CN109656303A - 基于最大粒子群跟踪微光伏灯箱最大功率点的方法 - Google Patents

Abstract

本发明公开了一种基于最大粒子群跟踪光伏灯箱最大功率点的方法，通过建立指数下降惯性权重策略公式对粒子群算法进行优化改进，将改进的算法应用于追踪光伏灯箱最大功率点上；本发明以太阳能电池输出电压作为粒子，以太阳能电池输出功率作为表征粒子优劣的适应值，初始化种群，计算每个粒子的适应度值，确定个体极值和全局极值，然后不断更新惯性权重来重新计算粒子的个体极值和全局极值直到达到设定的最大迭代次数从而追踪光伏灯箱的最大功率点；本发明具有追踪效率高、反应速度快和结果准确的特点。

Description

基于最大粒子群跟踪微光伏灯箱最大功率点的方法

技术领域

本发明涉及跟踪控制微光伏灯箱功率的技术领域，更具体地，涉及一种基于改进粒子群跟踪微光伏灯箱最大功率点的方法。

背景

路灯是一个城市最重要的基础设施之一，发达地区的城市，每公里的路灯大约在四五十盏左右，整座城市的路灯量是一个相当庞大的数字。大量的路灯不仅仅给日常的维护带来了巨大的工作量，其每日消耗的电量也是相当惊人，从经济的角度来看，供应全城的路灯进行照明，无疑是一笔相当大的费用；从能源利用的角度来看，路灯密集的区域主要还是发达地区发达城市，而发达城市的一个显著特点是发电量少、用电量高，大量电能通过特高压线路从西北地区输送而来，若能降低路灯的电能损耗，无疑能够有效减轻该地区电网的负担。

随着微光伏技术的日趋成熟，微光伏灯箱的应用越来越广泛，节约了大量的能源。由于微光伏灯箱的能量完全来自于微光伏，因此如何最大程度地提高微光伏板的能量转化效率，实现最大功率点跟踪，是首先需要解决的问题。当前常见的寻找最大功率点的手段有扰动观察法、电导增量法等，毫无疑问，这种类型的方法对于在空旷区域，大面积铺设微光伏板、受外部环境干扰小的情况拥有相当好的跟踪速度与精度。然而在实际应用中，微光伏发电为了满足输出功率和输出电压的要求，经常需要将多个光伏电池板串联起来构成大功率光伏电池阵列，当大型建筑物、光伏电池板互相之间、小面积云团或是树木杂草给电池阵列中的部分光伏电池板造成阴影遮挡时，每个电池板即会表现出不同的伏安特性，致使其输出功率很不稳定，即最大功率点在时刻变化。扰动观察法、电导增量法等方法存在着跟踪效率低及反应速度慢的问题，不能准确、稳定地追踪微光伏电池最大功率点。

发明内容

本发明的目的是为了解决以上现有技术的不足，提供基于最大粒子群跟踪微光伏灯箱最大功率点的方法。

本发明所采用的技术方案是这样的，一种基于最大粒子群跟踪微光伏灯箱最大功率点的方法，包括以下步骤：

步骤一：基于指数下降惯性权重对粒子群算法进行优化改进，建立的指数下降惯性权重策略公式为

ω(t)表示粒子在第t次迭代的惯性权重，α是控制参数，且α＞0，ω_max、ω_min分别为粒子群惯性权重的上界和下界；t为迭代次数；T为最大迭代次数。

步骤二：将改进的粒子群算法应用在追踪光伏灯箱最大功率点中，具体应用步骤如下：

1)设置最大的迭代次数，选择微光伏电池输出电压作为粒子，微光伏电池输出功率作为表征粒子优劣的适应值，初始化操作随机生成粒子群；L_i为粒子当前位置，L_i＝(l_i1,l_i2,…,l_iD),i＝1,2,…,m；第i个粒子所经历的最好位置为粒子群的个体极值，记为P，P_i＝(p_i1,p_i2,…,p_iD),i＝1,2,…,m；种群中最好的位置称为全局极值，记为G，G_i＝(g_i1,g_i2,…,g_iD),i＝1,2,…,m；粒子速度表示为V_i；

2)对初始化的粒子群，计算每个粒子的适应值，选择当前粒子的位置为粒子的个体极值，并通过比较得到种群的全局极值。

3)根据指数下降惯性权重策略公式与粒子群迭代公式和对每个粒子的速度和位置进行更新,粒子群迭代公式为：

在粒子群迭代公式中，ω为粒子群算法的惯性权重；c₁和c₂为正常数，称为加速度系数；r₁和r₂是两个在[0，1]范围内变化的随机数；

4)根据更新后的粒子位置重新计算适应度值，更新个体极值和全局极值，对于每个粒子，如果当前迭代的适应度值优于上次迭代中适应度值，则将当前迭代的个体极值作为新的个体极值。对于种群，如果当前迭代的适应度值优于上次迭代中适应度值时，种群选择当前迭代的全局极值作为新的全局极值。

5)若迭代次数达到最大，则记录当前全局极值为最大功率点并输出，若迭代次数未达到最大，则将迭代次数加一，重复步骤2)～5)。

有益效果：

1.本发明所述的基于改进粒子群算法对微光伏灯箱的微光伏电池的最大功率点进行跟踪，能够快速准确地追踪到微光伏灯箱的最大功率点，解决当前常用的最大功率点跟踪方法存在着跟踪效率低及反应速度慢的问题。

2.本发明基于指数下降惯性权重对粒子群算法进行优化改进，能够实现在早期迭代过程中，惯性权重较快的搜索并发现可全局寻优的区域，迭代后期，惯性权重进行精细搜索，使粒子能够在已发现的区域中，微调搜索全局最优解，提高了追踪微光伏灯箱最大功率点的准确性。

附图说明

图1是微光伏灯箱系统结构图；

图2是本发明微光伏电池电路应用实例图；

图3是基于改进粒子群跟踪微光伏灯箱最大功率点的方法的流程图；

图4是不同α值的指数下降惯性权重曲线。

具体实施方式

下面结合附图对本发明进行详细说明。

本实例的微光伏灯箱系统如图1所示，其中微光伏电池板的充电受微处理控制，太能电池板所产生的电能存储在蓄电池内，再由蓄电池为LED路灯进行供电。

本实例的微光伏电池等效电路图如图2所示，电感L和电容C、开关管S和二极管D和负载R构成主电路，输入端接微光伏电池板输出。

本实例基于指数下降惯性权重改进的粒子群算法实现对微光伏灯箱最大功率点的跟踪，其工作原理为：采样微光伏电池板的输出电压V_pv与输出电流I_pv，改进粒子群算法依据V_pv与I_pv进行迭代搜索，并向PWM控制器输送下次迭代的电压参考信号V_ref，控制器电路的开关管S发出驱动信号，控制开关管S的导通和关断，改变开关管S的占空比使微光伏电池板工作点相应变化。通过改进粒子群算法不断的迭代搜索最终能够使系统运行在全局最大功率点处。

本实施例所述的基于改进粒子群跟踪微光伏灯箱最大功率点的方法的流程图如图3所示，具体包括以下步骤：

步骤一：建立指数下降惯性权重策略公式

式中，ω(t)表示粒子在第t次迭代的惯性权重；α是控制参数且α＞0；ω_max、ω_min分别为粒子群惯性权重的上界和下界；t为迭代次数；T为最大迭代次数。当迭代次数t较小时，ω(t)较大，使得粒子保留历史速度的能力越大。随着迭代次数t的增加，ω(t)逐渐减小，且下降幅度也随着的增加逐渐递减。当α＞1，迭代次数t增加至T时ω(t)的下降幅度趋于0，ω(t)趋于平滑，达到收敛。

选取合适的取值α，使得改进的粒子群算法能够实现在早期迭代过程中，惯性权重较快的搜索并发现可全局寻优的区域；在迭代后期，惯性权重进行精细搜索，使粒子能够在已发现的区域中，微调搜索全局最优解。

根据指数下降惯性权重策略公式，若给定上界ω_max、下界ω_min的值，则有

当迭代次数t＝T时代入公式(2)有：

将(ω_max-ω_min)作为常系数，公式(3)的导函数如下：

根据(4)式分析可知，α＝1时，式(2)可以取到最大值；当α＞1时，随着α的增大，式(2)的取值逐渐减小，收敛为0。指数下降惯性权重策略关键是对于控制参数α的选取，α的取值应该满足：在变量t遍历完时，ω(t)的值应该能几乎遍历完区间[ω_min,ω_max]。对α的取值分三种情况讨论：

(1)当t＝0时，ω(t)＝ω_max，此时惯性权重ω(t)可以取到上界ω_max。

(2)当t＝T时，合适的α值能够使惯性权重ω(t)无线接近下界的值ω_min。此时惯性权重公式可以表示为：

ω(t)＝ω_min+(ω_max-ω_min)*exp(-α) (5)

根据(4)式有当参数集{α,ω_max,ω_min}取不同值时，所得到的ω(t)的取值如表1所示

由表1可知当α≥6时，惯性权重的值都接近下界ω_min，即α≥6时满足条件。

(3)当0＜t＜T时，由于α取值不同时，指数下降惯性权重的下降曲线也不同。为了进行比较，在此设定ω_max＝0.7，ω_min＝0.2，T＝1000，指数下降惯性权重的下降曲线在不同α值下如图4所示。由图2可知，小的α值能保证惯性权重在早期的迭代中不那么快，能找到好粒子群全局寻优的区域，但迭代至最大次数时，α的值仍保持一个较大的惯性权重，会导致种群不能进行精细局部搜索而错过局部最优解。大的α值会在在早期迭代中，使得惯性权重下降太快导致粒子群算法过早的完成全局搜索，易陷入局部最优。

经过上述分析，选择α的值为8。

表1 t＝T时不同参数集取值对应的ω(t)的值

步骤二：将改进粒子群算法应用在追踪微光伏灯箱最大功率点中，具体实现如下：

1.设置最大迭代次数，选择微光伏电池输出电压V_pv作为粒子，微光伏电池输出功率P_pv作为表征粒子优劣的适应值，初始化操作随机生成粒子群。L_i为粒子当前位置，L_i＝(l_i1,l_i2,…,l_iD),i＝1,2,…,m；第i个粒子所经历的最好位置为粒子群的个体极值，记为P，P_i＝(p_i1,p_i2,…,p_iD),i＝1,2,…,m；种群中最好的位置称为全局极值，记为G，G_i＝(g_i1,g_i2,…,g_iD),i＝1,2,…,m；粒子速度表示为V_i

2.对初始化的粒子群，计算每个粒子的适应值，选择当前粒子的位置为粒子的个体极值并通过比较得到种群的全局极值g¹

3.按照步骤一中的指数下降惯性权重策略公式与如下的粒子群迭代公式和对每个粒子的速度和位置进行更新。

式中，ω为粒子群算法的惯性权重；c₁和c₂为正常数，称为加速度系数；r₁和r₂是两个在[0，1]范围内变化的随机数。

4.重新计算新粒子的适应度值，更新和g¹度值。对于每个粒子，如果当前迭代的适应度值优于上次迭代中适应度值，则将当前迭代的个体极值作为新的个体极值。对于种群，如果当前迭代的适应度值优于上次迭代中适应度值时，种群选择当前迭代的全局极值作为新的全局极值。

5.若迭代次数t＝T，则记录g¹，算法结束，此时的g¹为全局最大功率点；否则，令t＝t+1，重复2～5。

为了验证本专利提出的改进粒子群算法对于微光伏电池最大功率点跟踪的有效性，设定c₁＝c₂＝2，粒子速度的边界V_max＝1，最大迭代次数T＝1000，种群个数M＝50，随机选取了15组微光伏电池数据进行最大功率点的跟踪实验，如表2所示。

表2基于云进化算法的微光伏电池最大功率点跟踪实验结果表

从表2中可以看出，基于改进粒子群算法的微光伏灯箱控制器的最大功率点跟踪控制方法，能够有效的追踪微光伏灯箱控的最大功率点，能够提高微光伏电池效率。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.基于最大粒子群跟踪微光伏灯箱最大功率点的方法，其特征在于，包括以下步骤：

步骤一：基于指数下降惯性权重对粒子群算法进行优化改进，建立的指数下降惯性权重策略公式为

ω(t)表示粒子在第t次迭代的惯性权重，α表示控制参数，且α＞0，ω_max、ω_min表示粒子群惯性权重的上界和下界；t表示迭代次数；T表示最大迭代次数。

步骤二：将步骤一建立的指数下降惯性权重策略公式应用在追踪光伏灯箱最大功率点中，具体应用步骤如下：

1)设置最大的迭代次数，选择微光伏电池输出电压作为粒子，微光伏电池输出功率作为表征粒子优劣的适应值，初始化操作随机生成粒子群；

2)对初始化的粒子群，计算每个粒子的适应值，选择当前粒子的位置为粒子的个体极值，并通过比较得到种群的全局极值；L_i为粒子当前位置，L_i＝(l_i1,l_i2,…,l_iD),i＝1,2,…,m；第i个粒子所经历的最好位置为粒子群的个体极值，记为P，P_i＝(p_i1,p_i2,…,p_iD),i＝1,2,…,m；种群中最好的位置称为全局极值，记为G，G_i＝(g_i1,g_i2,…,g_iD),i＝1,2,…,m；粒子速度表示为V_i；

3)根据步骤一建立的指数下降惯性权重策略公式与粒子群迭代公式和对每个粒子的速度和位置进行更新,粒子群迭代公式为：

在粒子群迭代公式中，ω为粒子群算法的惯性权重；c₁和c₂为正常数，称为加速度系数；r₁和r₂是两个在[0，1]范围内变化的随机数；

4)根据更新后的粒子位置重新计算适应度值，更新个体极值和全局极值，对于每个粒子，如果当前迭代的适应度值优于上次迭代中适应度值，则将当前迭代的个体极值作为新的个体极值。对于种群，如果当前迭代的适应度值优于上次迭代中适应度值时，种群选择当前迭代的全局极值作为新的全局极值。

5)若迭代次数达到最大，则记录当前全局极值为最大功率点并输出，若迭代次数未达到最大，则将迭代次数加一，重复步骤2)～5)。