[发明专利]基于反向学习与增强复杂进化的光伏阵列参数提取方法

说明书

本发明涉及基于反向学习与增强复杂进化的光伏阵列参数提取方法，包括：获取光伏面板实际的I‑V特性曲线，并选择相应的光伏模型。确定此优化问题的目标函数。通过反向学习算法（OBL）算法对初始点的位置进行优化。利用增强型的复杂进化算法（ESCE）根据不同的电路模型提取模型参数。通过该算法提取不同实测条件下光伏面板的模型参数。本发明提出的一种基于反向学习策略与增强型复杂进化算法的光伏阵列参数提取方法，速度快，收敛性强，稳定性好。

技术领域

本发明涉及光伏发电阵列模型参数提取技术，特别是一种基于反向学习与增强复杂进化的光伏阵列参数提取方法。

背景技术

随着全球能源枯竭，人们对于绿色新能源的需求越来越大。光伏发电将太阳能转换成电能，绿色清洁无污染，被认为是最具有能代替传统的化石能源的方案之一。作为光伏发电的核心，大规模的光伏阵列多由光伏组件串并而成。因此，对光伏电池在实测条件的I-V特性进行建模和参数提取，对于光伏发电系统整体的性能评估，系统优化设计和实时故障检测具有及其重要的意义。

为了对光伏发电系统进行评估，首先需要对光伏阵列进行建模，目前主要的光伏模型主要有单二极管的五参数模型和双二极管的七参数模型。五参数模型具有一定的准确率且计算简单有效，七参数模型结构复杂，计算效率低但更具准确性，所估计参数能更好的逼近实测曲线。

现在主要的参数提取方法可以分为解析法、智能优化算法和混合方法。解析法可以直接快速的获得模型参数，但是准确性和鲁棒性较差且需要复杂的数学推导。因此，利用智能优化算法搜索如光伏模型参数提取的问题受到广泛的青睐。目前，大量的智能优化算法已经应用于光伏阵列模型的参数提取(如ABC,GOFPANM，Rcr-IJADE,STLBO,GOTLBO等)，这些算法存在着收敛速度慢，计算量大，鲁棒性差，稳定性低等特点。混乱复杂进化(SCE)算法最早在1993年被提出，主要利用确定性的竞争性复杂进化来对复杂形进行优化，然后通过混合抽取新的复杂形。该算法本身具有鲁棒性好，计算效率高等特点。但是当面对多目标的非线性问题，其初始点的选取可能会影响该算法的收敛性。为了进一步提升SCE的收敛性，VCMarian于2011年提出了一种差分进化(DE)和SCE相混合的算法。该算法将适应性的下山单纯形搜索算法(NMS)和差分进化相结合。这种方法能够有效的提高SCE的整体表现和计算效率。

发明内容

本发明的目的在于提供一种基于反向学习与增强复杂进化的光伏阵列参数提取方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：基于反向学习与增强复杂进化的光伏阵列参数提取方法，按照如下步骤实现：

步骤S1:获取光伏面板实际的I-V特性曲线，并选择相应的光伏模型；

步骤S2：确定优化问题的目标函数；

步骤S3：通过采用反向学习算法，对初始点的位置进行优化；

步骤S4：通过采用增强型复杂进化算法，根据不同的电路模型提取模型参数；

步骤S5：提取不同实测条件下光伏面板的模型参数。

在本发明一实施例中，在所述步骤S1中，还包括如下步骤：

步骤S11：通过采集板采集光伏面板在不同光照、辐照度条件下的输出电流电压数据，并将其分别保存为N*1的数表；其中，N为采集样本点的个数，且采集的电流和电压的样本点数量相同；

步骤S12：选择单二极管模型和双二极管模型作为光伏模型；

单二极管模型为：