CN105867514B - 一种光伏系统多峰值最大功率跟踪方法及系统 - Google Patents

Abstract

本发明公开了一种光伏系统多峰值最大功率跟踪方法及系统，通过逐次迭代的方式，逐一更新光伏阵列的输出电压，进而获得输出功率，并将所获得的功率进行比较，确定每一粒子迭代后的粒子最大功率点对应工作电压，再比较粒子群中的所有粒子最大功率点功率，确定粒子群中的种群最大功率点对应的种群工作电压，从而确定了复杂情况下的多峰值最大功率点。由此可见，本发明公开的跟踪方法是在电压的工作区间上使用粒子进行量子行为搜索，避免了传统的MPPT算法全局寻优能力不强，容易使工作点陷入局部极值的情况发生。采用本方法和系统找寻的光伏系统中的最大功率点更准确，更符合实际。

Description

一种光伏系统多峰值最大功率跟踪方法及系统

技术领域

本发明涉及光伏发电工程技术领域，特别是涉及一种光伏系统多峰值最大功率跟踪方法及系统。

背景技术

由于光伏阵列中存在部分阴影遮挡，灰尘积累，光伏电池输出特性差异等原因，光伏阵列的输出特性曲线呈现多峰值功率特性，其最大功率跟踪问题成为光伏发电研究领域的一个重要方向。目前来说，学术论文和发明专利公开的多峰值最大功率跟踪问题主要有三种解决思路：(a)一种是通过电流补偿方法使部分阴影遮挡下的光伏阵列中各模块输出状况相同，多峰值输出特性曲线变为单峰曲线，从而可沿用原来的单峰最大功率跟踪(MPPT，Maximum Power Point Tracking)方法。但这种结构需要大量的电流平衡元件，实际应用中成本过高；(b)一种是采用峰值预测技术对全局最优点的位置进行预测，使工作点先定位于全局最大功率点附近，然后采用简单的单峰值最大功率跟踪技术如扰动观察法、增量电导法等；(c)还有一种是直接采用适用于多峰值MPPT的寻优算法。主要又可分为两种类别——光伏特性曲线建模法和电压探测法：1)基于光伏特性曲线的建模法通过检测当前各个电池的光照强度和温度，对输出特性进行建模从而预测最大功率点电压，这种方法能对环境变化进行快速反应，但缺点是需要昂贵的光照及温度传感器。2)电压探测法通过给光伏系统指定的输出电压获得反馈回来的输出功率，结合最优化算法来探测最大功率点。常见的可应用于电压探测的算法有粒子群优化(Particle Swarm Optimization,PSO)算法；斐波那契搜索法；模糊逻辑控制法等。以PSO为核心算法的多峰值最大功率跟踪方法需要调节的权重参数比较多，进化后期收敛速度慢，精度较差且易于陷入局部极值点等不足。因此，研究更有效的光伏发电多峰值最大功率跟踪方法具有重要的现实意义和工程应用价值。

PSO算法是一种多极值函数全局优化的迭代搜索算法，通过模仿社会群体的知识进化机制，在多维空间中不断搜索，从而找到求解区域的最优解或者次优解。在基于标准PSO算法的光伏MPPT中，初始点是从0到开路电压范围的i个电压点。在第n+1次迭代时，粒子i的速度和位置由下式来更新：

v_i(n+1)＝ω*v_i(n)+c1*r1*[pb_i-x_i(n)]+c2*r2*[gb-x_i(n)]

x_i(n+1)＝x_i(n)+v_i(n)

式中，n为迭代次数，变量ω是惯性权重，v_i(n)代表了粒子保持自身原来速度(即惯性)的能力；pb_i代表第i个种群中的历史最好位置，gb代表整个种群中的最好位置；c1和c2为常数，可根据实际情况协调确定，r1和r2为[0,1]区间上的随机数；c1*r1用于调节粒子靠近自身历史最好位置(即pb_i-x_i(n))的速度，c2*r2用于调节粒子靠近群体历史最好位置(即gb-x_i(n))的速度。r1和r2为区间[0,1]上的两个随机数。

现有的实现多峰值最大功率跟踪的方法中，电流补偿方法需要在各个光伏DC/DC模块之间使用电流平衡元件，实际应用中成本过高。峰值预测方法是一种理论上的预测，在实际应用中具有较大的不确定性，无法保证每次预测都能精确，故仍有可能陷入局部极值点，造成功率损失。基于光伏特性曲线的建模法需要使用光照和温度传感器，而这些传感器都价格不菲，故在实际应用中成本过高。PSO算法直接实现最大功率跟踪时，容易发生早熟情况，过早地收敛于局部最优点，从而错失全局最优点，在光伏系统中会造成能量损失；另外，PSO算法中的权重系数较多，系数的确定随机性较大，增加了实现的难度。

发明内容

本发明的目的是提供一种光伏系统多峰值最大功率跟踪方法及系统，该跟踪方法及系统能够解决传统MPPT算法全局搜索能力不强，易使工作点陷入局部极值的问题，本发明的跟踪方法全局寻优能力更强，不会错失全局最优点。

为实现上述目的，本发明提供了一种光伏系统多峰值最大功率跟踪方法，包括：

在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

使光伏阵列的输出参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，计算粒子功率P_i(n)；

确定迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；

确定与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

根据收敛条件确定光伏系统最大功率点对应的工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。

可选的，所述在[0，V_oc]上随机选取N个点之前包括：

检测所述光伏阵列的开路电压V_oc。

可选的，所述下一代粒子电压其中，V_i(n+1)为第n+1次迭代时的粒子电压，V_i(n)为第n次迭代时的粒子电压，u为(0，1)上的随机数，为迭代过程中粒子i当前的量子运动的势阱点，其中，r₁，r₂为(0，1)上的随机数，β为聚散因子，β＜1.7。

可选的，所述聚散因子β的动态调整策略为：β₀为聚散因子的初始值。

可选的，所述根据收敛条件确定光伏系统最大功率点电压后，还包括：

判断是否大于预设阈值；

如果是，则表示最大功率峰值情况发生变化，需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪；

如果否，则表示最大功率峰值情况未发生变化，不需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪。

本发明还公开了一种获取光伏系统多峰值最大功率点的系统，利用上述光伏系统多峰值最大功率跟踪方法获取光伏系统多峰值最大功率点，所述系统包括：

粒子电压获取单元，用于在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

粒子功率获取单元，使光伏阵列的输出参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，用于测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，并计算获取粒子功率P_i(n)；

迭代次数递增单元，用于增加迭代次数；

下一代粒子电压获取单元，用于获取迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；

下一代粒子功率获取单元，用于获取与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

粒子最大工作电压获取单元，用于比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

种群最大工作电压获取单元，用于比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

光伏系统最大功率点电压获取单元，用于根据收敛条件确定光伏系统最大功率点对应工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：为了跟踪复杂情况下的多峰值最大功率，本发明提出了一种基于全局搜索能力强的量子行为粒子群优化(quantum-behaved particle swarm optimization，QPSO)算法的全局MPPT算法，本发明通过逐次迭代的方式，逐一更新光伏阵列的输出电压，进而获得输出功率，并将所获得的功率进行比较，确定每一粒子迭代后的粒子最大功率点对应工作电压，再比较粒子群中的所有粒子最大功率点功率，确定粒子群中的种群最大功率点对应的种群工作电压，从而确定了复杂情况下的多峰值最大功率点。由此可见，本发明公开的跟踪方法是在电压的工作区间上使用粒子进行量子行为搜索，避免了传统的MPPT算法全局寻优能力不强，容易使工作点陷入局部极值的情况发生。采用本方法和系统找寻的光伏系统中的最大功率点更准确，更符合实际。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为光伏阵列图；

图2为光伏阵列的功率-电压输出曲线图；

图3为本发明提供的光伏系统多峰值最大功率跟踪方法的流程图；

图4为本发明提供的光伏系统多峰值最大功率跟踪方法的具体实施方式的流程图；

图5为光伏发电系统图；

图6为光伏发电系统主电路图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本领域中，单个光伏模块的输出电压和电流是有限的，为了得到需要的电压和电流大小，多个光伏模块常常以串并联的形式连接成光伏阵列。如图1所示，在部分阴影遮挡的情况下，为防止模块出现热斑问题，常在单个光伏模块两侧并联一个旁路二极管，同时，每个串联支路还会串接一个阻塞二极管以防止模块受各串联阵列电位差的影响。在模块受阴影遮挡严重时，旁路二极管将导通以防止该模块成为串联支路的负载。图1中，101为被阴影遮挡部分，102为未被阴影遮挡部分，103为导通的旁路二极管，104为未导通的旁路二极管，105为阻塞二极管。当光伏阵列的所有元件受光照一致时，光伏阵列的P-V特性曲线只有一个极值点。然而，如图2所示，在部分阴影遮挡以及温度分布不均的条件下，由于旁路二极管和阻塞二极管的存在，光伏阵列的功率-电压输出曲线将呈现多峰值特性。

为了跟踪上述复杂情况下的多峰值最大功率，如图3所示，本发明提供了一种光伏系统多峰值最大功率跟踪方法，包括：

步骤301：在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

步骤302：使光伏阵列的输出参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，计算粒子功率P_i(n)；

步骤303：确定迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；

步骤304：确定与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

步骤305：比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

步骤306：比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

步骤307：根据收敛条件确定光伏系统最大功率点对应工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。

本发明通过逐次迭代的方式，逐一更新光伏阵列的输出电压，进而获得输出功率，并将所获得的功率进行比较，确定每一粒子迭代后的粒子最大功率点对应工作电压，再比较粒子群中的所有粒子最大功率点功率，确定粒子群中的种群最大功率点对应的种群工作电压，从而确定了复杂情况下的多峰值最大功率点。由此可见，本发明公开的跟踪方法是在电压的工作区间上使用粒子进行量子行为搜索，避免了传统的MPPT算法全局寻优能力不强，容易使工作点陷入局部极值的情况发生。采用本方法和系统找寻的光伏系统中的最大功率点更准确，更符合实际。

作为一种可选的实施方式，在[0，V_oc]上随机选取N个点之前包括：

检测光伏阵列的开路电压V_oc。

作为一种可选的实施方式，下一代粒子电压：

其中，V_i(n+1)为第n+1次迭代时的粒子电压，V_i(n)为第n次迭代时的粒子电压，u为(0，1)上的随机数，每次计算都选取新的随机数，p_i为迭代过程中粒子i当前的量子运动的势阱点，r₁，r₂为(0，1)上的随机数，β为聚散因子，β＜1.7。

因为，聚散因子β的大小关系到粒子电压的搜索范围大小，是一个值小于1.7的动态调整参数。β越大，全局性能越好，β越小，收敛速度越快。在迭代初期，希望粒子有较大的搜索空间，不因曲线的复杂特性而错失全局最大功率点；在迭代后期，希望粒子在全局最大功率点附近精细搜索，精确地寻找到最大的功率点；因此，本实施方式中还公开了一种聚散因子调整策略，所述聚散因子β的动态调整策略为：β₀为聚散因子的初始值。通过该调整策略来适当控制全局搜索的范围，以便将快捷，准确的找寻到最大功率点。

稳态时，由于光伏阵列的输出电压受参考量为V_ref的电压闭环控制，若负载不发生变化，功率不会出现较大改变。当阴影遮挡情况和温度发生较大改变，输出P-V特性曲线将因此变化，工作点的功率也将发生较大变化。此时全局最大功率点可能发生改变，控制系统需要再次初始化，重新进行最大功率跟踪。为了能够在任何情况下都能得到准确的最大功率点，需要实时测量V_ipv，I_ipv，计算P_ipv，并在根据收敛条件确定光伏系统最大功率点电压后，判断是否大于预设阈值，得到判断结果；

如果是，则表示最大功率点工作情况发生变化；需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪；

如果否，则表示最大功率点工作情况未发生变化，不需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪。

本发明提供的光伏系统多峰值最大功率跟踪方法的粒子种群搜索进化的过程是个体的最优点V_ipbest向群体的最优点V_gbest学习的过程，随着迭代的进行，所有粒子的历史最优点V_ipbest将与群体历史最优点V_gbest相同。若所有粒子搜索到的最大功率值P_ipbest已经十分接近，说明粒子曾搜索到的局部最优点已经被舍去，被全局最优点取代。此时，认为已经找到了光伏系统的全局最大功率点。

如图4所示，本发明的一个具体的实施方式为：

采用Buck-Boost电路，通过数字信号处理器输出驱动信号控制Buck-Boost电路的开关T₁和T₂，即可改变Buck-Boost电路的输入电压V_PV，从而改变光伏阵列的输出功率P_PV，使其稳定在最大功率点。

光伏发电QPSO-MPPT控制系统就是通过不断采样光伏阵列输出的电流I_PV和电压V_PV，计算出该工作点电压V_PV对应的输出功率P_PV＝V_PV*I_PV，进而通过QPSO-MPPT算法不断迭代寻优，就能寻找到使得输出功率最大的工作点电压。

本发明的QPSO-MPPT算法的具体寻优过程包括：

步骤401：初始化V_i(n)，获得对应的P_i(n)。

检测开路电压V_oc，在[0，V_oc]上随机选取N个点，作为N个粒子的初始电压V_i(n)，i∈[1,2,……N]，n为迭代次数，属于正整数；依次使光伏阵列的输出电压参考值V_ref等于粒子电压V_i(n)，待系统工作电压稳定后，测量I_ipv，V_ipv，计算N个粒子对应的功率值P_i(n)；

步骤402：确定初始V_ipbest和V_gbest，i∈[1,2,……N]。

对每一个粒子，有一个使得对应功率P_i(n)最大的历史最好点P_ipbest，其对应的电压记作V_ipbest，种群所有粒子中功率最大的历史最好点P_gbest对应的电压记作V_gbest。

步骤403：根据下式计算更新下一代粒子的电压值V_i(n+1)，V_i(n+1)∈[0，V_oc]；

其中：V_i(n+1)为第n+1次迭代时粒子i的电压，V_i(n)对应第n次迭代时粒子i的电压，u为(0,1)上的随机数。

p_i为迭代过程中粒子i当前的量子运动的势阱点，r1、r2为(0,1)上的随机数。

β为聚散因子，β的大小关系到粒子Vi的搜索范围大小，是一个值小于1.7的动态调整参数。β越大，全局性能越好，β越小，收敛速度越快。在迭代初期，希望粒子有较大的搜索空间，不因曲线的复杂特性而错失全局最大功率点；在迭代后期，希望粒子在全局最大功率点附近精细搜索，精确地寻找到最大的功率点。因此，提出了一种聚散因子调整策略，如下式：

步骤404：更新V_ipbest和V_gbest，i∈[1,2,……N]。

每次更新粒子电压V_i获得相应功率P_i后，更新粒子群体的V_ipbest和V_gbest：将其与以往的V_ipbest和V_gbest对应的功率进行比较，若大于之，则此次电压更新为新的V_ipbest和V_gbest，否则，则保留原来的V_ipbest和V_gbest。

步骤405：考虑到实际系统中的测量误差，本发明设置了一种迭代终止策略，即QPSO-MPPT搜索运行的收敛条件：

div为设定的功率误差值，取0.01。判断是否满足收敛条件，如果满足收敛条件，则认为已经找到最大功率点，令V_ref＝V_gbest，停止迭代。若不满足，则重复以上步骤，继续寻优。

步骤406：稳态时，由于光伏阵列的输出电压受参考量为V_ref的电压闭环控制，若负载不发生变化，功率不会出现较大改变。当阴影遮挡情况和温度发生较大改变，输出P-V特性曲线将因此变化，工作点的功率也将发生较大变化。此时全局最大功率点可能发生改变，控制系统需要再次初始化，重新进行MPPT。实时测量V_ipv，I_ipv，计算P_ipv，根据下式判断环境是否改变，若改变，重启算法，重复以上流程。

综上所述，粒子种群搜索进化的过程是个体i的最优点V_ipbest向群体的最优点V_gbest学习的过程。随着迭代的进行，所有粒子的历史最优点V_pbest将与群体历史最优点相同。若所有粒子搜索到的最大功率值P_ipbest已经十分接近，说明粒子曾搜索到的局部最优点已经被舍去，被全局最优点取代。此时，认为已经找到了光伏系统的全局最大功率点。

本发明还公开了一种获取光伏系统多峰值最大功率点的系统，利用上述光伏系统多峰值最大功率跟踪方法获取光伏系统多峰值最大功率点，所述系统包括：

粒子电压获取单元，用于在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

粒子功率获取单元，使光伏阵列的输出电压参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，用于测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，并计算获取粒子功率P_i(n)；

迭代次数递增单元，用于增加迭代次数；

下一代粒子电压获取单元，用于获取迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；

下一代粒子功率获取单元，用于获取与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

粒子工作电压获取单元，用于比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

种群工作电压获取单元，用于比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

光伏系统最大功率点电压获取单元，用于根据收敛条件确定光伏系统最大功率点对应工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。

该系统通过迭代次数递增单元逐次迭代的方式，逐一更新光伏阵列的输出电压，进而获得输出功率，并将所获得的功率进行比较确定每一粒子的粒子电压，再比较粒子群中的所有粒子最大功率点对应粒子工作电压，确定粒子群中的种群最大功率点对应种群工作电压，从而确定了复杂情况下的多峰值最大功率点。由此可见，本发明公开的跟踪方法是在电压的工作区间上使用粒子进行量子行为搜索，避免了传统的MPPT算法全局寻优能力不强，容易使工作点陷入局部极值的情况发生。采用本系统找寻的光伏系统中的最大功率点更准确，更符合实际。

本发明可用如图5所示的光伏发电系统来实现，该光伏发电系统包括光伏阵列与直流变换器相连的主电路，数字信号处理器DSP(Digital Signal Processor,DSP)为核心的控制电路和负载组成。具体实施过程为：DSP获得采样时刻光伏阵列的输出电压V_pv和电流I_pv后，经过光伏系统多峰值最大功率跟踪方法寻找确定使光伏阵列输出功率最大的参考电压V_ref，经比例积分控制器控制，脉宽调制调节直流变换器的占空比，从而使直流变换器的输入电压稳定在最大功率点对应的参考电压值，即光伏阵列的输出功率稳定在最大功率点。其中，光伏发电系统主电路图如图6所示，本发明实现采用的直流变换器为Buck-Boost(降压-升压)变换器。该变换器也可以是单独的Buck(降压)变换器、Boost(升压)变换器或其他DC/DC拓扑。其中，本发明的光伏系统多峰值最大功率跟踪方法由DSP芯片来实现。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种光伏系统多峰值最大功率跟踪方法，其特征在于，包括：

在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

使光伏阵列的输出参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，计算粒子功率P_i(n)；

确定迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；所述下一代粒子电压其中，V_i(n+1)为第n+1次迭代时的粒子电压，V_i(n)为第n次迭代时的粒子电压，u为(0，1)上的随机数，为迭代过程中粒子i当前的量子运动的势阱点，其中，r₁，r₂为(0，1)上的随机数，β为聚散因子，β＜1.7；所述聚散因子β的动态调整策略为：β₀为聚散因子的初始值；

确定与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

根据收敛条件确定光伏系统最大功率点对应工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。

2.根据权利要求1所述的光伏系统多峰值最大功率跟踪方法，其特征在于，所述在[0，V_oc]上随机选取N个点之前包括：

检测所述光伏阵列的开路电压V_oc。

3.根据权利要求1所述的光伏系统多峰值最大功率跟踪方法，其特征在于，所述根据收敛条件确定光伏系统最大功率点电压后，还包括：

判断是否大于预设阈值；

如果是，则表示最大功率峰值情况发生变化，需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪；

如果否，则表示最大功率峰值情况未发生变化，不需要按照所述的光伏系统多峰值最大功率跟踪方法重新进行最大功率跟踪。

4.一种获取光伏系统多峰值最大功率点的系统，其特征在于，所述系统包括：

粒子电压获取单元，用于在[0，V_oc]上随机选取N个点，作为粒子电压V_i(n)，i∈[1,2,……N]，n表示迭代次数；

粒子功率获取单元，使光伏阵列的输出参考电压V_ref等于所述粒子电压V_i(n)，待所述光伏系统稳定后，用于测量所述光伏阵列的输出电流I_ipv，输出电压V_ipv，并计算获取粒子功率P_i(n)；

迭代次数递增单元，用于增加迭代次数；

下一代粒子电压获取单元，用于获取迭代n+1次的下一代粒子电压V_i(n+1)，V_i(n+1)∈[0，V_oc]；所述下一代粒子电压其中，V_i(n+1)为第n+1次迭代时的粒子电压，V_i(n)为第n次迭代时的粒子电压，u为(0，1)上的随机数，为迭代过程中粒子i当前的量子运动的势阱点，其中，r₁，r₂为(0，1)上的随机数，β为聚散因子，β＜1.7；所述聚散因子β的动态调整策略为：β₀为聚散因子的初始值；

下一代粒子功率获取单元，用于获取与所述下一代粒子电压V_i(n+1)对应的下一代粒子功率P_i(n+1)；

粒子最大工作电压获取单元，用于比较所述粒子功率P_i(n)与所述下一代粒子功率P_i(n+1)；确定粒子i的粒子最大功率P_ipbest，P_ipbest＝max(P_i(n)，P_i(n+1))，并计算得到与所述粒子最大功率P_ipbest对应的粒子工作电压V_ipbest；

种群最大工作电压获取单元，用于比较粒子群中所有粒子的所述粒子最大功率P_ipbest，确定所述粒子群中最大的种群最大功率P_gbest，P_gbest＝max(P_ipbest)，i∈[1,2,……N]，并计算得到与所述种群最大功率P_gbest对应的种群工作电压V_gbest；

光伏系统最大功率点电压获取单元，用于根据收敛条件确定光伏系统最大功率点对应工作电压，即为系统的参考工作电压V_ref＝V_gbest，所述收敛条件为其中div为设定的功率误差值。