光伏发电模型与参数辨识综述报告.docx

光伏发电模型与参数辨识综述报告
光伏发电是一种以太阳能为燃料的、不污染环境的新能源。其发展受到了越来越多的关注。由于光伏发电系统具备多种致因因素（如环境、天气等），特别是在小型光伏电站中，系统效率受多种因素影响，为了提高光伏系统的性能，需要建立一种能够对光伏系统进行建模和参数辨识的方法。本综述报告将着重介绍光伏发电模型和参数辨识技术的研究进展。
一、光伏发电模型
光伏发电模型主要包括光伏电池模型和整个光伏系统模型。光伏电池模型主要考虑电池的非线性、暗电流和温度等因素，而整个光伏系统模型则需要考虑光伏电池、直流-直流（DC-DC）转换器和交流-直流（AC-DC）逆变器等多种元器件之间的协同工作，建立起一个完整的光伏发电系统模型。
1.光伏电池模型
光伏电池模型最常用的是基于小信号等效电路的模型，即使用戴维南等效电路表示，该模型包括一个照射电流源和一个串联的二极管、电阻和电容。对于单个电池的模型，格共尼关系（I-V曲线）和辐射通量（PV曲线）是两个常用的表示方式。
2.整个光伏系统模型
整个光伏系统模型主要包括光伏电池模型、DC-DC转换器模型和AC-DC逆变器模型。
(1)DC-DC转换器模型
DC-DC转换器模型主要用于控制电池输出电流，提高系统效率和性能，常用的转换器有大致可分为四类：升压、降压、升降压和反激转换器。19种光伏直接调制（PWM）控制策略以及18种最大功率点跟踪（MPPT）控制策略也应用于DC-DC转换器中，以提高系统的整体性能和效率。
(2)AC-DC逆变器模型
AC-DC逆变器主要用于各种电力形式之间的转化（例如DC到AC和三相电到单相电），包括两个主要模块：近似理想交流模块和近似线性电阻负载模块。
二、参数辨识技术
模型参数的准确性与合理性直接影响到光伏发电系统的整体性能和放电效率。在实际应用中，模型参数往往难以取得，此时需要使用参数辨识技术，对模型参数进行准确的估计和识别。
1.基于遗传算法和神经网络的参数辨识方法
遗传算法在参数搜索和优化方面的经验被广泛接受，这种算法在非常短的时间内可以处理非常复杂的问题。神经网络模型可以进行非线性建模和预测，可以学习多种数据集并进行数据分析，提高了模型参数的精度和精确性。
2.基于粒子群优化算法的参数辨识方法
粒子群优化算法是一种智能优化算法，它通过模拟粒子运动的过程来解决优化问题。这种方法可以收敛到全局最优解，并且易于实现，并且可以处理非线性问题，因此被广泛应用于光伏发电模型的参数识别和优化中。
三、总结
本文主要介绍了光伏发电模型和参数辨识方法的研究进展。在光伏电池模型方面，小信号等效电路模型是最常用的模型，而在整个光伏系统模型方面，DC-DC转换器和AC-DC逆变器模型是研究的重点。参数辨识技术方面，遗传算法、神经网络和粒子群优化算法是常用的辨识方法，它们可以提高模型的准确性和精确性。在未来，一个更完整和精确的光伏发电系统模型以及更好的参数辨识技术将为光伏发电系统的实施和应用带来更好的结果。