光伏太阳能电池模型的比较建模与混合解析–元启发–机器学习辨识及实验验证

《International Transactions on Electrical Energy Systems》：Comparative Modeling and Hybrid Analytical–Metaheuristic–Machine Learning Identification With Experimental Validation of Photovoltaic Solar Cell Models

　　

精确的光伏电池建模对于可靠的性能预测至关重要，然而参数估计对于广泛使用的电气等效模型仍然具有挑战性。本研究考察了四种光伏电池模型：（i）理想模型，（ii）单二极管模型（SDM），（iii）双二极管模型（DDM）以及（iv）三二极管模型（TDM）。对每种模型的内在不可观测参数，采用两种不同方法进行严格研究：（i）辨识方法和（ii）调整技术。研究采用了多种数值与元启发式技术，包括MATLAB非线性求解器、Newton–Raphson法、遗传算法（GA）以及梯度进化（GE）方法。此外，基于人工神经网络（ANN）的辨识方案也用于提升此类混合解的质量。对四种模型进行了比较分析，并通过理论与实验结果进行了验证。结果表明，理想电气模型与ANN相结合提供了最佳性能，实现了极低的最大偏差（ξ_r = 2.1 × 10^?9）和78.97%的高填充因子（FF），证明其在精确光伏参数估计与光伏行为预测方面的有效性。

研究背景与现存问题

光伏电池精确建模是电力转换系统设计、先进控制策略开发和可靠性能预测的基础。等效电路模型被广泛用于模拟光伏电池行为和分析完整系统，但由于电池内部物理现象复杂且对环境条件高度敏感，准确复现其响应仍具挑战。文献中已有化学、物理、热学、光学和电气等建模视角，其中电气模型是研究重点。单二极管模型（SDM）、双二极管模型（DDM）和三二极管模型（TDM）常用于描述光伏电池电气行为；SDM计算简单，DDM和TDM精度更高但复杂度增加。现有研究存在三点不足：一是传统数值方法与基于人工神经网络（ANN）方法的系统比较仍有限；二是多数研究只针对单一等效电路模型，难以评估辨识方法在不同复杂度模型间的泛化能力；三是许多方法仅用仿真数据验证，缺乏变辐照、变温度条件下的实验验证。因此，研究人员建立了统一框架，结合传统优化方法与智能ANN技术，对四种光伏电池模型进行参数辨识与比较评估。

研究内容与总体结论

研究人员以单晶光伏电池JAC M5SF-2为对象，在标准测试条件（STC，G_ref = 1000 W/m²，T_ref = 25°C）以及变辐照（G）和变温度（T）条件下，对理想模型、SDM、DDM和TDM四种等效电路模型进行了系统研究。研究采用两种互补方法：直接辨识法和曲线拟合调整法；前者基于厂商数据手册关键点求解非线性方程组，后者通过优化算法最小化误差准则。所用方法包括MATLAB内置数值求解器（fzero、fsolve）、Newton–Raphson法、遗传算法（GA）和梯度进化（GE）法，并进一步开发了基于ANN的辨识方案。结果表明，四种模型均能准确复现光伏电池的I–V特性；DDM取得最低均方根误差（RMSE，约10^?11），理想模型在精度、计算效率和实现简单性之间取得最佳折中，仅需3个参数、计算时间0.414 s；理想模型与ANN结合的混合框架达到MSE = 2.1469 × 10^?9，最大偏差ξ_r = 2.1 × 10^?9，填充因子FF = 78.97%，在精度和计算成本上优于所比较的多种近期混合方法。该论文发表在《International Transactions on Electrical Energy Systems》。

主要关键技术方法

主要方法包括：①基于MATLAB内置数值求解器（fzero/fsolve）和Newton–Raphson迭代的直接辨识法，用于求解理想模型、SDM和DDM的非线性方程组；②基于遗传算法（GA）和梯度进化（GE）的曲线拟合调整法，用于辨识参数最多、最复杂的TDM；③基于人工神经网络（ANN）的辨识方案，以短路电流I_sc、开路电压V_oc和理想因子n等为输入，采用Levenberg–Marquardt算法训练，对理想模型参数进行精化；④搭建包含全光谱光源、电流/电压传感器、电位器和Arduino采集板的实验台，对JAC M5SF-2单晶电池进行I–V实测，用于非标准条件验证。误差评估采用RMSE、最大偏差ξ_r和填充因子FF。

研究结果

理想模型结果：在STC下，使用fzero法和Newton法均得到I_phref = 5.8880 A，I_sref = 0.1037 μA，n_ref = 1.3886；Newton法迭代次数更少但单次计算时间略长。温度变化影响理想因子n(T)、饱和电流I_s(T)和光生电流I_ph(G,T)，而光照只影响I_ph；n(T)随温度升高而下降，符合半导体理论。

SDM结果：使用fsolve和Newton法辨识JAC M5SF-2电池SDM参数，得到I_phref = 5.888 A，I_sref = 39.945 nA，n_ref = 1.318，R_sref = 0.8828 mΩ；两种方法收敛到相同值，Newton法迭代次数更少，但Jacobian矩阵计算耗时较多。

DDM结果：DDM包含扩散和复合两个二极管，研究人员求解由短路点、开路点、最大功率点及导数条件构成的方程组，得到I_phref = 5.888 A，I_s1ref = 0.1929 pA，I_s2ref = 0.62818 pA，n_1ref = 1，n_2ref = 1.36658，R_sref = 1.0637 mΩ，R_shref = 253.622 Ω；饱和电流值符合p–n结理论。

TDM结果：由于TDM需要辨识9个参数，研究人员采用GA和GE算法。结果显示两种算法收敛到略有差异的参数值；GE的适应度值（11.543）优于GA（10.121），因此GE对TDM内部参数的辨识更有效。温度影响分析表明，I_s1、I_s2、I_s3、R_sh和R_s随温度升高而增大；n₁随温度升高趋近1，n₂和n₃呈抛物线趋势，这些变化与掺杂硅结理论一致。

比较分析与实验验证：通过将模拟I(V)和P(V)特性与厂商数据手册参考特性比较，并计算最大偏差ξ_r和FF，研究人员发现理想模型+ANN的ξ_r = 2.1 × 10^?9、FF = 78.97%，最接近数据手册的FF = 79.19%，优于单独理想模型（ξ_r = 0.064，FF = 77.48%）、SDM（0.0534，78.68694%）、DDM（0.0607，78.16661%）和TDM（0.089，76.8146%）。在环境温度T_a = 28°C、光照G = 500 W/m²条件下，实验测量I–V曲线与各模型仿真曲线吻合良好，验证了模型在非标准测试条件下的有效性。

基于ANN的增强与验证：研究人员使用Levenberg–Marquardt算法训练ANN，训练、验证和测试曲线一致收敛到很低误差，最佳验证性能出现在第20代，MSE = 2.1469 × 10^?9，表明所提出的基于ANN的辨识框架具有良好学习能力和泛化能力。

讨论与结论

讨论部分指出，该工作的主要贡献是开发了“理想模型+ANN”混合框架，将理想光伏模型的物理简洁性与人工智能的预测能力结合，仅需数据手册信息即可在几毫秒内达到RMSE约10^?9的精度，同时保持较低计算成本。与近期文献中的灰狼优化+解析法、模拟退火+推导模型、粒子群优化、多混合方法、信赖域方法等相比，所提方法在精度和计算简单性方面具有竞争力。研究结论为：四种模型均能准确复现光伏电池的电气特性；DDM的RMSE最低（约10^?11），而理想模型在精度、计算效率和实现简便性之间达到最佳平衡；实验验证确认了模型在实际运行条件下的可靠性；ANN辅助的“理想+ANN”混合框架显著提高了参数估计精度。该研究目前仅针对硅光伏电池且主要依赖数据手册参数辨识，未来工作将扩展到其他光伏技术，探索先进机器学习架构和混合优化技术，并集成到实时监测和最大功率点跟踪（MPPT）应用中。