英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
采用改进萤火虫算法的单二极管光伏电池的
参数提取
摘要：光伏模型在可再生能源系统的设计、研究和控制中具有重要意义。在这些模型中，等效二极管电路模型因其精度高而得到了广泛的研究和应用。在二极管电路模型中，通常有几个参数需要确定。为了提高PV模型的性能，因此准确、快速地提取其未知参数是非常重要的。然而，由于PV的V-I特性输出是非线性的，因此很难获得准确的参数。本文提出了一种自适应萤火虫算法来提取单二极管电路模型的参数。通过在萤火虫算法的进化过程中引入自适应突变因子，提高了算法的精度和稳定性。提出的自适应萤火虫算法用于提取含有5个未知参数的单二极管模型的参数。该算法通过测量PV的输出电压和电流数据，能够准确、快速地提取参数。并与经典的萤火虫算法和其它算法进行了比较。结果表明，该算法是有效的。
关键词：参数提取；光伏模型；自适应萤火虫算法
1 介绍
为了解决能源危机和环境污染，可再生能源提供了更广泛的能源资源，增强了能源安全，并为减少大气污染和二氧化碳排放提供了有效途径。在可再生能源中，太阳能因其无污染、易获取、成本低等优点而受到广泛关注[1.2]。光伏电池作为太阳能发电的关键部件，在将太阳能转化为电能的过程中起着重要的作用，在太阳能光伏发电中有着广泛的应用。每个光伏电池都有低输出电流和低输出电压。因此，在实际应用中，许多光伏电池串联并联，形成具有较高输出功率的光伏板。为了研究光伏电池，需要建立合适的模型，准确获取模型的参数。基于光伏电池模型研究光伏电池的非线性输出特性是光伏电池管理、优化和设计的重要基础。研究光伏电池有两种模型，即等效电路模型和工程模型。光伏电池的等效电路模型采用光电效应和二极管电路方程。该模型精度高，能较好地模拟光伏电池的I-V输出特性。等效电路模型包括单二极管模型和双二极管模型，分别有5个和7个参数。通常，这些参数不是由光伏板制造商给出的，其数学模型是非线性的、超越方程。
此外，光伏电池的I-V输出特性还受到辐射强度、阴影照射、环境温度等因素的影响。PV电池参数的计算和提取是一个难点。为了获得等效电路模型的参数，传统的方法是从数学分析中推导出来的[3.4]。该方法通过简化特征方程，弱化相关参数来获得参数[5.6]。结果通常是近似的，有一定的误差。要克服这些
不足之处，智能进化算法(IEAs)可以用来解决参数提取问题。
IEAs模拟自然生物特性来解决问题，在许多领域得到了广泛的应用。IEAs不要求目标函数是线性的、连续的和可导的。IEAs本质上是多维并行的，适用于解决非线性、复杂的问题。解决复杂问题的鲁棒性。智能优化算法广泛应用于光伏电池参数的提取[6~10]。
萤火虫算法(FA)是2008年由杨信社首先提出的(11 ~ 13)。它利用萤火虫的特性，通过萤火虫的闪烁模式和行为来传递信息。它利用了发光强度和萤火虫之间的距离来定义吸引力并产生新一代的种群。FA结构简单，易于实现。它具有良好的优化能力，已成功地用于解决许多复杂问题。
在萤火虫算法的进化过程中引入了自适应突变因子。当用于单二极管参数提取时，提高了求解的精度和稳定性。与经典的萤火虫算法和差分进化算法相比，自适应萤火虫算法能更准确、快速地提取参数。本文的主要内容包括以下几个方面：第2节描述了单二极管模型参数提取的问题求解。第3节介绍了经典的萤火虫算法和自适应萤火虫算法。第四部分给出了仿真结果和实验结果。最后，第五部分讨论了最后的结论。
- 问题公式化
光伏电池的电流-电压曲线是非线性的，它随温度和光强的变化而变化。通常PV电池可等效为两个电路模型(单二极管模型和双二极管模型)。下面简要介绍单二极管模型的物理模型和数学描述。
2.1光伏电池单二极管模型
光伏电池利用半导体的光伏效应将太阳能直接转化为电能。基于此原理，建立了光伏电池的等效二极管电路模型。二极管模型可以准确地模拟光伏电池的输出。有两个电路模型，单二极管模型和双二极管模型分别有5个和7个参数。光伏电池的单二极管模型如图1所示：
图1：光伏电池单二极管模型
由上图1可知，5个参数分别为Iph,Id,Ish,Rsh和Rs。参数的含义为：
Iph=当前由太阳能提供的电流；Id =通过二极管的电流；Ish=分流电阻；Rsh=通过
电流的分流电阻；Rs=系列电阻器。
从光伏电池的单二极管模型可以推导出输出电流电压特性是：
(1)
模型输出电流其表达式为：
Isd{-1} (2)
(1)(2)式中，U t为光伏电池的输出电压，如图1所示，Isd为流过二极管的电流，T为PV电池工作温度，q为基本电荷，k为玻尔兹曼常数，n为理想二极管常数，一般在1和2之间；
电流Ish的公式为： (3)
q、k、T的具体取值如表1所示：
表1：q、k、T的常数值
将同步的(2)-(3)代入到(1)中，得到输出光伏电池电流：
Isd{-1}- (4)
2.2光伏电池模型参数提取问题
当使用IEAs提取单个二极管模型的5个参数时，可以使用PV电池的实际输出I-V数据。参数提取问题的目标是基于（4）最小化实值与估计值之间的差异,采用优化技术进行参数估计，方法如下：
bull;测量一组用于光伏电池或光伏组件的I-V真实数据；
bull;定义了一个目标函数来最小化真实数据和测量值之间的差异；
bull;通过应用优化算法调整参数，直到获得最佳目标函数；
bull;优化算法完成后，从得到的解中提取最优值。
定义单二极管模型的参数向量为：e = [Rs, Rsh, Ish, Isd, n];未知向量为由光伏电池的I-V曲线和目标函数确定；由(1)~(4)式确定的目标函数如下：
Isd{-1}- (5)
将向量e和I-V曲线的数据带入式(5)，得到多组目标函数值。为了得到最优解，选择平方根误差，公式如下：
平方根公式 (6)
优化的目标是最小化式(6)。
- 改进的萤火虫算法
3.1萤火虫算法概述
萤火虫算法是杨学社学者2008年在剑桥大学[12]提出的一种新型的自然启发式优化算法。该算法模拟了自然界的萤火虫的发光机理和行为机理。它是一种基于群智能[13]的随机搜索算法。算法抛弃萤火虫的生物学特性，利用萤火虫的发光特性，寻找同伴并移动到最亮的地方进行优化。
萤火虫算法中最重要的因素有两个：亮度和吸引力。亮度决定了萤火虫的细度、移动方向和移动方向。在优化问题中,亮度与目标函数有关。吸引力是由亮度决定的。越大越明亮，它对其他萤火虫的吸引力就越强。引力决定了物体走过的距离。
如前所述，firefly算法的数学表达式为：
定义1：相对亮度 0 (7)
位置：
I=最大亮度的萤火虫,亮度r=0时,相关的值的目标函数。目标函数值越高，萤火虫的亮度越高；
gamma;=光吸收指数，因为荧光亮度随着距离的增加而逐渐降低，而对传播介质的吸收，则设置光强吸收系数来反射这一特点；
=萤火虫之间的空间距离i和j。
定义二：萤火虫的相对吸引度 （8）
位置：
beta;0= 的最大光吸引程度。 xi xj
定义3：位置更新 (9)
位置：
、 =萤火虫i和j的空间位置；
步长因数,均匀分布常数在[0,1]；
Rand是均匀分布的在[0,1]端口上的随机因素。
3.2改进的萤火虫算法
步长因子和位移距离是影响算法收敛性的关键因素,影响算法的速度和准确性。在基本FA中，步长因子是一个固定值，精度和计算收敛过程中速度差，容易陷入局部最优的情况。位置FA(公式9)中的更新无法满足迭代过程中的精度和搜索效果。基于以上考虑，本文提出了自适应步长因子，并引入了惯性权重,改变移动距离，命名为自适应萤火虫算法(AFA)。AFA引入惯性权重方程(8)：
式(8)惯性权重： (10)
萤火虫算法,初omega;很大,范围广泛的搜索可以被执行，也可以观察到更大范围的萤火虫。末期的omega;较小，小规模的搜索可以大大改善的准确性。为了达到这一目的，对递减惯性权重进行控制，迭代定义为：
惯性权重： (11)
地点:omega;max= maximum,最大惯性；omega;min= minimum,最小惯性；k=当前 iterations的数量；MaxGeneration= iterations的最大数量。
在AFA中，步长因子控制全局搜索能力和局部搜索能力。在迭代的开始，较大的步长因子值有助于增强全局搜索能力，从而提高全局搜索性能和收敛速度。在迭代后期，步长因子的值越小，越有利于迭代的进行，强化局部搜索能力，提高了求解精度。
如前所述，在AFA中，阶跃因子设计为随着迭代次数的增加而减小。因此，AFA在算法的初始阶段具有较快的收敛速度。随着迭代次数的增加，随着步长增加，步长因子减小，局部搜索能力增强。求解引入控制步长因子迭代次数的自适应步长因子：
自适应步长因子： (12)
地点：=初始步长factor；RMSE(k)=根号k的迭代次数时的错误；k=当前 迭代次数；MaxGeneration = 迭代最大次数。
可以得到新的位移公式： (13)
3.3基于AFA的PV电池参数提取程序
首先利用基于式(4)的单二极管光伏模型确定目标函数，然后利用多二极管光伏模型确定目标函数,随机生成范围内的光伏参数值集(Iph、Isd、Rs、n、Rsh)。的.将现有I-V曲线上的参数和数据引入目标函数(5)，然后进行调整,通过(6)得到目标函数的值(平方根误差)移动其他参数。根据式(13)，设置光伏参数的最优适应值。获取多个新集合，然后再次执行求解目标函数和适应度值的过程，求解最优值；经过多次迭代得到最终最优值，提取最优光伏参数值。具体算法步骤如下：
1) 由式（5）定义目标函数f(x),x=(x1,x2,x3...xt)；
2)由式(7)和式(10)设置参数beta;0,ɑ0,gamma;,n(萤火虫数量),MaxGeneration 为最大迭代次数；
3) 初始化萤火虫种群xi ,i=1、2、3、...n；；
4)确定基于目标函数的绝对亮度x；
5) 赋值w=1:MaxGeneration；
6)赋值i=1:n，萤火虫种群数量；
7) For j=1:b;采样点数；
8）计算目标函数；
9)结束，赋值j；
10）通过(6)计算平方根误差；
11 )结束，赋值i；
12) 寻找当前最优解；
13) 如果(Ijgt;Ii)；
14）通过位移公式(13)改变位置
15）结束，赋值
16)输出最佳解决方案。
- 仿真实验及结果
在本节中，通过仿真实验来提取单个二极管模型的参数，采用基本的萤火虫算法，对改进的萤火虫算法和DE算法比较基本参数，算法设置为:萤火虫种群数量为50只，种群内萤火虫数量为5只，算法得到的采样点数据为26，最大迭代次数为1000，算法得到的26个采样点如表2所示：
表格2：26采样点
根据以上，使用表2中的数据进行DE、基本的萤火虫和自适应的firefly算法进行，单二极管光伏电池的参数辨识，五个最优参数及相应的评价，函数(RMSE)如表3所示：
表3：光伏电池单二极管模型参数辨识与比较
图2比较了三种算法的适应度值。因为去突变过程会超过上下限值，使数据复位。在杂交过程中可以扩大复位数据组，导致局部算法在DE算法迭代次数过多时容易陷入局部情况。
图2灵敏曲线
从上面的表4和图2中，对比了基本的萤火虫算法和DE算法，自适应萤火虫法具有较好的收敛速度和较准确的收敛值。结果表明，与
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238565]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
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。
