0 引言

    近幾年，隨著生態(tài)問(wèn)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(wèn)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?？傊谥悄軆?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(wèn)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(wèn)題，又解決了尋優(yōu)過(guò)程中迭代次數(shù)過(guò)多問(wèn)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，I_ph為光生電流，I_o為二極管反向飽和電流，A為二極管影響因子，R_s為電池串聯(lián)電阻，R_sh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I_ph、I_o、A、R_s、R_sh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=(I_ph，I_o，A，R_s，R_sh)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。I_cal和I_mea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?；煦鐚W(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，Z_i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I_m=4.95 A，V_m=35.2 V，V_oc=44.2 V，I_sc=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(wèn)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I_mp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(wèn)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(shù)，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(lè)，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.