基于新型战争策略优化算法的光伏模型优化（Matlab代码实现）
💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🎉作者研究：🏅🏅🏅本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
📋📋📋本文目录如下：⛳️⛳️⛳️
目录
1 概述
由于与气候变化和能源危机相关的众多因素，可再生能源的使用在最近有所增加。太阳能发电系统广泛用于大型光伏（PV）发电厂发电。特别是，光伏系统通常安装在暴露区域，这些系统容易在发生暴雨和大风等恶劣天气条件的情况下恶化。1、2为了解决这个问题，需要一个更准确的数据驱动模型来确定太阳能行业光伏系统的基本特性。太阳能模型参数提取的详细分析有利于光伏电站性能评估、效率计算以及最大功率点跟踪（MPPT）和光伏系统的最佳能源管理。3
一般来说，太阳能光伏系统的详细建模包括两个阶段：第一个是数学模型的发展，第二个是参数识别。在所有型号中，单二极管模型（SDM）和双二极管模型（DDM）在所有实际情况下都得到了广泛的应用。4-5然而，未指定的参数主要影响光伏模型的实际性能，如果这些模型受到设备的偶然老化，则可能以不稳定和容易出错的形式出现。因此，事先精确估计光伏电池参数是一项关键的仿真任务。7此外，光伏系统的安装和优化也应该更加准确。然而，PV模型被假定为具有非凸关系的非线性系统。此模型的解决方案带来了几个问题和障碍。最近，研究人员做出了重大努力，以确定准确估计未知参数的方法。大致确定了大约三种方法。它们是分析方法，确定性方法和元启发式方法，这些方法解释如下8:
1.1 分析方法
分析方法根据供应商提供的数据估算参数，例如开路电压，短路电流，制造商的最大功率点和I-V特性。9、10在分析方法中，I-V特性曲线中的所有数据点都用于识别减少预测值和测量值之间误差的参数。然而，分析方法使用广泛的数学公式，并以其简单性，速度和独特性而著称。此外，一些数学公式是在假设的基础上推导和简化的。11、12因此，使用这些方法，派生的参数并不准确。
1.2 确定性方法
确定性方法基于“获取整个系统的所有实际测量数据”策略，其中使用相对大量的测量来提取未知参数。13-15它基于一个目标函数，该函数表示实验数据点和估计数据点之间的差异。由于这些算法基于梯度信息，因此它们可能会收敛到局部最佳最优解。
1.3 元启发式方法
元启发式方法也类似于确定性方法，因为它们也基于“获取整个系统的所有实际测量数据”策略。它们被认为是全局最佳优化算法，因为它们具有几个优点，例如鲁棒性，性能可靠性，简单性，易于实现等。最近人们越来越关注元启发式，因为这些现象学通常由具有意识形态模式的生物过程指导，这些过程为现实世界的问题找到了最佳解决方案。元启发式算法被分为不同的文学类别，如下所示：
1.3.1 基于进化的算法
这些算法起源于进化论。一些流行的进化算法是遗传算法（GA），16差分进化算法（ DEA），17进化战略算法（ ESA），18等。
1.3.2 基于群的算法
这些算法模仿了各种社会群体的社会行为和集体决策。在这些算法中达到某个目标的解释通常是基于生物群落的智力/集体行动。一些流行的基于群的算法是粒子群优化（PSO），19蚁群优化，20灰狼优化，21鲸鱼优化算法（ WOA），22社交蜘蛛优化，23salp swarm optimization （SSA），24、25等。
1.3.3 基于物理的算法
基于物理的算法受到自然物理定律的影响。此类别的一些示例是引力搜索算法（GSA），26磁优化算法，27正弦-余弦算法 （SCA），28人工电场优化，29等。
1.3.4 基于人类行为的算法
最近，受人类社会行为启发的优化算法在文献中得到了提出。基于教学的优化（TLBO），30政治优化器，31联赛冠军算法，32等等，是基于人类行为的算法的例子。
对光伏电池和模块进行精确建模的最常见方法是使用模拟电路。许多光伏研究人员通常首选SDM和DDM建模。SDM PV模型有五个参数，必须精确确定这五个参数才能仿真单二极管电池和模块。DDM PV模型中包含七个相关参数，这七个参数必须精确确定，以便仿真双二极管电池和模块。需要对PV电池/组件的五个或七个参数进行估计，以准确模拟物理系统的I-V特性。测量和预测的PV电池/组件电流之间的绝对误差应最小。
光伏（PV）模块或太阳能电池由具有特定参数的电路模型进行电特性表征。对于光伏系统仿真和操作，必须使用实验数据精确计算太阳能电池参数。在各种工作条件下，如可变太阳辐射和温度，使用I-V特性分析系统性能，需要提取太阳能光伏系统的未知参数。然而，太阳能光伏模型问题本质上是高度非线性的。为了解决这个问题，一个有效的算法是必要的。因此，在本研究中，我们提出了一种受古代战争策略启发的新型元启发式优化算法。提出的战争战略优化（WSO）算法是基于军队在战争期间的战略调动而提出的。战争策略被建模为一个优化过程，其中每个士兵动态地朝着全球最佳最优值移动。每个士兵都被分配了一个独特的重量，他们的当前位置会根据上一次迭代的成功率动态更新。先前太阳能光伏模型参数提取研究中采用的目标函数是错误的。然而，在这项工作中，我们将Newton Raphson方法与WSO算法集成，以提高输出解的精度。实验结果表明，与现有算法相比，该算法表现出优异的性能。
2 战争策略优化算法
3 基于新型战争策略优化算法的光伏模型优化数学模型
见第5部分。
4 运行结果
部分代码：
%% 基于新型战争策略优化算法的太阳能光伏模型优化
close all
clear
clc
format long;
Solidiers_no=50; % 士兵人数
Max_iteration=1000; %最大迭代次数
global V Ie Im
%% 目标函数
tic
fobj=@single_dd;
lb=[0 0 0 0 1];
ub=[1 1 100 0.5 2];
dim=5;
BEst=zeros(1,10);
BESTT1=inf;
for i=1:10
i
[Best_score,Best_pos,WSO_cg_curve]=WSO(Solidiers_no,Max_iteration,lb,ub,dim,fobj);
BEst(i)=Best_score;
if Best_score<BESTT1
BESTT1 = Best_score;
BESTT2=Best_pos;
end
% BEst(i)=min(PSO_cg_curve);
end
toc
S=std(BEst)
A=mean(BEst)
B=min(BEst)
single_dd(BESTT2)
%% 可视化
figure(1)
semilogy(WSO_cg_curve,'Color','b')
title('目标函数解空间')
xlabel('迭代次数');
ylabel('最优解');
axis tight
grid on
box on
figure(2)
plot(V,Im,'LineWidth',2)
hold on
plot(V,Ie,'>','LineWidth',2,'MarkerFaceColor','black')
xlabel('电压')
ylabel('电流')
legend('真实值','预测值')
figure(3)
plot(V, V.*Im,'LineWidth',2)
hold on
plot(V,V.*Ie,'>','LineWidth',2)
xlabel('电压')
ylabel('功率')
5 参考文献
部分理论引用网络文献，若有侵权请联系博主删除。
[1]李洁, 韩洲亮.带有MPPT跟踪技术的太阳能光伏电池MATLAB仿真模型[J].自动化与仪器仪表, 2017(1):3.
[2]严国康.太阳能光伏电池工程用仿真模型及其MPPT控制算法研究[D].重庆大学, 2015