[发明专利]基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法

权利要求书

1.一种基于纵横交叉和NM型的哈里斯鹰光伏模型参数优化方法，其特征在于，所述方法包括以下步骤：

步骤S1、确定光伏模型，并根据制造商数据表提供的I-V曲线以及光伏阵列的结构，设置所述光伏模型的参数范围；

步骤S2、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，且进一步采用预设的Nelder-Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量；

步骤S3、输出最终获取的最优的模型参数向量；

在所述步骤S1中，所述光伏模型包括单二极管模型、双二极管模型以及基于单二极管光伏电池的光伏组件；其中，

所述单二极管光伏数学模型，如下式所示：

所述单二极管光伏数学模型包含五个参数，分别为[I_ph,I_sd,R_s,R_sh,n]；其中，I_ph为光生电流，I_sd为单二极管的反向饱和电流，n为单二极管的理想因子，R_s为等效串联电阻，R_sh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10^-23J/K，q为电子的电荷，取值为1.60217646×10^-19C，T为电池的开尔文温度，V_L为输出电压，I_L为输出电流；

所述双二极管光伏数据模型，如下式所示：

所述双二极管光伏数据模型包含七个参数，分别为[I_ph,I_sd1,n₁,I_sd2,n₂,R_s,R_sh]；其中，I_ph为光生电流，I_sd1和I_sd21分别为双二极管光伏数据模型中两个二极管的反向饱和电流，n₁和n₂分别为双二极管光伏数据模型中两个二极管的理想因子，R_s为等效串联电阻，R_sh为等效并联电阻，K为玻尔兹曼常数，取值为1.3806503×10^-23J/K，q为电子的电荷，取值为1.60217646×10^-19C，T为电池的开尔文温度，V_L为输出电压，I_L为输出电流；

所述基于单二极管太阳能电池的光伏组件模型，如下式所示：

所述基于单二极管太阳能电池的光伏组件模型包含五个参数，分别为[I_ph,I_sd,R_s,R_sh,n]；其中I_ph为光生电流，I_sd为单二极管的反向饱和电流，n为单二极管的理想因子，R_s为等效串联电阻，R_sh为等效并联电阻，N_p为太阳能电池并联数量，N_s为太阳能电池串联数量，K为玻尔兹曼常数，取值为1.3806503×10^-23J/K，q为电子的电荷，取值为1.60217646×10^-19C，T为电池的开尔文温度，V_L为输出电压，I_L为输出电流；

所述步骤S2具体包括：

步骤a1、利用预设的哈里斯鹰优化算法对光伏模型的参数进行全局搜索，以获取若干满足所设置参数范围的模型参数初始向量，并待采用预设的纵横交叉策略对所获取的若干模型参数初始向量进行粗略的局部搜索后，结合贪心策略在所获取的若干模型参数初始向量中选出最优的模型参数向量，具体过程如下：

步骤1-1：参数初始化，具体包括：最大迭代次数T、哈里斯鹰种群个数N、最大评估次数MAX_t、猎物逃跑的初始能量E₀、参数向量的上界UB及下界LB、哈里斯鹰种群X；其中，个体X_ij＝LB_ij+rand*(UB_ij–LB_ij)；i＝1,2,3,…,N；j＝1,2,3,…,D；D为向量维度；

步骤1-2：设置当前评估次数FEs的初始值为0；

步骤1-3：计算种群中各个哈里斯鹰的适应度值，并将当前适应度值最小的个体位置设置为猎物的位置；

步骤1-4：判断是否遍历了所有的哈里斯鹰个体；若是，则执行横向交叉操作；若否，则执行步骤1-6；

步骤1-5：根据相应的更新公式，更新猎物的初始能量E₀，逃跑能量J和猎物能量E；其中，所述的猎物的初始能量E₀的更新公式为E0＝2rand()-1；所述逃跑能量J的更新公式为J＝2(1-rand())；所述猎物能量E的更新公式为且t为当前评估次数；

步骤1-6：如果|E|≥1，那么进入勘探阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入勘探阶段的位置更新公式为X_rand是从当前种群中随机选取的一个个体，r₁，r₂，r₃和r₄均是介于[0,1]之间的随机数；

步骤1-7：如果0.5≤|E|1且rand0.5，并进入软围攻阶段，根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入软围攻阶段的位置更新公式为X(t+1)＝ΔX(t)-E|JX_and-X(t)|，ΔX(t)＝X_rabatt(t)-X(t)J＝2(1–rand)；

步骤1-8：如果|E|0.5且rand≥0.5，进入硬围攻阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入硬围攻阶段的位置更新公式为X(t+1)＝X_rabbit(t)–E|ΔX(t)|；

步骤1-9：如果0.5≤|E|1且rand0.5，进入软包围与渐进式快速下伏阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入软包围与渐进式快速下伏阶段的位置更新公式为Y＝X_rabbit(t)-E|JX_rabbtt(t)-X(t)|，Z＝Y+S×LF(D)，

步骤1-10：如果|E|0.5且rand0.5，进入硬包围与渐进式快速下伏阶段，并根据相应的更新公式进行位置更新；其中，所述哈里斯鹰进入硬包围与渐进式快速下伏阶段的位置更新公式为Y＝X_rabbit(t)-E|J*X_rabbit(t)-X_m(t)|，Z＝Y+S×LF(D)，

步骤1-11：对种群中的每个个体执行横向交叉操作，其更迭方式如下所示：

其中，C₁和C₂分别为扩展系数，它们均匀地分布在[-1,1]之间的随机值；ε₁和ε₂为[0,1]内部的两个连续均匀随机数；

步骤1-12：对种群中的每个个体执行纵向交叉操作，其更迭方式如下所示：

其中，为第i个个体在d₁维中的值，为第i个个体在d₂维中的值，ε为介于0到1间的随机数；

步骤1-13：判断当前的评估次数FEs是否达到最大评估次数MAX_t；若没有达到，继续返回步骤1-3进行重复操作；若已经达到最大评估次数MAX_t，则计算出种群中所有个体的适应度值，并对其进行升序排序，获取最优个体位置及适应度值，即得到最优的模型参数向量；

步骤a2、基于步骤a1所输出最优的模型参数向量，采用预设的Nelder-Mead单纯型进行精细的局部搜索，以获取最终表现最优的模型参数向量，具体过程如下：

步骤2-1：以步骤1-13中最优个体为初始点，构建N+1个顶点的单纯型，计算所有个体的适应度值，以找到最佳位置X_g和第二个X_P；其中，最佳位置X_g和第二个X_P的适应度值分别为f(X_g)和f(X_P)，计算中心位置如下：X_c＝(X_g+X_p)/2；

步骤2-2：反射操作产生反射点X_r，即X_r＝X_c+r×(X_c–X_w)；

步骤2-3：if f(X_r)f(X_g)，说明反射的方向是正确的，找到更好的解进行扩张操作，即X_y＝X_c+φ(X_r－X_c)；

步骤2-4：if f(X_r)f(X_w)，说明反射的方向是不正确的，执行压缩操作，即其数学表达式为X_ic＝X_c+β(X_r-X_c)；

步骤2-5：if f(X_r)f(X_w)f(X_p)，执行收缩操作，重构新的单纯型，这个收缩后的点为：X_oc＝X_c-δ(X_w-X_c)；

步骤2-6：输出最终反射点X_r的位置，即获取最终表现最优的模型参数向量。