光伏阵列双二极管七参数模型参数辨识方法

摘要

本发明公开了一种光伏阵列双二极管七参数模型参数辨识方法。基于改进粒子群算法和解析法相结合的应用，先优化求解两个二极管理想因子和串联等效电阻，再利用解析法求解光生电流、并联等效电阻和两个二极管反向饱和电流。为提高改进算法的性能，提出双适应度函数，并引入自适应进化学习及自适应变异算子。本发明解决了光伏阵列双二极管七参数模型参数求解困难，以及单二极管模型参数求解精度低的问题。

说明书

技术领域

本发明涉及一种光伏阵列双二极管七参数模型参数辨识方法，属于光伏发电系统新技术领域。

背景技术

目前，用于描述光伏阵列输出特性的模型主要有单二极管五参数模型和双二极管七参数模型。单二极管模型由于参数少，计算简单，已成为工程上使用的主要模型。但是，双二极管七参数模型精度相对更高，尤其是在低光照条件下。这主要是因为，单二极管模型忽略了PN结耗尽区的复合饱和电流。

光伏阵列双二极管七参数模型参数辨识的方法主要有解析法、数解法和智能算法。解析法需要做一定的假设，或者忽略一些参数，求解简单、快速，但精度相对较低。数解法一般需要引入新的参数，如电压/电流温度系数、开路电压处的串联等效电阻、短路电流处的并联等效电阻，以构建新的方程，求解时对初始值敏感，且容易陷入局部最优甚至求解不出数值。智能算法由于其通用的全局搜索能力和处理非线性函数的有效性，在光伏阵列建模中获得了较为广泛的应用。目前常用的智能算法有粒子群算法、遗传算法、神经网络、模拟退火算法等，这类随机算法一般收敛不稳定且收敛速度较慢，且直接利用智能算法提取双二极管七参数模型的七个参数，算法计算量大，相对复杂。

因此，如何简单方便而又精确地提取光伏阵列双二极管七参数模型的七个参数对于光伏发电系统的研究与开发具有重要的意义。

发明内容

本发明提出一种光伏阵列双二极管七参数模型参数辨识方法，利用改进的粒子群算法和解析法相结合，既提高了求解精度，又降低了算法复杂度。

为达到上述目的，本发明采用的技术方案如下：

本发明提供一种光伏阵列双二极管七参数模型参数辨识方法，所述双二极管七参数模型的七参数包括：两个二极管理想因子、串联等效电阻、光生电流、并联等效电阻和两个二极管反向饱和电流；

所述方法包括以下步骤：

1)建立光伏阵列双二极管七参数模型；

2)采用改进的粒子群算法提取所述光伏阵列双二极管七参数模型中的两个二极管理想因子和串联等效电阻；

3)基于已提取的两个二极管理想因子和串联等效电阻，利用解析法求解光伏阵列双二极管七参数模型中的光生电流、并联等效电阻和两个二极管反向饱和电流。

进一步的，建立光伏阵列双二极管七参数模型，包括以下步骤：

1-1)光伏阵列双二极管七参数模型的电流输出方程为：

式中，I为光伏阵列的输出电流，V为光伏阵列的输出电压，I

1-2)将光伏阵列双二极管七参数模型七参数中的a

为了后续电流输出方程代入短路电流、开路电压和最大功率点三个状态时公式表达的简便性，令：

式中，I

在短路状态下，将短路电流点(0，I

在开路状态下，将开路电压点(V

在最大功率点状态下，将最大功率点(V

在最大功率点状态下，对电压求导的导数为0，即：

对式(1)进行求导，并代入式(8)得：

由式(5)、式(6)、式(7)和式(9)联立方程组可求得：

式中，

D＝l

式中，A

1-3)不同光照和温度下短路电流I

式中，I

进一步的，光伏阵列双二极管七参数模型参数均有一定的约束条件，可描述为：

g

式中，x＝[a

进一步的，提取两个二极管理想因子和串联等效电阻时采用双适应度值比较法，将目标函数和约束条件分离；对每个约束条件采取标准化处理；两个适应度函数分别为：

式中，x

进一步的，采用改进的粒子群算法提取光伏阵列双二极管七参数模型七参数中的两个二极管理想因子和串联等效电阻，包括以下步骤：

2-1)设置算法参数，运行工况参数，光伏阵列参数和双二极管七参数模型中的七个参数的取值范围；

在取值范围内随机初始化N个粒子的位置和速度；根据式(15)～式(18)更新不同工况下的短路电流I

根据式(10)～式(13)求解光伏阵列双二极管七参数模型的其余四个参数值：光生电流I

2-2)利用牛顿迭代法求得测量电压对应的模型输出电流近似解，计算粒子目标函数值，求得个体最优位置pbest和全局最优位置gbest，粒子违反程度置0；

2-3)按照自适应进化学习方式，更新粒子的位置和速度：

式中，ω为惯性因子，ω

粒子位置和速度更新后，对不合理的粒子进行越限处理，位置和速度数值超出最大值，则取为最大值，超出最小值，则取为最小值；

2-4)根据式(10)～式(13)求解光伏阵列双二极管七参数模型的其余四个参数值：光生电流I

2-5)第t代粒子聚集度δ的计算公式为：

式中，

基于聚集度δ动态地调节每代粒子的变异概率：

式中，β为一常数，用来调节变异概率变化快慢，取值范围为[2,4]；

[0,1]范围内产生的随机数r小于变异概率

pbest＝pbest(1+0.5tan(π(rand-0.5))) (28)

2-6)根据粒子比较原则，更新pbest，包括：

a)当两个粒子x

b)当两个粒子x

c)当粒子x

根据粒子比较原则，更新gbest，包括：

a)当两个粒子x

b)当粒子x

2-7)重复步骤2-3～2-6，直至下列关系式连续成立预定次数M次或者算法运行到最大迭代次数，输出两个二极管理想因子a

fit(gbest

式中，e

进一步的，基于已提取的两个二极管理想因子和串联等效电阻，利用解析法求解光伏阵列双二极管七参数模型中的光生电流、并联等效电阻和两个二极管反向饱和电流的方法包括：

根据下式求解光伏阵列双二极管模型的其余四个参数值I

式中，

D＝I

式中，A

与现有技术相比，本发明所达到的有益效果：

本发明利用改进的粒子群算法和解析法相结合，解决了光伏阵列双二极管七参数模型参数求解困难，以及单二极管模型参数求解精度低的问题，为光伏阵列的参数辨识提供了一种新的途径。

引入自适应进化学习后，不仅可以提高约束边界的搜索能力，而且能加快收敛速度。

引入自适应高斯变异算子后，可以提高种群的多样性，防止出现早熟现象。

附图说明

图1为本发明的方法流程图；

图2为光伏阵列双二极管七参数模型的等效电路；

图3为本发明在不同光照和温度下，光伏阵列实测数据及仿真I-V输出特性曲线。

具体实施方式

以下结合附图，对本发明所提供的光伏阵列双二极管七参数模型参数辨识方法作详细阐述。

本实施例提供一种光伏阵列双二极管七参数模型参数辨识方法，如图1所示，包括以下步骤：

1)建立光伏阵列双二极管七参数模型；

2)采用改进的粒子群算法提取光伏阵列双二极管七参数模型七参数中的两个二极管理想因子和串联等效电阻；

3)基于已提取的两个二极管理想因子和串联等效电阻，利用解析法求解光伏阵列双二极管七参数模型七参数中的光生电流、并联等效电阻和两个二极管反向饱和电流。

步骤1)中，建立光伏阵列双二极管七参数模型，包括以下步骤：

1-1)图2为光伏阵列双二极管七参数模型的等效电路，根据霍尔基夫电流定律可得：

式中，I为光伏阵列的输出电流，V为光伏阵列的输出电压，I

1-2)将光伏阵列双二极管七参数模型七参数中的a

为了后续电流输出方程代入短路电流、开路电压和最大功率点三个状态时公式表达的简便性，令：

式中，I

在短路状态下，将短路电流点(0，I

在开路状态下，将开路电压点(V

在最大功率点状态下，将最大功率点(V

在最大功率点状态下，对电压求导的导数为0，即：

对式(1)进行求导，并代入式(8)得：

由式(5)、式(6)、式(7)和式(9)联立方程组可求得：

式中，

D＝l

式中，A

1-3)不同光照和温度下短路电流I

式中，I

1-4)光伏阵列双二极管七参数模型参数中两个二极管理想因子a

g

式中，x＝[a

1-5)提取两个二极管理想因子和串联等效电阻时采用双适应度值比较法，将目标函数和约束条件分离；另外，为弱化各约束条件的差异，对每个约束条件采取标准化处理；两个适应度函数分别为：

式中，x

步骤2)中，采用改进的粒子群算法提取光伏阵列双二极管七参数模型七参数中的两个二极管理想因子和串联等效电阻，包括以下步骤：

2-1)设置算法参数，学习因子c

在取值范围内随机初始化N个粒子的位置和速度；根据式(15)～式(18)更新不同工况下的短路电流I

根据式(10)～式(13)求解光伏阵列双二极管七参数模型的其余四个参数值：光生电流I

2-2)利用牛顿迭代法求得测量电压对应的模型输出电流近似解，计算粒子目标函数值，求得个体最优位置pbest和全局最优位置gbest，粒子违反程度置0；

2-3)按照自适应进化学习方式，更新粒子的位置和速度：

式中，ω为惯性因子，ω

粒子位置和速度更新后，对不合理的粒子进行越限处理，位置和速度数值超出最大值，则取为最大值，超出最小值，则取为最小值；

2-4)根据式(10)～式(13)求解光伏阵列双二极管七参数模型的其余四个参数值：光生电流I

2-5)第t代粒子聚集度δ的计算公式为：

式中，

基于聚集度δ动态地调节每代粒子的变异概率：

式中，β为一常数，用来调节变异概率变化快慢，取值范围为[2,4]；

[0,1]范围内产生的随机数r小于变异概率

pbest＝pbest(1+0.5tan(π(rand-0.5))) (28)

2-6)根据粒子比较原则，更新pbest，具体为：

a)当两个粒子x

b)当两个粒子x

c)当粒子x

根据粒子比较原则，更新gbest，具体为：

a)当两个粒子x

b)当粒子x

2-7)重复步骤2-3～2-6，直至下列关系式连续成立M次或者算法运行到最大迭代次数，输出a

fit(gbest

式中，e

步骤3)中，基于已提取的两个二极管理想因子a

本实施例对光伏阵列(CSUN340-72M)的I-V输出特性曲线进行了估算。该光伏阵列在标准工况下特性参数如表1所示：

表1 CSUN340-72M光伏阵列的特性参数

表2光伏阵列实测电流与仿真电流均方根误差

图3为本发明在不同光照和温度下，光伏阵列实测数据及仿真I-V输出特性曲线。表2对应于图3中不同光照和温度下，实测电流与仿真电流的均方根误差。

由表2可知，光伏阵列实测电流与仿真电流的RMSE不超过0.13A，本发明较好地仿真出了CSUN340-72M光伏阵列的I-V输出特性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。