[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

摘要

本发明公开了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，用于解决现有太阳电池参数辨识方法辨识精度低的技术问题。技术方案是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。

主权项

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，其特征在于包括以下步骤：步骤一、针对复杂的非线性隐式方程，设计适应度函数，对于非线性隐式方程：y＝f(x1,x2,...,xn,y)      (1)其中x1,x2,...,xn为方程输入，y为方程输出；输入和输出变量无法直接分开，需先求出非线性隐式方程的根，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：ft=1NΣi=1N|f(x1′,x2′,...,xn′,y′)-f(x1,x2,...,xn,y)||f(x1′,x2′,...,xn′,y′)|+|f(x1,x2,...,xn,y)|---(2)]]>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'为采用步骤三辨识结果带入非线性隐式方程，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pbesti，并记录下对应粒子所代表的位置，称其为个体最优粒子pid；步骤三、按照以下公式对所有粒子的速度和位置进行更新：Vid(t+1)＝ω×Vid(t)+C1×r1×(Pid‑Xid(t))+C2×r2×(Pgd‑Xid(t))    (3)Xid(t+1)＝Xid(t)+Vid(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；Vid是飞行速度，Vid∈[‑Vmax,Vmax]，Vmax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非线性隐式方程参数某一时刻的辨识结果；步骤四、将步骤三的参数辨识结果带入非线性隐式方程，通过数值解法求取此时方程的零点；结合试验数据，带入步骤一中设计的适应度函数，计算各个粒子的适应度值；步骤五、根据步骤四得到的适应度值，更新所有的个体最优值pbesti和个体最优粒子pid，以及全局最优值gbest和全局最优粒子pgd；步骤六、根据需要设定循环结束条件，循环结束条件为适应度值达标的解或最大迭代次数；达到结束条件则结束搜索，输出辨识结果；否则转入步骤三，继续循环更新粒子的位置和速度。