李水佳,龚文引
(中国地质大学(武汉) 计算机学院,湖北 武汉 430074)
由于能源危机、环境污染和气候变化,替代可再生能源的需求显著增加[1]。太阳能作为一种安全和清洁的可再生能源,近来得到了广泛关注[2]。太阳能主要应用于光伏发电,由于光伏发电系统能够直接将太阳能转换为电能,因此已在全球范围内应用。然而,由于对天气和环境因素的依赖性,特别是受温度和光辐射的影响,使得采用太阳能光伏系统发电成为了一项重要的挑战[3-4]。为了提高光伏发电的效率,需要根据测量的电压-电流数据来提取出准确的光伏模型参数。因此,高效提取PV模型参数的方法就变得尤为重要。目前,解决PV模型参数提取的方法主要是一些分析方法和确定性方法。分析方法实现起来很简单并且能够快速得到问题的解决方案,但需要做出某些假设,这可能会导致提取的参数不一定准确。对于确定性方法,如Newton-Raphson方法[5]等,它们对初始值非常敏感。更重要的是,确定性方法对目标函数有着严格的要求:连续、可微和凸函数。
近些年来,智能优化算法引起了越来越多的关注。许多研究者尝试用智能优化算法去提取PV模型的参数,如模式搜索(PS)[6]、模拟退火(SA)[7]、差分进化(DE)[8]、粒子群优化(PSO)[9]、基于教学优化(TLBO)[10]等。PS简单易实现,但对于不可导问题求解时比较困难;SA局部搜索能力强,而全局搜索能力差,容易受参数的影响;DE简单有效但受控制参数影响较大;PSO有着很强的局部搜索能力,却容易陷入局部最优[11];……