一种光伏模型未知参数的提取方法及计算机设备

本发明属于太阳能电池及光伏发电阵列的检测领域，具体涉及一种光伏模型未知参数的提取方法及计算机设备。

背景技术：

1、可持续发展是各个国家共同追求的重要目标。推动可持续发展，能源问题是一个核心议题。太阳能作为应用最广的可持续能源之一，太阳能光伏发电系统得到了迅猛发展。科学家已经提出一些光伏模型，这些模型对于光伏发电系统的仿真、控制、分析、评估和设计极其重要。常用的光伏模型是隐式的超越方程，对于方程中的未知参数的提取极为困难。因此，如何高效地提取模型中的未知参数一直是该领域内研究的问题。

2、部分强化优化器（partial reinforcement optimizer,pro）是一种元启发式算法，用于解决优化问题。在光伏模型的参数提取中，pro可以用来寻找模型参数的最优值。但是pro算法主要强调强化自身行为，会存在收敛精度低和种群内个体不能充分地进行信息交流的问题，从而导致部分强化优化器在解决光伏模型的参数提取问题时的误差较大。

3、因此，如何减小部分强化优化器提取光伏模型参数的误差，进而提高参数提取的准确率成为待解决的问题。

技术实现思路

1、为了解决部分强化优化器在解决光伏模型的参数提取问题时误差较大的问题，本发明提供了一种光伏模型未知参数的提取方法及计算机设备。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种光伏模型未知参数的提取方法，包括：

4、获取光伏模型未知参数的参数范围；在所述参数范围内生成部分强化优化器的初始参数向量集和最大评估次数；

5、通过部分强化优化器对初始参数向量集进行全局搜索得到第一优化参数向量集；

6、对于所述第一优化参数向量集中的每一个参数向量，基于第一参数向量中提取的未知参数与第二参数向量中提取的未知参数的差值进行学习，得到第二优化参数向量集；其中，第一参数向量为所述第一优化参数向量集中随机选择的两个参数向量中适应度值小的参数向量，第二参数向量为两个参数向量中适应度值大的参数向量；所述适应度值为所述光伏模型的实测输出电流与预测输出电流的均方根误差；

7、基于适应度值从所述第一优化参数向量集和所述第二优化参数向量集中确定第一最优参数向量，通过nm单纯形对所述第一最优参数向量进行局部搜索得到第二最优参数向量；

8、将所述第一优化参数向量集和所述第二优化参数向量集中的参数向量进行对应比较，取两两对比后适应度值小的参数向量组成新的优化参数向量集，并以新的优化参数向量集作为部分强化优化器的输入，返回执行全局搜索的步骤进行迭代，直至迭代次数达到所述最大评估次数；

9、将最后一次迭代得到的所述第一最优参数向量和所述第二最优参数向量中适应度值小的参数向量作为所述光伏模型的未知参数。

10、可选地，基于第一参数向量中提取的未知参数与第二参数向量中提取的未知参数的差值进行学习，得到第二优化参数向量集，包括：

11、在所述第一优化参数向量集中确定两个参数向量和；

12、如果的适应度值小于的适应度值，则利用中提取的未知参数与中提取的未知参数的差值进行参数向量更新得到优化后的参数向量；如果的适应度值大于的适应度值，则利用中提取的未知参数与中提取的未知参数的差值进行参数向量更新得到优化后的参数向量；

13、将每一个优化后的参数向量组成的集合作为所述第二优化参数向量集；

14、可选地，如果的适应度值小于的适应度值，则利用中提取的未知参数与中提取的未知参数的差值进行参数向量更新得到优化后的参数向量；如果的适应度值大于的适应度值，则利用中提取的未知参数与中提取的未知参数的差值进行参数向量更新得到优化后的参数向量，包括：

15、

16、其中，表示新生成的第个参数向量在维上的值，表示当前第个参数向量在维上的值，遵循莱维分布，和表示维中两个随机参数向量的值，和分别表示和的适应度值。

17、可选地，通过nm单纯形对所述第一最优参数向量进行局部搜索得到第二最优参数向量，包括：

18、步骤1：对所述第一最优参数向量构造个点，其中，个点为初始nm单纯形的顶点，为光伏模型未知参数的个数；

19、步骤2：对个顶点的适应度值进行排序：；

20、步骤3：计算反射点和其适应度值；如果且，则将替换为，然后执行步骤7；如果，则执行步骤4；如果，则执行步骤5；

21、其中，计算反射点的公式为：

22、

23、表示 d个顶点的中心，且，表示反射系数；

24、步骤4：计算扩展点及其适应度值，如果，将替换为；否则将替换为，然后执行步骤7；

25、其中，计算扩展点的公式为：

26、

27、其中，为膨胀系数；

28、步骤5：如果，则计算内收缩点及其适应度值，如果则将替换为，然后执行步骤7；否则，继续执行步骤6；如果，则计算外收缩点及其适应度值，如果，则将替换为，然后执行步骤7；否则，执行步骤6；

29、其中，计算内收缩点的公式为：

30、

31、计算外收缩点的公式为：

32、

33、为收缩系数；

34、步骤6：收缩除以外的所有点来构造新的单纯形，并将新的单纯形个点中适应度值最小的点的位置作为所述第二最优参数向量；

35、其中，收缩点的表达式为：

36、

37、其中，为收缩系数，表示整体收缩点；

38、步骤7：判断是否满足搜索终止条件，若满足搜索终止条件，则搜索结束；若不满足搜索终止条件，则迭代步骤2至步骤6。

39、可选地，通过部分强化优化器对初始参数向量集进行全局搜索得到第一优化参数向量集，包括：

40、获取每个参数向量对应的计划表，所述计划表中包括参数向量中每个维度的重要性指标；

41、根据当前评估次数和总评估次数的比值计算时间系数，根据所述时间系数确定维度的选择概率，将维度的重要性指标按照从大到小的顺序排序，按照选择概率在排序结果中确定目标维度；

42、根据时间系数与预设范围内的随机值确定刺激系数，基于所述刺激系数对

43、参数向量中的目标维度进行更新，产生新的参数向量；

44、若产生的新的参数向量的适应度值小于当前参数向量的适应度值，则增大计划表中目标维度的重要性指标；若产生的新的参数向量的适应度值大于当前参数向量的适应度值，则减小计划表中目标维度的重要性指标；

45、根据更新后的重要性指标进行下一次迭代，直至达到终止条件，将迭代结束后得到的参数向量集作为所述第一优化参数向量集。

46、可选地，还包括：

47、若在迭代过程中参数向量陷入负强化循环，则对参数向量和参数向量的计划表进行校正；

48、其中，校正的数学表达式为：

49、

50、

51、其中，表示第个参数向量在第维度上的值，表示计算标准差，表示均匀分布，和分别表示参数向量在第维的上限和下限，表示第个参数向量在维上的计划表中的重要性指标。

52、可选地，所述光伏模型包括单二极管模型、双二极管模型、三二极管模型和光伏组件模型；

53、其中，所述单二极管模型的数学表达式为：

54、

55、为单二极管模型的输出电流，为光感应电流，exp（·）为自然指数函数，表示单二极管模型的输出电压，表示电路中的串联电阻，表示基本电荷量，表示理想条件下二极管的理想因数，为玻尔兹曼常数，表示温度，表示二极管的反向饱和电流，表示分流电阻，所述单二极管模型的未知参数包括：、、、和；

56、所述双二极管模型的数学表达式为：

57、

58、为双二极管模型的输出电流，和表示通过二极管的反向饱和电流，和表示理想因数；所述双二极管模型的未知参数包括：、、、、、和；

59、所述三二极管模型的数学表达式为：

60、

61、其中，为三二极管模型的输出电流，、和表示通过二极管的反向饱和电流，、和为理想因数；所述三二极管模型的未知参数包括：、、、、、、 、和；

62、所述光伏组件模型，其数学表达式为：

63、

64、其中，为光伏组件模型的输出电流，表示并联的太阳能电池的数量，表示串联的太阳能电池数量，所述光伏组件模型的未知参数包括：、、、和。

65、可选地，适应度值的表达式为：

66、，

67、其中，为适应度值，为均方根误差，为测量到的电流数据个数，为第个实测输出电流，为参数向量，表示第个预测输出电流。

68、本发明还提供了一种光伏模型未知参数的提取装置，包括：

69、初始化模块，用于获取光伏模型未知参数的参数范围；在所述参数范围内生成部分强化优化器的初始参数向量集和最大评估次数；

70、第一优化模块，用于通过部分强化优化器对初始参数向量集进行全局搜索得到第一优化参数向量集；

71、第二优化模块，用于对于所述第一优化参数向量集中的每一个参数向量，基于第一参数向量中提取的未知参数与第二参数向量中提取的未知参数的差值进行学习，得到第二优化参数向量集；其中，第一参数向量为所述第一优化参数向量集中随机选择的两个参数向量中适应度值小的参数向量，第二参数向量为两个参数向量中适应度值大的参数向量；所述适应度值为所述光伏模型的实测输出电流与预测输出电流的均方根误差；

72、第三优化模块，用于基于适应度值从所述第一优化参数向量集和所述第二优化参数向量集中确定第一最优参数向量，通过nm单纯形对所述第一最优参数向量进行局部搜索得到第二最优参数向量；

73、迭代模块，用于将所述第一优化参数向量集和所述第二优化参数向量集中的参数向量进行对应比较，取两两对比后适应度值小的参数向量组成新的优化参数向量集，并以新的优化参数向量集作为部分强化优化器的输入，返回执行全局搜索的步骤进行迭代，直至迭代次数达到所述最大评估次数；

74、确定模块，用于将最后一次迭代得到的所述第一最优参数向量和所述第二最优参数向量中适应度值小的参数向量作为所述光伏模型的未知参数。

75、本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述光伏模型未知参数的提取方法。

76、本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述光伏模型未知参数的提取方法。

77、本发明提供的光伏模型未知参数的提取方法具有以下有益效果：

78、本发明在部分强化优化器进行全局搜索得到第一优化参数向量集的基础上，将第一参数向量集中的两个随机参数向量的适应度值进行比较，并基于适应度值小的参数向量中提取的未知参数与适应度值大的参数向量中提取的未知参数的差值进行学习，由于适应度值为光伏模型的实测电流与预测电流的均方根误差，因此适应度值越小说明提取的光伏模型的未知参数越接近真实值，因此该学习过程能够使得强化优化器的参数向量集向更优的参数向量进行学习，克服部分强化优化器参数向量集（种群）内参数向量（个体）缺乏信息交流的缺陷，从而提高优化参数向量集的质量；其次，通过nm单纯形对全局搜索和学习阶段得到的最优参数向量进一步优化，可以有效提高算法的收敛精度和稳定性，综上，本发明通过向优秀参数向量学习和nm单纯形改进部分强化优化器，能够降低部分强化优化器提取光伏模型的参数时的误差，提高参数提取的准确性。