[发明专利]一种单二极管结构光伏电池参数的辨识方法

权利要求书

1.一种单二极管结构光伏电池参数的辨识方法，其特征在于包括以下步骤：

步骤S1、在给定温度和光照强度的条件下，测量单二极管结构光伏电池的实际输出电压和实际输出电流；

步骤S2、构建单二极管结构光伏电池的理想模型，确定需要辨识的参数，并建立目标函数；

步骤S3、利用基于正余弦机制的回溯搜索算法来辨识所述的步骤S2中确定的需要辨识的参数，得到单二极管结构光伏电池需要辨识的参数数据，完成单二极管结构光伏电池参数的辨识；

所述的步骤S2中构建单二极管结构光伏电池的理想模型，确定需要辨识的参数，并建立目标函数的具体过程为：

S2.1、构建单二极管结构光伏电池的理想模型，所述的单二极管结构光伏电池的理想模型由一个串联电阻、一个分流电阻、一个二极管和一个光驱电流源组成，所述的光驱电流源的正极、所述的二极管的阳极、所述的串联电阻的一端和所述的分流电阻的一端连接，所述的光驱电流源的负极、所述的二极管的阴极和所述的分流电阻的另一端连接且其连接端为所述的单二极管结构光伏电池的负极，所述的串联电阻的另一端为所述的单二极管结构光伏电池的正极；

S2.2、将所述的串联电阻的阻值记为R_s，将所述的分流电阻的阻值记为R_sh，将通过所述的二极管的正向电流记为I_d，将所述的光驱电流源的输出电流记为I_ph，所述的单二极管结构光伏电池的输出电流和输出电压的特性方程采用式(1)表示为：

其中，I_L表示单二极管结构光伏电池的理论输出电流；V_L表示单二极管结构光伏电池的理论输出电压；I_sd为二极管的反向饱和电流；q表示电子电荷(1.608×10^-19C)；k为波尔兹曼常数(1.1.280×10^-23J/K)；T表示单二极管结构光伏电池的绝对温度；n表示二极管的品质因子；exp表示以e为底的指数函数；单二极管结构光伏电池需要辨识的参数包括以下五个参数，这五个参数分别是光驱电流源的输出电流I_ph、二极管的反向饱和电流I_sd、二极管的品质因子n、串联电阻的阻值R_S和分流电阻的阻值R_sh；

S2.3、建立单二极管结构光伏电池的目标函数，将该目标函数采用式(2)表示为：

其中，I_A表示单二极管结构光伏电池的实际输出电流；V_A表示单二极管结构光伏电池的实际输出电压；q表示电子电荷(1.608×10^-19C)；k为波尔兹曼常数(1.1.280×10^-23J/K)；T表示单二极管结构的光伏电池的绝对温度；五个待辨识参数的取值范围分别为0≤I_ph≤1A，0≤I_sd≤1μA，0≤R_S≤0.5Ω，0≤R_sh≤100Ω，1≤n≤2；f(V_A，I_A，X)表示单二极管结构光伏电池的理论输出电流和实际输出电流的误差函数，X表示需要辨识单二极管结构光伏电池的参数的集合，即X＝[I_ph，I_sd，R_S，R_sh，n]；

所述的步骤S3中利用基于正余弦机制的回溯搜索算法来辨识所述的步骤S2中确定的需要辨识的参数，得到单二极管结构光伏电池需要辨识的参数数据的具体过程为：

S3.1、将基于正余弦机制的回溯搜索算法的种群大小记为popsize，popsize为大于等于20且小于等于100的整数，即种群中包括popsize个个体，将种群的最大迭代次数记为M，将种群中每个个体的维度采用由dim个维度值构成的1行dim列的数据矩阵来表示，将该数据矩阵称为维度矩阵； 设定下边界矩阵为lb，上边界矩阵为ub，其中，lb＝[lb₁，lb₂，lb₃，lb₄，lb₅]，ub＝[ub₁，ub₂，ub₃，ub₄，ub₅]，ub_j表示上边界矩阵的第j个元素，lb_j表示下边界矩阵的第j个元素，j＝1，2，3，4，5； 令popsize＝30，dim＝5，M＝2000，lb＝[0，0，0，0，1]，ub＝[1，e^-6，0.5，100，2]，将ub_j作为种群中每个个体的第j个维度值(即第1行第j列的维度值)的上限，将lb_j作为种群中每个个体的第j个维度值的下限；

S3.2、定义两个种群，将其分别记为第一种群Q和第二种群I，分别采用式(3)和式(4)对第一种群Q和第二种群I的每个个体的维度进行初始化：

Q_i，j＝lb_j+rand*(ub_j-lb_j) (3)

I_i，j＝lb_j+rand*(ub_j-lb_j) (4)

其中，Q_i，j表示第一种群Q的第i个个体的第j个维度值，I_i，j表示第二种群I的第i个个体的第j个维度值，i＝1，2，…，30，rand表示用随机函数产生的一个大于等于0且小于等于1的随机数，公式(3)和(4)每次计算前都用随机函数重新产生rand；

S3.3、将第一种群Q和第二种群I中每个个体的五个维度值从左到右依次与公式(2) 的五个参数I_ph，I_sd，R_S，R_sh和n相对应，将第一种群Q中每个个体的五个维度值分别作为五个参数I_ph，I_sd，R_S，R_sh和n的值，代入公式(2)中进行计算，将计算得到的误差函数值分别作为第一种群Q中每个个体对应的误差函数值，每个个体对应的误差函数值即为每个个体的适应度值，将其中最小的适应度值作为第一种群Q的最小适应度值，记为fitness，该最小适应度值对应的个体记为position；

S3.4、再次定义两个种群，将这两个种群分别称为第一种群Pop和第二种群oldP，对第一种群和第二种群进行初始化，将初始化后的第一种群称为第0代第一种群Pop₀，将初始化后的第二种群称为第0代第二种群oldP₀； 在初始化时，将第一种群Q作为第0代第一种群Pop₀，将第二种群I作为第0代第二种群oldP₀，第0代第一种群Pop₀的最小适应度值记为best_f₀，best_f₀＝fitness，将第0代第一种群Pop₀中最小适应度值对应的个体记为best_p₀，best_p₀＝position，将第0代第一种群Pop₀的最小适应度值作为第0代全局最优适应度值，将第0代第一种群Pop₀中最小适应度值对应的个体作为第0代全局最优个体；

S3.5、设定一个迭代次数变量，将其记为t，对t进行初始化，令t＝1；

S3.6、对第一种群进行第t次迭代，得到第t次迭代后的第t代第一种群Pop_t，具体迭代过程为：

S3.6.1、进行选择-I操作，具体过程为：采用随机函数随机生成两个位于0到1之间的随机数a和b，比较a和b的大小，当a大于b时，通过公式(5)获取第t代第二种群oldP_t；当a小于等于b时，通过公式(6)获取第t代第二种群oldP_t，如下：

oldP_t＝permuting(Pop_t-1) (5)

oldP_t＝permuting(oldP_t-1) (6)

其中，公式(5)中permuting(Pop_t-1)表示将第t-1代第一种群Pop_t-1中所有个体的顺序随机打乱后再随机排序，公式(6)中permuting(oldP_t-1)表示将第t-1代第二种群oldP_t-1中所有个体的顺序随机打乱后再随机排序；

S3.6.2、采用正余弦机制进行变异操作，得到第t代变异种群M_t，具体操作为：

将第t-1代第一种群Pop_t-1的中所有个体的顺序分别进行三次顺序随机打乱后再次随机排序操作，得到三个新的种群，将这三个种群分别记为Pop1_t-1、Pop2_t-1和Pop3_t-1； 构建一个包括30个个体的误差种群E_t-1，将Pop2_t-1中第i个个体的维度减去Pop3_t-1中第i个个体的维度，将得到的差作为误差种群E_t-1的第i个个体的维度，得到误差种群E_t-1；

构建一个包括30个个体的缩放种群O_t-1，将第t代第二种群oldP_t中第i个个体的维度减去第t-1代第一种群Pop_t-1中第i个个体的维度，将得到的差先乘以一个位于0到1之间的随机数再乘以一个随迭代次数变化的常数c，c＝1-t*((-1)/M)，将此时得到的数据作为缩放种群O_t-1的第i个个体的维度，得到缩放种群O_t-1；

采用随机函数随机生成一个位于0到1之间的随机数l；如果l＜0.5时，设定一个包括30个个体的正弦种群S_t-1，将缩放种群O_t-1的第i个个体的维度乘以一个位于0到2π之间的随机角度的正弦值，将得到的数据作为正弦种群S_t-1的第i个个体的维度，然后采用正弦种群S_t-1中的第i个个体的维度加上种群Pop1_t-1中第i个个体的维度，采用此时得到的和更新正弦种群S_t-1中第i个个体的维度，更新完成的正弦种群S_t-1即为第t代变异种群M_t；

如果l≥0.5时，设定一个包括30个个体的余弦种群C_t-1，将缩放种群O_t-1的第i个个体的维度乘以一个位于0到2π之间的随机角度的余弦值，将得到的数据作为余弦种群C_t-1的第i个个体的维度，然后采用余弦种群C_t-1中第i个个体的维度加上种群Pop1_t-1中第i个个体的维度，采用此时得到的和更新余弦种群C_t-1中的第i个个体的维度，更新完成的余弦种群C_t-1即为第t代变异种群M_t；

S3.6.3、对变异种群M_t进行界限处理操作，得到界限种群BCM_t，具体过程为：判断变异种群M_t中每个个体的维度中的5个维度值是否位于其下限和其上限之间，并基于判定结果对变异种群M_t进行更新，具体更新规则为：如果该个体的某个维度值小于其下限，则将该个体的该维度值修改为其下限；如果该个体的某个维度值大于其上限，则将该个体的该维度值修改为其上限，否则该个体的该维度值保持不变，更新完成的变异种群M_t即为界限种群BCM_t；

S3.6.4、对界限种群BCM_t执行交叉操作，得到交叉种群V_t，具体过程为：随机生成仅包含0或1的30行5列的矩阵map_t，当矩阵map_t中第i行第j列的元素为1时，则将界限种群BCM_t的第i个个体的第j个维度值更新为第t-1代第一种群Pop_t-1中第i个个体的第j个维度值；当矩阵map_t中第i行第j列为0时，则界限种群BCM_t的第i个个体的第j个维度值保持不变，此时更新完成后的界限种群BCM_t即为交叉种群V_t；

S3.6.5、对交叉种群V_t执行选择-II操作，得到第t代第一种群Pop_t，具体过程为：将交叉种群V_t和第t-1代第一种群Pop_t-1的每个个体的五个维度值分别作为五个参数I_ph，I_sd，R_S，R_sh和n的值，然后分别代入公式(2)中计算得到交叉种群V_t和第t-1代第一种群Pop_t-1的每个个体的适应度值，将交叉种群V_t中第i个个体的适应度值和第t-1代第一种群Pop_t-1每个中第i个个体的适应度值进行比较，将两者中适应度值较小的个体作为第t代第一种群Pop_t的第i个个体，由此得到第t代第一种群Pop_t；

S3.7、比较第t代第一种群Pop_t中所有个体的适应度值，得到其中最小适应度值，将最小适应度值作为第t代第一种群Pop_t中的最小适应度值best_f_t和，将该最小适应度值best_f_t对应的个体记为第t代最优个体best_p_t； 将第t代第一种群Pop_t中的最小适应度值best_f_t与第t-1代全局最优适应度值进行比较，如果第t代第一种群Pop_t中的最小适应度值best_f_t小于第t-1代全局最优适应度值，则将第t代第一种群Pop_t中的最小适应度值best_f_t作为第t代全局最优适应度值，否则将第t-1代全局最优适应度值作为第t代全局最优适应度值，然后将第t代全局最优适应度值对应的个体作为第t代全局最优个体；

S3.8、判断t的当前值是否等于M，如果不等于M，则采用t的当前值加1的和更新t的取值，然后返回步骤S3.6.1，进入下一次迭代；如果等于M，则迭代过程结束，将第M代全局最优个体的维度中五个维度值作为二极管结构光伏电池辨识得到的五个参数I_ph，I_sd，R_S，R_sh和n输出。