CN110174919A - 基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 - Google Patents
基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 Download PDFInfo
- Publication number
- CN110174919A CN110174919A CN201910373992.5A CN201910373992A CN110174919A CN 110174919 A CN110174919 A CN 110174919A CN 201910373992 A CN201910373992 A CN 201910373992A CN 110174919 A CN110174919 A CN 110174919A
- Authority
- CN
- China
- Prior art keywords
- wolf
- grey wolf
- photovoltaic system
- grey
- hunting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Abstract
本发明涉及电力系统优化控制技术应用领域,提供一种基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法以及计算机可读存储介质,存储介质存储有计算机程序,计算机程序被控制器执行时实现上述方法。该方法在灰狼算法的基础上加入随机侦查策略,随机侦查策略的随机侦察向量使侦查狼δ2的位置所表示的电参数的值在预设范围内的随机任意值,具有较大的自由度,负责进行广泛的全局搜索,提高光伏系统的全局最大功率点的搜索质量。并且,合作狩猎组的α,β,δ1狼和自由侦察组的δ2狼还根据适应度函数的值进行排序,然后在下次迭代中进行角色交换,可以有效平衡算法在全局搜索与局部搜索间的矛盾,并减小光伏系统输出电流、电压和功率的振荡。
Description
技术领域
本发明涉及电力系统优化控制技术应用领域,特别涉及一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被控制器执行时实现基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法。
背景技术
太阳能作为一种新兴的可再生能源,以其储量丰富、无污染、分布广泛等优点,近年来得到了迅猛发展。光伏系统主要应用硅晶体光伏电池作为太阳能和电能的转换器件,是目前使用最为广泛的太阳能发电应用。光照强度是影响光伏电池工作状态的主要因素,在均匀光照强度下,光伏系统的P-V(功率-电压)特性曲线呈现为非线性单峰值曲线(见图1-a),当其工作电压为最大功率点电压时,其输出电流和输出功率最大。因此,采用光伏系统最大功率跟踪(Maximum Power Point Tracking,MPPT)方法,通过采样获得光伏系统的电压和电流以计算是否获得最大功率,并通过计算来跟踪得到最大功率电压,保持为光伏系统提供当前光照强度下的最大功率电压,即可使光伏系统的工作效率最大化。
但是,光伏系统在实际运行中常受乌云、树木、建筑物等的遮蔽而暴露于部分遮蔽条件下,此时,光伏系统的功率-电压(P-V)特性曲线容易由的单峰值曲线转变为呈现出多峰特性的曲线(见图1-b)。如果在部分遮蔽条件下还采用常规的最大功率跟踪算法,如增量电导法(Incremental Conductance,INC)、扰动观测法(Perturbation and Observation,P&O),因在部分遮蔽条件下光照不均匀,往往无法识别全局最大功率点和局部最大功率点,容易造成算法陷入局部最大功率点的问题,引起整个光伏系统的功率失配,降低光伏系统的发电效率,情况严重时还会造成设备损坏。而目前常规的用于阴影遮蔽条件下的最大功率跟踪算法大多存在较大缺陷,如可以实现多峰跟踪的粒子群算法(Particle SwarmOptimization,PSO)和能够实现并行搜索的遗传算法(Genetic Algorithm,GA)对系统参数都有较大的依赖性,系统状态突变时动态响应较低。现有的最大功率跟踪算法在部分遮蔽条件下不能快速、稳定地找到全局最大功率点。
发明内容
本发明的目的在于:避免上述现有技术中的不足之处而提供一种使光伏系统能在部分遮蔽条件下快速、稳定地收敛至全局最大功率点的光伏系统最大功率跟踪方法。
本发明的思路:发明人发现,与传统多峰值MPPT(光伏系统最大功率跟踪)方法相比,灰狼算法(Grey Wolf Optimizer,GWO)也可以用于多峰值MPPT的计算,且具有参数少、收敛速度快、求解精度高等特点,但是在部分遮蔽条件下,灰狼算法的全局搜索能力依然存在一定的局限性,发明人想到在常规灰狼算法的基础上加入随机侦查策略,得到新的深度灰狼算法(Deep Grey Wolf Optimizer,DGWO),从而降低在部分遮蔽条件下的多峰值MPPT方法的局部最优风险,实现更为广泛的全局搜索。
具体的,灰狼算法(Grey Wolf Optimizer,GWO)是模仿自然界中灰狼群的领导结构和捕猎机制建立的数学模型,最初会在一定范围内初始化灰狼群(通常以采集得到的光伏系统输出电压作为灰狼群的灰狼,以输出电压所对应的占空比作为该灰狼的位置),每头灰狼的位置对应一个光伏系统输出最大功率的可能解,且假定灰狼群中的灰狼分为α、β、δ和ω4类,以α为最优解(光伏系统采用α灰狼所对应的占空比得到的输出功率最大),β为次优解,以此类推。在灰狼算法的每一轮迭代中,猎物代表真实的解,α、β、δ灰狼指挥灰狼群捕猎,然后把ω灰狼的位置替换为该轮迭代后得到的位置,每一轮迭代后按照各个灰狼的位置所对应的适应度函数值进行排列,根据排序更新灰狼群中个体的位置及类别,灰狼群的个体在迭代过程中不断向猎物靠近,最终最为接近猎物的头灰狼α的位置即为灰狼算法所寻得的最优解。发明人想到在灰狼算法的基础上引入“分组”机制,把灰狼群分为合作狩猎组和自由侦查组,前者包含四种类型的灰狼,即α、β、δ1和ω灰狼,而后者仅包括δ2灰狼,通过赋予自由侦查组的δ2灰狼更高的自由度,使其对未知环境进行广泛的全局搜索,并在下一轮迭代中参与根据适应度函数值进行的排列,与合作狩猎组的灰狼进行交换,实现随机侦查策略,从而提高全局搜索的效率。
本发明的目的通过以下技术方案实现:
提供基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,包括如下步骤:
最大功率跟踪器模型建立步骤:建立基于光伏系统电参数的最大功率跟踪器模型,建立基于该电参数的适应度函数;
参数初始化步骤:根据光伏系统的结构初始化电参数并获取该电参数的初始序列,按照适应度函数的值的预设优选顺序对初始序列进行排序,并依照排序结果把与这些初始序列的值匹配的灰狼位置依次分配给灰狼算法的α、β、δ、ω灰狼,δ灰狼包括狩猎狼δ1和侦查狼δ2,α灰狼、β灰狼、狩猎狼δ1和ω灰狼作为合作狩猎组,侦查狼δ2作为随机侦查组;
灰狼狩猎步骤:
根据原始灰狼算法,获取合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量据此计算α、β灰狼和狩猎狼δ1的调整位置并计算ω灰狼需移动到的位置按照各个调整位置以及位置所对应的适应度函数的值的预设优选顺序更新这些灰狼的位置;
构建侦查狼δ2的位置更新方程其中,是侦查狼δ2的位置,是随机侦察向量,该随机侦察向量取使所表示的电参数的值在预设范围内的随机任意值,得到新的侦查狼δ2的位置
按照更新后的α、β灰狼、狩猎狼δ1以及侦查狼δ2的位置所对应的适应度函数的值的预设优选顺序更新这些灰狼的位置,记为一次灰狼狩猎迭代;
迭代判断步骤:若迭代总次数已达到预设值T,或者该轮迭代中合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量之间的关系满足预设条件,则判断迭代终止;
跳转步骤:若迭代判断步骤中判断迭代终止,则输出当前α灰狼的位置作为最大功率跟踪器的最优解,控制光伏系统的光伏阵列工作,否则跳转到灰狼狩猎步骤。
优选的,所述最大功率跟踪器模型建立步骤中,所述光伏系统电参数是光伏系统的输出电压Vpv,基于该输出电压Vpv的适应度函数是与该输出电压Vpv对应的光伏系统输出功率P。
优选的,所述参数初始化步骤中,获取电参数的初始序列是指:对光伏系统的初始输出电压Vpv进行采样,以采样得到的输出电压Vpv为样本扩展一组随机电压序列V,随机电压序列V的值都是光伏系统的最小和最大输出电压之间的随机数。
优选的,所述β灰狼和所述狩猎狼δ1都不少于两个。
优选的,α、β灰狼和狩猎狼δ1的调整位置其中,为ω灰狼的位置向量,系数向量其中,是环绕系数向量,随每次迭代非线性递减:
其中,是环绕系数向量迭代初始值,t是当前迭代次数,T是总迭代次数,a是用于控制环绕系数向量下降速度的调节系数。
优选的,所述灰狼狩猎步骤中,
其中,分别是合作狩猎组的α、β灰狼和狩猎狼δ1的平均位置向量;kα、kβ和kδ分别是与灰狼对应的引导系数。
优选的,所述kα>kβ>kδ。
优选的,所述迭代判断步骤中,所述预设条件是指:合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量之间的标准差小于预设值。
优选的,包括在跳转步骤后执行的检验步骤:采集光伏系统的输出功率,若采集的实际输出功率与最大功率跟踪器的最优解控制光伏系统工作得到的最大功率值偏差超过预设阈值,则跳转到参数初始化步骤。
还提供一种计算机可读存储介质,该存储介质存储有可执行计算机程序,计算机程序被控制器执行时能够实现上述基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法。
本发明的有益效果:该基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,在灰狼算法的基础上加入随机侦查策略并应用在光伏系统的最大功率跟踪上,随机侦查策略的随机侦察向量使侦查狼δ2的位置所表示的电参数的值在预设范围内的随机任意值,具有较大的自由度,负责进行广泛的全局搜索,提高光伏系统的全局最大功率点的搜索质量。并且,合作狩猎组的α,β,δ1狼和自由侦察组的δ2狼还根据适应度函数的值进行排序,然后在下次迭代中进行角色交换,可以有效平衡算法在全局搜索与局部搜索间的矛盾,并减小光伏系统输出电流、电压和功率的振荡。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为均匀光照强度(1-a)和部分遮蔽(1-b)条件下光伏系统的P-V特性曲线。
图2为光伏系统的结构示意图。
图3为该基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法的整体流程图。
图4为该基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法的环绕系数向量随迭代次数的变化曲线示意图。
图5为在恒温变光照强度下基于该光伏系统最大功率跟踪方法(51)与增量电导法(52)、遗传算法(53)的光伏系统电流(5-1)、电压(5-2)、功率(5-3)响应对比示意图。
图6为在恒温恒光照强度下基于该光伏系统最大功率跟踪方法(61)与增量电导法(62)、遗传算法(63)的光伏系统电流(6-1)、电压(6-2)、功率(6-3)响应对比示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
如图2所示,该基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法采用基于DGWO的最大功率跟踪器来实现对光伏系统最大功率的跟踪。由于光伏系统的目标是获得最大有功功率,因此该基于DGWO的最大功率跟踪器的模型可以描述为:
式中,F(Vpv)表示目标函数,Vpv是光伏系统输出电压,Ipv是光伏系统输出电流,Pout是光伏系统的有功功率,约束条件的和分别是光伏系统的最小和最大输出电压。根据式(1),对光伏系统输出电压Vpv进行反馈调节即可实现对光伏系统最大功率的跟踪。
该基于深度灰狼算法(DGWO)的部分遮蔽条件下光伏系统最大功率跟踪方法具体通过如下步骤实现。
首先,执行DGWO参数初始化步骤。该基于DGWO的最大功率跟踪器对光伏系统的初始输出电压Vpv进行采样,以当前采样得到的输出电压Vpv为样本扩展一组随机电压序列V,V区间的随机数,这些随机电压序列的值所对应的占空比分别作为灰狼算法中各个灰狼的初始灰狼位置X。在实际操作中,扩展得到的随机电压序列值是在区间内广泛分布的10个或以上彼此间隔相对均匀的值。随机电压序列值分布越广泛和均匀,所覆盖的全局搜索范围越广,全局搜索能力越强。
其中,基于DGWO的最大功率跟踪器接收并记录光伏系统的光照条件,如各个光伏阵列1#、2#、3#、4#各自的光照强度S1、S2、S3、S4和温度T1、T2、T3、T4,并在计算完成后记录光伏系统在该条件下的最优光伏系统输出电压Vpv,形成光照条件和输出电压Vpv相对应的历史数据库。基于DGWO的最大功率跟踪器在新开始判断最大功率点电压时,优先从历史数据库中调取与其当前接收的光伏系统光照条件相匹配的输出电压Vpv,将其作为初始化参数加入到扩展后的随机电压序列中。
其次,采用光伏系统的输出功率P作为灰狼算法中的适应度函数值,基于DGWO的最大功率跟踪器依次输出与随机电压序列值对应的占空比控制信号,该占空比控制信号经过脉冲宽度调制后进入绝缘栅双极型晶体管,控制光伏阵列工作,再分别采样光伏系统在这些随机电压序列值下的输出功率作为适应度函数值。对随机电压序列的值按照输出功率(适应度函数值)由大到小进行排序,且依序把随机电压序列的值定义为α、β、δ1、δ2和ω灰狼。其中,δ1狼和δ2狼分别为作为合作狩猎组的狩猎狼δ1和自由侦查组的侦查狼δ2。
然后,执行DGWO迭代步骤。
根据常规灰狼算法,在合作狩猎时,灰狼与猎物间的距离用向量表示:
其中,t表示当前迭代次数;和分别是猎物和灰狼的位置向量;和是系数向量。系数向量的值由环绕系数向量和随机向量确定,系数向量的值由随机向量确定:
其中,是环绕系数向量,在每次的迭代中逐渐从2减少到0;和分别是均匀分布[0,1]中的随机向量。仅在时更新ω灰狼的位置,若则重新确认的值。
在该DGWO中,环绕系数向量在每次的迭代中可以采用从2线性地减少到0的方式(见图4中曲线1),线性递减可以有效控制迭代的次数和搜索重点由全局搜索向局部搜索之间的转换。或者,环绕系数向量在每次的迭代中非线性地从2减少到0(见图4中曲线2),具体的,环绕系数向量采用如下方式递减:
其中,是环绕系数向量迭代初始值,t是当前迭代次数,T是总迭代次数,a是用于控制环绕系数向量下降速度的调节系数,a的值越大则环绕系数向量在初期下降越快。
在实际测试中,a的值取环绕系数向量迭代初始值的10倍,总迭代次数T的值大于500,环绕系数向量随着迭代次数下降的曲线如图4中曲线2所示,在迭代初期环绕系数向量快速下降,迅速找寻局部最大功率点,加快算法速度,在迭代后期环绕系数向量下降减缓,局部搜索更精细,增强寻优精度。
该基于深度灰狼算法(DGWO)的部分遮蔽条件下光伏系统最大功率跟踪方法,一方面,以合作狩猎组的α、β、δ1灰狼的位置为初始参数,通过灰狼算法的狩猎策略进行迭代计算。具体的,为了加强深度的局部搜索能力,合作狩猎组的β灰狼设置为两个:β1和β2,δ1灰狼设置为三个:δ11、δ12和δ13。基于该深度灰狼算法,采用α、β1、β2、δ11、δ12、δ13这6个灰狼各自相对于ω灰狼的位置向量来计算该轮迭代中ω灰狼需移动到的位置具体步骤如下:
根据式(2)计算得到的各个灰狼相对于ω灰狼的位置向量
根据式(3)和(5)计算得到的各个位置向量计算各个灰狼经过本轮迭代后的调整位置
根据式(8)计算得到的各个灰狼经过本轮迭代后的调整位置计算该轮迭代中ω灰狼需移动到的位置
其中,分别是α、β1、β2、δ11、δ12、δ13灰狼的位置向量;kα、kβ和kδ分别是合作狩猎组的α,β(β1、β2)和δ1(δ11、δ12、δ13)灰狼的引导系数,一般选取kα>kβ>kδ,且三者之和为1。
把ω灰狼的位置按照计算得到的向量移动到位置得到新的ω灰狼的位置,再把当前迭代后的α、β1、β2、δ11、δ12、δ13、ω灰狼的位置按照其调整位置的适应度函数(输出功率)由大到小进行排序,得到新排序的α、β1、β2、δ11、δ12、δ13灰狼以及新的ω灰狼。
另一方面,通过该深度灰狼算法的随机侦查策略更新侦查狼δ2的位置
其中,是基于输出电压V的随机侦察向量,其范围仅受可控变量上限和下限的限制,即限制更新后侦查狼δ2的位置所表示的占空比所对应的输出电压如若当前迭代后侦查狼δ2的位置超出预设范围,则侦查狼δ2单独重复迭代直到其位置的值符合。
把更新了ω灰狼位置后新排序的α、β1、β2、δ11、δ12、δ13灰狼以及更新后的侦查狼δ2的位置按照适应度函数(输出功率)由大到小进行排序,把排序最靠后的灰狼的位置作为新的侦查狼δ2的位置,其他按照排列顺序依次作为α、β1、β2、δ11、δ12、δ13灰狼的位置,并把这一排序后得到的位置作为该基于DGWO的最大功率跟踪器在本轮迭代后得到的实际输出位置。
最后,执行迭代终止判断步骤。
具体的,通过如下两个条件来判断迭代是否终止。若当前迭代总次数T已经达到预设的次数,或者该轮迭代中各个灰狼相对于ω灰狼的位置向量的值之间的差值均小于预设值,则判断当前迭代结束。
根据上述判断,若不满足迭代终止条件,则迭代还需继续,把最近一次迭代的实际输出的α、β1、β2、δ11、δ12、δ13灰狼的位置作为合作狩猎组下一轮迭代的初始参数,把δ2灰狼的位置作为深度灰狼算法的随机侦查策略的初始参数,并展开新一轮的迭代。若满足其中一个迭代终止条件,则判断迭代终止,该基于DGWO的最大功率跟踪器把最近一次迭代后α位置所对应的占空比控制信号作为最优解输出,该占空比信号经过脉冲宽度调制后进入绝缘栅双极型晶体管,控制光伏阵列工作,使光伏系统工作在最大功率点。
在判断当前迭代终止后,该基于DGWO的最大功率跟踪器周期性地采集光伏系统的输出功率,如果发现采集的实际输出功率与上一轮最大功率跟踪计算中得到的理论最大功率值偏差超过预设阈值,则开始执行DGWO参数初始化步骤,启动新一轮的光伏系统最大功率跟踪。
光伏系统的MPPT方法实际就是随着光照条件的变化不断调整光伏系统的输出电压Vpv来达到光伏系统最优电压工作点,从而使光伏系统获得全局最大有功功率Pout。该基于深度灰狼算法(DGWO)的部分遮蔽条件下光伏系统最大功率跟踪方法,其DGWO在原始GWO的基础上加入随机侦查策略,采用原始灰狼算法GWO的合作狩猎组负责深度的局部搜索,自由侦察组则负责进行广泛的全局搜索,提高光伏系统的全局最大功率点的搜索质量。合作狩猎组的α,β,δ1狼和自由侦察组的δ2狼还根据当前适应度函数在下次迭代中进行角色交换,可以有效平衡算法在全局搜索与局部搜索间的矛盾,并减小光伏系统输出电流、电压和功率的振荡。
为了验证该基于深度灰狼算法(DGWO)的部分遮蔽条件下光伏系统最大功率跟踪方法的有效性,在相同光照条件下,通过Matlab软件对该基于深度灰狼算法的MPPT和另外两种MPPT:增量电导法(INC)和遗传算法(GA)进行仿真对比。具体的,设定在恒温25℃下,在光伏阵列上施加四个连续阶跃的光照强度变化(模拟部分遮蔽条件下的光照强度变化情况),分别模拟三种算法下光伏系统的最大功率跟踪情况。如图5所示,采集跟踪最大功率过程中的电流(见图5-1)、电压(见图5-2)和功率(见图5-3)响应情况,各个图中曲线51表示采用增量电导法跟踪得到的响应情况,曲线52表示采用遗传算法跟踪得到的响应情况,曲线53表示采用该深度灰狼算法跟踪得到的响应情况。由图5可见,在光照不稳定(部分遮蔽)条件下,3个响应图中的曲线51相对于另外两条曲线52和53的跳跃性更大,而且,曲线51的功率响应曲线的值相对于另外两种方法跟踪得到的最大功率值要低,即采用增量电导法(INC)跟踪最大功率更容易陷入局部最大功率点,不能准确找到全局最大功率点;而曲线52在光照强度变化后需要更长时间得到稳定最大功率,且发生振荡的频次要高于曲线53,即采用遗传算法(GA)系统稳定性相对较低。因此,在部分遮蔽条件下,该基于深度灰狼算法(DGWO)的MPPT相对而言能够更准确地找到全剧最大功率点,且光伏系统的输出电流、电压和功率的振荡小,提高了光伏系统的发电效率。
另外,为了验证该基于深度灰狼算法(DGWO)的光伏系统最大功率跟踪方法的稳定性,在相同温度和光照条件下,通过Matlab软件对该基于深度灰狼算法的MPPT和增量电导法(INC)、传算法(GA)进行仿真对比。具体的,在恒温25℃下,模拟四块光伏阵列的光照强度稳定且分别为1000W/m2、800W/m2、600W/m2和400W/m2,分别模拟三种算法下光伏系统的最大功率跟踪情况。采集跟踪最大功率过程中的电流(见图6-1)、电压(见图6-2)和功率(见图6-3)响应情况,各个图中曲线61表示采用增量电导法跟踪得到的响应情况,曲线62表示采用遗传算法跟踪得到的响应情况,曲线63表示采用该深度灰狼算法跟踪得到的响应情况。由图6可见,采用增量电导法(INC)跟踪最大功率更容易陷入局部最大功率点,采用遗传算法(GA)系统稳定性相对较低,而采用深度灰狼算法(DGWO)有良好的收敛稳定性,且光伏系统输出电流、电压和功率仅有较小的振荡。该模拟的结论与在部分遮蔽条件下光伏系统最大功率跟踪模拟得到的结论一致,进一步说明采用该基于深度灰狼算法的光伏系统最大功率跟踪方法能快速、稳定地找到全局最大功率点,光伏系统整体上具有较高的发电效率。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (10)
1.基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,包括如下步骤:
最大功率跟踪器模型建立步骤:建立基于光伏系统电参数的最大功率跟踪器模型,建立基于该电参数的适应度函数;
参数初始化步骤:根据光伏系统的结构初始化电参数并获取该电参数的初始序列,按照适应度函数的值的预设优选顺序对初始序列进行排序,并依照排序结果把与这些初始序列的值匹配的灰狼位置依次分配给灰狼算法的α、β、δ、ω灰狼,δ灰狼包括狩猎狼δ1和侦查狼δ2,α灰狼、β灰狼、狩猎狼δ1和ω灰狼作为合作狩猎组,侦查狼δ2作为随机侦查组;
灰狼狩猎步骤:
根据原始灰狼算法,获取合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量据此计算α、β灰狼和狩猎狼δ1的调整位置并计算ω灰狼需移动到的位置按照各个调整位置以及位置所对应的适应度函数的值的预设优选顺序更新这些灰狼的位置;
构建侦查狼δ2的位置更新方程其中,是侦查狼δ2的位置,是随机侦察向量,该随机侦察向量取使所表示的电参数的值在预设范围内的随机任意值,得到新的侦查狼δ2的位置
按照更新后的α、β灰狼、狩猎狼δ1以及侦查狼δ2的位置所对应的适应度函数的值的预设优选顺序更新这些灰狼的位置,记为一次灰狼狩猎迭代;
迭代判断步骤:若迭代总次数已达到预设值T,或者该轮迭代中合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量之间的关系满足预设条件,则判断迭代终止;
跳转步骤:若迭代判断步骤中判断迭代终止,则输出当前α灰狼的位置作为最大功率跟踪器的最优解,控制光伏系统的光伏阵列工作,否则跳转到灰狼狩猎步骤。
2.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述最大功率跟踪器模型建立步骤中,所述光伏系统电参数是光伏系统的输出电压Vpv,基于该输出电压Vpv的适应度函数是与该输出电压Vpv对应的光伏系统输出功率P。
3.如权利要求2所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述参数初始化步骤中,获取电参数的初始序列是指:对光伏系统的初始输出电压Vpv进行采样,以采样得到的输出电压Vpv为样本扩展一组随机电压序列V,随机电压序列V的值都是光伏系统的最小和最大输出电压之间的随机数。
4.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述β灰狼和所述狩猎狼δ1都不少于两个。
5.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,α、β灰狼和狩猎狼δ1的调整位置其中,为ω灰狼的位置向量,系数向量其中,是环绕系数向量,随每次迭代非线性递减:
其中,是环绕系数向量迭代初始值,t是当前迭代次数,T是总迭代次数,a是用于控制环绕系数向量下降速度的调节系数。
6.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述灰狼狩猎步骤中,
其中,分别是合作狩猎组的α、β灰狼和狩猎狼δ1的平均位置向量;kα、kβ和kδ分别是与灰狼对应的引导系数。
7.如权利要求6所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述kα>kβ>kδ。
8.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,所述迭代判断步骤中,所述预设条件是指:合作狩猎组的α、β灰狼和狩猎狼δ1各自相对于ω灰狼的位置向量之间的标准差小于预设值。
9.如权利要求1所述的基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法,其特征在于,包括在跳转步骤后执行的检验步骤:采集光伏系统的输出功率,若采集的实际输出功率与最大功率跟踪器的最优解控制光伏系统工作得到的最大功率值偏差超过预设阈值,则跳转到参数初始化步骤。
10.计算机可读存储介质,其存储有计算机程序,其特征是,所述计算机程序被控制器执行时能够实现权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373992.5A CN110174919A (zh) | 2019-05-07 | 2019-05-07 | 基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373992.5A CN110174919A (zh) | 2019-05-07 | 2019-05-07 | 基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110174919A true CN110174919A (zh) | 2019-08-27 |
Family
ID=67691393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373992.5A Pending CN110174919A (zh) | 2019-05-07 | 2019-05-07 | 基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110174919A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342124A (zh) * | 2021-06-11 | 2021-09-03 | 中国电建集团华东勘测设计研究院有限公司 | 基于改进灰狼优化算法的光伏mppt方法 |
CN114442725A (zh) * | 2022-02-16 | 2022-05-06 | 东南大学 | 一种光伏最大功率点跟踪方法、存储介质以及跟踪装置 |
CN114690840A (zh) * | 2022-05-31 | 2022-07-01 | 深圳戴普森新能源技术有限公司 | 带有前置功率监测并进行平衡的mppt控制系统 |
CN114706445A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于de-gwo算法的光伏最大功率点跟踪方法 |
CN116301183A (zh) * | 2023-03-06 | 2023-06-23 | 哈尔滨工业大学 | 空间发电系统的最大功率点跟踪方法 |
CN116599142A (zh) * | 2023-03-28 | 2023-08-15 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1635438A2 (en) * | 2004-09-13 | 2006-03-15 | Daihen Corporation | Method of controlling photovoltaic power generation system |
WO2009035792A1 (en) * | 2007-08-03 | 2009-03-19 | Melba Ketchum | Compositions, methods and systems for the simultaneous determination of parentage, identity, sex, genotype and/or phenotype and breed determination in animals |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
CN106484026B (zh) * | 2016-11-15 | 2018-10-30 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
-
2019
- 2019-05-07 CN CN201910373992.5A patent/CN110174919A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1635438A2 (en) * | 2004-09-13 | 2006-03-15 | Daihen Corporation | Method of controlling photovoltaic power generation system |
WO2009035792A1 (en) * | 2007-08-03 | 2009-03-19 | Melba Ketchum | Compositions, methods and systems for the simultaneous determination of parentage, identity, sex, genotype and/or phenotype and breed determination in animals |
CN106484026B (zh) * | 2016-11-15 | 2018-10-30 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342124A (zh) * | 2021-06-11 | 2021-09-03 | 中国电建集团华东勘测设计研究院有限公司 | 基于改进灰狼优化算法的光伏mppt方法 |
CN113342124B (zh) * | 2021-06-11 | 2022-08-09 | 中国电建集团华东勘测设计研究院有限公司 | 基于改进灰狼优化算法的光伏mppt方法 |
CN114442725A (zh) * | 2022-02-16 | 2022-05-06 | 东南大学 | 一种光伏最大功率点跟踪方法、存储介质以及跟踪装置 |
CN114442725B (zh) * | 2022-02-16 | 2023-09-05 | 东南大学 | 一种光伏最大功率点跟踪方法、存储介质以及跟踪装置 |
CN114706445A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于de-gwo算法的光伏最大功率点跟踪方法 |
CN114690840A (zh) * | 2022-05-31 | 2022-07-01 | 深圳戴普森新能源技术有限公司 | 带有前置功率监测并进行平衡的mppt控制系统 |
CN116301183A (zh) * | 2023-03-06 | 2023-06-23 | 哈尔滨工业大学 | 空间发电系统的最大功率点跟踪方法 |
CN116301183B (zh) * | 2023-03-06 | 2023-09-08 | 哈尔滨工业大学 | 空间发电系统的最大功率点跟踪方法 |
CN116599142A (zh) * | 2023-03-28 | 2023-08-15 | 淮阴工学院 | 一种保障安全供能的智能调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110174919A (zh) | 基于深度灰狼算法的部分遮蔽条件下光伏系统最大功率跟踪方法、计算机可读存储介质 | |
CN103885521B (zh) | 一种基于布谷鸟搜索算法的光伏阵列mppt方法 | |
Jouda et al. | Optimization of scaling factors of fuzzy–MPPT controller for stand-alone photovoltaic system by particle swarm optimization | |
CN113342124B (zh) | 基于改进灰狼优化算法的光伏mppt方法 | |
Manna et al. | Design and implementation of a new adaptive MPPT controller for solar PV systems | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
CN104317348A (zh) | 基于粒子群算法的光伏电池板最大功率跟踪方法及系统 | |
CN111596718B (zh) | 光伏发电控制方法、装置、计算机设备和存储介质 | |
CN110007710B (zh) | 一种基于电导增量法的改进型mppt控制策略方法 | |
CN108334152A (zh) | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 | |
Sheikh Ahmadi et al. | Improving MPPT performance in PV systems based on integrating the incremental conductance and particle swarm optimization methods | |
CN103995558B (zh) | 一种基于混沌优化搜索的光伏阵列最大功率点跟踪方法 | |
CN111796628A (zh) | 一种高效的光伏发电系统的最大功率实时跟踪方法 | |
CN109270981B (zh) | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 | |
CN108107967A (zh) | 一种光伏电池最大功率点追踪方法 | |
Ulaganathan et al. | A novel MPPT controller using Neural Network and Gain-Scheduled PI for Solar PV system under rapidly varying environmental condition | |
CN104850166A (zh) | 一种采用滑模层极值搜索控制的光伏发电最大功率追踪方法 | |
CN113325915A (zh) | 一种改进粒子群算法的光伏mppt装置 | |
Ba et al. | Optimization of the P&O-MPPT controller by the adaptive method (Ad-P&O) for stand-alone PV systems | |
Kahoul et al. | Adaptive P&O MPPT technique for photovoltaic buck-boost converter system | |
CN115543005A (zh) | 基于差分进化黏菌算法的光伏最大功率跟踪控制方法 | |
Miry et al. | Improving of maximum power point tracking for photovoltaic systems based on swarm optimization techniques | |
Zhou et al. | A Novel Maximum Power Point Tracking Strategy Based on Enhanced Real-Time Adaptive Step-Size Modified Control for Photovoltaic Systems | |
Li et al. | A global optimization method for multiple peak photovoltaic MPPT | |
Yu et al. | Hybrid global maximum power point tracking algorithm under partial shading condition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 509, building D, 39 Ruihe Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Shuimu Qinghua Technology Co.,Ltd. Address before: Room 936, Room 333 Jiufojian Road, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Shuimu Qinghua Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |