基于AEPSO-BPNN的光伏阵列多场景参数辨识

发布时间：2021-10-15 20:05

　　针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。 

【文章来源】：智慧电力. 2020,48(10)北大核心

【文章页数】：8 页

【文章目录】：
0 引言
1 光伏组件特性
    1.1 光伏电池的原理和数学机理模型
    1.2 光伏阵列的数学模型和输出特性
2 参数辨识的目标函数和优化算法
    2.1 光伏阵列机理模型下的目标函数
    2.2 自适应进化粒子群算法
        2.2.1 进化思想策略
        2.2.2 参数调整策略
        2.2.3 粒子重构策略
    2.3 光伏阵列参数辨识流程
3 参数辨识仿真实例验证
4 多场景参数辨识效果
    4.1 模型内部参数辨识情况
    4.2 多场景下实测和辨识输出电流曲线对比
5 结论


【参考文献】：
期刊论文
[1]基于GM（1,1）与BP神经网络的卫星钟差预报[J]. 李玉缝,施韶华.  电子设计工程. 2020(09)
[2]基于改进自适应权重多目标粒子群算法的分布式电源优化配置[J]. 蒙璟,李训聿,丁霞燕.  电力科学与技术学报. 2020(02)
[3]基于混合蛙跳算法的光伏阵列参数辨识方法[J]. 徐岩,高兆,朱晓荣.  太阳能学报. 2019(07)
[4]蜂群算法在太阳电池组件参数辨识中的应用[J]. 简献忠,吴明伟,肖儿良,姜冠祥,蔡留美,郑照平.  太阳能学报. 2019(03)
[5]一种基于改进VPGA优化Elman神经网络的电力线通信数据处理算法[J]. 谢文旺,孙云莲,易仕敏,王华佑,徐冰涵.  电力系统保护与控制. 2019(06)
[6]基于相似日和小波神经网络的光伏短期功率预测[J]. 祝暄懿,姚李孝.  电网与清洁能源. 2019(03)
[7]基于粒子群聚类算法的居民负荷辨识方法[J]. 柏慧,王丽丽,鲁敬,祁兵.  电力信息与通信技术. 2018(06)
[8]基于MMC的光伏并网发电系统控制策略研究[J]. 吉宇,王生强,程亮,徐晓轶,郑建勇.  高压电器. 2018(03)
[9]光伏组件内部参数辨识与输出特性研究[J]. 杨宏超,程若发,吕彩艳,王雪微.  电子技术应用. 2018(01)
[10]基于系统记录数据的光伏阵列参数辨识与功率预测研究[J]. 周勇,阮毅,赵春江,张巍.  可再生能源. 2015(02)

硕士论文
[1]基于光伏组件内部参数辨识的故障诊断模型研究[D]. 杨宏超.南昌航空大学 2018
[2]基于参数辨识方法的光伏发电系统建模与仿真[D]. 丁清鹏.山东大学 2013



本文编号：3438551