本发明涉及一种考虑环境和时变因素的光伏组件模型参数化方法，属于新能源技术领域。
背景技术：
光伏组件电气特性的准确刻画对其状态监测和故障诊断至关重要，从而才能保证光伏系统的可靠高效运行。最常用也是最基本的诊断方法是通过比较电气量的实测值和模拟值实现的，模拟的方法主要包括经验公式法、机器学习法和参数化模型法。其中经验公式法通常会在远离标准情况的低辐照度条件下失效，此外这些公式一般只能给出单个电气量的估计值，而无法提供其他感兴趣的变量。机器学习方法的有效性依赖于样本的质量，且一旦训练完成，无法根据运行的实际情况进行模型修正；与前两者不同的是，基于等价电路模型的方法能够很好的刻画和解释组件的内部行为。
等价电路模型的参数可依据电流电压曲线，通过解析法和数值法两种方式获得，纯解析的方法通常利用曲线上几个工作点实现参数的求解，但这类方法易受测量噪声的影响，同时为了求解超越方法做的近似和假设也会对提取参数的精度产生影响。传统数值方法包括牛顿迭代法对初值的选择极为敏感，且容易陷入局部极值解，近年来，遗传算法、人工蜂群、粒子群优化等元启发式算法被用于基于整条特性曲线提取模型参数，但这些曲线通常在实际系统中难以获取，此外该方法的准确性依赖于选择的拟合算法及准则，且在一些情况下，提取的参数值会失去本身的物理可解释性。
技术实现要素：
技术问题：
本发明的目的在于解决现有模型参数化方法中的鲁棒性差和物理可解释性不强的问题，提供一种基于双迭代算法的参数提取方法，并将运行环境及时变退化因素考虑在内。
技术方案：
为达到上述目的，本发明采用的方法是：一种考虑环境和时变因素的光伏组件模型参数化方法，依次包括以下步骤：
s1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
s2：依据iec-61853标准下定义的测试条件，将提取的参数结果网格化；
s3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
s4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
s5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程。
进一步的，所述的步骤s1的具体步骤如下：
s1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
s1-2：不做任何影响参数精度的假设和近似，根据数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
上式中，iph为光生电流，i0为饱和电流，n为理想因子，rs和rsh分别为串联电阻和并联电阻，vt＝nsktc/q为热电阻，其中ns为组件中串联的电池片个数，q为基本电荷，k为玻尔兹曼常数，tc为电池片温度，isc和voc为短路电流和开路电压。
s1-3：根据最大功率点的电气值，以及该点功率对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
上式中，rsh1和rsh2为两种形式计算得到的并联电阻，im和vm为最大功率点的电流和电压值。
s1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入(1)、(2)和(3)，计算剩余的三个参数。
进一步的，所述的步骤s2中，应用步骤s1中的双迭代算法提取iec-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
进一步的，所述的步骤s3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
进一步的，所述的步骤s4的具体步骤如下：
s4-1：在十八个测试条件中寻找距离未知条件最近的两个条件cm和cn，它们与未知条件之间的距离分别为dm和dn；
s4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值pm和pn并模拟电流电压曲线ivm及ivn；
s4-3：给出经过距离加权后的电流电压曲线iv＝dn2/(dm2 dn2)·ivm dm2/(dm2 dn2)·ivn。
进一步的，所述的步骤s5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程，退化因子可根据老化实验结果或定期实测更新等方式获得。
有益效果：
本发明提出的双迭代算法仅需要特性曲线上三个关键工作点的相关数据，无需额外的工作点或其斜率数据，在实际工程中具有更广的应用空间，同时该算法相对于传统的纯解析法对噪声具有更高的鲁棒性和物理可解释性；除此之外，本发明估计的五个模型参数均考虑了运行环境的影响，因此更加符合实际情况，从而使得本参数化方法在偏离标准情况的低辐照度下也同样可靠。且通过引入退化因子描述光伏组件本身的退化过程，这也更符合光伏系统在长期运行下的特性表现。本发明与三篇论文中的先进算法在美国国家可再生能源实验室提供的数据库上进行了比较测试，该数据库包括五种材质光伏组件在变化环境条件下的实测数据，结果显示本发明在评估电气参数的准确性上有着显著提升，从而能够为整个系统的实时监测和故障诊断提供可靠的参考。
附图说明
图1为本发明方法的整体流程示意图；
图2为本发明方法中应用的双迭代算法的流程框图；
图3为本发明方法基于不同辐照度条件的评估误差在多种组件上的比较结果；
图4为本发明方法基于不同温度条件的评估误差在多种组件上的比较结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。如图1所示，本实施例的考虑环境和时变因素的光伏组件模型参数化方法，依次包括以下步骤：
s1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
s2：依据iec-61853标准下定义的测试条件，将提取的参数结果网格化；
s3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
s4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
s5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程。
在本实施例中，如图2所示，所述的步骤s1的具体步骤如下：
s1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
s1-2：不做任何影响参数精度的假设和近似，根据数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
在本实施例中，iph为光生电流，i0为饱和电流，n为理想因子，rs和rsh分别为串联电阻和并联电阻，vt＝nsktc/q为热电阻，其中ns为组件中串联的电池片个数，q为基本电荷，k为玻尔兹曼常数，tc为电池片温度，isc和voc为短路电流和开路电压。
s1-3：根据最大功率点的电气值，以及该点功率对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
在本实施例中，rsh1和rsh2为两种形式计算得到的并联电阻，im和vm为最大功率点的电流和电压值。
s1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入(5)、(6)和(7)，计算剩余的三个参数。
在本实施例中，所述的步骤s2中，应用步骤s1中的双迭代算法提取iec-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
在本实施例中，所述的步骤s3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
在本实施例中，所述的步骤s4的具体步骤如下：
s4-1：在十八个测试条件中寻找距离未知条件最近的两个条件cm和cn，它们与未知条件之间的距离分别为dm和dn；
s4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值pm和pn并模拟电流电压曲线ivm及ivn；
s4-3：给出经过距离加权后的电流电压曲线iv＝dn2/(dm2 dn2)·ivm dm2/(dm2 dn2)·ivn。
在本实施例中，所述的步骤s5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程，其中退化因子可根据老化实验结果或定期实测更新等方式获得。
此处，针对电气参量的评估误差在多晶硅(msi)、单晶硅(xsi)两种晶硅材质，以及碲化镉(cdte)、铜铟镓硒(cigs)、非晶异质结(hit)三种薄膜材质，共五种光伏组件的实测数据上进行了性能测试，测试在多个辐照度等级、多个温度等级等变化环境条件下展开。本发明与三种常用的参数估计方法进行了性能对比。这三种方法分别是：madeti方法[出自madetisr,singhsn.modelingofpvsystembasedonexperimentaldataforfaultdetectionusingknnmethod.solarenergy,2018,173:139-151]、villalva方法[villalvamg,gazolijr,ruppertfilhoe.comprehensiveapproachtomodelingandsimulationofphotovoltaicarrays.ieeetransactionsonpowerelectronics,2009,24(5):1198-1208]、sandia方法[kingdl,kratochvilja,boysonwe.photovoltaicarrayperformancemodel.unitedstates.departmentofenergy,2004]。本发明所用的双迭代算法结合最近邻转换方法简称为ours。此处，基于不同辐照度条件下(200w/m2、400w/m2、600w/m2、800w/m2和1000w/m2)的评估误差在五种材质的组件数据上进行了比较，结果如图3所示；基于不同温度条件下(25℃、50℃和65℃)的评估误差比较结果如图4所示。其中每类组件的柱状条从左至右分别表示ours、madeti、villalva和sandia四种方法的误差堆积图，色块越深则表示测试条件的辐照度或温度水平越高。结果显示本发明方法相比于其他三种方法，在多种材质组件和变化环境条件下，评估准确性都有着显著提升，这种优势尤其体现在最大功率点相关数值的评估结果方面。各方法对比的量化结果如表1所示。
表1.多种参数提取方法在不同组件及不同环境条件下评估的平均均方根误差比较
此外，进一步将本发明中距离加权的参数估计方法，与常规的插值法[出自dobosap,freemanjm.significantimprovementinpvmoduleperformancepredictionaccuracyusinganewmodelbasedoniec-61853data.nationalrenewableenergylab.(nrel),golden,co(unitedstates),2019]、基于标准条件转换法[出自pengl,suny,mengz.animprovedmodelandparametersextractionforphotovoltaiccellsusingonlythreestatepointsatstandardtestcondition.journalofpowersources,2014,248:621-631]及未改进前的基于最近邻条件转换法进行效果对比，如表2所示。结果显示改进的距离加权方法，相比于基于最近邻条件转换的方法，在各参数的评估结果上有了进一步的提升。
表2.多种参数估计方法在不同组件及不同环境条件下评估的平均均方根误差比较
1.考虑环境和时变因素的光伏组件模型参数化方法，其特征在于，包括以下步骤：
s1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
s2：依据iec-61853标准下定义的测试条件，将提取的参数结果网格化；
s3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
s4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
s5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程。
2.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤s1的具体步骤如下：
s1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
s1-2：不做任何可能影响参数提取精度的假设和近似，基于数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
s1-3：根据最大功率点的电气值，以及该点功率对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
s1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入计算剩余的三个参数。
3.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤s2中，应用步骤s1中的双迭代算法提取iec-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
4.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤s3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
5.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤s4的具体步骤如下：
s4-1：在十八个测试条件中寻找距离未知条件最近的两个条件cm和cn，它们与未知条件之间的距离分别为dm和dn；
s4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值pm和pn并模拟电流电压曲线ivm及ivn；
s4-3：给出经过距离加权后的电流电压曲线iv＝dn2/(dm2 dn2)·ivm dm2/(dm2 dn2)·ivn。
6.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤s5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程。
技术总结