太阳电池IV曲线拟合的优化算法
开篇：润墨网以专业的文秘视角，为您筛选了一篇太阳电池IV曲线拟合的优化算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：
通过对遗传算法（GA）和人工鱼群算法（AFSA）的研究，结合太阳电池iv曲线的数学模型，提出了一种遗传算法与人工鱼群算法相互融合的优化算法（GAAFSA）。GAAFSA保持了遗传算法的全局寻优的优点，克服了人工鱼群漫无目的随机游动和遗传算法收敛慢的缺点，并且通过人工鱼群算法的计算提高了收敛速度。利用了太阳电池实测数据进行IV曲线拟合及太阳电池的光生电流、二极管品质因数、串联电阻、反向饱和电流、并联电阻等5个重要参数的最优求解。将GAAFSA与已有的算法进行了比较，仿真实验表明GAAFSA精度高，收敛速度快。
关键词：
遗传算法；人工鱼群算法；太阳电池；曲线拟合
0引言
利用太阳电池测试仪对太阳电池片进行测试获得IV实测数据，并根据实测数据进行IV曲线拟合，以获得相应的拟合曲线和数学表达式，
能作为判断该太阳电池片性能的重要参考依据，也是分析太阳电池片转换效率的重要依据[1-2]。
太阳电池的数学理论模型是根据其工作原理而总结出来的经验数学模型[3]，该数学模型有着较丰富的物理意义，主要包含光生电流、二极管品质因数、串联电阻、反向饱和电流、并联电阻等5个重要参数。对于一个被测的太阳电池片而言，上述的5个重要参数均为待定参数，要利用实测的数据进行拟合从而获得参数值。利用实测IV数据拟合出来的IV曲线只能从宏观方面了解太阳电池的光电特性，而生产太阳电池片时的工艺、材料和结构设计是太阳电池片光电特性的决定因素[4]。对于5个参数的直接测试至今仍缺乏精准而有效的方法[5]，这也造成了进一步研究提高太阳电池转换效率的难度。因此，通过实测的数据利用太阳电池数学模型进行有效的IV曲线拟合，建立5个待定参数的关系，从而取得相应的值，是进一步研究太阳电池的关键技术之一。
若想通过实测的数据计算太阳电池重要参数，首先要对其进行回归估算。WalkerSmith和Nash介绍了梯度法、变尺度法、直接搜索法、NewtonRophsor法等，上述的方法均是针对非线性回归数学模型而提出的拟合估算方法。由于太阳电池数学理论模型是一个非线性超越函数，故不能直接运用上述方法对太阳电池数学模型拟合估计参数值。针对非线性超越方程目前常见的算法有：1）泰勒多项式法（Tylor Polynome Alyorithm）。该方法拟合精度较高，但计算繁杂，也不能直接获取太阳电池的5个重要参数值。2）双指数算法（Double Exponential Algorithm）。该算法可以较直观地计算出太阳电池的参数，但该算法利用有限的实测数据值进行求值，实测参考点取值不同也可能导致其计算结果的不一致性。3）伪蒙特卡罗算法（QuasiMonte Carlo Algorithm）。该算法精度高，但参数的预处理计算量非常大，收敛速度较慢[6]。针对上述问题，本文提出一种遗传算法和人工鱼群算法的融合算法，该算法保持了遗传算法的全局寻优的优点，并通过人工鱼群的高效收敛和正反馈提高了收敛速度，避免了传统遗传算法收敛慢、易早熟的现象。
4结语
由于在研制太阳电池测试仪过程中对太阳电池IV曲线分析的实际工程应用的需要，基于太阳电池数学模型分析了现有的太阳电池IV拟合算法，提出了一种遗传算法和人工鱼群算法相结合的思路，利用实际测试获得的IV参数，通过数据拟合着重地解决如何利用GAAFSA计算出太阳电池5个参数值。利用Matlab进行计算和仿真，其结果和文献[14]及传统的遗传算法进行比较分析。结果表明，GAAFSA拟合的结果无论是拟合的精度还是误差收敛速度均优于其他算法。同时算法不仅适合太阳电池IV曲线的拟合，也适应其他类似的非线性曲线的拟合。
参考文献：
[1]
OKIM S， YOUN M J.Variablestructure observer for solar array current estimation in a photovoltaic powergeneration system[J].IEEE Proceedings of Electric Power Application，2005，152（4）：953-959.
[2]
翟载腾，程晓舫，杨臧健，等.太阳电池一般电流模型参数的解析解[J].太阳能学报，2009，30（8）：1078-1080.
[3]
彭乐乐，孙以泽，林学龙，等.工程用太阳电池模型及参数确定方法[J].太阳能学报，2012，33（2）：282-285。
[4]
BOUZIDI K，CHEGAAR M，BOUHEMADOU A.Solar cells parameters evaluation considering the series and shunt resistance[J].Solar Energy Materials and Solar Cells，2007，91（18）：1647-1651.
[5]
CARRO C， RODRIGUEZ J， RAMFREZ D，et al. Simple estimation of PV modules loss resistances for low error modelling[J]. Renewalbe Energy，2009，35（5）：1103-1108.
[6]
OSINNIY V，BOMHOLT P， LARSEN N A N，et al.Factors limiting minority carrier lifetime in solar grade silicon produced by the metallurgical route[J].Solar Energy Mater Solar Cells，2011，95（2）：564-565.
[7]
王志明.在线太阳电池测试系统关键技术研究[D].上海：上海大学，2009.
[8]
雷英杰，张善文.Matlab遗传算法工具箱及应用[M]. 4版.西安：西安电子科技大学，2011：14-31.
[9]
周绮，姜淑娟，赵雪峰. 改进的量子遗传算法及其在测试数据生成中的应用[J]. 计算机应用，2012，32（2）：557-560.
[10]
邢焕来，潘炜，邹喜华.一种解决组合优化问题的改进型量子遗传算法[J].电子学报，2007，35（10）：1999-2002.
[11]
江铭炎，袁东风.人工鱼群算法及其应用[M].北京：科学出版社，2012.
[12]
张红霞，罗毅，师瑞峰.基于单纯形法的改进型人工鱼群算法[J]. 计算机应用，2011，31（5）：1321-1327.
[13]
张汉强，卢建刚，陈金水. 新的混合智能优化算法及其多目标优化应用[J]. 计算机应用，2010，30（5）：1290-1292.
[14]
徐林，崔容强.对太阳电池IV曲线进行拟合的数论方法[J].太阳能学报，2000，21（2）：160-163.