一种光伏组件在线I-V特性监测及参数辨识系统

一种光伏组件在线i-v特性监测及参数辨识系统
技术领域
1.本发明涉及太阳能电池及光伏发电阵列的检测技术，尤其是一种光伏组件在线i-v特性监测及参数辨识系统。


背景技术：

2.随着世界各国光伏发电装机量的快速增长，光伏发电系统中光伏组件及阵列的精确模型参数提取方法与技术近年来得到国内外越来越多的学者和相关机构的关注。随着人口的增加和工业技术的持续进步，人们对化石燃料的消耗也越来越多，造成了严重的环境污染问题。因此，太阳能这种绿色、清洁、可再生的新能源，受到全球各国的广泛重视，积极开发利用。在中国，光伏发电是一种大规模利用太阳能的可行方式，而光伏组件则是其系统中的核心装置，往往遭受雷电、腐蚀、沙尘、风暴等恶劣环境的影响，出现热斑、阴影、短路、老化等故障。因此，为了有效防止光伏组件出现严重故障，定期检测光伏组件是非常重要的，这对确保光伏系统安全运行，提高系统产出投入比具有重要的实际应用价值。通过测量i-v输出特性曲线，可以直接获取光伏组件的关键电气参数，以评估其正常工作状况。此外，利用优化算法拟合实测的完整i-v曲线可以准确提取光伏模型参数，这将有助于精确建模和优化光伏电站系统。
3.传统的i-v特性曲线测试技术主要为可变功率电阻器测试法，这种方法费时且费力，测量不准确，不适用于实际工程应用。为了克服传统光伏i-v曲线测试技术的缺点，近年来，国内外学者提出了可变电子负载测试法和动态电容充电测试法。可变电子负载法测量光伏i-v特性曲线，可以通过控制功率晶体管的栅极驱动电压来改变晶体管的电导，从而实现测量功能，由于安全工作区的限制，功率晶体管的可靠性并不高，因为它们只能承受几毫秒的高功耗，易于烧毁。电容负载法测量光伏i-v特性曲线，使用电容器作为负载，因为其电压不能突变，且只消耗少量电能，因此可以在充电过程中测量i-v特性曲线，这种方法充电速度快、充电过程短、环境参数变化小，能够更好地反映实际光伏组件的伏安特性。
4.基于上述测试方法原理实现的具体测量装置可以分为离线和在线两种操作方法。传统的i-v测量仪器采用离线方法，需要将组件从组件串中断开，甚至有的需要关闭整个光伏发电站，这导致了光伏发电站检查、维修的工作量大，操作繁琐。而在线方法则可以直接测量得到光伏组件i-v特性曲线数据，大大减少了光伏电站相关工作人员的工作难度，也提高了电站检修的整体效率。
5.为了确定光伏模型参数，学者们提出了大量参数提取方法，这些方法主要基于解析法和数值优化法。解析法依赖于模型公式的简单假设以及一些关键点。然而，如果假设不准确或关键点的测量不准确，则很难获得准确的模型。为了克服解析法的缺点，学者们提出了基于确定性和随机性数值优化的参数提取方法，以最小化实测i-v曲线和仿真i-v曲线之间的总体误差，从而提高参数辨识的准确性和可靠性。确定性数值优化方法，如levenberg-marquardt方法(lm)，nelder-mead单纯形方法(nms)等，具有较高的计算效率和快速收敛性，但它们容易陷入局部最优解。随机数值优化方法，如遗传算法(ga)，粒子群优化(pso)
等，具有较强的全局优化能力，但收敛速度较慢，因此不适合实时参数提取。为了实现算法准确性和效率的最佳平衡关系，出现了许多基于解析法、确定性和随机数值优化算法的混合优化算法，以利用各自的优势，实现更高效、更准确的结果。混合优化算法的应用能够提升收敛速度，有效避免陷入局部最优，所以，混合算法正成为学术界和实际应用中的热门研究课题。
6.基于上述问题及讨论，本发明提出了一种基于电容充电法的光伏组件在线i-v特性监测及参数辨识系统，针对光伏组件i-v曲线扫描，提出一种新型电路，克服了传统i-v测量需要断开组件块的缺陷。为了提高设计的i-v监测系统的参数提取的计算效率，本文还提出了一种基于cubic混沌映射rao-1算法(ccrao-1)和改进的单纯形算法(inms)的高效的混合优化算法(ccrao1-inms)。使用ccrao1算法获取nms算法的起始点，提高全局搜索能力。同时，对基本的nms算法进行了改进，提高局部收敛性，从而提高计算效率。由于算法计算复杂度低，准确性高，因此提出的ccrao1-inms算法也适用于嵌入式系统平台。
7.目前，公开发表的文献及专利中尚未见有本发明所提出的基于电容充电法的光伏组件在线i-v特性监测及参数辨识系统以及基于cubic混沌映射rao-1算法和改进的单纯形算法的光伏模型参数辨识混合算法。


技术实现要素：

8.本发明提出一种光伏组件在线i-v特性监测及参数辨识系统，能够实时地在线获取精确的光伏组件i-v特性曲线数据和实时工作电流电压数据，并且能够实时进行准确的光伏模型参数识别，算法计算复杂度低，准确性高，可适用于嵌入式系统平台。
9.本发明采用以下技术方案。
10.一种光伏组件在线i-v特性监测及参数辨识系统，包括光伏组件在线i-v扫描模块、光伏模型参数辨识方法以及数据处理上位机；所述光伏组件在线i-v扫描模块安装在光伏组件处对光伏组件进行i-v特性曲线在线扫描，并实时监测组件的工作电压和电流，监测的数据通过无线方式上传至数据处理上位机；数据处理上位机通过cubic混沌映射rao-1算法ccrao-1、单纯形算法inms的混合优化算法ccrao1-inms辨识光伏模型参数，并对i-v特性曲线数据进行参数提取及保存、查看i-v曲线数据；所述ccrao1-inms算法中，使用ccrao1算法为nms算法寻找初始点，以提高全局搜索能力；所述单纯形算法inms基于nms算法改进以优化其局部收敛性。
11.所述光伏组件在线i-v扫描模块包括i-v扫描模块、dc-dc电源模块、stm32微控制器模块以及通信传输模块lora；
12.所述i-v扫描模块使用电容作为负载，在电容充电过程，对光伏组件的电流、电压进行测量，其具体包括电流测量模块、电压测量模块、电容负载以及mosfet电子开关；
13.所述dc-dc电源模块使用光伏组件作为电源输入，为所述stm32控制器模块提供电源；
14.所述stm32控制器模块使用gpio引脚控制所述i-v扫描模块中的mosfet电子开关，从而控制所述i-v扫描模块中的电容负载的充放电，然后使用adc进行电流电压的测量，控制其测量速度及频率；
15.所述通信传输模块lora使用低功耗、传输距离远的无限透传模式对测量数据进行
无线传输。
16.所述光伏模型参数辨识方法为基于cubic混沌映射rao-1算法ccrao-1和改进的nelder-mead单纯形算法inms的混合优化算法ccrao1-inms，具体包括如下步骤：
17.步骤s1：确定光伏组件模型和目标函数；
18.步骤s2：采用cubic混沌映射rao-1算法对光伏模型参数进行全局搜索，获取光伏模型参数搜索起始点；
19.步骤s3：采用改进的nelder-mead单纯形算法对步骤s2中的模型参数搜索起始点进行局部搜索,以获取全局最优的光伏模型参数向量；
20.所述的改进的nelder-mead单纯形体现在对收缩部分改为用最优n个顶点组成的矩阵的主对角向量产生新的顶点，并代替第n+1个顶点。
21.所述光伏模型参数辨识方法的步骤s1包括以下几个步骤：
22.步骤s101：采用单二极管模型sdm来对光伏电池/组件/阵列进行建模，对于给定的辐照度和温度，根据基尔霍夫电流定律kcl和肖克利二极管方程，其i-v关系如以下公式所示：
[0023][0024]
式中：i、v、i
ph
、i0、n、rs、r
sh
分别表示光伏电池/组件/阵列的输出电流、输出电压、光生电流、二极管反向饱和电流、二极管(p-n结)的理想因子、串联电阻、并联电阻；v
th
＝kt/q表示热电压，其中k表示玻耳兹曼常数(1.38
×
10-22
j/k)，q表示一个电子的电荷量(1.6
×
10-19
c)，t表示绝对温度，单位为开尔文，通过273.15加上电池温度(摄氏度)计算得出；
[0025]
其中i
ph
、i0、n、rs、r
sh
为sdm的五个未知参数，其值受环境因素的影响，从光伏电池/组件/阵列的i-v测量数据中提取；
[0026]
步骤s102：使用实际测量的曲线数据与理论计算的曲线数据的均方根误rmse作为目标函数，如下述公式所示：
[0027][0028]
其中：n为i-v曲线数据的点数，x为参数向量(x＝[i
ph
、i0、n、rs、r
sh
])，f(v，i，x)为绝对误差函数，如下述公式所示：
[0029][0030]
所述光伏模型参数辨识方法的步骤s2包括以下几个步骤：
[0031]
步骤s201：确定种群大小、求解变量维数、算法最大函数求值次数、以及求解变量的上下界，设置cubic混沌序列的首项以及其控制参数，初始化种群；
[0032]
步骤s202：确定种群中的最优解和最差解，根据以下公式得到新的解：
[0033]
x'
j,k,i
＝x
j,k,i
+c
j,i
(x
j,best,i-x
j,worst,i
)
ꢀꢀꢀꢀ
公式四；
[0034]
其中，x
j,best,i
是第i次迭代期间最佳候选解第j个变量的值，而x
j,worst,i
是第i次迭代期间最差候选解第j个变量的值；x’j,k,i
是x
j,k,i
的更新值，而c
j,i
是第i次迭代期间候选解
的第j个变量在[0，1]范围内的cubic混沌序列，其具体公式如下所示：
[0035][0036]
其中，ci是第i次混沌迭代的值，而c1是在[0,1]范围内随机产生的，ρ为控制参数；
[0037]
步骤s203：如果新解比原来的最优解更好，则将原来的最优解替换成新解，否则保留原来的最优解；
[0038]
步骤s204：判断函数求值次数是否达到最大值，若达到，则进入步骤s205，否则进入步骤s202；
[0039]
步骤s205：输出最优解。
[0040]
所述光伏模型参数辨识方法的步骤s3包括以下几个步骤，其中α代表反射系数，β代表扩展系数，γ表示压缩系数：
[0041]
步骤s301：根据步骤s2得到的初始解进行初始化n+1个顶点，n表示为求解变量的维数；
[0042]
步骤s302：n+1个顶点按照目标函数的值从低到高排序，x1，xn，x
n+1
表示最好的，次差的和最差的顶点，而f1，fn，f
n+1
分别表示它们的目标函数值；
[0043]
步骤s303：根据以下公式计算反射点xr，并且计算其目标函数值fr，如果f1《fr《fn，则将x
n+1
替换为xr，然后执行步骤s309，否则，执行步骤s304；
[0044][0045]
其中为最佳n个顶点的质心，如下述公式所示：
[0046][0047]
步骤s304：：如果fr≤f1，则执行步骤s305，如果fn≤fr《f
n+1
，则执行步骤s306，如果f
n+1
≤fr，则执行步骤s307；
[0048]
步骤s305：按以下公式计算扩展点xe，并计算其目标函数值fe，如果fe《fr，则将x
n+1
替换为xe，然后执行步骤s309，否则，将x
n+1
替换为xr，然后执行步骤s309；
[0049][0050]
步骤s306：按以下公式计算外部压缩点x
oc
，并计算其目标函数值f
oc
，如果f
oc
《fr，则将x
n+1
替换为x
oc
，然后执行步骤s309，否则，执行步骤s308；
[0051][0052]
步骤s307：按以下公式计算内部压缩点x
ic
，并计算其目标函数值f
ic
，如果f
ic
《fr，则将x
n+1
替换为x
ic
，然后执行步骤s309，否则，执行步骤s308；
[0053][0054]
步骤s308：按以下公式计算最优的n个顶点组成的矩阵的主对角向量xd，并将x
n+1
替换为xd，然后执行步骤s309；
[0055]
xd＝diag(s)
ꢀꢀꢀꢀ
公式十一；
[0056]
步骤s309：判断函数求值次数是否达到最大值，若达到，则执行步骤s310，否则执
行步骤s302；
[0057]
步骤s310：输出最优解以及其对应的目标函数值。
[0058]
所述光伏组件在线i-v扫描模块通过电子开关mosfet绕过光伏组件串中的被测组件模块，执行i-v曲线扫描，测量完成后重新打开旁路电子开关，将组件模块重新连接到组串中去；
[0059]
在测量期间，电子开关mosfet为串电流提供旁路，视同为被测组件模块暂时脱离了光伏组件串；基于使用电容负载充电法的测量时间范围在40-100ms之内，测量完成组件又重新接回光伏组件串中，实现在线测量。
[0060]
所述光伏组件在线i-v扫描模块的在线i-v扫描电路中，采用大电容c2作为可变负载，电路正常工作时，控制场效应管q1、场效应管q2、场效应管q3断路；
[0061]
在测量光伏组件i-v特性曲线时，控制场效应管q3导通，为串电流提供旁路，将被测组件暂时脱离组件串；控制q1导通使得光伏组件对电容负载进行充电，电容两端的电压从0上升到光伏组件的开路电压，电路的电流从光伏组件的短路电流减小到0，在此期间使用stm32f103的adc模块对光伏组件进行电压测量和电流测量，从而实现i-v特性曲线数据的获取；
[0062]
测量结束后，控制q2导通对电容进行放电处理，最后控制q1、q2、q3断路回到正常工作模式，利用电容的高速充电速度，使被测组件快速接回到光伏组件串中，不影响后面dc电路的工作。
[0063]
所述光伏组件在线i-v扫描模块采用精密电阻分压法来测量电压信号，引入电压跟随器实现隔离以避免高压功率电路对低压信号电路的干扰。
[0064]
所述光伏组件在线i-v扫描模块采用小电阻来采集电流信号，在采样小电阻与单片机之间加入运算放大器以保护信号电路，并根据stm32的电压采集范围，放大其最大输出电压至3.3v，以提高电流信号采集的精确度。
[0065]
相较于现有技术，本发明具有以下有益效果：本发明可实现实时在线的光伏组件i-v曲线扫描，还可实时监测组件工作电压、电流，并且能够实时进行准确的光伏模型参数识别。使用ccrao1算法获取nms算法的起始点，提高全局搜索能力。同时，对基本的nms算法进行了改进，提高局部收敛性，从而提高计算效率。算法的计算复杂度低，准确性高，也适用于嵌入式系统平台。
附图说明
[0066]
下面结合附图和具体实施方式对本发明进一步详细的说明：
[0067]
附图1为本发明光伏组件在线i-v特性监测及参数辨识系统的结构示意图；
[0068]
附图2为本发明光伏组件在线i-v扫描电路设计示意图；
[0069]
附图3为本发明光伏组件电压采样电路设计示意图；
[0070]
附图4为本发明光伏组件电流采样电路设计示意图；
[0071]
附图5为本发明单二极管光伏模型的等效电路示意图；
[0072]
附图6为本发明ccrao1-inms算法参数提取流程示意图；
[0073]
附图7为本发明一实施例中验证系统所用光伏组件示意图；
[0074]
附图8为本发明一实施例中系统实测数据曲线拟合示意图。
具体实施方式
[0075]
如图1所示，一种光伏组件在线i-v特性监测及参数辨识系统，包括光伏组件在线i-v扫描模块、光伏模型参数辨识方法以及数据处理上位机；所述光伏组件在线i-v扫描模块安装在光伏组件处对光伏组件进行i-v特性曲线在线扫描，并实时监测组件的工作电压和电流，监测的数据通过无线方式上传至数据处理上位机；数据处理上位机通过cubic混沌映射rao-1算法ccrao-1、单纯形算法inms的混合优化算法ccrao1-inms辨识光伏模型参数，并对i-v特性曲线数据进行参数提取及保存、查看i-v曲线数据；所述ccrao1-inms算法中，使用ccrao1算法为nms算法寻找初始点，以提高全局搜索能力；所述单纯形算法inms基于nms算法改进以优化其局部收敛性。
[0076]
所述光伏组件在线i-v扫描模块包括i-v扫描模块、dc-dc电源模块、stm32微控制器模块以及通信传输模块lora；
[0077]
所述i-v扫描模块使用电容作为负载，在电容充电过程，对光伏组件的电流、电压进行测量，其具体包括电流测量模块、电压测量模块、电容负载以及mosfet电子开关；
[0078]
所述dc-dc电源模块使用光伏组件作为电源输入，为所述stm32控制器模块提供电源；
[0079]
所述stm32控制器模块使用gpio引脚控制所述i-v扫描模块中的mosfet电子开关，从而控制所述i-v扫描模块中的电容负载的充放电，然后使用adc进行电流电压的测量，控制其测量速度及频率；
[0080]
所述通信传输模块lora使用低功耗、传输距离远的无限透传模式对测量数据进行无线传输。
[0081]
所述光伏模型参数辨识方法为基于cubic混沌映射rao-1算法ccrao-1和改进的nelder-mead单纯形算法inms的混合优化算法ccrao1-inms，具体包括如下步骤：
[0082]
步骤s1：确定光伏组件模型和目标函数；
[0083]
步骤s2：采用cubic混沌映射rao-1算法对光伏模型参数进行全局搜索，获取光伏模型参数搜索起始点；
[0084]
步骤s3：采用改进的nelder-mead单纯形算法对步骤s2中的模型参数搜索起始点进行局部搜索,以获取全局最优的光伏模型参数向量；
[0085]
所述的改进的nelder-mead单纯形体现在对收缩部分改为用最优n个顶点组成的矩阵的主对角向量产生新的顶点，并代替第n+1个顶点。
[0086]
所述光伏模型参数辨识方法的步骤s1包括以下几个步骤：
[0087]
步骤s101：采用单二极管模型sdm来对光伏电池/组件/阵列进行建模，对于给定的辐照度和温度，根据基尔霍夫电流定律kcl和肖克利二极管方程，其i-v关系如以下公式所示：
[0088][0089]
式中：i、v、i
ph
、i0、n、rs、r
sh
分别表示光伏电池/组件/阵列的输出电流、输出电压、光生电流、二极管反向饱和电流、二极管(p-n结)的理想因子、串联电阻、并联电阻；v
th
＝kt/q表示热电压，其中k表示玻耳兹曼常数(1.38
×
10-22
j/k)，q表示一个电子的电荷量(1.6
×
10-19
c)，t表示绝对温度，单位为开尔文，通过273.15加上电池温度(摄氏度)计算得出；
[0090]
其中i
ph
、i0、n、rs、r
sh
为sdm的五个未知参数，其值受环境因素的影响，从光伏电池/组件/阵列的i-v测量数据中提取；
[0091]
步骤s102：使用实际测量的曲线数据与理论计算的曲线数据的均方根误rmse作为目标函数，如下述公式所示：
[0092][0093]
其中：n为i-v曲线数据的点数，x为参数向量(x＝[i
ph
、i0、n、rs、r
sh
])，f(v，i，x)为绝对误差函数，如下述公式所示：
[0094][0095]
所述光伏模型参数辨识方法的步骤s2包括以下几个步骤：
[0096]
步骤s201：确定种群大小、求解变量维数、算法最大函数求值次数、以及求解变量的上下界，设置cubic混沌序列的首项以及其控制参数，初始化种群；
[0097]
步骤s202：确定种群中的最优解和最差解，根据以下公式得到新的解：
[0098]
x'
j,k,i
＝x
j,k,i
+c
j,i
(x
j,best,i-x
j,worst,i
)
ꢀꢀꢀꢀ
公式四；
[0099]
其中，x
j,best,i
是第i次迭代期间最佳候选解第j个变量的值，而x
j,worst,i
是第i次迭代期间最差候选解第j个变量的值；x’j,k,i
是x
j,k,i
的更新值，而c
j,i
是第i次迭代期间候选解的第j个变量在[0，1]范围内的cubic混沌序列，其具体公式如下所示：
[0100][0101]
其中，ci是第i次混沌迭代的值，而c1是在[0,1]范围内随机产生的，ρ为控制参数；
[0102]
步骤s203：如果新解比原来的最优解更好，则将原来的最优解替换成新解，否则保留原来的最优解；
[0103]
步骤s204：判断函数求值次数是否达到最大值，若达到，则进入步骤s205，否则进入步骤s202；
[0104]
步骤s205：输出最优解。
[0105]
所述光伏模型参数辨识方法的步骤s3包括以下几个步骤，其中α代表反射系数，β代表扩展系数，γ表示压缩系数：
[0106]
步骤s301：根据步骤s2得到的初始解进行初始化n+1个顶点，n表示为求解变量的维数；
[0107]
步骤s302：n+1个顶点按照目标函数的值从低到高排序，x1，xn，x
n+1
表示最好的，次差的和最差的顶点，而f1，fn，f
n+1
分别表示它们的目标函数值；
[0108]
步骤s303：根据以下公式计算反射点xr，并且计算其目标函数值fr，如果f1《fr《fn，则将x
n+1
替换为xr，然后执行步骤s309，否则，执行步骤s304；
[0109][0110]
其中为最佳n个顶点的质心，如下述公式所示：
[0111][0112]
步骤s304：：如果fr≤f1，则执行步骤s305，如果fn≤fr《f
n+1
，则执行步骤s306，如果f
n+1
≤fr，则执行步骤s307；
[0113]
步骤s305：按以下公式计算扩展点xe，并计算其目标函数值fe，如果fe《fr，则将x
n+1
替换为xe，然后执行步骤s309，否则，将x
n+1
替换为xr，然后执行步骤s309；
[0114][0115]
步骤s306：按以下公式计算外部压缩点x
oc
，并计算其目标函数值f
oc
，如果f
oc
《fr，则将x
n+1
替换为x
oc
，然后执行步骤s309，否则，执行步骤s308；
[0116][0117]
步骤s307：按以下公式计算内部压缩点x
ic
，并计算其目标函数值f
ic
，如果f
ic
《fr，则将x
n+1
替换为x
ic
，然后执行步骤s309，否则，执行步骤s308；
[0118][0119]
步骤s308：按以下公式计算最优的n个顶点组成的矩阵的主对角向量xd，并将x
n+1
替换为xd，然后执行步骤s309；
[0120]
xd＝diag(s)
ꢀꢀꢀꢀ
公式十一；
[0121]
步骤s309：判断函数求值次数是否达到最大值，若达到，则执行步骤s310，否则执行步骤s302；
[0122]
步骤s310：输出最优解以及其对应的目标函数值。
[0123]
所述光伏组件在线i-v扫描模块通过电子开关mosfet绕过光伏组件串中的被测组件模块，执行i-v曲线扫描，测量完成后重新打开旁路电子开关，将组件模块重新连接到组串中去；
[0124]
在测量期间，电子开关mosfet为串电流提供旁路，视同为被测组件模块暂时脱离了光伏组件串；基于使用电容负载充电法的测量时间范围在40-100ms之内，测量完成组件又重新接回光伏组件串中，实现在线测量。
[0125]
实现在线i-v扫描电路设计的框架原理图如图2所示，所述光伏组件在线i-v扫描模块的在线i-v扫描电路中，采用大电容c2作为可变负载，电路正常工作时，控制场效应管q1、场效应管q2、场效应管q3断路；
[0126]
在测量光伏组件i-v特性曲线时，控制场效应管q3导通，为串电流提供旁路，将被测组件暂时脱离组件串；控制q1导通使得光伏组件对电容负载进行充电，电容两端的电压从0上升到光伏组件的开路电压，电路的电流从光伏组件的短路电流减小到0，在此期间使用stm32f103的adc模块对光伏组件进行电压测量和电流测量，从而实现i-v特性曲线数据的获取；
[0127]
测量结束后，控制q2导通对电容进行放电处理，最后控制q1、q2、q3断路回到正常工作模式，利用电容的高速充电速度，使被测组件快速接回到光伏组件串中，不影响后面dc电路的工作。
[0128]
所述光伏组件在线i-v扫描模块采用精密电阻分压法来测量电压信号，引入电压
跟随器实现隔离以避免高压功率电路对低压信号电路的干扰，电压采集的具体电路如图3所示。
[0129]
所述光伏组件在线i-v扫描模块采用小电阻来采集电流信号，在采样小电阻与单片机之间加入运算放大器以保护信号电路，并根据stm32的电压采集范围，放大其最大输出电压至3.3v，以提高电流信号采集的精确度，电流采集的具体电路如图4所示。
[0130]
实施例：
[0131]
本例整个系统分为三个部分：(1)光伏组件在线i-v扫描模块；(2)光伏组件电压、电流测量模块；(3)ccrao1-inms混合优化算法的实现。
[0132]
本例采用单二极管模型(sdm)来对光伏电池/组件/阵列进行建模，单二极管模型(sdm)等效电路如图5所示。使用实际测量的曲线数据与理论计算的曲线数据的均方根误差(rmse)作为目标函数。具体参数辨识过程如图6所示。
[0133]
在本实施例中，为了验证所设计的在线i-v特性监测系统的性能以及参数识别算法的效果，对实验室的光伏组件进行了i-v曲线的测量，该组件是漳州国绿太阳能科技有限公司的gl-m100单晶硅光伏组件(voc：21.5v，isc：6.03a，vmpp：17.5v，impp：5.71a)，如图7所示。并且使用ccrao1-inms算法进行了sdm参数提取，给出了i-v曲线和p-v曲线的拟合结果，如图8所示。从图8中可以看出系统测量得到的i-v曲线符合光伏i-v特性曲线特性，整条实测曲线连续且光滑，说明了设计的i-v特性监测系统可以获取高质量的i-v曲线。此外，拟合的i-v和p-v曲线与实测的曲线基本重合，误差很小，验证了ccrao1-inms混合算法具有很好的准确性。

技术特征：
19
c)，t表示绝对温度，单位为开尔文，通过273.15加上电池温度(摄氏度)计算得出；其中i
ph
、i0、n、r
s
、r
sh
为sdm的五个未知参数，其值受环境因素的影响，从光伏电池/组件/阵列的i-v测量数据中提取；步骤s102：使用实际测量的曲线数据与理论计算的曲线数据的均方根误rmse作为目标函数，如下述公式所示：其中：n为i-v曲线数据的点数，x为参数向量(x＝[i
ph
、i0、n、r
s
、r
sh
])，f(v，i，x)为绝对误差函数，如下述公式所示：5.根据权利要求1所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏模型参数辨识方法的步骤s2包括以下几个步骤：步骤s201：确定种群大小、求解变量维数、算法最大函数求值次数、以及求解变量的上下界，设置cubic混沌序列的首项以及其控制参数，初始化种群；步骤s202：确定种群中的最优解和最差解，根据以下公式得到新的解：x'
j,k,i
＝x
j,k,i
+c
j,i
(x
j,best,i-x
j,worst,i
)
ꢀꢀꢀ
公式四；其中，x
j,best,i
是第i次迭代期间最佳候选解第j个变量的值，而x
j,worst,i
是第i次迭代期间最差候选解第j个变量的值；x’j,k,i
是x
j,k,i
的更新值，而c
j,i
是第i次迭代期间候选解的第j个变量在[0，1]范围内的cubic混沌序列，其具体公式如下所示：其中，ci是第i次混沌迭代的值，而c1是在[0,1]范围内随机产生的，ρ为控制参数；步骤s203：如果新解比原来的最优解更好，则将原来的最优解替换成新解，否则保留原来的最优解；步骤s204：判断函数求值次数是否达到最大值，若达到，则进入步骤s205，否则进入步骤s202；步骤s205：输出最优解。6.根据权利要求1所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏模型参数辨识方法的步骤s3包括以下几个步骤，其中α代表反射系数，β代表扩展系数，γ表示压缩系数：步骤s301：根据步骤s2得到的初始解进行初始化n+1个顶点，n表示为求解变量的维数；步骤s302：n+1个顶点按照目标函数的值从低到高排序，x1，x
n
，x
n+1
表示最好的，次差的和最差的顶点，而f1，f
n
，f
n+1
分别表示它们的目标函数值；步骤s303：根据以下公式计算反射点x
r
，并且计算其目标函数值f
r
，如果f1<f
r
<f
n
，则将x
n+1
替换为x
r
，然后执行步骤s309，否则，执行步骤s304；
其中为最佳n个顶点的质心，如下述公式所示：步骤s304：：如果f
r
≤f1，则执行步骤s305，如果f
n
≤f
r
<f
n+1
，则执行步骤s306，如果f
n+1
≤f
r
，则执行步骤s307；步骤s305：按以下公式计算扩展点x
e
，并计算其目标函数值f
e
，如果f
e
<f
r
，则将x
n+1
替换为x
e
，然后执行步骤s309，否则，将x
n+1
替换为x
r
，然后执行步骤s309；步骤s306：按以下公式计算外部压缩点x
oc
，并计算其目标函数值f
oc
，如果f
oc
<f
r
，则将x
n+1
替换为x
oc
，然后执行步骤s309，否则，执行步骤s308；步骤s307：按以下公式计算内部压缩点x
ic
，并计算其目标函数值f
ic
，如果f
ic
<f
r
，则将x
n+1
替换为x
ic
，然后执行步骤s309，否则，执行步骤s308；步骤s308：按以下公式计算最优的n个顶点组成的矩阵的主对角向量x
d
，并将x
n+1
替换为x
d
，然后执行步骤s309；x
d
＝diag(s)
ꢀꢀꢀ
公式十一；步骤s309：判断函数求值次数是否达到最大值，若达到，则执行步骤s310，否则执行步骤s302；步骤s310：输出最优解以及其对应的目标函数值。7.根据权利要求2所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏组件在线i-v扫描模块通过电子开关mosfet绕过光伏组件串中的被测组件模块，执行i-v曲线扫描，测量完成后重新打开旁路电子开关，将组件模块重新连接到组串中去；在测量期间，电子开关mosfet为串电流提供旁路，视同为被测组件模块暂时脱离了光伏组件串；基于使用电容负载充电法的测量时间范围在40-100ms之内，测量完成组件又重新接回光伏组件串中，实现在线测量。8.根据权利要求7所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏组件在线i-v扫描模块的在线i-v扫描电路中，采用大电容c2作为可变负载，电路正常工作时，控制场效应管q1、场效应管q2、场效应管q3断路；在测量光伏组件i-v特性曲线时，控制场效应管q3导通，为串电流提供旁路，将被测组件暂时脱离组件串；控制q1导通使得光伏组件对电容负载进行充电，电容两端的电压从0上升到光伏组件的开路电压，电路的电流从光伏组件的短路电流减小到0，在此期间使用stm32f103的adc模块对光伏组件进行电压测量和电流测量，从而实现i-v特性曲线数据的获取；测量结束后，控制q2导通对电容进行放电处理，最后控制q1、q2、q3断路回到正常工作
模式，利用电容的高速充电速度，使被测组件快速接回到光伏组件串中，不影响后面dc电路的工作。9.根据权利要求7所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏组件在线i-v扫描模块采用精密电阻分压法来测量电压信号，引入电压跟随器实现隔离以避免高压功率电路对低压信号电路的干扰。10.根据权利要求7所述的一种光伏组件在线i-v特性监测及参数辨识系统，其特征在于：所述光伏组件在线i-v扫描模块采用小电阻来采集电流信号，在采样小电阻与单片机之间加入运算放大器以保护信号电路，并根据stm32的电压采集范围，放大其最大输出电压至3.3v，以提高电流信号采集的精确度。

技术总结
本发明提出一种光伏组件在线I-V特性监测及参数辨识系统，包括光伏组件在线I-V扫描模块、光伏模型参数辨识方法以及数据处理上位机；光伏组件在线I-V扫描模块对光伏组件进行I-V特性曲线在线扫描，并实时监测组件的工作电压和电流，监测数据上传至数据处理上位机；数据处理上位机通过Cubic混沌映射RAO-1算法CCRAO-1、单纯形算法INMS的混合优化算法CCRAO1-INMS辨识光伏模型参数，并对I-V特性曲线数据进行参数提取；所述CCRAO1-INMS算法中，使用CCRAO1算法为NMS算法寻找初始点；所述单纯形算法INMS基于NMS算法改进；本发明能够实时地在线获取精确的光伏组件I-V特性曲线数据和实时工作电流电压数据，并且能够实时进行准确的光伏模型参数识别，算法计算复杂度低，准确性高，可适用于嵌入式系统平台。可适用于嵌入式系统平台。可适用于嵌入式系统平台。


技术研发人员：陈志聪 钟胜铨 吴丽君 程树英 林培杰
受保护的技术使用者：福州大学
技术研发日：2023.04.20
技术公布日：2023/7/25