發(fā)布時間：2021-10-15 20:05

　　針對光伏陣列內部機理較為復雜、參數(shù)難以快速準確辨識的問題,提出了一種自適應進化粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡（AEPSO-BPNN）的模型建立和參數(shù)辨識方法。通過引入自適應、進化和重構等改進策略,可以提高粒子群算法的收斂性能,并將其對BP神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化,使神經(jīng)網(wǎng)絡算法在迭代后期不易陷入局部最優(yōu)解,以提高參數(shù)辨識的精確度和速度。根據(jù)光伏陣列的實測輸出電流和理論計算電流的差值,并考慮環(huán)境變化對內部參數(shù)的影響,構造均方根誤差函數(shù)作為算法的適應度函數(shù),從而將復雜的多參數(shù)辨識問題轉化為帶約束條件的非線性多變量最優(yōu)化問題。最后采用多場景法,驗證算法在不同光照強度和溫度下的適用性和效果,并與其他算法進行對比,仿真結果表明該算法在誤差、收斂速度和運行時間上有較大優(yōu)勢。 

【文章來源】：智慧電力. 2020,48(10)北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 光伏組件特性
    1.1 光伏電池的原理和數(shù)學機理模型
    1.2 光伏陣列的數(shù)學模型和輸出特性
2 參數(shù)辨識的目標函數(shù)和優(yōu)化算法
    2.1 光伏陣列機理模型下的目標函數(shù)
    2.2 自適應進化粒子群算法
        2.2.1 進化思想策略
        2.2.2 參數(shù)調整策略
        2.2.3 粒子重構策略
    2.3 光伏陣列參數(shù)辨識流程
3 參數(shù)辨識仿真實例驗證
4 多場景參數(shù)辨識效果
    4.1 模型內部參數(shù)辨識情況
    4.2 多場景下實測和辨識輸出電流曲線對比
5 結論


【參考文獻】：
期刊論文
[1]基于GM（1,1）與BP神經(jīng)網(wǎng)絡的衛(wèi)星鐘差預報[J]. 李玉縫,施韶華.  電子設計工程. 2020(09)
[2]基于改進自適應權重多目標粒子群算法的分布式電源優(yōu)化配置[J]. 蒙璟,李訓聿,丁霞燕.  電力科學與技術學報. 2020(02)
[3]基于混合蛙跳算法的光伏陣列參數(shù)辨識方法[J]. 徐巖,高兆,朱曉榮.  太陽能學報. 2019(07)
[4]蜂群算法在太陽電池組件參數(shù)辨識中的應用[J]. 簡獻忠,吳明偉,肖兒良,姜冠祥,蔡留美,鄭照平.  太陽能學報. 2019(03)
[5]一種基于改進VPGA優(yōu)化Elman神經(jīng)網(wǎng)絡的電力線通信數(shù)據(jù)處理算法[J]. 謝文旺,孫云蓮,易仕敏,王華佑,徐冰涵.  電力系統(tǒng)保護與控制. 2019(06)
[6]基于相似日和小波神經(jīng)網(wǎng)絡的光伏短期功率預測[J]. 祝暄懿,姚李孝.  電網(wǎng)與清潔能源. 2019(03)
[7]基于粒子群聚類算法的居民負荷辨識方法[J]. 柏慧,王麗麗,魯敬,祁兵.  電力信息與通信技術. 2018(06)
[8]基于MMC的光伏并網(wǎng)發(fā)電系統(tǒng)控制策略研究[J]. 吉宇,王生強,程亮,徐曉軼,鄭建勇.  高壓電器. 2018(03)
[9]光伏組件內部參數(shù)辨識與輸出特性研究[J]. 楊宏超,程若發(fā),呂彩艷,王雪微.  電子技術應用. 2018(01)
[10]基于系統(tǒng)記錄數(shù)據(jù)的光伏陣列參數(shù)辨識與功率預測研究[J]. 周勇,阮毅,趙春江,張巍.  可再生能源. 2015(02)

碩士論文
[1]基于光伏組件內部參數(shù)辨識的故障診斷模型研究[D]. 楊宏超.南昌航空大學 2018
[2]基于參數(shù)辨識方法的光伏發(fā)電系統(tǒng)建模與仿真[D]. 丁清鵬.山東大學 2013



本文編號：3438551