[发明专利]一种基于混合信任区间反射的光伏模型参数辨识方法

说明书

本发明提供了一种基于混合信任区间反射的光伏模型参数辨识方法，属于太阳能电池及光伏发电阵列的检测技术领域。一种基于混合信任区间反射的光伏模型参数辨识方法，结合了人工蜂群算法强大的全局搜索能力和信任区间反射法强大的局部搜索能力，进一步提高了光伏模型参数提取的速度，精度和收敛性。

技术领域

本发明属于太阳能电池及光伏发电阵列的检测技术领域，具体涉及一种基于混合信任区间反射的光伏模型参数辨识方法。

背景技术

光伏发电由于其绿色清洁无污染的特性被认为是最优潜力的可再生能源之一。作为光伏发电的核心，大规模的光伏阵列多由光伏组件串并而成。然而，光伏组件及阵列作为光伏发电的硬件设备，自身安装和工作在复杂的户外环境中，同时受到热循环、湿度，紫外线，大气压等各种环境因素的作用，易出现局部材料老化、线线间短路、线线间断路等各种问题，导致模型参数会随着时间发生变化。因此，对光伏组件再实测条件的I-V特性进行建模和参数提取，对于光伏发电系统整体的性能评估，系统优化设计和实时故障检测具有及其重要的意义。

光伏组件及阵列主要采用单二极管五参数模型和双二极管七参数模型，其模型参数对模型的准确性有重要影响。本文所提出的参数提取方法基于实测IV特性曲线，能够提取相应的光伏阵列模型参数，实时更新重建光伏阵列模型，进而有效的评估光伏电站的实际工作状况。随着光伏发电系统的日益普及,为了能够极大降低运维成本,准确高效的光伏模型的建立至关重要。

目前存在的光伏模型参数提取方法大体可分为三种类型，即解析法、智能优化算法，以及两者的混合法。解析法主要通过构造光伏模型的显示方程，利用实测的少数关键点数据,主要有开路电压、短路电流、最大功率点电压和电流、温度系数等, 最终通过严格的数学推导以及适当的假设估计, 对显示方程进行求解,最终求解出伏模型参数。这种方法能够直接简单快速地提取模型参数，但这种方法在鲁棒性和准确性上均具有较大误差，且在关键点的测量上本身准确性就有待考究，因此该方法的应用受到了极大的挑战。为了克服解析法的缺点，各种确定性和随机的数值优化算法相继被提出，这些方法通过最小仿真和实测I-V曲线的均方根误差，来准确提取模型参数。确定性数值优化法包括牛顿下山法、LM法、单纯形算法等。这些方法虽然收敛速度快、计算量小，但易陷入局部最优值，模型参数的准确性受初始点选择的影响较大,收敛的稳定性很难得到直接的保证。现有的光伏模型参数提取的随机数值优化法主要有差分演化、遗传算法、复杂进化算法、蛙跳算法、鲸群算法等等。这些方法具有极强的全局搜索能力使优化解能够避免陷入局部最优，但这类随机的优化算法收敛不稳定且收敛速度较慢。为了能够同时兼顾二者的优势, 大量的混合方法被提出，包括混乱复杂进化算法，布谷鸟结合单纯形法，解析法结合单纯形法等。虽然这些算法取得了较好的结果，但其在收敛速度上和精度上仍不能很好的兼顾。

发明内容

本发明的目的在于提供一种基于混合信任区间反射的光伏模型参数辨识方法，结合了人工蜂群算法强大的全局搜索能力和信任区间反射法强大的局部搜索能力，进一步提高了光伏模型参数提取的速度，精度和收敛性。

本发明的上述技术问题是通过以下技术方案实现的：一种基于混合信任区间反射的光伏模型参数辨识方法，其特征在于，包括如下步骤：

步骤S1、根据光伏阵列的串联和并联太阳能电池片的数量和,选择合适的光伏模型以及模型参数的搜索范围；

步骤S2、采用蜂群智能优化算法对光伏模型参数的进行全局搜索，并获取最优的光伏模型参数初始值向量；

步骤S3、采用基于目标函数梯度的信任区间反射法在步骤S2中得到的最优光伏模型初始参数向量的信任区间内进行进一步的局部搜索；

步骤S4、通过该混合算法以及对三类基问题(单二极管模型，双二极管模型，单二极管的光伏组件)以及对三类基问题以及不同实测条件下的I-V特性曲线进行参数提取。

作为本发明的优选，步骤S1中所述光伏模型为单二极管五参数模型和双二极管七参数模型。