本发明公开了光伏发电技术领域的一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法，旨在解决现有技术中光伏电池参数辨识误差较大，不适合精度要求较高的场合。利用混沌映射初始化种群分布位置，计算各粒子适应度值、个体和群体最优值，对不同种群采取自适应惯性权重调整策略，依据相邻次迭代群体适应度值方差的差值判断算法是否早熟收敛，对早熟群体实施变异操作，当算法达到结束要求时输出待辨识参数的最优解。本发明通过预设待辨识参数的可行解区间并利用混沌立方映射初始化种群的分布位置，通过改进的粒子群算法计算各粒子适应度值、个体和群体最优值，并能有效避免陷入早熟收敛的问题，对光伏电池的待辨识参数具有较高的识别精度。
1.一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，包括，a、依据光伏阵列五参数基本模型确定待辨识参数；
b、结合光伏阵列五参数基本模型，获得光伏阵列在一定温度和辐照度下的I-V曲线数据；
c、根据I-V曲线数据确定各待辨识参数的可行解区间，定义适应度函数；
d、利用混沌立方映射初始化种群位置，结合粒子群算法的各项基本参数，通过适应度函数计算初始时刻各粒子的适应度值；
e、依据适应度值将种群划分成较好，普通，较差三类子种群；
f、不同子群粒子自适应调整惯性权重，更新每个粒子的速度和位置；
g、通过适应度函数计算各粒子的适应度值，更新个体最优位置和群体最优位置；
h、若迭代次数达到最大或者精度已经满足要求，则输出全局最优解，即为待辨识参数的最优取值；若迭代次数未达到最大且精度未满足要求，判断当前种群是否陷入早熟收敛，如果陷入早熟则对种群进行随机变异，并更新粒子适应度值，个体最优位置以及群体最优位置，否则不做变异操作，并重复步骤e～步骤h。
2.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，所述光伏阵列五参数基本模型为：式中，V为光伏阵列的输出电压和I为光伏阵列的输出电流，Isc为光伏组件等效光生电流，I0为光伏组件反向饱和电流，e为自然常数，A为光伏组件理想因子，Rs为光伏组件等效串联电阻，Rsh为光伏组件等效并联电阻，Ns为光伏阵列中串联连接的组件数量，Np为光伏阵列中并联连接的组件数量，q为电子电荷，Kb为玻尔兹曼常数，T为光伏组件工作时的开氏温度值；
3.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，所述步骤c包括：c1、确定各待辨识参数的可行解区间，具体方法为：
Isc以实测电流的最大值为区间中心，变动范围为10％；
I0以下式计算出的I'0值为区间中心，变动范围为50％，计算公式为：其中，I0,ref为光伏组件在标准测试条件下的反向饱和电流，Isc,ref为光伏组件在标准测试条件下短路电流，Voc,ref为光伏组件在标准测试条件下开路电压，Aref为光伏组件在标准测试条件下理想因子，Tref为标准测试条件下的温度，Eg为禁带宽度，计算得到的I0'即可作为I0取值区间的中心值；
Rs取标准测试条件下的Rs标准值为区间中心，变动范围为20％；
将实测的I-V曲线在短路电流点处的导数值倒数的绝对值作为Rsh可行解区间中心，变动范围为20％；
c2、定义适应度函数，选择实测电流与预测电流的均方根误差作为适应度函数，公式为：其中，f为计算得到的适应度，m为数据点个数，Ii为实测电流值，Ii’为实测电压对应的预测电流值。
4.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，在所述步骤d中，利用混沌立方映射初始化种群位置，混沌立方映射公式为：xn+1＝4xn3-3xn (4)其中，xn为粒子在解空间某一维上的位置，xn+1为下一个粒子在对应维度上的位置。xn取值范围为[-1,1]且不为0；先随机产生一个粒子的位置，保证其每一维位置均不为0，再利用第一个粒子的位置产生混沌序列，初始化其余所有粒子的位置，每一维进行单独计算；
所述粒子群算法的各项基本参数包括种群规模、最大迭代次数、解空间的维度、粒子位置和速度的边界。
5.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，所述步骤e包括：e1、设定一个阈值，迭代初期当最优适应度值大于设定的阈值时，则直接将所有粒子划为较差子种群，否则计算种群所有粒子适应度值的平均值fav，转向剩余分步骤；
e2、将适应度值大于fav的粒子划为较好子种群N1，适应度值小于fav划为普通子种群N2；
e3、分别计算子种群N1和N2的粒子平均适应度值fav1和fav2；
e4、将较好子种群N1中适应度值大于fav1的粒子划为较差子种群N3，普通子种群N2中适应度值小于fav2的粒子划为较好子种群N1，N1和N2中剩余粒子划成普通子种群N2；
e5、判断较差子种群N3的粒子数是否已小于种群规模的20％，如果是则将粒子适应度值排序，前20％粒子适应度值较小划分为较好子种群N1，后30％粒子适应度值较大划分为较差子种群N3，其余为普通子种群N2；否则保留步骤e4中的分类。
6.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，在所述步骤f中，粒子的速度更新公式为：其中， 为第k+1次迭代中第i个粒子在第d维上的速度，ω为惯性权重，i＝1,2,3…N，N为粒子数目，d＝1,2,…D，D为解空间的维数，k为当前迭代次数；c1为粒子的社会学习因子，为常数，c2为粒子的个体学习因子，为常数；r1为区间[0,1]间的随机数，代表粒子向种群历史最好位置移动的随机系数，r2为区间[0,1]间的随机数，代表粒子向个体历史最好位置移动的随机系数； 为第k次迭代中第i个粒子在第d维上的位置； 为第k次迭代中第i个粒子在第d维上的速度； 为第k次迭代中第i个粒子在第d维上的最优位置； 为第k次迭代中群体最优粒子在第d维上的位置；
其中， 为第k+1次迭代中第i个粒子在第d维上的位置；
其中，ωmin为惯性权重的最小值，ωmax为惯性权重的最大值，i为粒子序号，fi为第i个粒子的适应度值，fav和fbest分别为当前迭代的种群适应度平均值和种群最优适应度值。
7.根据权利要求1所述的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，其特征是，在所述步骤h中，通过以下方法对种群进行随机变异：h1、计算当前迭代种群适应度值方差与上一次迭代种群适应度值方差的差值并取绝对值；
h2、设定早熟阈值L1以及粒子的变异阈值L2，如果种群适应度值方差的差值小于给定阈值L1且当前迭代未满足算法结束条件时，计算本次迭代各粒子的位置较上次迭代时移动的距离，对普通子种群和较差子种群中移动距离小于L2的粒子进行位置变异操作，并应用边界限定，变异公式为：其中， 为第k次迭代中第i个粒子在第d维上的位置， 为该粒子变异后的位置，t为[0,1]间的随机数，xmax为粒子d维位置的上边界限，xmin为粒子d维位置的下边界限， 为第k次迭代最优粒子在第d维上的位置。
基于种群优化改进粒子群算法的光伏阵列参数辨识方法
技术领域
[0001] 本发明属于光伏发电技术领域，具体涉及一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法。
背景技术
[0002] 光伏发电作为重要的可再生能源发电形式之一，近年来发展迅速，已成为我国保障能源供应、建设低碳社会的重要途径之一，光伏阵列作为光伏系统的重要组成部分，研究其发电性能显得尤为必要。I-V曲线可表述光伏阵列的宏观特性，其中各参数均可反映阵列的内在特性，确定这些参数就可以得到阵列的I-V方程，有助于进一步对光伏阵列进行故障诊断以及健康状态管理，来保证光伏阵列的发电性能，因此对光伏阵列模型进行参数辨识是十分有意义的。
[0003] 光伏电池的I-V方程是一个复杂的非线性超越方程，无法通过简单计算求解参数，传统的光伏电池参数辨识方法多通过简化I-V方程，利用微分求导并结合光伏组件的出厂参数对待辨识参数进行近似估计，但此类方法误差较大，不适于精度要求较高的场合。
发明内容
[0004] 本发明的目的在于提供一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法，以解决现有技术中光伏电池参数辨识方法对光伏电池参数的近似估计误差较大，不适合精度要求较高的场合。
[0005] 为达到上述目的，本发明所采用的技术方案是：一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法，包括，
[0006] a、依据光伏阵列五参数基本模型确定待辨识参数；
[0007] b、结合光伏阵列五参数基本模型，获得光伏阵列在一定温度和辐照度下的I-V曲线数据；
[0008] c、根据I-V曲线数据确定各待辨识参数的可行解区间，定义适应度函数；
[0009] d、利用混沌立方映射初始化种群位置，结合粒子群算法的各项基本参数，通过适应度函数计算初始时刻各粒子的适应度值；
[0010] e、依据适应度值将种群划分成较好，普通，较差三类子种群；
[0011] f、不同子群粒子自适应调整惯性权重，更新每个粒子的速度和位置；
[0012] g、通过适应度函数计算各粒子的适应度值，更新个体最优位置和群体最优位置；
[0013] h、若迭代次数达到最大或者精度已经满足要求，则输出全局最优解，即为待辨识参数的最优取值；若迭代次数未达到最大且精度未满足要求，判断当前种群是否陷入早熟收敛，如果陷入早熟则对种群进行随机变异，并更新粒子适应度值，个体最优位置以及群体最优位置，否则不做变异操作，并重复步骤e～步骤h。
[0014] 所述光伏阵列五参数基本模型为：
[0015]
[0016] 式中，V为光伏阵列的输出电压和I为光伏阵列的输出电流，Isc为光伏组件等效光生电流，I0为光伏组件反向饱和电流，e为自然常数，A为光伏组件理想因子，Rs为光伏组件等效串联电阻，Rsh为光伏组件等效并联电阻，Ns为光伏阵列中串联连接的组件数量，Np为光伏阵列中并联连接的组件数量，q为电子电荷，Kb为玻尔兹曼常数，T为光伏组件工作时的开氏温度值；
[0017] 所述待辨识参数为Isc、I0、A、Rs和Rsh。
[0018] 所述步骤c包括：
[0019] c1、确定各待辨识参数的可行解区间，具体方法为：
[0020] A的范围为[0.5,2]；
[0021] Isc以实测电流的最大值为区间中心，变动范围为10％；
[0022] I0以下式计算出的I'0值为区间中心，变动范围为50％，计算公式为：
[0023]
[0024] 其中，I0,ref为光伏组件在标准测试条件下的反向饱和电流，Isc,ref为光伏组件在标准测试条件下短路电流，Voc,ref为光伏组件在标准测试条件下开路电压，Aref为光伏组件在标准测试条件下理想因子，Tref为标准测试条件下的温度，Eg为禁带宽度，计算得到的I0'即可作为I0取值区间的中心值；
[0025] Rs取标准测试条件下的Rs标准值为区间中心，变动范围为20％；
[0026] 将实测的I-V曲线在短路电流点处的导数值倒数的绝对值作为Rsh可行解区间中心，变动范围为20％；
[0027] c2、定义适应度函数，选择实测电流与预测电流的均方根误差作为适应度函数，公式为：
[0028]
[0029] 其中，f为计算得到的适应度，m为数据点个数，Ii为实测电流值，Ii’为实测电压对应的预测电流值。
[0030] 在所述步骤d中，利用混沌立方映射初始化种群位置，混沌立方映射公式为：
[0031] xn+1＝4xn3-3xn (4)
[0032] 其中，xn为粒子在解空间某一维上的位置，xn+1为下一个粒子在对应维度上的位置。xn取值范围为[-1,1]且不为0；先随机产生一个粒子的位置，保证其每一维位置均不为0，再利用第一个粒子的位置产生混沌序列，初始化其余所有粒子的位置，每一维进行单独计算；
[0033] 所述粒子群算法的各项基本参数包括种群规模、最大迭代次数、解空间的维度、粒子位置和速度的边界。
[0034] 所述步骤e包括：
[0035] e1、设定一个阈值，迭代初期当最优适应度值大于设定的阈值时，则直接将所有粒子划为较差子种群，否则计算种群所有粒子适应度值的平均值fav，转向剩余分步骤；
[0036] e2、将适应度值大于fav的粒子划为较好子种群N1，适应度值小于fav划为普通子种群N2；
[0037] e3、分别计算子种群N1和N2的粒子平均适应度值fav1和fav2；
[0038] e4、将较好子种群N1中适应度值大于fav1的粒子划为较差子种群N3，普通子种群N2中适应度值小于fav2的粒子划为较好子种群N1，N1和N2中剩余粒子划成普通子种群N2；
[0039] e5、判断较差子种群N3的粒子数是否已小于种群规模的20％，如果是则将粒子适应度值排序，前20％粒子适应度值较小划分为较好子种群N1，后30％粒子适应度值较大划分为较差子种群N3，其余为普通子种群N2；否则保留步骤e4中的分类。
[0040] 在所述步骤f中，粒子的速度更新公式为：
[0041]
[0042] 其中， 为第k+1次迭代中第i个粒子在第d维上的速度，ω为惯性权重，i＝1,2,3…N，N为粒子数目，d＝1,2,…D，D为解空间的维数，k为当前迭代次数；c1为粒子的社会学习因子，为常数，c2为粒子的个体学习因子，为常数；r1为区间[0,1]间的随机数，代表粒子向种群历史最好位置移动的随机系数，r2为区间[0,1]间的随机数，代表粒子向个体历史最好位置移动的随机系数； 为第k次迭代中第i个粒子在第d维上的位置； 为第k次迭代中第i个粒子在第d维上的速度； 为第k次迭代中第i个粒子在第d维上的最优位置；
为第k次迭代中群体最优粒子在第d维上的位置；
[0043] 粒子的位置更新公式为：
[0044]
[0045] 其中， 为第k+1次迭代中第i个粒子在第d维上的位置；
[0046] 惯性权重采取自适应种群调整策略，生成方法为：
[0047]
[0048] 其中，ωmin为惯性权重的最小值，ωmax为惯性权重的最大值，i为粒子序号，fi为第i个粒子的适应度值，fav和fbest分别为当前迭代的种群适应度平均值和种群最优适应度值。
[0049] 在所述步骤h中，通过以下方法对种群进行随机变异：
[0050] h1、计算当前迭代种群适应度值方差与上一次迭代种群适应度值方差的差值并取绝对值；
[0051] h2、设定早熟阈值L1以及粒子的变异阈值L2，如果种群适应度值方差的差值小于给定阈值L1且当前迭代未满足算法结束条件时，计算本次迭代各粒子的位置较上次迭代时移动的距离，对普通子种群和较差子种群中移动距离小于L2的粒子进行位置变异操作，并应用边界限定，变异公式为：
[0052]
[0053] 其中， 为第k次迭代中第i个粒子在第d维上的位置， 为该粒子变异后的位置，t为[0,1]间的随机数，xmax为粒子d维位置的上边界限，xmin为粒子d维位置的下边界限，为第k次迭代最优粒子在第d维上的位置。
[0054] 与现有技术相比，本发明所达到的有益效果：本发明通过预设待辨识参数的可行解区间并利用混沌立方映射初始化种群的分布位置，通过改进的粒子群算法计算各粒子适应度值、个体和群体最优值，并能有效避免陷入早熟收敛的问题，对光伏电池的待辨识参数具有较高的识别精度。
附图说明
[0055] 图1是本发明实施例提供的一种基于种群优化改进粒子群算法的光伏阵列参数辨识方法的流程示意图；
[0056] 图2是利用通过本发明实施例获取的五参数预测得到的I-V曲线与实测I-V曲线的对比图。
具体实施方式
[0057] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0058] 本发明通过1×22型光伏阵列获取实测的I-V曲线数据，以验证本发明方法的有效性。
[0059] 步骤1：建立下式所示的光伏阵列五参数模型，确定待辨识参数；
[0060]
[0061] 式中，V为光伏阵列的输出电压和I为光伏阵列的输出电流，Isc为光伏组件等效光生电流，I0为光伏组件反向饱和电流，e为自然常数，A为光伏组件理想因子，Rs为光伏组件等效串联电阻，Rsh为光伏组件等效并联电阻，Ns为光伏阵列中串联连接的组件数量，Np为光伏阵列中并联连接的组件数量，q为电子电荷，q的取值为1.602e-19C，Kb为玻尔兹曼常数，Kb的取值为1.38e-23J/K，T为光伏组件工作时的开氏温度值；标准测试条件下的温度Tref取值为298K，辐照度Sref取值为1000W/m2，最终确定待辨识参数为Isc、I0、A、Rs、Rsh。
[0062] 步骤2：输入光伏组件铭牌参数，实测获得光伏阵列一定温度T和辐照度S下的实际输出电压V和输出电流I，本实施例实测获取了光伏组件工作温度T为52.2℃，辐照度S为780.4W/m2时的阵列I-V曲线数据。
[0063] 步骤3：确定各待辨识参数的可行解区间，定义适应度函数。步骤3包括以下具体分步骤：
[0064] 步骤3-1：确定各待辨识参数的可行解区间，具体方法为：
[0065] A的范围为[0.5,2]；
[0066] Isc以实测电流的最大值为区间中心，变动范围为10％；
[0067] I0以下式计算出的I'0值为区间中心，变动范围为50％，计算公式为：
[0068]
[0069] 其中，I0,ref为光伏组件在标准测试条件下的反向饱和电流，Isc,ref为光伏组件在标准测试条件下短路电流，Voc,ref为光伏组件在标准测试条件下开路电压，Aref为光伏组件在标准测试条件下理想因子，Tref为标准测试条件下的温度，Eg为禁带宽度，计算得到的I0'即可作为I0取值区间的中心值；
[0070] Rs取标准测试条件下的Rs标准值8.932Ω为区间中心，变动范围为20％；
[0071] 将实测的I-V曲线在短路电流点处的导数值倒数的绝对值作为Rsh可行解区间中心，变动范围为20％；
[0072] 步骤3-2：定义适应度函数，选择实测电流与预测电流的均方根误差作为适应度函数，公式为：
[0073]
[0074] 其中，f为计算得到的适应度值，m为数据点个数，Ii为实测电流值，Ii’为实测电压对应的预测电流值。
[0075] 步骤4：输入粒子群算法的各项基本参数：种群规模为50，最大迭代次数为700，解空间的维度为5，粒子每一维位置范围均为[-1,1],最大速度限制为0.3，最小速度限制为-0.3，然后利用混沌立方映射初始化种群位置，并计算初始时刻各粒子的适应度值。混沌立方映射公式为：
[0076] xn+1＝4xn3-3xn (4)
[0077] 其中，xn为粒子在解空间某一维上的位置，xn+1为下一个粒子在对应维度上的位置，xn取值范围为[-1,1]且不为0；先随机产生一个粒子的位置，保证其每一维位置均不为0，再利用第一个粒子的位置产生混沌序列，初始化其余所有粒子的位置，每一维进行单独计算。
[0078] 步骤5：依据适应度值将种群划分成较好，普通，较差三类子种群；包括以下具体分步骤：
[0079] 步骤5-1：设定一个阈值，本实施例中设定阈值为100A，迭代初期当最优适应度值大于设定的阈值时，则直接将所有粒子划为较差子种群，否则计算种群所有粒子适应度值的平均值fav，转向剩余分步骤；
[0080] 步骤5-2：将适应度值大于fav的粒子划为较好子种群N1，适应度值小于fav划为普通子种群N2；
[0081] 步骤5-3：分别计算子种群N1和N2的粒子平均适应度值fav1和fav2；
[0082] 步骤5-4：将较好子种群N1中适应度值大于fav1的粒子划为较差子种群，普通子种群N2中适应度值小于fav2的粒子划为较好子种群，N1和N2中剩余粒子划成普通子种群N2。
[0083] 步骤5-5：判断较差子种群N3的粒子数是否已小于种群规模的20％，如果是则将粒子适应度值排序，前20％粒子适应度值较小划分为较好子种群N1，后30％粒子适应度值较大划分为较差子种群N3，其余为普通子种群N2；否则保留步骤5-4中的分类。
[0084] 步骤6：更新粒子的速度和位置，并应用边界限制；
[0085] 粒子的速度更新公式为：
[0086]
[0087] 其中， 为第k+1次迭代中第i个粒子在第d维上的速度，ω为惯性权重，i＝1,2,3…N，N为粒子数目，d＝1,2,…D，D为解空间的维数，k为当前迭代次数；c1为粒子的社会学习因子，为常数，c2为粒子的个体学习因子，为常数；r1为区间[0,1]间的随机数，代表粒子向种群历史最好位置移动的随机系数，r2为区间[0,1]间的随机数，代表粒子向个体历史最好位置移动的随机系数； 为第k次迭代中第i个粒子在第d维上的位置； 为第k次迭代中第i个粒子在第d维上的速度； 为第k次迭代中第i个粒子在第d维上的最优位置；
为第k次迭代中群体最优粒子在第d维上的位置；
[0088] 粒子的位置更新公式为：
[0089]
[0090] 其中， 为第k+1次迭代中第i个粒子在第d维上的位置；
[0091] 惯性权重采取自适应种群调整策略，生成方法为：
[0092]
[0093] 其中，ωmin为惯性权重的最小值，ωmax为惯性权重的最大值，本实施例中ωmin取值为0.4、ωmax取值为0.9，i为粒子序号，fi为第i个粒子的适应度值，fav和fbest分别为当前迭代的种群适应度平均值和种群最优适应度值。
[0094] 步骤7：计算各粒子的适应度值，更新个体最优位置和群体最优位置。
[0095] 步骤8：判断迭代次数是否达到最大或者精度是否已经满足要求，如果满足结束条件则转向步骤10，否则转向步骤9。
[0096] 步骤9：判断当前群体是否陷入早熟收敛，如果陷入早熟则对种群进行变异操作，并更新粒子适应度值，个体最优位置以及群体最优位置，否则不做变异操作。此步骤之后转向步骤5继续循环；步骤9包括以下具体分步骤：
[0097] 步骤9-1：计算当前迭代种群适应度值方差与上一次迭代种群适应度值方差的差值(取绝对值)。
[0098] 步骤9-2：设定早熟阈值L1以及粒子的变异阈值L2，如果种群适应度值方差的差值小于给定阈值L1且当前迭代未满足算法结束条件时，计算本次迭代各粒子的位置较上次迭代时移动的距离，对普通子种群和较差子种群中移动距离小于L2的粒子进行位置变异操作，并应用边界限定，变异公式为：
[0099]
[0100] 其中， 为第k次迭代中第i个粒子在第d维上的位置， 为该粒子变异后的位置，(与权6中的表述不一致)，t为[0,1]间的随机数，xmax为粒子d维位置的上边界限，xmin为粒子d维位置的下边界限， 为第k次迭代最优粒子在第d维上的位置。变异后更新变异粒子的适应度值；如果种群适应度值方差的差值不小于给定阈值L1则不进行变异操作。
[0101] 步骤10：输出全局最优解，即为待辨识参数的最优取值，结束算法。
[0102] 通过上述实施方式，可完成对光伏阵列的参数辨识，本实施例中通过辨识出的参数结果预测得到的I-V曲线与阵列实测的I-V曲线对比如附图2所示，两条曲线基本重合，电流均方根误差仅有0.0125A，由此可见，本发明提供的基于种群优化改进粒子群算法的光伏阵列参数辨识方法，技术方案可行。本发明通过预设待辨识参数的可行解区间并利用混沌立方映射初始化种群的分布位置，通过改进的粒子群算法计算各粒子适应度值、个体和群体最优值，并能有效避免陷入早熟收敛的问题，对光伏电池的待辨识参数具有较高的识别精度。
[0103] 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。
