可再生能源 基于自适应差分进化算法的太阳能电池模型参数提取外文翻译资料

 2022-08-09 20:37:15

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

可再生能源

基于自适应差分进化算法的太阳能电池模型参数提取

摘要：本文采用了一种基于自适应差分进化技术（DET）的新方法来准确地提取太阳能电池模型的参数。通过交叉和突变因子来实现自适应。结果表明，使用目标函数进行优化可以最大程度地减少估计值和测量值之间的差异。为了验证所提出系统的性能，使用了三种不同的太阳能电池模型：单二极管模型，双二极管模型和光伏模块来提取参数。通过使用电压和电流数据集进行分析。结果表明，提出的DET优于其他方法：混沌粒子群优化（CPSO），遗传算法（GA），和声搜索算法（HSA）和人工蜂群优化（ABSO）。此外，DET技术实际上已通过两种不同的太阳能电池类型（例如单晶硅和多晶硅及组件）进行了验证。太阳能电池模型的性能已经得到验证且结果表明，它是一个适合太阳能电池及其模块的参数提取的最佳方法。

关键词：建模;优化算法;参数提取;光伏;差分进化技术

1 简介

在过去的几十年中，诸如光伏（PV）和风能之类的可再生能源已经出现显著的增长。而且，由于易于安装，维护成本低，容易从自然界中获取且无污染，太阳能是非常有前景的可再生技术[1]。即使通过避免CO2排放实现了热减少，可再生能源也会产生局部热量。光伏面板是深色的，它们吸收约85％的入射光，而其中15％用于发电，剩下的70％将产生热量[2]。由于近年来光伏系统的重要性日渐凸显，针对光伏系统的各种研究也流行起来。但是，还需要适当的系统设计来提高整体效率[3,4]。为了分析上述研究我们引入了几种模型[5]，其中最流行的是单二极管和双二极管模型。在这些模型中，后一种模型是可取的，因为物理模块及其I-V特性彼此非常相似，但是其计算范围很广[6]。

已经开发了两种可能的方法，例如分析方法和数值方法，用于提取太阳能模块的各种参数[7,8]。分析方法需要提取I-V特性的不同关键点，例如最大功率点处的电流和电压，开路电压，短路电流和I-V曲线的斜率。值得注意的是，I-V特性很大几率是非线性的，并且由于环境条件的变化会使参数产生变化，这会导致计算参数的显著误差[9]。数值方法比分析方法更准确，因为它基于某种算法来拟合I-V曲线上的点[10]。然而，该算法需要更多的计算，并且精度取决于成本函数和拟合算法的类型。

优化和元启发式算法广泛用于太阳能电池的参数提取。进化算法是参数提取问题的自然选择，因为它们能够替代标准测试条件。无论梯度和初始条件的信息如何，演化算法方法都是解决参数提取的首选方法[11]。太阳能电池参数提取中包括各种进化算法，例如遗传算法（GA）[12,13]，粒子群优化（PSO）[14]，模拟退火（SA）[15]。从最大功率点计算太阳能电池的电气特性和使用GA进行参数提取[16]。PSO技术用于提取PV模块的各种参数[17,18]。改进的差分进化算法称为基于补偿的DE算法，用于提取太阳能电池的各种参数[19]。

遗传算法具有局限性，如低速和降解[20]。温度，冷却进度表和不一致之间的权衡是使SA不太适合参数提取的主要问题[21]。为了提高估计的一致性，引入了PSO和聚类分析。PSO还用于估计参数和聚类分析，以过滤不可行的解决方案[22,23]。即使需要存储所有先前的点，这也可以提高一致性和可靠性。它增加了计算负担，因此将极大地影响仿真速度。应该扩大参数的搜索空间，以避免收敛问题，并且使提取过程满足不同的边界条件。Ishaque等人已经研究了用于光伏模块的快速且准确的双二极管模型[24]。控制参数随机更改为自适应进化算法，因此收敛困难并且选择过程不受进化的影响[25,26]。为了提高诸如F和RC之类的控制参数的效率，引入了一种自适应算法[27]。Tvrdik使用数值比较研究了使用自适应方法的差分进化[28]。

与传统的差分进化（DE）不同，自适应DE的解决方案始终在可行区域内，并且不受限制。因此，包括自适应DE是可靠的。结果，将创建更多的解决方案。该解决方案参与了演化过程和方法的准确性，从而提高了多样性和一致性。在这项工作中，对每个模块参数提取过程中单个太阳能电池的DET性能进行了研究，并与GA，CPSO，HAS和ABSO四种方法进行了比较。最后，为确保所提出的DET方法的实际应用，它已通过两种不同的太阳能电池和组件进行了验证，例如单晶（SM55）和多晶硅（KG200GT）。本文的剩余部分按照以下方式进行组织：第2节描述了单二极管模型，双二极管模型和PV模块模型的参数提取公式；第3节描述DE和自适应DE算法；第4节解释了仿真和实验结果；结论在第5节中讨论。

2 问题描述

太阳能电池模型参数提取的主要目标是最大程度地减小实测电流与模拟电流之间的差异。通常使用两种电路模型（单二极管和双二极管）来描述太阳能电池的性能。单二极管模型在正常工作条件下可提供更好的性能，但在低辐照度下性能却很差[29]。另一方面，两个二极管模型通过合并一个额外的二极管，通过在空间电荷中包含重组损失来修改电流方程。

2.1 单二极管模型

使用单二极管模型的太阳能电池的等效电路模型如图1所示。在图1中，指数D, Rsh, Rser,和Iph分别表示太阳能电池的p-n结，分流电阻，串联电阻和由于太阳辐射引起的光电流。在单个二极管模型中，将扩散电流，二极管理想因子和复合电流组合在一起。使用电流的基尔霍夫电流定律It来公式化此等效电路的控制方程，公式为：

（1）

在单二极管模型中，Id使用Shockley方程建模，

图1 使用单二极管模型的太阳能电池等效电路模型

热电压

并联电流

现在公式（1）可以用Shockley方程表示并写成 [30]:

（2）

五个参数包括串联电阻（Rser），分流电阻（Rsh），二极管的反向饱和电流（Isd），光伏电流（Iph）和二极管的理想因子（m）可以从给定的I-V数据集中提取。

2.2 双二极管模型

使用双二极管模型的太阳能电池的等效电路模型如图2所示。该等效电路的控制方程式是使用基尔霍夫电流定律It公式化的，公式为：

（3）

在双二极管模型中，可以使用Shockley方程将Id1，Id2建模为：

（4）

（5）

现在替换（3）式中的Id1，Id2 和Ish ，则可写为[31]：

（6）

可以从给定的I-V数据集中提取七个参数，例如串联电阻，分流电阻，光伏电流，饱和电流（ Isd1和Isd2）和二极管的理想因子（m1和m2）。

2.3 光伏组件模型

图3示出了具有旁路二极管的模块中太阳能电池的连接示意图。假设所有的太阳能电池在均匀辐照度和温度下相同。商用太阳能电池模块是几个电池的串行连接[32,33]。使用基尔霍夫电流定律，可以得出I-V曲线方程如下：

（7）

图2 使用双二极管模型的太阳能电池等效电路模型

其中It和Ns分别代表模块中串联连接的太阳能电池的终端电流和数量。

2.4 太阳能电池模型优化问题

太阳能电池模型参数提取是优化过程，可最大程度地减少实际值与估计值之间的差异。使用优化技术的参数估计可通过以下方法实现：

  • 测量用于太阳能电池或PV模块的I-V的一组真实数据。
  • 定义了一个目标函数，以最小化实际数据和测量值之间的差异。
  • 通过应用优化算法来调整参数，直到获得最佳目标函数为止。
  • 完成优化算法后，从优化算法获得的解中提取最优值。

现在，为每个值分配一个向量U，该向量将从优化算法中提取。单二极管模型的参数向量为U=[Rser，Rsh，Ish，Isd，m]，而双二极管模型的参数向量为U=[Rser，Rsh，Ish，Isd1，Isd2，m1，m2]。目标函数需要在优化问题中定义太阳模型参数提取的相应函数可以是由（2），（6）和（7）定义。相应方程的齐次方程为：

（8）

（9）

（10）

现在可以将U的值代入（8）-（10），每对I-V数据的解f（Vt，It，U）都大不相同。通常可以通过均方根误差（RMSE）准则来评估实际数据与估计数据之间的差异。为了提取太阳能电池模型的参数，使用以下函数将RMSE最小化：

（11）

其中M是实际I-V数据的数量，RMSE的输出指导优化搜索以寻找向量U的更好值。如果RMSE的值不正确，则将优化算法调整为向量U，并将其代入（8）-（10）。这个迭代如果输出值足够好或优化算法获得最大迭代时间，则此过程将改善向量U的值并停止。

图3 带有旁路二极管的模块中太阳能电池的连接示意图

3 差分进化算法

差分进化是一种启发式的，基于种群的算法，最初由Storn和Price在1997年提出[34]。DE是一种搜索和优化技术，通过将第三个向量与两个种群向量之差相加来生成新向量。DE有多种变体，可以表示为：

（12）

其中mu，dv和cr分别代表变异向量，多个差向量和交叉方案。DE具有不同的优势，例如简单性，鲁棒性，几乎不需要控制参数和有效性。它也可以与多维，嘈杂和时间相关的目标函数一起工作[35]。基于这些优点，我们选择DE来优化参数估计问题。

3.1 基于DE的最优参数估计

考虑太阳能电池模型参数优化为（11），U是包含n个变量xiЄRn的决策变量。步骤实现DE算法的分步过程描述为如下：

步骤1：Q维参数向量Uik的种群（NP）与解Pk的种群，Puk=Uik, i=1,2,...,NP; k=1,2,...,kmax且Uik=Uj,ik, j=1,2....,Q.

指数i表示种群指数，j表示向量中的参数，k表示向量所属的代。

种群NP具有Q维向量Uik=[U1,ik,U2,ik,...,Uj,ik,...,UQ,ik]。每个向量形成候选解，从而解决了Q维优化问题，并且在区间UL和UM内随机选择值。UL=[U1，L,U2，L,...,UQ，L]和UM=[U1，M,U2，M,...,UQ，M]分别为搜索空间的上下限。现在，搜索空间的初始种群为:

（13）

其中rand（0,1）是均匀分布的，并且参数估计的解是可行的，因为它们是在可行范围内初始化的，因此我们必须找到最优解。

步骤2：根据（11），评估人口中每个个体的适应性。

步骤3：通过以下方式创建新种群：

（

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[238567]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章