一种基于改进蝙蝠算法的光伏电池双二极管模型辨识方法与流程

本发明涉及采用光伏电池双二极管模型的光伏电池的模型参数辨识方法，具体的说是一种基于改进蝙蝠算法的光伏电池双二极管模型辨识方法。

背景技术：

1、为了应对化石能源的污染和温室效应的影响，新能源尤其是光伏发电系统吸引了广泛的研究兴趣。光伏组件作为光伏系统中重要组成部分，运行状况受到电池类型、天气条件、老化状况等多种条件影响而存在差异。虽然通过试验或实地实证的方法可以衡量这些条件对运行状况的影响，但该方法存在投入高、调整不方便的缺点，而建模仿真方法可以很好地弥补这一缺点。

2、光伏电池的模型众多，最常用的是单二极管模型和双二极管模型。与单二极管模型相比，双二极管模型多了一个二极管，在低辐照环境下有更优良的表现。双二极管模型包含七个待估参数，参数量多，参数辨识较为困难，现有技术中常采用元启发式算法，虽然该方法实现简单，适用范围广，但计算量大，容易陷入局部最优值。

3、其中，如图1所示，公知的，光伏电池双二极管模型(ddm)满足以下公式1所示的端口电压电流函数关系：

4、

5、式中，rs为串联电阻参数，rsh为并联电阻参数，i为端口输出电流，iph为电池光生电流参数，io1为二极管d1的反向饱和电流参数并记为第一反向饱和电流参数，io2为二极管d2的反向饱和电流参数并记为第二反向饱和电流参数，exp为自然常数e的指数幂，v为端口输出电压，n1为二极管d1的理想因子参数并记为第一理想因子参数，n2为二极管d2的理想因子参数并记为第二理想因子参数，vt为温度电势。

6、确定光伏电池双二极管模型(ddm)的n1、n2、rs、iph、io1、io2和rsh这七个参数的值的过程称为光伏电池双二极管模型参数辨识。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于改进蝙蝠算法的光伏电池双二极管模型辨识方法，以解决现有技术中对采用光伏电池双二极管模型的光伏电池的模型参数辨识方法存在计算量大、准确性低的问题。

2、解决上述技术问题，本发明所采用的技术方案如下：

3、一种基于改进蝙蝠算法的光伏电池双二极管模型辨识方法，适用于采用光伏电池双二极管模型(ddm)的被测光伏电池；

4、其特征在于，包括：

5、步骤s1、测试获得被测光伏电池在光伏电池标准试验条件(stc)下的i-v曲线，i表示被测光伏电池的端口输出电流，v表示被测光伏电池的端口输出电压；

6、步骤s2、采用改进蝙蝠算法，辨识被测光伏电池的七个光伏电池双二极管模型参数。

7、其中，如图2所示，所述改进蝙蝠算法的辨识过程包括：

8、步骤s2-1、设置被测光伏电池的参数取值范围，包括：最大位置向量参数xmax＝[n1max,n2max,rsmax,iphmax,io1max,io2m,rshmax]、最小位置向量参数xmin＝[n1min,n2min,rsmin,iphmin,io1min,io2min,rshmin]、频率上限值fmax和频率下限值fmin；其中，n1max、n2max、rsmax、iphmax、io1max、io2ma、rshmax依次为第一理想因子参数上限值、第二理想因子参数上限值、串联电阻参数上限值、电池光生电流参数上限值、第一反向饱和电流参数上限值、第二反向饱和电流参数上限值、并联电阻参数上限值；n1min、n2min、rsmin、iphmin、io1min、i02min、rshmin依次为第一理想因子参数下限值、第二理想因子参数下限值、串联电阻参数下限值、电池光生电流参数下限值、第一反向饱和电流参数下限值、第二反向饱和电流参数下限值、并联电阻参数下限值；

9、步骤s2-2、在迭代次数t＝0时(也即启动迭代前)，设置最大迭代次数tmax和蝙蝠种群包含的蝙蝠数量m，以用于控制改进蝙蝠算法的计算量和计算精度；并且，对蝙蝠种群中每一只蝙蝠的蝙蝠信息的取值均进行随机初始化，并将随机初始化得到的随机取值记为初始化值，其中，所述蝙蝠信息包含：发射速率、响度、速度、频率和位置向量参数x＝[n1,n2,rs,iph,io1,io2,rsh]，初始化值依次记为：r0、a0、v0、f0和n1、n2、rs、iph、io1、io2、rsh依次为光伏电池双二极管模型(ddm)中的第一理想因子参数、第二理想因子参数、串联电阻参数、电池光生电流参数、第一反向饱和电流参数、第二反向饱和电流参数、并联电阻参数；

10、步骤s2-3、对于每一只蝙蝠：均用i-v曲线和位置向量参数x中前四个参数的初始化值按照以下公式2至公式4对位置向量参数x中后三个参数io1、io2、rsh的取值进行位置调整：

11、

12、式中，x1、x2、依次为第一反向饱和电流参数io1、第二反向饱和电流参数io2、并联电阻参数rsh经过所述位置调后的取值；

13、a和b均表示矩阵，at表示矩阵a的转置矩阵，(ata)-1表示矩阵ata的逆矩阵；

14、exp为自然常数e的指数幂，n为所述i-v曲线的采样点数量，v1,…,vn和i1,…,in分别为i-v曲线中第一个采样点至第n个采样点的端口输出电压和端口输出电流，vt为在所述光伏电池标准试验条件(stc)下取值为25.7mv的温度电势；

15、并且，从全部m只蝙蝠中随机选取其中一只作为第0次迭代的最优蝙蝠，该初始最优蝙蝠通过公式2计算得到的位置向量参数x记为第0次迭代的最优蝙蝠的最优位置向量参数

16、完成步骤s2-1至步骤s2-3后，启动迭代。

17、步骤s2-4、按照以下公式5，计算所述蝙蝠种群中每一只蝙蝠的适应度f(x)：

18、

19、式中，v1,…,vn、i1,…,in和vt的含义与公式4中相同；|·|表示求绝对值；在迭代次数t＝0时，n1、n2、rs、iph、io1、io2、rsh采用步骤s2-3中公式2计算得到位置向量参数x的取值x1、x2、进行计算；在迭代次数t≥1时，n1、n2、rs、iph、io1、io2、rsh采用经过步骤s2-5至步骤s2-7后更新得到的位置向量参数x的取值进行计算；

20、步骤s2-5、采用早熟收敛控制策略更新所述蝙蝠种群中每一只蝙蝠的位置向量参数x，即：首先，m只蝙蝠中适应度f(x)最小的m1只蝙蝠，按照局部搜索方法更新位置向量参数x；然后，从其余m-m1只蝙蝠中随机选取m2只蝙蝠，通过混沌变异更新位置向量参数x；最后，剩余的m-m1-m2只蝙蝠，按照全局搜索方法更新位置向量参数x；其中，局部搜索蝙蝠数量m1和混沌变异蝙蝠数量m2的取值按照公式6确定：

21、

22、式中，min为最小值函数，ceil为向上取整函数，floor为向下取整函数；

23、步骤s2-6、对于每一只经步骤s2-5更新位置向量参数x后的蝙蝠：判断更新后的位置向量参数x中的参数是否越界，即判断参数的取值θx′是否超出[xmin,xmax]中对应参数的范围，并将判断为超出的参数记为越界参数；例如：n1超出[n1min,n1max]的范围，或者，n2超出[n2min,n2max]的范围；

24、并按照以下方式对越界参数的取值进行调整：

25、如果θx′大于最大位置向量参数xmax中的对应参数θxmax，则越界参数调整为：

26、

27、如果θx′小于最小位置向量参数xmin中的对应参数θxmin，则越界参数调整为：

28、

29、式中，θx表示越界参数进行调整后的取值，θx′表示越界参数进行调整前的取值，也即经步骤s2-5更新的位置向量参数x中对应于θx的参数取值；θxmax和θxmin分别表示最大位置向量参数xmax和最小位置向量参数xmin中对应于θx′的参数；k1和k2分别为第一辅助判断参数和第二辅助判断参数；mod为取模运算符，k1mod 2＝0表示k1和2相除的余数为0；

30、步骤s2-7、按照以下方式对最优蝙蝠进行更新：

31、首先，在适配于所述发射速率的取值范围内生成随机数β1，在适配于所述响度的取值范围内生成随机数β2；并且，第t+1次迭代的最优蝙蝠的发射速率和响度按照公式7和公式8进行更新；

32、然后，判断是否满足

33、如果判断结果为是，则：按照所述公式2至公式4，对第t次迭代的每一只蝙蝠经步骤s2-6调整后的位置向量参数x进行位置调整，其中，将位置向量参数x中的前四个参数视作步骤s2-3中所述的初始化值并且，根据本步骤调整后的位置向量参数x，按照所述公式5计算每一只蝙蝠的适应度f(x)，将其中适应度f(x)最小的蝙蝠及其位置向量参数x记为新最优蝙蝠及其位置向量参数将新最优蝙蝠的发射速率和响度分别记为和

34、如果判断结果为否，则：直接转到步骤s2-8；

35、最后，判断是否同时满足且其中，表示所述新最优蝙蝠的适应度，表示第t次迭代的最优蝙蝠的适应度；

36、如果判断结果为是，则：将第t+1次迭代的最优蝙蝠及其位置向量参数更新为所述新最优蝙蝠及其位置向量参数将第t+1次迭代的最优蝙蝠的发射速率和响度更新为和并且，转到步骤s2-8；

37、如果判断结果为否，则：将第t+1次迭代的最优蝙蝠维持为第t次迭代的最优蝙蝠不变，并转到步骤s2-8；

38、步骤s2-8、迭代次数t加1；并且，当t<tmax时，转到步骤2-4，以重复执行步骤2-4至步骤2-8；否则，输出第t次迭代的最优蝙蝠的最优位置向量参数作为所述被测光伏电池的七个光伏电池双二极管模型参数。

39、其中，所述步骤s2-5中，局部搜索方法的步骤为：按照以下公式7至公式9，更新蝙蝠的位置向量参数x；

40、

41、式中，为第i只蝙蝠在第t+1次迭代时的发射速率，为第i只蝙蝠的发射速率初始化值，γ为在0到1之间取值的发射速率增强系数；

42、为第i只蝙蝠在第t+1次迭代时的响度，为第i只蝙蝠的响度初始化值，α为在0到1之间取值的响度衰减系数；

43、为第i只蝙蝠在第t+1次迭代时更新得到的位置向量参数，为第i只蝙蝠在步骤s2-3中公式2计算得到的位置向量参数，为第i只蝙蝠在第t次迭代时的随机数，<at+1>为全部m只蝙蝠在第t+1次迭代时的平均响度。

44、其中，所述步骤s2-5中，混沌变异的步骤为：

45、首先，按公式10对第i只蝙蝠在第t次迭代时更新得到的位置向量参数进行归一化：

46、

47、式中，表示第i只蝙蝠在第t次迭代时的归一化位置向量参数；

48、然后，按照公式11，计算归一化位置向量参数的分段线性混沌映射(pwlcm)：

49、

50、式中，表示第i只蝙蝠在第t次迭代时的映射后位置向量参数；p为控制参数，且p∈(0,0.5)，也即混沌状态，p优选取值为0.499；

51、最后，按照公式12将映射后位置向量参数还原为第i只蝙蝠在第t+1次迭代时更新得到的位置向量参数以实现更新蝙蝠的位置向量参数x：

52、

53、其中，所述步骤s2-5中，全局搜索方法的步骤为：按照公式13至公式15，更新蝙蝠的位置向量参数x；

54、fi＝fmin+(fmax-fmin)βi[公式13]

55、

56、式中，fi表示第i只蝙蝠的声波频率，fmax和fmin分别为频率上限值和频率下限值，βi为第i只蝙蝠的随机数；为第i只蝙蝠在第t+1次迭代时的速度，为第i只蝙蝠的速度初始化值，为第t次迭代时的最优位置向量参数，为通过步骤s2-3中所选取最优蝙蝠的最优位置向量参数，为第i只蝙蝠在第t+1次迭代时更新得到的位置向量参数，为第i只蝙蝠在步骤s2-3中公式2计算得到的位置向量参数。

57、与现有技术相比，本发明具有以下有益效果：

58、本发明采用改进蝙蝠算法来辨识被测光伏电池的七个光伏电池双二极管模型参数，具有准确性高的优点，有利于光伏电池仿真计算。

59、具体来说，本发明的改进蝙蝠算法从初始位置、早熟收敛控制和越界检查三个方面进行了改进。

60、初始位置方面：本发明采取部分随机化的方法进行迭代前的参数初始化赋值，即：先通过步骤2-2对位置向量参数x中的全部参数进行随机初始化，获得全部为随机取值的初始化值，再先通过步骤2-3用位置向量参数x中前四个参数的初始化值和i-v曲线来计算并调整位置向量参数x中后三个参数的取值，也就使步骤2-3得到的调整后的位置向量参数x，具有随机取值的第一理想因子参数n1、第二理想因子参数n2、串联电阻参数rs、电池光生电流参数iph，以及非随机取值的第一反向饱和电流参数io1、第二反向饱和电流参数io2、并联电阻参数rsh；由此，相对于采用完全随机初始化，本发明具有更高的可信度，有助于提高辨识准确性。

61、早熟收敛控制方面：本发明的步骤s2-5让蝙蝠种群同时具备了局部搜索、混沌变异和全局搜索的能力，并控制该三种能力所对应的蝙蝠数量，即：适应度f(x)最小的m1只蝙蝠，按照局部搜索方法更新位置向量参数x，从其余m-m1只蝙蝠中随机选取m2只蝙蝠，通过混沌变异更新位置向量参数x，剩余的m-m1-m2只蝙蝠，按照全局搜索方法更新位置向量参数x；使得搜索早期混沌变异和全局搜索的蝙蝠较多，有利于解空间的遍历，搜索中后期局部搜索的蝙蝠较多，有利于算法的收敛，由此，提高了蝙蝠种群的搜索准确性，一定程度上避免了算法早熟收敛的问题，有助于提高辨识准确性。

62、越界检查方面：本发明摒弃了现有技术所采用的越界蝙蝠速度置0的办法，通过步骤2-1将蝙蝠的越界参数重新映射到搜索空间，由此保留了蝙蝠的寻优能力，有助于提高辨识准确性。