基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法
【專利摘要】本發(fā)明公開一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法。先通過可編程直流電子負(fù)載對光伏組件I?V輸出特性曲線進(jìn)行全局快速掃描，以記錄明顯的多峰值個(gè)數(shù)；而后采用改進(jìn)人工魚群算法(IAFSA)對I?V特性曲線中采樣值進(jìn)行內(nèi)部等效參數(shù)辨識，結(jié)合均方根誤差(RMSE)進(jìn)而判斷組件中輕微陰影遮擋情況。根據(jù)本發(fā)明建立上述光伏組件陰影判定方法的實(shí)施例，仿真結(jié)果表明在任意工況下，該方法均具有較好的動態(tài)性能和穩(wěn)態(tài)性能。
【專利說明】
基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及新能源發(fā)電的技術(shù)領(lǐng)域，具體的說，是基于峰值計(jì)數(shù)與參數(shù)辨識的光 伏組件陰影判定方法。
【背景技術(shù)】
[0002] 隨著化石類能源的逐漸枯竭和環(huán)境污染的日益加劇，許多國家將目光轉(zhuǎn)向新能源 發(fā)電領(lǐng)域。光伏發(fā)電具有設(shè)計(jì)安裝容易、地域限制小、擴(kuò)容性強(qiáng)、噪聲低以及壽命長等特點(diǎn)， 日益成為新能源發(fā)電的主要形式之一。
[0003] 實(shí)際應(yīng)用中，由于外界環(huán)境復(fù)雜多變，因受到周圍建筑物、樹木以及烏云等產(chǎn)生局 部陰影的影響，作為最小發(fā)電單元的光伏組件輸出呈現(xiàn)多峰值特性，此時(shí)傳統(tǒng)單峰值MPPT 法易失效，導(dǎo)致輸出功率降低。此外，當(dāng)存在局部陰影時(shí)，由于組件內(nèi)各電池片的輸出特性 不一致，被陰影遮擋的光伏電池片將作為負(fù)載消耗其它有光照的光伏電池片所產(chǎn)生的能 量，使其發(fā)熱從而形成"熱斑效應(yīng)"。發(fā)熱嚴(yán)重時(shí)，將會導(dǎo)致光伏電池片或玻璃開裂、焊點(diǎn)融 化等破壞性結(jié)果，進(jìn)而有可能使整個(gè)光伏組件失效。因此，對光伏組件進(jìn)行陰影狀態(tài)監(jiān)測， 及時(shí)對輕微陰影故障進(jìn)行排查，可有效預(yù)防陰影故障程度加重；同時(shí)，采取相應(yīng)措施以避免 造成嚴(yán)重后果，提高光伏發(fā)電系統(tǒng)的安全性。
[0004] 現(xiàn)階段，針對陰影方面的研究，主要集中在陰影情況下的輸出特性以及最大功率 點(diǎn)跟蹤，均屬于"事后被動型"措施;而對于早期陰影的狀態(tài)監(jiān)測，涉及相對較少。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的在于建立一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，能夠 對光伏組件的陰影遮擋情況進(jìn)行有效判定。
[0006] 本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：
[0007] -種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，其中，判定方法的建立 包括如下步驟：
[0008] 步驟10:利用可編程直流電子負(fù)載對光伏組件I-V輸出特性曲線進(jìn)行全局快速掃 描，以記錄明顯的多峰值個(gè)數(shù)；
[0009] 步驟20:采用改進(jìn)人工魚群算法對光伏組件I-V特性曲線中采樣值進(jìn)行內(nèi)部等效 參數(shù)辨識，結(jié)合均方根誤差進(jìn)而判斷組件中輕微陰影遮擋情況。
[0010]為優(yōu)化上述技術(shù)方案，采取的具體措施還包括：
[0011] 步驟10中光伏組件明顯多峰值點(diǎn)的計(jì)數(shù)過程如下：
[0012] 采用可編程直流電子負(fù)載從光伏組件的短路工作點(diǎn)開始掃描，初始化值計(jì)數(shù) Flag = 0,若檢測到光伏組件的輸出功率滿足:Pk>Pk-1且?1 5沖1{+1時(shí)，則記Flag = Flag+l，直至 完成整條光伏組件I-V曲線的掃描過程，其中Pk+PhPkn為連續(xù)的光伏組件的輸出功率值 掃描點(diǎn)。
[0013] 步驟20中光伏組件輕微陰影遮擋情況的判定過程如下：
[0014]光伏組件參數(shù)辨識選取目標(biāo)函數(shù)為均方根誤差RMSE，公式為：
[0016] 式中，0 =浪、1^、1[)11、1111)為待辨識參數(shù)4(￥，1，0)是第1組實(shí)測值和仿真模型 輸出的差值，R s、Rsh為等效串并聯(lián)電阻，IPh為光生電流，Isd為二極管反向飽和電流，η為二極 管理想品質(zhì)因素；
[0017] 針對上述式(1)，采用改進(jìn)人工魚群算法的具體實(shí)施步驟如下：
[0018] Step 1、對參數(shù)進(jìn)行初始化操作，設(shè)定參數(shù):種群數(shù)目Ν、隨機(jī)初始位置、最大迭代次 數(shù)Maxgen、感知范圍[Visualstart，Visualend]、步長范圍[Stepstart，Stepend]、擁擠度因子δ、 最大試探次數(shù)Try_number和ΝΜ法間隔數(shù)Κ;
[0019] Step2、求取各人工魚的適應(yīng)度值，并記錄全局最優(yōu)人工魚狀態(tài)；
[0020] Step3、對人工魚群算法參數(shù)進(jìn)行自適應(yīng)調(diào)整；
[0021] Step4、對各人工魚的行為進(jìn)行評價(jià)，選擇人工魚最合適的行為進(jìn)行動作；
[0022] Step5、執(zhí)行相應(yīng)的行為后，對人工魚的位置信息和全局最優(yōu)人工魚狀態(tài)進(jìn)行更 新，給公告牌賦最優(yōu)值;同時(shí)，采用繁殖行為，淘汰適應(yīng)度值較差的個(gè)體；
[0023] Step6、迀徙行為判斷，若滿足迀徙概率，則執(zhí)行迀徙行為，并更新公告牌狀態(tài)； 否則，直接轉(zhuǎn)到Step7執(zhí)行；
[0024] Step7、如果滿足t modK = 0,其中，t為當(dāng)前迭代次數(shù)，執(zhí)行匪法;借助K-均值聚類 法，確定聚類中心人工魚;對每個(gè)類中心個(gè)體執(zhí)行NM搜索，計(jì)算其適應(yīng)度值并更新公告牌； [0025] Step8、對全局極值人工魚個(gè)體執(zhí)行NM法搜索，將最優(yōu)值賦給公告牌；
[0026] Step9、判斷終止條件，若滿足終止條件，則輸出最優(yōu)值，算法結(jié)束；否則，繼續(xù)迭 代執(zhí)行Step2~Step8,直至算法終止條件被滿足。
[0027] 原理:本發(fā)明基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，其目的旨在有 效判定光伏組件中陰影遮擋情況。
[0028] 有益效果:建立了一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，本發(fā) 明針對光伏組件中陰影難以判定的情況，采用上述兩步法，可對光伏組件中陰影遮擋進(jìn)行 有效判定。
【附圖說明】
[0029] 圖1:為本發(fā)明的基于可編程直流電子負(fù)載的光伏組件I-V特性曲線掃描電路框 圖；
[0030] 圖2:為本發(fā)明的陰影條件下光伏組件多峰值點(diǎn)計(jì)數(shù)示意圖；
[0031] 圖3:為本發(fā)明的單二極管等效電路模型；
[0032] 圖4:為本發(fā)明的光伏組件參數(shù)辨識策略；
[0033] 圖5:為本發(fā)明的改進(jìn)人工魚群算法流程圖；
[0034] 圖6:為本發(fā)明的光伏組件陰影遮擋判定流程圖；
[0035] 圖7:為本發(fā)明的陰影遮擋時(shí)光伏組件仿真與實(shí)測值的對比；
[0036] 圖8(a)_(f):為本發(fā)明的光伏組件在不同陰影遮擋時(shí)實(shí)測值與仿真曲線對比。
【具體實(shí)施方式】
[0037] 下面結(jié)合附圖，對本發(fā)明進(jìn)行詳細(xì)說明。
[0038] 圖1所示為基于可編程直流電子負(fù)載的光伏組件特性曲線掃描電路框圖。如圖所 示，將可編程直流電子負(fù)載作為光伏組件的負(fù)載，可編程電子負(fù)載的等效阻值受控制電路 輸出信號的控制，該等效阻值變化范圍由零逐步變化到無窮大，光伏組件工作點(diǎn)也由短路 點(diǎn)逐步變化到開路點(diǎn)。在此過程中，對光伏組件的連續(xù)工作點(diǎn)上輸出電壓、電流進(jìn)行采樣， 便得到光伏組件在當(dāng)前工況下ι-v特性曲線。
[0039] 本發(fā)明中可編程直流電子負(fù)載選用M0SFET，為使光伏組件Ι-V輸出特性曲線中恒 流源區(qū)掃描更加準(zhǔn)確，常采取多個(gè)M0SFET并聯(lián)，以減小其完全導(dǎo)通時(shí)的等效電阻。通過對 M0SFET驅(qū)動電壓的控制即可實(shí)現(xiàn)對直流電子負(fù)載的控制，基于可編程直流電子負(fù)載對I-V 特性曲線進(jìn)行掃描可實(shí)現(xiàn)掃描過程可控化。較常規(guī)電容動態(tài)充電Ι-V特性曲線掃描方法，該 方法具有體積小、成本低、精度高、掃描過程可控等優(yōu)點(diǎn)。
[0040] 本發(fā)明為硬件電路實(shí)現(xiàn)簡單，對于整條光伏組件Ι-V特性曲線由短路電流點(diǎn)開始， 設(shè)定電子負(fù)載處于恒壓工作模式，以固定步長控制光伏組件輸出電壓，并同步采樣組件輸 出電流和電壓，直至光伏組件處于開路狀態(tài)，完成整條Ι-V特性曲線掃描。
[0041] 通常情況，局部陰影條件下光伏組件輸出特性呈現(xiàn)多峰值。采用可編程直流電子 負(fù)載從光伏組件的短路工作點(diǎn)開始掃描，初始化Pm峰值計(jì)數(shù)Flag = 0，若檢測到光伏組件的 輸出功率滿足:Pk>Pk-時(shí)，則記Flag = Flag+l，陰影條件下光伏組件多峰值計(jì)數(shù)示 意圖如圖2所示。
[0042] 由圖2可知，陰影條件下光伏組件多峰值點(diǎn)計(jì)數(shù)法的準(zhǔn)確性易受兩方面原因影響： 一方面可編程直流電子負(fù)載的掃描間隔，掃描間隔越短、采樣點(diǎn)越多、精度越高，但會導(dǎo)致 掃描電路耗時(shí)越長;另一方面為陰影遮擋程度，陰影程度越低、曲線變化越不明顯。
[0043]基于上述兩方面原因，選取合適的Ι-V特性曲線掃描間隔，當(dāng)出現(xiàn)明顯的多峰值情 況時(shí)，峰值計(jì)數(shù)法能夠進(jìn)行有效甄別，但仍難免會出現(xiàn)誤判現(xiàn)象。
[0044] 通常，光伏電池單體的等效電路模型如圖3所示，模型參數(shù)主要包括：光生電流 (IPh)、二極管反向飽和電流(Isd)、二極管理想品質(zhì)因素(η)以及等效串并聯(lián)電阻(R s、Rsh)。
[0045] 在實(shí)際應(yīng)用中，一塊光伏組件由Ns個(gè)光伏電池串聯(lián)而成，則光伏組件的基爾霍夫 電流定律(Kirchhoff' s current law，KCL)等效電路方程為
[0047] 式中：q為電子電荷量（1.602\10-19〇士為玻爾茲曼常數(shù)（1.381\10-231/1〇 ;1'為 熱力學(xué)溫度(常溫近似為300K)。
[0048]由式（1)可知，該方程中含有5個(gè)未知參數(shù)，分別為：1#、]^、11、1^和1^，而生產(chǎn)廠家 的數(shù)據(jù)手冊一般不會提供上述參數(shù)值。
[0049]光伏組件數(shù)學(xué)模型是一個(gè)隱式且非線性的超越方程，直接函數(shù)求解較困難。本發(fā) 明先通過Lambert W函數(shù)將其進(jìn)行顯式化處理，用于降低原數(shù)學(xué)模型中參數(shù)求解的難度;進(jìn) 而提出通過改進(jìn)人工魚群算法（IAFSA)來辨識模型參數(shù)。
[0050]由此可得光伏組件的電流顯式表達(dá)式：
[0053]在進(jìn)行IAFSA辨識該模型參數(shù)之前，需建立準(zhǔn)確的目標(biāo)函數(shù)，對式(2)作如下變形：
[0055] 式中，V、I是I-V特性曲線中電壓、電流采樣值。
[0056] 光伏組件參數(shù)辨識可歸納為一個(gè)優(yōu)化問題，其基本思想是通過最小化目標(biāo)函數(shù)以 求取參數(shù)最優(yōu)值。本發(fā)明選取的目標(biāo)函數(shù)為均方根誤差(RMSE)為：
[0058]式中，0 =浪、1^、1[)11、1111)為待辨識參數(shù)4(￥，1，0)是第1組實(shí)測值和仿真模型 輸出的差值。
[0059]光伏組件參數(shù)辨識的目標(biāo)即為求解min RMSE，圖4為光伏組件參數(shù)辨識策略，其中 S為光照強(qiáng)度。
[0060]人工魚群算法模擬自然界中魚的集群覓食行為，采用了自下而上的尋優(yōu)模式，通 過魚群中個(gè)體之間的協(xié)作使群體達(dá)到最優(yōu)選擇的目的。每條人工魚探索自身當(dāng)前所處的環(huán) 境，選擇執(zhí)行其中的一種行為算子，通過不斷調(diào)整個(gè)體的位置，最終集結(jié)在食物密度較大的 區(qū)域周圍，取得全局最優(yōu)值。覓食行為奠定算法收斂的基礎(chǔ)，聚群行為增強(qiáng)算法收斂的穩(wěn)定 性和全局性，追尾行為增強(qiáng)算法收斂的快速性和全局性。人工魚通過對環(huán)境的感知來自主 協(xié)調(diào)搜索機(jī)制，該算法最終能尋優(yōu)到全局最優(yōu)值附近，從而使優(yōu)化問題求解。
[0061 ] Nelder-Mead方法(NM法)也稱下山單純形法，不同于線性規(guī)劃的單純形法，它適用 于求η元函數(shù)f (XI，X2，…，Xn)的無約束最小值。其算法思想是在η維空間中，由n+1個(gè)頂點(diǎn)可 以組成"最簡單"的圖形，叫單純形。NM法就是先構(gòu)建一個(gè)初始的、包羅給定點(diǎn)的單純形，然 后搜索的每一步中，使用可能的4種方式(反射、擴(kuò)大、壓縮和收縮)產(chǎn)生離當(dāng)前單純形比較 近的點(diǎn)，在新的點(diǎn)上函數(shù)值會和單純形各個(gè)頂點(diǎn)上的值比較，一般會有一個(gè)頂點(diǎn)被替代，產(chǎn) 生一個(gè)新的單純形，重復(fù)如上步驟，直至單純形的函數(shù)值小于預(yù)設(shè)閾值。
[0062] 與其它智能優(yōu)化算法相類似，當(dāng)AFSA中存在人工魚處于隨機(jī)移動狀態(tài)或在局部極 值點(diǎn)出現(xiàn)人工魚群聚集嚴(yán)重時(shí)，導(dǎo)致算法收斂速度減慢，進(jìn)而影響到最終收斂精度。
[0063] 因此，針對AFSA運(yùn)行后期收斂速度放緩、精度降低等問題，在算法運(yùn)行過程中動態(tài) 調(diào)整相關(guān)參數(shù)，同時(shí)引入繁殖行為、迀徙行為和NM法來提高算法的整體尋優(yōu)性能，較好地平 衡改進(jìn)算法的全局和局部搜索能力，進(jìn)一步加快運(yùn)算速度。
[0064]算法迭代運(yùn)行前期，較大的Visual和Step可增強(qiáng)算法的全局搜索能力和收斂速 度;迭代運(yùn)行后期，算法逐步演化為精細(xì)化搜索過程，在最優(yōu)解鄰域范圍內(nèi)進(jìn)行精細(xì)搜索。 基于此，可按式(5)對人工魚感知范圍Visual和移動步長Step進(jìn)行動態(tài)調(diào)整：
[0066] 式中，Visualstart、Visualend 分別表示 Visual 的初值和終值；Stepstart、Stepend 分別 表示Step的初值和終值;t為當(dāng)前迭代次數(shù)，Maxgen為最大迭代次數(shù)。
[0067] 在IAFSA的迭代過程中，在固定迭代間隔步數(shù)時(shí)引入K-均值聚類方法對人工魚群 進(jìn)行分類，并對聚類中心個(gè)體執(zhí)行匪法精確搜索。此外，為加快該算法整體的收斂速度和解 的質(zhì)量，對每次迭代過程公告牌中全局極值點(diǎn)均執(zhí)行一次匪法搜索?；诖?，IAFSA較好地 利用AFSA所得的優(yōu)化結(jié)果，同時(shí)適度降低NM法計(jì)算量，IAFSA的具體流程圖如圖5所示。 [0068]綜上所述，本發(fā)明所提IAFSA的具體實(shí)施步驟如下：
[0069] Stepl、對參數(shù)進(jìn)行初始化操作，種群數(shù)目N、隨機(jī)初始位置、最大迭代次數(shù)Maxgen、 感知范圍[Visualstart，visualend]、步長范圍[Stepstart, Stepend]、擁擠度因子δ、最大試探次 數(shù)Try_number和ΝΜ法間隔數(shù)Κ等參數(shù)。
[0070] Step2、求取各人工魚的適應(yīng)度值，并記錄全局最優(yōu)人工魚狀態(tài)。
[0071] Step3、對AFSA算法參數(shù)進(jìn)行自適應(yīng)調(diào)整。
[0072] Step4、對各人工魚的行為進(jìn)行評價(jià)，選擇人工魚最合適的行為進(jìn)行動作。
[0073] Step5、執(zhí)行相應(yīng)的行為后，對人工魚的位置信息和全局最優(yōu)人工魚狀態(tài)進(jìn)行更 新，給公告牌賦最優(yōu)值。同時(shí)，采用繁殖行為，淘汰適應(yīng)度值較差的個(gè)體。
[0074] Step6、迀徙行為判斷，若滿足迀徙概率，則執(zhí)行迀徙行為，并更新公告牌狀態(tài)； 否則，直接轉(zhuǎn)到Step7執(zhí)行。
[0075] Step7、如果滿足tmodK = 0，執(zhí)行Ml法。借助K-均值聚類法，確定聚類中心人工魚； 對每個(gè)類中心個(gè)體執(zhí)行NM搜索，計(jì)算其適應(yīng)度值并更新公告牌。
[0076] Step8、對全局極值人工魚個(gè)體執(zhí)行NM法搜索，將最優(yōu)值賦給公告牌。
[0077] Step9、判斷終止條件，若滿足終止條件，則輸出最優(yōu)值，算法結(jié)束；否則，繼續(xù)迭代 執(zhí)行Step2~Step8,直至算法終止條件被滿足。
[0078]以TSM-250PC05A型光伏組件為研究對象，采用實(shí)驗(yàn)平臺對該組件在不同工況下I-V輸出特性曲線進(jìn)行掃描。為簡化數(shù)據(jù)量，僅對光伏組件的每條I-V特性曲線進(jìn)行32點(diǎn)采樣， 并將其代入到IAFSA中進(jìn)行參數(shù)辨識。
[0079]為驗(yàn)證IAFSA辨識參數(shù)的精確性和快速性，對光伏組件在光照強(qiáng)度950W/m2、環(huán)境 溫度25°C下一組測量數(shù)據(jù)分別采用Newton法、GA、ABS0和IAFSA進(jìn)行參數(shù)辨識并作對比實(shí) 驗(yàn)，同樣以迭代次數(shù)100次作為終止條件，IAFSA參數(shù)設(shè)置如表1所示。表2給出各算法分別運(yùn) 行20次后的最優(yōu)辨識參數(shù)值，由表可知，利用IAFSA得到的目標(biāo)函數(shù)RMSE值最小，表明IAFSA 具有較強(qiáng)的全局搜索能力和局部挖掘能力，能夠獲取最接近實(shí)際的模型參數(shù)值。
[0080] 表1 IAFSA參數(shù)設(shè)置
[0081]
[0082]其中，反射系數(shù)α(α>〇)、壓縮系數(shù)β(〇〈β〈1)、延伸系數(shù)γ ( γ>1)、收縮系數(shù)λ(〇〈λ〈 l);Tknm是聚類中心點(diǎn)進(jìn)行匪搜索的迭代次數(shù);Tgnm是全局極值點(diǎn)進(jìn)行匪搜索的迭代次數(shù);κ 為分類數(shù)目，Tk為κ-均值聚類法的迭代次數(shù)。
[0083] 表2不同辨識算法下光伏組件參數(shù)辨識目標(biāo)函數(shù)RMSE值
[0084]
[0085] 此外，為進(jìn)一步說明IAFSA的有效性，對光伏組件不同工況下每條I-V特性曲線進(jìn) 行32點(diǎn)采樣，并將其代入到IAFSA中進(jìn)行模型參數(shù)辨識，選取其中4種工況下目標(biāo)函數(shù)RMSE 值，如表3所示。
[0086] 表3不同工況下光伏組件參數(shù)辨識目標(biāo)函數(shù)RMSE值 [0087]
[0088]由表3可知，基于IAFSA優(yōu)化所得到的目標(biāo)函數(shù)RMSE值均很小，說明上述參數(shù)辨識 結(jié)果與組件的真實(shí)參數(shù)值非常接近。
[0089] 通常，傳統(tǒng)的光伏組件內(nèi)部等效參數(shù)公式是基于單峰值輸出特性下的描述，不能 對組件陰影遮擋下輸出特性進(jìn)行準(zhǔn)確描述，因此結(jié)合RMSE值即可判斷出光伏組件被陰影遮 擋。本發(fā)明經(jīng)過多次輕微陰影遮擋試驗(yàn)，即保持最大功率值變化在1W以內(nèi)，RMSE值均在0.01 較小鄰域內(nèi)波動，故提出采用RMSE>0.01作為判定輕微陰影遮擋的依據(jù)。
[0090] 綜上所述，將參數(shù)辨識與基于可編程直流電子負(fù)載對I-V輸出特性曲線峰值計(jì)數(shù) Flag值相結(jié)合，可得判定光伏組件是否被陰影遮擋的具體流程圖如6所示。
[0091] 由圖6可知，通過可編程直流電子負(fù)載對I-V輸出特性曲線進(jìn)行掃描并記錄峰值 數(shù)，若Flag〉1，則表明V-P曲線存在多峰值，光伏組件被陰影遮擋;否則，進(jìn)一步通過IAFSA 算法對I-V特性曲線采樣值進(jìn)行參數(shù)辨識，以目標(biāo)函數(shù)的RMSE值判定光伏組件是否被陰影 遮擋。通過上述方法可對光伏組件是否被陰影遮擋作出準(zhǔn)確判斷。
[0092] 當(dāng)光伏組件處于陰影遮擋下時(shí)，其I-V特性曲線呈現(xiàn)多峰值。同理，在光照強(qiáng)度為 950W/m2、環(huán)境溫度25°C時(shí)，假設(shè)TSM-250PC05A型中同一旁路二極管所轄支路中20片光伏電 池全部被陰影遮擋，對光伏組件運(yùn)行數(shù)據(jù)進(jìn)行采集，采用可編程直流電子負(fù)載對上述I-V特 性曲線進(jìn)行掃描，可得峰值計(jì)數(shù)Flag = 2。此時(shí)，仍以式(4)作為優(yōu)化算法的目標(biāo)函數(shù)，分別 采用Newton法、GA、ABS0和IAFSA進(jìn)行參數(shù)辨識并作對比實(shí)驗(yàn)，其中上述算法中各參數(shù)設(shè)置、 迭代次數(shù)與前文一致。表4給出各算法對光伏組件處于陰影遮擋下RMSE值。
[0093]表4陰影遮擋時(shí)，不同辨識算法下光伏組件參數(shù)辨識目標(biāo)函數(shù)RMSE值
[0095]由表4可知，利用上述4種不同方法對光伏組件陰影遮擋時(shí)I-V特性曲線進(jìn)行參數(shù) 辨識，所得目標(biāo)函數(shù)的RMSE值均較大，相比于光伏組件無陰影時(shí)參數(shù)優(yōu)化過程，即便算法的 迭代次數(shù)和試驗(yàn)次數(shù)進(jìn)一步增加，但仍得不到此時(shí)光伏組件的最優(yōu)內(nèi)部等效參數(shù)值，表明 式(4)已不能表征光伏組件陰影下輸出特性?；谏鲜?種方法的參數(shù)辨識結(jié)果建立光伏組 件模型，從而得到不同仿真結(jié)果輸出，如圖7所示。
[0096] 由圖7可知，基于上述4種參數(shù)辨識結(jié)果所得模型輸出均為單峰曲線，與光伏組件 陰影下多峰輸出特性曲線明顯不同。同時(shí)，相比于其它幾種方法，基于IAFSA所得模型的仿 真輸出曲線與實(shí)測曲線擬合程度相對最高。
[0097] 為進(jìn)一步研究IAFSA對光伏組件陰影下參數(shù)辨識結(jié)果的準(zhǔn)確性，保持光照強(qiáng)度和 環(huán)境溫度不變，選取3種光伏組件陰影下實(shí)測值進(jìn)行參數(shù)辨識，分別為：（1)光伏組件中僅有 1片光伏電池被陰影遮擋；（2)光伏組件中有2片光伏電池被不同程度的陰影遮擋，且分布在 2個(gè)旁路二極管支路中；（3)光伏組件中有3片光伏電池被相同程度的陰影遮擋，且分布在3 個(gè)旁路二極管支路中。采用IAFSA對光伏組件在不同陰影下RMSE值如表5所示。
[0098]表5不同陰影遮擋時(shí)，光伏組件參數(shù)辨識目標(biāo)函數(shù)RMSE值
[0100] 基于上述參數(shù)辨識結(jié)果建立仿真模型輸出與實(shí)測值進(jìn)行對比。
[0101] 由表5和圖8可知，當(dāng)光伏組件中被陰影遮擋部分的遮擋率較小或每條支路上陰影 遮擋程度相同時(shí)，其V-P輸出特性曲線的多峰性不明顯或?yàn)閱畏澹鐖D8(a)、（c)和(e)所示， 此時(shí)若僅依據(jù)可編程直流電子負(fù)載對I-V輸出特性曲線進(jìn)行峰值計(jì)數(shù)難以確定其被陰影遮 擋情況，造成誤判。采用IAFSA對圖8(b)、（d)和(f)中光伏組件I-V輸出特性曲線進(jìn)行參數(shù)辨 識，能夠?qū)﹃幱扒闆r進(jìn)行判定;但所得部分參數(shù)辨識結(jié)果已失去實(shí)際意義，僅是曲線擬合下 最優(yōu)參數(shù)值。
[0102] 以上僅是本發(fā)明的優(yōu)選實(shí)施方式，本發(fā)明的保護(hù)范圍并不僅局限于上述實(shí)施例， 凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的 普通技術(shù)人員來說，在不脫離本發(fā)明原理前提下的若干改進(jìn)和潤飾，應(yīng)視為本發(fā)明的保護(hù) 范圍。
【主權(quán)項(xiàng)】
1. 一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，其特征在于，所述判定方 法的建立包括如下步驟： 步驟10:利用可編程直流電子負(fù)載對光伏組件I-V輸出特性曲線進(jìn)行全局快速掃描，W 記錄明顯的多峰值個(gè)數(shù)； 步驟20:采用改進(jìn)人工魚群算法對光伏組件I-V特性曲線中采樣值進(jìn)行內(nèi)部等效參數(shù) 辨識，結(jié)合均方根誤差進(jìn)而判斷組件中輕微陰影遮擋情況。2. 根據(jù)權(quán)利要求1所述的一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，其 特征在于，所述步驟10中光伏組件明顯多峰值點(diǎn)的計(jì)數(shù)過程如下： 采用可編程直流電子負(fù)載從光伏組件的短路工作點(diǎn)開始掃描，初始化Pm峰值計(jì)數(shù)Flag =0,若檢測到光伏組件的輸出功率滿足:Pk〉Pk-i且Pk〉Pk+i時(shí)，則記Flag = Flag+l，直至完成 整條光伏組件I-V曲線的掃描過程，其中Pk-i、Pk、Pk+i為連續(xù)的光伏組件的輸出功率值掃描 點(diǎn)。3. 根據(jù)權(quán)利要求1所述的一種基于峰值計(jì)數(shù)與參數(shù)辨識的光伏組件陰影判定方法，其 特征在于，所述步驟20中光伏組件輕微陰影遮擋情況的判定過程如下： 光伏組件參數(shù)辨識選取目標(biāo)函數(shù)為均方根誤差MSE，公式為：(1) 式中，目=化、1?34、如、150、11)為待辨識參數(shù)山(￥，1，目）是第1組實(shí)測值和仿真模型輸出 的差值，Rs、Rsh為等效串并聯(lián)電阻，Iph為光生電流，ISD為二極管反向飽和電流，η為二極管理 想品質(zhì)因素； 針對上述式(1)，采用改進(jìn)人工魚群算法的具體實(shí)施步驟如下： Stepl、對參數(shù)進(jìn)行初始化操作，設(shè)定參數(shù)：種群數(shù)目Ν、隨機(jī)初始位置、最大迭代次數(shù) Maxgen、感知范圍[Visualstart，Visualend]、步長范圍[St邱start，Stepend]、擁擠度因子δ、最 大試探次數(shù)T'ryjiumber和NM法間隔數(shù)K; Step2、求取各人工魚的適應(yīng)度值，并記錄全局最優(yōu)人工魚狀態(tài)； Step3、對人工魚群算法參數(shù)進(jìn)行自適應(yīng)調(diào)整； Step4、對各人工魚的行為進(jìn)行評價(jià)，選擇人工魚最合適的行為進(jìn)行動作； Steps、執(zhí)行相應(yīng)的行為后，對人工魚的位置信息和全局最優(yōu)人工魚狀態(tài)進(jìn)行更新，給 公告牌賦最優(yōu)值;同時(shí)，采用繁殖行為，淘汰適應(yīng)度值較差的個(gè)體； steps、遷徙行為判斷，若滿足遷徙概率Pe，則執(zhí)行遷徙行為，并更新公告牌狀態(tài)；否則， 直接轉(zhuǎn)到Step7執(zhí)行； Step7、如果滿足t mod Κ = 0,其中，t為當(dāng)前迭代次數(shù)，執(zhí)行醒法;借助K-均值聚類法， 確定聚類中屯、人工魚;對每個(gè)類中屯、個(gè)體執(zhí)行NM捜索，計(jì)算其適應(yīng)度值并更新公告牌； steps、對全局極值人工魚個(gè)體執(zhí)行NM法捜索，將最優(yōu)值賦給公告牌； Step9、判斷終止條件，若滿足終止條件，則輸出最優(yōu)值，算法結(jié)束；否則，繼續(xù)迭代執(zhí)行 Step2~St巧8，直至算法終止條件被滿足。
【文檔編號】G06N3/00GK106096715SQ201610294551
【公開日】2016年11月9日
【申請日】2016年5月5日
【發(fā)明人】許煥清, 王成亮, 韓偉, 范立新, 王宏華, 陳凌, 張經(jīng)煒
【申請人】江蘇方天電力技術(shù)有限公司, 河海大學(xué), 國網(wǎng)江蘇省電力公司, 國家電網(wǎng)公司