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(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,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?;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,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(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(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.