CN104778345A - 一种模拟光伏电池模型老化故障的非线性参数计算方法 - Google Patents

Abstract

本发明涉及一种模拟光伏电池模型老化故障的非线性参数计算方法，包括：(1)采用半透明薄膜遮挡的方式降低光伏电池板接收的辐照度以模拟光伏电池板的老化故障，测得半透明薄膜遮挡的层数与辐照度衰减的关系；(2)建立遮挡的薄膜层数(C)与老化程度(L)的关系曲线；(3)利用遮挡程度的不同模拟不同的老化程度，调整光伏电池板回路中的负载并采集回路电压和电流值，获得的光伏电池板在不同辐照度下、不同老化程度下的I-V输出曲线；建立光伏电池板的外部特性I-V关系：(4)对于在不同辐照度、不同老化程度下光伏电池板的I-V输出曲线，经过参数辨识，获取其参数最优值。本发明可以获取光伏电池模型老化故障的非线性参数变化规律。

Description

一种模拟光伏电池模型老化故障的非线性参数计算方法

所属技术领域

本发明属于光伏电池技术领域，涉及一种光伏电池参数获取方法。

背景技术

由于面临能源危机和环境保护的压力，光伏太阳能以其清洁环保而受到各国重视，已成为未来能源发展的趋势。光伏电池的故障分为老化、裂片、热斑等。热斑问题的研究现已发展到故障定位的层面，而光伏电池的老化问题国内外相关研究较少。

发明内容

本发明的目的是提供一种求取光伏电池模型老化故障参数变化规律的方法。本发明的技术方案如下：

一种模拟光伏电池模型老化故障的非线性参数计算方法，包括下面的步骤：

(1)采用半透明薄膜遮挡的方式降低光伏电池板接收的辐照度以模拟光伏电池板的老化故障，模拟老化故障时遮挡掉的辐照度越多，表示老化程度越深；在相同的测试条件下，采用不同层数的半透明薄膜遮挡光伏电池板的光接收面，测得半透明薄膜遮挡的层数与辐照度衰减的关系；

(2)定义老化程度(L)表示如下： 

老化程度(L)＝辐照度衰减值÷标准条件下的辐照度值(1000W/m²)×100％

老化程度(L)用来表示透光率的衰减程度，老化程度越高透光率越低，辐照度衰减程度越高，根据测得的半透明薄膜遮挡的层数与辐照度衰减的关系，建立遮挡的薄膜层数(C)与老化程度(L)的关系曲线；

(3)利用遮挡程度的不同模拟不同的老化程度，调整光伏电池板回路中的负载并采集回路电压和电流值，获得的光伏电池板在不同辐照度下、不同老化程度下的I-V输出曲线；

(4)根据光伏电池板的单二极管模型及其等效电路，得出光伏电池板的外部特性I-V关系式：

$I=I_{\mathrm{ph}}-I_0\left\{e\mathrm{xp}\right[\frac{q(V+{\mathrm{IR}}_s)}{\mathrm{AkT}}]-1\}-\frac{V+{\mathrm{IR}}_s}{R_{\mathrm{sh}}}$

其中，

V——光伏电池板两端测量电压

I——光伏电池板外部回路中电流

A——二极管品质因子

T——光伏电池板的背板温度

k——波尔兹曼常数(1.380×10-23J/K)

R_s——电池串联电阻

q——电子电荷(1.608×10-19C)

I_o——二极管反向饱和电流

I_ph——光伏电池板光生电流

R_sh——电池并联电阻

引用Lambert W函数简化I-V方程，得到光伏电池板电流I的显式表达式：

$I=\frac{R_{\mathrm{sh}}(I_{\mathrm{ph}}+I_o)-V}{R_{\mathrm{sh}}+R_s}-\frac{{\mathrm{AV}}_{\mathrm{th}}}{R_s}\×W\left(\frac{R_s{R}_{\mathrm{sh}}{I}_o}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\exp \left(\frac{R_{\mathrm{sh}}{R}_s(I_{\mathrm{ph}}+I_o)+R_{\mathrm{sh}}V}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\right)\right)---\left(2\right)$

其中，V_th＝KT/q，W()为LambertW函数，由光生电流I_ph，反向饱和电流I₀，并联电阻R_sh,串联电阻R_s，二极管品质因子A五个参数就可以确定I-V曲线；

(4)对于在不同辐照度、不同老化程度下光伏电池板的I-V输出曲线，设五维粒子x_k＝(I_ph,I₀,A,R_s,R_sh)，经过参数辨识，获取此5个参数的最优值。

作为优选实施方式，步骤(4)应用自适应混沌粒子群参数辨识方法进行参数辨识。

本发明采用聚乙烯薄膜降低辐照度的方法来模拟光伏电池的老化状态，对薄膜遮挡层数与老化程度之间的关系进行了量化，用模拟老化的实验数据进行参数辨识，由此得到光伏电池模型中非线性参数的表达式，从而可以获取光伏电池模型老化故障的非线性参数变化规律。

附图说明

图1是实施流程图

图2是测量装置结构图

图3薄膜遮挡层数与老化程度的关系曲线

图4实验主电路

图5光伏电池模型等效电路

图6光伏电池模型参数辨识算法的实际应用流程图

图7光生电流(Iph)随老化程度的变化曲线

图8二极管反向饱和电流(Ios)随老化程度的变化曲线

图9二极管品质因子(A)随老化程度的变化曲线

图10串联电阻随老化程度的变化曲线

具体实施方式

光伏电池的封装结构为:超白玻璃——乙烯-醋酸乙烯酯共聚物(EVA)——电池片——乙烯-醋酸乙烯酯共聚物(EVA)——背板。由于光伏电池性质稳定并且背板在光伏组件中主要起支撑作用，在分析光伏电池老化的外部表征时，主要考虑超白玻璃和EVA老化造成的影响(半导体材料的老化周期相对要长一些)。

超白玻璃暴露在外界环境下，光氧、温度、湿度等外界因素均会导致其老化，其老化的主要表征为玻璃板材表面发黄、脆裂、机械强度下降，透光率下降。EVA老化的主要原因是光伏组件成品内部残留的极少数氧气，EVA与氧气发生化学反应，反应的速度随紫外线的增强及温度的增高而加快。EVA老化的外部表征主要为EVA颜色的变化，进而影响光伏电池透光率的变化。

光伏电池的原理是“光生电”，发电量的大小取决于光伏电池接收到阳光辐照度的强弱，当光伏电池老化时，反映出的特征是光转为电能力的降低，也可以等同为阳光辐照度的降低(比如阴天)，据此本发明的第一点是通过降低光伏电池表面的透光率来模拟光伏电池的老化现象。利用半透明薄膜不同层数的遮挡，可不同程度的降低光伏电池表面的透光率，来模拟光伏电池不同老化程度时的状态。本发明选取高密度聚乙烯薄膜为透光率均匀的半透明薄膜。高密度聚乙烯薄膜具有很好的耐热性和机械强度，拉伸伸长率小，透光率稍低，抗撕裂性强。高密度聚乙烯薄膜稍低的透光率满足模拟光伏电池老化的设计思路，拉伸伸长率小、抗撕裂性强使其对辐照度的遮挡处于稳定的水平。

光伏电池老化后，输出的电能功率会下降。通过分析光伏电池的机理，可以用降低光伏电池板接收的辐照度来模拟光伏电池的老化故障，本发明采用PVC膜遮挡的方法，模拟老化故障时遮挡掉的辐照度越多说明老化程度越深。

下面首先结合图1说明通过聚乙烯薄膜遮挡模拟光伏电池老化的方法实施过程：

本发明中遮挡薄膜的层数与光伏电池老化程度关系式的建立，与光伏电池的出厂标准测试条件(辐照度为1000w/m^2，温度为25℃)相同。标准条件下，每增加遮挡薄膜的层数每测一次辐照度值，测得半透明薄膜材料遮挡的层数与辐照度衰减的关系如表1所示。

表1 遮挡薄膜层数与辐照度衰减关系

由于透光率的变化反映老化程度的变化，因此，我们定义老化程度(L)表示如下：

老化程度(L)＝辐照度衰减值÷标准条件下的辐照度值(1000W/m²)×100％老化程度(L)用来表示透光率的衰减程度，老化程度越高透光率越低(辐照度衰减程度越高)。将表1-1中的不同薄膜层数遮挡时对应的辐照度衰减值带入到上述公式中，可得遮挡的薄膜层数(C)与老化程度(L)的关系曲线，如图3所示。

在不同老化程度下(遮挡程度的不同)，调整光伏电池回路中的负载并采集回路电压和电流值，获得的光伏板不同条件下的I-V输出曲线。

具体步骤如下：

首先准备好PVC膜，测量不同膜遮挡下的辐照度降低水平，并记录。

下面开始测量不同模拟老化程度下的光伏电池输出电压电流关系曲线。测量阳光的辐照度，在辐照度995W/m²、温度25℃条件下，首先将所有8层膜叠加到一起，覆盖在光伏太阳能电池板上，进行遮挡，然后，将实验设备连接好如图4或图2所示，数据采集板采集连续测两个电压：Rp和r两端电压，r两端电压。即数据采集卡两对测量点分别接Rp和r两端、r两端，注意共地点为电池负极。

将滑动变阻器阻值调到最小值0欧，打开数据测量***(数据采集板连接电脑，打开电脑的数据采集***界面开始采集)开始测量数据，将滑动变阻器的阻值以适当的速度从最小值增大到最大值，然后断开滑动变阻器；然后快速撤掉一层遮挡膜，同时将滑动变阻器阻值调到最小，然后连接滑动变阻器，进行与8层膜时候同样的操作，调节滑动变阻器到最大值，然后断开滑动变阻器；之后继续重复上面的步骤，减少膜，将滑动变阻器阻值调到最小，然后连接滑动变阻器，将变阻器值以适当速度调到最大值，然后断开电路，直至没有膜遮挡。这样就得到了在这一辐照度下的模拟老化实验结果。接下来，再在温度25℃，辐照度分别为750W/m²、400W/m²和240W/m²下重复同样的步骤，完成实验就可以得到在不同辐照度下的模拟老化实验数据。

这样得到的R_p和r两端电压就是光伏电池的输出电压，r两端电压除以r的阻值就是光伏电池的输出电流。

实验数据中可能会由于噪声干扰等产生一些明显错误的点，可以应用数据平均值滤波算法滤除掉。由于测得的每一条曲线都由很多点组成，而对如此多的数据点进行参数求取的计算量是过大，必须进行数据提取，选取一些对曲线形状有代表性的特征点形成特征曲线，在I-V曲线中以电压为依据，在电压小于3.5V 时，对每隔0.1V范围内的所有点进行求和再做平均，得到一个均值点，在电压大于3.5V时候，由于大多曲线从这里开始进入斜率较大的下降区，3.5V之后对每隔0.05V范围内的点求和再求出其均值，将这些取出的均值点点连成线，就是对测量得到的I-V有代表性的曲线。剩余35组电压电流值依照此方法同理进行数据滤波，数据选取，得到I-V曲线。

接下来应用自适应混沌粒子群参数辨识方法进行参数辨识。本专利中使用的是光伏太阳能电池应用最广泛的单二极管模型，包含的五个参数:光生电流I_ph，反向饱和电流I₀，并联电阻R_sh,串联电阻R_s，二极管品质因子A。物理模型如图5所示。

根据光伏电池模型等效电路，可以得出光伏电池的外部特性I-V关系式：

$I=I_{\mathrm{ph}}-I_0\left\{e\mathrm{xp}\right[\frac{q(V+{\mathrm{IR}}_s)}{\mathrm{AkT}}]-1\}-\frac{V+{\mathrm{IR}}_s}{R_{\mathrm{sh}}}---\left(1\right)$

其中，

V——光伏组件两端测量电压

I——组件外部回路中电流

A——二极管品质因子

T——电池的背板温度

K——波尔兹曼常数(1.380×10-23J/K)

R_s——电池串联电阻

q——电子电荷(1.608×10-19C)

I_o——二极管反向饱和电流

I_ph——光伏电池光生电流

R_sh——电池并联电阻

方程中的电流I无法通过初等函数处理得到显式的表达式，为此引用Lambert W函数简化I-V方程，得到光伏电池电流I的显式表达式：

$I=\frac{R_{\mathrm{sh}}(I_{\mathrm{ph}}+I_o)-V}{R_{\mathrm{sh}}+R_s}-\frac{{\mathrm{AV}}_{\mathrm{th}}}{R_s}\×W\left(\frac{R_s{R}_{\mathrm{sh}}{I}_o}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\exp \left(\frac{R_{\mathrm{sh}}{R}_s(I_{\mathrm{ph}}+I_o)+R_{\mathrm{sh}}V}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\right)\right)---\left(2\right)$

其中，V_th＝KT/q， $W\left(\frac{R_s{R}_{\mathrm{sh}}{I}_0}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\exp \left(\frac{R_{\mathrm{sh}}{R}_s(I_{\mathrm{ph}}+I_0)+R_{\mathrm{sh}}V}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\right)\right)$ 为LambertW函数，括号中不含未知量，因为算法是由matlab实现的，在matlab中可以直接调用lambertw()语句就可以对其值进行求解。

因此，由光生电流I_ph，反向饱和电流I₀，并联电阻R_sh,串联电阻R_s，二极管品质因子A五个参数就可以确定I-V曲线。

接下来就可以应用群优化算法(自适应混沌粒子群算法)，进行参数估计了，对任意一条曲线，设五维粒子x_k＝(I_ph,I₀,A,R_s,R_sh)，利用自适应混沌粒子群算法优化之后得到的全局最优解便是所要辨识的5个参数的最优值。自适应混沌粒子群算法由计算机matlab实现，具体步骤如下：

Step1：设粒子群的数目为n＝100，迭代次数设为150次。对粒子各个维度参数的取值范围进行设定。

利用Logistic映射方程(3)对群数为n的粒子群进行混沌初始化：

Z_i+1＝μZ_i(1-Z_i),i＝0,1,2,…,μ∈(0,4]   (3) 

其中，0≤Z₀≤1，Z_i为第i个变量。μ为控制参量，当选μ＝4时，***处于完全混沌状态，其混沌空间为[0，1]。在限制的遍历范围内对粒子的位置和速度设置随机初始值。

Step2：取每个粒子的位置作为其自身的最优位置p_best,将粒子群中最优的粒子位置赋给群体最优值g_best。

Step3：根据粒子当前的位置和速度按下面更新公式(4)、(5)、(6)更新自己的位置与速度，并利用载波形式将位置与速度限定在允许取值范围内。

v_id＝w×v_id+c₁×rand()×(p_id-x_id)+c₂×rand()×(p_gd-x_id)   (4) 

x_id＝a×x_id+v_id   (5) 

其中，c1、c2的取值通常为2，rand()表示[0,1]之间的随机数，w是保持原来速度的系数，称为惯性权重，α为约束因子。粒子更新位置变量与速度变量的遍历范围为分别为[X_min,X_max]、[V_min,V_max]。在更新过程中，若粒子更新的速度与位置超出遍历范围时取边界值。

利用了自适应调节惯性权重w的策略，来更新迭代过程中的权重值，公式如下：

$w=(w_{\max }-w_{\min })\×\exp (-{(\mathrm{\τ}\×\frac{\mathrm{cur}}{\mathrm{Loop}})}^2)+w_{\min }---\left(6\right)$

其中，w_max与w_min是公式(4)中惯性权重w的最大值与最小值。cur为当前迭代次数，Loop是最大迭代次数。τ是经验系数，取值为[20,55]之间。由于公式中含有负指数部分，在算法的迭代初期，cur值较小，惯性权重w值较大，粒子的速度和位置在整个遍历范围内更新；而在迭代后期，cur值较大，惯性权重w值较小，粒子的速度和位置在小范围内更新。从而该调节策略增强了混沌粒子群算法在全局搜索与布局搜索之间的协调性。

Step4：计算与曲线中各点横坐标相同的相应点的纵坐标值(I_cal)，并利用公式(7)和原曲线中相应点的纵坐标值I_mea分别计算每个粒子的适应度值。对于每个粒子，如粒子当前的适应度值优于粒子个体的最优极值，则用粒子当前适应度值代替个体的最优值p_best。根据粒子群中每个粒子的个体最优值找出粒子群的最优值，如粒子群当前最优值优于历史最优值，则用当前最优值代替粒子群最优值g_best。

$f\left(X\right)=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(I_{\mathrm{cal}}-I_{\mathrm{mea}})}^2}---\left(7\right)$

其中，X＝(Iph,Io,A,Rs,Rsh)，即每个粒子的位置向量代表五个电池模型的参数值。I_cal和I_mea分别为算法辨识的参数带入公式(7)中所得到的电流值和实际的电流测量值。适应度值越小表示辨识参数越准确。将任意一条I-V曲线的数据带入到群优化算法中，设定循环次数，通过算法不断的寻优最终得到十分接近真实值的模型参数。

Step5：判断算法达到最大迭代次数或者满足收敛条件(适应度达到设定值)，若满足直接转到Step7，否则执行下一步。

Step6：利用公式(8)判断算法是否早熟收敛。若是，再根据式(5)、式(9)更新粒子群位置进行混沌搜索，然后转向Step3。否则，执行下一步。

${\mathrm{\σ}}^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\frac{f_i-f_{\mathrm{avg}}}{f}\right)}^2,f=\max [1,\max |f_i-f_{\mathrm{avg}}\left|\right]---\left(8\right)$

式中，n为粒子群的粒子总数。f_i为第i个粒子的适应度值，f_avg为粒子群当前的平均适应度值。群体适应度方差σ²反映粒子群的收敛状态，若σ²越小，说明粒子群越趋于收敛。本发明为σ²设定一阈值，当σ²小于该阈值时，则判定为算法陷入早熟。为了避免将全局最优误判为早熟收敛，还需要设定一个最优适应度阈值。

当算法出现早熟时，粒子的位置变量按下式进行混沌搜索，并进行更新：

x_t+1＝X_min+Z_i+1×(X_max-X_min),t＝0,1,2…   (9)

其中，x_i+1为粒子的位置变量，Z_i+1为混沌粒子变量，由式(9)确定。

Step7：将全局最优解X＝(Iph,Io,A,Rs,Rsh)输出，得到模型5个参数的最优解。算法结束。

算法的流程图如图3所示：

同理，将剩余35条曲线数据带入到算法中得到不同辐照度下不同模拟老化程度下的参数辨识结果。

本发明在已有光伏电池通用模型(单二极管模型)的基础上，结合PVC薄膜材料逐层遮挡的方法来模拟光伏板老化过程的测量数据，应用群优化算法来求出光伏电池在不同辐照度、温度、不同老化程度下 (遮挡程度的不同)的光伏电池模型5个参数(光伏电池光生电流、二极管反向饱和电流、二极管品质因子、串联电阻、并联电阻)。下面以图形的方式将参数随老化程度、辐照度的变化规律表示为图4、图5、图6、图7所示(在某一背板温度下)。

根据图4以及表1中光生电流(I_ph)与老化程度的变化关系，可知I_ph与L近似呈线性，且为负相关。在公式中考虑老化程度的影响，定义光生电流(I_ph)随辐照度(S)、电池背板温度(T)、老化程度(L)之间的关系式如下：

I_ph＝a×I_ph,ref×(1-b×L)×S/S_ref

式中，

a×I_ph,ref＝c

c为一确定值，带入表1中数据，用相关算法进行线性拟合，得到光伏电池的关系式(确定温度下)：

I_ph＝5.0226×(1-1.122×L)×S/1000

实验中的背板温度为41度，其吻合度指标如下：

Goodness of fit:

SSE:1.349

R-square:0.9791

Adjusted R-square:0.9778

RMSE:0.2053

可以看出公式的拟合结果与原始数据吻合度非常高，适应度很好，对原始数据进行了非常好的解析。

根据图5以及表1中二极管反向饱和电流(I_o)随老化程度的变化关系，可知二极管反向饱和电流与老化程度近似呈指数关系，且受辐照度影响。定义二极管反向饱和电流(I_o)随辐照度(S)、电池温度(T)、老化程度(L)之间的关系式如下：

$I_o=a\×I_{o,\mathrm{ref}}\×(b+\frac{S}{S_{\mathrm{ref}}})\×e^{c\×(1-L)}$ (T在特定温度时)

公式中令： 

d×I_o,ref＝h

h为一确定值，再将表1中数据带入上式中进行数据拟合，可以得到关系式：

$I_o=2.775\×{10}^{-5}\×(-0.1342+\frac{S}{1000})\×e^{10.63\×(1-L)}$

公式中，I_o的单位为mA。拟合结果的吻合度指标如下：

Goodness of fit:

SSE:0.08914

R-square:0.9423

Adjusted R-square:0.9387

RMSE:0.05278

在光伏电池温度为某特定值时，二极管品质因子(A)随辐照度(S)和老化程度(L)的变化曲线如图6所示，从曲线可以大致看出，二极管品质因子与老化程度关系类似线性，且呈现负相关，与辐照度成正相关。

$A=a\×A_{\mathrm{ref}}\×(1+b\×(1-L))\×(1+c\×1n\left(\frac{S}{S_{\mathrm{ref}}}\right))$

依据表1的数据进行拟合，得关系式：

$A=10.07\×(1+0.8857\×(1-L))\×(1+0.1879\×1n\left(\frac{S}{1000}\right))$

拟合结果的吻合度指标如下：

Goodness of fit:

SSE:7.287

R-square:0.9703

Adjusted R-square:0.9664

RMSE:0.4929

由图7所示为光伏电池温度为特定值时，串联电阻(R_s)随辐照度和老化程度的变化曲线，由图可知，串联电阻近似与老化程度呈指数关系，受到辐照度水平的影响。因此，估计公式形式如下：

$R_s=a\×R_{s,\mathrm{ref}}\×(1+b\×\frac{S_{\mathrm{ref}}}{S})\×(1+\exp (c\×L+d))$

将实验数据进行拟合，得到系数关系如下：

$R_s=0.02878\×(1+2.042\×\frac{1000}{S})\×(1+\exp (3.846\×L-1.475))$

拟合结果的吻合度水平如下：

Goodness of fit:

SSE:0.2367

R-square:0.9534

Adjusted R-square:0.9489

RMSE:0.08739

上面的拟合公式虽然与实验数据的吻合度非常高，但是结果相对复杂，为了简化公式，使其更适于应用在工程中，应用相对简便的拟合结果如下：

$R_s=a\×R_{s,\mathrm{ref}}\×\left(\frac{S_{\mathrm{ref}}}{S}\right)\×(1+\exp (b\×L+d))$

带入数据，得到拟合结果：

$R_s=0.06371\×\left(\frac{S_{\mathrm{ref}}}{S}\right)\×(1+\exp (3.697\×L-1.25))$

其吻合度水平如下：

Goodness of fit:

SSE:0.3072

R-square:0.9396

Adjusted R-square:0.9358

RMSE:0.09797

实验结果还发现，如果将上述公式继续简化为下式：

$R_s=a\×R_{s,\mathrm{ref}}\×\left(\frac{S_{\mathrm{ref}}}{S}\right)\×\exp (b\×L)$

带入数据，拟合结果如下：

$R_s=0.05531\×\left(\frac{1000}{S}\right)\×\exp (2.523\×L)$

但是其吻合度仍有如下水平：

Goodness of fit:

SSE:0.3684

R-square:0.9275

Adjusted R-square:0.9253

RMSE:0.1057

以上公式拟合结果，既保证了拟合结果与原始数据的误差精度，又考虑到实际工程物理意义与前人的研究成果，具有很高的工程实用价值。

Claims (2)

1.一种模拟光伏电池模型老化故障的非线性参数计算方法，包括下面的步骤：

(1)采用半透明薄膜遮挡的方式降低光伏电池板接收的辐照度以模拟光伏电池板的老化故障，模拟老化故障时遮挡掉的辐照度越多，表示老化程度越深；在相同的测试条件下，采用不同层数的半透明薄膜遮挡光伏电池板的光接收面，测得半透明薄膜遮挡的层数与辐照度衰减的关系；

(2)定义老化程度(L)表示如下：

老化程度(L)＝辐照度衰减值÷标准条件下的辐照度值(1000W/m²)×100％

老化程度(L)用来表示透光率的衰减程度，老化程度越高透光率越低，辐照度衰减程度越高，根据测得的半透明薄膜遮挡的层数与辐照度衰减的关系，建立遮挡的薄膜层数(C)与老化程度(L)的关系曲线；

(3)利用遮挡程度的不同模拟不同的老化程度，调整光伏电池板回路中的负载并采集回路电压和电流值，获得的光伏电池板在不同辐照度下、不同老化程度下的I-V输出曲线；

(4)根据光伏电池板的单二极管模型及其等效电路，得出光伏电池板的外部特性I-V关系式：

$I=I_{\mathrm{ph}}-I_0\left\{\exp \right[\frac{q(V+{\mathrm{IR}}_s)}{\mathrm{AkT}}]-1\}-\frac{V+{\mathrm{IR}}_s}{R_{\mathrm{sh}}}$

其中，

V——光伏电池板两端测量电压

I——光伏电池板外部回路中电流

A——二极管品质因子

T——光伏电池板的背板温度

k——波尔兹曼常数(1.380×10-23J/K)

R_s——电池串联电阻

q——电子电荷(1.608×10-19C)

I_o——二极管反向饱和电流

I_ph——光伏电池板光生电流

R_sh——电池并联电阻

引用Lambert W函数简化I-V方程，得到光伏电池板电流I的显式表达式：

$I=\frac{R_{\mathrm{sh}}(I_{\mathrm{ph}}+I_o)-V}{R_{\mathrm{sh}}+R_s}-\frac{{\mathrm{AV}}_{\mathrm{th}}}{R_s}\×W\left(\frac{R_s{R}_{\mathrm{sh}}{I}_o}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\exp \left(\frac{R_{\mathrm{sh}}{R}_s(I_{\mathrm{ph}}+I_o)+R_{\mathrm{sh}}V}{{\mathrm{AV}}_{\mathrm{th}}(R_{\mathrm{sh}}+R_s)}\right)\right)---\left(2\right)$

其中，V_th＝KT/q，W()为LambertW函数，由光生电流I_ph，反向饱和电流I₀，并联电阻R_sh,串联电阻R_s，二极管品质因子A五个参数就可以确定I-V曲线；

(4)对于在不同辐照度、不同老化程度下光伏电池板的I-V输出曲线，设五维粒子x_k＝(I_ph,I₀,A,R_s,R_sh)，经过参数辨识，获取此5个参数的最优值。

2.根据权利要求1所述的方法，其特征在于，步骤(4)应用自适应混沌粒子群参数辨识方法进行参数辨识。