YANG Chao, Cheng si les cheveux, Lvcai Yan, Wang Xue micro

(École d'ingénierie de l'information, Université de Nanchang aéronautique, Nanchang 330063, Chine)

Sur la base d'un modèle physique d'un module photovoltaïque pour identifier ses paramètres internes de prédire rapidement et avec précision les caractéristiques de la caractéristique de sortie de la matrice photovoltaïque, suivi de point de puissance maximale et le modèle de défaut de la batterie est très important. L'identification des paramètres de l'analyse mathématique traditionnelle de l'existence de paramètres identifiés ne sont pas précises, les algorithmes d'optimisation intelligents sont généralement mieux que la précision de la méthode d'analyse mathématique, mais le paramètre PSO existant méthode d'identification, il est facile de tomber dans trop de problèmes tels que prématurée et le nombre d'itérations. À cet égard, une meilleure optimisation de l'essaim de particules de quantum, le 5 intérieur des paramètres des modules photovoltaïques pour identifier avec précision et prédire ses caractéristiques de sortie externes. Par exemple de simulation MATLAB de la méthode et les données d'essais sont vérifiées par l'exactitude et l'applicabilité.

modules photovoltaïques; identification de paramètre; QPSO; caractéristique de sortie

CLC: TP391

Code de document: A

DOI: 10,16157 / j.issn.0258-7998.171551

format de citation chinois: . Identification des paramètres photovoltaïques composants internes et les caractéristiques de sortie sur YANG, si le processus de cheveux, Lvcai Yan, etc. Technologie électronique, 2018,44 (1): 125-128.

Anglais format de citation: Yang Hongchao, Cheng Ruofa, Lv Caiyan, et al. Etude sur l'identification des paramètres internes et les caractéristiques de sortie du module de photovoltaïque . Application de la technique électronique, 2018,44 (1): 125-128.

0 introduction

Ces dernières années, les problèmes écologiques de plus en plus importants, une utilisation excessive d'énergie non renouvelable, l'environnement n'a pas causé de faible impact, comme ces dernières années, la brume de la Chine est particulièrement grave, qui met en évidence l'importance d'une énergie propre et renouvelable . Ces dernières années, l'industrie photovoltaïque en tant que représentant de l'industrie des énergies renouvelables, le développement rapide et l'application dans tous les domaines de la vie des gens. sortie du module PV des éléments caractéristiques de la température ambiante, l'intensité lumineuse, et . En règle générale, la courbe caractéristique de fabricant que le module de sortie PV et la plaque électrique externe correspondant à la condition standard. Et, le module photovoltaïque ne fonctionne pas essentiellement dans l'utilisation pratique dans des conditions classiques, on obtient dans un module photovoltaïque ayant une caractéristique de sortie significatifs dans différentes conditions externes et les paramètres électriques correspondants, mais aussi pour différentes conditions de fonctionnement d'une des conditions de modules photovoltaïques analyse fournissent des preuves.

Étant donné que les caractéristiques de sortie des modules PV avec des changements importants dans l'environnement extérieur, afin de choisir le modèle approprié et les modules photovoltaïques pour identifier avec précision son paramètre interne 5 devient un problème à résoudre . Sélection de modèle unique diode typique, et le modèle dans les applications d'ingénierie de précision ont . Pour la méthode d'identification des paramètres est principalement divisé en méthode d'analyse mathématique approximative et la méthode d'identification des paramètres pour optimiser l'algorithme. Document approximation analytique des algorithmes mathématiques, les paramètres des algorithmes d'analyse mathématiques approximatives, car il est une fonction non linéaire complexe au-delà, et certains paramètres approchées directement par une valeur fixe, de sorte que la précision des paramètres calculés est considérablement réduit; document en utilisant l'algorithme CMCO, bien que la précision de la convergence, mais plusieurs itérations. En bref, la méthode d'identification des paramètres basée sur l'algorithme d'optimisation intelligente présente des avantages évidents en termes de précision et de fiabilité, mais la plupart de l'algorithme d'optimisation traditionnelle est facile de tomber dans trop tôt ou il y a trop de trouver le nombre optimal d'itérations et d'autres questions. Donc, sur cette base, nous proposons un algorithme amélioré d'essaim de particules quantiques pour modules PV identification des paramètres internes, qui traite de la chute de l'algorithme PSO dans optimum local, mais aussi de résoudre les itérations du processus d'optimisation trop de problèmes. En outre, les caractéristiques de sortie externes des modules PV et interne changement de cinq paramètres avec la présente environnement extérieur relation non linéaire complexe, la façon de prédire avec précision l'importance des paramètres internes caractéristiques de sortie dans des conditions différentes de la courbe et la faible correspondant.

1 modèles théoriques photovoltaïques et fonction objectif

1.1 modèles théoriques de cellules photovoltaïques

Une cellule photovoltaïque utilisant l'effet photo-électrique généré solaire en énergie électrique, qui est représenté sur la figure 1 un seul modèle de diode .

Dérivé de 1 tension du module PV et de paramètres internes actuelles des expressions équivalentes:

Lorsque, U est la tension aux bornes de la charge, I est le courant à travers la charge, Iph est le courant photoélectrique, Io est le courant de saturation inverse de la diode, un facteur d'impact de la diode, Rs est la résistance série de la pile, Rsh est la résistance parallèle de la batterie, T est la température absolue de la batterie, K est la constante de Boltzmann (1,38 × 10-23J / K), q est une constante de charge (1,6 × 10-19C). Iph où, Io, A, R, Rsh est le paramètre à identifier.

1.2 pour établir la fonction objective

Le modèle théorique amélioré quantique basé sur essaim Module photovoltaïque particule ci-dessus les caractéristiques introduites dans celle-ci, afin d'extraire de façon précise la valeur du paramètre inconnu dans le modèle 5. Document référence fonction Lambert W réduit l'expression explicite du courant photovoltaïque cellule I:

Dans lequel X = (Iph, Io, A, R, Rsh) du vecteur de position de chaque particule, les représentants des cinq paramètres du modèle de la batterie. Ical et d'identification sont Imea valeur courante et la valeur réelle du courant (2) obtenu dans les paramètres de l'algorithme d'identification dans la formule. La plus petite valeur de remise en forme, l'identification plus précise des paramètres.

2 algorithme présenté

2.1 QPSO

En 2004, le soleil, qui a proposé l'optimisation des essaims de particules quantiques (QPSO), QPSO est présenté du point de vue de la mécanique quantique, les particules quantiques dans l'espace pour répondre à l'agrégation de la nature. L'agrégation des particules état lié décrit par le centre du mouvement des particules, le centre du mouvement des particules est présent dans les particules dans une attraction. Les particules dans un état lié peut se produire à tout moment dans une certaine densité de probabilité dans l'espace de quantum. Les particules dans la littérature processus itératif est décrit en détail.

2.2 Amélioration Quantum Particle Swarm

Étant donné que la population initiale est utilisée, QPSO répartis de façon aléatoire , la population initiale a certaines limites, ne peut pas traverser toute la région. Ainsi proposé pour sa population initialisation chaotique, initialiser les particules traversant gamme afin d'améliorer, tandis que le traitement de la solution chaotique locale au processus d'optimisation optimale, pour empêcher une solution optimale locale dans. Chaos Theory proposé par E.N. Lorenz, en raison de l'état chaotique différent de la règle générale non étatique, les caractéristiques principales de la régularité, le hasard et ergodicité, la théorie du chaos est donc devenu une nouvelle et l'optimisation des outils potentiellement. En raison de la séquence chaotique avantages ci-dessus, la séquence de manière chaotique est utilisée pour initialiser les particules, les particules peuvent être améliorées initialisation ergodique, établissant ainsi la base pour l'optimisation de la vitesse de convergence et la précision. chaotique équation logistique comme indiqué dans l'équation (4):

Dans lequel, 0Z01, Zi est un i-ième valeur de changement, est le coefficient de contrôle.

Expérience 3 sur la base de l'identification des paramètres de sortie PV caractéristique prédite

3.1 Simulation Exemples de résultats

Le module photovoltaïque 5 paramètres caractéristiques établies dans le modèle de simulation MATLAB / Simulink du module PV dans , dessiner les données d'identification de paramètre correspondants. Les paramètres électriques du modèle pour le module photovoltaïque slm Im = 4,95 A, Vm = 35,2 V, Voc = 44,2 V, Icc = 5.2; Pour vérifier l'exactitude et la méthode d'identification rapide des paramètres ci-dessus, le modèle de simulation dans des conditions standard dans un ensemble de données, en utilisant le PSO, QPSO, CQPSO CMCO 4 et méthodes ont été effectuées pour identifier et essai comparatif, tous les tests itération 100, étant donné que la valeur de la fonction de remise en forme du paramètre de taille peut être réfléchie directement dans la précision de l'identification,. la figure 2 est différent de la figure variation de la valeur de condition physique après la méthode itérative, les valeurs des paramètres dans le tableau 1 PV identifiés pour des algorithmes différents. Liaison de données dans le Tableau 1 et Fig. 2 et l'affichage de l'image peut être obtenue, CQPSO algorithme de remise en forme 014 est de 0,037 par rapport à 0,542 dans le PSO 4, la précision de convergence est beaucoup plus élevé, et que 18 itérations converge, et itérations QPSO sont comparées à la littérature et 33 68 dans le secondaire OMCO nombre itérations rapides, est améliorée QPSO évite optimum local, l'amélioration de la précision de la convergence, mais accélère également la convergence, l'algorithme décrit les modules photovoltaïques peuvent identifier avec précision les paramètres internes, et d'autres algorithme d'optimisation est facile de tomber dans optimum local et trop de problèmes d'itérations.

Sur cette base, afin d'illustrer davantage la précision de l'identification des paramètres sur les caractéristiques de sortie de la prédiction, l'utilisation de ce papier dans les conditions modèle de simulation donnés 50 points de données en faisant varier la température et l'intensité lumineuse des trois conditions de fonctionnement différentes, et amélioration dans l'algorithme d'identification de paramètre de modèle QPSO, les résultats des paramètres obtenus sont présentés dans le tableau 2. montage simultanément les caractéristiques de sortie correspondant dans des conditions différentes de la courbe I-U, comme le montrent les résultats de l'algorithme d'identification.

Comme on peut le voir par comparaison de. La figure 3, la valeur du paramètre identifié avec une valeur d'erreur donnée est faible, la courbe de puissance du module photovoltaïque identifié avec une valeur de consigne de rapport de contact de profil haut, ce qui indique que l'algorithme pour l'identification des paramètres sont des conditions différentes ont une plus grande précision. Afin de vérifier l'exactitude de la prédiction des caractéristiques de sortie, il est introduit et la fonction d'erreur de prédiction pour cent actuelle PE, la formule (5), sur l'exactitude des caractéristiques de sortie représentatif de courant point de puissance maximale Imp sont comparés, comme le montre le tableau 3. La valeur absolue de la table de taux d'erreur est inférieur à 0,5%, ce qui indique que ce procédé est une des caractéristiques de sortie de prédiction du modèle de simulation très efficace et utile.

3.2 Exemples de données de vérification expérimentale Trouvé

Afin de vérifier l'effet de cette prédiction dans un modèle prédictif de l'environnement réel, le papier irradiance 260 W / m2, température des panneaux photovoltaïques 37 ° C (310K) les conditions de fonctionnement et la précision d'identification de paramètre caractéristique de sortie de l'algorithme de prédiction vérification. Dans cette condition, la sélection des valeurs de données 45 pour l'identification, comme indiqué dans le tableau 4 par des algorithmes classiques Deux algorithmes améliorés et l'analyse mathématique des paramètres internes identifiés ici respectivement. Le paramètre d'identification correspondant à des algorithmes différents dans le tableau 4 (2) en remplaçant la forme d'équation d'origine, dans lequel trois types de données mesurées correspondant à la courbe de caractéristique de sortie de l'algorithme, comme représenté sur la Fig. Le pourcentage actuel de la fonction d'erreur à trois ajustement dans les valeurs de courant 4 à la formule (5), le pourcentage de l'erreur de prédiction actuelle obtenue à la Fig. 5 trois algorithmes.

Peut être dérivé de 4 Tableau, la valeur de remise en forme, l'amélioration des paramètres de l'algorithme peut encore être obtenu une identification très précise dans les conditions des données mesurées et vérifier l'exactitude de l'applicabilité de cet algorithme sur l'identification des paramètres. Deux monte à partir du procédé de la Fig. 4 on peut voir un grand algorithmes d'écart d'identification de la courbe caractéristique de sortie différentes, l'algorithme proposé et la valeur réelle mesurée et la courbe de raccord sensiblement coïncident, l'ajustement décrit plus grande précision de la prédiction du courant le sexe. 5 algorithmes de prédiction actuelle pourcentage d'erreur peut voir que le taux d'erreur de courant est presque nulle, le présent procédé présente également la caractéristique de sortie prédite ayant une grande précision, afin de vérifier complètement la précision de mesure dans des conditions de caractéristiques de sortie des modules photovoltaïques prévus.

En conclusion, les exemples en utilisant des algorithmes différents dans l'identification des paramètres du modèle de simulation interne du module photovoltaïque, les résultats de comparaison précision et la rapidité de l'algorithme. Et les caractéristiques de sortie du module photovoltaïque dans des conditions différentes prédits par cet algorithme est exacte, l'identification trouvée dans les caractéristiques de sortie et le module photovoltaïque à travers les données ci-dessus avec l'algorithme traditionnel algorithme itératif pour prédire les résultats expérimentaux montrent que les paramètres de l'algorithme précision et les caractéristiques de sortie pour identifier la validité prédictive et l'efficacité.

4 Conclusion

Ici par les modules photovoltaïques amélioré algorithme pour identifier avec précision les paramètres internes des modules PV et les données de modèle de simulation mesurées dans l'environnement réel pour prédire les paramètres d'identification expérimentales et les caractéristiques de sortie. Dans la simulation, d'abord, par trois types de modules photovoltaïques PSO 5 paramètres de reconnaissance des conditions standard, l'amélioration des résultats QPSO rapide vitesse de convergence et une grande précision, tout en évitant optimum local, cette méthode est décrite modèle de simulation paramètre de validité de l'identification et de la précision sous, encore améliorées par PSO quantique des températures différentes et d'intensités lumineuses identification du module PV, ajustement de la courbe caractéristique de sortie correspondant au résultat d'identification, et calcule le pourcentage d'erreur de courant, grâce à quoi vérifier l'exactitude de cette méthode et la description des caractéristiques de sortie des prédictions du modèle de simulation. Pour vérifier encore la précision de la méthode d'identification de paramètre et dans les données expérimentales limitées, nous utilisons des conditions générales avec (S = 260 W / m2, T = 37 ) caractéristique de sortie prédite de ce procédé de vérifier l'exactitude, les résultats de la vérification montrent que cette méthode est généralement applicable ingénierie et haut degré de précision. Dans cet article, l'identification des paramètres et des caractéristiques de sortie du module PV sont prévus pour avoir une large applicabilité, peut fournir un soutien à la question de la recherche des modules photovoltaïques suivi du point de puissance maximale (MPPT), le diagnostic de défaut, a une ingénierie de grande valeur utilisation et sens du marketing.

références

Recherche sur l'influence de Chen Wei, Ai Xin, Wu Tao, etc. systèmes photovoltaïques raccordés au réseau sur la grille Power Automation Equipment, 2013,33 (2): 26-32.

Fu Wang, Zhou Lin, Guo Ke, etc. recherche en ingénierie de cellules photovoltaïques avec des modèles mathématiques Société électrotechnique, 2011,26 (10): 211-216.

Qi Tian, ZHAO Zheng, Han Xiaoyan analyse de sensibilité de paramètre et un procédé d'extraction de paramètres d'un modèle de cellule photovoltaïque Power Automation Equipment, 2013,33 (5): 119-124.

Zhoujian Liang, Bing, Zhang Yiming, etc. Sur la base de l'identification de données de prédiction de paramètre de puissance de sortie du réseau photovoltaïque mesurée Les énergies renouvelables, 2012,30 (7): 1-4.

Yong, Ruan Yi, Zhao Chun et al. Prévision de réseaux photovoltaïques avec un système d'identification de paramètre de puissance sur la base des données d'enregistrement Les énergies renouvelables, 2015,33 (2): 177-183.

Cheng Ze, Dong Mengnan, Yang Tiankai, et al.Extraction des paramètres du modèle de cellules solaires à base de particules de chaos auto-adaptatif algorithme d'optimisation en essaim .Transactions de la Société chinoise électrotechnique, 2014,29 (9): 245-252.

GREEN principes M A.Photovoltaic .Physica E: faible dimension des systèmes et des nanostructures, 2002,14 (1): 11-17.

homme de rêve Cheng Ze Dong, Yang Tim Kelly, modèle cellulaire ET photovoltaïque paramètres de l'algorithme adaptatif Chaos particules Swarm basée sur l'identification Société électrotechnique, 2014,29 (9): 245-252.

Li base défaillance du système d'alimentation et de diagnostic QPSO particules Swarm Optimisation Algorithme Changsha: Université du Hunan, 2010.

arbre Wang, Bianshao Run, éthique, etc. Sur la base de l'identification des paramètres du modèle charge Chaotic particule quantique combinaison d'optimisation en essaim Société électrotechnique, 2014,39 (4): 1504-1514.

Zhao, Zhang Yanxiao. Basé sur Simulink Simulation et Modélisation des caractéristiques de sortie de cellules photovoltaïques technologie électronique moderne, 2014,33 (11): 125-128.