陳 凌，韓 偉，張經(jīng)煒

?

基于峰值計(jì)數(shù)與參數(shù)辨識(shí)的光伏組件陰影判定方法

陳 凌1，韓 偉2，張經(jīng)煒1

(1.河海大學(xué)能源與電氣學(xué)院，江蘇 南京 211100；2.國(guó)網(wǎng)淮安供電公司，江蘇 淮安 223001)

針對(duì)光伏組件中陰影難以判定的情況，提出了一種基于峰值計(jì)數(shù)與參數(shù)辨識(shí)的光伏組件陰影判別方法。首先，通過(guò)可編程直流電子負(fù)載對(duì)光伏組件I-V輸出特性曲線進(jìn)行全局快速掃描，以記錄曲線中明顯的多峰值個(gè)數(shù)；然后采用改進(jìn)人工魚群算法(IAFSA)對(duì)I-V特性曲線中采樣值進(jìn)行內(nèi)部等效參數(shù)辨識(shí)，結(jié)合均方根誤差(RMSE)進(jìn)而判斷組件中輕微陰影遮擋情況。通過(guò)上述兩步法可對(duì)光伏組件中陰影情況進(jìn)行有效判定，仿真和實(shí)驗(yàn)結(jié)果進(jìn)一步說(shuō)明了上述方法的有效性和準(zhǔn)確性。

光伏組件；陰影；可編程直流電子負(fù)載；峰值計(jì)數(shù)；改進(jìn)人工魚群算法；參數(shù)辨識(shí)

0 引言

隨著化石類能源的逐漸枯竭和環(huán)境污染的日益加劇，許多國(guó)家將目光轉(zhuǎn)向新能源發(fā)電領(lǐng)域。光伏發(fā)電具有設(shè)計(jì)安裝容易、地域限制小、擴(kuò)容性強(qiáng)、噪聲低以及壽命長(zhǎng)等特點(diǎn)，日益成為新能源發(fā)電的主要形式之一[1]。

實(shí)際應(yīng)用中，由于外界環(huán)境復(fù)雜多變，因受到周圍建筑物、樹木以及烏云等產(chǎn)生局部陰影的影響，作為最小發(fā)電單元的光伏組件輸出呈現(xiàn)多峰值特性，此時(shí)傳統(tǒng)單峰值MPPT法易失效，導(dǎo)致輸出功率降低[2]。此外，當(dāng)存在局部陰影時(shí)，由于組件內(nèi)各電池片的輸出特性不一致，被陰影遮擋的光伏電池片將作為負(fù)載消耗其他有光照的光伏電池片所產(chǎn)生的能量，使其發(fā)熱從而形成“熱斑效應(yīng)”[3]。發(fā)熱嚴(yán)重時(shí)，將會(huì)導(dǎo)致光伏電池片或玻璃開裂、焊點(diǎn)融化等破壞性結(jié)果，進(jìn)而有可能使整個(gè)光伏組件失效[4]。因此，對(duì)光伏組件進(jìn)行陰影狀態(tài)監(jiān)測(cè)，及時(shí)對(duì)輕微陰影故障進(jìn)行排查，可有效預(yù)防陰影故障程度加重；同時(shí)，采取相應(yīng)措施以避免造成嚴(yán)重后果，提高光伏發(fā)電系統(tǒng)的安全性。

現(xiàn)階段，針對(duì)陰影方面的研究，主要集中在陰影情況下的輸出特性以及最大功率點(diǎn)跟蹤，均屬于“事后被動(dòng)型”措施；而對(duì)于早期陰影的狀態(tài)監(jiān)測(cè)，涉及相對(duì)較少[5-6]。

基于此，本文提出一種基于峰值計(jì)數(shù)與參數(shù)辨識(shí)的光伏組件陰影判定方法，該方法先通過(guò)可編程直流電子負(fù)載對(duì)光伏組件I-V特性曲線進(jìn)行快速掃描，以記錄明顯的峰值數(shù)；而后通過(guò)改進(jìn)人工魚群算法對(duì)I-V特性曲線采樣值進(jìn)行參數(shù)辨識(shí)，結(jié)合誤差閾值對(duì)輕微陰影進(jìn)行判定。仿真和實(shí)驗(yàn)結(jié)果表明該方法能夠有效解決光伏組件陰影狀態(tài)的早期判定情況。

1 基于可編程直流電子負(fù)載的光伏組件I-V特性曲線全局掃描

圖1所示為基于可編程直流電子負(fù)載的光伏組件特性曲線掃描電路框圖[7]。如圖1所示，將可編程直流電子負(fù)載作為光伏組件的負(fù)載，可編程電子負(fù)載的等效阻值受控制電路輸出信號(hào)的控制，該等效阻值變化范圍由零逐步變化到無(wú)窮大，光伏組件工作點(diǎn)也由短路點(diǎn)逐步變化到開路點(diǎn)。在此過(guò)程中，對(duì)光伏組件的連續(xù)工作點(diǎn)上輸出電壓、電流進(jìn)行采樣，便得到光伏組件在當(dāng)前工況下I-V特性曲線。

圖1 基于可編程直流電子負(fù)載的光伏組件I-V特性曲線掃描電路框圖

本文中可編程直流電子負(fù)載選用MOSFET，為使光伏組件I-V輸出特性曲線中恒流源區(qū)掃描更加準(zhǔn)確，常采取多個(gè)MOSFET并聯(lián)，以減小其完全導(dǎo)通時(shí)的等效電阻。通過(guò)對(duì)MOSFET驅(qū)動(dòng)電壓的控制即可實(shí)現(xiàn)對(duì)直流電子負(fù)載的控制，基于可編程直流電子負(fù)載對(duì)I-V特性曲線進(jìn)行掃描可實(shí)現(xiàn)掃描過(guò)程可控化[8]。較常規(guī)電容動(dòng)態(tài)充電I-V特性曲線掃描方法，該方法具有體積小、成本低、精度高、掃描過(guò)程可控等優(yōu)點(diǎn)。

因此，本文為硬件電路實(shí)現(xiàn)簡(jiǎn)單，對(duì)于整條光伏組件I-V特性曲線由短路電流點(diǎn)開始，設(shè)定電子負(fù)載處于恒壓工作模式，以固定步長(zhǎng)控制光伏組件輸出電壓，并同步采樣組件輸出電流和電壓，直至光伏組件處于開路狀態(tài)，完成整條I-V特性曲線掃描。

通常情況，局部陰影條件下光伏組件輸出特性呈現(xiàn)多峰值。采用可編程直流電子負(fù)載從光伏組件的短路工作點(diǎn)開始掃描，初始化m峰值計(jì)數(shù)=0，若檢測(cè)到光伏組件的輸出功率滿足：P>P-1且P>P+1時(shí)，則記=+1，陰影條件下光伏組件多峰值計(jì)數(shù)示意圖如圖2所示。

由圖2可知，陰影條件下光伏組件多峰值點(diǎn)計(jì)數(shù)法的準(zhǔn)確性易受兩方面原因影響：一方面為可編程直流電子負(fù)載的掃描間隔，掃描間隔越短、采樣點(diǎn)越多、精度越高，但會(huì)導(dǎo)致掃描電路耗時(shí)越長(zhǎng)；另一方面為陰影遮擋程度，陰影程度越低、曲線變化越不明顯。

基于上述兩方面原因，選取合適的I-V特性曲線掃描間隔，當(dāng)出現(xiàn)明顯的多峰值情況時(shí)，峰值計(jì)數(shù)法能夠進(jìn)行有效甄別，但仍難免會(huì)出現(xiàn)誤判現(xiàn)象。

2 光伏組件參數(shù)辨識(shí)

2.1 光伏組件數(shù)學(xué)模型的提出

通常，光伏電池單體的等效電路模型如圖3所示[9]。由圖3可知，模型參數(shù)主要包括：光生電流(ph)、二極管反向飽和電流(SD)、二極管理想品質(zhì)因素()以及等效串并聯(lián)電阻(s、sh)。

圖3 單二極管等效電路模型

在實(shí)際應(yīng)用中，一塊光伏組件由s個(gè)光伏電池串聯(lián)而成，則光伏組件的基爾霍夫電流定律(Kirchhoff’ s current law，KCL)等效電路方程為

式中：q為電子電荷量(1.602′10-19C)；k為玻爾茲曼常數(shù)(1.381′10-23J/K)；為熱力學(xué)溫度(常溫近似為300 K)。

由式(1)可知，該方程中含有5個(gè)未知參數(shù)，分別為：ph、SD、、s和sh，而生產(chǎn)廠家的數(shù)據(jù)手冊(cè)一般不會(huì)提供上述具體參數(shù)值。

2.2 目標(biāo)函數(shù)的建立

光伏組件數(shù)學(xué)模型是一個(gè)隱式且非線性的超越方程，直接函數(shù)求解較困難[10-11]。因此，本文先通過(guò)Lambert W函數(shù)將其進(jìn)行顯式化處理，用于降低原數(shù)學(xué)模型中參數(shù)求解的難度；進(jìn)而提出通過(guò)改進(jìn)人工魚群算法(Improved artificial fish swarm algorithm，IAFSA)來(lái)辨識(shí)模型參數(shù)。

由此可得光伏組件的電流顯式表達(dá)式為

式中

在進(jìn)行IAFSA辨識(shí)該模型參數(shù)之前，需建立準(zhǔn)確的目標(biāo)函數(shù)，對(duì)式(2)作如下變形：

式中，、是I-V特性曲線中電壓、電流采樣值。

光伏組件參數(shù)辨識(shí)可歸納為一個(gè)優(yōu)化問題，其基本思想是通過(guò)最小化目標(biāo)函數(shù)以求取參數(shù)最優(yōu)值[12]。本文選取的目標(biāo)函數(shù)為均方根誤差(Root-mean-square error，RMSE)指標(biāo)。

式中：=(s、sh、ph、SD、)為待辨識(shí)參數(shù)；f(,,)是第組實(shí)測(cè)值和仿真模型輸出的差值。

光伏組件參數(shù)辨識(shí)的目標(biāo)即為求解min，圖4為光伏組件參數(shù)辨識(shí)策略，其中為光照強(qiáng)度。

圖4 光伏組件參數(shù)辨識(shí)策略

3 改進(jìn)人工魚群算法

3.1 人工魚群算法基本概念

人工魚群算法(Artificial fish swarm algorithm，AFSA)模擬自然界中魚的集群覓食行為，采用了自下而上的尋優(yōu)模式，通過(guò)魚群中個(gè)體之間的協(xié)作使群體達(dá)到最優(yōu)選擇的目的[13-14]。每條人工魚探索自身當(dāng)前所處的環(huán)境，選擇執(zhí)行其中的一種行為算子，通過(guò)不斷調(diào)整個(gè)體的位置，最終集結(jié)在食物密度較大的區(qū)域周圍，取得全局最優(yōu)值。

覓食行為奠定算法收斂的基礎(chǔ)，聚群行為增強(qiáng)算法收斂的穩(wěn)定性和全局性，追尾行為增強(qiáng)算法收斂的快速性和全局性[15]。人工魚通過(guò)對(duì)環(huán)境的感知來(lái)自主協(xié)調(diào)搜索機(jī)制，該算法最終能尋優(yōu)到全局最優(yōu)值附近，從而使優(yōu)化問題求解。

3.2 Nelder-Mead方法描述

Nelder-Mead方法(NM法)也稱下山單純形法，不同于線性規(guī)劃的單純形法，它適用于求元函數(shù)(1,2,,x)的無(wú)約束最小值[16-17]。其算法思想是在維空間中，由+1個(gè)頂點(diǎn)可以組成“最簡(jiǎn)單”的圖形，叫單純形。NM法就是先構(gòu)建一個(gè)初始的、包羅給定點(diǎn)的單純形，然后搜索的每一步中，使用可能的4種方式(反射、擴(kuò)大、壓縮和收縮)產(chǎn)生距離當(dāng)前單純形比較近的點(diǎn)，在新的點(diǎn)上函數(shù)值會(huì)和單純形各個(gè)頂點(diǎn)上的值比較，一般會(huì)有一個(gè)頂點(diǎn)被替代，產(chǎn)生一個(gè)新的單純形，重復(fù)如上步驟，直至單純形的函數(shù)值小于預(yù)設(shè)閾值。

3.3 改進(jìn)人工魚群算法

與其他智能優(yōu)化算法相類似，當(dāng)AFSA中存在人工魚處于隨機(jī)移動(dòng)狀態(tài)或在局部極值點(diǎn)出現(xiàn)人工魚群聚集嚴(yán)重時(shí)，導(dǎo)致算法收斂速度減慢，進(jìn)而影響到最終收斂精度。

因此，針對(duì)AFSA運(yùn)行后期收斂速度放緩、精度降低等問題，在算法運(yùn)行過(guò)程中動(dòng)態(tài)調(diào)整相關(guān)參數(shù)，同時(shí)引入繁殖行為[18]、遷徙行為[19]和NM法來(lái)提高算法的整體尋優(yōu)性能，較好地平衡改進(jìn)算法的全局和局部搜索能力，進(jìn)一步加快運(yùn)算速度。

算法迭代運(yùn)行前期，較大的和可增強(qiáng)算法的全局搜索能力和收斂速度；迭代運(yùn)行后期，算法逐步演化為精細(xì)化搜索過(guò)程，在最優(yōu)解鄰域范圍內(nèi)進(jìn)行精細(xì)搜索?；诖耍砂词?5)對(duì)人工魚感知范圍和移動(dòng)步長(zhǎng)進(jìn)行動(dòng)態(tài)調(diào)整：

式中：start、end分別表示的初值和終值；start、end分別表示的初值和終值；為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)。

在IAFSA的迭代過(guò)程中，在固定迭代間隔步數(shù)時(shí)引入K-均值聚類方法對(duì)人工魚群進(jìn)行分類，并對(duì)聚類中心個(gè)體執(zhí)行NM法精確搜索[20]。此外，為加快該算法整體的收斂速度和解的質(zhì)量，對(duì)每次迭代過(guò)程公告牌中全局極值點(diǎn)均執(zhí)行一次NM法搜索?；诖耍琁AFSA較好地利用AFSA所得的優(yōu)化結(jié)果，同時(shí)適度降低NM法計(jì)算量。IAFSA的具體流程圖如圖5所示。

綜上，所提IAFSA的具體實(shí)施步驟如下所述。

Step1對(duì)參數(shù)進(jìn)行初始化操作，種群數(shù)目、隨機(jī)初始位置、最大迭代次數(shù)、感知范圍[start,end]、步長(zhǎng)范圍[start,end]、擁擠度因子、最大試探次數(shù)和NM法間隔數(shù)等參數(shù)。

Step2求取各人工魚的適應(yīng)度值，并記錄全局最優(yōu)人工魚狀態(tài)。

Step3 對(duì)AFSA算法參數(shù)進(jìn)行自適應(yīng)調(diào)整。

Step4對(duì)各人工魚的行為進(jìn)行評(píng)價(jià)，選擇人工魚最合適的行為進(jìn)行動(dòng)作。

Step5執(zhí)行相應(yīng)的行為后，對(duì)人工魚的位置信息和全局最優(yōu)人工魚狀態(tài)進(jìn)行更新，給公告牌賦最優(yōu)值。同時(shí)，采用繁殖行為，淘汰適應(yīng)度值較差的個(gè)體。

Step6遷徙行為判斷，若滿足遷徙概率e，則執(zhí)行遷徙行為，并更新公告牌狀態(tài)；否則，直接轉(zhuǎn)到Step7執(zhí)行。

Step7如果滿足mod=0，執(zhí)行NM法。借助K-均值聚類法，確定聚類中心人工魚；對(duì)每個(gè)類中心個(gè)體執(zhí)行NM搜索，計(jì)算其適應(yīng)度值并更新公告牌。

Step8 對(duì)全局極值人工魚個(gè)體執(zhí)行NM法搜索，將最優(yōu)值賦給公告牌。

Step9判斷終止條件，若滿足終止條件，則輸出最優(yōu)值，算法結(jié)束；否則，繼續(xù)迭代執(zhí)行Step2~ Step8，直至算法終止條件被滿足。

圖5 改進(jìn)人工魚群算法流程圖

4 基于峰值計(jì)數(shù)與參數(shù)辨識(shí)的光伏組件陰影判定

4.1 光伏組件實(shí)測(cè)數(shù)據(jù)參數(shù)辨識(shí)結(jié)果分析

以TSM-250PC05A型光伏組件為研究對(duì)象，采用圖6所示的實(shí)驗(yàn)平臺(tái)對(duì)該組件在不同工況下I-V輸出特性曲線進(jìn)行掃描。為簡(jiǎn)化數(shù)據(jù)量，僅對(duì)光伏組件的每條I-V特性曲線進(jìn)行32點(diǎn)采樣，并將其代入到IAFSA中進(jìn)行參數(shù)辨識(shí)。

為驗(yàn)證IAFSA辨識(shí)參數(shù)的精確性和快速性，對(duì)光伏組件在光照強(qiáng)度950 W/m2、環(huán)境溫度25 ℃下一組測(cè)量數(shù)據(jù)分別采用Newton法、GA、ABSO和IAFSA進(jìn)行參數(shù)辨識(shí)并作對(duì)比實(shí)驗(yàn)，其中上述算法中各參數(shù)依據(jù)文獻(xiàn)[21]設(shè)定，同樣以迭代次數(shù)100次作為終止條件，IAFSA參數(shù)設(shè)置如表1所示。表2給出各算法分別運(yùn)行20次后的最優(yōu)辨識(shí)參數(shù)值，由表可知，利用IAFSA得到的目標(biāo)函數(shù)RMSE值最小，表明IAFSA具有較強(qiáng)的全局搜索能力和局部挖掘能力，能夠獲取最接近實(shí)際的模型參數(shù)值。

(a) 戶外裝置

(b) 數(shù)據(jù)采集裝置

圖6 實(shí)驗(yàn)平臺(tái)

Fig. 6 Experimental platform

表1 IAFSA參數(shù)設(shè)置

其中，反射系數(shù)(>0)、壓縮系數(shù)(0<<1)、延伸系數(shù)(>1)、收縮系數(shù)(0<<1)-；knm是聚類中心點(diǎn)進(jìn)行NM搜索的迭代次數(shù)；gnm是全局極值點(diǎn)進(jìn)行NM搜索的迭代次數(shù)；為分類數(shù)目，k為K-均值聚類法的迭代次數(shù)。

表2不同辨識(shí)算法下光伏組件參數(shù)辨識(shí)目標(biāo)函數(shù)值

Table 2 Values of objective function RMSE with different methods for parameters identification of photovoltaic module

此外，為進(jìn)一步說(shuō)明IAFSA的有效性，在實(shí)驗(yàn)室環(huán)境中對(duì)光伏組件不同工況下I-V特性曲線進(jìn)行采樣，并將其代入IAFSA中進(jìn)行模型參數(shù)辨識(shí)，選取其中4種工況下目標(biāo)函數(shù)值，如表3所示。

表3 不同工況下光伏組件參數(shù)辨識(shí)目標(biāo)函數(shù)RMSE值

由表3可知，基于IAFSA優(yōu)化所得到的目標(biāo)函數(shù)值均很小，說(shuō)明上述參數(shù)辨識(shí)結(jié)果與組件的真實(shí)參數(shù)值非常接近。

4.2 光伏組件陰影判定流程

通常，傳統(tǒng)的光伏組件內(nèi)部等效參數(shù)公式是基于單峰值輸出特性下的描述，不能對(duì)組件陰影遮擋下輸出特性進(jìn)行準(zhǔn)確描述，因此結(jié)合值即可判斷出光伏組件被陰影遮擋。由4.1節(jié)可知，基于IAFSA的光伏組件參數(shù)辨識(shí)的有效性已得到驗(yàn)證，值均較小?；诖耍疚慕?jīng)過(guò)多次輕微陰影遮擋試驗(yàn)，即保持最大功率值變化在1 W以內(nèi)，值均在0.01較小鄰域內(nèi)波動(dòng)，故提出采用>0.01作為判定輕微陰影遮擋的依據(jù)。

因此，將參數(shù)辨識(shí)與基于可編程直流電子負(fù)載對(duì)I-V輸出特性曲線峰值計(jì)數(shù)Flag值相結(jié)合，可得判定光伏組件是否被陰影遮擋的具體流程如圖7。

由圖7可知，通過(guò)可編程直流電子負(fù)載對(duì)I-V輸出特性曲線進(jìn)行掃描并記錄峰值數(shù)，若Flag>1，則表明V-P曲線存在多峰值，光伏組件被陰影遮擋；否則，進(jìn)一步通過(guò)IAFSA算法對(duì)I-V特性曲線采樣值進(jìn)行參數(shù)辨識(shí)，以目標(biāo)函數(shù)的值判定光伏組件是否被陰影遮擋。通過(guò)上述方法可對(duì)光伏組件是否被陰影遮擋做出準(zhǔn)確判斷。

圖7 光伏組件陰影遮擋判定流程圖

4.3 光伏組件陰影判定實(shí)驗(yàn)研究

當(dāng)光伏組件處于陰影遮擋下時(shí)，其I-V特性曲線呈現(xiàn)多峰值。同理，在光照強(qiáng)度為950 W/m2、環(huán)境溫度25 ℃時(shí)，假設(shè)TSM-250PC05A型中同一旁路二極管所轄支路中20片光伏電池全部被陰影遮擋，對(duì)光伏組件運(yùn)行數(shù)據(jù)進(jìn)行采集，采用可編程直流電子負(fù)載對(duì)上述I-V特性曲線進(jìn)行掃描，可得峰值計(jì)數(shù)=2。此時(shí)，仍以式(4)作為優(yōu)化算法的目標(biāo)函數(shù)，分別采用Newton法、GA、ABSO和IAFSA進(jìn)行參數(shù)辨識(shí)并作對(duì)比實(shí)驗(yàn)，其中上述算法中各參數(shù)設(shè)置、迭代次數(shù)與前文一致。表4給出各算法對(duì)光伏組件處于陰影遮擋下值。

表4陰影遮擋時(shí)，不同辨識(shí)算法下光伏組件參數(shù)辨識(shí)目標(biāo)函數(shù)值

Table 4 Values of objective function RMSE with different methods for parameters identification of photovoltaic module under shadow conditions

由表4可知，利用上述4種不同方法對(duì)光伏組件陰影遮擋時(shí)I-V特性曲線進(jìn)行參數(shù)辨識(shí)，所得目標(biāo)函數(shù)的值均較大，相比于光伏組件無(wú)陰影時(shí)參數(shù)優(yōu)化過(guò)程，即便算法的迭代次數(shù)和試驗(yàn)次數(shù)進(jìn)一步增加，仍難以獲取此時(shí)光伏組件的最優(yōu)內(nèi)部等效參數(shù)值，表明式(4)已不能表征光伏組件陰影下輸出特性?；谏鲜?種方法的參數(shù)辨識(shí)結(jié)果建立光伏組件仿真模型，從而得到不同的結(jié)果輸出，如圖8所示。

圖8 光伏組件陰影遮擋時(shí)光伏組件仿真與實(shí)測(cè)值的對(duì)比

由圖8可知，基于上述4種參數(shù)辨識(shí)結(jié)果所得模型輸出均為單峰曲線，與光伏組件陰影下多峰輸出特性曲線明顯不同。同時(shí)，相比于其他幾種方法，基于IAFSA所得模型的仿真輸出曲線與實(shí)測(cè)值擬合程度相對(duì)最高。

為進(jìn)一步研究IAFSA對(duì)光伏組件陰影下參數(shù)辨識(shí)結(jié)果的準(zhǔn)確性，保持光照強(qiáng)度和環(huán)境溫度不變，選取3種光伏組件陰影下實(shí)測(cè)值進(jìn)行參數(shù)辨識(shí)，分別為：(1)光伏組件中僅有1片光伏電池被陰影遮擋；(2)光伏組件中有2片光伏電池被不同程度的陰影遮擋，且分布在2個(gè)旁路二極管支路中；(3)光伏組件中有3片光伏電池被相同程度的陰影遮擋，且分布在3個(gè)旁路二極管支路中。采用IAFSA對(duì)光伏組件在不同陰影下值如表5所示。

表5不同陰影遮擋時(shí)光伏組件參數(shù)辨識(shí)目標(biāo)函數(shù)值

Table 5 Values of objective function RMSE with different methods for parameters identification of photovoltaic module under different shadow conditions

基于上述參數(shù)辨識(shí)結(jié)果建立仿真模型輸出與實(shí)測(cè)值進(jìn)行對(duì)比，如圖9所示。

由表5和圖9可知，當(dāng)光伏組件中被陰影遮擋部分的遮擋率較小或每條支路上陰影遮擋程度相同時(shí)，其V-P輸出特性曲線的多峰性不明顯或?yàn)閱畏澹鐖D9(a)、(c)和(e)所示，此時(shí)若僅依據(jù)可編程直流電子負(fù)載對(duì)I-V輸出特性曲線進(jìn)行峰值計(jì)數(shù)難以確定其被陰影遮擋情況，造成誤判。采用IAFSA對(duì)圖9(b)、(d)和(f)中光伏組件I-V輸出特性曲線進(jìn)行參數(shù)辨識(shí)，能夠?qū)﹃幱扒闆r進(jìn)行判定；但所得部分參數(shù)辨識(shí)結(jié)果已失去實(shí)際意義，僅是曲線擬合下最優(yōu)參數(shù)值。

5 結(jié)論

本文利用可編程直流電子負(fù)載和改進(jìn)人工魚群算法，針對(duì)光伏組件中陰影難以判定的情況，提出一種基于峰值計(jì)數(shù)與參數(shù)辨識(shí)的光伏組件陰影判定方法。先通過(guò)可編程直流電子負(fù)載對(duì)光伏組件I-V輸出特性曲線進(jìn)行掃描，對(duì)峰值點(diǎn)進(jìn)行計(jì)數(shù)；后采用IAFSA對(duì)I-V曲線采樣點(diǎn)進(jìn)行參數(shù)辨識(shí)，選取合適的作為陰影故障的判定依據(jù)。基于上述兩步法，可對(duì)光伏組件中陰影遮擋進(jìn)行有效判定，實(shí)驗(yàn)結(jié)果證實(shí)上述方法的有效性。

與此同時(shí)，通過(guò)上述方法對(duì)光伏組件是否為陰影遮擋做出診斷，后續(xù)將會(huì)對(duì)光伏組件非陰影故障和陰影故障作進(jìn)一步細(xì)致劃分。

[1] 閆凱, 張保會(huì), 瞿繼平, 等. 光伏發(fā)電系統(tǒng)暫態(tài)建模與等值[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(1): 1-8.

YAN Kai, ZHANG Baohui, QU Jiping, et al. Photovoltaic power system transient modeling and equivalents[J]. Power System Protection and Control, 2015, 43(1): 1-8.

[2] 王久和, 慕小斌, 張百樂, 等. 光伏并網(wǎng)逆變器最大功率傳輸控制研究[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(6): 49-56.

WANG Jiuhe, MU Xiaobin, ZHANG Baile, et al. Research on maximum power transfer control of photovoltaic grid connected inverters[J]. Transactions of China Electrotechnical Society, 2014, 29(6): 49-56.

[3] KAUSHIKA N D, GAUTAM N K. Energy yield simulations of interconnected solar PV arrays[J]. IEEE Transactions on Energy conversion, 2003, 18(1): 127-134.

[4] 王元章, 吳春華, 周笛青, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列故障診斷研究[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(16): 108-114.

WANG Yuanzhang, WU Chunhua, ZHOU Diqing, et al. A survey of fault diagnosis for PV array based on BP neural network[J]. Power System Protection and Control, 2013, 41(16): 108-114.

[5] 杭鳳海, 楊偉, 朱文艷. 光伏系統(tǒng)MPPT的擾動(dòng)觀測(cè)法分析與改進(jìn)[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(9): 110-114.

HANG Fenghai, YANG Wei, ZHU Wenyan. Analysis and improvement of MPPT disturbance observer method for PV system[J]. Power System Protection and Control, 2014, 42(9): 110-114.

[6] 孫航, 杜海江, 季迎旭, 等. 光伏分布式MPPT機(jī)理分析與仿真研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(2): 48-54.

ZHANG Hang, DU Haijiang, JI Yingxu, et al. Photovoltaic distributed MPPT mechanism analysis and simulation study[J]. Power System Protection and Control, 2015, 43(2): 48-54.

[7] 馮寶成, 蘇建徽, 劉文濤, 等. 基于可變電子負(fù)載的光伏陣列特性測(cè)試技術(shù)[J]. 電力電子技術(shù), 2011, 45(9): 38-39.

FENG Baocheng, SU Jianhui, LIU Wentao, et al. Technology of photovoltaic array characteristic test based on variable electronic load[J]. Power Electronics, 2011, 45(9): 38-39.

[8] 張經(jīng)煒, 丁坤, 卞新高, 等. 一種戶外光伏組件測(cè)試平臺(tái)研制[J]. 電子測(cè)量技術(shù), 2013, 36(7): 93-96.

ZHANG Jingwei, DING Kun, BIAN Xingao, et al. Development of PV module outdoor test platform[J]. Electronic Measurement Technology, 2013, 36(7): 93-96.

[9] 傅望, 周林, 郭珂, 等. 光伏電池工程用數(shù)學(xué)模型研究[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(10): 211-216.

FU Wang, ZHOU Lin, GUO Ke, et al. Research on engineering analytical model of solar cells[J]. Transactions of China Electrotechnical Society, 2011, 26(10): 211-216.

[10] KIM W, CHOI W. A novel parameter extraction method for the one-diode solar cell model[J]. Solar Energy, 2010, 84(6): 1008-1019.

[11] 劉興杰, 郭棟, 王凱龍. 基于電氣外特性的光伏發(fā)電系統(tǒng)模型等效方法[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(10): 231-238.

LIU Xingjie, GUO Dong, WANG Kailong. Equivalent modeling method for PV system based on its electric external characteristics[J]. Transactions of China Electrotechnical Society, 2014, 29(10): 231-238.

[12] 劉昌玉, 何雪松, 李崇威, 等. 用于水輪機(jī)-引水管道參數(shù)辨識(shí)的改進(jìn)型人工魚群算法[J] . 電力自動(dòng)化設(shè)備, 2013, 33(11): 54-58.

LIU Changyu, HE Xuesong, LI Chongwei, et al. Improved artificial swarm algorithm for parameter identification of hydroelectric turbine-conduit system[J]. Electric Power Automation Equipment, 2013, 33(11): 54-58.

[13] 李曉磊, 邵之江, 錢積新. 一種基于動(dòng)物自治體的尋優(yōu)模式:魚群算法[J]. 系統(tǒng)工程理論與實(shí)踐, 2002, 22(11): 32-38.

LI Xiaolei, SHAO Zhijiang, QIAN Jixin. An optimizing method based on autonomous animates: fish-swarm algorithm[J]. System Engineering Theory and Practice, 2002, 22(11): 32-38.

[14] 王聯(lián)國(guó), 洪毅, 施秋紅. 全局版人工魚群算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2009, 21(23): 7483-7497.

WANG Lianguo, HONG Yi, SHI Qiuhong. Global edition artificial fish swarm algorithm[J]. Journal of System Simulation, 2009, 21(23): 7483-7497.

[15] 陳德為, 張培銘. 基于人工魚群算法的智能交流接觸器虛擬樣機(jī)優(yōu)化設(shè)計(jì)[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(2): 101-107.

CHEN Dewei, ZHANG Peiming. Virtual prototype optimal design of intelligent AC contactors based on artificial fish-swarm algorithm[J]. Transactions of China Electrotechnical Society, 2011, 26(2): 101-107.

[16] NELDER J A, MEAD R. A simplex method for function minimization[J]. Computer Journal, 1965, 7(4): 308-313.

[17] BARTON R R, IVEY J S. Nelder-Mead simplex modifications for simulation optimization[J]. Management Science, 1996, 42(7): 954-973.

[18] YILDIZ A R. A novel hybrid immune algorithm for global optimization in design and manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2009, 25(2): 261-270.

[19] HU Y F, BLAKE R J, EMERSON D R. An optimal migration algorithm for dynamic load balancing[J]. Concurrency-Practice and Experience, 1998, 10(6): 467-483．

[20] WANG Panpan, SHI Liping, ZHANG Yong, et al. A hybrid simplex search and modified bare-bones particle swarm optimization[J]. Chinese Journal of Electronics, 2013, 22(1): 104-108.

[21] MA J, TING T O, MAN K L, et al. Parameter estimation of photovoltaic models via cuckoo search[J]. Journal of Applied Mathematics, 2013: 1-8.

(編輯 姜新麗)

Shadow judgment method for photovoltaic module based on peak counting and parameter identification

CHEN Ling1, HAN Wei2, ZHANG Jingwei1

(1. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China; 2. State Grid Huaian Power Supply Company, Huaian 223001, China)

In allusion to the fact that it is hard to judge the shadow of photovoltaic (PV) module, a shadow judgment method based on peak counting and parameter identification is proposed. Firstly, the I-V output characteristic curve of PV module is scanned globally and quickly through programmable DC electronic load, which is used to record the number of noticeable peaks. Then, an improved artificial fish swarm (IAFSA) is adopted to identify the internal equivalent parameters of PV module by sample values of I-V curve, and combining with the root mean square error (RMSE) to determine the slight shadow of PV module. The shadow condition of PV module can be effectively judged through the two-step method, the experimental results further demonstrate the effectiveness and accuracy of this method.

This work is supported by Innovation Project of Postgraduate Education of Jiangsu Province (No. CXZZ12_0228).

photovoltaic module; shadow; programmable DC electronic load; peak counting; improved artificial fish swarm algorithm; parameter identification

10.7667/PSPC151942

2015-11-14；

2015-12-25

陳 凌(1987-)，女，博士研究生，研究方向?yàn)楝F(xiàn)代電力電子技術(shù)、太陽(yáng)能發(fā)電技術(shù)；E-mail: carol1987@126.com

韓 偉(1986-)，男，通信作者，博士，工程師，研究方向?yàn)楣夥M件故障診斷；E-mail: hanwei860610@126.com

張經(jīng)煒(1989-)，男，博士研究生，研究方向?yàn)榭稍偕茉窗l(fā)電技術(shù)。E-mail:jenwelzhang@163.com

江蘇省研究生培養(yǎng)創(chuàng)新工程(CXZZ12_0228)