基于粒子群優(yōu)化算法的太陽電池隱式方程參數(shù)辨識方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種太陽電池參數(shù)辨識方法，特別是涉及一種基于粒子群優(yōu)化算法的 太陽電池隱式方程參數(shù)辨識方法。
【背景技術(shù)】
[0002] 文獻"基于最大功率點的太陽電池參數(shù)辨識方法，第三十一屆中國控制會議論文 集，2012"公開了一種基于出廠數(shù)據(jù)確定伏安特性曲線的常規(guī)參數(shù)辨識方法。該方法依據(jù)光 伏發(fā)電中太陽電池最大功率跟蹤特性，結(jié)合硅太陽電池伏安特性特性方程在最大功率點處 的極值表述，利用不同光照及溫度下所測量的最大功率點處硅太陽電池的電壓及電流建立 含有四個模型參數(shù)的封閉方程組，包括光生電流、反向飽和電流、二極管理想因子和電池串 聯(lián)電阻，通過辨識確定太陽電池四個待定參數(shù)從而確定硅太陽電池的伏安特性方程。文獻 所述的方法在建立太陽電池方程時采用了近似線性化的方法，將一些數(shù)值較小的參數(shù)近似 為0,忽略小范圍變化的參數(shù)，導(dǎo)致辨識精度不高；辨識出的太陽電池參數(shù)未包含太陽電池 等效并聯(lián)電阻及曲線擬合參數(shù)，與常用的太陽電池參數(shù)不符，無法準確建立太陽電池性能 參數(shù)的測量模型。

【發(fā)明內(nèi)容】

[0003] 為了克服現(xiàn)有太陽電池參數(shù)辨識方法辨識精度低的不足，本發(fā)明提供一種基于粒 子群優(yōu)化算法的太陽電池隱式方程參數(shù)辨識方法。該方法基于粒子群優(yōu)化算法，針對太陽 電池模型為隱式方程的特點，采用基于待辨識方程的適應(yīng)度函數(shù)設(shè)計方法，通過辨識，能夠 高效的提取太陽電池模型的五個參數(shù)。在辨識的過程中無需進行等效方程的線性簡化和參 數(shù)小范圍變化的缺省，使得辨識過程更具靈活性、適應(yīng)性和魯棒性，辨識結(jié)果精確度更高。 同時，本發(fā)明方法還能用于解決除太陽電池模型外的其他隱式方程參數(shù)辨識問題，具有一 定的普適性。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于粒子群優(yōu)化算法的太陽電 池隱式方程參數(shù)辨識方法，其特點是采用以下步驟：
[0005] 步驟一、針對復(fù)雜的非線性隱式方程，設(shè)計適應(yīng)度函數(shù)，
[0006] 對于隱式方程模型：
[0007] y = f (x1； x2, . . . , xn, y) (1)
[0008] 其中Xp x2,. . . ,xn為方程輸入，y為方程輸出。輸入和輸出變量無法直接分開，需 先求出隱式方程的根，再結(jié)合試驗數(shù)據(jù)構(gòu)成用于評價的適應(yīng)度函數(shù)，該函數(shù)表示為：
[0009]
[0010] 式中等號右邊部分由三個部分組成，第一部分為記憶部分，反映粒子的運動習(xí)慣， 代表粒子有保持自己先前速度的趨勢；第二部分為自我認知部分，反映的是粒子對自身歷 史經(jīng)驗的記憶，表示粒子有向自身歷史最佳位置逼近的趨勢；第三部分為粒子社會認知部 分，反映了粒子間協(xié)同合作與知識共享的群體歷史經(jīng)驗，表示粒子有向群體或領(lǐng)域歷史最 佳位置逼近的趨勢。N為數(shù)據(jù)的維數(shù)，x，y為實測輸入輸出數(shù)據(jù)，x'，y'為采用某一步辨 識結(jié)果帶入隱式方程，對方程求根得到的零點值。
[0011] 步驟二、初始化粒子種群內(nèi)粒子數(shù)目、最大迭代次數(shù)、學(xué)習(xí)因子和慣性權(quán)重，確定 帶辨識參數(shù)的變化范圍，在各個參數(shù)的取值區(qū)間內(nèi)隨機粒子的位置和速度，作為粒子的初 始狀態(tài)。并將各個粒子的初始狀態(tài)存儲為每個粒子的個體最優(yōu)值pbesti，并記錄下對應(yīng)粒 子所代表的位置，稱其為個體最優(yōu)粒子P id。
[0012] 步驟三、按照以下公式對所有粒子的速度和位置進行更新：
[0013] Vid (t+1) = ? X Vid (t) +Q X A X (Pid-Xid (t)) +C2 X r2 X (Pgd-Xid (t)) (3)
[0014] Xid(t+1) = Xid(t)+Vid(t+1) (4)
[0015] 其中，CjP(：2是兩個學(xué)習(xí)因子，也稱為加速參數(shù)，是兩個非負常數(shù)；r jpr2為[0, 1] 范圍內(nèi)的隨機數(shù)；t為迭代次數(shù)。vid是飛行速度，v idG [-vmax，vmax]，vmax是常數(shù)，由用戶設(shè) 定用來限制粒子的飛行速度。
[0016] 更新后的粒子位置即為參數(shù)某一時刻的辨識結(jié)果。
[0017] 步驟四、將步驟三的參數(shù)辨識結(jié)果帶入隱式方程，通過數(shù)值解法求取此時方程的 零點。結(jié)合試驗數(shù)據(jù)，帶入步驟一中設(shè)計的適應(yīng)度函數(shù)，計算各個粒子的適應(yīng)度值。
[0018] 步驟五、根據(jù)步驟四得到的適應(yīng)度值，更新所有的個體最優(yōu)值pbesti和個體最優(yōu) 粒子Pid，以及全局最優(yōu)值gbest和全局最優(yōu)粒子pgd。
[0019] 步驟六、根據(jù)需要設(shè)定循環(huán)結(jié)束條件，為適應(yīng)度值達標的解或最大迭代次數(shù)。達到 結(jié)束條件則結(jié)束搜索，輸出辨識結(jié)果；否則轉(zhuǎn)入步驟三，繼續(xù)循環(huán)更新粒子的位置和速度。
[0020] 本發(fā)明的有益效果是：該方法基于粒子群優(yōu)化算法，針對太陽電池模型為隱式方 程的特點，采用基于待辨識方程的適應(yīng)度函數(shù)設(shè)計方法，通過辨識，能夠高效的提取太陽電 池模型的五個參數(shù)。在辨識的過程中無需進行等效方程的線性簡化和參數(shù)小范圍變化的缺 省，使得辨識過程更具靈活性、適應(yīng)性和魯棒性，辨識結(jié)果精確度更高。同時，本發(fā)明方法還 能用于解決除太陽電池模型外的其他隱式方程參數(shù)辨識問題，具有一定的普適性。
[0021] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明作詳細說明。
【附圖說明】
[0022] 圖1是本發(fā)明基于粒子群優(yōu)化算法的太陽電池隱式方程參數(shù)辨識方法的流程圖。
[0023] 圖2是本發(fā)明方法【具體實施方式】中太陽電池直流等效模型示意圖。
[0024] 圖3是本發(fā)明方法【具體實施方式】中在辨識過程中適應(yīng)度值的變化曲線。
[0025] 圖4是本發(fā)明方法【具體實施方式】中辨識結(jié)果的數(shù)據(jù)擬合與實測數(shù)據(jù)的對比曲線。
[0026] 圖5是本發(fā)明方法【具體實施方式】中將辨識結(jié)果帶入隱式方程模型得到的輸出電 流與實測電流誤差百分比曲線。
【具體實施方式】
[0027] 參照圖1-5。本發(fā)明基于粒子群優(yōu)化算法的太陽電池隱式方程參數(shù)辨識方法具體 步驟如下：
[0028] 1)設(shè)計適應(yīng)度函數(shù)：
[0029] 參照附圖2,由太陽電池常用的直流等效模型，可以得到的太陽電池五參數(shù)模型的 等效隱式方程為：
[0031] 其中I。為方程輸出，V。為方程輸入。需要辨識的參數(shù)為光生電流Ig，二極管反向 飽和電流Id，曲線擬合常數(shù)A，電池并聯(lián)電阻R sh和電池串聯(lián)電阻Rs。由于方程為隱式表達 式，所以在求取適應(yīng)度值時與一般的方法有所不同。需首先求出隱式方程的根，再結(jié)合實測 數(shù)據(jù)構(gòu)成用于評價的適應(yīng)度函數(shù)，針對太陽電池隱式方程模型，其適應(yīng)度函數(shù)形式如下：
[0033] 式中N為數(shù)據(jù)的維數(shù)，I。為實測數(shù)據(jù)，I'。為在某一步已知辨識參數(shù)與輸入V。的 情況下隱式方程的根。太陽電池等效模型的隱式方程為一元的超越方程，求解該類方程根 的數(shù)值解法最常用的有二分法、不動點迭代法、zeroing算法等。
[0034] 2)初始化：
[0035] 根據(jù)待辨識模型設(shè)置粒子種群內(nèi)粒子數(shù)目m、最大迭代次數(shù)T、學(xué)習(xí)因子CdP C 2、 慣性權(quán)重根據(jù)工程實際經(jīng)驗，確定待辨識參數(shù)的變化范圍：其中曲線擬合常數(shù)A取值范 圍在[1，5]之內(nèi)，電池串聯(lián)電阻艮取值范圍為[0.01，0.05]歐姆，電池并聯(lián)電阻R sh取值范 圍為[20, 100]歐姆，