CN110058635A - 基于改进粒子群算法与模糊算法相结合的mppt方法 - Google Patents

Abstract

本发明公开一种利用改进粒子群算法和模糊算法相结合的最大功率点跟踪算法(MPPT)，该方法具体为：首先对标准粒子群算法进行改进，在标准粒子群算法的基础上改变其追踪极值的方式，使粒子不再追踪全局极值，转而追踪当前时刻下的最优粒子的位置。并使最优粒子按照模糊算法寻找最大功率点，由此将改进粒子群算法与模糊算法相结合。本发明不仅实现对全局最大功率点搜寻，并且有效减小粒子在最大功率点处的震荡，提高对最大功率点的追踪精度。

Description

基于改进粒子群算法与模糊算法相结合的MPPT方法

技术领域

本发明属于光伏发电技术领域，具体涉及一种基于改进粒子群算法与模糊算法相结合的MPPT方法。

背景技术

光伏阵列输出特性具有非线性特征，其输出特性受环境条件影响较大如光照、温度和负载。在一定的光照和温度条件下，存在唯一的电压，当系统工作于此电压下其输出功率最大，称此电压为该条件下的最大功率点电压。为提高系统的输出功率和效率，有必要对不同环境条件下的最大功率点电压进行跟踪。传统的最大功率点电压跟踪技术有扰动观察法(P&O)，电导增量法(INC)等，这些方法能有效的实现对最大功率点的跟踪，但也普遍存在一些问题，如跟踪精度较低，速度较慢，且当光伏阵列串并联连接时，不能对全局最大功率点进行跟踪。为此，如何改善最大功率点的跟踪技术成为国内外研究方向之一。

单个光伏电池板不能提供很高的电压和功率，为提高系统的电压和功率，往往将多个太阳能电池板串并联起来，形成太阳能光伏阵列。但光伏电池的串并联也会带来一些问题，如当光照条件不均匀时不同的太阳能电池将具有不同的最大功率点，由此形成电压——功率曲线的多峰值特性。传统的最大功率点跟踪算法无法实现对多峰值曲线的跟踪。粒子群算法(PSO)在多峰值函数的优化问题中有广泛的应用，可以用来解决多峰值最大功率点跟踪问题。标准粒子群算法在全局寻优问题上具有较好的性能但在最大功率点附近时却存在着较大的功率震荡。因而需要寻找方法对粒子群算法进行改进，一方面实现对全局最大功率点的跟踪，另一方面减小功率震荡，提高系统的稳定性。

发明内容

为实现对全局最大功率点的跟踪且提高系统的稳定性，本发明提供一种基于改进粒子群算法与模糊算法相结合的MPPT方法，解决现有技术中存在的问题。

本发明提出的方案如下：

1.基于改进粒子群算法与模糊算法相结合的MPPT方法，其特征在于，在标准粒子群算法的基础上改变粒子追寻极值的方式，粒子通过两个极值来更新：第一个极值是每个粒子本身到目前为止所能找到的最优解，称为个体极值；另一个极值是在当前时刻下所有粒子中最优粒子所处的位置，称为当前最优极值；该算法的具体公式可如下所示：

假设粒子i在k时刻处于电压此时其对应的输出功率粒子j为时刻k下所有粒子中输出功率最大的粒子称为当前最优极值，其电压为nb^k，输出功率为 代表k时刻时粒子i所能搜索到的最优位置称为个体极值，为k时刻下粒子i的电压改变量；函数f代表模糊控制算法；ω为惯性权因子；c₁、c₂为加速系数；r₁、r₂为[0，1]内的随机数。

进一步的，该方法具体包括如下步骤：

步骤(1)、初始化全部N个粒子，包括粒子的位置和初始速度；

步骤(2)、计算粒子i适应度，即获取粒子i所对应的输出功率；

步骤(3)、将粒子i的在k时刻的适应度与之前所有时刻的适应度作比较，若该粒子位置更优则更新个体极值，记为

步骤(4)、比较粒子i与粒子j适应度，若粒子i适应度较差，则按照公式(2)更新下一时刻位置；并将粒子j按照模糊算法进行更新下一时刻位置；并记录此时的粒子的速度信息，为下一时刻粒子状态的更新做准备；

步骤(5)、判断粒子群中是否还有粒子的状态信息没有更新，若存在则置i＝i+1,返回步骤(2)，否则转步骤(6)；

步骤(6)、判断是否满足终止条件，如果满足终止条件或迭代的步数超过最大设定值则停止计算，并输出此时的最优位置；若不满足终止条件且迭代步数未超过最大值，则寻找在当前时刻内的最优粒子j,记其电压为nb^k，并置k＝k+1,i＝1,返回步骤(2)继续计算。

进一步的，将改进粒子群算法与模糊算法相结合，其结合方式为：在改进粒子群算法中当粒子为最优位置粒子时，利用模糊算法进行位置信息的更新。

进一步的，模糊算法以两时刻功率的变化差值和粒子的电压变化作为输入，根据以下模糊准则改变下一时刻电压的变化量：

当功率变化为正时，则继续向原来步长方向调整，否则取反向；

当功率变化较大为正时，且步长为正时，说明在最大功率点左边且离最大功率点较远，故应适当增大步长；当功率变化为正且步长为负时，说明在最大功率点右边较陡区域应适当减小步长；

当功率变化为零时，说明处于最大功率点处，此时步长应为零。

与现有技术相比，本发明的有益效果是：

发明对标准粒子群算法进行了改进，同时将改进粒子群算法与模糊控制算法相结合。实现对全局最大功率点的跟踪且提高了系统的稳定性。

附图说明

图1基于改进粒子群算法与扰动观察法相结合的MPPT方法流程图；

图2模糊控制规则表；

图3控制系统仿真模型图；

图4(a)为光伏阵列在局部遮阴情况下的U-I曲线图，图4(b)为光伏阵列在局部遮阴情况下的U-P曲线图；

图5(a)为普通模糊算法仿真电压输出图、图5(b)为基本粒子群算法仿真电压输出图、图5(c)为改进粒子群算法仿真电压输出图；

图6(a)为基本粒子群算法输出电压误差图、图6(b)为改进粒子群算法输出电压误差图；

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

发明主要包括两方面的内容：1.对标准粒子群算法进行了改进；2.将改进粒子群算法与模糊控制算法相结合。

改进粒子群算法的基本思想是改变粒子追踪极值的方式，使粒子追踪在当前时刻下最优粒子的位置(以下称为当前最优极值)，而使最优粒子按照其他有效算法改变下一时刻的位置，经过多次迭代运算收敛于最优解。相对于标准粒子群算法根据所有时刻所有粒子搜索到的最优位置(全局极值)而言，该改进算法跟踪当前最优极值，算法收敛依赖于每一时刻最优粒子的位置，因而一定程度上依赖于最优粒子所遵循的算法。为更清楚描述该改进算法，假设粒子i在k时刻处于电压此时其对应的输出功率粒子j为时刻k下所有粒子中输出功率最大的粒子称为当前全局极值，其电压为nb^k，输出功率为 代表k时刻时粒子i所能搜索到的最优位置称为个体极值，为k时刻下粒子i的电压改变量；函数f代表模糊控制算法；ω为惯性权因子；c₁、c₂为加速系数；r₁、r₂为[0，1]内的随机数。则改进算法可用如下公式表示：

引入模糊算法的目的是提高最大功率点的追踪速度，改善在最大功率点处的稳定性能。引入方式是在改进粒子群算法中，使每一时刻的最优粒子按照模糊算法更新下一时刻的位置。模糊算法以两时刻功率的变化差值和前一时刻电压改变量作为输入，以电压改变量为输出。为要求在远离最大功率点处使算法具有较高的收敛速度，且在最大功率点附近时具有较高的稳定性，则根据以下模糊准则改变电压的变化量：

①当功率变化为正时，则继续向原来步长方向调整，否则取反向。

②当功率变化较大为正时，且步长为正时，说明在最大功率点左边且离最大功率点较远，故应适当增大步长；当功率变化为正且步长为负时，说明在最大功率点右边较陡区域应适当减小步长。

③当功率变化为零时，说明处于最大功率点处，此时步长应为零。

根据以上模糊准则建立的模糊规则表如附图2所示。

基于改进粒子群算法与扰动观察法相结合的MPPT方法其收敛性分析如下：

在标准粒子群算法中，假设全局极值点不随时间变化，证明了标准粒子群算法在均方意义下收敛于当前找到的最优位置p。在改进粒子群算法中，假设在某一时间段Δt₁内，最优粒子i维持其最优地位不变，若除去当前最优粒子，则余下的粒子在该时间段内构成包含N-1个粒子的基本粒子群算法。根据基本粒子群算法，这N-1个粒子将在该时间段内收敛于该最优粒子的位置。若在某一时刻该粒子a的最优地位被粒子b替代，则除去最优粒子b的其余N-1个粒子将新的时间段Δt₂内重新收敛于新的最优粒子所在位置。由此可以得出：若每一时刻段内的最优粒子都收敛于全局最优粒子，则改进粒子群算法便收敛到全局最优位置。

在将改进粒子群算法应用于MPPT算法中时，每一时刻最优粒子按照模糊算法计算下一时刻的位置，故在不同时间段内的最优粒子都将收敛于最大功率点，故整个改进粒子群算法都将收敛于最大功率点处。

下面以图1为例说明改进粒子群算法与扰动观察法相结合的MPPT方法的具体实施方式：

改进粒子群算法实现MPPT的具体流程如下所示：

步骤(1)、算法开始前首先初始化全部N个粒子，包括所有粒子的初始电压和初始速度

步骤(2)、计算粒子i在k时刻下在电压下的输出功率；

步骤(3)、将粒子i的在k时刻的输出功率与之前所有时刻的适应度作比较若该粒子位置更优则更新个体极值，记为

步骤(4)、比较粒子i与此时输出功率最大的粒子j的适应度；若此时粒子i输出功率相较于粒子j较低，则按照公式和更新下一时刻位置；若该粒子适应度为当前时刻下所有粒子中最好的，则按照模糊算法更新下一时刻的位置。模糊算法以粒子j两时刻(k时刻和k-1时刻)的输出的功率的变化和粒子k-1时刻的速度为输入,以粒子k时刻的速度为输出；将按照模糊规则表(如图3所示，为提高精度将功率变化值和速度分为8个和6个模糊子集)更新自己下一时刻的位置。并记录此时的粒子的速度信息(或)和位置信息(或)，为下一时刻粒子状态的更新做准备；

步骤(5)、判断粒子群中是否还有粒子的状态信息没有更新，若存在则置i＝i+1，返回步骤(2)，否则转步骤(6)；

步骤(6)、判断是否满足终止条件，如果满足终止条件或迭代的步数超过最大设定值N则停止计算，并输出此时的最优位置。若不满足终止条件且迭代步数未超过最大值,则找出在该周期内的处于最优位置的粒子j，并记当前最优粒子的电压为nb^k，并置k＝k+1,i＝1,返回步骤(2)继续计算。

依据该算法在matlab 2014a的simulink环境下搭建的仿真模型如图3所示，在不设置终止条件的情况下其与粒子群算法的对比仿真仿真结果如图4、图5、图6所示。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.基于改进粒子群算法与模糊算法相结合的MPPT方法，其特征在于，在标准粒子群算法的基础上改变粒子追寻极值的方式，粒子通过两个极值来更新：第一个极值是每个粒子本身到目前为止所能找到的最优解，称为个体极值；另一个极值是在当前时刻下所有粒子中最优粒子所处的位置，称为当前最优极值；该算法的具体公式可如下所示：

假设粒子i在k时刻处于电压此时其对应的输出功率粒子j为时刻k下所有粒子中输出功率最大的粒子称为当前最优极值，其电压为nb^k，输出功率为 代表k时刻时粒子i所能搜索到的最优位置称为个体极值，为k时刻下粒子i的电压改变量；函数f代表模糊控制算法；ω为惯性权因子；c₁、c₂为加速系数；r₁、r₂为[0，1]内的随机数。

2.根据权利要求1中所述基于改进粒子群算法与扰动观察法相结合的MPPT方法，其特征在于，该方法具体包括如下步骤：

步骤(1)、初始化全部N个粒子，包括粒子的位置和初始速度；

步骤(2)、计算粒子i适应度，即获取粒子i所对应的输出功率；

步骤(3)、将粒子i的在k时刻的适应度与之前所有时刻的适应度作比较，若该粒子位置更优则更新个体极值，记为

步骤(4)、比较粒子i与粒子j适应度，若粒子i适应度较差，则按照公式(2)更新下一时刻位置；并将粒子j按照模糊算法进行更新下一时刻位置；并记录此时的粒子的速度信息，为下一时刻粒子状态的更新做准备；

步骤(5)、判断粒子群中是否还有粒子的状态信息没有更新，若存在则置i＝i+1,返回步骤(2)，否则转步骤(6)；

步骤(6)、判断是否满足终止条件，如果满足终止条件或迭代的步数超过最大设定值则停止计算，并输出此时的最优位置；若不满足终止条件且迭代步数未超过最大值，则寻找在当前时刻内的最优粒子j,记其电压为nb^k，并置k＝k+1,i＝1,返回步骤(2)继续计算。

3.根据权利要求2中所述基于改进粒子群算法与扰动观察法相结合的MPPT方法，其特征在于，将改进粒子群算法与模糊算法相结合，其结合方式为：在改进粒子群算法中当粒子为最优位置粒子时，利用模糊算法进行位置信息的更新。

4.根据权利要求3中所述基于改进粒子群算法与模糊算法相结合的MPPT方法，其特征在于，模糊算法以两时刻功率的变化差值和粒子的电压变化作为输入，根据以下模糊准则改变下一时刻电压的变化量：

当功率变化为正时，则继续向原来步长方向调整，否则取反向；

当功率变化较大为正时，且步长为正时，说明在最大功率点左边且离最大功率点较远，故应适当增大步长；当功率变化为正且步长为负时，说明在最大功率点右边较陡区域应适当减小步长；

当功率变化为零时，说明处于最大功率点处，此时步长应为零。