一种基于改进黑猩猩优化算法的光伏电池模型参数辨识方法

本发明属于新能源，具体涉及一种基于改进黑猩猩优化算法的光伏电池模型参数辨识方法。

背景技术：

1、近年来，随着绿色经济的发展，光伏发电产业迎来了巨大的发展。光伏电池是光伏发电系统中的重要组成部分，但光伏发电系统的输出特性受光伏电池输出特性的影响较大。通过辨识那些反映光伏电池内在特性的参数，不仅可以确定i-v方程，从而利用求得的i-v方程预测光伏电池的输出电流及功率，而且通过分析这些参数的变化还可以进一步研究和改善光伏电池发生故障的原因。因此进行辨识光伏电池内部参数是十分有意义的。

2、目前，用于光伏电池模型参数辨识的方法大致分为三类：解析法、数值计算法和优化算法估计法。解析法可以实现快速求解，但求解适应性差的问题一直未得到很好的解决，特别是该方法中的近似处理会降低求解的准确度。数值计算法过分依赖于初值的选择，若误差过大，每次都要重新选取初值，然后观察其收敛性，求解过程中的误差也会随着辨识参数的增加而增大。优化算法具有限制条件少和辨识非线性能力强等优点，已被广泛应用于电池模型的参数辨识中，但是经典智能算法大多存在收敛速度慢和已陷入局部极小点问题，导致整体辨识精度不高。黑猩猩优化算法是一种新型启发式智能算法，通过模拟黑猩猩优化群体探索、觅食及合作捕食等行为实现算法的全局搜索和局部开发，然而在复杂非线性优化问题中，其仍存在寻优效率不高和易陷入局部最优的缺陷。

技术实现思路

1、本发明的目的在于提供一种基于改进黑猩猩优化算法的光伏电池模型参数辨识方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于改进黑猩猩优化算法的光伏电池模型参数辨识方法，包括有以下步骤：

3、s1、获取光伏电池的实测电流和实测电压；

4、s2、建立光伏电池模型，将模型估计输出与实际输出的均方根误差作为目标函数；

5、s3、将自适应惯性权重和个体记忆机制嵌入到标准的黑猩猩优化算法中，形成改进的黑猩猩优化算法；

6、s4、利用改进的黑猩猩优化算法最小化目标函数，对光伏电池的模型未知参数进行辨识，获取最佳参数并形成数学模型；

7、s5、根据获得的最佳参数及模型进行电流和功率的数据拟合。

8、优选的，所述s2的具体步骤如下：

9、s201、根据检测到的实测电流和实测电压建立光伏电池i-v方程，确定辨识的参数；

10、s202、通过使用光伏电池的实测数据，求解均方根误差函数rmse(x)，并且作为优化目标函数。

11、优选的，所述光伏电池i-v方程的表达式如下：

12、

13、式中v为模型输出电压，i为模型输出电流，iph为光生电流，isd为二极管反向饱和电流，n为二极管品质因子，rs为电池串联电阻，rsh为电池并联电阻，t为电池的绝对温度，k为波尔兹曼常数，q为电子的电荷量。

14、优选的，所述均方根误差函数rmse(x)的公式如下所示，其中m表示样本数据的数目；

15、

16、f(v,i,x)通过如下公式计算；

17、

18、光生电流iph、二极管反向饱和电流isd、二极管品质因子n、电池串联电阻rs、电池并联电阻rsh这5个参数为需要辨识的参数。

19、优选的，所述s3的具体步骤如下：

20、s301、设定算法的种群规模n、最大迭代次数t，以及五个需要辨识的参数的搜索空间，并且根据公式初始化算法有关参数f、m、a、c，其中r1和r2均表示在(0，1)之间的随机数，t为当前迭代次数；

21、a＝2·f·r1-f

22、(4)

23、c＝2·r2

24、(5)

25、

26、

27、s302、随机初始化种群个体；

28、s303、计算每个个体的适应度值，取适应度最优的四个个体作为领导者，分别为攻击者、拦截者、追逐者和攻击者；

29、s304、记录每个个体的历史适应度最佳的位置xbest；

30、s305、根据公式计算步长权重因子w，并根据公式更新四个领导者的位置，其中t为当前迭代次数，t是最大迭代次数，xa、xb、xc和xd分别表示攻击者、拦截者、追逐者和驱赶者的位置；

31、

32、xa(t+1)＝w·xa(t)-a1·|c1·xa(t)-m1(t)·x(t)| (9)

33、xb(t+1)＝w·xb(t)-a2·|c2·xb(t)-m2(t)·x(t)|   (10)

34、xc(t+1)＝w·xc(t)-a3·|c3·xc(t)-m3(t)·x(t)|   (11)

35、xd(t+1)＝w·xd(t)-a4·|c4·xd(t)-m4(t)·x(t)|   (12)

36、s306、结合个体记忆机制，根据公式更新其他个体的位置，其中，v1和v2为(0，1)之间的随机数；

37、

38、s307、更新参数f、m、a和c；

39、s308、判断是否达到最大迭代次数t，若是达到，则转到s309，否则转到s303；

40、s309、输出最佳个体的位置和其目标函数值，即为得到的最优的光伏电池模型的参数辨识结果以及实测电流与模型输出电流之间的均方根误差。

41、优选的，所述s302中的随机初始化种群个体通过分段线性混沌映射搜索得到混沌变量序列后，再将混沌变量序列变换到原来的解空间，从而得到黑猩猩优化算法的随机初始化种群。

42、优选的，所述混沌映射初始化种群，在参数寻优空间内随机生成5个不同的初始值[x01，x02，x03，x04，x05]，分别为光生电流iph、二极管反向饱和电流isd、二极管品质因子n、电池串联电阻rs、电池并联电阻rsh，进行n次混沌映射产生n行5列的初始种群位置矩阵，每一行表示一组光伏电池i-v模型参数的可能解，混沌映射公式如下：当0<a<1且0≤x≤1时，系统处于混沌状态；

43、st＝0.05+0.45×exp(-30×(g/gmax))    (14)

44、式中，g是当前迭代次数，gmax是最大迭代次数。

45、优选的，所述s1中的实测电流和实测电压通过测量数据获取单元进行采集，用于获取一定温度及光照强度下光伏电池系统的输出电流和输出电压；

46、并且输出电流和输出电压通过目标函数优化单元预设的延时动态步长机制的黑猩猩优化算法来优化所述目标函数；

47、并且最优参数通过参数输出单元对目标函数的优化结果，分析并提取出所述光伏电池系统的数学模型的最优参数。

48、优选的，所述实测电流和实测电压同时设置目标函数的适应度，求取适应度的均方根误差rmse；

49、然后实现种群初始化，初始化缩放因子fi和交叉概率因子cri，其中，xi＝[iph,io,rs,rsh,n]表示第i个目标向量个体中的5个电池模型的参数值。

50、与现有技术相比，本发明的有益效果是：

51、本发明提出了一种基于改进黑猩猩优化算法的光伏电池模型参数辨识方法，利用了两个改进策略来提高了算法的综合搜索性能，以此进行光伏电池模型参数辨识时可以提高最终的辨识精度；

52、通过为种群中的四个领导者赋予自适应步长权重，平衡算法在迭代过程中的全局搜索能力和局部搜索能力，有效避免算法早熟收敛和提高搜索精度；

53、通过记录每个个体自身的历史最佳位置，并结合当前所在位置来调整下一代的更新位置，有利于提高算法的种群多样性和跳出局部最优解能力，提高算法搜索精度。