背景值z⁽¹⁾的构造关系密切。

在[k-1,k]区间上，对进行推导，可得：

由Lagrange中值定理，可将背景值一般形式构造成：

z⁽¹⁾(k)＝αx⁽¹⁾(k-1)+(1-α)x⁽¹⁾(k)>

式中，α∈(0,1)。

α和存在如下关系：然而，传统GM中只是简单地取α＝0.5，而忽略α的变化。当取α＝0.5，会导致在较大时预测失效。

2、GM边值优化

由式(18)、式(20)、式(23)和式(24)可知：

(1)GM的前置条件为

(2)由于x⁽⁰⁾(1)不参与B与Y的构造，该值与模型中参数的求解无关，但该值的大小，影响GM预测结果的指数修正效果。

设边值修正式为其中θ为边值修正量，有：

进而有：

同时，考虑到GM预测结果是通过最小二乘拟合得出的结果，其值不一定包括点(1,x⁽⁰⁾(1))。因此，若将系统边值强制选取为x⁽⁰⁾(1)，即限定上述拟合曲线必经过点(1,x⁽⁰⁾(1))缺乏理论依据。

由此可知，影响GM预测结果的参数变为两个，分别为α和θ。为准确地估计上述参数值，需建立适当的目标函数。在实际误差检验中，预测结果的平均相对误差最小也是一项重要指 标，即：

人工鱼群算法(AFSA)模拟自然界中鱼的集群觅食行为，采用自下而上的寻优模式，通过鱼群中个体之间的协作使群体达到最优选择的目的。每条人工鱼探索自身当前所处的环境，选择执行其中的一种行为算子，通过不断调整个体的位置，最终集结在食物密度较大的区域周围，取得全局最优值。

觅食行为奠定算法收敛的基础，聚群行为增强算法收敛的稳定性和全局性，追尾行为增强算法收敛的快速性和全局性。人工鱼通过对环境的感知来自主协调搜索机制，该算法最终能寻优到全局最优值附近，从而使优化问题求解。

Nelder-Mead方法(NM法)也称下山单纯形法，不同于线性规划的单纯形法，它适用于求n元函数f(x₁,x₂,…,x_n)的无约束最小值。其算法思想是在n维空间中，由n+1个顶点可以组成“最简单”的图形，叫单纯形。NM法就是先构建一个初始的、包罗给定点的单纯形，然后搜索的每一步中，使用可能的4种方式(反射、扩大、压缩和收缩)产生离当前单纯形比较近的点，在新的点上函数值会和单纯形各个顶点上的值比较，一般会有一个顶点被替代，产生一个新的单纯形，重复如上步骤，直至单纯形的函数值小于预设阈值。

与其它智能优化算法相类似，当AFSA中存在人工鱼处于随机移动状态或在局部极值点出现人工鱼群聚集严重时，导致算法收敛速度减慢，进而影响到最终收敛精度。

因此，针对AFSA运行后期收敛速度放缓、精度降低等问题，在算法运行过程中动态调整相关参数，同时引入繁殖行为、迁徙行为和NM法来提高算法的整体寻优性能，较好地平衡改进算法的全局和局部搜索能力，进一步加快运算速度。

算法迭代运行前期，较大的Visual和Step可增强算法的全局搜索能力和收敛速度；迭代运行后期，算法逐步演化为精细化搜索过程，在最优解邻域范围内进行精细搜索。基于此，可按式(31)对人工鱼感知范围Visual和移动步长Step进行动态调整：

式中，Visual_start、Visual_end分别表示Visual的初值和终值；Step_start、Step_end分别表示Step的初值和终值；t为当前迭代次数，Maxgen为最大迭代次数。

在IAFSA的迭代过程中，在固定迭代间隔步数时引入K-均值聚类方法对人工鱼群进行分类，并对聚类中心个体执行NM法精确搜索。此外，为加快该算法整体的收敛速度和解的质量，对每次迭代过程公告牌中全局极值点均执行一次NM法搜索。基于此，IAFSA较好地 利用AFSA所得的优化结果，同时适度降低NM法计算量。IAFSA的具体流程图如图3所示：

综上所述，本发明所提IAFSA的具体实施步骤如下：

Step1、对参数进行初始化操作，种群数目N、随机初始位置、最大迭代次数Maxgen、感知范围[Visual_start,Visual_end]、步长范围[Step_start,Step_end]、拥挤度因子δ、最大试探次数Try_number和NM法间隔数K等参数。

Step2、求取各人工鱼的适应度值，并记录全局最优人工鱼状态。

Step3、对AFSA算法参数进行自适应调整。

Step4、对各人工鱼的行为进行评价，选择人工鱼最合适的行为进行动作。

Step5、执行相应的行为后，对人工鱼的位置信息和全局最优人工鱼状态进行更新，给公告牌赋最优值。同时，采用繁殖行为，淘汰适应度值较差的个体。

Step6、迁徙行为判断，若满足迁徙概率P_e，则执行迁徙行为，并更新公告牌状态；否则，直接转到Step7执行。

Step7、如果满足t mod K＝0，执行NM法。借助K-均值聚类法，确定聚类中心人工鱼；对每个类中心个体执行NM搜索，计算其适应度值并更新公告牌。

Step8、对全局极值人工鱼个体执行NM法搜索，将最优值赋给公告牌。

Step9、判断终止条件，若满足终止条件，则输出最优值，算法结束；否则，继续迭代执行Step2～Step8，直至算法终止条件被满足。

采用上述IAFSA对式(30)所示的目标函数进行优化求解，获取GM中参数α和θ，并进行光伏组件的输出功率预测。

通过IAFSA优化GM参数α和θ的流程如图4所示，求解出最佳参数值α和θ，并将其值代入GM中，从而建立新的数据预测模型。

若当前时刻t＝k，对当前时刻点过去的全体数据进行GM建模，该模型是连续的时间函数。对于本征性灰系统而言，未知的不确定性因素将随时间的推移不断地进入系统造成影响。因此，预测时间尺度越大、灰度越大，GM预测值的实际意义也就越小。

基于此，采用一种滚动式更新数据模式，即基于IAFSA-GM进行功率预测，采用滚动模式不断更新模型数据集，尽可能提高光伏组件功率预测的准确度，具体方法如图5所示。

假设k为当前时刻点，利用IAFSA-GM短期功率预测在k时刻对时段区间[k+N_cT,k+N_TT]内Tcycle个分辨周期T的光伏组件输出功率值进行预测，其中，k+N_cT为预测开始时刻；k+N_TT为预测结束时刻；Tcycle为预测周期数，其值大小为(N_T-N_c)T。在此预测数据的基础上，提取区间[k+N_cT,k+(N_c+1)T]内预测结果，即图5所示“目标时段”，将k+N_cT时刻光伏组件的功率预测输出作为下一预测周期(即时段区间[k+(N_c+1)T,k+(N_T+1)T])的初始状态，接着利用>

可知，硬性阴影具有时不变性，即被遮挡的面积与被遮挡的位置不变。随着时间t的增加(仅限上午光照强度值单调不减或下午光照强度值单调不增的情况下)，由前述分析已知光照强度与光伏组件输出功率正相关，其k-1到k时刻的最大功率值P_m应呈现增长趋势(或呈现衰减趋势)，该数据变化规律符合IAFSA-GM预测的相关要求。而软性阴影具有时变性，主要是受到建筑物、树木及浮云等遮挡而留下的阴影。随着时间的推移，上述遮挡在光伏组件上形成的阴影面积大小及位置都会发生变化，因而造成光伏组件输出功率P_m的变化不再具有规律性，不满足IAFSA-GM预测的前提条件。若仍对该数据序列进行IAFSA-GM预测，则会出现较大的偏差。

通过IAFSA-GM预测，利用短时的光伏组件最大输出功率历史数据P_n-a、…、P_n-2、P_n-1、P_n对未来时刻最大功率P_n+1、P_n+2、…等进行预测。当到达下一时刻，即未来n+1时刻，将测得实际最大功率值(P_n+1')与预测数据(P_n+1)进行比较。在下一个算法预测周期中，根据滚动式数据更新模式将实际数据(P_n+1')作为历史数据，对整个时间序列中最早的数值(P_n-a)进行替换，进而实现数据不断滚动更新，整个算法流程如图5所示。

由图6可知，基于可编程直流电子负载扫描法和准梯度式扰动观测法相结合的MPPT算法，实现对光伏组件MPP准确测量。其中，设定光伏组件的功率降低阈值为额定功率的20％。通过对IAFSA-GM预测误差进行分析，并结合表2中相关指标来判断光伏组件阴影类型。当预测模型精度等级未达到二级时，说明光伏组件的最大输出功率不适宜采用IAFSA-GM进行功率预测，此时光伏组件可能存在软性阴影故障。而对于硬性阴影故障，则根据功率损失的程度进一步将硬性阴影故障分为轻微硬性阴影和严重硬性阴影。

1、硬性阴影仿真结果分析与研究

根据前述分析，所选TSM-250PC05A型光伏组件内置3个旁路二极管，假设仿真模型中的阴影面积为3块电池片一直被遮挡，根据阴影部分位于不同二极管区域，选取三种不同运行工况，设定被遮挡部分的光照强度值均为100W/m²。为简单起见，本发明仿真所选数据均选用上午的光照强度值。

工况一：假设3块电池片位于同一个二极管所在支路中，仿真可得该组件P_m(W)为{79.0,87.3,89.6,98.2,102.6,103.6,105.5,110.7,113.2,113.9}。

工况二：假设3块电池片位于两个二极管所在支路中，仿真可得该组件P_m(W)为{30.1,32.4,33.0,35.1,36.2,36.5,36.9,38.2,38.8,38.9}。

工况三：假设3块电池片平均分布在三个二极管所在支路中，仿真可得该组件P_m(W)为>

表3所示为三种硬性阴影工况下，基于IAFSA-GM建模所得的仿真结果对比。由表3可知，对于硬性阴影下光伏组件的最大输出功率预测，相对平均误差值较小，C和P均符合精度等级一级的要求，说明在硬性阴影下，IAFSA-GM方法对光伏组件最大输出功率具有较高的预测精度。

与此同时，根据图5中预设的ΔP值可知，工况一为轻微硬性阴影故障，而工况二、工况三为严重硬性阴影故障，实际中需对其进行及时排查，避免长时间工作在该故障状态下造成光伏组件的永久性损坏。

表3不同硬性阴影工况下IAFSA-GM仿真结果

2、软性阴影仿真结果分析与研究

根据实际情况，模拟两种不同软性阴影的变化过程，如图7所示。图7(a)中所示阴影遮挡面积固定，从左至右依次对光伏电池片进行遮挡，遮挡的电池片所处支路也由一个旁路二极管扩大到三个，再缩小到一个，直至恢复正常；图7(b)中所示随时间推移，光伏组件的被遮挡面积先逐步增大后减小的变化过程，显而易见，遮挡的电池片处于不同旁路二极管支路中，光伏组件的最大功率输出更为复杂、波动范围较大。

根据图7所示的软性阴影的变化情况，仿真可得两组不同阴影变化下该组件P_m(W)分别为{127.3,87.3,89.6,35.1,36.2,36.5,36.9,110.7,113.2,188.7}、{79.0,87.3,89.6,34.0,35.1,103.6,36.9,110.7,113.2,188.7}。

在软性阴影下，基于IAFSA-GM功率预测的相对误差基本达到80％以上，部分时刻点相对误差值甚至超过100％。软性阴影较强的时变性使得光伏组件的最大输出功率不再具有规律性，因而不宜继续使用IAFSA-GM方法对其进行功率预测输出；如若仍采用IAFSA-GM进行功率预测将导致出现较大的功率误差，预测的准确度也较低。

表4所示为两种软性阴影工况下，基于IAFSA-GM预测所得的仿真结果，参考表2中相关指标，C和P均在精度等级四级指标中。对比表3和表4可知，两者功率预测结果呈现较大的偏差。

表4不同软性阴影工况下IAFSA-GM仿真结果

为进一步分析上述结果的准确性，选取30组不同光照强度数据进行仿真建模，硬性、软性故障仍采取上述几种遮挡情况，根据表2中的精度检验标准得出30组仿真数据的功率预测结果概率值，如表5所示。

表5仿真结果精度等级

由表5可知，对硬性、软性阴影下光伏组件的最大输出功率进行预测，采用同样的IAFSA-GM方法得到的功率预测结果出现较大差异。前者的相对误差较小，所建模型的预测精度高，精度等级均在二级以上。反之，软性阴影的模型预测误差很大、预测精度较低，基本在精度等级三级及以下，有16.67％的预测结果甚至连四级指标都不能达到。

综上所述，通过分析预测模型的相对误差以及参照预测精度检验对照表的不同，可明显地对阴影类型进行判定，获知不同的光伏组件阴影故障。