[发明专利]基于带遗忘因子的递推最小二乘光伏电池参数辨识方法

说明书

技术领域

本发明涉及一种光伏电池参数辨识方法，尤其是一种基于带遗忘因子的递推最小二乘光伏电池模型参数辨识方法，属于光伏发电技术领域。

背景技术

太阳能的利用以及光伏电池特性的研究已成为热点，随着研究不断的深入，国内外学者提出了不同描述I-V曲线的光伏电池模型。I-V曲线是光伏电池特性的宏观表述，其中的参数是模型内在特性的反映。通过辨识光伏电池参数不仅可以确定I-V方程，利用求得的I-V方程预测光伏阵列的输出功率；而且通过分析这些参数的变化可以进一步研究光伏电池发生故障的起因。因此进行光伏电池内部参数的辨识对于研究和改善其特性是非常有意义的。

目前，光伏电池的参数辨识方法主要分为参数近似求解法和基于优化算法的参数估计方法。光伏电池模型的特性方程是一个复杂的超越非线性函数，不能通过简单计算直接求解，参数近似求解法就是利用微分求导和简化模型等数学方法处理I-V特性方程，以求得参数近似值。虽然利用数学分析近似求解参数的方法直观简单，但是这种方法求得的参数近似值误差较大，当精度要求较高时不适用。基于优化算法的参数估计方法主要是利用智能算法对光伏电池进行参数辨识。例如，一些学者提出将遗传算法运用到光伏电池参数辨识领域，在保证辨识精度的前提下，将光伏电池参数辨识后得到的多组结果收敛为一组参数值。而把最小梯度搜索方法用于传统的遗传算法中，就形成了改进融合遗传算法，能够提高了参数辨识的精度和速度。再如，考虑光伏电池实际工作环境中云量的不同，引入自适应混沌粒子群算法(SA-CPSO)，可以辨识出正常状态和不同遮荫情况下的光伏电池模型的参数。另外，一些学者利用混沌算法的随机性、规律性、遍历性等特点，将它引入粒子群算法，形成混沌搜索控制算法来进行参数辨识，使全局搜索能力有所提高。总之，相较于参数近似求解法，基于优化算法的参数估计在精度和可靠性方面有显著的优势，但大部分智能算法均存在优化时间长、易陷入早熟、实现较繁琐等问题。

发明内容

本发明要解决的技术问题是提供一种基于带遗忘因子的递推最小二乘光伏电池参数辨识方法。

本发明采用下述技术方案：

一种基于带遗忘因子的递推最小二乘光伏电池参数辨识方法，所述方法用于辨识光伏并网发电系统中m串n并的光伏阵列中的光伏电池参数；其特征在于：包括以下步骤：

步骤1：建立光伏电池的递推最小二乘模型，确定待辨识参数θ：

所述光伏电池的递推最小二乘模型为：

且

ΔI＝I_sc-I_L (2)

式中，θ^T＝(a₁，a₂，a₃)为待辨识的参数，I_L、U_L分别为光伏电池的实时输出电压和实时输出电流，I_sc为光生电流；

步骤2：初始化：由以下具体分步骤组成：

步骤2-1：定义输入观测量的长度n和遗忘因子λ，0<λ≤1；

步骤2-2：设置待辨识的参数估值的初始时刻取值设置协方差矩阵P(t)初始时刻的取值P(0)＝aI_n，a实数，I_n为n×n的单位矩阵；

步骤3：获取光伏电池的实时输出电压U_L和实时输出电流I_L：

U_L＝U_{L_array}/m (3)

I_L＝I_{L_array}/n (4)

式中，U_{L_array}和I_{L_array}分别为所述光伏阵列的实时输出电压和实时输出电流；

步骤4：产生观测矩阵及其转置矩阵

其中，y(t)是光伏电池输出电压当前时刻的观测值，y(t-1)为光伏电池输出电压前一时刻的观测值，y(t-n)为光伏电池输出电压前n时刻的观测值；

步骤5：计算当前时刻观测矩阵的协方差矩阵P(t)：

步骤6：计算上一时刻的增益矩阵F(t-1)，

步骤7：更新光伏电池的参数估值

步骤8：计算当前时刻的预测残差：

并计算当前时刻的目标函数取值为：