CN109085877B - 局部阴影条件下基于qapso算法光伏系统mppt控制方法 - Google Patents

Abstract

本发明涉及一种局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，该方法包括以下步骤：S1：根据光伏电池的特性，建立适用于局部阴影条件下的光伏阵列模型；S2：运用QAPSO算法对局部阴影条件下的光伏阵列模型进行求解，获取输出功率；S3：以输出功率作为适应度函数，通过迭代搜索，实现光伏阵列的最大功率点跟踪。与现有技术相比，本发明对最大功率点具有更快的跟踪速度，避免了在最大功率点附近的振荡，提高了系统的稳态性能，对于局部阴影和阴影突变情况下均能找到最大功率点，增强系统的跟踪能力，能够显著地提高光伏发电效率。

Description

局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法

技术领域

本发明涉及光伏发电技术领域，尤其是涉及一种局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法。

背景技术

能源在创造新机遇和促进经济增长方面扮演着极其重要的角色，同时世界经济的发展和人口的增长反过来助长了世界能源需求量。我国能源结构的核心问题表现在：一是能源结构以煤为主；二是石油安全问题日趋显著；三是煤烟型污染已经给生态环境带来严重问题。由此可见，优化能源结构势在必行，缓慢增添绿色可再生能源的比例，减少化石能源的使用。

太阳能光伏发电被认为是当前世界上最具有发展前景的新能源技术，各发达国家均投入巨额资金竞相研究开发，并积极推进产业化进程，大力开拓市场应用。但是光伏发电产业在发展中也遇到了许多问题：光伏电池成本高昂、光电转化效率较低、局部遮挡的危害。

最大功率点跟踪是降低发电成本、提高发电效率最直接有效的方法。现有的大部分最大功率点跟踪方法的应用前提都是光伏阵列受到的光照均匀，而忽略了在现实生活中，光伏阵列被遮挡的概率很大。当光伏阵列被局部遮挡时，使得传统的最大功率点跟踪方法容易陷入局部最优难以搜寻到全局最优。

扰动观察法和电导增量法是较早应用在光伏发电系统中的最大功率跟踪方法，被称为传统最大功率跟踪方法。扰动观察法控制思路简单，实现较为方便，可实现对最大功率点的跟踪，提高系统的利用效率。但是由于扰动观察法仅以光伏电池前后两次的输出功率为对象进行研究，没有考虑外部环境条件变化对光伏阵列前后两次输出功率的影响，在使用的过程中容易出现方法的“误判”，“误判”增加了跟踪时间，降低了光伏阵列的输出效率，严重时导致跟踪的失效，使该方法不能准确地跟踪到最大输出功率。

电导增量法跟踪精度较高，控制效果好，不受功率时间曲线的影响。但该方法对传感器有较高的要求，同时步长的选取也将影响算法的性能，在外界环境条件变化较快的情况下也会出现“误判”。

近年来，随着智能算法的不断完善，粒子群算法、遗传算法、模糊控制算法和神经网络算法等被引入到光伏发电系统的最大功率跟踪控制中。这些算法的使用，有效地提高了最大功率跟踪的精度，减少了能量损耗。但智能算法往往存在控制参数多，控制思想复杂，对硬件的要求高的缺点，这在一定程度上制约了这些算法的工程实践应用，并且随着光伏阵列的运行环境变得越来越复杂，由于建筑物、树木的遮挡或灰尘等造成光伏阵列表面受到的光照强度不均匀的情况时常发生，此时，光伏阵列的功率-电压(P-U)特性曲线将出现多个峰值。部分智能算法和传统最大功率跟踪方法一样，缺乏全局寻优的能力，仅仅适用于单峰值最大功率跟踪系统，当对多峰值系统进行跟踪时，会造成跟踪失效。因此，研究一种具有全局寻优特性的最大功率跟踪方法对于提高光伏发电效率十分关键。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法。

本发明的目的可以通过以下技术方案来实现：

局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，包括以下步骤：

步骤一、根据光伏电池的特性，建立适用于局部阴影条件下的光伏阵列模型。

步骤二、运用量子改进加速粒子群算法(Quantum-behaved acceleratedparticle swarm optimization，QAPSO)算法对局部阴影条件下的光伏阵列模型进行求解，获取输出功率。该步骤具体包括：

1)设置算法参数并初始化粒子种群，初始化粒子相位，每个粒子包含有两个位置的信息，具体包括：

101)将光伏阵列的电压作为粒子，采用角度θ确定一个粒子；

102)采用量子位的概率幅P_i作为粒子当前的编码，编码公式为：

其中，θ_ij为粒子P_i上第j个量子位的当前相位，为(0，2π)区间上的随机数，n为优化变量数目；种群中每个粒子占据空间中两个位置，两个位置c、s分别对应量子态|0>和|1>的概率幅，其表达式为：

P_ic＝(cos(θ_i1),cos(θ_i2),…,cos(θ_in))

P_is＝(sin(θ_i1),sin(θ_i2),…,sin(θ_in))

103)对粒子进行解空间变换；

假设粒子P_j上第i个量子位为

[a_i,b_i]为变量x_i的定义域，则两个位置c、s相应的解空间变量公式为：

104)结束初始化，输出初始粒子信息。

2)以光伏阵列模型的输出功率作为适应度函数，计算各粒子适应度值并进行评价；

3)根据粒子的适应度值更新自身和全局最优相位；

4)利用APSO算法的更新规则实现粒子的位置更新，并将其映射到解空间；具体包括：

401)粒子P_i上量子位幅角增量的更新：

Δθ_ij(t+1)＝Δθ_ij(t)+c₁r₁+c₂(θ_g-θ_ij(t))

402)粒子上量子位概率幅的更新：

式中：c₁为自身认知因子；r₁为[0，1]上的均匀随机数；c₂为社会认知因子；θ_g为全局最优相位。

5)计算各粒子适应度值并进行评价，根据粒子的适应度更新自身和全局最优相位；

6)判断粒子间的最大距离是否满足要求，若满足要求，转至步骤(7)，若不满足要求，转至步骤8)；

7)测量光伏阵列输出电压U_m对应的功率，并判断是否满足重启条件，若满足，转至步骤1)，若不满足，再次执行步骤7)；

8)选择当代最优解并保存，判断该最优解是否达到最大迭代次数，若达到，转至步骤10)，若未达到，转至步骤9)；

9)以pa的概率选择变异粒子，利用量子非门相位参数，对粒子进行变异，计算新种群的适应度值并评价，转至步骤3)；

对粒子进行变异的具体内容为：

首先设定变异概率P_m，取P_m的值为0.05，对每个粒子赋值一个(0，1)之间的随机数rand，若rand<P_m,则用量子非门进行变异，否则，不进行变异。利用量子非门进行变异实质为量子比特。量子非门即为泡利矩阵σ_x，其定义式为：

量子非门的功能在于使量子比特在单位圆上绕圆心旋转。假设量子比特为

则变异后的量子非门为：

θ_ij变异后的相位为π/2-θ_ij。

10)输出最优解，获取输出功率。

步骤三、以输出功率作为适应度函数，通过迭代搜索，实现光伏阵列的最大功率点跟踪。

与现有技术相比，本发明具有以下优点：

一、本发明利用QAPSO算法进行最大功率寻优，方法简单且控制参数少，将其应用于光伏阵列最大功率点跟踪，对最大功率点具有更快的跟踪速度，改善系统的动态响应，避免了在最大功率点附近的振荡，提高了系统的稳态性能，对于环境的变化，包括局部阴影和阴影突变情况下均能找到最大功率点，增强系统的跟踪能力；

二、本发明方法具有较强的鲁棒性，能够显著地提高光伏发电效率，在光伏发电系统具有较好的应用前景；

三、本发明提出的QAPSO算法采用量子位的概率幅作为粒子当前的编码，利用APSO算法的更新规则对粒子位置进行更新，同时依变异概率选取变异粒子并利用量子非门对其进行变换，使粒子具有了不确定的搜索轨迹，可以在整个可行区域内搜索，具有全局收敛性。

附图说明

图1为本发明局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法的流程图；

图2(a)为局部阴影条件下的光伏阵列P-U特性曲线图；

图2(b)为三种阴影条件下的光伏阵列P-U特性曲线图；

图3为本发明QAPSO算法的流程示意图；

图4为本发明实施例中PSO、APSO和QAPSO算法在光伏阵列标准光照条件下的仿真结果图；

图5为本发明实施例中三种阴影条件下采用不同算法的光伏阵列在的仿真结果图，其中，图5(a)为阴影情况1下采用PSO、APSO和QAPSO算法的光伏阵列的仿真结果图，图5(b)为阴影情况2下采用PSO、APSO和QAPSO算法的光伏阵列的仿真结果图，图5(c)为阴影情况3下采用PSO、APSO和QAPSO算法的光伏阵列的仿真结果图；

图6为本发明实施例中PSO、APSO和QAPSO算法在光伏阵列阴影突变情况下的仿真结果图，其中，图6(a)为阴影突变情况1下的仿真结果图，其中，图6(b)为阴影突变情况2下的仿真结果图.

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明涉及一种局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，如图1所示，包括如下步骤：

步骤一、根据光伏电池的特性，建立适用于局部阴影条件下的光伏阵列模型；

步骤二、运用QAPSO算法对局部阴影条件下的光伏阵列模型进行求解，获取输出功率；

步骤三、以输出功率作为适应度函数，通过迭代搜索，实现光伏阵列的最大功率点跟踪。

图2为本发明在局部阴影条件下的光伏阵列P-U特性曲线图。光伏阵列在标准情况(本发明指参考温度和参考光照强度)下，光伏阵列P-U特性曲线如图2(a)所示。在现实生活中，光伏阵列被遮挡的概率很大。光伏阵列会因为周围树荫、乌云、房屋等的遮挡而产生局部阴影问题，本发明采用的光伏阵列并设计三种阴影情况，对局部阴影下光伏阵列的P-U特性曲线进行分析：

1)阴影情况1：阴影分部为[3：2：1]，其中1B，1C，1D辐照度为800W/m²，2C，2D辐照度为600W/m²，3D辐照度为200W/m²。

2)阴影情况2：阴影分部为[2：1：0]，其中1C，1D辐照度为800W/m²，2D辐照度为600W/m²。

3)阴影情况3：阴影分部为[2：0：0]，其中1C，1D辐照度为800W/m²，阴影情况1、2和3下的P-U特性曲线如图2(b)所示。对图2(b)进行分析得出：在光伏阵列中光伏电池所处的光照强度不相同时，光伏阵列的P-U特性曲线呈现多峰值。阴影情况1、2和3下的P-U特性曲线分别呈现四峰值、三峰值和双峰值。

图3为本发明基于QAPSO算法的流程图。针对PSO和APSO算法的不足，在APSO算法的基础上，从量子力学的角度提出了QAPSO算法，在QAPSO中，直接采用量子位的概率幅作为粒子当前的编码，利用APSO算法的更新规则对粒子位置进行更新，同时依变异概率选取变异粒子并利用量子非门对其进行变换，使粒子具有了不确定的搜索轨迹，可以在整个可行区域内搜索，且算法具有全局收敛性。该算法包括以下步骤：

(1)设置算法参数并初始化粒子种群，初始化粒子相位，每个粒子包含有两个位置的信息，具体步骤如下：

A、根据QAPSO算法基本原理，一个点可由角度θ来确定；将粒子作为光伏阵列的电压；

B、在QAPSO算法中采用量子位的概率幅作为粒子当前的编码，编码公式如下：

其中，θ_ij为(0，2π)区间上的随机数，n为优化变量数目，种群中每个粒子占据空间中两个位置，它们分别对应量子态|0>和|1>的概率幅，公式如下：

P_ic＝(cos(θ_i1),cos(θ_i2),…,cos(θ_in))

P_is＝(sin(θ_i1),sin(θ_i2),…,sin(θ_in))

C、在QAPSO中，粒子的遍历空间每维均为[-1，1]，为计算粒子目前位置的优劣性，需要进行解空间的变换。记粒子P_j上第i个量子位为

[a_i,b_i]为变量x_i的定义域，则相应的解空间变量公式如下：

D、结束初始化，输出初始粒子信息。

(2)以光伏阵列模型的输出功率作为适应度函数，计算各粒子适应度值并评价；

(3)根据粒子的适应度值更新自身和全局最优相位；

(4)利用APSO算法的更新规则实现粒子的位置更新，并将其映射到解空间；

(5)计算各粒子适应度值并评价，根据粒子的适应度更新自身和全局最优相位；

(6)判断粒子间的最大距离是否满足要求，若不满足要求，转至步骤(8)，若满足，则转至步骤(7)

(7)测量光伏阵列输出电压U_m对应的功率，并判断是否满足重启条件，若满足，转至步骤(1)，若不满足，转至步骤(7)；

(8)选择当代最优解并保存，判断是否达到最大迭代次数，若达到，转至步骤(10)，若未达到，转至步骤(9)；

(9)以pa的概率选择变异粒子，利用量子非门相位参数θ，实现粒子的变异，计算新种群的适应度值并评价，转至步骤(3)；

(10)输出最优解，获取输出功率。

由于反复多次迭代会带来功率长时间波动，因此为了使功率尽快稳定到最大功率点，减轻系统趋于稳定时的功率振荡，本发明采用以下终止策略：由于粒子的位置是分散的，当粒子位置非常集中时，可以认为已经达到了最大功率点附近。本发明设定，当粒子之间的最大电压之差小于0.5％U_oc(U_oc为阵列开路电压)时，停止迭代，当前所有粒子电压中对应功率最大者定为U_m，其功率为最大功率P_m。

当阴影情况或者光照强度发生变化时，光伏阵列输出功率也跟随变化，因而需要重新启动QAPSO算法，使系统稳定工作在新的最大功率点。将功率变化量ΔP表示为：

式中，P_real为阵列运行于U_m点的实时输出功率。

根据图2仿真结果，阴影情况剧烈变化时功率变化量ΔP>0.1，因而设定突变重启条件为ΔP>0.1。

在本发明中PSO、APSO和QAPSO算法的目标函数为实时采集的光伏阵列输出功率(P＝UI)，粒子的位置为光伏阵列的输出电压。本发明考虑光伏阵列在实际运行过程中受到的遮挡是多变的，下面分标准光照、三种阴影和两种阴影突变情况进行仿真，以便对QAPSO算法的寻优能力进行全面地分析，在本发明实施例中,各算法的参数设置如表1所示：

表1三种方法参数设置

图4为本发明实施例中PSO、APSO和QAPSO算法在光伏阵列标准光照条件下的仿真结果图。对图4进行分析可得：PSO算法和APSO算法收敛速度慢、前期振荡严重，最终收敛于局部最大功率点，使光伏发电效率得不到提高；QAPSO算法能够实现快速稳定地稳态功率输出，收敛于全局最大功率点，提高了光伏发电效率。

图5为本发明实施例中PSO、APSO和QAPSO算法在光伏阵列三种阴影条件下的仿真结果图。在现实生活中，光伏阵列被遮挡的概率很大，当光伏阵列中的光伏电池处于不同的光照强度和温度条件下时，光伏阵列的P-U曲线呈现多峰值特性。本实施例设计三种阴影情况，并利用PSO、APSO和QAPSO算法进行仿真，针对标准光照条件和三种阴影条件下的四种方法的收敛时间和效率如表2所示：

表2三种方法收敛时间和效率

其中，效率的计算式为：

对图4和图5的仿真结果图及表2进行分析可知：PSO和APSO算法收敛速度慢且在多峰情况时会陷入局部最优，使光伏发电效率得不到提高。QAPSO算法收敛速度快，能够实现稳定地稳态功率输出且光伏发电效率能够稳定地达到99％以上，显著地提高光伏发电效率。

图6为本发明实施例中PSO、APSO和QAPSO算法在光伏阵列阴影突变情况下的仿真结果图。针对阴影突变，本发明设计两种突变情况，具体突变情况如下：

1)标准光照→阴影情况1→阴影情况2→阴影情况3

2)阴影情况3→阴影情况2→阴影情况1→标准光照

针对上述突变情况1，分别利用PSO、APSO和QAPSO算法算法进行仿真，具体仿真结果如图6(a)所示。对图6(a)进行部分分析得出：标准光照突变为阴影情况1时：标准光照稳定功率即式(13)中的P_m＝2096W，1.6s时阴影遮挡模式突变为阴影情况1，阴影情况1下，阵列输出功率即式(13)中的P_real＝1032W，按照式(13)，功率突变ΔP>0.1，满足突变重新启动条件，重新启动最大功率点跟踪算法。从图6可以看出：阴影情况1实际P_m＝1342W，利用PSO算法进行寻优P_m＝1246W，与实际最大功率相差96W，相对误差7.1％，APSO算法P_m＝1235W，与实际最大功率相差107W，相对误差8.0％，QAPSO算法P_m＝1334W，与实际最大功率相差8W，相对误差0.6％，这表明PSO、APSO算法在光照强度突然减弱情况下会陷入局部最优，使光伏发电效率得不到提高。而QAPSO能快速高效地跟踪到最大功率点，成功实现阴影突变跟踪。

针对上述突变情况2，分别利用PSO、APSO和QAPSO算法进行仿真，具体仿真结果如图6(b)所示。对图6(b)进行分析：当阴影情况1突变为标准光照时，标准光照下实际P_m＝2096W，利用PSO算法进行寻优P_m＝1735W，与实际最大功率相差361W，相对误差17.2％，APSO算法P_m＝1879W，与实际最大功率相差217W，相对误差10.4％，QAPSO算法P_m＝2090W，与实际最大功率相差6W，相对误差0.3％，这表明PSO和APSO算法在光照强度突然增强情况下会陷入局部最优。而QAPSO能快速高效地跟踪到最大功率点，成功实现阴影突变跟踪。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，其特征在于，该方法包括以下步骤：

S1：根据光伏电池的特性，建立适用于局部阴影条件下的光伏阵列模型；

S2：运用QAPSO算法对局部阴影条件下的光伏阵列模型进行求解，获取输出功率；具体包括以下步骤：

1)设置算法参数并初始化粒子种群，初始化粒子相位，每个粒子包含有两个位置的信息；具体地：

a)采用角度θ确定一个粒子，该粒子为光伏阵列的电压；

b)采用量子位的概率幅P_i作为粒子当前的编码，编码公式为：

其中，θ_ij为粒子P_i上第j个量子位的当前相位，θ_ij为(0，2π)区间上的随机数，n为优化变量数目；种群中每个粒子占据空间中两个位置，两个位置c、s分别对应量子态|0>和|1>的概率幅，其表达式为：

P_ic＝(cos(θ_i1),cos(θ_i2),…,cos(θ_in))

P_is＝(sin(θ_i1),sin(θ_i2),…,sin(θ_in))

c)对粒子进行解空间变换；

假设粒子P_j上第i个量子位为

[a_i,b_i]为变量x_i的定义域，则两个位置c、s相应的解空间变量公式为：

d)结束初始化，输出初始粒子信息；

2)以光伏阵列模型的输出功率作为适应度函数，计算各粒子适应度值并进行评价；

3)根据粒子的适应度值更新自身和全局最优相位；

4)利用APSO算法的更新规则实现粒子的位置更新，并将其映射到解空间；

5)计算各粒子适应度值并进行评价，根据粒子的适应度更新自身和全局最优相位；

6)判断粒子间的最大距离是否满足要求，若满足要求，转至步骤(7)，若不满足要求，转至步骤8)；

7)测量光伏阵列输出电压U_m对应的功率，并判断是否满足重启条件，若满足，转至步骤1)，若不满足，再次执行本步骤；

8)选择当代最优解并保存，判断该最优解是否达到最大迭代次数，若达到，转至步骤10)，若未达到，转至步骤9)；

9)以pa的概率选择变异粒子，利用量子非门相位参数，对粒子进行变异，计算新种群的适应度值并评价，转至步骤3)；

10)输出最优解，获取输出功率；

S3：以输出功率作为适应度函数，通过迭代搜索，实现光伏阵列的最大功率点跟踪。

2.根据权利要求1所述的局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，其特征在于，步骤4)中，利用APSO算法的更新规则实现粒子的位置更新具体包括：

1)粒子P_i上量子位幅角增量的更新：

Δθ_ij(t+1)＝Δθ_ij(t)+c₁r₁+c₂(θ_g-θ_ij(t))

2)粒子上量子位概率幅的更新：

式中，c₁为自身认知因子，r₁为[0，1]上的均匀随机数，c₂为社会认知因子，θ_g为全局最优相位。

3.根据权利要求2所述的局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，其特征在于，步骤9)中，对粒子进行变异的具体内容为：

设定变异概率，对每个粒子赋值一个(0，1)之间的随机数，若该随机数小于变异概率，则用量子非门进行变异，否则，不进行变异。

4.根据权利要求3所述的局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，其特征在于，所述的量子非门为泡利矩阵σ_x，其定义式为：

量子非门为量子比特在单位圆内绕圆心旋转，假设量子比特为

则变异后的量子非门为：

粒子P_i上第j个量子位的当前相位变异后的相位为π/2-θ_ij。

5.根据权利要求3所述的局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，其特征在于，所述的变异概率为0.05。

Images