一种混合的Spearman-CRITIC-BiLSTM方法,用于在退化条件下提取三二极管模型的参数
《International Journal of Hydrogen Energy》:A hybrid Spearman-CRITIC-BiLSTM approach for parameter extraction of three-diode model under degradation conditions
【字体:
大
中
小
】
时间:2026年01月03日
来源:International Journal of Hydrogen Energy 8.3
编辑推荐:
本文提出一种基于三极模型和双向长短期记忆网络的深度学习方法,直接从I-V曲线提取特征,整合斯皮尔曼相关系数和CRITIC权重分配策略,有效降低共线性影响并提高参数提取准确性和实时性,实验显示准确率达99.1%以上。
孟向健|宋金蒙|周康佳|于永进
山东科技大学电气与自动化工程学院,中国青岛,266590
摘要
随着全球光伏(PV)装机容量的不断增加,需要精确的建模来评估系统在复杂运行条件下的性能。然而,受光照和温度等因素影响的光伏模块退化对参数提取方法提出了重大挑战,这些方法计算负担重且依赖于忽略退化的制造商数据表。为了解决这些限制,本文提出了一种基于三二极管模型(TDM)的深度学习框架。该方法直接从电流-电压(I–V)曲线中提取特征,消除了对制造商数据表的依赖,从而显著提高了鲁棒性和实时处理能力。创新地,它将Spearman相关系数与通过CRITIC权重分配策略评估特征贡献的标准相结合,有效减少了多重共线性影响,提高了提取的准确性和可靠性。此外,该方法采用双向长短期记忆网络(BiLSTM)来利用双向信息处理,能够更全面地捕捉时间序列数据中的复杂非线性关系。这种方法在退化条件下提供了有效的解决方案,并显著提高了光伏参数提取的准确性。在实际测试中,该方法达到了超过99.1%的准确率。
引言
随着可再生能源发电的迅速扩张,全球光伏装机容量持续上升。光伏模块的性能参数对光伏系统的能量转换效率和运行稳定性至关重要。因此,建模和分析对于评估光伏系统在复杂运行条件下的输出性能和特性至关重要。然而,光伏模块容易受到太阳光照、温度和退化等各种因素的影响。特别是长期运行过程中发生的退化会改变输出特性,给光伏模块的精确建模和输出特性的估计带来重大挑战[1]。最常见的光伏模块物理模型包括单二极管模型(SDM)、双二极管模型(DDM)和TDM[2]。SDM简单且计算效率高,但准确性有限[3]。DDM增加了一个二极管以提高准确性,尤其是在光照低和温度高的情况下,但计算复杂性增加[4]。TDM包含三个二极管,适用于极端环境,实现了更高的准确性[5]。尽管TDM比SDM和DDM更复杂,但它能更有效地捕捉光伏模块的非线性和复杂行为,提供了模块性能的高精度表示。
为了准确提取物理模型参数,研究人员提出了许多方法,这些方法大致可以分为传统方法和机器学习算法[6]。
传统方法包括分析方法、数值方法和元启发式优化算法。分析方法依赖于物理模型推导,计算简单,但准确性有限[7,8]。数值方法通过迭代优化解决问题,但在高计算和时间成本下提高了准确性[9,10]。元启发式算法因其强大的适应性和高准确性而受到青睐[[11], [12], [13], [14]]。一些研究人员致力于改进或更新现有算法,例如改进的差分进化算法[15]和改进的nutcracker优化算法(INOA)[16]。一些研究通过整合不同方法实现了互补性。例如,参考文献[17]采用差异化创造性搜索结合牛顿-拉夫森(DCS-NR)算法来提高光伏参数识别的准确性和收敛效率。参考文献[18]开发了一种先进的混合元启发式技术,结合了社会群体优化和差分进化的协同效应,在局部收敛方面表现出更大的鲁棒性。然而,这些方法通常涉及复杂的算法步骤,并表现出高计算复杂性。
机器学习算法在解决复杂非线性问题方面具有明显优势。通过使用数据驱动的方法,可以自动提取特征并构建估计模型。这种能力使得能够准确映射运行数据和模型参数之间的复杂关系,从而便于光伏参数的提取[19]。参考文献[20]利用数据表驱动的深度神经网络(DNN)进行快速参数估计,无需实时测量。其优势在于不依赖于迭代优化。然而,这种方法对某些参数的估计误差相对较高,且缺乏对现实世界场景中复杂因素的足够适应性。参考文献[21]提出了一种结合卷积神经网络(CNN)和遗传算法(GA)的混合模型进行优化,提高了在不同光照条件下的泛化能力。然而,这种方法也依赖于制造商数据表,通过GA自动调整网络架构会显著增加计算复杂性。参考文献[22]采用物理集成长短期记忆(LSTM)网络来模拟时间序列I–V测量,通过结合制造商数据表确保符合物理定律。LSTM的更深层次架构使其能够捕捉序列数据中的复杂非线性关系。总体而言,如参考文献[20]所示的传统深度神经网络结构简单,容易过拟合,并倾向于陷入局部最优解。相比之下,以CNN和LSTM为代表的深度神经网络具有更深入的特征提取能力,可以有效地捕捉变量之间的复杂非线性关系。然而,这些方法过度依赖制造商数据表数据,并且未能考虑由光伏模块长期老化引起的参数漂移。
为了全面展示理论背景并明确识别现有研究空白,表Ⅰ总结了代表性的光伏参数提取方法。如表中分类的,当前方法主要包括传统分析和数值方法、元启发式算法以及现代机器学习方法。虽然传统方法建立了数学基础,但在复杂运行条件下通常准确性有限。最近发布的元启发式算法[[11], [12], [13], [14], [15], [16], [17], [18]]与早期方法相比显示出更高的准确性;然而,如表1所示,它们在高迭代计算成本和对静态制造商数据表的严重依赖方面仍存在显著限制,这些数据表未能考虑由模块退化引起的参数漂移。同样,现有的深度学习方法[[19], [20], [21], [22]]往往缺乏系统化的特征工程来处理多重共线性。这一背景突出了所提出的Spearman-CRITIC-BiLSTM方法的独特优势,该方法在老化条件下解决了特征利用问题,同时确保了高准确性并消除了对静态数据表的依赖。本文的主要贡献如下。
1)该方法直接从I–V曲线中提取特征,不依赖于制造商数据表,显著提高了参数提取的鲁棒性和实时能力。
2)通过结合Spearman相关系数和CRITIC权重分配策略,该框架系统地评估了特征贡献,强调了那些显著提高模型准确性的特征,减少了多重共线性的影响,并提高了参数提取的准确性和可靠性。
3)使用BiLSTM网络利用双向信息处理机制,更全面地捕捉时间序列数据中的复杂非线性关系,优于单向模型。
方法论片段
方法论
所提出的TDM参数提取方法结合了Spearman相关系数和CRITIC权重分配策略,使用BiLSTM网络。系统流程图如图1所示。首先,该方法使用光伏模块的TDM获得I–V特性曲线并从曲线中提取关键特征。接下来,它研究这些特征与模型参数之间的相关性,并对提取的特征进行降维和权重分配。
数据集预处理
所提出的参数提取方法通过Python进行的模拟进行了验证。首先,通过基于方程(1)的随机分配生成了10,000组TDM的九个参数的大规模I–V曲线数据集。为了确保数据集的科学有效性和物理代表性,10,000组参数的生成严格受到物理边界的约束,而不是任意随机分配。实验验证
为了进一步验证所提出方法的鲁棒性,本研究使用了国家可再生能源实验室(NREL)[29]提供的大规模数据集进行了测试。NREL数据集来自佛罗里达州Cocoa、俄勒冈州Eugene和科罗拉多州Golden三个不同地点安装的33个光伏模块,包含超过一百万条I–V曲线。需要强调的是,这个数据集不是来自实验室模拟或全新的模块。结论
本文提出了一种结合相关系数分析和权重策略的光伏参数提取方法。Spearman相关系数的应用有效识别了特征与模型参数之间的关系。随后,CRITIC方法的整合综合了相关强度和特征之间的内在冲突。通过将信息内容与特征冲突相结合,这种方法转化了单调性
CRediT作者贡献声明
孟向健:资源、方法论、概念化。宋金蒙:写作——原始草稿、软件、方法论。周康佳:软件、方法论、形式分析、数据整理。于永进:方法论、调查。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家自然科学基金(项目编号62403288)和山东省自然科学基金(项目编号ZR2023QE259和ZR2025QC1550)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号