[发明专利]一种基于分治Q-learning算法的光伏阵列重构方法

说明书

本发明提出了一种基于分治Q‑learning算法的光伏阵列重构方法，不需要大量的历史数据或环境参数，并且减少了PV曲线中峰值个数，使其更平滑，减少失配损耗、提高阵列输出功率，能够实现全局最优，使用范围也不受限制，且重构过程的准确性高。采用一种无监督的训练算法，通过学习和经历来了解未知环境，而不需要大量的历史数据或环境参数。其中，分治原理的融入进一步保证了该阵列重构方法的快速性；基于分治强化学习的光伏阵列重构方法来快速地改善局部遮光等阵列失配条件下的光伏阵列的性能表现，减少PV曲线中峰值个数，使其更平滑，减少失配损耗、提高阵列输出功率。对Q‑learning算法的训练目标、步进奖励和训练终止准则的改进，确保了重构过程的准确性。

技术领域

本发明涉及光伏发电技术领域，具体涉及一种基于分治Q-learning算法的光伏阵列重构方法。

背景技术

如今，全球各地电能消耗逐步增加，因而供电需求也大大地增加了。传统的电能来源于煤炭、天然气和石油等化石燃料，然而它们不仅是不可持续能源，而且还会造成一些不必要的环境影响，如全球变暖、海平面上升及有害气体排放等。另一方面，太阳能是一种可再生的清洁资源，并且随着光伏(PV)电板成本越来越低、电能转换效率的提高以及最大功率点跟踪(MPPT)技术的完善，光伏发电系统已在中国、印度、美国等各国广泛建立。

但是，由于光伏阵列产生的电能取决于太阳辐射，当出现阵列局部遮阴、表面灰尘堆积、部分光伏电池故障或老化等阵列失配问题时，会使光伏阵列中的电板具有不同的电气特性，导致输出功率的损失，甚至会引起热斑问题，导致太阳能电池的损坏。对此往往在光伏电板之间插入旁路二极管，提供备用电流路径，防止阵列失配条件下出现热斑以保护光伏阵列。然而旁路二极管的引入会导致在光伏阵列的功率-电压(P-V)特性曲线中出现多个局部功率峰值点，使得真正的最高功率点难以找到。如果要避免安装二极管，可以采用分布式MPPT技术或多级逆变器技术来减小阵列失配现象的损害。然而，这些技术需要额外的器件和复杂的控制单元来确保光伏阵列的MPPT，这将导致系统结构更加复杂、成本更高。

另一方面，光伏阵列重构方法是一种有前景的技术，它利用阵列电气重构(EAR)实现光伏阵列的电气连接切换，来减小诸如局部阴影等失配条件下旁路二极管对光伏阵列的影响。目前，阵列重构方法包括静态方法和动态方法，因为动态重构可以通过开关来实时改变光伏阵列的连接情况从而实现阵列重构，因此应用更广泛。动态重构技术可以分为3种类型：(1)第一种类型是基于数据的重构技术，它基于光伏阵列的运行状态数据，建立并训练模型，使其能够输出最佳连接布局，比如查表法、光照比较器法以及基于人工神经网络、模糊算法的重构方法，但是，这些方法需要专家知识或大量数据，而这在现实中很难获得。(2)第二种类型是基于穷举的评价类重构方法，它将测试所有可能的光伏阵列重构，直到满足某些约束为止。值得注意的是，为了减少最优化的计算量，可用一些技术来缩小研究空间，比如使用进化方法、固定行数或列数，但会导致局部最优化而不是。(3)最后一种类型是基于数学方法的，比如使用排序算法或使用经典的优化算法可将重构问题转换为在一定约束下求解数学成本函数的问题。但是，基于数学方法的重构方法只能在某些特定应用中使用。此外为了减少计算时间而做出的假设也降低了方法的准确度。

发明内容

有鉴于此，本发明提出了一种基于分治Q-learning算法的光伏阵列重构方法，不需要大量的历史数据或环境参数，并且减少了PV曲线中峰值个数，使其更平滑，减少失配损耗、提高阵列输出功率，能够实现全局最优，使用范围也不受限制，且重构过程的准确性高。

为实现上述目的，本发明技术方案如下：

本发明的一种基于分治Q-learning算法的光伏阵列重构方法，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；