文摘

在过去的几十年里,大量的优化方法已经应用于评估光伏(PV)的参数模型和获得更好的结果,但这些方法仍有一些不足,如较高的时间复杂度和稳定性差。解决这些问题,一个增强的成功历史与贪婪的突变策略自适应DE PV (EBLSHADE)是用来优化参数模型提出的参数优化方法。EBLSHADE,线性减少人口规模策略用于逐步减少人口提高搜索能力和平衡开发和探索能力。越少、更贪婪的突变策略是用于提高开发能力和探索能力。最后,提出了一种基于EBLSHADE参数优化方法来优化光伏模型的参数。选择不同的光伏模型证明了该方法的有效性。比较结果表明,EBLSHADE是一种有效和高效的方法和参数优化方法,有利于设计、控制和优化光伏系统。

1。介绍

近年来,为了解决环境污染和烧坏的问题,利用太阳能、风能、水电、核能等已被越来越多的关注(1]。其中,太阳能被认为是最有前途的一个源源不断的清洁能源替代。目前,光伏系统在电力系统中发挥非常重要的作用,因为直接将太阳能转化为电能与人类供电。因此,太阳能光伏系统已经广泛应用于整个世界和持续增长。然而,光伏系统暴露在外部环境及其光伏阵列容易老化,严重影响生产效率,光伏电池板和有害太阳能的工作效率2,3]。因此,为了有效地设计、模拟、估计,控制和优化光伏系统,使用精确的模型估计的性能是非常重要的。使用最广泛的数学模型来描述的非线性行为和性能的单引号和双二极管模型和光伏模型。然而,这些模型的正确度是依赖模型的参数的值。参数的内在特征的反映光伏模型,和电流-电压方程可以确定通过确定光伏参数来预测光伏阵列的输出功率。光伏模型的参数优化问题是快速准确地确定光伏模型的参数,以获得更好的输出功率预测和跟踪最大功率点。由于老化,故障、故障和不稳定的工作环境,很难确定这些参数。因此,它是一个非常重要的工作要深入研究一种有效的方法来优化光伏的参数,提高太阳能利用效率。

通常,光伏模型未知参数的估计问题被认为是一种优化目标函数(4,5]。由于测量电流和电压数据产生噪声,所构造的目标函数是一个非线性和多峰函数有多个局部最优。一些研究人员研究和提出了许多方法来优化近年来光伏模型的参数,如分析方法,确定性方法和启发式方法。启发式方法是一种很有前途的替代分析方法和确定性方法(6]。目标函数由于没有严格限制,很多启发式方法得到越来越多的关注光伏参数的优化模型,如模拟退火(SA)、遗传算法(GA),差分进化(DE),粒子群优化(PSO),人工蜂群(ABC),细菌觅食算法(BFA), teaching-learning-based优化(TLBO),鲸鱼优化算法(COA),鸟交配优化器(蒙特利尔银行),月火焰优化器(MFO),回溯搜索算法(BSA) [7- - - - - -20.]。最近,gaining-sharing知识算法已经提出的Mohamed et al。21]。Zagrouba et al。22)利用遗传算法确定光伏太阳能电池和模块的参数。Ishaque et al。23)提出了一个penalty-based DE提取太阳能光伏模型的参数。Merchaoui et al。24)提出了一种改进的PSO与自适应变异策略提取参数的光伏太阳能电池/模块。Yu et al。25)提出了一个performance-guided JAYA算法确定光伏电池和模块的参数。陈等人。26)提出了一个teaching-learning-based ABC算法来估计太阳能光伏的参数模型。李等人。27)提出了一种改进的teaching-learning-based光伏模型的优化算法来提取参数。奥利瓦等。28)使用ABC算法确定太阳能电池的参数。吴et al。29日)提出了一种改进的蚁狮优化器确定光伏电池模型的参数。Ram et al。30.)提出了一种新的混合蜜蜂授粉花朵授粉算法来估计太阳能光伏的参数。奥利瓦等。31日)提出了一种改进的混沌WOA光伏电池的参数估计。徐和王32)提出了一个混合花授粉算法估计参数的光伏模块。陈等人。33)提出了一个diversification-enhanced哈里斯鹰优化器确定光伏模块的参数。长等。34)提出了一种新的混合算法优化器基于灰太狼和布谷鸟搜索提取太阳能光伏模型的参数。陈等人。35)提出了一种新颖的反对正弦余弦方法与本地搜索光伏模型的参数估计。Cai et al。36)采用正交实验方法优化的参数为光伏电池板尘埃吸收结构。结果报告的这些启发式方法取得了满意的结果,表明这些启发式方法是有前途的替代确定光伏模型的参数。但因为光伏模型的参数识别是一个非线性和多通道的问题,其准确性和可靠性需要进一步改善。此外,许多启发式方法有自己的实验参数调整来提高其功效,准确性、可靠性和可伸缩性。

微分进化(DE),一个随机的基于种群进化,进化算法提出了Storn和价格在1997年(37),已被一个简单而有效的优化算法。由于快速收敛、鲁棒性和搜索能力,各种先进的德变种已经提出并广泛应用于各个领域的工程设计、操作研究,生物医学,等等。大部分的各种先进DE变体是用来优化参数不同的光伏模型。张(38)提供了一个ant方向混合微分进化算法。龚和蔡39]提出了一种改进的自适应差分进化与交叉率修复技术和排行第三的突变,R-cr-IJADE。Muhsen et al。40)提出了一种改进的微分进化自适应变异每个迭代算法(梦想)。Chellaswamy和拉梅什41提出了自适应差分演化算法。默罕默德和阿卜杜阿齐兹42小说]提出了一种微分进化突变和自适应交叉策略来解决大规模的全局优化问题。Zhang et al。43)提出了一种梯度decent-based微分进化多目标文化(GD-MOCDE)来提高优化效率。默罕默德(44)提出了一个增强的自适应差分进化算法解决大规模的全局优化问题。Rashidi和Khorshidi45)提出了一种多目标微分进化算法。默罕默德(44)提出了一种多目标自适应差分进化(MOSaDE)算法。默罕默德(46微分进化算法)提出了一种新的方法来解决随机规划问题。Ramli et al。47)提出了一种多目标自适应差分进化算法。默罕默德和Suganthan48)提出了增强与小说突变fitness-adaptive微分进化算法解决实参的无约束优化问题。默罕默德和默罕默德49)提出了一种自适应制导直接微分进化算法来解决无约束优化问题。他们et al。50)提出了一种改进的全球搜索空间微分进化算法。熊等。51)提出了一种有效的混合方法的基础上,探索德德/ WOA WOA的剥削。哈迪et al。52)提出了一个LSHADE-SPA迷因框架来解决大规模优化问题。默罕默德和默罕默德53)提出了一个提高AGDE算法实参的无约束优化问题。李等人。54)提出了一个迷因自适应差分进化算法。穆罕默德et al。55)提出了一个提高DE算法(EDDE),利用好个人和坏的个人资料的人口。新的突变计划维护有效的勘探/开发的平衡。Essiet et al。56)提出了一种改进的微分进化算法增强实现聚合器和消费者之间的需求反应。穆罕默德教授的团队做了很多工作来改善算法。穆罕默德et al。53)提出了一个增强的直接微分进化算法求解约束非线性整数,整数全局优化问题。穆罕默德et al。57)提出了一个EBLSHADE算法基于小说变异策略。在这工作,介绍了两种变异算子,ord_best和ord_pbest版本的经典DE / current-to-best / 1方案。该突变是纳入阴影和LSHADE算法为了提高他们的表演。

由于更好的鲁棒性、稳定性和质量LSHADE的解决方案,一个增强的阴影(EBLSHADE)算法提出一个参数优化方法来优化光伏模型的参数快速、准确和可靠的。EBLSHADE,越来越贪婪的突变策略用于提高开发能力和探索能力。线性减少人口规模的策略是使用逐渐减少人口为提高收敛速度,平衡勘探和开采能力进化的过程。EBLSHADE是用来提出一个参数优化方法来优化单二极管模型的未知参数估计,双二极管模型,光伏模型。实验结果表明,该参数优化方法可以准确、可靠地优化不同的光伏模型的未知参数,并提供高度竞争的结果与其他算法相比。

介绍了本文的主要贡献如下:(我)一个EBLSHADE应用有效地优化光伏模型的参数。基于量化性能,适当的更新策略可以自适应地选择个人大大提升相关的搜索性能。(2)越少,更贪婪的突变策略EBLSHADE用于提高开发能力和探索能力,分别。(3)线性减少人口规模的策略是采用逐步减少人口进一步提高收敛速度,平衡勘探和开发能力,避免陷入局部最优的过程中进化。(iv)EBLSHADE的性能已经进行了广泛的调查,不同的光伏模型的参数估计。

本文的其余部分安排如下。部分2描述不同的光伏模型和目标函数。简要的概述了微分进化算法部分3。部分4详细介绍了一个增强的阴影与多种策略。在不同的光伏模型实验结果和分析部分所示5。最后,给出的结论是在部分6。

2。微分进化

德的主要业务包含初始化种群,变异操作,交叉操作,选择操作,等等。它的主要思想是两个不同的个体向量之间的区分和规模相同的人口和添加第三个个体向量在这个人口获得突变个体向量,与父个体交叉与一定的概率向量生成个人企图向量。最后,尝试执行个体向量和父个体向量贪婪选择,和更好的个人向量是保存到下一代种群。基本的进化过程e德。

2.1。缩写和首字母缩写

德使用NP d维度向量作为最初的解决方案。设置人口数量N,每个人可以表示为 。生成初始种群 。 在哪里G代表了G^th一代,代表了最大搜索空间值,代表最小搜索空间值,代表一个随机数。

2.2。变异操作

它生成一个变异向量为 ,也就是说,目标向量。对于每个生成的目标向量,变异策略是用来获取相应的变异向量。德的变异操作是最重要的操作。根据不同的生成方法的变异个体,几种不同变异策略的形成。最常见的突变策略描述如下:(1)德/最好/ 2 / bin (2)德兰特/ 2 / bin (3)德/ current-to-best / 1 / bin (4)德/ current-to-rand / 1 / bin

2.3。交叉操作

每一对目标向量和相应的变异向量交叉获得测试向量 。在基本德,它使用二项交叉定义。 在0和1之间的CR是一个常数,它用于控制重复突变的比例向量。是一个选择整数(1 D)内, 。

2.4。选择操作

比较目标函数值每个测试向量,测试向量的目标函数值小于相应的目标向量,然后目标矢量被实验。选择操作给出如下:

2.5。德的实现

DE算法进化一代复一代,直到结果或终止条件已经满足。DE算法的流程图如图1。

3所示。EBLSHADE

3.1。阴影

树荫下是最成功的变体之一德(57]。在树荫下,历史记忆H使用的条目。它由MCR和MF CR和可以自适应控制参数F。在每个迭代中,每个个体(x_我)都有自己的F_我和铬_我生成一个新的测试向量u_我。这两个参数表示如下: 在哪里r_我是一个随机整数(1,H),兰德n高斯正态分布,尺度参数为0.1,和兰德c是柯西分布和方差是0.1。

CR和F生成的测试向量是记录年代_CR和年代_F。他们的平均值存储在米_CR和米_F。树荫下保持H参数指导控制参数以达到自适应搜索。即使年代_CR和年代_F一些后代包含一组差值,上一代的存储参数将不会受到影响。控制参数如表所示1。

然后,米_CR和米_F据更新以下表达式: 在哪里t是一个指数来确定保存的位置和k是一组1。当一对新年代_CR和年代_F历史上被添加,k增加了1。的意思是_佤邦(年代_CR),的意思是_王(年代_F)是体重的平均值年代_CR和重量黄土的平均值年代_F。

3.2。LSHADE

一种改进的基于减少阴影线性人口规模的策略,即LSHADE。LSHADE,人口规模逐渐减少。因此,线性函数描述如下: 在一轮返回最近的整数。NFE健身优化,马克斯_NFE是最大的优化迭代,NP₀是初始人口规模,NP_最小值可能的最低数量,最小数量的个人(NP_最小值= 4)。

3.3。EBLSHADE

3.3.1。一个突变策略

德/ current-to-best / 1策略可以在进化找到最好的解决方案。但它可能恶化或失去人口多样性和探索能力。为了克服这些缺点,德/ current-to-best / 1的变体,即德/ current-to-or_best / 1是用来平衡当地开发和全球探索能力和提高收敛速度。排序策略,所有个人分为三个向量。最好的向量称为x_{or_最好的}G,称为向量中值x_{or_中位数},G,并称为最糟糕的向量x_{or_最糟糕的}G。因此,试验向量描述如下:

我们可以看到新的突变策略方程(12),添加目标函数值有两个优点。不同向量的向量和目标向量是第一个扰动突变新战略的一部分,它可以大大避免早熟和加速收敛。第二个扰动向量的区别是新变异策略的一部分的平均向量和最糟糕的向量。因此,德/电流- - - - - -or_best/1可以得到全局最优解。

当人口规模减少的策略可以提高算法的优化性能,初始人口规模将减少到18 LSHADE维度。人口规模的增加会影响德/当前的- - - - - -来- - - - - -or_best/1;的概率x_{or_best},G,将减少全球最佳解决方案。因此,德/电流的行为- - - - - -or_best / 1将近似德兰德/ 1。为了解决这个问题,一个增强版的德/ current-to-or_pbest / 1。在这个变异策略,从上一个向量p最好包括向量。另外两个向量是随机抽取的。然后,三个向量排序。最好的向量称为x_{或_p最好的}G,称为向量中值x_{或_p中位数},G,并称为最糟糕的向量x_{或_p最糟糕的}G。因此,获得试验向量如下:

3.3.2。EBLSHADE模型

的流动EBLSHADE图所示2。

4所示。光伏模型的建模

4.1。长效磺胺

该模型可以有效地描述太阳能电池的行为(17]。图中给出了等效电路3。

在这个模型中,它是由泄漏电流分流电阻,一个平行的电流源与一个二极管,和几个电阻负载电流的相关损失。因此,输出电流是描述如下:

从上述方程的参数我_ph值,我_d,R_年代,R_上海,α需要优化。因此,目标函数可以制定:

4.2。DDM

它是用来把复合电流损失的效果。图中给出了等效电路4。

这个模型的输出电流是描述如下:

从上述方程的参数我_ph值,我_sd1,我_sd2,R_年代,R_上海,α₁,α₂需要估计。因此,目标函数可以制定:

4.3。PVM

它通常是基于串联或并联的太阳能电池。其等效电路描述在图5。这个电路可以扩展N二极管光伏模型。

这个模型的输出电流是制定。

由于使用光伏与系列模型实验中,有N_P= 1。上述方程可以新配方:

从上述方程的参数我_ph值,我_d,R_年代,R_上海,α将优化。可以制定光伏模型的目标函数:

5。实验结果和分析

5.1。数据和环境

基准实验的电流电压数据SDM (Ns = Np = 1)和DDM (Ns = 1, Np = 2)使用从文献[58]。电流电压数据来自引用(59,60]。实验平台是一个电脑的英特尔i7 - 7700总部,16 GB, Windows下10。

5.2。参数设置

为了保证比较公平,下界(磅)和上限()中所描述的表2。

为了证明EBLSHADE的卓越能力,现有的一些算法中选择表3。EBLSHADE的参数设置如下:NP = 40,H= 100,= 0.5(1小时),= 0.5(1小时),= 0.2,pmin = 0.05 = 0.6, pmax = 0.2。参数的设置是一样的相应的文献算法相比。这些算法在执行Matlab2018b和30。

5.3。均方根误差

均方根误差(RMSE)是比的平方根的平方偏差之间的预测值和实际值和观测的数量n。在实际测量,观察数n总是有限的,和真正的价值只能取而代之的是最可靠的值。它是用来测量观测值和真实值之间的偏差并说明数据的离散程度。均方根误差(RMSE)定义如下: 在哪里N试验数量和吗x是一个向量。

5.4。实验结果

5.4.1之前。实验结果的长效磺胺

在这里,RMSE所得计算值根据均方根误差方程(方程20.每个独立运行)的算法。的平均值是MRMSE RMSE不同组的30分;BRMSE是最好的RMSE值在不同组30分。因此,五个参数的比较结果,统计结果最好的RMSE (BRMSE),平均RMSE (MRMSE),标准偏差(SD)和最少的计算资源(NFE)给出了表3大胆,获得最好的结果。箱线图的RMSE呈现在图6。

从表3和图6、TLABC MLBSA、玉石、阴影,,EBLSHADE获得BRMSE值(9.8602 e−04)。尤其是MLBSA,阴影,,和EBLSHADE,最好的,最糟糕的情况下,和RMSE值是相同的值(9.8602 e−04)。由于缺货信息,RMSE通常是用来表达更精确的参数。虽然第二BRMSE值(9.8603 e−04)的IJAYA无限接近BRMSE值(9.8602 e−04),它是重要的减少目标函数的顺序,提高参数的真正价值。对于标准偏差,EBLSHADE获得第三最好的标准偏差值,这是接近最好的标准偏差值。对于马克斯•NFE所需的EBLSHADE马克斯NFE = 4000,这比其他算法相比要少得多。

进一步证明EBLSHADE的有效性,个人的详细结果绝对误差电流(IAEI)和功率(IAEP)的实验数据和测量数据如表所示4。查看测量数据引用。电流-电压和p - v特性曲线得到EBLSHADE数据所示7- - - - - -10。注意,使用EBLSHADE集成电路计算的优化参数。

从表4和数字7- - - - - -10,所有IAEI值较小2.5075 e−03和所有IAEP值较小1.4626 e−03。可以看出EBLSHADE可以准确地优化这些参数。也明显EBLSHADE所获得的实验数据与测量数据是高度一致的,这实际上反映了足够精确的优化参数。因此,EBLSHADE可以看作一种长效磺胺的重要参数优化方法。

5.4.2。DDM的实验结果

七个优化参数优化难度将会增加。EBLSHADE与所选方法相比在桌子上5。结果如表所示6。RMSE如图的箱线图11。

从表5和图11,树荫下只实现了BRMSE值(9.8248 e−04),由SATLBO落后,IJAYA、MLBSA, EBLSHADE。BRMSE获得价值(9.8295 e−04)通过EBLSHADE接近获得BRMSE值(9.8248 e−04)。相比之下,其他算法的RMSE值更低,特别是BLSPO获得的结果是糟糕的。在树荫下消耗20000 NFE,尽管EBLSHADE没有获得BRMSE值,它只摄入10000 NFE获得更好的竞争结果。不过,相比其他算法需要更多的计算资源除了。值得知道MLBSA、玉石、TLABC,没有达到BRMSE值。对于标准偏差,EBLSHADE获得最好的SD值(1.2825 e−06)比另一个更少的计算资源选择算法,除了。

进一步证明由EBLSHADE参数优化的准确性,详细的结果IAEI和IAEP如表所示6。获得的电流-电压和p - v曲线如图12- - - - - -15。查看测量数据引用。

从表6和数字12- - - - - -15,所有IAEI值较小2.5070 e−03和所有IAEP值较小1.4623 e−03,这证明EBLSHADE可以获得优化的参数精度较高。实验结果表明,实验数据由EBLSHADE高度与实测数据一致。所以EBLSHADE被视为DDM的重要算法优化参数。

5.4.3。PVM的实验结果

光伏模型,进一步证明EBLSHADE的性能,photowatt-PWP201, STM6-40/36, STP6-120/36用在这里。pvm的实验结果如表所示7- - - - - -9。RMSE介绍人物的箱线图16- - - - - -18。

从表7和图16photowatt-PWP201模型,算法相比可以获得相同的BRMSE (2.4251 e−03),而EBLSHADE只消耗至少5000 NFE。PGJAYA,尤其是树荫下,EBLSHADE,最好的,最糟糕的情况下,意味着RMSE值是相同的值(2.4251 e−03),这表明,树荫下,PGJAYA, EBLSHADE更好的稳定性。标准差,EBLSHADE获得第二个最好的标准偏差值(2.8821 e−17),这是接近最好的标准偏差值(2.0700 e−17)。虽然EBLSHADE没有获得最好的标准偏差值,它只摄入5000 NFE获得更好的优化结果。

从表7和图17STM6-40/36模型,除了IJAYA和玉,相比其他算法可以得到相同的BRMSE值(1.7298 e−03)。特别是对于制作和EBLSHADE,最好的,最糟糕的情况下,和RMSE值是相同的值(1.7298 e−03),这表明,EBLSHADE更好的稳定性。对于标准偏差,EBLSHADE获得最好的标准偏差值(6.40591 e−14)。马克斯EBLSHADE NFE 10000 NFE,利用更少的计算资源比其他算法相比除了。虽然EBLSHADE不是少NFE STM6-40/36模型,它消耗10000 NFE获得更好的优化结果。

从表8和图18STP6-120/36模型,除了IJAYA和玉,相比其他算法可以得到相同的BRMSE值(1.6601 e−02)。特别是对于SATLBO, EBLSHADE,最好的,最糟糕的情况下,和RMSE值是相同的值(1.6601 e−02),这表明SATLBO,, EBLSHADE更好的稳定性。对于标准偏差,EBLSHADE获得最好的标准偏差值(8.0544 e−16)。马克斯EBLSHADE NFE 15000 NFE,少得多的计算资源比其他算法相比除了。虽然EBLSHADE不是少NFE STP6-120/36模型,它消耗15000 NFE获得更好的优化结果。

因此,很明显,EBLSHADE可以有效和持续的提供更好的整合RMSE和NFE考虑的结果与其他方法进行比较。

显示参数优化的准确性由EBLSHADE详细IAEI结果和IAEP三PVM如表所示10- - - - - -12。获得的电流-电压和p - v曲线给出了数据19- - - - - -30.。查看测量数据引用。

从表10- - - - - -12和数字19- - - - - -30.,所有IAEI值较小4.8329 e−03和所有IAEP值较小3.7363 e−02photowatt-PWP201光伏模型。STM6-40/36光伏模型,所有IAEI值较小6.0901 e−03和所有IAEP值较小9.0620 e−01。STP6-120/36光伏模型,所有IAEI值较小4.4318 e−02和所有IAEP值较小7.1264 e−01。一般来说,PV的EBLSHADE可以有效地优化参数模型更高的精度。同样清楚的是,EBLSHADE高度一致的实验数据与测量数据。因此,EBLSHADE被认为是一个重要的方法来优化光伏模型的参数。

5.4.4。讨论的结果

节中给出了实验结果5.3,EBLSHADE应用PV的参数优化模型,分别。EBLSHADE的优越性已被证明与其他算法进行比较。从电流-电压曲线可以看出,p - v曲线EBLSHADE高度一致的实验结果与测量数据的所有数据集,有效地反映了优化参数利用EBLSHADE足够准确。所有的结果包含最优参数相比,BRMSE, WRMSE, MRMSE, SD, NFE表明EBLSHADE具有更好的勘探和开发的能力。原因是德的小说变异策略/ current-to-or_best / 1和DE / current-to-or_pbest / 1 EBLSHADE可以提高和平衡开发能力和探索能力,提高收敛性。Rregarding整个结果,EBLSHADE被认为是一个重要的参数优化方法SDM, DDM, PVM。它也将申请其他光伏模型的优化参数。

6。结论

在这篇文章中,一个增强的成功历史适应性DE (EBLSHADE)已经被应用于提出不同的光伏模型的参数优化方法。EBLSHADE和参数优化方法的有效性验证不同的光伏模型估计参数。实验和统计结果的可靠性、准确性,效率和计算表明,EBLSHADE优于其他算法相比,和参数优化方法是一种有效的方法,可以设计、控制和优化光伏系统。因此,EBLSHADE被认为是一个重要的方法,其他光伏模型的优化参数。

数据可用性

数据是可用的。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(61771087)、中国教育部人文社会科学研究青年基金项目(18 yjczh192),赛尔创新项目(NGII20190605)、烟台关键研究和发展项目(2020 yt06000970),四川科技项目(2019 yfg0216和2019 zyzf0169)和学士(19 cgzh0006)成果转化项目。