CN115062537B - 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法 - Google Patents

基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法 Download PDF

Info

Publication number
CN115062537B
CN115062537B CN202210633318.8A CN202210633318A CN115062537B CN 115062537 B CN115062537 B CN 115062537B CN 202210633318 A CN202210633318 A CN 202210633318A CN 115062537 B CN115062537 B CN 115062537B
Authority
CN
China
Prior art keywords
wolf
wolves
walk
drunken
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210633318.8A
Other languages
English (en)
Other versions
CN115062537A (zh
Inventor
吴虎胜
彭强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Engineering University of Chinese Peoples Armed Police Force
Original Assignee
Engineering University of Chinese Peoples Armed Police Force
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Engineering University of Chinese Peoples Armed Police Force filed Critical Engineering University of Chinese Peoples Armed Police Force
Priority to CN202210633318.8A priority Critical patent/CN115062537B/zh
Publication of CN115062537A publication Critical patent/CN115062537A/zh
Application granted granted Critical
Publication of CN115062537B publication Critical patent/CN115062537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Nonlinear Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，利用基于醉汉漫步混沌狼群算法，求解光伏电池模型的目标函数的最优解；其中，基于醉汉漫步混沌狼群算法包括以下步骤：S1、使用混沌映射序列进行种群初始化；S2、利用基于醉汉漫步模型的游走方向选择、和采用自适应游走步长，来进行游走行为；S3、头狼召唤所有狼向其靠拢；S4、设计奔袭行为半数狼群个体满足围攻距离，就进行围攻行为的判断条件来进行围攻；S5、迭代过程中，采用汉明距离的对种群中个体的相似性进行判断，不断的更新种群个体。其解决了当前智能优化算法求解光伏模型的参数辨识问题中，求解精度低的缺点和光伏组件模型的非线性和复杂性的问题。

Description

基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法
技术领域
本发明属于光伏发电技术领域，具体涉及一种基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法。
背景技术
光伏***是一种将太阳能转换成电能的太阳能收集设备，被广泛地应用于生产和生活中。为了更好地设计与应用光伏***的故障诊断和最大功率点跟踪控制等技术，建立可高精度地描述光伏***中电流-电压关系的数学模型显得十分重要。近年来，国内外学者对光伏***的输出特性模型进行了大量研究，目前最常见的模型是单二极管模型(SDM)、双二极管模型(DDM)和光伏组件模型[4]。
随着群体智能(Swarm Intelligence，SI)的相关研究的不断深入，狼群算法等算法及各自相应的改进算法相继被提出。这些算法具有简单易行、鲁棒性好、适应性强和适用范围广等特点，是解决各类复杂优化问题有效方式，也被广泛地应用于解决光伏***模型参数辨识问题。
在狼群算法WPA中，游走行为使得算法具有较好的遍历性，从而算法具有了较强的全局探索能力；头狼选取机制和召唤行为使得狼群快速收拢，加快了算法的收敛速度；围攻行为中狼群采取进一步在当前最优解附近精细化搜索，提高了算法的局部勘探能力；狼群的更新机制在保持种群优势的同时，不断增强种群多样性，有利于跳出局部最优，避免了算法出现“早熟”。因此，WPA表现出了较好的寻优性能。但是目前的狼群算法在解决光伏模型的参数辨识问题等实际的复杂工程问题中还存在求解精度低的缺点，并且求解复杂优化问题的效率和精度还待进一步提高。
发明内容
本发明的目的是提供一种基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，以解决当前智能优化算法求解光伏模型的参数辨识问题中，求解精度低的缺点和光伏组件模型的非线性和复杂性的问题。
本发明采用以下技术方案：基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，利用基于醉汉漫步混沌狼群算法，求解所述光伏电池模型的目标函数的最优解，即完成对所述模型参数的辨识；
所述基于醉汉漫步混沌狼群算法中，将狼群狩猎的区域看作一个N×D的欧式空间，其中狼群规模为N，空间的维度为D，狼i的位置为Xi＝(xi1,xi2,…,xiD)，其中xid为狼i在第d(d＝1,2,…,D)维空间中所处的位置，狼i感知到的猎物气味的浓度即所述光伏电池模型的目标函数值，记为Yi，则Yi＝f(Xi)(i＝1,2,…,N)；人工狼的位置，对应光伏电池参数辨识问题解空间中的某个候选参数组；人工狼主体具有头狼、探狼、猛狼三种不同角色；头狼的位置为光伏电池模型的目标函数值的当前最优参数组；当人工狼在执行游走和召唤行为时，分别被称为探狼和猛狼；狼群种群，为光伏电池模型的目标函数值的候选参数组的集合；
其中，所述基于醉汉漫步混沌狼群算法包括以下步骤：
S1、使用混沌映射序列的方法对狼群种群进行初始化；即使用混沌映射序列的方法对光伏电池模型的目标函数值的候选参数组的集合进行初始化；
S2、探狼利用基于醉汉漫步模型的要求进行游走方向的选择，采用自适应游走步长来进行游走行为，并获得头狼的位置；即采用基于醉汉漫步模型的游走规则来更新所述S1中的候选参数组，并获得当前最优参数组；
S3、游走行为结束后，头狼召唤所有人工狼执行召唤行为；即采用召唤规则来更新经步骤S2处理得到的候选参数组；
S4、召唤行为结束后，采用半数围攻策略来进行围攻，所述半数围攻策略为：若超过一半的猛狼与头狼的距离小于判定距离时，所有猛狼执行围攻行为；即采用所述半数围攻策略来更新经步骤S3处理得到的候选参数组；
S5、采用基于汉明距离的狼群种群动态更新机制对狼群进行更新，即采用基于汉明距离的狼群种群动态更新规则来对经步骤S4处理得到的参数组进行更新，并更新头狼的位置，直至满足迭代停止条件，得到最佳头狼位置，即得到光伏电池模型的目标函数的最优解。
进一步的，步骤S1的具体方法为：通过分段线性混沌映射Pwlcm map搜索得到混沌变量序列后，再将混沌变量序列变换到原来的解空间，从而得到狼群算法的初始化种群。
进一步的，步骤S2的具体方法为：游走过程中，探狼i按醉汉漫步模型采取贪婪式的策略，朝向h个方向分别前进一步，并记录每前进一步后所处位置和相应的适应度值，然后退回原位置；在h个方向中，取气味浓度最大且大于当前气味浓度Yi的方向作为该探狼的更新方向；将游走步长设计为自适应步长，即step＝rand·norm||xi-g||，xi为狼i的位置，g为头狼的位置。
进一步的，醉汉漫步模型为：
其中，θp为醉汉漫步的方向，取值为[-2π，2π]中的任意数；表示第k代中的猛狼i第d维空间中的位置；/>表示第k+1代中的猛狼i第d维空间中的位置；该模型中醉汉的每一步的方向是在整个空间中的任意方向。
进一步的，步骤S4的半数围攻策略的具体方法为：
狼群的种群数为N，除头狼外的N-1只狼视为猛狼，当超过一半的猛狼与头狼的距离小于判定距离Lnear时，所有猛狼都将位置调整到围攻范围内执行围攻行为；
每次迭代中，当距离头狼最近的N/2只猛狼与头狼的最大距离小于判定距离Lnear时，即达到围攻条件时，所有猛狼调整位置执行围攻行为；否则，继续执行召唤行为；
所述围攻条件为：
其中，Lnear为转为围攻行为的判定距离，Lnear通过曼哈顿距离公式计算得到。
进一步的，步骤S5的基于汉明距离的狼群种群动态更新机制的具体方法为：
step 5.1:计算所有个体狼与头狼的相似度S。将S大于预先设置的阈值St的个体组成狼群Pd，其余个体组成狼群Px。设Pd的规模为Nd，则Px的规模为N-Nd；
Step5.2:为保持种群优势，保留狼群Pd中数量为[(1-1/β)Nd,(1-1/(2β))Nd]的优秀个体，淘汰Pd中剩余个体，后续补充Pd淘汰的个体；
Step5.3:在寻优空间中随机产生[Nd/(2β),Nd/β]只相似度符合要求的个体补充到Pd；
step 5.4:将Px与Pd结合成新的狼群，即：下次迭代的初始狼群P0。
进一步的，步骤S5中，计算相似度的方法为：
设狼群中个体之间相似度为S，其表示两匹人工狼所有对应维度空间中位置相同的维度个数之和占总维度的比例，计算狼群中任意两只狼的相似度Sij；
即：汉明距离就是Xi＝(xi1,xi2,…,xiD)和Xj＝(xj1,xj2,…,xjD)两个向量所有对应位置上不同数值的位置个数之和Lij；
式中，/>为异或运算符；D表示向量的维度；d∈1,2,…,D。
本发明的有益效果是：本发明基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，一是采用混沌映射初始化种群的策略，增强初始种群多样性；二是利用基于醉汉漫步模型的游走方向选择和采用自适应游走步长，增大游走的随机性，提高个体的寻优能力；三是设计奔袭行为半数狼群个体满足围攻距离就进行围攻行为的判断条件，加快算法收敛，提高算法求解速度；四是在迭代过程中，根据最优解的变化情况，采用汉明距离的对种群间个体的相似性进行判断，不断的更新种群个体，避免了算法陷入局部最优而出现“早熟”。
附图说明
图1为单二极管模型的等效电路图；
图2为双二极管模型的等效电路；
图3为光伏模块模型的等效电路；
图4a至图4d分别为Logistic map、Tent map、Piecewise map和Pwlcm map四种典型的混沌映射的概率分布图；
图5-1和图5-2分别为种群数为100和500的Pwlcm map采样点分布图；
图6-1至图6-8分别为7种算法分别对8个函数求解的平均收敛曲线对比图；
图7-1至图7-3分别为三种模型的测量数据和仿真数据之间的比较图；
图8-1至图8-3分别为三种光伏模型的六种算法求解收敛曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一、光伏电池模型：
1、光伏电池模型包括单二极管模型、双二极管模型和光伏组件模型。目前，单二极管和双二极管两种模应用最为广泛，在两种模型的基础上光伏组件模型也得到了进一步发展。
(1)单二极管模型
单二极管模型具有简单、准确等优点，常被广泛用于描述光伏***的静态特性。该模型的等效电路图如图1所示。
该模型由并联于二极管的电流源、表示泄漏电流的分流电阻和表示负载电流相关损耗的串联电阻组成。输出电流I如式(21)所示。
其中，Iph是光生电流，Id是二极管电流；Ish是并联电阻器电流；Io是二极管反向饱和电流，a是二极管理想因子，Rs和Rsh分别是串联和并联电阻，V是电池输出电压。k表示玻尔兹曼常数(1.3806503×10-23J/k)，q表示电子电荷(1.60217646×10-19C)，T为用开尔文温度表示的结温。其中有五个未知参数(Iph、Io、Rs、Rsh、a)需要在SDM中提取。
(2)双二极管模型
与单二极管模型相比，考虑了耗尽区复合电流损耗影响的双二极管模型更为精确，因此双二极管模型目前也常用于光伏电池的建模[33]。该模型具有两个与电流源并联的二极管和一个用于分流光生电流源的分流电阻。一个作为整流器，另一个用来模拟电荷复合电流。双二极管模型的等效电路如图2所示。
输出电流I可以由式(22)计算得到。
式中，Id1和Id2分别表示两个二极管的电流，Io1和Io2分别为扩散电流和饱和电流。a1和a2分别表示两个二极管的理想因子。相比于单二极管模型，双二极管模型需辨识较多参数，需要提取七个未知参数，包括Iph、Io1、Io2、Rs、Rsh、a1和a2。
(3)光伏组件模型
光伏组件是由若干太阳能电池单元通过串联并联组成，其等效电路如图3所示。
对于单个二极管光伏模块，其电流和电压关系公式如下公式(23：
其中，Ns和Np分别是串联或并联的太阳能电池数量。对于光伏模块模型，还需要提取五个未知参数(Iph、Io、Rs、Rsh和a)。
2.目标函数
对于光伏模型的参数辨识问题，其主要目的是寻找未知参数的最优值，使实测数据与计算电流数据的差值最小化，通常被转化为一类利用优化算法求解的优化问题。因此，表1中给出了每种模型的每一对测量与计算的电流数据点的误差函数。为对总体差异进行量化，本发明中将式(24)中的均方根误差(Root Mean Squared Error,RMSE)作为目标函数；
光伏模型的参数辨识问题转换为求取目标函数最小值的问题。
表1三种模型的误差函数
利用基于醉汉漫步混沌狼群算法，求解目标函数的最优解，即完成了模型参数的辨识。
二、本发明基于醉汉漫步混沌狼群算法DCWPA：
1、现有狼群算法WPA的缺点：
不足1:WPA的种群初始化一般都是采用伪随机数(pseudo-random number)的方式，因此种群不能均匀的覆盖解空间。调用Matlab软件中rand函数分别初始化种群数为100和500的两个种群，如图2所示，可以看出初始化种群中个体相互重叠，且部分区域空白，导致初始种群无法均匀地覆盖整个求解空间，影响算法的寻优性能。
不足2:游走行为中，探狼采取贪婪式策略，当搜索方向h固定后，每只探狼的游走相当于在固定的h个方向上选取方向移动，方向相对固定，方向变化的随机性明显减小。若猎物处于搜索方向的平行线之间，则探狼极难发现，难以找到全局最优解。并且游走步长采用固定值，也减小了搜索的随机性。
不足3：奔袭行为中，需要不断地分析计算所有的猛狼与头狼之间的距离，并要求所有的猛狼与头狼之间距离均小于临界距离Lnear时才结束奔袭行为，转为围攻猎物。算法求解高维复杂优化问题时，必然造成大量计算资源的耗费，同时也可能使得长时间算法无法跳出奔袭行为，导致算法运行速率慢和耗时的大幅度增加。
不足4：WPA不断的进行迭代，通常为保持种群优势，只进行少数狼的更新，迭代后期，种群的多样性势必减小，难以跳出局部最优，出现“早熟”，从而算法的求解精度难以达到最佳。
2、改进策略：
针对基本狼群算法表现出了的四点不足之处，本发明提出了四点改进措施:一是采用混沌映射初始化种群的策略，增强初始种群多样性；二是利用基于醉汉漫步模型的游走方向选择和采用自适应游走步长，增大游走的随机性，提高个体的寻优能力；三是设计奔袭行为半数狼群个体满足围攻距离就进行围攻行为的判断条件，加快算法收敛，提高算法求解速度；四是在迭代过程中，根据最优解的变化情况，采用汉明距离的对种群间个体的相似性进行判断，不断的更新种群个体，避免了算法陷入局部最优而出现“早熟”。
2.1基于混沌映射的种群初始化
混沌状态在自然与社会中广泛存在，具有随机性、遍历性和规律性等特点，混沌运动可以在一定范围内根据自身的规律不重复地遍历所有状态。因此为在求解空间中高效生成分布均匀的初始化种群，提出混沌映射方法初始化狼群位置。当前能满足此类条件的混沌映射序列有很多种，如表2所示，Logistic map、Tent map、Piecewise map、Pwlcm map等是4个比较典型的混沌映射。
表2 4个典型的混沌映射
为直观地显示表1中4个混沌映射的特点，将它们在(0，1)区间上的概率分布特性进行对比。其中采用如下方式求取概率分布：采用混沌映射迭代50000次所产生的50000个混沌数值点，统计这50000个点落入区间(0，1)100等分后所得100个区间的概率，并绘制成如图4a至图4d所示的概率分布图。
分析图4a至图4d得知，Logistic map呈现出中间大，两头小的分布趋势，若此时函数问题的全局最优解在中间分布时，就会出现大量的无效搜索，对全局寻优会很不利。Tentmap、Piecewise map和Pwlcm map较为均匀地分布于(0，1)区间内，这三种分布可以避免在某些局部区域过量搜索(如Logistic映射大量搜索都集中于区间两端)，从而减小由于混沌序列分布特性与优化问题全局最优解位置之间关系的不相适应所造成对优化算法的不利影响。从图中可以看出，Pwlcm map比其他两种映射序列的概率分布更加均匀，并且由Tentmap的概率波动范围为(0.0105，0.00967)、Piecewise map的概率波动范围为(0.0105，0.0097)、Pwlcm map的概率波动范围为(0.01023，0.00977)可知，Pwlcm map概率分均间隔差为0.00046，比其他两种序列均小的多。如图5-1和图5-2所示，利用Pwlcm map在(0，1)间分别初始化种群数为100和500的两个二维种群，可以明显看出，Pwlcm map生成的初始种群相对于图5中随机生成的初始种群分布的更佳均匀，有利于算法初期对整个区域的完全搜索。因此，本发明选择Pwlcm map对狼群算法种群个体进行初始化。
通过Pwlcm map搜索得到混沌变量序列z后，需要将混沌遍历序列z按照下式(7)变换到原来的解空间；
其中，ub与lb分别代表狼i活动的上边界与下边界。
2.2基于醉汉漫步模型的随机游走
随机漫步(Random Walk)思想是在1905年由Pearson提出来的，它是一种随机的、不规则的移动形式，移动过程中的下一步都是不确定的。随机漫步的思想是指某一元素从任意点出发进行随机运动，经过一定时间后，必将遍历整个空间。随机漫步思想因其具有很强的适用性，已经在诸多领域得到了广泛地应用。Gupta等[36]基于随机漫步思想，设计了一种改进的灰狼优化算法，在解决连续优化问题和实际生活优化问题中表现出了较好的性能。随机漫步一般可分为马尔可夫链、莱维飞行(Levy Flight)和醉汉漫步(DrunkardWalk)三种类型。醉汉漫步模型如式(8)中所示，该模型中醉汉的每一步的方向是在整个空间中的任意方向，具有很大的不确定性和随机性，能较好的遍历整个空间。
因此，为增强探狼的突围能力，避免其陷入局部，将醉汉漫步与贪婪式的游走行为相结合，设计一种基于醉汉漫步的游走行为，即：游走过程中，探狼i按式(8)采取贪婪式的策略朝向h个方向分别前进一步并记录每前进一步后所处位置和相应的适应度值，然后退回原位置。在h个方向中，取气味浓度最大且大于当前气味浓度Yi的方向作为该探狼的更新方向。
醉汉的步长step可固定也可变化，小步长有助于开展精细化搜索，而足够大的步长有助于扩大搜索范围或跳出局部最优。同时，考虑探狼位置与头狼的空间距离，将游走步长设计为式(9)中所示的自适应步长。自适应步长能有效地增大探狼搜索的随机性，从而增强探狼突围寻优能力。
step＝rand·norm||xi-g|| (9)，
xi为狼i的位置，g为头狼的位置。
2.3半数围攻策略
除头狼外的N-1只狼视为猛狼，猛狼收到召唤命令后，迅速地向头狼靠拢。当超过一半的猛狼与头狼的距离小于判定距离Lnear时，所有猛狼都将位置调整到围攻范围内执行围攻行为。
第k次迭代中，距离头狼最近的N/2只猛狼与头狼的最大距离为为了得到距离对猛狼与头狼的距离排序，/>表示将各猛狼与头狼的距离按升序排列后/>在序列中的次序。所有猛狼的次序编码向量Pk如式(10)所示：
每次迭代中，当距离头狼最近的N/2只猛狼与头狼的最大距离小于Lnear时，即：达到式(11)中围攻条件时，所有猛狼调整位置执行围攻行为；否则，继续执行召唤行为。
2.4基于汉明距离的种群动态更新机制
WPA经过多次迭代运行后，狼群个体大多数都在当前最优解附近，甚至部分个体的都是当前最优个体，个体相似度增大，种群多样性减少，导致进化停滞，可能因难以跳出局部最优而出现“早熟”现象。因此，本发明引入基于汉明距离[40]的相似度判断机制来对种群进行动态更新，以保持种群不断地进化。当最优值停滞变化次数超过预先设置的阈值时，计算各个体狼与头狼的汉明距离来判断个体间相似度，淘汰与头狼相似度高的个体狼，同时产生与头狼相似度低的新个体，增强种群的多样性，从而提升算法在迭代中跳出局部极值的能力和保持持续进化活力。
汉明距离主要用于描述两个相同维度向量之间的差异性，即：如式(12)所示，汉明距离就是Xi＝(xi1,xi2,…,xiD)和Xj＝(xj1,xj2,…,xjD)两个向量所有对应位置上不同数值的位置个数之和Lij。它能准确地反应两个向量之间的差异，从而达到客观判断向量相似性的目的。
式中，为异或运算符；D表示向量的维度；d∈1,2,…,D。
设狼群中个体之间相似度为S，其表示两匹人工狼所有对应维度空间中位置相同的维度个数之和占总维度的比例。按照式(13)可计算狼群中任意两只狼的相似度Sij。将计算所得的相似度Sij与预先设置的阈值St进行对比。若Sij小于阈值St，表明两个个体相似度较低；否则，两个个体相似度较高。
当迭代寻优过程中发现种群进化停滞时，通过汉明距离计算所有个体狼与当前头狼的相似度，保留相似度低的个体，淘汰相似度高的个体，产生与头狼相似度低的个体以更新狼群，进而使狼群在解空间中分布开来，增加算法的全局寻优能力。具体过程为:
step 1:计算所有个体狼与头狼的相似度S。将S大于St的个体组成狼群Pd，其余个体组成狼群Px。设Pd的规模为Nd，则Px的规模为N-Nd。
step 2:为保持种群优势，保留狼群Pd中数量为[(1-1/β)Nd,(1-1/(2β))Nd]的优秀个体，淘汰Pd中剩余个体，后续补充Pd淘汰的个体。
step 3:在寻优空间中随机产生[Nd/(2β),Nd/β]只相似度符合要求的个体补充到Pd。
step 4:将Px与Pd结合成新的狼群，即：下次迭代的初始狼群P0。
需要注意的是：狼群进化初期在解空间中具有较好的分布性，为提高算法的收敛性、节约计算资源和减少计算耗时，当进化停滞一定代数后，才利用基于汉明距离的种群动态更新方法对种群进行更新。
3.本发明提供的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其具体内容如下：利用基于醉汉漫步混沌狼群算法，求解所述光伏电池模型的目标函数的最优解，即完成对所述模型参数的辨识；
所述基于醉汉漫步混沌狼群算法中，将狼群狩猎的区域看作一个N×D的欧式空间，其中狼群规模为N，空间的维度为D，狼i的位置为Xi＝(xi1,xi2,…,xiD)，其中xid为狼i在第d(d＝1,2,…,D)维空间中所处的位置，狼i感知到的猎物气味的浓度即所述光伏电池模型的目标函数值，记为Yi，则Yi＝f(Xi)(i＝1,2,…,N)；人工狼的位置，对应光伏电池参数辨识问题解空间中的某个候选参数组；人工狼主体具有头狼、探狼、猛狼三种不同角色；头狼的位置为光伏电池模型的目标函数值的当前最优参数组；当人工狼在执行游走和召唤行为时，分别被称为探狼和猛狼；狼群种群，为光伏电池模型的目标函数值的候选参数组的集合；
其中，所述基于醉汉漫步混沌狼群算法包括以下步骤：
S1、使用混沌映射序列的方法对狼群种群进行初始化；即使用混沌映射序列的方法对光伏电池模型的目标函数值的候选参数组的集合进行初始化；
S2、探狼利用基于醉汉漫步模型的要求进行游走方向的选择，采用自适应游走步长来进行游走行为，并获得头狼的位置；即采用基于醉汉漫步模型的游走规则来更新所述S1中的候选参数组，并获得当前最优参数组；
S3、游走行为结束后，头狼召唤所有人工狼执行召唤行为；即采用召唤规则来更新经步骤S2处理得到的候选参数组；
S4、召唤行为结束后，采用半数围攻策略来进行围攻，所述半数围攻策略为：若超过一半的猛狼与头狼的距离小于判定距离时，所有猛狼执行围攻行为；即采用所述半数围攻策略来更新经步骤S3处理得到的候选参数组；
S5、采用基于汉明距离的狼群种群动态更新机制对狼群进行更新，即采用基于汉明距离的狼群种群动态更新规则来对经步骤S4处理得到的参数组进行更新，并更新头狼的位置，直至满足迭代停止条件，得到最佳头狼位置，即得到光伏电池模型的目标函数的最优解。
在一些实施例中，步骤S1的具体方法为：通过分段线性混沌映射Pwlcm map搜索得到混沌变量序列后，再将混沌变量序列变换到原来的解空间，从而得到狼群算法的初始化种群。
在一些实施例中，步骤S2的具体方法为：游走过程中，探狼i按醉汉漫步模型采取贪婪式的策略，朝向h个方向分别前进一步，并记录每前进一步后所处位置和相应的适应度值，然后退回原位置；在h个方向中，取气味浓度最大且大于当前气味浓度Yi的方向作为该探狼的更新方向；将游走步长设计为自适应步长，即step＝rand·norm||xi-g||，xi为狼i的位置，g为头狼的位置。
在一些实施例中，醉汉漫步模型为：
其中，θp为醉汉漫步的方向，取值为[-2π，2π]中的任意数；表示第k代中的猛狼i第d维空间中的位置；/>表示第k+1代中的猛狼i第d维空间中的位置；该模型中醉汉的每一步的方向是在整个空间中的任意方向。
在一些实施例中，步骤S3的具体方法为：
除头狼外的所有狼视为猛狼，头狼发出召唤命令后，猛狼迅速按下式向头狼靠拢；
其中，奔袭步长 表示第k代中的头狼第d维空间中位置；
若奔袭途中猛狼i发现比头狼所在位置适应度值更优的位置，即：Yi≥Ylead，则猛狼i替代头狼并发起号召；否则，继续奔袭，直到满足半数围攻条件，结束召唤行为并转入步骤4。
在一些实施例中，步骤S4的具体方法为：
狼群的种群数为N，除头狼外的N-1只狼视为猛狼，当超过一半的猛狼与头狼的距离小于判定距离Lnear时，所有猛狼都将位置调整到围攻范围内执行围攻行为；
第k次迭代中，猛狼i与头狼之间的距离为距离头狼最近的N/2只猛狼与头狼的最大距离为/>
为了得到距离对猛狼与头狼的距离排序，/>表示将各猛狼与头狼的距离按升序排列后/>在序列中的次序；
所有猛狼的次序编码向量Pk为：
每次迭代中，当距离头狼最近的N/2只猛狼与头狼的最大距离小于判定距离Lnear时，即达到围攻条件时，所有猛狼调整位置执行围攻行为；否则，继续执行召唤行为；
所述围攻条件为：
其中，Lnear为转为围攻行为的判定距离，Lnear通过曼哈顿距离公式计算得到。
在一些实施例中，步骤S5的具体方法为：
step 5.1:计算所有个体狼与头狼的相似度S。将S大于预先设置的阈值St的个体组成狼群Pd，其余个体组成狼群Px。设Pd的规模为Nd，则Px的规模为N-Nd；
Step5.2:为保持种群优势，保留狼群Pd中数量为[(1-1/β)Nd,(1-1/(2β))Nd]的优秀个体，淘汰Pd中剩余个体，后续补充Pd淘汰的个体；
Step5.3:在寻优空间中随机产生[Nd/(2β),Nd/β]只相似度符合要求的个体补充到Pd；
step 5.4:将Px与Pd结合成新的狼群，即：下次迭代的初始狼群P0。
在一些实施例中，步骤S5中，计算相似度的方法为：
设狼群中个体之间相似度为S，其表示两匹人工狼所有对应维度空间中位置相同的维度个数之和占总维度的比例，计算狼群中任意两只狼的相似度Sij；
即：汉明距离就是Xi＝(xi1,xi2,…,xiD)和Xj＝(xj1,xj2,…,xjD)两个向量所有对应位置上不同数值的位置个数之和Lij；
式中，/>为异或运算符；D表示向量的维度；d∈1,2,…,D。
在一些实施例中，当最优值停滞变化次数超过预先设置的阈值时，计算各个体狼与头狼的汉明距离来判断个体间相似度，淘汰与头狼相似度高的个体狼，同时产生与头狼相似度低的新个体
实施例
下面以求解目标函数的最大值为例对算法的计算步骤进行阐述：
步骤1：初始化。按式(7)中基于Pwlcm map的狼群生成方式在N×D的欧式空间内随机产生N只人工狼，人工狼i的位置为Xi，步长因子S，最大游走次数Tmax，距离判定因子ω，最大迭代次数kmax，更新比例因子β，进化停止阈值genmax，相似度判断阈值St；
其中，ub与lb分别代表狼i活动的上边界与下边界。
步骤2：游走行为。选取头狼，除头狼外的所有狼视为探狼，基于醉汉游走模型的探索方向选择的随机游走，而后采用自适应贪婪机制决策下步的最佳位置并前进，计算探狼所在位置的适应度值，并实时进行头狼的更新。
步骤3：召唤行为。除头狼外的所有狼视为猛狼，头狼发出召唤命令后，猛狼迅速按式(2)向头狼靠拢；
若奔袭途中猛狼i发现比头狼所在位置适应度值更优的位置，即：Yi≥Ylead，则猛狼i替代头狼并发起号召；否则，继续奔袭，直到满足半数围攻条件，结束召唤行为并转入步骤4。
步骤4：围攻行为。将头狼所在位置视为猎物位置，所有狼按照式(5)对猎物进行围攻；
式中，λ取(0,1)内的随机数，表示围攻步长。/>
步骤5：狼群更新。将每次迭代后头狼所对应的目标函数值与前一代中头狼所对应的函数值/>进行比较，若/>则更新头狼位置，并按式(7)对适应度值最差的R只狼进行更新。
步骤6:判断是否终止。判断是否达到最大迭代次数kmax或精度要求，若达到则输出最优解及其对应的适应度值；否则，转到步骤7。
步骤7:判断是否更新种群。若当前代的狼群中没有更新出新最优位置的人工狼，记录已经停止进化的代数gen，并判断是否达到更新种群的条件，若gen＞genmax，则执行步骤8；否则，转到步骤2。
步骤8:种群更新。通过基于汉明距离更新种群中与头狼相似度高的个体，得新狼群P0，将其作为下一代进化的初始种群，并gen＝0，然后转到步骤2执行。
三、对基于醉汉漫步混沌狼群算法的时间复杂度进行分析
为了说明基于醉汉漫步混沌狼群算法DCWPA运行效率的高低，采用时间复杂度的分析方法对本发明的基于醉汉漫步混沌狼群算法的时间复杂度进行分析。
狼群算法(WPA)中，种群大小为N，个体狼位置长度为m。基本运动步长step、探狼最大游走周期Tmax、围攻判定距离lnear、更新比例因子β等参数的设置耗时为η0，生成初始种群的耗时为η1，计算适应度函数值的耗时为f(m)，则算法初始化的时间复杂度为：
o(η0+N(mη1+f(m)))＝o(m) (15)；
选取头狼耗时为η2，探狼游走过程耗时为η3，猛狼执行召唤行为并向头狼靠拢耗时为η4，猛狼在每一个维度空间中向头狼移动耗时为η5，判断是否结束召唤行为耗时为η6，则该阶段算法的时间复杂度为：
o(N(η2+η3+η4+nη5+η6))＝o(m+f(m)) (16)；
由上可得，狼群算法(WPA)完成每次迭代过程的时间复杂度为：
Tm＝o(m)+o(m+f(m))＝o(m+f(m)) (17)；
下面结合DCWPA的基本流程分析算法的时间复杂度。在算法初始化阶段，采用混沌映射产生初始化种群耗时为t1，其余初始化过程与WPA相同。因此，DCWPA初始化的时间复杂度为：
o(η0+N(nη1+f(n)+t1))＝o(n) (18)；
探狼的自适应游走步长计算耗时为η7，判断半数围攻条件耗时为η8，种群多样性检测和种群进化更新耗时为η9，其余过程与WPA相同，则算法在该阶段的时间复杂度为：
o(N(η2+η3+η4+nη5+η6+η7+η8+η9))＝o(n+f(n)) (19)，
综上，DCWPA在完成每次迭代过程的时间复杂度为：
o(n)+o(n+f(n))＝o(n+f(n)) (20)，
因此，与WPA相比，DCWPA的时间复杂度未发生变化，算法的运行效率并未降低。
四、对基于醉汉漫步混沌狼群算法的性能测试
1、测试函数
为了验证本发明算法的有效性和可行性，如表3所示，选用了具有取8个常见的、具有不同数学特征和维数的标准测试函数(Benchmark)将基于醉汉漫步混沌狼群算法(DCWPA)与6种群体智能优化算法进行对比测试。表3中特征栏中的US、UN分别为单峰可分、不可分函数，而MS、MN分别为多峰可分函数和多峰不可分函数。单峰函数主要用于测试算法的局部开发能力，多峰函数主要用于测试算法的全局搜索能力，维数越高并且不可分的函数主要用于测试算法求解复杂函数的性能。
表3标准测试函数
TABLE 2:Benchmark functions in experiments.
2、参数设置
本发明中对比算法为狼群算法(WPA)、反向狼群算法(opposite wolf packalgorithm，OWPA)、文化狼群算法(chaotic wolf pack algorithm，CWPA)、粒子群算法(PSO)、人工蜂群算法(ABC)、人工鱼群算法(ASFA)，由于不同文献对智能进化算法进行有效性测试时采用的测试参数有差别，本发明在选取通用参数相同设置，即最大迭代次数为200，初始种群规模(狼群、粒子群、鱼群、蜂群等)为N＝50，等算法其余参数设置如表4所示。
表4智能优化算法参数设置
TABLE 3:Intelligent optimization algorithm parameter setting
3、仿真结果分析
采用上述7种智能算法分别对4个典型测试函数进行20次独立实验。仿真实验环境:HONOR Magic Book Pro,WIN10操作***,Intel corei5-10210U处理器,程序采用Matlab R2019b,m语言实现。本发明通过最佳目标函数值BEST、最差值WORST、目标函数均值MEAN、目标函数标准差STD、寻优成功率SR(Successful Rate)和平均寻优成功进化数(AEN)等指标来考核算法的优劣，7种算法对测试函数仿真计算对比结果如表5所示。
表5智能优化算法在8个基准函数上的测试结果比较
/>
/>
从表5分析可得，DCWPA与PSO、ABC、WPA、OWPA等6种算法相比，DCWPA所求得的BEST值、MEAN值、WORST值、STD值和平均迭代次数均较优，表现出了较好的性能。详细分析如下：
(1)DCWPA具有较强的全局搜索能力。对于高维函数，随着解空间维度的增加，问题求解复杂度会呈指数式增长，即计算中的“维数灾难”。PSO、ABC、ASFA、WPA、OWPA、CWPA这6种算法对2维、低维函数的计算效果较好，而对于多维、多峰函数F6难以成功寻优。然而，DCWPA不仅对低维函数的计算表现良好，而且对高维复杂函数的计算效果表现得更佳，表明了DCWPA跳出局部最优的能力非常强。
(2)DCWPA具有较好的局部开放能力。经典算法PSO、ABC、ASFA求解低维、多峰函数F4时，不能求出符合精度要求的解，基本上都陷入了局部最优。WPA、OWPA、CWPA除了求解单峰函数F2成功率达到100％且解的精度较高外，对F1的求解效果均不好。然而，DCWPA对8个测试函数寻优成功率皆为100％，说明DCWPA对绝大部分函数都具有适用性，都可通过有限次迭代求解得到满足一定精度要求的解，且求解精度远远高于其他算法，甚至对F1和F7的求解结果均达到理论最优解。
(3)DCWPA求解效率高。在20次求解计算中，除求解低维、单峰函数F1的平均迭代次数达到200且低于仅ABC外，对其他函数求解平均迭代次数均小于其他算法就能获得符合精度要求的解。
(4)DCWPA的鲁棒性好。对8个标准测试函数的求解结果中可以看出，DCWPA的方差最小，较其他算法，DCWPA的稳定性较强。
为了进一步分析所提算法的性能，图6-1至图6-8给出了7种算法分别对8个函数求解的平均收敛曲线对比图。从图6-1至图6-8可得，7种算法对于Easom函数收敛速度和求解精度相对于其他函数普遍较高。整体可以看出，PSO、ABC、ASFA、CWPA收敛速较快，但均易陷入局部极值点且缺乏持续进化的能力，在求解质量方面均处劣势，对高维复杂函数极易出现早熟，过早陷入局部最优；OWPA、WPA在迭代过程中，所得结果的精度在不断提高，不易陷入局部最优，甚至有可能找到最优解，展现了狼群算法求解复杂函数的优势，但是算法的收敛速度慢、求解效率较低；DCWPA的平均收敛曲线为变化速度最大且最终函数值最小得直线，展现出了DCWPA在对8个函数的求解中，不仅收敛速度快、求解效率高，而且求解精度也高，具有较强的寻优能力。
综上，DCWPA算法的全局搜索效率、收敛的速度和局部开发的精度都大幅提高，比 其他六种算法更好的寻优效果，表现出了算法改进策略针对连续空间复杂函数求解的有效 性。
五、利用基于醉汉漫步混沌狼群算法对光伏电池模型参数进行辨识的效果分析
1、有效性和可行性测试
为了验证DCWPA在解决参数识别问题的有效性，将它用于提取SDM、DDM和光伏组件模型的参数。除每次计算的最大迭代次数设置为2000次外，其余参数设置见表4，实验环境为:HONOR Magic Book Pro,WIN10操作***,Intel corei5-10210U处理器,程序采用Matlab R2019b,m语言实现。利用DCWPA分别对三种模型的目标函数进行20次独立计算，获得的I–V特性以及相关实验数据如表6所示，I–V特性如图7-1至图7-3所示。
表6中Vm和Im分别为实测电压和实测电流数据；Ic为仿真计算所得电流数据；D(Ic/Im-1)为仿真电流与实测电流的误差率，其越接近0，则说明计算电流越准确。从表6可以看出，在单二极管模型和双二极管模型中，Vm＝0.5736时，两种模型的D分别到达了最大值-13.1878％和-13.2862％。在PV模型中，Vm＝16.5241和Vm＝16.7987时，该模型的D达到了相对较大值和-4.9950％和6.0499％。结果表明，在整个电压范围内，DCWPA的仿真数据与实测数据高度一致。图7-1至图7-3中更加直观地展示DCWPA所辨识参数的实际应用效果。从图中也可以看出，三种模型上实测与仿真的电流(I)-电压(V)关系数据有着较高的吻合度，说明预测到的参数在实际应用中的误差很小、准确度比较高。尤其是双二极管模型和PV模块模型参数的辨识难度相对单二极管模型更大，但DCWPA依然可以得到较为准确的辨识结果。说明在的参数辨识问题上，DCWPA算法可以展现出较好的性能，辨识出的参数能够用于实际应用。证明DCWPA算法有着优良的综合性能。
2、稳定性和鲁棒性测试
为了验证所提出的DCWPA的优越性能，将其与ABC、IJAYA、PSO、crow搜索算法(CSA)和WPA五种算法进行对比实验。ABC、PSO、IJAYA和CSA是光伏参数识别领域的常用算法。所有比较算法的总体规模都设置为100，算法的最大迭代次数都设置为2000。参数辨识问题不存在完全正确的参数取值，将RMSE最为算法性能的评估标准，RMSE值越小就代表着算法性能越好。将每种算法独立运行20次，得到的仿真实验结果如表7所示。
表7不同算法对三种模型的计算结果
表7展示了六种算法对三种模型计算所得的最优值(BEST)、最差值(WORST)、平均值(MEAN)和标准差(SD)。从表7中可以清晰地看出，除对双二极管模型求解的标准差次于WPA外，DCWPA所求得的其余指标均优于其他算法所得结果。尤其是在相同的计算迭代次数条件下，DCWPA的求解精度明显优于其他算法。说明在单二极管模型上DCWPA算法搜索到的最优值的精确性更高，算法的执行过程也更加稳定。相比五种对比算法，DCWPA算法在应用于解决实际问题时仍然具备一定的优势，证明本发明算法的改进方面是切实有效的。可以得出结论，在工业应用领域中的光伏***参数辨识方面，DCWPA可以取得相对较好的参数辨识结果，领先于其他五种对比算法，证明了DCWPA在实际应用中的优越性能。
三种光伏模型的六种算法求解收敛曲线如图8-1至图8-3所示。显然，在三种PV模型中，DCWPA算法的收敛速度最快，最优解也优于其他算法。从如图8-1至图8-3中可以看出，PSO收敛速较快，但求解过程中均陷入局部最优解；CSA收敛速度减慢，难以找到最优值；WPA在求解上有一定优势，但缺乏局部探索能力，在求解质量方面均处劣势；IJAYA和ABC收敛速度较快，所得结果的精度较高，但两种算法的求解结果稍逊于DCWPA；DCWPA收敛速度快、求解精度高，展现了较强的寻优能力。
因此，通过DCWPA在光伏***参数辨识中的实际应用，证明了所提的DCWPA在实际生产生活中是切实有效的和性能优越的。
本发明针对当前智能优化算法求解光伏模型的参数辨识问题中求解精度低的缺点，对基本狼群算法进行了改进，提出了DCWPA算法。DCWPA使用混沌映射序列进行种群初始化，丰富初始种群多样性；利用基于醉汉漫步模型的游走方向选择和采用自适应游走步长，增大游走的随机性，增强个体的探索和开发能力，提高算法寻优能力；设计奔袭行为半数狼群个体满足围攻距离就进行围攻行为的判断条件，加快算法收敛，提高算法求解速度；迭代过程中，根据最优解的变化情况，采用汉明距离的对种群间个体的相似性进行判断，不断的更新种群个体，避免了算法陷入局部最优而“早熟”。本发明中对算法的时间复杂度进行了分析和选取8个不同特征的标准测试函数(Benchmark)测试DCWPA算法的性能，改进算法在大部分函数上获得了较高的寻优精度，能有效处理高维函数及复杂函数优化问题，在单峰函数中具有良好的局部寻优效果，在多峰函数与组合函数中又体现出全局搜索能力得到加强，证实了改进算法是可行且有效的。将改进的算法应用于单二极管五参数模型、双二极管七参数模型进行辨识和光伏组件模型的参数辨识问题中，并将实验结果与多种常用算法进行比较，实验结果表明，DCWPA算法的辨识精度更高，所得结果与实测数据拟合度更高，验证了改进算法辨识太阳能电池参数的有效性和优越性，展示了改进算法在不同光照下对太阳能电池参数的辨识效果。该研究为光伏组件模型参数辨识提供了一种新的方法，并且为解决光伏功率预测、最大功率点跟踪以及电池故障模型的特性等实际工程问题方面具有十分重要的意义。

Claims (7)

1.基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，利用基于醉汉漫步混沌狼群算法，求解所述光伏电池模型的目标函数的最优解，即完成对所述模型参数的辨识；
所述光伏电池模型的目标函数为：
其中，x是解向量；Ik代表第k次测量的光伏模型电流值；Vk代表第k次测量的光伏模型电压值；f是模拟电流与测量电流之间的绝对误差函数；
所述基于醉汉漫步混沌狼群算法中，将狼群狩猎的区域看作一个N×D的欧式空间，其中狼群规模为N，空间的维度为D，狼i的位置为Xi＝(xi1,xi2,…,xiD)，其中xid为狼i在第d(d＝1,2,…,D)维空间中所处的位置，狼i感知到的猎物气味的浓度即所述光伏电池模型的目标函数值，记为Yi，则Yi＝f(Xi)(i＝1,2,…,N)；
人工狼的位置，对应光伏电池参数辨识问题解空间中的某个候选参数组；
光伏电池模型为单二极管模型时，候选参数为Iph、Io、Rs、Rsh、a；或，光伏电池模型为双二极管模型时，候选参数为Iph、Io1、Io2、Rs、Rsh、a1和a2；或光伏电池模型为光伏组件模型时，候选参数为Iph、Io、Rs、Rsh和a；
其中，Iph是光生电流，Io是二极管反向饱和电流，Rs和Rsh分别是串联和并联电阻，a是二极管理想因子，Io1和Io2分别为扩散电流和饱和电流，a1和a2分别表示两个二极管的理想因子；
头狼的位置为光伏电池模型的目标函数值的当前最优参数组；狼群种群，为光伏电池模型的目标函数值的候选参数组的集合；
其中，所述基于醉汉漫步混沌狼群算法包括以下步骤：
S1、使用混沌映射序列的方法对狼群种群进行初始化；即使用混沌映射序列的方法对光伏电池模型的目标函数值的候选参数组的集合进行初始化；
S2、探狼利用基于醉汉漫步模型的要求进行游走方向的选择，采用自适应游走步长来进行游走行为，并获得头狼的位置；即采用基于醉汉漫步模型的游走规则来更新所述S1中的候选参数组，并获得当前最优参数组；
S3、游走行为结束后，头狼召唤所有人工狼执行召唤行为；即采用召唤规则来更新经步骤S2处理得到的候选参数组；
S4、召唤行为结束后，采用半数围攻策略来进行围攻，所述半数围攻策略为：若超过一半的猛狼与头狼的距离小于判定距离时，所有猛狼执行围攻行为；即采用所述半数围攻策略来更新经步骤S3处理得到的候选参数组；
S5、采用基于汉明距离的狼群种群动态更新机制对狼群进行更新，即采用基于汉明距离的狼群种群动态更新规则来对经步骤S4处理得到的参数组进行更新，并更新头狼的位置，直至满足迭代停止条件，得到最佳头狼位置，即得到光伏电池模型的目标函数的最优解。
2.如权利要求1所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述步骤S1的具体方法为：通过分段线性混沌映射Pwlcm map搜索得到混沌变量序列后，再将混沌变量序列变换到原来的解空间，从而得到狼群算法的初始化种群。
3.如权利要求1或2所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述步骤S2的具体方法为：游走过程中，探狼i按醉汉漫步模型采取贪婪式的策略，朝向h个方向分别前进一步，并记录每前进一步后所处位置和相应的适应度值，然后退回原位置；在h个方向中，取气味浓度最大且大于当前气味浓度Yi的方向作为该探狼的更新方向；将游走步长设计为自适应步长，即step＝rand·norm||xi-g||，xi为狼i的位置，g为头狼的位置。
4.如权利要求3所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述醉汉漫步模型为：
其中，θp为醉汉漫步的方向，取值为[-2π，2π]中的任意数；表示第k代中的猛狼i第d维空间中的位置；/>表示第k+1代中的猛狼i第d维空间中的位置；该模型中醉汉的每一步的方向是在整个空间中的任意方向。
5.如权利要求4所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述步骤S4的半数围攻策略的具体方法为：
狼群的种群数为N，除头狼外的N-1只狼视为猛狼，当超过一半的猛狼与头狼的距离小于判定距离Lnear时，所有猛狼都将位置调整到围攻范围内执行围攻行为；
每次迭代中，当距离头狼最近的N/2只猛狼与头狼的最大距离小于判定距离Lnear时，即达到围攻条件时，所有猛狼调整位置执行围攻行为；否则，继续执行召唤行为；
所述围攻条件为：
其中，Lnear为转为围攻行为的判定距离，Lnear通过曼哈顿距离公式计算得到。
6.如权利要求5所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述步骤S5的基于汉明距离的狼群种群动态更新机制的具体方法为：
step 5.1:计算所有个体狼与头狼的相似度S；将S大于预先设置的阈值St的个体组成狼群Pd，其余个体组成狼群Px；设Pd的规模为Nd，则Px的规模为N-Nd；
Step5.2:为保持种群优势，保留狼群Pd中数量为[(1-1/β)Nd,(1-1/(2β))Nd]的优秀个体，淘汰Pd中剩余个体，后续补充Pd淘汰的个体；
Step5.3:在寻优空间中随机产生[Nd/(2β),Nd/β]只相似度符合要求的个体补充到Pd；
step 5.4:将Px与Pd结合成新的狼群，即：下次迭代的初始狼群P0。
7.如权利要求6所述的基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法，其特征在于，所述步骤S5中，计算相似度的方法为：
设狼群中个体之间相似度为S，其表示两匹人工狼所有对应维度空间中位置相同的维度个数之和占总维度的比例，计算狼群中任意两只狼的相似度Sij；
即：汉明距离就是Xi＝(xi1,xi2,…,xiD)和Xj＝(xj1,xj2,…,xjD)两个向量所有对应位置上不同数值的位置个数之和Lij；
式中，/>为异或运算符；D表示向量的维度；d∈1,2,…,D。
CN202210633318.8A 2022-06-06 2022-06-06 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法 Active CN115062537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210633318.8A CN115062537B (zh) 2022-06-06 2022-06-06 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210633318.8A CN115062537B (zh) 2022-06-06 2022-06-06 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法

Publications (2)

Publication Number Publication Date
CN115062537A CN115062537A (zh) 2022-09-16
CN115062537B true CN115062537B (zh) 2024-04-12

Family

ID=83200520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210633318.8A Active CN115062537B (zh) 2022-06-06 2022-06-06 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法

Country Status (1)

Country Link
CN (1) CN115062537B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421999B (zh) * 2023-12-18 2024-02-23 中冶交通建设集团有限公司 一种建筑消能黏滞阻尼器参数优化设计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106502963A (zh) * 2016-10-20 2017-03-15 燕山大学 基于自适应变步长混沌狼群寻优算法的非线性函数求解方法
CN108491923A (zh) * 2018-04-10 2018-09-04 吉林大学 基于改进狼群算法优化贝叶斯网络的害虫图像识别方法
WO2019140725A1 (zh) * 2018-01-18 2019-07-25 东莞理工学院 一种模拟狼群行为的计算智能优化方法
WO2020191801A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN113836803A (zh) * 2021-09-13 2021-12-24 南京航空航天大学 基于改进狼群算法的无人机群资源调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106502963A (zh) * 2016-10-20 2017-03-15 燕山大学 基于自适应变步长混沌狼群寻优算法的非线性函数求解方法
WO2019140725A1 (zh) * 2018-01-18 2019-07-25 东莞理工学院 一种模拟狼群行为的计算智能优化方法
CN108491923A (zh) * 2018-04-10 2018-09-04 吉林大学 基于改进狼群算法优化贝叶斯网络的害虫图像识别方法
WO2020191801A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN113836803A (zh) * 2021-09-13 2021-12-24 南京航空航天大学 基于改进狼群算法的无人机群资源调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的狼群算法;惠晓滨;郭庆;吴娉娉;赵昱;;控制与决策;20171231(第07期);全文 *
基于自适应和变游走方向的改进狼群算法;郭立婷;;浙江大学学报(理学版);20171206(第03期);全文 *
改进狼群优化算法的Otsu图像分割法;曹爽;安建成;;微电子学与计算机;20171005(第10期);全文 *

Also Published As

Publication number Publication date
CN115062537A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN109635506B (zh) 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN111191375B (zh) 一种基于改进哈里斯鹰优化算法的光伏电池参数辨识方法
CN106484026B (zh) 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置
CN110399928A (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN113342124A (zh) 基于改进灰狼优化算法的光伏mppt方法
CN115062537B (zh) 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法
CN108646849B (zh) 基于改进狼群算法的光伏发电***最大功率点跟踪方法
CN105913161A (zh) 一种基于多目标优化的光伏***最大功率点的获取方法
CN113177673A (zh) 一种空调冷负荷预测优化方法、***及设备
CN106100582B (zh) 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及***
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及***
CN111814399B (zh) 太阳能光伏电池***的模型参数优化提取方法和测量数据预测方法
El Marghichi et al. A solar PV model parameters estimation based on an improved manta foraging algorithm with dynamic fitness distance balance
CN113466710A (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
CN116629451A (zh) 一种燃料电池剩余寿命预测方法、***、介质及终端
Weng et al. Boosted backtracking search optimization with information exchange for photovoltaic system evaluation
CN115983134B (zh) 一种基于神经网络的电池功率状态预测方法和***
CN117272184A (zh) 一种基于issa-rf算法的光伏发电***故障分类方法
CN114895206B (zh) 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法
CN116578830A (zh) 一种基于改进海洋捕食者算法的光伏阵列重构方法
CN116108975A (zh) 基于br-som聚类算法的配电网短期负荷预测模型建立方法
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
Jiang et al. Fast Charging of Lithium-Ion Batteries Using Deep Bayesian Optimization with Recurrent Neural Network
Qi et al. Analysis and Prediction of Energy Consumption in Neural Networks Based on Machine Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant