基于IPOA的太陽電池模型參數(shù)辨識

摘要：太陽電池模型參數(shù)的準確辨識對光伏組件功率預測和最大功率點追蹤有較大影響，必須保證較高的辨識精度。傳統(tǒng)的智能算法能做到一定程度上的參數(shù)辨識，但均存在精度不足、收斂速度慢、易陷入局部最優(yōu)等問題。針對此類問題，提出基于改進鵜鶘優(yōu)化算法（IPOA）的太陽電池模型參數(shù)辨識方法。該算法中種群個體聯(lián)系緊密，通過隨機性的互相學習進行位置更新，在工程應用領域有著較傳統(tǒng)算法更好的效果。同時，針對該算法特點，引入基于Jaya算法的位置更新策略，使種群的候選解更趨向最優(yōu)解；改進了遞減因子，使模型在迭代中后期尋優(yōu)效果更好。增加了萊維飛行策略，有效提高了算法精度。在不同的太陽輻照度條件下，IPOA都有較好效果，辨識結(jié)果與實際曲線擬合度高，表明IPOA能在不同環(huán)境中對太陽電池模型參數(shù)進行準確有效辨識。

關鍵詞：太陽電池；參數(shù)辨識；啟發(fā)式算法；最優(yōu)化；混沌初始化；IPOA

中圖分類號：TM615文獻標志碼：A

0引言

太陽電池的參數(shù)辨識是當前光伏領域的熱點研究方向之一，它的準確性關系到光伏系統(tǒng)的最大功率點跟蹤控制1以及發(fā)電輸出功率預測等重要工作。提高辨識精度，能夠更好地利用太陽能發(fā)電[2-3]。

目前，主要有3種參數(shù)辨識的方法：解析法、確定性方法、元啟發(fā)算法。解析法是通過一組數(shù)學方程式實現(xiàn)的，這些方程式基于I-V曲線的一些關鍵點，計算簡單、速度快，但精度不高[4]。確定性方法[5]如最小二乘法[6可獲得更精確的結(jié)果，但對模型特性和初始操作條件要求極其嚴格。因此，光伏系統(tǒng)固有的高度非線性和多模態(tài)可能會導致過早收斂。相反，元啟發(fā)式算法可同時彌補上述兩種方法的不足，因為其具有易于實現(xiàn)、效率高、對初始條件不敏感和易于實現(xiàn)等諸多優(yōu)點。因此，基于元啟發(fā)式算法的電池參數(shù)辨識得到廣泛應用。例如粒子群（particle swarm optimization，PSO）算法7、遺傳算法（genetic algorithm，GA）？、Jaya算法9、布谷鳥搜索（cuckoo search，CS）算法[10、鯨魚優(yōu)化算法（whale optimizationalgorithm，WOA）\"、灰狼優(yōu)化（grey wolf optimization，GW）算法[12]等。此外，對很多元啟發(fā)式算法做一定程度改進和優(yōu)化，同樣能實現(xiàn)理想的參數(shù)辨識精度[13-14]，這也是目前國內(nèi)外學者的主要研究內(nèi)容。

鵜鶘優(yōu)化算法（pelican optimization algorithm，POA）15是帕維爾·特羅喬夫斯基和穆罕默德·德赫加尼2022年提出的一種新型自然啟發(fā)算法。該算法中種群個體聯(lián)系緊密，通過隨機性的互相學習進行位置更新，能夠有效提高算法的收斂速度和跳出局部最優(yōu)的能力，經(jīng)驗證，該算法在工程應用領域有著較傳統(tǒng)算法更好的效果。在文獻[16]的模型中仿真，該算法有著比粒子群算法、遺傳算法、灰狼算法、鯨魚算法更高的精度，然而，它在收斂速度、搜索精度等方面仍有較大的改進空間。因此，引入基于Jaya算法的位置更新策略，將種群個體的位置更新與最優(yōu)解和最差解聯(lián)系起來，可有效提高候選解的尋優(yōu)效率。改進了遞減因子，使個體在迭代中后期有著更強的位置更新能力。此外，引入精英萊維飛行策略，讓種群中前10%優(yōu)秀的個體學習更新，使算法在加快收斂速度的同時也提高了精度。將改進后的鵜鶘優(yōu)化算法（improved pelican optimization algorithm，IPOA）應用到基于Lambert W函數(shù)的單二極管太陽電池模型[17-18]中，與其他算法相比，IPOA有著和實際I-V曲線更高的擬合度。在不同太陽輻照度條件下實驗，IPOA均能保持與實驗數(shù)據(jù)更高的相似度，表明IPOA能在不同環(huán)境下準確有效地進行太陽電池模型的參數(shù)辨識。

1太陽電池的數(shù)學模型

1.1基于單二極管模型的太陽電池建模

太陽電池是光伏組件的核心部件，其中，單二極管模型簡單、準確，因此被多數(shù)學者研究使用。圖1為太陽電池模型的等效電路。

其I-V關系為：

式中：I——太陽電池的輸出電流，A;Im——太陽電池的光生電流，A;Ia——流過二極管D的電流，A;I——流過并聯(lián)電阻的電流，A;I?！O管D的反向飽和電流，A;q——電子電荷量，q=1.602×10-1？C;V——太陽電池的輸出電壓，V;R——串聯(lián)電阻，Ω;n ——二極管的品質(zhì)因數(shù)；k——玻爾茲曼常數(shù)，k=1.381×10-23 J/K;T ——太陽電池工作絕對溫度，K;R——并聯(lián)電阻，Ω。

由于式（1）為隱式超越方程，求解過程繁瑣，因此引入Lambert W函數(shù)對其顯示化處理。該函數(shù)為y（x）=xe”的反函數(shù)，函數(shù)的解即為W（y（x），可直接用Matlab計算求解。經(jīng)過數(shù)學變換推導式（1）可簡化為式（2）形式：

式中：v=T。

1.2基于單二極管模型的光伏組件建模

光伏組件是光伏系統(tǒng)的核心部件，其內(nèi)部由多個太陽電池串聯(lián)和并聯(lián)組成。圖2為光伏組件模型的等效電路圖。

光伏組件I-V關系與太陽電池模型相同，即遵循式（1）和式（2）的數(shù)學關系，其內(nèi)部參數(shù)與太陽電池模型內(nèi)部參數(shù)關系為：

式中：Ihe——光伏組件的光生電流，A;Np——并聯(lián)電池數(shù)量；I——二極管的反向飽和電流，A;n?！O管的品質(zhì)因數(shù)；N，——串聯(lián)電池數(shù)量；R——光伏組件串聯(lián)電阻，Ω;Rh——光伏組件并聯(lián)電阻，Ω。

2鵜鶘優(yōu)化算法

鵜鶘是一種體型粗大的鳥類，是現(xiàn)存鳥類中個體最大者之一。它是一種喜愛群居的鳥類，經(jīng)常幾百只成群結(jié)隊地活動。鵜鶘在野外常成群捕獵，在獵物的位置被確定后，鵜鶘會從十幾米高空俯沖向獵物。然后它們整體會排成直線或半圓狀，并用翅膀拍打水面，將魚群趕到淺水區(qū)，這樣就能很容易地抓到獵物。鵜鶘捕獵時的行為和策略是一個智能過程，這使得這些鳥能夠得心應手地捕獲獵物。該算法的主要靈感來源于上述行為的建模。

POA是一種基于種群的算法，其中鵜鶘是該種群的成員。群體中的每只鵜鶘就代表著候選解。每只鵜鶘個體根據(jù)其與獵物的相對位置更新自己的位置。鵜鶘優(yōu)化算法中，初始化策略采用的是隨機初始化。實際上，這種初始化策略的種群分布具有不確定性，初始種群存在不能均勻分布的可能性，從而影響算法的效率和精度?；煦缇哂须S機性、遍歷性和初值敏感性，能使算法有更快的收斂速度。目前大多數(shù)文獻采用Logistic映射，但該映射在[0，0.1]和[0.9，1]區(qū)間有偏高的取值率，因此，本文采用Tent映射來產(chǎn)生混沌序列，其能夠在[0，1]區(qū)間產(chǎn)生分布均勻的初始值，遍歷性更好，更能提高算法的尋優(yōu)速度。Tent映射表達式為：

式中：x，——第t次迭代時x的值；x？+1——第t+1次迭代時x的值；H——閾值，取值0.6，所得序列分布均勻，對不同的參數(shù)有近似一致的分布密度。

該算法模擬鵜鶘探索和捕獵時的行為和策略來更新候選解。這種狩獵策略分兩個階段進行模擬。

2.1向獵物移動（探索階段）

鵜鶘首先會確定獵物的位置，然后迅速向確定的區(qū)域移動。對鵜鶘這一向獵物移動的探索階段進行建模。其中，POA設計的巧妙之處為獵物的位置是群體中某一隨機個體的位置，這一設計有效增加了POA在空間搜索問題中的精確探索能力。上述概念和鵜鶘移動策略的數(shù)學表達式為：

式中：xP1——第i個候選解第j個變量1階段更新后的值；rand——[0，1]的隨機數(shù)；p;——隨機個體第j個變量的值；α——1或2的隨機數(shù)；F?！S機個體的適應度；F：——第i個個體的適應度。

在POA中，如果目標函數(shù)的值在新的位置得到改善，則更新鵜鶘的位置。這種更新模式稱為有效更新，算法能趨向移動到最佳區(qū)域或位置。這個過程的數(shù)學表達式為：

式中：x;——第i個變量的值；x！1——第i個個體1階段更新后的值；FP1——第i個個體1階段更新后的適應度。

2.2水面上滑行（狩獵階段）

在第2階段，鵜鶘到達水面后，用翅膀拍打水面并游向魚群，張開大嘴，將獵物吞進喉囊中。這種策略使得鵜鶘群體所包圍的區(qū)域中更多的魚被捕獲。對鵜鶘的這一狩獵行為進行建模使得所提出的POA在狩獵區(qū)域中能移動到更好的位置。這一過程增強了POA的局部搜索能力。從數(shù)學角度來看，算法必須檢查鵜鶘位置附近的點，以收斂到適應度更好的位置。式（7）模擬了鵜鶘在狩獵期間的這種行為：

式中：x2——第i個候選解第j個變量2階段更新后的值；R——常量，R=0.2;N——當前迭代次數(shù)；N" —最大迭代次數(shù)。

這一階段也應用了有效更新策略來接受或拒絕新的鵜鶘位置，可表示為：

式中：x？2——第i個體2階段更新后的值；F2——第i個個體2階段更新后的適應度。

3改進的鵜鶘優(yōu)化算法

鵜鶘優(yōu)化算法控制參數(shù)少、原理簡單、易于實現(xiàn)。但群體間學習效率有待提高，同時存在局部最優(yōu)、收斂速度較慢等問題。為更好地求解太陽電池單二極管模型，對該算法進行3個方面的改進優(yōu)化。

3.1基于Jaya算法的位置更新策略

鵜鶘優(yōu)化算法種群個體之間的聯(lián)系緊密，但其更新遵循著隨機個體間學習的原則，由于獵物選擇的隨機性，個體缺乏與群體中最優(yōu)位置個體學習的機會，因此，引入Jaya算法中的位置更新策略。該策略的加入能為個體的移動提供有效方向，確保每個備選解的目標函數(shù)值在接近最優(yōu)解的同時也會遠離最差解，有效提升種群整體的適應度。群體的更新公式為：

式中：X，——第i個候選解第j個變量；R？——種群距離最優(yōu)解的隨機步長；R？——一種群距離最差解的隨機步長；X和Xm，——[0，1]的隨機數(shù)；X，——種群中的最優(yōu)解；X，——種群中的最差解；X——更新后的解。

之后比較更新前后的適應度，若更新后的適應度更好，則進行位置更新，否則不變。

3.2柔性遞減策略

POA在狩獵階段，個體位置更新是隨著迭代次數(shù)線性減小的，這使得算法在迭代初期有更強的搜索能力，在迭代后期有更高的準確性。該策略具有一定的效果，但在鵜鶘到達獵物附近后應采用較小的權(quán)重值，因此遞減時應在中后期迭代設置更小的自適應權(quán)重。這種柔性遞減策略比線性遞減策略更有利于整體和局部搜索能力上的平衡，經(jīng)實驗驗證，該策略改進能有效增加算法在迭代中后期的尋優(yōu)能力，遞減因子為：

故式（7）可改為：

3.3基于萊維飛行的精英學習策略

萊維飛行是由Levy提出，Benoist-Madelbrot進行描述的一種穩(wěn)定分布。它是一種短距離的搜索與隨機較長距離的行走相間的游走方式，模擬自然界中動物覓食的隨機游走過程。隨機步長公式為：

式中：s——游走步長；β——值為1.5的參數(shù)；μ、v——方v=N0，向向量，服從正態(tài)分布：，其標準差為：

位置更新公式為：

式中：δ——步長大小，隨迭代次數(shù)從1減小到0;Xncw——精英更新后的值；F——學習后的適應度；F;——初始適應度；X——學習后的值；X，——初始值。

基于IPOA的太陽電池參數(shù)辨識操作流程如圖3所示。萊維飛行是使算法跳出局部最優(yōu)的有效策略。但全局應用會一定程度上影響算法效率，且普通個體更新成功的概率很小，因此將其應用于適應度更好的精英個體。經(jīng)驗證，精英萊維飛行能達到與全局應用近似的效果。本文選擇對當前種群中m個精英個體進行萊維飛行，m=0.1N（即將群體適應度的前10%的個體定義為精英）。萊維飛行在小步長移動過程中有一定概率穿插大步長，一方面能提高優(yōu)秀個體更新效率，增強種群的多樣性，加快算法的收斂速度。另一方面，長距離游走能降低算法陷入局部最優(yōu)的概率。

具體執(zhí)行步驟如下：

1）定義種群規(guī)模N，算法最大迭代次數(shù)N。

2）設置參數(shù)上下限并初始化種群位置。

3）計算所有種群個體的適應度。

4）將種群中適應度前10%優(yōu)秀的精英個體進行萊維飛行，并根據(jù)式（15）進行位置更新。

5）根據(jù)式（9）進行位置更新。

6）根據(jù)式（5）～式（8）執(zhí)行算法。

7）判斷當前迭代次數(shù)是否達到步驟1）設置的最大迭代次數(shù)，若未達到則回到步驟3），若達到則執(zhí)行步驟8）。

8）計算并選取種群中適應度最好的個體，取其5個參數(shù)作為IPOA參數(shù)辨識的結(jié)果。

4實驗及結(jié)果分析

4.1 IPOA的性能驗證

為了驗證IPOA的性能，選擇6個測試函數(shù)1通過仿真測試進行驗證，并與PSO、WOA、GWO、POA算法進行比較。如表1所示，其中f、f？、f為單峰函數(shù)，f4、f？、f？為多峰函數(shù)。在測試中，種群數(shù)量為50，維度為30，最大迭代次數(shù)為300。其中，粒子群算法（PSO）慣性權(quán)重設為0.8，學習因子均設為0.5。每種函數(shù)對所有算法均獨立運行10次，每次運行后的最優(yōu)值作為實驗結(jié)果。統(tǒng)計10次運行結(jié)果的平均值標準差σ如表2所示。

從表2可看出，IPOA有更好的尋優(yōu)能力。顯然，POA的精度遠高于其他智能優(yōu)化算法。其他算法中，對于f、f？函數(shù)，POA有著比其他算法更好的效果，精度高1～10個數(shù)量級。對于f？函數(shù)，POA的精度略低于WOA，但改進之后的IPOA明顯優(yōu)于WOA。對于f函數(shù)，POA的精度明顯高于其他算法。在f？函數(shù)中，POA和WOA精度都很高，最優(yōu)值和差為0，10次結(jié)果均為8.88×10-16，充分證明了其處理多類函數(shù)時的精確性和穩(wěn)定性。

4.2 IPOA在法國RTC硅太陽電池的應用

為了驗證IPOA對單二極管模型參數(shù)識別的有效性，本文選用法國RTC硅太陽電池在1000 W/m2和33 ℃環(huán)境條件下測得的26組實驗數(shù)據(jù)。該數(shù)據(jù)被大量學者引用，具有一定的認可度，而使用該數(shù)據(jù)進行參數(shù)辨識，與國內(nèi)外的其他算法具有可比性。為了比較IPOA的準確性，本文設置了與文獻[20]中相同的實驗參數(shù)，即種群數(shù)量為30，最大迭代次數(shù)為5000，參數(shù)的上下限見表3，辨識結(jié)果和實驗數(shù)據(jù)見表4和表5，其中相對誤差（Rg）如式（16）所示：

式中：X——實驗值；X，——計算所得的期望值。

表4中的數(shù)據(jù)顯示，相對于其他算法，IPOA表現(xiàn)出更高的辨識精度。其均方根誤差僅為7.8109×10-4A，較其他算法提升了約20%的精度。電流和功率數(shù)據(jù)列于表5（列2和列標準差均為0。對于f？函數(shù)，POA和IPOA的10次結(jié)果均為0，達到最優(yōu)效果。本文提出的IPOA，對于f、f？、f？這3個單峰函數(shù)，尋優(yōu)精度均在POA的基礎上提高了10個數(shù)量級以上。對于f？函數(shù)，IPOA較POA有著更低的平均值，標準5），將辨識后的參數(shù)代入式（2），計算所得的電流和功率與試驗中的實際電流和功率（列3和列6）進行比較后可發(fā)現(xiàn)，估計值與實際值非常接近，相對誤差均能控制在約1×10-3，從而證明了參數(shù)辨識的準確性。因此，可得出結(jié)論，IPOA能準確估計單二極管模型的電流和功率，為相關領域的研究和實踐提供重要參考。

4.3在光伏組件模型參數(shù)辨識中的應用

為進一步驗證IPOA在實際應用中的光伏組件參數(shù)辨識效果，搭建了實驗平臺。實驗選用的是輸出功率為50W的一種光伏組件，該組件內(nèi)部由36個太陽電池單體串聯(lián)而成。實驗平臺如圖4所示。

利用PSO、GA、WOA、GWO、POA、IPOA給光伏組件進行參數(shù)辨識實驗。適應度函數(shù)選用均方根誤差（RMSE）如式（17）、式（18）所示：

式中：I——實際測量的電流值，A;I——辨識參數(shù)代入式（2）計算得到的電流值，A;Y——實驗參數(shù)向量。

在太陽輻照度為1000 W/m2，環(huán)境溫度為25 ℃的條件下進行實驗。算法參數(shù)設置如下：種群數(shù)量為50，最大迭代次數(shù)為300。粒子群算法參數(shù)設置如下：慣性權(quán)重設為0.8，學習因子c？、c？均設為0.5。遺傳算法采用輪盤賭復制策略和相鄰個體交叉策略，交叉概率為0.6，變異概率為0.1。IPOA中Tent映射H值取0.6，精英定義為前10%優(yōu)秀個體。各參數(shù)搜索上下限如表6所示。各算法的迭代曲線圖如圖5所示。由圖5可看出，GA算法收斂速度較快，但精度偏低，很易陷入局部最優(yōu)。PSO算法精度較GA算法有所提升，但同樣存在局部最優(yōu)、收斂過早的問題。WOA、GWO算法收斂速度較快，且精度高于PSO、GA算法。POA收斂速度快，精度更高，迭代中后期仍能有效降低偏差、提高精度，效果強于上述算法。而改進后的IPOA，種群經(jīng)過混沌初始化后，均勻性和遍歷性提高，故早期迭代收斂速度更快。同時在柔性遞減策略和精英反向?qū)W習策略的優(yōu)化下，算法在迭代中后期具有更高的精度和尋優(yōu)能力，更易跳出局部最優(yōu)的情況，在太陽組件參數(shù)辨識模型中具有明顯優(yōu)勢。

將PSO、GA、WOA、GWO、POA、IPOA這6個算法應用到光伏組件模型中，并分別獨立運行10次后，5個待辨識的參數(shù)和適應度的平均值、標準差σ如表7所示：其中，在10-3量級下，PSO算法的RMSE平均值最大，且標準差最高，證明其在光伏組件參數(shù)辨識模型中誤差大且輸出不穩(wěn)定，不適用于該場景工作。GA算法誤差較PSO算法低，但與WOA算法和GWO算法相比，誤差仍然偏大且標準差較高。POA算法在平均值和標準差上均優(yōu)于上述4個算法。改進后的IPOA算法較POA算法在平均值和標準差上均有著較為明顯的提升。證明該算法在光伏組件參數(shù)辨識模型的應用上精度高、穩(wěn)定性強，在一定程度上避免了傳統(tǒng)算法誤差大、過早收斂、結(jié)果具有偶然性的缺點。

圖6為I-V特性曲線圖，圖7為P-V特性曲線圖。由圖6可看出，PSO、GA算法曲線明顯偏離其他曲線，其他算法曲線與與實驗曲線大體上擬合。但在圖6中放大圖可看出IPOA曲線較其他算法比與實驗曲線擬合程度更高，基本與實驗曲線重合，證明其辨識結(jié)果明顯優(yōu)于其他算法。由圖7中放大圖可看出，IPOA辨識結(jié)果與實際曲線擬合度更高，對光伏組件最大功率的定位更準確，能為光伏組件并入電網(wǎng)提供可靠的數(shù)據(jù)。

4.4不同輻照度下IPOA對光伏組件的辨識

在實際應用中，由于傾斜角度的改變、太陽方位角的變化光伏組件會受到不同的輻照度，且在不同季節(jié)，由于地球的公轉(zhuǎn)，輻照度也會受到影響。此外，周邊環(huán)境的變化也改變著光伏組件的輻照度，如云層、樹葉、雜物等。輻照度的變化也會引起模型辨識的參數(shù)變化。因此，實驗需要驗證在不同輻照度下辨識參數(shù)的精準程度。在本次實驗中，選擇用不同面積的半透明薄膜對太陽電池進行遮擋，以模擬自然輻照度的變化。用太陽輻照度測試記錄儀測量輻照度值，分別取輻照度為400、600、800、1000 W/m2的情況。測出其對應的輸出電流和輸出電壓。利用測得數(shù)據(jù)對光伏組件模型進行辨識，獨立運行10次取最優(yōu)值并繪制I-V、P-V曲線如圖8，辨識結(jié)果如表8。如圖8所示，在不同輻照度下，IPOA辨識結(jié)果與實驗數(shù)據(jù)都能有較好的擬合度，說明IPOA能在不同的情況下準確地對光伏組件進行參數(shù)辨識。由表8可發(fā)現(xiàn)隨著輻照度的提高，二極管的反向飽和電流和品質(zhì)因數(shù)基本不發(fā)生變化，但光生電流會逐漸變大，且模型中的串并聯(lián)電阻會減小，說明了太陽輻照度變化對參數(shù)的影響，驗證了該實驗的必要性。

5結(jié)論

針對傳統(tǒng)智能算法收斂速度慢、精度低的缺點，提出基于POA改進的IPOA，引入混沌初始化策略，增強種群的遍歷性、隨機性，加快了算法初期的收斂速度；改進了動態(tài)權(quán)重因子，提出柔性遞減策略，使算法迭代前期尋優(yōu)能力更強，后期精度更高；加入精英萊維飛行策略，使適應度更好的個體位置進一步更新，有效增加算法的尋優(yōu)能力。在同樣條件下對法國RTC硅太陽電池數(shù)據(jù)進行辨識，IPOA有著較對比算法更低的誤差，能夠準確估計二極管模型的電流和功率。將IPOA先后經(jīng)過標準測試函數(shù)測試和太陽電池模型、光伏組件模型的應用，其收斂速度、算法精度均優(yōu)于PSO、GA、WOA、GWO、POA算法。同時在不同環(huán)境下進行實驗，IPOA算法的辨識結(jié)果能在不同輻照度的情況下與實驗結(jié)果有很好的吻合度，二者I-V、P-V特性曲線擬合度高。證明了IPOA能在不同的光照條件下準確的辨識參數(shù)。

[參考文獻]

[1]CRISTALDI L，F(xiàn)AIFER M，LAURANO C，etal.Model-based maximum power point tracking for photovoltaicpanels：parameters identification and training databasecollection[J].IET renewable power generation，2020，14（15）：2876-2884.

[2]丁明，王偉勝，王秀麗，等.大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述[J].中國電機工程學報，2014，34（1）：1-14.

DING M，WANGWS，WANGXL，etal.A review on theeffect of large-scale PV generation on power systems[J].Proceedings of the CSEE，2014，34（1）：1-14.

[3]HACHANA O，TINA G M，HEMSAS KE.PV array faultdiagnostictechnique for BIPV systems[J].Energy andbuildings，2016，126：263-274.

[4]BATZELIS EI，PAPATHANASSIOU S A.A method forthe analytical extraction of the single-diode PV modelparameters [J].IEEE transactions on sustainable energy，2016，7（2）：504-512.

[5]VILLALVA M G，GAZOLI J R，F(xiàn)ILHO E R.Comprehensive approach to modeling and simulation ofphotovoltaic arrays[J].IEEE transactions on powerelectronics，2009，24（5）：1198-1208.

[6]張海寧.基于非線性最小二乘法的光伏電池參數(shù)辨識[J].現(xiàn)代電力，2017，34（6）：79-84.

ZHANG H N.Parameter identification method forphotovoltaic cells based on nonlinear least square method[J].Modern electric power，2017，34（6）：79-84.

[7]EBRAHIMI SM，SALAHSHOUR E，MALEKZADEH M.Parameters identification of PV solar cells and modulesusing flexible particle swarm optimization algorithm [J].Energy，2019，179：358-372.

[8]ISMAIL M S，MOGHAVVEMI M，MAHLIA T M I.Characterization of PV panel and global optimization of itsmodel parameters using genetic algorithm[J].Energyconversion and management，2013，73：10-25.

[9]WANG L，HUANG C.A novel Elite Opposition-basedJaya algorithm for parameter estimation of photovoltaic cellmodels[J].Optik，2018，155：351-356.

[10]GUDE S，JANA K C.A multiagent system based cuckoosearch optimization for parameter identification ofphotovoltaic cell using Lambert W-function[J].Appliedsoft computing，2022，120：108678.

[11]ABD ELAZIZ M，OLIVA D.Parameter estimation of solarcells diode models by an improved opposition-based whaleoptimization algorithm[J].Energy conversion andmanagement，2018，171：1843-1859.

[12]PAN J W，GAO Y，QIAN Q，etal.Parametersidentification of photovoltaic cells using improved versionof the chaotic grey wolf optimizer[J].Optik，2021，242：167150.

[13]莫仕勛，楊皓，蔣坤坪，等.基于改進禿鷹搜索算法的變壓器J-A模型參數(shù)辨識[J].電工電能新技術，2022，41（4）：67-74.

MO S X，YANG H，JIANG K P，etal.Parameteridentification of transformer J-A model based on improvedBES algorithm[J].Advanced technology of electricalengineering and energy，2022，41（4）：67-74.

[14]吳忠強，劉重陽.基于IHHO算法的光伏電池工程模型的參數(shù)辨識[J].計量學報，2021，42（2）：221-227.WU ZQ，LIUCY.Parameter identification of photovoltaiccell engineering model based on IHHO algorithm[J].Actametrologica sinica，2021，42（2）：221-227.

[15]TROJOVSKY P，DEHGHANI M.Pelicanoptimizationalgorithm：a novel nature-inspired algorithm forengineering applications[J].Sensors，2022，22（3）：855.

[16]WU ZQ，YU D Q，KANG XH.Parameteridentificationof photovoltaic cell model based on improved ant lionoptimizer[J].Energy conversion and management，2017，151：107-115.

[17]孫以澤，彭樂樂，孟婢，等.基于Lambert W函數(shù)的太陽電池組件參數(shù)提取及優(yōu)化[J].太陽能學報，2014，35（8）：1429-1434.

SUN Y Z，PENG L L，MENG Z，etal.Parametersextraction and optimization for PV module based onLambert W function[J].Acta energiaesolaris sinica，2014，35（8）：1429-1434.

[18]LAUDANI A，MANCILLA-DAVID F，RIGANTI-FULGINEI F，etal.Reduced-form of the photovoltaic five-parameter model for efficient computation of parameters[J].Solar energy，2013，97：122-127.

[19]YAO X，LIU Y，LIN G M.Evolutionaryprogrammingmade faster[J].IEEE transactions on evolutionarycomputation，1999，3（2）：82-102.

[20]NAEIJIAN M，RAHIMNEJAD A，EBRAHIMI SM，etal.Parameter estimation of PV solar cells and modules usingWhippy Harris Hawks Optimization Algorithm[J].Energyreports，2021，7：4047-4063.

PARAMETER IDENTIFICATION OF SOLAR CELLMODEL BASED ON IPOA

Wu Yanjuan1.2，LiuZhenchao，Wang Yunliang1，2

（1.School of Electrical Engineering and Automation，Tianjin University of Technology，Tianjin 300384，China;

2.Tianjin Key Laboratory of Complex System Control Theory and Application，Tianjin 300384，China）

Abstract：Accurate identification of solar cell model parameters has a great impact on PV module power prediction and maximumpower point tracking，and it must be ensured to have high accuracy.Traditional intelligent algorithms can achieve a certain degree ofparameteridentification，but they all suffer from the problems of insufficient accuracy，slowconvergence，and easy to fall into localoptimality.To address such problems，a solar cell model parameter identification method based on the improved pelican optimizationalgorithm（IPOA）is proposed.In this algorithm，the population individuals are closely connected，and the position is updated bymutual learning of randomness，which has better effect than the traditional algorithm in engineering applications.At the same time，forthe characteristics of this algorithm，a position updating strategy based on Jaya algorithm is introduced to make the candidate solutionsof the population more optimal;the decreasing factor is improved to make the model beter in the later stage of the iteration.TheLevyflight strategy is added，which effectively improves the algorithm accuracy.IPOA has good results under dfferent solar iradiance，andthe discrimination results fit well with the actual curves，indicating that IPOA can accurately and effectively identify the solar cell modelparameters in different environments.

Keywords：solarcells;parameteridentification;heuristicalgorithms;optimization;chaoticinitialization;IPOA