【技术实现步骤摘要】
本专利技术涉及一种知识与数据融合驱动的光伏电池系统建模辨识方法。
技术介绍
1、随着全球能源需求的不断增长，光伏电池作为一种绿色、可再生能源技术，越来越受到各国的重视和推广。近年来，光伏电池的转换效率不断提高，成本逐步降低，应用领域逐渐拓宽，不仅在工业和商业领域得到了广泛应用，还在智能电网和分布式能源系统中发挥着重要作用。研究高效、精准的光伏电池模型对于实现优化控制、预测性能和提高发电效率具有重要意义。因此，建立具有外延性的光伏电池系统数学模型是求解优化问题和实行有效预测的基础，已成为当前的研究热点。目前常用的光伏电池系统建模方法包括物理建模方法和数据驱动建模方法。
2、物理建模方法主要包括等效电路模型、经验模型以及基于物理机制的模型等。等效电路模型通过模拟电路参数来表示光伏电池的性能，但在复杂环境下难以准确反映实际性能。经验模型虽然计算简单，但其参数依赖实验数据，模型泛化能力有限。物理机制模型能够较好地描述光伏电池的动态行为，但其参数较多、计算复杂，且难以在实时应用中高效运行。此外，光伏电池系统通常具有多变量耦合特性，系统输出会受到多个输入变量的综合影响，使用单输入单输出建模技术难以获得精确的数学模型。
3、近年来,随着人工智能技术的不断发展,深度学习模型拥有强大的学习能力和推理能力,能够解决更加复杂的问题和任务。一些基于深度学习模型的数据驱动建模方法被广泛运用，如利用卷积神经网络对电池电压进行概率预测，或通过径向基函数神经网络和卷积神经网络对电池系统建模，或利用长短期记忆网络模型对电压进行预测。这些方
技术实现思路
1、本专利技术是为了解决上述现有技术存在的问题而提供一种知识与数据融合驱动的光伏电池系统建模辨识方法。
2、本专利技术所采用的技术方案有：
3、一种知识与数据融合驱动的光伏电池系统建模辨识方法，包括以下步骤：
4、s1：分析光伏电池系统的机理特性，建立知识驱动模型，利用多变量hammerstein模型建立数据驱动模型，在hammerstein模型中，利用双向门控循环单元神经网络描述hammerstein模型的静态非线性模块，利用自回归滑动平均模型描述hammerstein模型的动态线性模块，以此构建知识和数据融合的光伏电池系统模型；
5、s2：引入高斯信号，并利用高斯信号的协方差函数特性解耦hammerstein模型的静态非线性模块和动态线性模块；
6、s3：利用基于协方差函数的最小二乘方法辨识自回归滑动平均模型参数，利用蜣螂优化算法自适应求解双向门控循环单元神经网络超参数，并利用自适应动量估计算法更新双向门控循环单元神经网络的权重和偏置；
7、s4：将数据驱动模型获得的结果作为知识驱动模型的输入，并利用广义最小二乘法辨识知识驱动模型参数，从而得到知识和数据融合的光伏电池系统模型，进一步得到电压和电流的预测值。
8、进一步地，s1中：根据光伏电池系统的外部输出特性，建立知识驱动模型，对于光伏电池系统，
9、在任意环境条件下，最大功率点电压um、开路电压短uoc、最大功率点电流im、短路电流ise会按一定规律发生变化，通过引入相应补偿系数，根据参考光照强度和参考电池温度下推算出新光照强度和新电池温度下的u′m，uo′c，i′m，is′e，光伏电池系统的动态特性，即知识驱动模型表示为：
10、u′m＝um[1-c1(t-tref)]ln[e+b1(s-sref)]
11、uo′c＝uoc[1-c1(t-tref)]ln[e+b1(s-sref)]
12、
13、式中：tref为参考电池温度，sref为标准参考光照强度，s表示实际光照强度，t表示实际电池温度，补偿系数a1，b1和c1为待辨识的参数。
14、进一步地，利用多变量hammerstein模型建立光伏电池系统的数据驱动模型，所述hammerstein模型为：
15、v(t)＝f(u(t))
16、
17、式中：u(t)＝[u1(t),u2(t),…,um(t)]t，y(t)＝[y1(t),y2(t),…,yn(t)]t，v(t)＝[v1(t),v2(t),…,vm(t)]t，q-1表示单位后移算子，i表示适当维数的单位矩阵，na和nb是已知的阶次，表示自回归滑动平均模型；t表示时刻。
18、进一步地，所述双向门控循环单元神经网络包括输入层、两个隐藏层以及输出层，在该网络中单个神经元表示为：
19、rt＝σ(wr⊙[ht-1，ut])
20、zt＝σ(wz⊙[ht-1，ut])
21、
22、式中：wr,wz,wh分别表示重置门、更新门以及候选隐藏状态的权重矩阵，σ表示sigmoid激活函数，ht-1为上一个时刻的隐藏状态，⊙表示两个向量的逐点乘法运算；
23、所述隐藏层，即双向门控循环单元包括两个方向的门控循环单元神经网络层，输入数据在两层门控循环单元神经网络层中沿相反方向计算，对于一个输入数据u＝u1,u2,…,ut，双向门控循环单元的前向计算表示为：
24、
25、式中：和分别为从左到右和从右到左的隐藏状态，ut为输入数据第t时刻的数据；将两个方向的隐藏状态融合，得到最终的隐藏状态：
26、
27、将隐藏状态传递给其中一个隐藏层中，得到输出v(t)：
28、
29、式中：k(k＝1,2,…,n)表示静态非线性模块的第k个输出，wkγ表示接收隐藏状态的对应隐藏层中第γ个神经单元到输出层第k个神经单元的输出权重，表示所述对应隐藏层中第γ个神经单元的输出，c＝1,2,…,γ是所述对应隐藏层中双向门控循环单元的数量。
30、进一步地，s2中：
31、对于静态非线性模块，若输入是零均值高斯信号，则高斯输入信号u(t)的自协方差函数与常数矩阵的乘积等于中间变量v(t)与输入u(t)的协方差函数，即：
32、rvu(τ)＝αru(τ)
33、式中：α为常数矩阵，τ为时间常数，
34、互协方差函数矩阵
35、自协方差函数矩阵
36、利用αru(τ)代替rvu(τ)，实现hammerstein模型的静态非线性模块和线性模块的解耦。
37、进一步地，s3中，
38、利用蜣螂优化算法自适应求解双向门控循环单元神经网络超参数，包括双向门控循环单元神经网络中隐藏层神经元数目、学习率和迭代次数，这些超参数构成向量x，具体求解过程表示为：
39、(1)当无障碍物时，为模拟蜣螂的滚球行为，其沿给定方向在搜索空间中移本文档来自技高网...
【技术保护点】
1.一种知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：包括以下步骤：
2.如权利要求1所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：S1中：根据光伏电池系统的外部输出特性，建立知识驱动模型，对于光伏电池系统，
3.如权利要求2所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：利用多变量Hammerstein模型建立光伏电池系统的数据驱动模型，所述Hammerstein模型为：
4.如权利要求1所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：所述双向门控循环单元神经网络包括输入层、两个隐藏层以及输出层，在该网络中单个神经元表示为：
5.如权利要求4所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：S2中：
6.如权利要求5所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：S3中，
7.如权利要求6所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：S3中，自适应动量估计算法表达式为：
8.如权利要求1
...【技术特征摘要】
1.一种知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：包括以下步骤：
2.如权利要求1所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：s1中：根据光伏电池系统的外部输出特性，建立知识驱动模型，对于光伏电池系统，
3.如权利要求2所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：利用多变量hammerstein模型建立光伏电池系统的数据驱动模型，所述hammerstein模型为：
4.如权利要求1所述的知识与数据融合驱动的光伏电池系统建模辨识方法，其特征在于：所述双向门控循环单元神经网络包括输入层、两个隐藏层以及输出层...
【专利技术属性】
技术研发人员：李峰，赵彩婷，翟雨辰，姚克明，贾立，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。