[发明专利]基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法

说明书

本发明涉及一种基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法，首次提出一种突变点检测算法用于动态工作点全局最大功率点跟踪过程的波形突变时刻检测，并将GMPPT对应的波形转换成静态关键段I‑V特性曲线，并提出一种新的混合法即基于量子粒子群算法和列文伯格——马夸尔特算法的光伏模型在线参数辨识方法，该方法实现逆变器并网发电过程中GMPPT扫描的识别并提取关键段I‑V特性曲线，结合量子粒子群算法强大的全局搜索能力和列文伯格——马夸尔特算法强大的局部搜索能力，进一步提高了光伏模型参数辨识的速度、精度、稳定性、可靠性和收敛性。

技术领域

本发明涉及太阳能电池及光伏阵列的检测技术领域，特别是一种基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法。

背景技术

为了应对日益严重的环境污染、气候恶化、化石能源枯竭等问题，太阳能作为一种可再生、可广泛获取的清洁能源受到了广泛的关注。光伏阵列作为光伏发电装置的核心，通常由光伏组件串并联组成。然而，光伏组件及阵列通常工作在复杂的室外环境中，在长期运行的角度看，光伏组件的性能不仅会随着使用年限的增加而下降，导致模型参数随着时间发生变化，而且会受到恶劣自然环境的影响而产生故障。因此，对光伏组件在离线实测条件下和并网发电条件下动态工作点的I-V特性建模和参数辨识，对于发电系统整体的性能评估、实时光伏故障诊断具有重要的应用价值和实际意义。

光伏组件及阵列的等效模型主要分为单二极管五参数模型和双二极管七参数模型，准确快速地识别模型参数是光伏建模的关键。本文所提出的突变点检测方法，通过动态波形到静态I-V特性的提取，实现并网在线的I-V特性建模；所提出的参数提取方法可用于静态实测I-V特性曲线和动态工作点提取的关键段I-V特性曲线，能够提取相应的光伏阵列模型参数，结合逆变器并网MPPT扫描过程，在线更新光伏阵列模型，进而有效的评估光伏电站的实际工作状况。

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、数值优化法，以及两者的混合法。解析法主要通过构造光伏模型的显式方程，基于光伏组件制造商给定的或者实测的少数关键点数据(如开路电压、短路电流、最大功率点电压和电流、温度系数)求解出光伏模型参数。这类方法虽然简单、计算量较小，但是模型参数的精度较差，且易受这些关键点数据的精度和噪声影响。为了克服解析法的缺点，各种确定性和随机的数值优化方法相继被提出，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Newton–Raphson法、模式搜索法等。这些方法虽然收敛速度快、计算量小，但易陷入局部最优值，模型参数的精度易受搜索起始点影响、比较不稳定。用于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、蜂群算法、粒子群算法、花粉传播算法等等。这些算法具有较强的全局搜索能力，然而计算量较大、收敛速度较慢，难以适用于实时的参数提取。为了利用这类方法的优点同时克服其缺点，一些混合法被提出，包括布谷鸟结合单纯形法，解析法结合单纯形法，人工蜂群结合信赖域算法等。以上方存在一些问题，包括以下几个方面：首先在以往提出的算法中很少有移植到硬件平台中进行参数提取，而其中的主要原因是收敛速度并没有取得本质的提升，算法迭代次数过多导致算法复杂度高而无法在硬件平台上实现；其次，以往提出的算法只适用于静态完整的I-V特性曲线，无法实现并网发电过程的参数在线提取。目前，公开发表的文献及专利中尚未见有基于突变点检测及混合量子粒子群算法和列文伯格——马夸尔特算法的光伏模型在线参数辨识方法，该种突变点检测法也是在第一次应用在光伏并网逆变器GMPPT扫描过程中提取关键段I-V曲线，同时该混合优化算法也是首次在光伏模型参数提取中得到应用。

发明内容

有鉴于此，本发明的目的是提供一种基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法，以克服现有相关技术的缺陷，从而实现并网在线参数提取并提高光伏模型参数辨识的性能。

本发明采用以下方案实现：一种基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法，包括以下步骤：