CN105930918A - 应用于多峰mppt的整体分布-粒子群优化算法 - Google Patents

Abstract

本发明公开了一种应用于多峰MPPT的整体分布‑粒子群优化算法，在PSO算法上，添加了OD算法的步骤，通过OD进一步缩小最大功率点所在的范围，再通过PSO算法进行进一步迭代，最终收敛到最大功率点。本发明具有如下优点：通过整体分布(OD)算法将粒子分布在最大功率点附近，再利用PSO算法进行精确跟踪，使得该算法不依赖于初始粒子的位置，从而不需要依赖于光伏阵列过多的信息，就可以达到较好的跟踪效果和较快的跟踪速度。

Description

应用于多峰MPPT的整体分布-粒子群优化算法

技术领域

本发明涉及光伏发电领域，具体涉及一种应用于多峰MPPT的整体分布-粒子群优化算法。

背景技术

太阳能应用的蓬勃发展中，由于光伏电池存在能量转换率低、输出功率呈非线性等特点，提高其输出功率已成为该领域主要研究问题之一。最大功率跟踪技术(MPPT)是提高光伏发电效率的一种有效方法。

在光伏发电系统中，通常将光伏电池串并联来提高功率。但是为避免热斑效应，一般会在光伏电池两端反并联二极管。而旁路二极管的存在也使得光伏阵列在局部阴影情况(PSC)下，导致光伏阵列的P-U特性曲线呈现多峰特性。传统MPPT算法如扰动观察法，增量电导法等，在光照一致的情况下可以准确的跟踪到最大功率点。但是，当光伏阵列在PSC下，传统MPPT算法由于无法识别局部峰值点和全局峰值点，当跟踪到某个局部峰值点时而停止继续跟踪，从而错过最大功率点，造成功率的损失。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种应用于多峰MPPT的整体分布-粒子群优化算法。

为了实现上述目的，本发明的实施例公开了应用于多峰MPPT的整体分布-粒子群优化算法，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；S2：计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率l_best，将当前种群中的最大功率l_best与之前种群中得到的最大功率g_best进行比较，如果当前种群中的最大功率l_best>之前种群中得到的最大功率g_best，令g_best＝l_best，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，如果当前种群中的最大功率l_best<之前种群中得到的最大功率g_best，则g_best保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；S3：判断迭代次数是否满足终止条件，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；S4：计算最新种群中的每个粒子的适应度值；S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置P_best和全局极值的位置G_best；S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置P_best和全局极值的位置G_best更新每个粒子的位置和速度，同时迭代次数加1；S7：判断更新后的每个粒子的位置、速度或迭代次数是否满足预设条件，如果满足所述预设条件，则输出最优粒子的位置，如果不满足所述预设条件，则返回步骤S4。

根据本发明实施例的应用于多峰MPPT的整体分布-粒子群优化算法，对局部阴影遮挡条件下的光伏阵列，首先利用整体分布算法对最大功率点的位置进行初步定位，缩小粒子的搜索空间，再采用粒子群算法准确跟踪到最大功率点。通过PSIM与MATLAB的联合仿真表明，整体分布-粒子群优化算法能够在多峰情况下快速准确的跟踪到最大功率点。

另外，根据本发明上述实施例的应用于多峰MPPT的整体分布-粒子群优化算法，还可以具有如下附加的技术特征：

进一步地，该算法根据迭代次数来进行不同的粒子群更新机制，当迭代次数j<j_1max时，按照整体分布算法更新种群，当j>j_1max时，以整体分布算法最终产生的种群作为粒子群算法的初始种群，按照粒子群算法更新种群，公式如下：

其中，为以0为坐标原点产生的符合柯西分布的数，r₁为(0，1)之间的所述第一随机数，mppt_gbest为最优粒子所在的位置，为第i个粒子第j次迭代的位置；表示第i个粒子第j次迭代的速度矢量，表示第i个粒子第j次迭代的位置矢量，c₁和c₂是加速常量分别用于调节向全局最好粒子和个体最好粒子方向飞行，r₂和r₃为(0，1)之间的所述第二随机数和所述第三随机数。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的应用于多峰MPPT的整体分布-粒子群优化算法的流程图；

图2是本发明一个实施例的光伏电池等效电路图；

图3是本发明一个实施例的基于buck电路的MPPT拓扑图；

图4是图3中3*3光伏阵列的模型图；

图5(a)-(e)分别是第一组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图；

图6(a)-(e)分别是第二组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图；

图7(a)-(e)分别是第三组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述根据本发明实施例的应用于多峰MPPT的整体分布-粒子群优化算法。

请参考图1，一种应用于多峰MPPT的整体分布-粒子群优化算法，包括以下步骤：

S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b。

S2：采样光伏阵列的输出电压V_PV，以及输出电流I_PV，通过P＝V_PV*I_PV计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率l_best。将当前种群中的最大功率l_best与之前种群中得到的最大功率g_best进行比较，如果当前种群中的最大功率l_best>之前种群中得到的最大功率g_best，令g_best＝l_best，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1；如果当前种群中的最大功率l_best<之前种群中得到的最大功率g_best，则g_best保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据群递减率α和直径C产生新的种群，同时迭代次数加1。

在本发明的一个实施例中，在步骤S2中，如果当前种群中的最大功率l_best>之前种群中得到的最大功率g_best，按照以下公式产生新的种群：

${\mathrm{temp}}_i^j=-\frac{\mathrm{\&gamma;}}{\tan (\mathrm{\&pi;}\&CenterDot;r_1)}$

$temp{1}_i^j={\mathrm{mppt}}_{\_gbest}+C^j\&CenterDot;{\mathrm{temp}}_i^j$

其中，为以0为坐标原点产生的符合柯西分布的数，r₁为(0，1)之间的第一随机数，mppt_gbest为最优粒子所在的位置，为第i个粒子第j次迭代的位置；

如果当前种群中的最大功率l_best<之前种群中得到的最大功率g_best，则停滞次数b减1，按照以下公式产生新的种群：

${\mathrm{temp}}_i^j=-\frac{\mathrm{\&gamma;}}{\tan (\mathrm{\&pi;}\&CenterDot;r_1)}$

$temp{1}_i^j={\mathrm{mppt}}_{\_gbest}+C^j\&CenterDot;{\mathrm{temp}}_i^j.$

当b＝0时，按照以下公式减小种群直径：

C^j+1＝α·C^j

其中，j为迭代次数；

并按照以下公式产生新的种群：

${\mathrm{temp}}_i^j=-\frac{\mathrm{\&gamma;}}{\tan (\mathrm{\&pi;}\&CenterDot;r_1)}$

$temp{1}_i^j={\mathrm{mppt}}_{\_gbest}+C^j\&CenterDot;{\mathrm{temp}}_i^j.$

S3：判断迭代次数是否满足终止条件，若不满足则返回S2，若满足则输出最新产生的种群，进入S4。

S4：采样光伏阵列的输出电压V_PV，以及输出电流I_PV，通过P＝V_PV*I_PV计算最新种群中的每个粒子的功率即每个粒子的适应度值。

S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置P_best和全局极值的位置G_best。

具体地，粒子群优化算法中，每个粒子均是一个潜在解，通过迭代使所有粒子不断靠近最优解，最终收敛到最优解。v_i表示第i个粒子的速度矢量，x_i表示第i个粒子的位置矢量。每次迭代过程中，粒子的位置和速度是通过粒子的个体极值的位置P_best和全局极值的位置G_best进行更新的。

S6：根据惯性权重ω、加速常量、第二随机数、第三随机、个体极值的位置P_best和全局极值的位置G_best更新每个粒子的位置和速度，即产生新的种群。

在本发明的一个实施例中，根据以下公式更新粒子的位置和速度：

$v_i^{j+1}={\mathrm{\&omega;v}}_i^j+c_1{r}_2(P_{best}-x_i^j)+c_2{r}_3(G_{best}-x_i^j)$

$x_i^{j+1}=x_i^j+v_i^{j+1}$

其中，表示第i个粒子第j次迭代的速度矢量，表示第i个粒子第j次迭代的位置矢量；ω为惯性权重；c₁和c₂是加速常量，分别用于调节向全局最好粒子和个体最好粒子方向飞行；r₂和r₃为(0，1)之间的第二随机数和第三随机数。通常，粒子在每一维飞行的速度不能超过算法设定的最大速度。

S7：判断更新后的每个粒子的位置、速度或迭代次数是否满足预设条件，如果满足预设条件，则输出最优粒子的位置；如果不满足预设条件，则返回步骤S4。

在本发明的一个实施例中，还包括步骤S8：监测阴影情况和光照强度，如果阴影情况和/或光照强度变化值大于预设功率变化率时，重启算法返回步骤S1。

具体地，在光伏发电MPPT中，粒子群优化的目标函数是光伏阵列的输出功率，粒子为占空比，为了避免粒子群算法陷入局部寻优的困境中，令初始粒子均匀分布在[0，1]之间。

当阴影情况或者光照强度发生变化时，光伏阵列的P-U输出曲线的峰值也会随之变化，故需要重新寻优，使系统重新稳定在新的最大功率点。故通过下式进行算法重启判断：

$\frac{\left|P-P_m\right|}{P_m}>\mathrm{\&epsiv;}$

其中，ε为功率变化率，P为功率，P_m为跟踪到的最大功率。

为使本领域技术人员进一步理解本专利，将通过以下示例进行说明。

请参考图2，光伏电池板的原理是基于半导体的光伏效应能量转换，将太阳辐射能直接转换为电能。单个光伏电池元可以用图1的单二极管等效电路来描述。I_g代表光生电流。D为与电流源并联且处于正偏压下的二极管；R_s串联电阻，R_sh是并联电阻，V_pv即为光伏电池的输出电压。光伏电池的V-I特性方程如下：

$I_{pv}=I_g-I_{sc}\left(\exp \right(\frac{q(V_{pv}+I_{pv}\&CenterDot;R_s)}{nkT})-1)-\frac{V_{pv}+I_{pv}{R}_s}{R_{sh}}.$

其中n是品质因子，k是玻尔兹曼常数，T是电池元温度，q是电子电量，I_sc是饱和电流。

在光伏阵列和buck变换器组成的光伏发电系统中，用OD-PSO算法进行MPPT。通过使用PSIM与Simulink的联合仿真对OD-PSO算法进行验证，并与传统PSO算法进行了对比。联合仿真是每个软件各处理一部分电路，使系统反应更快。种群规模为3，惯性权重w＝1，c₁＝1.5，c₂＝2；种群直径C＝0.9，a＝0.9，b＝4，γ＝0.045。

在PSIM中搭建光伏发电系统，如图3中上框所示，在Simulink中搭建控制部分，如图3中下框所示。请参考图4，采样光伏阵列的电压信号V_pv和电流I_pv信号发送到Simulink，将Simulink中的控制信号D再发送到PSIM。

为了便于比较OD-PSO与PSO，进行了以下几组仿真，光照情况按照表1所示，进行以下三组仿真。第一组：光照由情况一变为情况二；第二组：光照由情况二变为情况三；第三组：光照由情况三变为情况一。

表1光伏阵列的光照强度分布

每组仿真中的光照变化情况分别如图5，图6和图7中的(a)，(b)，(c)所示。图5-图7中，图(a)-(c)分别表示第一组至第三组中，组串1中电池组件的动态光照突变图、组串2中电池组件的动态光照突变图、组串3中电池组件的动态光照突变图。分别使用OD-PSO和PSO这两种算法仿真，仿真结果分别如图5、图6和图7中的(d)、(e)图所示。跟踪到最大功率点的具体时间见表2。

表2两种算法在不同情况下进行MPPT所需时间

由仿真结果表明，PSO和OD-PSO在光伏阵列局部遮阴情况下均能跟踪到全局最大功率点。在0.5s时，光照发生变化，此时两种算法亦均能跟踪到最大功率点。从图5可以看出，OD算法减小了PSO的跟踪过程，使其能够快速稳定的追踪到最大功率点；当光照发生变化时，OD算法对最大功率点进行重新定位，在此基础上PSO再次进行跟踪，减小了稳态震荡，使其快速跟踪到最大功率点。从这三组仿真结果看出，无论从全光照变化到PSC情况，从PSC变化到全光照还是在PSC情况下进行变化，该算法均可以跟踪到最大功率点，且较PSO算法具有较小的稳态震荡和较快的跟踪速度。

本发明实施例的应用于多峰MPPT的整体分布-粒子群优化算法，针对光伏阵列在PSC时，光伏阵列的输出特性曲线将呈现多峰值的情形，本文提出利用OD-PSO算法对光伏阵列进行MPPT，该算法通过OD算法将粒子分布在最大功率点附近，再使用PSO算法跟踪最大功率点。使该算法的有效性不依赖于初始粒子的位置，也不需要依赖于光伏阵列过多的信息，算法简单易实现，在动态PSC下能够快速，准确的跟踪到最大功率点，提高了算法的收敛速度和搜索精度。且与PSO相比，具有更小的稳态波动，有助于提高光伏发电系统的效率。

另外，本发明实施例的应用于多峰MPPT的整体分布-粒子群优化算法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (2)

1.一种应用于多峰MPPT的整体分布-粒子群优化算法，其特征在于，包括以下步骤：

S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；

S2：计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率l_best，将当前种群中的最大功率l_best与之前种群中得到的最大功率g_best进行比较，

如果当前种群中的最大功率l_best>之前种群中得到的最大功率g_best，令g_best＝l_best，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，

如果当前种群中的最大功率l_best<之前种群中得到的最大功率g_best，则g_best保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；

S3：判断迭代次数是否满足j_1max，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；

S4：计算最新种群中的每个粒子的适应度值；

S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置P_best和全局极值的位置G_best；

S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置P_best和全局极值的位置G_best更新每个粒子的位置和速度，同时迭代次数加1；

S7：判断更新后的每个粒子的位置、速度或者迭代次数是否满足预设条件，

如果满足所述预设条件，则输出最优粒子的位置，

如果不满足所述预设条件，则返回步骤S4。

S8：监测阴影情况和光照强度，如果阴影情况和/或光照强度变化值大于预设功率变化率时，重启算法返回步骤S1。

根据以下公式判断是否返回步骤S1：

$\frac{|P-P_m|}{P_m}>\mathrm{\&epsiv;}$

其中，ε为功率变化率，P为功率，P_m为跟踪到的最大功率。

2.根据权利要求1所述的应用于多峰MPPT的整体分布-粒子群优化算法，其特征在于，该算法根据迭代次数来进行不同的粒子群更新机制，当迭代次数j<j_1max时，按照整体分布算法更新种群。当j>j_1max时，以整体分布算法最终产生的种群作为粒子群算法的初始种群，按照粒子群算法更新种群，公式如下：

其中，为以0为坐标原点产生的符合柯西分布的数，r₁为(0，1)之间的所述第一随机数，mppt_gbest为最优粒子所在的位置，为第i个粒子第j次迭代的位置；表示第i个粒子第j次迭代的速度矢量，表示第i个粒子第j次迭代的位置矢量，c₁和c₂是加速常量分别用于调节向全局最好粒子和个体最好粒子方向飞行，r₂和r₃为(0，1)之间的所述第二随机数和所述第三随机数。