【技術實現步驟摘要】
本專利技術屬于計算機，具體涉及一種改進的進化多任務光伏模型參數提取優化方法。
技術介紹
1、隨著礦物能源的過度開采，能源消耗日益加劇，二氧化碳的過量排放更是給全球變暖火上澆油。因此，人們對替代能源的探索與利用愈發迫切。其中，太陽能以其永不枯竭、清潔無污染的特性，成為了最具希望的能源之一。太陽能通過先進的光伏系統轉化為電能，而一個精確的光伏模型，對于提升系統性能而言，無疑起著舉足輕重的作用。當前，光伏系統的非線性特性已被多種數學模型成功描述，其中單二極管模型和雙二極管模型以其對電流-電壓特性的精確考量而備受矚目，它們為我們提供了深入洞察電池行為的重要工具。然而，光伏模型中的參數對系統性能具有深遠的影響，因此，精確的參數一致性提取成為了提高效率和功率優化的關鍵。
2、目前，為解決光伏模型中的參數提取問題，已發展出確定性方法和啟發式方法兩大類別。確定性方法雖然在建模時假定模型具有凸性和可微性，但對初始解的依賴性較強。而啟發式方法則從生物生存原則中汲取智慧，以其在處理約束時的靈活性和在準確性、魯棒性方面的卓越表現而備受青睞。然而，盡管啟發式算法能夠為我們提供穩定的解決方案，但在確定全局最優解方面仍面臨諸多挑戰。此外，與人類的多任務處理能力不同，啟發式方法通常只能一次處理一個問題。然而，各個模型之間往往蘊含著豐富的公共知識，這意味著從一個模型中獲得的見解有可能為其他模型所借鑒，進而幫助我們解決更多的挑戰。
3、進化多任務優化是進化計算界的一個新興領域，是一種充分利用已有的有益信息，通過進化方法并行地解決多個相關任務
技術實現思路
1、針對上述技術方案中存在的問題，本專利技術提出了一種改進的自適應進化多任務光伏模型參數提取方法，為不同光伏系統轉化任務提供高質量的光伏模型，以最大化光伏系統的光能轉化效率。為了實現上述目標，本專利技術所采用的技術方案具體實施步驟如下：
2、1、一種改進的進化多任務光伏模型參數提取優化方法，其特征在于，包括以下步驟：
3、s1：根據相關理論建立光伏組件模型框架。
4、光伏組件通常由串聯和/或并聯連接的多個太陽能電池組成，所述的光伏組件模型表達式為：
5、
6、式1中，np和ns分別為并聯和串聯太陽能電池的個數。il為電池輸出電流，iph為光產生電流，isd為二極管反向飽和電流。rs為串聯電阻，rsh為分流電阻。vl為輸出電壓。n表示二極管理想因數，k為玻爾茲曼常數(1.3806503×10-23j/k)，q＝1.60217646×10-19c為電子電荷，t表示電池溫度(°k)。
7、單二極管電流輸出模型表達式為：
8、
9、雙二極管電流輸出模型表達式如下：
10、
11、式3中，isd1為擴散電流，isd2為飽和電流。n1為擴散二極管理想因數，n2為復合二極管理想因數。
12、s2：據光伏組件模型構建最小化實測電流數據與計算電流數據均方根誤差(rmse)目標函數。
13、所述的均方根誤差(rmse)目標函數表達式為：
14、
15、式4中，n為數據總數。單二極管模型中每對測量和計算的電流數據點的誤差函數fk(vl,il,x)為：
16、
17、雙二極管模型中每對測量和計算的電流數據點的誤差函數fk(vl,il,x)為：
18、
19、s3：獲取光伏轉換任務及對應的數據信息，并將獲取的信息輸入光伏組件模型及目標函數，構成待優化任務集。
20、s4：利用改進的多任務進化算法對待優化任務集中的任務同時進行優化，從而使每個光伏模型都獲得一組誤差最小的相關參數。
21、s5：獲得每個光伏轉化任務在當前情況下的最優光伏模型。
22、優選的，步驟s4中，一種改進的進化多任務算法尋找每個目標函數最優解的步驟為：
23、s4.1設置最大迭代次數g，初始迭代次數g＝1，用于知識遷移的相似任務個數l，生成子代時所需要的聚類數c。
24、s4.2種群初始化：建立初始種群其中k1為任務總數，每個子種群規模為n。種群中個體xi代表第i個參數決策方案，每個個體分配一個技能因子，表示個體所屬的任務。由于不同光伏組件的構成不同，不同種群中個體維度就可能不同，因此不同種群中的個體將會被映射到維數為d＝max{di}的統一空間中，并對每個種群進行相應的任務評估。
25、s4.3計算知識遷移概率：使用基于進化距離的自適應遷移概率策略計算每個任務通過知識遷移產生后代的概率rmpi，根據rmpi使用兩種不同的策略生成每個任務的下一代。即生成一個隨機數rand，若當隨機數rand＞rmpi時，種群通過差分進化算法(de)交叉變異產生子代。若當隨機數rand≤rmpi時，則采用知識遷移產生子代。rmpi計算公式如下：
26、
27、式7中，定義為任務當前收斂速度，定義為任務在前一代的收斂速度，計算公式如下：
28、
29、式8中，fin,g表示任務在第g代種群中的第n個個體的函數值。當任務收斂速度加快時，rmpi減小；當任務收斂速度減慢時，rmpi增大。
30、s4.4差分進化算法產生子代：當隨機數rand＞rmpi時，種群通過差分進化算法(de)交叉變異產生子代。
31、s4.5知識遷移產生子代：當隨機數rand≤rmpi時，則采用知識遷移產生子代。
32、s4.6精英選擇策略：將子代和父代中的所有個體按目標函數值進行排序，選擇目標函數值最小的n個個體作為下一代種群。
33、s4.7若算法運行到最大迭代次數,則停止迭代并輸出最優模型參數，否則算法當前迭代次數加1并繼續循環s4.2-s4.4尋找最優方案。
34、優選的，步驟s4.4中，差分進化算法產生后代的步驟為：
35、s4.4.1變異操作：種群中的所有個體進行變異操作，種群中的個體采用de/rand/2作為變異算子產生變異個體vi，該策略在當前任務種群中隨機選擇目標個體xr1，并使用2個隨機差分向量干擾目標個體，變異算子如下所示：
36、vi＝xr1+f·(xr2-xr3)+f·(xr4-xr5)???????(式9)
37、式9中，f被稱為變異因子，xr1～xr5為從當前任務種群中隨機選擇的個體。
38、s4.4.2交叉操作：使用二項式交叉的方式將當前任務種群中的目標個體xi與變異個體vi交叉產生試驗個體ui，從而增強種群的多樣性，試驗個體直本文檔來自技高網...
【技術保護點】
1.一種改進的進化多任務光伏模型參數提取優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種改進的進化多任務光伏模型參數提取優化方法，其特征在于：步驟S4中，一種改進的進化多任務算法尋找每個目標函數最優解的步驟為：
3.根據權利要求2所述的一種改進的進化多任務光伏模型參數提取優化方法，其特征在于：步驟S4.4中，差分進化算法產生后代的步驟為：
4.根據權利要求2所述的一種改進的進化多任務光伏模型參數提取優化方法，其特征在于：步驟S4.5中，知識遷移產生后代的步驟為：
【技術特征摘要】
1.一種改進的進化多任務光伏模型參數提取優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種改進的進化多任務光伏模型參數提取優化方法，其特征在于：步驟s4中，一種改進的進化多任務算法尋找每個目標函數最優解的步驟為：
3.根...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。