[发明专利]基于粒子群优化算法的太阳电池隐式方程参数辨识方法

说明书

技术领域

本发明涉及一种太阳电池参数辨识方法，特别是涉及一种基于粒子群优化算法的太阳电池隐式方程参数辨识方法。

背景技术

文献“基于最大功率点的太阳电池参数辨识方法，第三十一届中国控制会议论文集，2012”公开了一种基于出厂数据确定伏安特性曲线的常规参数辨识方法。该方法依据光伏发电中太阳电池最大功率跟踪特性，结合硅太阳电池伏安特性特性方程在最大功率点处的极值表述，利用不同光照及温度下所测量的最大功率点处硅太阳电池的电压及电流建立含有四个模型参数的封闭方程组，包括光生电流、反向饱和电流、二极管理想因子和电池串联电阻，通过辨识确定太阳电池四个待定参数从而确定硅太阳电池的伏安特性方程。文献所述的方法在建立太阳电池方程时采用了近似线性化的方法，将一些数值较小的参数近似为0，忽略小范围变化的参数，导致辨识精度不高；辨识出的太阳电池参数未包含太阳电池等效并联电阻及曲线拟合参数，与常用的太阳电池参数不符，无法准确建立太阳电池性能参数的测量模型。

发明内容

为了克服现有太阳电池参数辨识方法辨识精度低的不足，本发明提供一种基于粒子群优化算法的太阳电池隐式方程参数辨识方法。该方法基于粒子群优化算法，针对太阳电池模型为隐式方程的特点，采用基于待辨识方程的适应度函数设计方法，通过辨识，能够高效的提取太阳电池模型的五个参数。在辨识的过程中无需进行等效方程的线性简化和参数小范围变化的缺省，使得辨识过程更具灵活性、适应性和鲁棒性，辨识结果精确度更高。同时，本发明方法还能用于解决除太阳电池模型外的其他隐式方程参数辨识问题，具有一定的普适性。

本发明解决其技术问题所采用的技术方案是：一种基于粒子群优化算法的太阳电池隐式方程参数辨识方法，其特点是采用以下步骤：

步骤一、针对复杂的非线性隐式方程，设计适应度函数，

对于隐式方程模型：

y＝f(x₁,x₂,...,x_n,y) (1)

其中x₁,x₂,...,x_n为方程输入，y为方程输出。输入和输出变量无法直接分开，需先求出隐式方程的根，再结合试验数据构成用于评价的适应度函数，该函数表示为：

式中等号右边部分由三个部分组成，第一部分为记忆部分，反映粒子的运动习惯，代表粒子有保持自己先前速度的趋势；第二部分为自我认知部分，反映的是粒子对自身历史经验的记忆，表示粒子有向自身历史最佳位置逼近的趋势；第三部分为粒子社会认知部分，反映了粒子间协同合作与知识共享的群体历史经验，表示粒子有向群体或领域历史最佳位置逼近的趋势。N为数据的维数，x,y为实测输入输出数据，x′,y′为采用某一步辨识结果带入隐式方程，对方程求根得到的零点值。

步骤二、初始化粒子种群内粒子数目、最大迭代次数、学习因子和惯性权重，确定带辨识参数的变化范围，在各个参数的取值区间内随机粒子的位置和速度，作为粒子的初始状态。并将各个粒子的初始状态存储为每个粒子的个体最优值pbest_i，并记录下对应粒子所代表的位置，称其为个体最优粒子p_id。

步骤三、按照以下公式对所有粒子的速度和位置进行更新：

V_id(t+1)＝ω×V_id(t)+C₁×r₁×(P_id-X_id(t))+C₂×r₂×(P_gd-X_id(t)) (3)

X_id(t+1)＝X_id(t)+V_id(t+1) (4)

其中，C₁和C₂是两个学习因子，也称为加速参数，是两个非负常数；r₁和r₂为[0,1]范围内的随机数；t为迭代次数。V_id是飞行速度，V_id∈[-V_max,V_max]，V_max是常数，由用户设定用来限制粒子的飞行速度。

更新后的粒子位置即为参数某一时刻的辨识结果。