文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.171551
中文引用格式： 楊宏超,，程若發(fā),，呂彩艷，等. 光伏組件內(nèi)部參數(shù)辨識(shí)與輸出特性研究[J].電子技術(shù)應(yīng)用,，2018,，44(1)：125-128.
英文引用格式： Yang Hongchao，Cheng Ruofa,，Lv Caiyan,，et al. Study on internal parameter identification and output characteristics of photovoltaic module[J]. Application of Electronic Technique，2018,，44(1)：125-128.
0 引言
近幾年,，隨著生態(tài)問題的日益突出，不可再生能源的過(guò)度使用,，對(duì)環(huán)境造成了不小的影響,，比如近幾年我國(guó)霧霾尤其嚴(yán)重，這就凸顯出清潔可再生能源的重要性了,。近年來(lái),，光伏產(chǎn)業(yè)作為可再生能源工業(yè)的代表，在人們生活的各個(gè)領(lǐng)域得到快速發(fā)展和應(yīng)用,。光伏組件輸出特性由光照強(qiáng)度和外界溫度等要素有關(guān)[1],。通常，生產(chǎn)商僅提供光伏組件在標(biāo)況下的外部輸出特性曲線和對(duì)應(yīng)的電氣銘牌參數(shù),。而在實(shí)際應(yīng)用中,，光伏組件基本不會(huì)在標(biāo)況下運(yùn)行，所以獲得光伏組件在不同條件下的外部輸出特性和對(duì)應(yīng)的電氣參數(shù)具有實(shí)際意義,，同時(shí)也為光伏組件不同工況下的運(yùn)行狀況分析提供依據(jù),。
由于光伏組件的輸出特性隨外界環(huán)境變化明顯,，所以選擇合適的光伏組件模型并對(duì)其內(nèi)部5參數(shù)進(jìn)行準(zhǔn)確辨識(shí)便成為需要解決的問題[2]。選擇典型的單二極管模型,，并且該模型在工程應(yīng)用中也具有高精度[3],。對(duì)于參數(shù)辨識(shí)的方法主要分為近似的數(shù)學(xué)解析法和基于優(yōu)化算法的參數(shù)辨識(shí)方法。文獻(xiàn)[4-5]采用近似的數(shù)學(xué)解析算法,，對(duì)于參數(shù)近似的數(shù)學(xué)解析算法中,，由于存在復(fù)雜的超越非線性函數(shù)，且有些參數(shù)直接近似取固定值,，使得計(jì)算出的參數(shù)準(zhǔn)確度大大降低,；文獻(xiàn)[6]采用CPSO算法，雖然收斂精度達(dá)到了,，但迭代次數(shù)多,。總之,，基于智能優(yōu)化算法的參數(shù)識(shí)別方法在準(zhǔn)確度和可靠性方面具有明顯優(yōu)勢(shì),，但大部分傳統(tǒng)的優(yōu)化算法還是存在著易陷入早熟或迭代尋優(yōu)次數(shù)過(guò)多等問題。所以在此基礎(chǔ)上提出了改進(jìn)量子粒子群算法對(duì)光伏組件內(nèi)部參數(shù)進(jìn)行辨識(shí),，既解決了PSO算法陷入局部最優(yōu)的問題,，又解決了尋優(yōu)過(guò)程中迭代次數(shù)過(guò)多問題。此外,，光伏組件外部輸出特性和內(nèi)部五參數(shù)隨外界環(huán)境變化呈現(xiàn)復(fù)雜的非線性關(guān)系,，因此如何準(zhǔn)確地預(yù)測(cè)出不同工況下的輸出特性曲線和對(duì)應(yīng)的內(nèi)部參數(shù)意義重大。
1 光伏電池理論模型和目標(biāo)函數(shù)
1.1 光伏電池理論模型
光伏電池是利用光生電效應(yīng)把太陽(yáng)能轉(zhuǎn)變?yōu)殡娔艿难b置,，其單二極管模型如圖1所示[7],。
由圖1得出光伏組件內(nèi)部參數(shù)等效電流和電壓表達(dá)式：
式中，U為負(fù)載兩端電壓,，I為通過(guò)負(fù)載的電流,，Iph為光生電流，Io為二極管反向飽和電流,，A為二極管影響因子，Rs為電池串聯(lián)電阻,，Rsh為電池并聯(lián)電阻,，T為電池的絕對(duì)溫度，K為玻爾茲曼常數(shù)(1.38×10-23 J/K),，q為電荷常數(shù)(1.6×10-19 C),。其中Iph、Io,、A,、Rs,、Rsh為待辨識(shí)參數(shù)。
1.2 目標(biāo)函數(shù)的建立
基于上述光伏組件的理論模型特點(diǎn),，將改進(jìn)量子粒子群算法引入其中,，從而準(zhǔn)確提取該模型中的未知5參數(shù)的值。文獻(xiàn)[8]引用Lambert W函數(shù)簡(jiǎn)化光伏電池電流I的顯式表達(dá)式：
其中X=(Iph,，Io,，A，Rs,，Rsh)為每個(gè)粒子的位置向量,，代表5個(gè)電池模型的參數(shù)值。Ical和Imea分別為算法辨識(shí)的參數(shù)帶入式(2)中所得到的辨識(shí)電流值和實(shí)際的電流值,。適應(yīng)度值越小,，表示辨識(shí)參數(shù)越準(zhǔn)確。
2 算法介紹
2.1 量子粒子群
2004年,，sun等人提出量子粒子群算法(QPSO),，QPSO是從量子力學(xué)的角度提出的量子空間中的粒子滿足聚集的性質(zhì)。粒子的聚集由顆粒運(yùn)動(dòng)的中心的束縛狀態(tài)描述,，粒子運(yùn)動(dòng)的中心是存在于粒子中的一種吸引力,。處于束縛狀態(tài)的粒子可以以一定的概率密度出現(xiàn)在量子空間中的任何點(diǎn)。粒子的迭代過(guò)程在文獻(xiàn)[9]中詳細(xì)描述,。
2.2 改進(jìn)量子粒子群算法
由于在QPSO算法中的種群初始化是采用隨機(jī)分布的[10],，所以種群初始化存在一定的局限性，無(wú)法遍歷整個(gè)區(qū)域,。從而提出對(duì)其種群進(jìn)行混沌初始化,，以提高粒子初始化遍歷范圍，同時(shí)在尋優(yōu)過(guò)程中對(duì)局部最優(yōu)解進(jìn)行混沌化處理,，以防止陷入局部最優(yōu)解,。混沌學(xué)由E.N.洛倫茲提出,，由于混沌狀態(tài)與一般的無(wú)規(guī)則狀態(tài)不同,，其主要特征有規(guī)律性、隨機(jī)性和遍歷性,，所以混沌理論已經(jīng)成為一個(gè)新的和潛在的優(yōu)化工具,。由于混沌序列具有上述優(yōu)點(diǎn)，因此利用混沌序列用于初始化粒子,，可以提高粒子初始化的遍歷性,，從而為尋優(yōu)精度和收斂速度奠定基礎(chǔ)。Logistic混沌方程[11]如式(4)所示：
式中，0≤Z0≤1,，Zi為第i個(gè)變化量,，μ為控制系數(shù)。
3 基于參數(shù)辨識(shí)的光伏組件輸出特性預(yù)測(cè)實(shí)驗(yàn)
3.1 仿真實(shí)驗(yàn)驗(yàn)證算例
根據(jù)光伏組件5參數(shù)特性,，在MATLAB/Simulink中建立光伏組件仿真模型[11],，得出相應(yīng)的參數(shù)辨識(shí)數(shù)據(jù)。模型中光伏組件標(biāo)況下的電氣參數(shù)為Im=4.95 A,，Vm=35.2 V,，Voc=44.2 V，Isc=5.2 A,；為了驗(yàn)證上述參數(shù)辨識(shí)方法的精確性和快速性,，對(duì)仿真模型在標(biāo)況下的一組數(shù)據(jù)，采用PSO,、QPSO,、CQPSO和CPSO 4種方法分別進(jìn)行辨識(shí)并做對(duì)比試驗(yàn)，試驗(yàn)都迭代100次,，由于適應(yīng)度函數(shù)值大小直接可以反映出參數(shù)辨識(shí)的精度,，圖2為不同方法迭代后的適應(yīng)度值變化圖，表1為不同算法辨識(shí)出的光伏組件參數(shù)值,。結(jié)合表1和圖2的相關(guān)數(shù)據(jù)和圖像顯示可得出,，CQPSO算法適應(yīng)度值為0.037 014，相比于PSO的0.542 4,，收斂精度要高許多,，且迭代次數(shù)只需要18次便收斂了，相比于QPSO都迭代33次和文獻(xiàn)[8]中的CPSO迭代68次要快速許多,，所以改進(jìn)量子粒子群既避免陷入局部最優(yōu),，提高了收斂精度，又加快了收斂的速度,，說(shuō)明此算法可以準(zhǔn)確地對(duì)光伏組件內(nèi)部參數(shù)進(jìn)行辨識(shí),，且優(yōu)化了其他算法易陷入局部最優(yōu)和迭代次數(shù)過(guò)多的問題。
在此基礎(chǔ)上,，為了進(jìn)一步說(shuō)明參數(shù)辨識(shí)對(duì)輸出特性預(yù)測(cè)的準(zhǔn)確性,，本文分別運(yùn)用了在仿真模型條件下通過(guò)改變溫度和光強(qiáng)的3種不同工況下給定的50個(gè)數(shù)據(jù)點(diǎn)，并將其帶入改進(jìn)的量子粒子群算法中進(jìn)行模型參數(shù)辨識(shí),，得出的參數(shù)結(jié)果如表2,。同時(shí)用算法辨識(shí)結(jié)果擬合出對(duì)應(yīng)不同工況下的輸出特性I-U曲線，如圖3,。
通過(guò)圖3的比較可以看出，辨識(shí)出的參數(shù)值與給定值誤差較小，辨識(shí)出光伏組件功率曲線與設(shè)定值曲線重合度較高,，說(shuō)明此算法對(duì)于不同工況下的參數(shù)辨識(shí)都有較高的準(zhǔn)確性,。為了驗(yàn)證對(duì)輸出特性預(yù)測(cè)精度，本文引進(jìn)了預(yù)測(cè)電流百分誤差函數(shù)PE,，如式(5)所示,，對(duì)輸出特性中具有代表性的最大功率點(diǎn)電流Imp準(zhǔn)確性進(jìn)行比較，如表3,。表中誤差率絕對(duì)值均小于0.5%,，說(shuō)明此方法對(duì)仿真模型輸出特性預(yù)測(cè)是非常有效且適用的。
3.2 實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證算例
為了驗(yàn)證此預(yù)測(cè)模型在實(shí)際環(huán)境下的預(yù)測(cè)效果,，本文在輻照度為260 W/m2,、光伏電池板溫度為37 ℃(310K)的工況下，用算法進(jìn)行參數(shù)辨識(shí)和輸出特性預(yù)測(cè)精度的驗(yàn)證,。在該工況下選取45個(gè)數(shù)據(jù)值進(jìn)行辨識(shí),，通過(guò)傳統(tǒng)數(shù)學(xué)解析算法和本文改進(jìn)兩種算法分別辨識(shí)出內(nèi)部參數(shù)值，如表4所示,。把表4中不同算法對(duì)應(yīng)的辨識(shí)參數(shù)代入式(2)原方程中擬合出3種算法對(duì)應(yīng)的實(shí)測(cè)數(shù)據(jù)輸出特性曲線,，如圖4所示。把圖4中擬合的3個(gè)電流值帶入到式(5)的電流百分比誤差函數(shù)中,，得到圖5中3種算法的預(yù)測(cè)電流誤差百分比,。
從表4中適應(yīng)度值可得出，改進(jìn)算法在實(shí)測(cè)數(shù)據(jù)條件下依然能得到高精度的辨識(shí)參數(shù)值,，證明此算法在參數(shù)辨識(shí)上的準(zhǔn)確性和可適用性,。從圖4中兩種方法擬合出的輸出特性曲線可看出不同算法辨識(shí)曲線差距很大，而本文算法使實(shí)際測(cè)量值和擬合曲線基本重合,，擬合程度較高說(shuō)明對(duì)電流預(yù)測(cè)的準(zhǔn)確性,。圖5中預(yù)測(cè)電流誤差百分比可看本文算法電流誤差率幾乎為0，也說(shuō)明此方法對(duì)輸出特性預(yù)測(cè)具有較高的準(zhǔn)確性,，從而充分驗(yàn)證在實(shí)測(cè)條件下對(duì)光伏組件輸出特性預(yù)測(cè)的精確度,。
綜上所述，算例中分別采用不同算法對(duì)仿真模型下的光伏組件進(jìn)行內(nèi)部參數(shù)辨識(shí),，比較得出本文算法的準(zhǔn)確性和快速性,。并通過(guò)此算法準(zhǔn)確地對(duì)不同工況下的光伏組件輸出特性進(jìn)行預(yù)測(cè)，再通過(guò)本文算法與傳統(tǒng)的迭代算法在實(shí)測(cè)光伏組件數(shù)據(jù)下進(jìn)行辨識(shí)并對(duì)輸出特性進(jìn)行預(yù)測(cè),，實(shí)驗(yàn)結(jié)果均表明算法對(duì)參數(shù)辨識(shí)的準(zhǔn)確性以及輸出特性預(yù)測(cè)的正確性和有效性,。
4 結(jié)論
本文通過(guò)改進(jìn)算法對(duì)光伏組件內(nèi)部參數(shù)進(jìn)行了準(zhǔn)確辨識(shí)，將光伏組件仿真模型和實(shí)際環(huán)境下的實(shí)測(cè)數(shù)據(jù)進(jìn)行了參數(shù)辨識(shí)和輸出特性的預(yù)測(cè)實(shí)驗(yàn),。在仿真試驗(yàn)中,，首先通過(guò)3種粒子群算法對(duì)標(biāo)況下光伏組件5參數(shù)進(jìn)行辨識(shí),，得出改進(jìn)量子粒子群算法收斂速度快且精度高，同時(shí)避免陷入局部最優(yōu),，說(shuō)明此方法在仿真模型下的參數(shù)辨識(shí)有效性和準(zhǔn)確性,；再通過(guò)改進(jìn)量子粒子群算法對(duì)不同溫度和光強(qiáng)下光伏組件進(jìn)行參數(shù)辨識(shí)，通過(guò)辨識(shí)結(jié)果擬合出對(duì)應(yīng)的輸出特性曲線,，并計(jì)算出電流誤差百分比,，從而驗(yàn)證及說(shuō)明了此方法對(duì)仿真模型下輸出特性預(yù)測(cè)的準(zhǔn)確性。為了進(jìn)一步驗(yàn)證此方法對(duì)參數(shù)辨識(shí)的準(zhǔn)確性和對(duì)輸出特性預(yù)測(cè)的有限性,，本文采用了具有一般性的工況(S=260 W/m2,，T=37 ℃)下的實(shí)測(cè)數(shù)據(jù)對(duì)此方法的準(zhǔn)確性進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果表明此方法具有一般工程適用性,，且準(zhǔn)確度較高,。本文對(duì)光伏組件參數(shù)辨識(shí)及輸出特性預(yù)測(cè)具有廣泛適用性，可為光伏組件中最大功率點(diǎn)跟蹤（MPPT）,、故障診斷等問題研究提供支持,，具有較高的工程使用價(jià)值和推廣意義。
參考文獻(xiàn)
[1] 陳煒,，艾欣,，吳濤，等.光伏并網(wǎng)發(fā)電系統(tǒng)對(duì)電網(wǎng)的影響研究綜述[J].電力自動(dòng)化設(shè)備,，2013,，33（2）：26-32.
[2] 傅望，周林,，郭珂,，等.光伏電池工程用數(shù)學(xué)模型研究[J].電工技術(shù)學(xué)報(bào)，2011,，26（10）：211-216.
[3] 田琦,，趙爭(zhēng)鳴，韓曉艷.光伏電池模型的參數(shù)靈敏度分析和參數(shù)提取方法[J].電力自動(dòng)化設(shè)備,，2013,，33（5）：119-124.
[4] 周建良，王冰,，張一鳴,，等.基于實(shí)測(cè)數(shù)據(jù)的光伏陣列參數(shù)辨識(shí)與輸出功率預(yù)測(cè)[J].可再生能源，2012,，30(7)：1-4.
[5] 周勇,，阮毅，趙春江,，等.基于系統(tǒng)記錄數(shù)據(jù)的光伏陣列參數(shù)辨識(shí)與功率預(yù)測(cè)研究[J].可再生能源,，2015,，33(2)：177-183.
[6] Cheng Ze，Dong Mengnan,，Yang Tiankai,，et al.Extraction of solar cell model parameters based on self-adaptive chaos particle swarm optimization algorithm[J].Transactions of China Electrotechnical Society，2014,，29(9)：245-252.
[7] GREEN M A.Photovoltaic principles[J].Physica E：Low-dimensional Systems and Nanostructures，2002,，14 （1）：11-17.
[8] 程澤,，董夢(mèng)男，楊添剴,，等.基于自適應(yīng)混沌粒子群算法的光伏電池模型參數(shù)辨識(shí)[J].電工技術(shù)學(xué)報(bào),，2014，29(9)：245-252.
[9] 李曉.基于粒子群算法和量子粒子群算法的電力系統(tǒng)故障診斷[D].長(zhǎng)沙：湖南大學(xué),，2010.
[10] 王振樹,，卞紹潤(rùn)，劉曉宇,，等.基于混沌與量子粒子群算法相結(jié)合的負(fù)荷模型參數(shù)辨識(shí)研究[J].電工技術(shù)學(xué)報(bào),，2014，39(4)：1504-1514.
[11] 趙樂,，張彥曉.基于Simulink光伏電池建模及其輸出特性仿真研究[J].現(xiàn)代電子技術(shù),，2014，33（11）：125-128.