近幾年，隨著生態(tài)問題的日益突出，不可再生能源的過度使用，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，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。總之，基于智能優(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)過多等問題。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)的問題，又解決了尋優(yōu)過程中迭代次數(shù)過多問題。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。混沌學(xué)由E.N.洛倫茲提出，由于混沌狀態(tài)與一般的無規(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)過多的問題。

在此基礎(chǔ)上，為了進(jìn)一步說明參數(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）、故障診斷等問題研究提供支持，具有較高的工程使用價(jià)值和推廣意義。