文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.171551
中文引用格式: 楊宏超,程若發,呂彩艷,等. 光伏組件內部參數辨識與輸出特性研究[J].電子技術應用,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,隨著生態問題的日益突出,不可再生能源的過度使用,對環境造成了不小的影響,比如近幾年我國霧霾尤其嚴重,這就凸顯出清潔可再生能源的重要性了。近年來,光伏產業作為可再生能源工業的代表,在人們生活的各個領域得到快速發展和應用。光伏組件輸出特性由光照強度和外界溫度等要素有關[1]。通常,生產商僅提供光伏組件在標況下的外部輸出特性曲線和對應的電氣銘牌參數。而在實際應用中,光伏組件基本不會在標況下運行,所以獲得光伏組件在不同條件下的外部輸出特性和對應的電氣參數具有實際意義,同時也為光伏組件不同工況下的運行狀況分析提供依據。
由于光伏組件的輸出特性隨外界環境變化明顯,所以選擇合適的光伏組件模型并對其內部5參數進行準確辨識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用中也具有高精度[3]。對于參數辨識的方法主要分為近似的數學解析法和基于優化算法的參數辨識方法。文獻[4-5]采用近似的數學解析算法,對于參數近似的數學解析算法中,由于存在復雜的超越非線性函數,且有些參數直接近似取固定值,使得計算出的參數準確度大大降低;文獻[6]采用CPSO算法,雖然收斂精度達到了,但迭代次數多。總之,基于智能優化算法的參數識別方法在準確度和可靠性方面具有明顯優勢,但大部分傳統的優化算法還是存在著易陷入早熟或迭代尋優次數過多等問題。所以在此基礎上提出了改進量子粒子群算法對光伏組件內部參數進行辨識,既解決了PSO算法陷入局部最優的問題,又解決了尋優過程中迭代次數過多問題。此外,光伏組件外部輸出特性和內部五參數隨外界環境變化呈現復雜的非線性關系,因此如何準確地預測出不同工況下的輸出特性曲線和對應的內部參數意義重大。
1 光伏電池理論模型和目標函數
1.1 光伏電池理論模型
光伏電池是利用光生電效應把太陽能轉變為電能的裝置,其單二極管模型如圖1所示[7]。
由圖1得出光伏組件內部參數等效電流和電壓表達式:
式中,U為負載兩端電壓,I為通過負載的電流,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為電池串聯電阻,Rsh為電池并聯電阻,T為電池的絕對溫度,K為玻爾茲曼常數(1.38×10-23 J/K),q為電荷常數(1.6×10-19 C)。其中Iph、Io、A、Rs、Rsh為待辨識參數。
1.2 目標函數的建立
基于上述光伏組件的理論模型特點,將改進量子粒子群算法引入其中,從而準確提取該模型中的未知5參數的值。文獻[8]引用Lambert W函數簡化光伏電池電流I的顯式表達式:
其中X=(Iph,Io,A,Rs,Rsh)為每個粒子的位置向量,代表5個電池模型的參數值。Ical和Imea分別為算法辨識的參數帶入式(2)中所得到的辨識電流值和實際的電流值。適應度值越小,表示辨識參數越準確。
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是從量子力學的角度提出的量子空間中的粒子滿足聚集的性質。粒子的聚集由顆粒運動的中心的束縛狀態描述,粒子運動的中心是存在于粒子中的一種吸引力。處于束縛狀態的粒子可以以一定的概率密度出現在量子空間中的任何點。粒子的迭代過程在文獻[9]中詳細描述。
2.2 改進量子粒子群算法
由于在QPSO算法中的種群初始化是采用隨機分布的[10],所以種群初始化存在一定的局限性,無法遍歷整個區域。從而提出對其種群進行混沌初始化,以提高粒子初始化遍歷范圍,同時在尋優過程中對局部最優解進行混沌化處理,以防止陷入局部最優解。混沌學由E.N.洛倫茲提出,由于混沌狀態與一般的無規則狀態不同,其主要特征有規律性、隨機性和遍歷性,所以混沌理論已經成為一個新的和潛在的優化工具。由于混沌序列具有上述優點,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,從而為尋優精度和收斂速度奠定基礎。Logistic混沌方程[11]如式(4)所示:
式中,0≤Z0≤1,Zi為第i個變化量,μ為控制系數。
3 基于參數辨識的光伏組件輸出特性預測實驗
3.1 仿真實驗驗證算例
根據光伏組件5參數特性,在MATLAB/Simulink中建立光伏組件仿真模型[11],得出相應的參數辨識數據。模型中光伏組件標況下的電氣參數為Im=4.95 A,Vm=35.2 V,Voc=44.2 V,Isc=5.2 A;為了驗證上述參數辨識方法的精確性和快速性,對仿真模型在標況下的一組數據,采用PSO、QPSO、CQPSO和CPSO 4種方法分別進行辨識并做對比試驗,試驗都迭代100次,由于適應度函數值大小直接可以反映出參數辨識的精度,圖2為不同方法迭代后的適應度值變化圖,表1為不同算法辨識出的光伏組件參數值。結合表1和圖2的相關數據和圖像顯示可得出,CQPSO算法適應度值為0.037 014,相比于PSO的0.542 4,收斂精度要高許多,且迭代次數只需要18次便收斂了,相比于QPSO都迭代33次和文獻[8]中的CPSO迭代68次要快速許多,所以改進量子粒子群既避免陷入局部最優,提高了收斂精度,又加快了收斂的速度,說明此算法可以準確地對光伏組件內部參數進行辨識,且優化了其他算法易陷入局部最優和迭代次數過多的問題。
在此基礎上,為了進一步說明參數辨識對輸出特性預測的準確性,本文分別運用了在仿真模型條件下通過改變溫度和光強的3種不同工況下給定的50個數據點,并將其帶入改進的量子粒子群算法中進行模型參數辨識,得出的參數結果如表2。同時用算法辨識結果擬合出對應不同工況下的輸出特性I-U曲線,如圖3。
通過圖3的比較可以看出,辨識出的參數值與給定值誤差較小,辨識出光伏組件功率曲線與設定值曲線重合度較高,說明此算法對于不同工況下的參數辨識都有較高的準確性。為了驗證對輸出特性預測精度,本文引進了預測電流百分誤差函數PE,如式(5)所示,對輸出特性中具有代表性的最大功率點電流Imp準確性進行比較,如表3。表中誤差率絕對值均小于0.5%,說明此方法對仿真模型輸出特性預測是非常有效且適用的。
3.2 實測數據實驗驗證算例
為了驗證此預測模型在實際環境下的預測效果,本文在輻照度為260 W/m2、光伏電池板溫度為37 ℃(310K)的工況下,用算法進行參數辨識和輸出特性預測精度的驗證。在該工況下選取45個數據值進行辨識,通過傳統數學解析算法和本文改進兩種算法分別辨識出內部參數值,如表4所示。把表4中不同算法對應的辨識參數代入式(2)原方程中擬合出3種算法對應的實測數據輸出特性曲線,如圖4所示。把圖4中擬合的3個電流值帶入到式(5)的電流百分比誤差函數中,得到圖5中3種算法的預測電流誤差百分比。
從表4中適應度值可得出,改進算法在實測數據條件下依然能得到高精度的辨識參數值,證明此算法在參數辨識上的準確性和可適用性。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曲線差距很大,而本文算法使實際測量值和擬合曲線基本重合,擬合程度較高說明對電流預測的準確性。圖5中預測電流誤差百分比可看本文算法電流誤差率幾乎為0,也說明此方法對輸出特性預測具有較高的準確性,從而充分驗證在實測條件下對光伏組件輸出特性預測的精確度。
綜上所述,算例中分別采用不同算法對仿真模型下的光伏組件進行內部參數辨識,比較得出本文算法的準確性和快速性。并通過此算法準確地對不同工況下的光伏組件輸出特性進行預測,再通過本文算法與傳統的迭代算法在實測光伏組件數據下進行辨識并對輸出特性進行預測,實驗結果均表明算法對參數辨識的準確性以及輸出特性預測的正確性和有效性。
4 結論
本文通過改進算法對光伏組件內部參數進行了準確辨識,將光伏組件仿真模型和實際環境下的實測數據進行了參數辨識和輸出特性的預測實驗。在仿真試驗中,首先通過3種粒子群算法對標況下光伏組件5參數進行辨識,得出改進量子粒子群算法收斂速度快且精度高,同時避免陷入局部最優,說明此方法在仿真模型下的參數辨識有效性和準確性;再通過改進量子粒子群算法對不同溫度和光強下光伏組件進行參數辨識,通過辨識結果擬合出對應的輸出特性曲線,并計算出電流誤差百分比,從而驗證及說明了此方法對仿真模型下輸出特性預測的準確性。為了進一步驗證此方法對參數辨識的準確性和對輸出特性預測的有限性,本文采用了具有一般性的工況(S=260 W/m2,T=37 ℃)下的實測數據對此方法的準確性進行驗證,驗證結果表明此方法具有一般工程適用性,且準確度較高。本文對光伏組件參數辨識及輸出特性預測具有廣泛適用性,可為光伏組件中最大功率點跟蹤(MPPT)、故障診斷等問題研究提供支持,具有較高的工程使用價值和推廣意義。
參考文獻
[1] 陳煒,艾欣,吳濤,等.光伏并網發電系統對電網的影響研究綜述[J].電力自動化設備,2013,33(2):26-32.
[2] 傅望,周林,郭珂,等.光伏電池工程用數學模型研究[J].電工技術學報,2011,26(10):211-216.
[3] 田琦,趙爭鳴,韓曉艷.光伏電池模型的參數靈敏度分析和參數提取方法[J].電力自動化設備,2013,33(5):119-124.
[4] 周建良,王冰,張一鳴,等.基于實測數據的光伏陣列參數辨識與輸出功率預測[J].可再生能源,2012,30(7):1-4.
[5] 周勇,阮毅,趙春江,等.基于系統記錄數據的光伏陣列參數辨識與功率預測研究[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,董夢男,楊添剴,等.基于自適應混沌粒子群算法的光伏電池模型參數辨識[J].電工技術學報,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故障診斷[D].長沙:湖南大學,2010.
[10] 王振樹,卞紹潤,劉曉宇,等.基于混沌與量子粒子群算法相結合的負荷模型參數辨識研究[J].電工技術學報,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].現代電子技術,2014,33(11):125-128.