基于五维牛顿–拉弗森法的太阳能电池与光伏组件单二极管模型五参数精确确定

《Energies》:Accurate Determination of Five Single-Diode Model Parameters for Solar Cells and PV Modules via a Five-Dimensional Newton–Raphson Approach

【字体: 大 中 小 】 时间:2026年08月28日 来源:Energies 3.9

编辑推荐:

  本研究提出一种解析–数值混合方法,用于从实测光照电流-电压(I–V)数据中精确提取五个具有物理意义的单二极管模型(SDM)参数。研究人员随机选择五个实验数据点,构建由五个非线性隐式SDM方程组成的方程组。Hejri解析方法提供具有物理意义的初始估计值,随后采用

  
本研究提出一种解析–数值混合方法,用于从实测光照电流-电压(I–V)数据中精确提取五个具有物理意义的单二极管模型(SDM)参数。研究人员随机选择五个实验数据点,构建由五个非线性隐式SDM方程组成的方程组。Hejri解析方法提供具有物理意义的初始估计值,随后采用改进的五维牛顿–拉弗森(N–R)方法求解所得方程组。当准确的特征点数据不可用时,采用元启发式拟合程序确定初始化所需的特征参数。该方法在RTC电池、PWP 201组件、TOPCon电池和TOPCon组件上进行了评估,并与六种先进技术进行了基准比较:Ghani方法、Hejri方法、Kumar方法、人工生态系统优化(AEO)算法、Phang方法和Villalva方法。该方法获得的均方根误差(RMSE)值分别为8.31 × 10?4、2.10 × 10?3、2.40 × 10?2和2.36 × 10?2 A,在四种混合解析–数值方法中始终取得最低RMSE。其RMSE值仅比AEO获得的相应最小值高0.5%–7.5%。此外,在方程求解步骤中,所提求解器比Ghani方法快约30–2954倍,并在四种器件中的三种上实现了更高的收敛率。这些结果表明,所提方法能够准确且高效地提取具有物理意义的SDM参数。
论文解读:基于五维牛顿–拉弗森法的太阳能电池与光伏组件单二极管模型五参数精确确定

在全球能源转型与碳中和目标驱动下,太阳能光伏发电已成为增长最快的可再生能源技术之一。光伏系统的大规模应用离不开性能仿真、发电预测、系统优化、最大功率点跟踪、衰减分析与故障诊断等任务,而这些任务均依赖于对太阳能电池或光伏组件电流-电压(I–V)特性的精确建模。单二极管模型(SDM)因其在简洁性与准确性之间的良好平衡而被广泛采用,该模型包含光生电流(Iph)、二极管反向饱和电流(I0)、二极管理想因子(n)、并联电阻(Rsh)和串联电阻(Rs)五个参数。然而,制造商通常不公布这些参数,仅提供有限的I–V特性数据,因此如何从实测I–V曲线中精确提取具有物理意义的SDM参数一直是领域内的重要课题。

现有提取方法各有利弊。解析法通过简化假设直接计算参数,速度快但精度受限;数值迭代法如牛顿–拉弗森(N–R)法和列文伯格–马夸尔特(L–M)算法虽然精度较高,但对初值极为敏感,初值设置不当容易导致不收敛。元启发式算法虽不依赖初值且具有较强的全局搜索能力,但本质上属于曲线拟合技术,不同参数组合可能因补偿效应而获得相近的拟合效果,却不一定具有物理意义。为此,研究人员提出一种将解析法与数值法相结合的混合方法:从实测I–V数据中随机选取五个数据点,构建五个非线性隐式SDM方程;利用Hejri解析方法由三个特征点(短路电流Isc、开路电压Voc、最大功率点电压Vm和电流Im)计算高质量初始值;随后采用引入步长因子(k0 = 0.01)的改进五维N–R法求解该方程组,以唯一确定准确且具有物理意义的五个SDM参数。当特征点信息缺失时,则利用人工生态系统优化(AEO)算法对实测I–V数据进行拟合,获得最佳拟合曲线后,再求解相关方程得到准确的特征参数坐标,输入Hejri解析公式以估算初始值。研究人员将该方法应用于法国RTC电池、Photowatt PWP 201组件以及当前主流的TOPCon电池和TOPCon组件(样本来源:RTC电池与PWP 201组件为文献公开数据,测试条件分别为1000 W/m2、33 °C和45 °C;TOPCon电池为16主栅双面准方形182 mm × 182 mm器件,有效面积330.15 cm2;TOPCon组件为1134 mm × 2278 mm双玻组件,由144个半片电池组成,Ns = 72、Np = 2,均在标准测试条件25 °C、1000 W/m2、AM1.5光谱下测得),并与Ghani方法、Hejri方法、Kumar方法、AEO算法、Phang方法和Villalva方法六种先进技术进行了系统比较。

**3.1 使用所提方法从四种光伏器件中提取参数的结果**
通过Hejri方法获得四种器件的高质量初始值后,利用改进五维N–R法求解由五个随机数据点构建的方程组。对每组解先按物理有效性约束(Iph > 0、I0 > 0、Rs > 0、Rsh > 0、1 < n < 2)筛选,再按RMSE排序。结果表明,每种器件排名前五的参数集高度稳定,例如RTC电池的I0始终约为3.0 × 10?7 A、Rs约为3.7 × 10?2 Ω、Rsh约为53 Ω、n约为1.5,RMSE均低于8.48 × 10?4 A。模拟I–V与功率-电压(P–V)曲线与实测数据完全重合,验证了所提方法的准确性。对比还发现,TOPCon电池相比RTC电池,暗饱和电流密度(J0)低三个数量级,Rs低一个数量级,Rsh最高高一个数量级,n略低,因而光电转换效率从13.08%(RTC,33 °C)显著提升至25.51%(TOPCon,25 °C)。

**3.2 参数提取对五点选择的敏感性**
研究人员对每种器件进行了十万次随机五点选择试验,并对RMSE最小的前100个物理有效解进行统计分析。结果显示,RMSE的相对标准偏差(RSD)在四种器件上仅为2.65%至5.51%,说明不同五点组合通常产生相近的RMSE。各参数中,Iph最稳定,RSD低于0.14%;n也较稳定,RSD为0.78%至2.06%;I0和Rsh的波动相对较大,但RMSE分布的离散度较小,表明这些波动对整体拟合精度影响有限。增加选择试验次数(RTC与PWP 201为30万次,TOPCon器件为100万次)后,RMSE的RSD进一步下降至1.07%至2.27%,说明增加样本量有助于找到更具代表性的五点组合,提高参数提取结果的稳定性。

**3.3 五点选择次数对RMSE的影响**
在保持最大迭代次数max_t = 5000、误差容限eps = 10?6不变的情况下,将五点选择次数增至1.0 × 106,观察最低RMSE随选择次数max_N的变化。四种器件的最低RMSE均随max_N增大呈阶梯式下降并最终趋于平台。RTC电池和PWP 201组件较易达到稳定,而TOPCon电池和组件由于数据点数量更大(433和400个点,对比RTC的26个和PWP 201的25个)、测量噪声更强以及最大功率点附近I–V曲线形状更陡,需要更多选择次数才能找到代表性组合。因此max_N的选取需在RMSE与计算成本之间权衡。

**3.4 与先前研究的比较**
**3.4.1 参数提取结果比较**:在四种器件上,AEO算法因使用完整I–V数据优化而取得最低RMSE;Phang方法利用AEO最佳拟合曲线导出的六个高质量特征参数,取得第二或第三低的RMSE;所提方法在四种混合解析–数值方法中始终取得最低RMSE,且其RMSE仅比AEO最小值高0.5%至7.5%。Hejri和Kumar方法因在方程中引入Rsh = Rsh0近似而精度略低;Ghani方法可能因雅可比矩阵公式中的近似导致收敛困难,在TOPCon电池上甚至得到Rsh < 1 Ω的非物理解;Villalva方法仅拟合最大功率点,RMSE最高。所提方法的模拟曲线精确穿过五个选定数据点,IAE和PAE在选定点上均极低。

**3.4.2 运行时间与收敛率比较**:在相同电脑上进行10万次五点选择试验,所提方法求解隐式方程组在RTC电池、PWP 201组件、TOPCon电池和TOPCon组件上分别耗时0.001504、0.000684、0.002605和0.018011秒,而Ghani方法求解对应显式方程组分别耗时0.099522、0.093519、7.696003和0.540315秒,因此所提方法在方程求解步骤上分别快约66、137、2954和30倍。收敛率方面,所提方法在RTC电池(29.536%对9.650%)、PWP 201组件(57.601%对39.049%)和TOPCon电池(15.364%对0.015%)上均高于Ghani方法,仅TOPCon组件上略低(9.909%对15.895%)。

**3.5 讨论**
根据比较分析,AEO虽然RMSE最低,但其基于拟合的机制可能因参数补偿效应而无法保证参数的物理有效性和唯一性。Phang解析公式在高质量输入下表现出高精度。所提方法通过直接求解五个选定点处的SDM方程,从机理上避免了参数补偿,且物理有效初始值与步长因子共同保障了稳定收敛。针对TOPCon组件的进一步分析表明,不同方法所得参数集对Isc、Voc、填充因子(FF)和效率(PCE)影响有限,但对内部电阻损耗(Im2Rs)影响显著,例如在1 sun和75 °C下,Hejri方法预测6.8313 W而AEO预测11.2260 W,所提方法预测10.4435 W。因此参数提取不能仅看RMSE,还需关注参数的物理有效性与唯一性。所提方法原则上适用于能用SDM描述的其他光伏技术,但对于具有迟滞、S形曲线或电压相关光生电流特性的器件,需改用其他等效电路模型并相应调整方程形式和求解框架。

**研究结论**:本研究开发了一种新的混合解析–数值方法,用于从太阳能电池和光伏组件的实测光照I–V特性中准确提取具有物理意义的SDM参数。该方法随机选取五个数据点构建五个独立SDM方程,利用Hejri解析方法由三个特征点提供物理意义明确的初始估计,并采用改进的五维牛顿–拉弗森法求解方程组。在RTC电池、PWP 201组件、TOPCon电池和TOPCon组件上的RMSE分别为8.3111 × 10?4、2.0967 × 10?3、2.4008 × 10?2和2.3580 × 10?2 A,在四种混合解析–数值方法中一致取得最低RMSE;其对PWP 201组件排名第二,对其他三种器件排名第三,RMSE仅比AEO取得的最小值高0.5%–7.5%。虽然AEO取得了最低RMSE,但其基于拟合的公式因参数补偿效应而无法固有地保证参数的物理有效性。大规模抽样显示,前100组解的RMSE相对标准偏差仅为1.07%–2.27%,表明该方法对代表性五点选择具有良好的鲁棒性。此外,在方程求解步骤中,该方法比Ghani方法快约30–2954倍,并在四种器件中的三种上实现了更高的收敛率。在所有成功的计算中,每个非线性方程组均收敛到一个物理上可接受的唯一解。总体而言,该方法能够从太阳能电池和光伏组件的实测光照I–V特性中准确提取具有物理意义的SDM参数,为光伏建模与性能分析提供了可靠支撑。该研究成果发表于《Energies》。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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