CN107562992B - 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 - Google Patents

Abstract

本发明公开了一种光伏列阵最大功率跟踪方法，包括以下步骤：S10,建立光伏列阵最大功率跟踪预测模型，对确定规模的光伏列阵进行大量仿真验证，获得不同阴影和温度下光伏列阵的最大功率值及对应电压值；S20，将步骤S10各光伏电池的光照、温度、该条件下光伏列阵的最大功率值及其对应的电压值数据作为训练样本和测试样本，建立和训练SVM最大功率跟踪模型，仿真测试；S30，根据步骤S20得到的SVM最大功率跟踪模型预测出待跟踪条件下最大功率点对应电压值的范围，通过粒子群算法对电压值进行寻优，获得最优电压值及其对应的全局最大功率点。所述方法能够在较短时间内，精确获得任意阴影下光伏列阵的最大功率点，有效提高了光伏电源的输出效率。

Description

一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法

技术领域

本发明涉及电力系统仿真领域，具体涉及一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法。

背景技术

随着化石能源的逐渐减少和新能源技术的不断创新，光伏发电和风力发电得到了长足的发展。其中光伏发电由于光能的节能环保，随地使用及成本低，分布式光伏发电逐渐走进千家万户，人们在自家楼顶安装光伏发电装置，通过光伏发电满足自家的用电需求，从而大大的减少了通过燃烧化石能源获得的电力，既节能又环保。但在光伏发电的使用过程中，光伏发电是否能够最大限度的输出功率一直是人们关心的话题，即出现了光伏列阵的最大功率跟踪(MPPT)问题。MPPT是指在光伏列阵温度或者光照发生变化时，MPPT装置能够快速的获取当前条件下的最大功率点。

光伏列阵的最大功率跟踪难点在于，由于外界条件的快速变化，当前的MPPT跟踪技术无法快速的获得相应条件下的最大功率点。其原因在于：在光伏发电的早期，光伏电站往往建立在空旷，阳光充足的大西北地区，几乎整个电站的光伏列阵所受到的光照和温度条件是一样的，当时人们提出了扰动法，恒定电压跟踪法等方法均能够快速的获得光伏列阵最大功率点。但随着光伏发电的快速发展，分布式光伏发电逐渐走入城市，走入社区住宅，由于树的遮挡、云层变化等，使光伏列阵受到的光照不一致，从而产生了局部阴影下光伏列阵的最大功率点跟踪问题。在局部阴影下，光伏列阵各处所受到的光照和温度是不一样的，此时光伏列阵的P-U曲线呈现多极值性。传统的MPPT跟踪方法无法获得全局的极值点，无法获得光伏列阵在局部阴影下的最大功率点，导致光伏列阵无法最大功率输出，造成了光资源的浪费。

因此，局部阴影下的光伏列阵最大功率点跟踪是当前研究的重点，相关学者提出了一些改进型功率跟踪方法。但这些算法不是无法适用于并联的光伏列阵，就是不能保证在任意情况下得到全局最大功率点，也有些算法未对粒子的初始位置进行讨论，容易陷入局部最优值。

基于以上分析，本发明提出了一种基于SVM和粒子群算法相结合的最大功率跟踪方法，能够有效的获得局部阴影下光伏列阵的最大功率点。

发明内容

本发明的目的是针对上述现有技术的不足，提供了一种基于SVM对电压值进行初步预测，再采用粒子群算法进行寻优的光伏列阵最大功率跟踪方法。

本发明的目的可以通过如下技术方案实现：

一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，所述方法包括以下步骤：

步骤S10，建立光伏列阵最大功率跟踪预测模型，对确定规模的光伏列阵进行大量仿真验证，获得不同光照和温度下光伏列阵的最大功率值及其对应的电压值；

步骤S20，将步骤S10各光电池的光照、温度、该光照温度条件下光伏列阵的最大功率值及其对应的电压值数据作为训练样本和测试样本，建立和训练SVM最大功率跟踪模型，仿真测试；

步骤S30，根据步骤S20得到的SVM最大功率跟踪模型预测出待跟踪条件下最大功率点对应电压值的范围，通过粒子群算法对电压值进行寻优，获得最优电压值及其对应的全局最大功率点。

进一步地，所述建立光伏列阵最大功率跟踪预测模型包括以下步骤：

步骤S101，首先确定光伏列阵的规模，即构成光伏列阵的光伏电池数量，并搭建光伏列阵仿真平台；

步骤S102，分析影响光伏列阵输出功率的因素，从而建立相应的光伏列阵最大功率跟踪预测模型。

进一步地，步骤S101中，通过对光伏列阵设置不同的光照和温度情况，进行仿真，获得该条件下的最大功率点及其对应的光伏列阵电压，记录每个光电池所受光照、温度，及整个光伏列阵最大输出功率值和输出该功率值时光伏列阵两端的电压值；步骤S102中，所述影响光伏列阵输出功率的因素包括各光电池的光照和温度情况、光伏列阵的最大功率点及其对应的光伏列阵两端的电压值，以各影响因素作为输入量，建立和训练SVM最大功率跟踪模型。

进一步地，步骤S20中，在建立和训练SVM最大功率跟踪模型前，首先要对训练样本的数据进行归一化处理。

进一步地，步骤S30中，所述利用SVM最大功率跟踪模型预测待跟踪条件下最大功率点对应电压值的范围时，采用核函数代替点积运算来求解对偶问题和非线性映射到高维特征空间的问题，同时采用粒子群算法，通过个体极值和群体极值更新个体位置，通过多次迭代获得最优值。

进一步地，所述核函数包括：

线型核函数：K(x,x_i)＝xx_i (1)

D阶多项式核函数：K(x,x_i)＝(xx_i+1)^d (2)

径向基核函数：

Sigmoid核函数K(x,x_i)＝tanh(k(xx_i))+θ (4)

其中，K(x,x_i)表示核函数，x表示自变量，x_i表示样本向量，即输入量，d表示多项式核函数的阶数，σ表示径向基核函数参数，θ表示Sigmoid核函数参数1，k(xx_i)表示Sigmoid核函数参数2。

1、本发明利用支持向量机与粒子群算法相结合的方法，有效地解决了局部阴影下光伏列阵的最大功率跟踪问题，支持向量机以采用结构风险最小化为准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维数的限制。本发明通过输入各光电池的光照和温度，预测出光伏最大功率点对应电压值的大概范围，然后通过粒子群算法进行寻优，最终获得最大功率点对应的确切电压，从而实现最大功率跟踪。

2、本发明采用支持向量机和粒子群相结合的方法，有效的解决了局部阴影下光伏列阵最大功率寻优难的问题，为局部阴影下光伏列阵的最大功率跟踪提供了一种新的有效方法。

附图说明

图1为本发明实施例一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例提供了一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，所述方法的流程图如图1所示，包括以下步骤：

步骤S10，建立光伏列阵最大功率跟踪预测模型，对确定规模的光伏列阵进行大量仿真验证，获得不同光照和温度下光伏列阵的最大功率值及其对应的电压值；

所述光伏列阵最大功率跟踪预测模型包括光伏电池、电压测量表、功率测量表、输入模块，其中输入模块包括光照强度输入模块和温度输入模块，对于光伏列阵最大功率预测模型，光伏电池的建模最为重要，本实施例采用文献《孙航,杜海江,季迎旭,等.适用不同尺度光伏阵列的数值建模方法[J].电力系统自动化,2014,38(16):35-40.》中的光伏电池数学模型，其中光伏电池的I-U特性为：

其中：

I、U分别为流过光伏电池的电流及光伏电池两端的电压；I_sc、U_oc、I_m、U_m分别为光伏电池的短路电流、开路电压、最大功率点电流和最大功率点电压；

在完成光伏电池建模的基础上，确立需要测试的光伏列阵规模，本实施例的光伏列阵规模为{5×4}，表示4列并联的光伏串，每列光伏串由5个光伏电池串联而成。通过输入模块，设置光伏列阵中各光电池的光照和温度，然后通过建立的光伏列阵最大功率跟踪预测模型进行仿真，获得该条件下的P-U输出曲线，其中P为光伏列阵输出功率，U为光伏列阵两端的电压，记录此次仿真中每个光电池的光照和温度情况，最大功率P_max及其对应的电压值U_c。然后更改各光电池的光照和温度，重新仿真计算，再次记录相关数据，多次重复仿真与记录，直到得到足够多的数据。

对于以上的光照和温度设置，为了能够较好的模拟实际情况，温度设置范围为0℃～50℃，光照设置范围为0W/m²～1500W/m²。

步骤S20，将步骤S10各光电池的光照、温度、该光照温度条件下光伏列阵的最大功率值及其对应的电压值数据作为训练样本和测试样本，建立和训练SVM最大功率跟踪模型，仿真测试；

根据以上数据进行SVM最大功率跟踪模型的建立和训练，其基本基本原理如下：

设训练样本集S为：

S＝{(x₁,y₁),(x₂,y₂),…,(x_k,y_k)} (8)

其中k为样本长度，y_i(i＝1,2,…,k)的值为1或-1，分别表示类别一、类别二，本实施例为待预测的电压值；

设分类超平面y(x)为：

y(x)＝ωx+b (9)

其中ω为分类超平面法向量，b为分类超平面截距，若公式(4)能够将样本正确的划分为两类，即可等效为：

对公式(10)求解可得最优的ω^*和b^*，并得到最终的最优分类超平面：

y_best(x)＝sgn[ω^*x+b^*] (11)

其中

α^*>0，为L arg range系数，为了避免由于少数样本导致的找不到最优分类超平面，引入松弛变量ξ_i，其中ξ_i>0，即公式(5)变更为：

其中，C为惩罚因子，表示错分样本的惩罚程度，在求解最优的ω^*、b^*及将原输入空间映射到高维的特征空间过程中，均需要进行点积计算，导致计算量增加。为了减小计算，引入核函数K(x_i,x_j)代替点积运算，则公式(2)变更为：

对于本实施例，x为各光电池光照、温度等输入量，预测量y为最大功率点对应的电压值。

粒子群算法的基本原理为：

设粒子总数为N，假设第i个粒子的位置为U_i，第i个粒子搜索到的历史最优位置为U_best,i，整个粒子群搜索到的最优位置为U_bestg，假设第i个粒子的位置变化率为v_i，则速度及位置更新公式为：

v_i(t+1)＝w×v_i(t)+d₁×rand×[U_best,i(t)-U_i(t)]+d₂×rand×[U_bestg(t)-U_i(t)](14)

U_i(t+1)＝U_i(t)+v_i(t+1)…1≤i≤N (15)

其中t为迭代次数；d₁和d₂称为学习因子，为正常数；rand为[0,1]的随机数；w为惯性权重。

步骤S30，根据步骤S20得到的SVM最大功率跟踪模型预测出待跟踪条件下最大功率点对应电压值的范围，通过粒子群算法对电压值进行寻优，获得最优电压值及其对应的全局最大功率点。

通过SVM预测出最大功率点对应电压值的大概范围后，运用粒子群算法在很小的范围内进行寻优获得最终的电压值，再将光伏列阵的两端电压值设置为寻优电压值，进行电路仿真即可得到待寻优的最大功率点。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (6)

1.一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于，所述方法包括以下步骤：

步骤S10，建立光伏列阵最大功率跟踪预测模型，对确定规模的光伏列阵进行大量仿真验证，获得不同光照和温度下光伏列阵的最大功率值及其对应的电压值；所述光伏列阵最大功率跟踪预测模型输入为光照和温度，输出为最大功率点及其对应的光伏阵列电压；

步骤S20，将步骤S10各光电池的光照、温度、该光照温度条件下光伏列阵的最大功率值及其对应的电压值数据作为训练样本和测试样本，建立和训练SVM最大功率跟踪模型，仿真测试；所述SVM最大功率跟踪模型输入为步骤S10各光电池的光照、温度、该光照温度条件下光伏列阵的最大功率值及其对应的电压值，输出为最大功率点对应电压值的大概范围；

步骤S30，根据步骤S20得到的SVM最大功率跟踪模型预测出待跟踪条件下最大功率点对应电压值的范围，通过粒子群算法对电压值进行寻优，获得最优电压值及其对应的全局最大功率点。

2.根据权利要求1所述的一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于，所述建立光伏列阵最大功率跟踪预测模型包括以下步骤：

步骤S101，首先确定光伏列阵的规模，即构成光伏列阵的光伏电池数量，并搭建光伏列阵仿真平台；

步骤S102，分析影响光伏列阵输出功率的因素，从而建立相应的光伏列阵最大功率跟踪预测模型。

3.根据权利要求2所述的一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于：步骤S101中，通过对光伏列阵设置不同的光照和温度情况，进行仿真，获得该条件下的最大功率点及其对应的光伏列阵电压，记录每个光电池所受光照、温度，及整个光伏列阵最大输出功率值和输出该功率值时光伏列阵两端的电压值；步骤S102中，所述影响光伏列阵输出功率的因素包括各光电池的光照和温度情况、光伏列阵的最大功率点及其对应的光伏列阵两端的电压值，以各影响因素作为输入量，建立和训练SVM最大功率跟踪模型。

4.根据权利要求1所述的一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于：步骤S20中，在建立和训练SVM最大功率跟踪模型前，首先要对训练样本的数据进行归一化处理。

5.根据权利要求1所述的一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于：步骤S30中，所述利用SVM最大功率跟踪模型预测待跟踪条件下最大功率点对应电压值的范围时，采用核函数代替点积运算来求解对偶问题和非线性映射到高维特征空间的问题，同时采用粒子群算法，通过个体极值和群体极值更新个体位置，通过多次迭代获得最优值。

6.根据权利要求5所述的一种基于SVM和粒子群算法的光伏列阵最大功率跟踪方法，其特征在于，所述核函数包括：

线型核函数：K(x,x_i)＝xx_i (1)

D阶多项式核函数：K(x,x_i)＝(xx_i+1)^d (2)

径向基核函数：

Sigmoid核函数K(x,x_i)＝tanh(k(xx_i))+θ (4)

其中，K(x,x_i)表示核函数，x表示自变量，x_i表示样本向量，即输入量，d表示多项式核函数的阶数，σ表示径向基核函数参数，θ表示Sigmoid核函数参数1，k(xx_i)表示Sigmoid核函数参数2。

Images