CN109101071A - 一种基于智能预测的光伏多峰值最大功率点跟踪方法 - Google Patents

Abstract

本发明涉及一种基于智能预测的光伏多峰值最大功率点跟踪方法，包括以下步骤：S1：结合光伏阵列电流‑电压特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列运动学平抛模型；S2：采用改进的粒子群算法对光伏阵列运动学平抛模型求解实现最大功率预测(简称智能预测)，获取最大功率点和最大功率点处的电压；S3：由于光伏运动学平抛模型是对光伏阵列电流‑电压特性曲线的拟合，而拟合不一定精确，在预测之后再采用电压闭环控制法对最大功率点进行局部跟踪，获取控制信号；S4：采用获取的控制信号控制Boost电路导通和关断，实现光伏阵列最大输出功率的实时控制。与现有技术相比，本发明具有实现最大功率点全局寻优、提高光伏发电系统的效率等优点。

Description

一种基于智能预测的光伏多峰值最大功率点跟踪方法

技术领域

本发明涉及光伏发电技术领域，尤其是涉及一种基于智能预测的光伏多峰值最大功率点跟踪方法。

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，在我国一次能源生产与消费构成中，煤炭比例超过2/3；二是石油安全问题日趋显著，到2020年，石油的对外依存度将达到60％，我国能源安全尤其是石油安全问题越来越突出；三是煤烟型污染已经给生态环境带来严重问题，而电力、建材、冶金、化工等能源消费密集的行业又是我国的支柱产业，它们占大气污染的70％以上。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：

(1)光伏电池成本高昂；

(2)光电转化效率较低；

(3)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，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系统的效率十分关键。

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基于智能预测的光伏多峰值最大功率点跟踪方法。

本发明的目的可以通过以下技术方案来实现：

步骤一、结合光伏阵列I-U特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列的运动学平抛模型。光伏阵列的运动学平抛模型可在任意光照或温度的环境条件下进行光伏阵列建模，并在环境变化时可实现计算修正。

当环境变化时，模型的修正公式如下式所示：

式中：ΔT为温度的变化量；ΔS为光照强度的变化量；T_ref为参考温度，T_ref＝25℃；S_ref为参考光照强度，S_ref＝1000W/m²；I_sc为当前光伏电池的短路电流；U_oc为当前光伏电池的开路电压；I_m为当前光伏电池的最大电流；U_m为当前光伏电池的最大电压；e为自然对数的底数，其值约为2.71828；系数a＝0.0025/℃；系数b＝0.5/(W/m²)；系数c＝0.00288/℃；I_scref为参考光照强度和温度条件下的光伏电池短路电流；U_ocref为参考光照强度和温度条件下的光伏电池开路电压；I_mref为参考光照强度和温度条件下的光伏电池最大电流；U_mref为参考光照强度和温度条件下的光伏电池最大电压。

步骤二、采用改进的粒子群算法对光伏阵列的运动学平抛模型进行求解，获取最大功率点及最大功率点处的电压，进而实现一种最大功率的智能预测。

对粒子群算法进行的改进包括：

(1)粒子编码方式

在Bloch球面坐标下，一个点P可由两个角度θ和来确定，量子位用Bloch球面坐标表示为改进PSO算法采用量子位的Bloch球面坐标编码，其编码方式如下式所示：

其中，θ_ij＝π×rnd，rnd为[0,1]区间的随机数；i＝1,2…,m；j＝1,2,…n；m是种群规模；n是优化变量的个数。在改进PSO算法中，每个粒子同时占据空间三个位置，即同时代表如下三个优化解，分别称为X解、Y解、Z解。

P_iz＝(cosθ_i1,cosθ_i2,…,cosθ_in)

(2)解空间变换

记第i个粒子P_i上第j个量子位的Bloch坐标为[x_ij,y_ij,z_ij]^T，优化问题解空间第j维的取值范围为[a_j，b_j]，则由单位空间Iⁿ＝[-1,1]ⁿ映射到优化解空间的变换公式如下式所示：

因此，每个粒子对应优化问题的三个近似解。

(3)粒子位置的自适应量子旋转更新

本发明提出的改进PSO算法与PSO算法相比减少了惯性系数、加速系数等控制参数，利用自适应量子旋转门H调整量子比特的两个相位参数θ和以实现粒子位置的更新。自适应量子旋转门如下式所示：

式中，H表示自适应量子旋转门。

更新公式如下式所示：

其中，自适应量子旋转角α_i如下式所示：

式中：α_min是最小旋转角；α_max是最大旋转角；f_i是当前第i个粒子的适应值；f_min是当前代粒子中的最小适应值；f_max是当前代粒子中的最大适应值；gen是当前的迭代次数；max gen是算法设置的最大迭代次数。

(4)粒子位置的变异

在改进PSO算法中通过量子非门实现变异操作。该变异实际是量子位沿Bloch球面的一种幅度较大的旋转，对于第j个量子位，转角大小为Δθ_ij＝π/2-2θ_ij，

步骤三、根据当前的光伏阵列对最大功率控制的要求，采用电压闭环控制法对最大功率点进行寻优，获取相应的控制信号。该方法采用电压闭环控制法对预测到的电压进行补偿，该方法的具体内容为：

将预测到的最大功率点处的电压与光伏阵列的实际电压做差值，通过电压闭环产生修正值，用该修正值对预测到的电压进行补偿，具体包括：

301)对预测得到的最大功率点处的电压与光伏阵列的实际电压做差值，并将该差值与上一时刻的差值比较，获取控制量；

302)将获取的控制量与定步长相乘，将得到的乘积与三角波信号进行比较，获取控制信号，对最大功率进行跟踪，保证稳定的稳态功率输出，提高光伏阵列发电效率。

优选地，所述的定步长为0.01。

步骤四、利用获取的控制信号控制Boost电路的导通和关断，从而使外部电路的等效电阻实时等于光伏阵列的内阻，在任意条件下做到光伏发电系统的内外阻抗匹配，实现光伏阵列最大输出功率的实时控制。

与现有技术相比，本发明具有以下优点：

一、本发明建立了光伏阵列运动学平抛模型，该模型可以进行任意光照或温度的环境条件下光伏阵列的建模，且该模型的误差在工程精度要求范围内，该模型求解过程计算量小，并在环境变化时可实现计算修正；

二、本发明采用改进的粒子群算法对光伏阵列运动学平抛模型求解，改进的粒子群算法的收敛速度快，实现较为智能化的预测，可稳定地收敛到平抛最大功率点；

三、本发明对智能预测获取的结果进行电压闭环控制进行补偿来获取控制信号；采用电压闭环控制的方法，先利用智能预测得到的最大功率点处的电压，实现最大功率点的定位，再施以电压闭环控制进行修正补偿，从而达到稳定的稳态功率输出；

四、本发明在无论由光照不同，还是由温度不同引起的局部阴影条件下均能够快速稳定地收敛到全局最大功率点，发电效率能够稳定的达到99％以上，与传统方法相比提高了光伏发电效率。

附图说明

图1为一种基于智能预测的光伏多峰值最大功率点跟踪方法的流程图；

图2为根据光伏电池I-U曲线构建光伏阵列运动学平抛模型的原理图；

图3为本发明实施例中基于智能预测的光伏多峰值最大功率点跟踪仿真模型图；

图4为本发明实施例中电压闭环MPPT的控制原理图；

图5为本发明实施例中三种方法在场景1条件下的光伏输出功率对比图；

图6为本发明实施例中三种方法在场景2条件下的光伏输出功率对比图；

图7为本发明实施例中三种方法在场景3条件下的光伏输出功率对比图。

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。

本发明涉及一种基于智能预测的光伏多峰值最大功率点跟踪方法，如图1所示，该方法包括以下步骤：

步骤一、结合光伏阵列I-U特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列的运动学平抛模型。光伏阵列的运动学平抛模型可在任意光照或温度的环境条件下进行光伏阵列建模，并在环境变化时可实现计算修正。

如图2(a)所示，其中图2(a)为单峰时的原理图，图2(b)为多峰时的原理图。将横坐标U看作质点的运动时间，纵坐标电流I看作是质点在竖直方向上的位移，则光伏电池的I-U特性曲线看作是质点从点(0，I_sc)的位置平抛出去的运动曲线轨迹。质点的平抛运动空间中，存在三个不同的重力场g₀＝0、g₁、g₂。三个重力场的分界线为U＝xU_m与U＝U_m。根据物理学上的相关原理，可得出I-U特性曲线的运动学模型，如下式所示：

其中：

式中，U_m为当前光伏电池的最大电压；I_sc为当前光伏电池的短路电流。

当环境变化时，模型的修正公式如下所示：

式中：ΔT为温度的变化量；ΔS为光照强度的变化量；T_ref为参考温度，T_ref＝25℃；S_ref为参考光照强度，S_ref＝1000W/m²；I_sc为当前光伏电池的短路电流；U_oc为当前光伏电池的开路电压；I_m为当前光伏电池的最大电流；U_m为当前光伏电池的最大电压；e为自然对数的底数，其值约为2.71828；系数a＝0.0025/℃；系数b＝0.5/(W/m²)；系数c＝0.00288/℃；I_scref为参考光照强度和温度条件下的光伏电池短路电流；U_ocref为参考光照强度和温度条件下的光伏电池开路电压；I_mref为参考光照强度和温度条件下的光伏电池最大电流；U_mref为参考光照强度和温度条件下的光伏电池最大电压。

局部阴影条件下光伏阵列的I-U与P-U输出特性都比较复杂。由于大型光伏阵列的输出特性是由多个小型光伏电池串输出特性并联叠加得到的，所以从光伏电池串入手，找到单串的建模方法，通过并联叠加就可以得到整个光伏阵列输出特性模型。如图2(b)所示，从图2(b)中可以看出：I-U特性曲线呈现多阶梯状。从曲线形状上来看，该曲线可以看作是由三个阶梯曲线拼接而成的，分别为曲线1(AB)、曲线2(BC)和曲线3(CD)，拼接点为B(U₁，I_sc2)、C(U₂，I_sc3)。由于每个阶梯代表在一定条件下的光伏电池组件的I-U输出曲线，只要求出每个阶梯的I-U平抛特性曲线就可以得到整个光伏阵列的I-U曲线。

考虑到平抛模型计算量小、精度高、适用性强等优点，用平抛模型来描述单串光伏阵列的I-U输出特性曲线。则可以求得图2(b)所示三段曲线的I-U表达式分别为下式：

I₁＝f(U,I_sc1,I_m1,U_oc1,U_m1)

I₂＝f(U,I_sc2,I_m2,U_oc2,U_m2)

I₃＝f(U,I_sc3,I_m3,U_oc3,U_m3)

当有多串并联时，可以按照下式进行并联。

其中，I_g和U_g为第g串组件串的输出电流与电压，g＝1...3。根据P＝UI即可获得整个阵列的输出功率。

步骤二、采用改进的粒子群算法对光伏阵列运动学平抛模型求解实现最大功率预测(简称智能预测)，获取最大功率点和最大功率点处的电压。

本发明中改进的PSO算法的目标函数为实时采集的光伏阵列输出功率，粒子的位置为光伏阵列的输出电压，通过迭代找到光伏阵列的最大功率点的位置。普通粒子群算法虽然具有良好的全局搜索能力，由于它本身具有随机性，造成在多峰值寻优时可能会陷入局部最优，为了避免普通粒子群算法陷入局部最优故对粒子群算法进行了如下改进：

(1)粒子编码方式

在Bloch球面坐标下，一个点P可由两个角度θ和来确定，量子位用Bloch球面坐标表示为改进PSO算法采用量子位的Bloch球面坐标编码，其编码方式如下式所示：

其中，θ_ij＝π×rnd，rnd为[0，1]区间的随机数；i＝1,2…,m；j＝1,2,…n；m是种群规模；n是优化变量的个数。在改进PSO算法中，每个粒子同时占据空间三个位置，即同时代表如下三个优化解，分别称为X解、Y解、Z解。

P_iz＝(cosθ_i1,cosθ_i2,…,cosθ_in)

(2)解空间变换

记第i个粒子P_i上第j个量子位的Bloch坐标为[x_ij,y_ij,z_ij]^T，优化问题解空间第j维的取值范围为[a_j，b_j]，则由单位空间Iⁿ＝[-1,1]ⁿ映射到优化解空间的变换公式如下式所示：

因此，每个粒子对应优化问题的三个近似解。

(3)粒子位置的自适应量子旋转更新

本发明提出的改进PSO算法与PSO算法相比减少了惯性系数、加速系数等控制参数，利用自适应量子旋转门H调整量子比特的两个相位参数θ和以实现粒子位置的更新。自适应量子旋转门如下式所示：

更新公式如下式所示：

自适应量子旋转角α_i如下式所示：

式中：α_min是最小旋转角；α_max是最大旋转角；f_i是当前第i个粒子的适应值；f_min是当前代粒子中的最小适应值；f_max是当前代粒子中的最大适应值；gen是当前的迭代次数；max gen是算法设置的最大迭代次数。

(4)粒子位置的变异

在改进PSO算法中通过量子非门实现变异操作。该变异实际是量子位沿Bloch球面的一种幅度较大的旋转，对于第j个量子位，转角大小为Δθ_ij＝π/2-2θ_ij，

步骤三、采用电压闭环控制法对最大功率点进行寻优，获取占空比；

采用电压闭环控制法时，将预测到的最大功率点处的电压与光伏阵列的实际电压做差值，将该差值与上一时刻的差值进行比较，获取控制量后，将得到的控制量与定步长相乘，再将乘积与三角波作比，获取对最大功率跟踪的控制信号，用于实现最大功率跟踪，保证稳定的稳态功率输出，提高光伏阵列发电效率；

步骤四、利用获取的控制信号控制Boost电路的导通和关断，实现光伏阵列最大输出功率的实时控制。

为证明本发明优化控制方法的有效性，本实施例搭建了光伏阵列最大功率点控制仿真模型如图3所示。本发明为了验证平抛模型的特点，采用3个10×20光伏阵列串联成的大光伏阵列。针对光照不同和温度不同两种情况设计六种场景，具体如表1所示。其中光伏电池主要参数为：U_m＝17.4V，U_oc＝21V，I_sc＝9.21A，I_m＝8.57A。

表1六种场景参数设置

由于工程数学模型的精度和误差都满足实际工程需求，因此可以用工程数学模型输出结果代替实测数据。在六种场景下将光伏平抛模型和工程数学模型输出结果进行对比，其最大功率及最大功率处的电压如表2所示。

表2平抛模型和工程数学模型统计表

由表2仿真结果可知，在六种仿真场景下，平抛模型和工程数学模型在最大功率点处的电压差的平均值为2.6W，功率差的平均值为7W，误差在允许范围之内。因此，平抛模型可以进行任意光照、任意温度条件下光伏阵列的建模。

本实施例还针对PSO算法、改进PSO算法以及本发明的优化控制方法的控制效果进行了仿真对比验证。具体验证过程如下：

图4为本发明实施例的电压闭环MPPT控制原理图。电压闭环控制的具体原理为：将预测到的最大功率点处的电压U_m与光伏阵列的实际电压做差值，并将该差值与上一时刻的差值比较，获取控制量；将获取的控制量与定步长相乘，对得到的乘积与三角波信号进行比较，获取控制信号。利用获取的控制信号控制Boost电路导通和关断，改变光伏阵列的输出电压，从而形成一个电压的闭环控制，实现光伏阵列最大输出功率的实时控制。该方法能够保证稳定的稳态功率输出，提高光伏阵列的发电效率。其中输入信号in为预测到的最大功率点处的电压U_m与光伏阵列的实际电压检测量的差值。

为了验证所提方法的可行性及改进算法的有效性。本发明针对光照不同和温度不同设计六种场景，具体场景参数设置同表1。在仿真分析中各算法的参数设置如表3所示。

表3算法参数设置

图5为本发明智能预测+电压闭环控制、改进PSO和PSO在场景1条件下的对比图，其中智能预测为利用改进PSO算法对平抛模型进行求解。通过图5分析发现：PSO算法收敛速度慢且前期震荡严重，在场景1下最终收敛于78280W，和工程数学模型的实际功率(P_m＝89410W)相差11130W陷入局部最优。改进粒子群算法前期振荡较PSO算法小，能够收敛于平抛模型在场景1下的最大功率点，但在最大功率点处存在稍微振荡。通过表2可知，平抛模型和工程数学存在误差，如果单独利用改进PSO算法所得的最大功率和工程数学模型仍有误差，故本发明提出先预测后利用电压闭环进行补偿的方法。智能预测+电压闭环收敛速度明显快于SPSO和改进PSO算法且消除了稳态功率振荡问题，提高了光伏发电效率。

图6为本发明智能预测+电压闭环控制、改进PSO和PSO在场景2条件下的对比图，其中智能预测为利用改进PSO算法对平抛模型进行求解。通过对图6分析可以得出：PSO算法前期振荡严重、收敛速度慢且陷入局部最优。改进PSO算法收敛速度快于PSO算法，能够收敛于平抛模型的最大功率点，证明了改进算法的有效性。智能预测+电压闭环收敛速度快，能够实现稳定的稳态功率输出，提高了光伏发电效率。

图7为本发明智能预测+电压闭环控制、改进PSO和PSO在场景3条件下的对比图，其中智能预测为利用改进PSO算法对平抛模型进行求解。通过对图7进行分析可以得出：PSO算法前期振荡严重、收敛速度慢且陷入局部最优。改进PSO算法收敛速度快于PSO算法，能够收敛于平抛模型的最大功率点，证明了改进算法的有效性。智能预测+电压闭环收敛速度快，能够实现稳定的稳态功率输出，提高了光伏发电效率。

根据场景1、2和3条件下的仿真结果图，得出各种方法的效率和收敛时间如表4所示。

表4三种方法寻优仿真结果对比

其中，效率η_MPPT的表达式为：

式中，P_MPPT为采用各方法最大功率跟踪控制后寻优的最大功率值，P_工程实际为光伏阵列的实际最大功率测量值。由表4可知：在场景1、2和3条件下PSO算法收敛速度最慢且发电效率最低。改进PSO算法收敛速度少快于PSO算法，但是和工程数学模型的最大功率相比发电效率不高。智能预测+电压闭环收敛速度快，发电效率大概能够稳定的达到99.9％，有效地提高了光伏发电效率。

在场景4、5和6条件下，各方法的收敛时间以及效率如表5所示：

表5三种方法寻优仿真结果对比

根据表5可知：在场景4、5和6条件下，改进PSO算法的收敛速度快于PSO算法且发电效率也高于PSO算法，证明了改进算法的有效性。智能预测+电压闭环的收敛速度最快且发电效率最高，大概能够稳定的达到99.7％，提高了光伏发效率。

综上所述，本发明提出的方法在无论由光照不同，还是由温度不同引起的局部阴影条件下均能够快速稳定地收敛到全局最大功率点，提高了光伏发电效率。

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 (9)

1.一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，该方法包括以下步骤：

S1：结合光伏阵列电流-电压特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列运动学平抛模型；

S2：采用改进的粒子群算法对光伏阵列运动学平抛模型进行求解，实现最大功率预测，获取最大功率点及最大功率点处的电压；

S3：采用电压闭环控制法对预测到的最大功率点进行局部跟踪，获取控制信号；

S4：根据获取的控制信号控制Boost电路导通和关断，实现光伏阵列最大输出功率的实时控制。

2.根据权利要求1所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤S1中，光伏阵列运动学平抛模型的表达式为：

式中：I_sc为当前光伏电池的短路电流，U_oc为当前光伏电池的开路电压，I_m为当前光伏电池的最大电流，U_m为当前光伏电池的最大电压，其中：

式中：I_sc为当前光伏电池的短路电流，U_oc为当前光伏电池的开路电压，I_m为当前光伏电池的最大电流，U_m为当前光伏电池的最大电压；

当外界环境变化时，模型的修正公式为：

式中：ΔT为温度的变化量，ΔS为光照强度的变化量，T_ref为参考温度，T_ref＝25℃，S_ref为参考光照强度，S_ref＝1000W/m²，I_sc为当前光伏电池的短路电流，U_oc为当前光伏电池的开路电压，I_m为当前光伏电池的最大电流，U_m为当前光伏电池的最大电压，e为自然对数的底数，其值约为2.71828，a、b、c为系数，I_scref为参考光照强度和温度条件下的光伏电池短路电流，U_ocref为参考光照强度和温度条件下的光伏电池开路电压，I_mref为参考光照强度和温度条件下的光伏电池最大电流，U_mref为参考光照强度和温度条件下的光伏电池最大电压。

3.根据权利要求2所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤S2中，采用改进的粒子群算法对光伏阵列运动学平抛模型求解的具体步骤包括：

201)设置算法参数并初始化粒子种群，初始化粒子相位，每个粒子包含有三个位置的信息，以及粒子的编码和解空间变换，该粒子为光伏阵列的电压；

202)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；

203)根据粒子的适应度值更新自身和全局最优相位；

204)利用自适应量子旋转门调整量子比特的相位参数θ和实现粒子的位置更新，并将其映射到解空间；

205)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；

206)选择当代最优解并保存，判断是否达到最大迭代次数，若未达到，转至步骤207)，若达到，转至步骤208)；

207)以pa的概率选择变异粒子，利用量子非门调整相位参数θ和实现粒子的变异，并将其映射到解空间，计算新种群的适应度值并评价，转至步骤203)；

208)输出最优解，获取最大功率点及最大功率点处的电压。

4.根据权利要求3所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤201)中，粒子的编码及解空间变换的过程包括：

a1)编码：在Bloch球面坐标下，一个点P可由两个角度θ和来确定，量子位用Bloch球面坐标表示为改进PSO算法采用量子位的Bloch球面坐标编码，其编码方式为：

其中，θ_ij＝π×rnd，rnd为[0，1]区间的随机数；i＝1,2…,m；j＝1,2,…n，n为优化变量的个数，m为种群规模，在改进PSO算法中，每个粒子同时占据空间三个位置，即同时代表X解、Y解、Z解：

P_iz＝(cosθ_i1,cosθ_i2,…,cosθ_in)

a2)解空间变换：记第i个粒子P_i上第j个量子位的Bloch坐标为[x_ij,y_ij,z_ij]^T，优化问题解空间第j维的取值范围为[a_j，b_j]，则由单位空间Iⁿ＝[-1,1]ⁿ映射到优化解空间的变换公式如下式所示：

5.根据权利要求4所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤204)中，自适应量子旋转门的表达式为：

粒子位置更新的表达式为：

式中，H为自适应量子旋转门，a_i为自适应旋转角。

6.根据权利要求5所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，自适应旋转角a_i的表达式为：

式中：α_min为最小旋转角，α_max为最大旋转角，f_i为指当前第i个粒子的适应值，f_min为当代粒子中的最小适应值，f_max为当代粒子中的最大适应值，gen为当前的迭代次数，maxgen为算法设置的最大迭代次数。

7.根据权利要求1所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤S3中，采用电压闭环控制法对预测到的最大功率点进行寻优的具体步骤包括：

301)对预测得到的最大功率点处的电压与光伏阵列的实际电压做差值，并将该差值与上一时刻的差值比较，获取控制量；

302)将获取的控制量与定步长相乘，将得到的乘积与三角波信号进行比较，获取控制信号。

8.根据权利要求2所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，系数a＝0.0025/℃，系数b＝0.5/(W/m²)，系数c＝0.00288/℃。

9.根据权利要求7所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，所述的定步长为0.01。