[发明专利]一种基于分治Q-learning算法的光伏阵列重构方法

权利要求书

1.一种基于分治Q-learning算法的光伏阵列重构方法，其特征在于，包括以下步骤：

步骤一、初始化Q-learning算法参数，Q-learning算法参数包括学习率α、奖励衰减率γ和在Q-learning算法中选择动作时控制随机率的参数∈；

步骤二、测量或估算光伏阵列中每个光伏电板的光照强度值；

步骤三、将m行n列全连接结构的光伏阵列看为一个有m个元素构成的串联电池组，其中每个元素都是n个电池板并联形成的电池组结构；并联电池组的光照强度值等于该并联组中每个光伏电板上光照强度数值的总和；

基于步骤二给出的每个光伏电池板的光照强度来计算每个并联电池组的光照强度；

步骤四、选择具有最大和最小光照强度数值的两个并联电池组构成部分光伏阵列，所述部分光伏阵列的目标状态是两个并联电池组之间的光照强度差值为最小；

使用Q-learning算法找到最少的电气变换方式来达到所述部分光伏阵列的最佳状态，完成对该部分光伏阵列的重构；

步骤五、将重构后的部分光伏阵列和余下还未重构的并联电池组合并，生成具有新结构的m行n列的光伏阵列；返回执行步骤四，直到找到使整个光伏阵列的并联电池组间的光照强度差异最小的电气变换方式。

2.如权利要求1所述的基于分治Q-learning算法的光伏阵列重构方法，其特征在于，所述步骤二中，每个光伏电板的光照强度数值通过光照强度传感器获取或者通过太阳能面板电气模型进行估算；

其中，所述太阳能面板电气模型具体如下：

式中，G_ij是光伏阵列中第i行、第j列的电池板的估算的光照强度，I_ij和V_ij是第i行、第j列的电池板对应的电流值和电压值，α,I₀和nV_T是电池板上标称的参量；其中，i＝1，2，3…I，j＝1，2，3…J，I为电池板总行数，J为电池板总列数。

3.如权利要求1所述的基于分治Q-learning算法的光伏阵列重构方法，其特征在于，所述步骤四中，基于分治Q-learning算法的光伏阵列重构方法的目标设定为使用最少的连接变换使阵列从初始状态到达最优状态，并且最佳状态定义为若干并联电池组中最大光照强度与最小光照强度的差值最小的状态。

4.如权利要求1-3任意一项所述的基于分治Q-learning算法的光伏阵列重构方法，其特征在于，所述步骤四中，基于分治Q-learning算法的具体内容为：

应用Q-learning算法对光伏阵列进行步进重构，如果进行某步的电气变换操作后并联电池组间最大光照强度和最小光照强度的差值变小，则奖励设置为“+1”；而当差值变大时，奖励将为“-1”；否则奖励为0；电气变换方式在每次试验回合中均会被记录；当两个并联电池组间的光照强度差值保持最小，并且在当前试验回合中的电气变换方式与先前一轮相同时，试验回合迭代将停止，则当前记录的试验回合中的电气变换方式是最少的电气变换方式来达到此部分光伏阵列的最佳状态，即并联电池组间的太阳光照强度最小，以功率损耗最小和PV曲线最平滑；

其中，一次步进是指电气变换方式，所述电气变换方式是指使用电气开关使得光伏阵列中列内光伏电板位置不变而电气连接变换。

5.如权利要求1-3任意一项所述的基于分治Q-learning算法的光伏阵列重构方法，其特征在于，所述步骤五中，在整个光伏阵列中最大并联电池组光照强度和最小并联电池组光照强度的差值越来越小，且在相邻三次试验回合中的保持一致的最小值，保持相等时，此时的电气变换方式为使整个光伏阵列的并联电池组间的光照强度差异最小的电气变换方式。