CN110928357A - 一种时变阴影情况下光伏阵列的最大功率点跟踪方法 - Google Patents

一种时变阴影情况下光伏阵列的最大功率点跟踪方法 Download PDF

Info

Publication number
CN110928357A
CN110928357A CN201911300043.0A CN201911300043A CN110928357A CN 110928357 A CN110928357 A CN 110928357A CN 201911300043 A CN201911300043 A CN 201911300043A CN 110928357 A CN110928357 A CN 110928357A
Authority
CN
China
Prior art keywords
particle
value
fitness
particles
algorithm
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
Application number
CN201911300043.0A
Other languages
English (en)
Inventor
周天沛
孙伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuzhou College of Industrial Technology
Original Assignee
Xuzhou College of Industrial Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xuzhou College of Industrial Technology filed Critical Xuzhou College of Industrial Technology
Priority to CN201911300043.0A priority Critical patent/CN110928357A/zh
Publication of CN110928357A publication Critical patent/CN110928357A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种时变阴影情况下光伏阵列的最大功率点跟踪方法，通过初始化粒子群，评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子、探索性粒子；通过基于分工协作的粒子群优化算法，搜索性粒子和探索性粒子彼此之间相互协作，共同完成寻优任务。搜索性粒子负责在已找到个体最优值的群体周围继续再搜索新的群体最优值，以保证可以搜索到群体的全局最优值；探索性粒子用来开辟新的搜索区域，用以保持粒子的多样性，搜索性粒子和探索性粒子可以相互转化，本发明可以使光伏阵列在时变阴影条件下跟踪到真正的最大功率点，且能有效提高光伏发电系统的跟踪速度和输出功率。

Description

一种时变阴影情况下光伏阵列的最大功率点跟踪方法
技术领域
本发明涉及一种最大功率点跟踪方法，具体是一种时变阴影情况下光伏阵列的最大功率点跟踪方法，属于光伏发电系统最大功率点跟踪技术领域。
背景技术
由于露天放置的光伏阵列常常受到移动的云层的遮挡，光伏阵列不同位置接收光照的强度不一致，形成局部阴影。局部阴影会导致光伏阵列出现多个峰值点，在这些峰值点中，只有一个峰值点为光伏阵列的实际最大功率点，其他的峰值点均为局部最大功率点。
很多对于光伏阵列最大功率点的跟踪方法中对于局部阴影的设定大多为静态阴影，而在实际中，光伏阵列出现局部阴影的原因大多是受到云层的遮蔽，其中飘过的云朵随时间的变化而变化，是实时移动的，即时变阴影。
目前使用的诸如扰动观察法，电导增量法，等效阻抗匹配法等来跟踪最大功率点，但是这些传统的优化算法在局部阴影条件下很难追踪到全局最大功率点；智能优化算法在这方面具有很强的优势，相比较人工神经网络算法、蚁群算法等智能优化算法，粒子群算法的收敛速度更快、简单容易实现，但它存在早熟和容易陷入局部最优的问题。
发明内容
本发明的目的是提供一种时变阴影情况下光伏阵列的最大功率点跟踪方法，可以使光伏阵列在时变阴影条件下跟踪到真正的最大功率点，从而有效提高光伏发电系统的跟踪速度和输出功率。
为了实现上述目的，本发明提供一种时变阴影情况下光伏阵列的最大功率点跟踪方法，包括以下步骤：
步骤一：初始化粒子群，使各个粒子均匀的分布在光伏阵列可能存在的局部极值点；
步骤二：评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子P_Search、探索性粒子P_Explore；
步骤三：计算适应度值方差σ2的值，判断是否符合收敛情况，如果粒子的适应度方差
Figure BDA0002319834180000011
则判断粒子群算法陷入早熟收敛，此时选择探索性粒子P_Explore进行全局搜索，否则直接转步骤二；
步骤四：对每个粒子，用它的适应度f(x)值和个体最优值pbest比较，如果每个粒子的适应度f(x)值优于个体最优值pbest，则适应度f(x)值进行替换个体最优值pbest；用它的适应度f(x)值和全局最优值gbest比较，如果每个粒子的适应度f(x)值优于全局最优值gbest，则适应度f(x)值进行替换全局最优值gbest；
步骤五：根据公式(1)、(2)更新粒子的最新位置与最新速度；
Figure BDA0002319834180000021
Figure BDA0002319834180000022
式中：
Figure BDA0002319834180000023
为此刻第i个粒子的速度；
Figure BDA0002319834180000024
为下一时刻第i个粒子的速度；
Figure BDA0002319834180000025
为此刻第i个粒子的位置；
Figure BDA0002319834180000026
为下一时刻的位置；
pbest,i为第i个粒子的个体最好的位置；
gbest为所有粒子所有历史位置中的适应度最好的位置；
w为粒子的惯性权重；
c1、c2为学习因子；
r1、r2为[0,1]之间相互独立的随机概率值；
步骤六：判断迭代终止条件是否满足下述条件，其一是种群粒子之间位置比较靠近，可以认为粒子群已经搜索到最优值；其二是迭代次数达到最大迭代次数，若满足上述一种情况，则转步骤七，否则转步骤二；
步骤七：在算法寻优过程中，当外界情况发生明显变化时，这时粒子的适应度f(x)值也将发生变化，当适应度值变化率Kp达到一定的程度，需要重启算法，使系统能够找到新的最优值，即新的最大功率点，判断算法重启条件是否满足，若满足，转步骤二，系统重启，若不满足，则输出最优值，并结束算法。
作为本发明的进一步改进，步骤一初始化粒子群后，当光伏阵列功率-电压输出特性曲线呈现多个局部极值点时，各个极值点处的电压差约为0.8×Usoc×n，对于m×n的阵列，最多有n个可能的极值点，为了不丢失极值点，这里选择n个粒子，第1个粒子的位置选为U1＝0.8×Usoc，第2个粒子位置选为U2＝0.8×2×Usoc，之后的粒子以此类推，第n个粒子位置选为Un＝0.8×n×Usoc；这样各粒子的初始位置均匀的分布在[0,Uoc]之间，而且各个粒子都靠近阵列极值点，避免了早期粒子分布过于集中，造成算法早熟收敛的问题，同时也节省了搜索时间。
作为本发明的进一步改进，步骤二中选择搜索性粒子P_Search、探索性粒子P_Explore具体为：在由N个粒子组成的种群P中，f是适应度函数，x为种群P中的一个粒子，并且对于x∈P都有对应的适应度f(x)，把种群P中所有的粒子按适应度f(x)进行排序，根据排序将其分解为两个互不交叉的子群体，分别为搜索性粒子P_Search、探索性粒子P_Explore；
搜索性粒子P_Search包括适应度f(x)值最小的M个粒子进入此子群；P_Search负责在已找到个体最优值pbest的群体周围继续再搜索新的群体最优值，以保证可以搜索到群体的全局最优值gbest；
对P_Search进行如下设定：①惯性权重w从一个较小的初值线性递减；②减小最大粒子飞行速度的上限；
探索性粒子P_Explore包括除P_Search之外的粒子构成的集合；P_Explore用来开辟新的搜索区域，用以保持粒子的多样性；
对P_Explore进行如下设定：①惯性权重w从一个较大的初值线性递减；②提高最大粒子飞行速度的上限；
在粒子选择过程中，每个粒子的角色不是一成不变的，搜索性粒子P_Search和探索性粒子P_Explore可以相互转化。
在标准粒子群算法中，惯性权重w一般设置为常数，通常取w＝0.8，但后来发现，如果惯性权重w被设置为动态参数，其寻优效果要好于惯性权重w为固定值的寻优效果，惯性权重w动态调整策略为线性递减参数，表达式如下：
Figure BDA0002319834180000031
式中：wini为初始惯性权重；
wfinal为终值惯性权重，一般取0.4；
Kmax为最大迭代次数；
k为当前迭代次数；
当搜索性粒子P_Search开始工作时，其初始惯性权重wini的值较小，其粒子趋向于局部精细搜索，则有利于加强粒子在局部范围内的快速寻优能力；当探索性粒子P_Explore开始工作时，其初始惯性权重wini的值越高，这样粒子所继承的飞行速度越快，则有利于加强粒子在全局范围内的搜索能力，找到最优值的概率也就越高。
作为本发明的进一步改进，对于一共有N个粒子的粒子群，步骤三中计算适应度值方差σ2值的公式为：
Figure BDA0002319834180000041
式中：N为粒子群中粒子的个数；
fi为第i个粒子当前时刻适应度值；
favg为粒子群种群的平均适应度值；
通过设定一个阈值
Figure BDA0002319834180000042
用来判断算法是否收敛，当各粒子当前时刻适应度值fi与种群的平均适应度值favg之间的相对偏差在±1％之间，认为算法收敛，因此，当算法收敛满足下列情况时：
Figure BDA0002319834180000043
算法停止搜索。
作为本发明的进一步改进，步骤七中计算适应度值变化率Kp的公式为：
Figure BDA0002319834180000044
式中：preal为粒子的当前适应度值；
pmax为改进粒子群算法搜寻到的最大适应度值；
当KP≤0.015时，系统不重启算法；当0.015≤KP≤0.1时，系统延时一分钟启动算法；而当0.1≤KP时，系统立即重启算法。
与现有技术相比，本发明提出了基于分工协作的粒子群优化算法，在该算法中，将粒子分为搜索性粒子P_Search和探索性粒子P_Explore，它们彼此之间相互协作，共同完成寻优任务。P_Search负责在已找到个体最优值pbest的群体周围继续再搜索新的群体最优值，以保证可以搜索到群体的全局最优值gbest；P_Explore用来开辟新的搜索区域，用以保持粒子的多样性，同时在粒子寻优过程中，每个粒子的角色不是一成不变的，搜索性粒子P_Search和探索性粒子P_Explore可以相互转化，对参与优化的粒子进行分工，有的粒子专注于局部搜索性，有的粒子则专注于全局探索性，它们彼此之间相互协作，可以使光伏阵列在时变阴影条件下跟踪到真正的最大功率点，且能有效提高光伏发电系统的跟踪速度和输出功率。
附图说明
图1是本发明控制计算法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种时变阴影情况下光伏阵列的最大功率点跟踪方法，包括以下步骤：
步骤一：初始化粒子群，使各个粒子均匀的分布在光伏阵列可能存在的局部极值点；
步骤二：评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子P_Search、探索性粒子P_Explore；
步骤三：计算适应度值方差σ2的值，判断是否符合收敛情况，如果粒子的适应度方差
Figure BDA0002319834180000051
则判断粒子群算法陷入早熟收敛，此时选择探索性粒子P_Explore进行全局搜索，否则直接转步骤二；
步骤四：对每个粒子，用它的适应度f(x)值和个体最优值pbest比较，如果每个粒子的适应度f(x)值优于个体最优值pbest，则适应度f(x)值进行替换个体最优值pbest；用它的适应度f(x)值和全局最优值gbest比较，如果每个粒子的适应度f(x)值优于全局最优值gbest，则适应度f(x)值进行替换全局最优值gbest；
步骤五：根据公式(1)、(2)更新粒子的最新位置与最新速度；
Figure BDA0002319834180000052
Figure BDA0002319834180000053
式中：
Figure BDA0002319834180000054
为此刻第i个粒子的速度；
Figure BDA0002319834180000055
为下一时刻第i个粒子的速度；
Figure BDA0002319834180000056
为此刻第i个粒子的位置；
Figure BDA0002319834180000057
为下一时刻的位置；
pbest,i为第i个粒子的个体最好的位置；
gbest为所有粒子所有历史位置中的适应度最好的位置；
w为粒子的惯性权重；
c1、c2为学习因子；
r1、r2为[0,1]之间相互独立的随机概率值；
步骤六：判断迭代终止条件是否满足下述条件，其一是种群粒子之间位置比较靠近，可以认为粒子群已经搜索到最优值；其二是迭代次数达到最大迭代次数，若满足上述一种情况，则转步骤七，否则转步骤二；
步骤七：在算法寻优过程中，当外界情况发生明显变化时，这时粒子的适应度f(x)值也将发生变化，当适应度值变化率Kp达到一定的程度，需要重启算法，使系统能够找到新的最优值，即新的最大功率点，判断算法重启条件是否满足，若满足，转步骤二，系统重启，若不满足，则输出最优值，并结束算法。
标准粒子群算法通常是随机产生种群中粒子的初始位置，这可能会导致早期粒子的位置离得比较近，失去种群多样性，粒子群的搜索轨迹过于局限，算法极易陷入局部最优，本发明为了解决初始粒子位置过于集中的问题，采用初始化策略使各个粒子均匀的分布在阵列可能存在的局部极值点；经步骤一初始化粒子群后，当光伏阵列功率-电压输出特性曲线呈现多个局部极值点时，各个极值点处的电压差约为0.8×Usoc×n，对于m×n的阵列，最多有n个可能的极值点，为了不丢失极值点，这里选择n个粒子，第1个粒子的位置选为U1＝0.8×Usoc，第2个粒子位置选为U2＝0.8×2×Usoc，之后的粒子以此类推，第n个粒子位置选为Un＝0.8×n×Usoc；这样各粒子的初始位置均匀的分布在[0,Uoc]之间，而且各个粒子都靠近阵列极值点，避免了早期粒子分布过于集中，造成算法早熟收敛的问题，同时也节省了搜索时间。
作为本发明的进一步改进，步骤二中选择搜索性粒子P_Search、探索性粒子P_Explore具体为：在由N个粒子组成的种群P中，f是适应度函数，x为种群P中的一个粒子，并且对于x∈P都有对应的适应度f(x)，把种群P中所有的粒子按适应度f(x)进行排序，根据排序将其分解为两个互不交叉的子群体，分别为搜索性粒子P_Search、探索性粒子P_Explore；
搜索性粒子P_Search包括适应度f(x)值最小的M个粒子进入此子群；P_Search负责在已找到个体最优值pbest的群体周围继续再搜索新的群体最优值，以保证可以搜索到群体的全局最优值gbest；
对P_Search进行如下设定：①惯性权重w从一个较小的初值线性递减；②减小最大粒子飞行速度的上限；
探索性粒子P_Explore包括除P_Search之外的粒子构成的集合；P_Explore用来开辟新的搜索区域，用以保持粒子的多样性；
对P_Explore进行如下设定：①惯性权重w从一个较大的初值线性递减；②提高最大粒子飞行速度的上限；
在粒子选择过程中，每个粒子的角色不是一成不变的，搜索性粒子P_Search和探索性粒子P_Explore可以相互转化。
在标准粒子群算法中，惯性权重w一般设置为常数，通常取w＝0.8，但后来发现，如果惯性权重w被设置为动态参数，其寻优效果要好于惯性权重w为固定值的寻优效果，惯性权重w动态调整策略为线性递减参数，表达式如下：
Figure BDA0002319834180000071
式中：wini为初始惯性权重；
wfinal为终值惯性权重，一般取0.4；
Kmax为最大迭代次数；
k为当前迭代次数；
当搜索性粒子P_Search开始工作时，其初始惯性权重wini的值较小，其粒子趋向于局部精细搜索，则有利于加强粒子在局部范围内的快速寻优能力；当探索性粒子P_Explore开始工作时，其初始惯性权重wini的值越高，这样粒子所继承的飞行速度越快，则有利于加强粒子在全局范围内的搜索能力，找到最优值的概率也就越高。
根据标准粒子群算法的计算公式，在粒子群体的每次搜索期间，都至少存在一个粒子保持静止，其余粒子则慢慢向该粒子聚拢。假设种群中有一个粒子与静止粒子的位置靠的很近，那么可以近似的认为其学习因子c1＝c2＝0，该粒子将仍然以前一时刻的寻优方向减速飞行，这种情况下该粒子的寻优性能大幅降低，因此其搜索的空间范围变得非常有限，从而存在一定的概率错失全局最优值，这也是导致粒子群算法存在早熟收敛的原因所在。为了避免此类现象的发生，有必要对粒子群算法是否收敛进行判断。对于一共有N个粒子的粒子群，步骤三中计算适应度值方差σ2值的公式为：
Figure BDA0002319834180000072
式中：N为粒子群中粒子的个数；
fi为第i个粒子当前时刻适应度值；
favg为粒子群种群的平均适应度值；
在本发明中，种群的适应度方差σ2值的大小体现了种群中粒子的聚集程度，σ2的值愈小，表示该种群聚集程度越高，当σ2的值减小到0时，代表种群中全部粒子的适应度f(x)的值近似一致，此时搜索结果为局部最优值或达到真正的最优值，通过设定一个阈值
Figure BDA0002319834180000081
用来判断算法是否收敛，当各粒子当前时刻适应度值fi与种群的平均适应度值favg之间的相对偏差在±1％之间，认为算法收敛，因此，当算法收敛满足下列情况时：
Figure BDA0002319834180000082
算法停止搜索。
在算法寻优过程中，当外界情况发生明显变化(例如遮阴面积和光照强度发生改变)，这是粒子的适应度f(x)的值也将发生变化，当适应度f(x)的值变化率达到一定的程度，需要重启算法，使系统能够找到新的最优值，即新的最大功率点，步骤七中计算适应度值变化率Kp的公式为：
Figure BDA0002319834180000083
式中：preal为粒子的当前适应度值；
pmax为改进粒子群算法搜寻到的最大适应度值；
当KP≤0.015时，系统不重启算法；当0.015≤KP≤0.1时，系统延时一分钟启动算法；而当0.1≤KP时，系统立即重启算法。

Claims (6)

1.一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，包括以下步骤：
步骤一：初始化粒子群，使各个粒子均匀的分布在光伏阵列可能存在的局部极值点；
步骤二：评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子P_Search、探索性粒子P_Explore；
步骤三：计算适应度值方差σ2的值，判断是否符合收敛情况，如果粒子的适应度方差
Figure FDA0002319834170000011
则判断粒子群算法陷入早熟收敛，此时选择探索性粒子P_Explore进行全局搜索，否则直接转步骤二；
步骤四：对每个粒子，用它的适应度f(x)值和个体最优值pbest比较，如果每个粒子的适应度f(x)值优于个体最优值pbest，则适应度f(x)值进行替换个体最优值pbest；用它的适应度f(x)值和全局最优值gbest比较，如果每个粒子的适应度f(x)值优于全局最优值gbest，则适应度f(x)值进行替换全局最优值gbest；
步骤五：根据公式(1)、(2)更新粒子的最新位置与最新速度；
Figure FDA0002319834170000012
Figure FDA0002319834170000013
式中：
Figure FDA0002319834170000014
为此刻第i个粒子的速度；
Figure FDA0002319834170000015
为下一时刻第i个粒子的速度；
Figure FDA0002319834170000016
为此刻第i个粒子的位置；
Figure FDA0002319834170000017
为下一时刻的位置；
pbest,i为第i个粒子的个体最好的位置；
gbest为所有粒子所有历史位置中的适应度最好的位置；
w为粒子的惯性权重；
c1、c2为学习因子；
r1、r2为[0,1]之间相互独立的随机概率值；
步骤六：判断迭代终止条件是否满足下述条件，其一是种群粒子之间位置比较靠近，可以认为粒子群已经搜索到最优值；其二是迭代次数达到最大迭代次数，若满足上述一种情况，则转步骤七，否则转步骤二；
步骤七：在算法寻优过程中，当外界情况发生明显变化时，这时粒子的适应度f(x)值也将发生变化，当适应度值变化率Kp达到一定的程度，需要重启算法，使系统能够找到新的最优值，即新的最大功率点，判断算法重启条件是否满足，若满足，转步骤二，系统重启，若不满足，则输出最优值，并结束算法。
2.根据权利要求1所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，步骤一初始化粒子群后，当光伏阵列功率-电压输出特性曲线呈现多个局部极值点时，各个极值点处的电压差约为0.8×Usoc×n，对于m×n的阵列，最多有n个可能的极值点，选择n个粒子，第1个粒子的位置选为U1＝0.8×Usoc，第2个粒子位置选为U2＝0.8×2×Usoc，之后的粒子以此类推，第n个粒子位置选为Un＝0.8×n×Usoc；这样各粒子的初始位置均匀的分布在[0,Uoc]之间，而且各个粒子都靠近阵列极值点。
3.根据权利要求1或2所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，步骤二中选择搜索性粒子P_Search、探索性粒子P_Explore具体为：在由N个粒子组成的种群P中，f是适应度函数，x为种群P中的一个粒子，并且对于x∈P都有对应的适应度f(x)，把种群P中所有的粒子按适应度f(x)进行排序，根据排序将其分解为两个互不交叉的子群体，分别为搜索性粒子P_Search、探索性粒子P_Explore；
搜索性粒子P_Search包括适应度f(x)值最小的M个粒子进入此子群；
对P_Search进行如下设定：①惯性权重w从一个较小的初值线性递减；②减小最大粒子飞行速度的上限；
探索性粒子P_Explore包括除P_Search之外的粒子构成的集合；
对P_Explore进行如下设定：①惯性权重w从一个较大的初值线性递减；②提高最大粒子飞行速度的上限；
在粒子选择过程中，每个粒子的角色不是一成不变的，搜索性粒子P_Search和探索性粒子P_Explore可以相互转化。
4.根据权利要求3所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，惯性权重w动态调整策略为线性递减参数，表达式如下：
Figure FDA0002319834170000021
式中：wini为初始惯性权重；
wfinal为终值惯性权重，一般取0.4；
Kmax为最大迭代次数；
k为当前迭代次数；
当搜索性粒子P_Search开始工作时，其初始惯性权重wini的值较小，其粒子趋向于局部精细搜索，则有利于加强粒子在局部范围内的快速寻优能力；当探索性粒子P_Explore开始工作时，其初始惯性权重wini的值越高，找到最优解的概率也就越高。
5.根据权利要求3所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，步骤三中计算适应度值方差σ2值的公式为：
Figure FDA0002319834170000031
式中：N为粒子群中粒子的个数；
fi为第i个粒子当前时刻适应度值；
favg为粒子群种群的平均适应度值；
通过设定一个阈值
Figure FDA0002319834170000032
用来判断算法是否收敛，当各粒子的适应度值fi与种群平均适应度值favg之间的相对偏差在±1％之间，认为算法收敛，因此，当算法收敛满足下列情况时：
Figure FDA0002319834170000033
算法停止搜索。
6.根据权利要求3所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，步骤七中计算适应度值变化率Kp的公式为：
Figure FDA0002319834170000034
式中：preal为粒子的当前适应度值；
pmax为改进粒子群算法搜寻到的最大适应度值；
当KP≤0.015时，系统不重启算法；当0.015≤KP≤0.1时，系统延时一分钟启动算法；当0.1≤KP时，系统立即重启算法。
CN201911300043.0A 2019-12-16 2019-12-16 一种时变阴影情况下光伏阵列的最大功率点跟踪方法 Pending CN110928357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911300043.0A CN110928357A (zh) 2019-12-16 2019-12-16 一种时变阴影情况下光伏阵列的最大功率点跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911300043.0A CN110928357A (zh) 2019-12-16 2019-12-16 一种时变阴影情况下光伏阵列的最大功率点跟踪方法

Publications (1)

Publication Number Publication Date
CN110928357A true CN110928357A (zh) 2020-03-27

Family

ID=69862947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911300043.0A Pending CN110928357A (zh) 2019-12-16 2019-12-16 一种时变阴影情况下光伏阵列的最大功率点跟踪方法

Country Status (1)

Country Link
CN (1) CN110928357A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459221A (zh) * 2020-05-25 2020-07-28 广东工业大学 一种光伏发电系统mppt控制方法
CN111694396A (zh) * 2020-07-04 2020-09-22 湘潭大学 一种基于分子运动轨迹搜索算法的mppt控制
CN112083753A (zh) * 2020-09-28 2020-12-15 东莞市钜大电子有限公司 一种光伏并网逆变器的最大功率点跟踪控制方法
CN112596575A (zh) * 2020-12-21 2021-04-02 吉林建筑大学 一种基于npso算法与分等级自动重启的最大功率点跟踪方法
CN114167937A (zh) * 2022-02-12 2022-03-11 武汉理工大学 一种基于粒子群算法改进的热电最大功率跟踪方法及系统
CN117930842A (zh) * 2024-01-22 2024-04-26 无锡学院 一种多agv任务分配方法
CN117950444A (zh) * 2023-12-06 2024-04-30 长江三峡水务(宜昌)有限公司 一种基于优化算法的光伏电压跟踪mppt控制方法
CN118466683A (zh) * 2024-07-09 2024-08-09 深圳市雷铭科技发展有限公司 一种阴影条件下光伏组件功率优化控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106130508A (zh) * 2016-06-13 2016-11-16 电子科技大学 基于fir滤波器的数字万用表降噪方法
CN107450563A (zh) * 2017-09-21 2017-12-08 景德镇陶瓷大学 一种基于多子群的自适应信息反馈粒子群机器人路径选择方法及系统
CN108334985A (zh) * 2018-02-05 2018-07-27 国网江西省电力有限公司电力科学研究院 基于粒子群算法求解的居民用户智能用电优化模型
CN108665322A (zh) * 2018-05-18 2018-10-16 河南工业大学 口粮消费量预测模型的构建方法、消费量预测方法及装置
CN109085877A (zh) * 2018-07-24 2018-12-25 上海电力学院 局部阴影条件下基于qapso算法光伏系统mppt控制方法
CN110096634A (zh) * 2019-04-29 2019-08-06 成都理工大学 一种基于粒子群优化的房产数据向量对齐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106130508A (zh) * 2016-06-13 2016-11-16 电子科技大学 基于fir滤波器的数字万用表降噪方法
CN107450563A (zh) * 2017-09-21 2017-12-08 景德镇陶瓷大学 一种基于多子群的自适应信息反馈粒子群机器人路径选择方法及系统
CN108334985A (zh) * 2018-02-05 2018-07-27 国网江西省电力有限公司电力科学研究院 基于粒子群算法求解的居民用户智能用电优化模型
CN108665322A (zh) * 2018-05-18 2018-10-16 河南工业大学 口粮消费量预测模型的构建方法、消费量预测方法及装置
CN109085877A (zh) * 2018-07-24 2018-12-25 上海电力学院 局部阴影条件下基于qapso算法光伏系统mppt控制方法
CN110096634A (zh) * 2019-04-29 2019-08-06 成都理工大学 一种基于粒子群优化的房产数据向量对齐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
H. PATEL AND V. AGARWAL: ""Maximum Power Point Tracking Scheme for PV Systems Operating Under Partially Shaded Conditions"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
张永革: "休眠粒子群算法在光伏发电系统MPPT控制中的应用", 《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技II辑》 *
李丹: "《粒子群优化算法及其应用研究》", 《中国博士学位论文全文数据库 科技信息辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459221A (zh) * 2020-05-25 2020-07-28 广东工业大学 一种光伏发电系统mppt控制方法
CN111459221B (zh) * 2020-05-25 2022-03-25 广东工业大学 一种光伏发电系统mppt控制方法
CN111694396A (zh) * 2020-07-04 2020-09-22 湘潭大学 一种基于分子运动轨迹搜索算法的mppt控制
CN112083753A (zh) * 2020-09-28 2020-12-15 东莞市钜大电子有限公司 一种光伏并网逆变器的最大功率点跟踪控制方法
CN112596575A (zh) * 2020-12-21 2021-04-02 吉林建筑大学 一种基于npso算法与分等级自动重启的最大功率点跟踪方法
CN112596575B (zh) * 2020-12-21 2022-01-07 吉林建筑大学 一种基于npso算法与分等级自动重启的最大功率点跟踪方法
CN114167937A (zh) * 2022-02-12 2022-03-11 武汉理工大学 一种基于粒子群算法改进的热电最大功率跟踪方法及系统
CN117950444A (zh) * 2023-12-06 2024-04-30 长江三峡水务(宜昌)有限公司 一种基于优化算法的光伏电压跟踪mppt控制方法
CN117930842A (zh) * 2024-01-22 2024-04-26 无锡学院 一种多agv任务分配方法
CN118466683A (zh) * 2024-07-09 2024-08-09 深圳市雷铭科技发展有限公司 一种阴影条件下光伏组件功率优化控制方法及系统

Similar Documents

Publication Publication Date Title
CN110928357A (zh) 一种时变阴影情况下光伏阵列的最大功率点跟踪方法
CN112507622B (zh) 一种基于强化学习的反无人机任务分配方法
CN108170200B (zh) 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法
CN107070968B (zh) 对监控区域部署传感器的方法
CN108416421B (zh) 基于dde改进蝙蝠算法的动态火力分配方法
CN109922478B (zh) 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN108388250A (zh) 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法
CN111459221B (zh) 一种光伏发电系统mppt控制方法
CN111797966B (zh) 一种基于改进羊群算法的多机协同全局目标分配方法
CN109062314B (zh) 局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法
CN113281993B (zh) 一种贪心k-均值自组织神经网络多机器人路径规划方法
CN112071122A (zh) 一种用于信息采集的无人机群路径规划方法
CN110281243B (zh) 一种采摘机器人作业序列规划方法
CN108646849A (zh) 基于改进狼群算法的光伏发电系统最大功率点跟踪方法
CN111429419B (zh) 一种基于混合蚁群算法的绝缘子轮廓检测方法
Li et al. Improvement of YOLOv3 algorithm in workpiece detection
CN104656616A (zh) 太阳能光伏发电阵列的集群控制方法
CN116520084A (zh) 一种含源配电网故障定位方法、装置及存储介质
Li et al. A hybrid multi-group co-evolution intelligent optimization algorithm: pso-gwo
CN108594926A (zh) 一种基于改进花授粉的全局最大功率点跟踪算法
CN114519457A (zh) 基于粒子群的省级智慧能源服务平台任务调度方法及系统
Liu et al. Intrusion detection algorithm of EPSO combined with BP neural network
Cao et al. Design of river water quality assessment and prediction algorithm
Lavanya et al. Model selection for path loss prediction in wireless networks
CN114279636A (zh) 一种基于改进海鸥算法的多无人机气体泄漏源定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200327