CN113050745A - 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法 - Google Patents

选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法 Download PDF

Info

Publication number
CN113050745A
CN113050745A CN202011529255.9A CN202011529255A CN113050745A CN 113050745 A CN113050745 A CN 113050745A CN 202011529255 A CN202011529255 A CN 202011529255A CN 113050745 A CN113050745 A CN 113050745A
Authority
CN
China
Prior art keywords
competitor
competition
learning ability
competitors
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.)
Granted
Application number
CN202011529255.9A
Other languages
English (en)
Other versions
CN113050745B (zh
Inventor
徐艳春
刘海权
汪平
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202011529255.9A priority Critical patent/CN113050745B/zh
Publication of CN113050745A publication Critical patent/CN113050745A/zh
Application granted granted Critical
Publication of CN113050745B publication Critical patent/CN113050745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法，首先设定一档选秀类节目的相应规则，再根据所设定的规则构建DCA的数学模型以及相应结构框架，然后将所提算法应用到12个测试函数中进行收敛精度、迭代速度等方面的测试。最后，将DCA与光伏系统中的最大功率点追踪MPPT技术相结合。本发明提出了一种新型群智能优化算法，与PSO、WOA、ALO、SSA、GWO一起在12个测试函数中进行了收敛精度、迭代速度、稳定性等方面的测试，结果表明本发明具有非常强的全局搜索能力和鲁棒性。最后，将本发明与扰动观察法一起应用到光伏系统中的最大功率追踪技术中，结果表明本发明能够比扰动观察法更快的寻找到最大功率点的位置。

Description

选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪 方法
技术领域
本发明涉及群智能优化算法及其应用技术领域，具体是一种选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法。
背景技术
近年来，群智能优化算法在工程实际中的应用越来越重要，在工程设计的很多方面，都存在优化问题，如背包问题，电力系统中的优化调度控制、无人机的路线规划、图像处理、数据聚类和通信编码等。群智能优化算法与其他方法的不同之处在于其在搜索过程中引入了随机性，以至于其不易陷入局部最优，因此，群智能算法在求解全局性优化问题时具有非常重要的意义。
智能算法在过去的几十年里得到了飞速的发展，已经有许多国内外学者提出了一些优秀的群智能优化算法。常用的群智能优化算法包括粒子群优化算法、遗传算法、蚁狮算法、鲸鱼算法等。同时，已有大量文献将智能优化算法应用到多个工程领域中，例如将蚁群算法应用于大规模无人集群的控制，提高了无人集群对环境的自主适应力，但其计算量大，迭代时间过长，效率不高；粒子群算法运用到无人机线路规划上，提高了收敛精度，但收敛速度仍然较慢；鲸鱼算法与控制器的参数整定相结合，使得控制系统的鲁棒性更强，但也有着全局搜索能力不足，寻忧精度低等问题。因此，有大量的学者置身于新算法的提出工作，用于解决工程应用中不同的问题，新算法的提出也为一些复杂的全局优化问题提供了一种新的解决方案。
大多数优化算法是基于自然界中生物特性的启发所提出的，或是通过模拟物理规则所提出的。可是很少有人会注意到人类本身的一些社会性活动里也包含着寻优的思想。例如:在学校里学生们总是通过不断的学习竞争取得最好的成绩、比赛中参赛选手们也不断的去提升自己从而夺得冠军、一些综艺节目中也有着寻优的思想。
发明内容
针对现有的群智能优化算法应用到工程领域中存在着收敛精度不高、收敛速度慢、结构复杂等不足。本发明提供一种结构简单、寻忧效果好、鲁棒性好的智能优化算法：选秀竞争算法DCA。将该选秀竞争算法DCA在12个测试函数上进行收敛精度、稳定性等方面进行测试，与粒子群算法(PSO)、鲸鱼算法(WOA)、蚁狮算法(ALO)、麻雀搜索算法(SSA)、灰狼优化算法(GWO)相比，该算法具有更好的收敛精度和稳定性。最后，本发明与光伏系统中的最大功率点追踪MPPT技术相结合，提出一种基于该选秀竞争算法DCA的光伏系统最大功率点跟踪方法，与扰动观察法相比，选秀竞争算法DCA能够更快寻找到光伏系统中的最大功率点。
本发明采取的技术方案为：
选秀竞争算法DCA，
S1：设置选秀类节目的特征因素，包含：
①参赛者的自身情况都各不相同；
②比赛时，根据各个参赛者的情况对其进行评估排名；
③不断的训练参赛者，最后通过比赛选出最优者；
S2：设置选秀类节目的相应规则，包含：
①、节目组根据评分标准，对每个参赛者进行综合评估排名，按照综合评估排名的结果，将每个参赛者划分到“优秀组”和“一般组”两组中；
②、由于每个参赛者都有自身特点，因此每个参赛者有着不同的学习能力，学习能力会随着比赛的进行而随机改变。因此，对每组均设置一个学习能力阈值，高于此值即视为“学习能力强”，低于此值则视为“学习能力弱”；
③、在每轮比赛结束后，所有参赛者进行学习，其中在“优秀组”的参赛者会根据其学习能力进行学习，“优秀组”中，排名靠前并且“学习能力强”的参赛者由于其本身分数较高，因此其“进步空间”相对于排名靠后但“学习能力强”的参赛者小，但其相对于“优秀组”中排名靠前而“学习能力弱”的参赛者来讲“进步空间”大；
④、在“一般组”中的参赛者也会根据其自身的学习能力和学习方式的不同进行学习。为了增加随机性和真实性，理想化相应的一些规则，设定被评为“一般组”的参赛者中“学习能力强”的参赛者由于自身排名较为靠后，因此产生了消极的态度，其几乎放弃学习的过程。反而是排名靠后“学习能力弱”的参赛者努力学习；
⑤、每轮比赛的人数不变，但在每一轮比赛结束时，由于各种各样的原因总有一部分参赛者会退赛，这个时候总有相应人数的新参赛者会加入进来比赛，新加入的参赛者的学习能力以及各项原始评估指标都是随机的。
S3：根据选秀类节目的相应规则，构建DCA数学模型和DCA算法框架：
基于选秀竞争算法DCA的光伏系统最大功率点跟踪方法，包括：
光伏电池的I-U特性方程为：
I＝IPH-ID-ISH (5)
式(5)中，IPH为光生电流，其值与光照强度成正比，ID为流过二极管的电流，ISH为流经等效并联电阻的电流，I为输出电流。将I进一步转换如下：
Figure BDA0002851606630000031
其中，
Figure BDA0002851606630000032
Figure BDA0002851606630000033
式(6)中，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压。考虑到光照强度和温度的变化会对光伏电池的输出造成影响，其相关方程式如公式(7)所示：
Figure BDA0002851606630000034
其中，
Figure BDA0002851606630000035
Figure BDA0002851606630000036
Figure BDA0002851606630000037
G＝-b·DT-RS·D
DT＝Te-25
式(7)中，标准光照强度下，a为光伏电池输出电流变化的温度系数，b为光伏电池输出电压变化的温度系数，S表示光伏板受到的光照强度，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压，RS为等效串联电阻，Te为环境温度大小。
光伏发电系统中的最大功率点追踪方法，是对光伏系统的最大输出功率进行跟踪控制，尽可能的提高光伏发电系统的发电效率；
将环境温度和光照强度作为选秀竞争算法DCA的控制变量，利用选秀竞争算法DCA对电压U进行寻优，以输出占空比的形式，控制运算放大电路中的绝缘栅双极型晶体管，从而动态的调节电压。所述占空比是指周期电信号中有电信号输出的时间与整个信号周期之比。
本发明一种选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法，技术效果如下：
1)、本发明是根据选秀类节目、体育全能比赛中所蕴含的寻优思想而提出的，结构简单、寻忧效果好。
2)、本发明的算法结构及框架较为简单，本算法仅由两个算法构成，易于编码、理解。
3)、本发明在处理复杂高维函数时有着不易陷入局部最优解，计算速度快，收敛精度高，鲁棒性强的优点。
4)、本发明提出了一种新型群智能优化算法，将其应用到光伏系统中的最大功率追踪中发现，本发明能够比扰动观察法(P&O)更快的寻找到光伏系统的最大功率点。
附图说明
图1为选秀竞争算法DCA的流程图。
图2(1)为DCA与PSO、GWO、SSA、WOA、ALO在第1个测试函数上的迭代过程图；
图2(2)为DCA与PSO、GWO、SSA、WOA、ALO在第2个测试函数上的迭代过程图；
图2(3)为DCA与PSO、GWO、SSA、WOA、ALO在第3个测试函数上的迭代过程图；
图2(4)为DCA与PSO、GWO、SSA、WOA、ALO在第4个测试函数上的迭代过程图；
图2(5)为DCA与PSO、GWO、SSA、WOA、ALO在第5个测试函数上的迭代过程图；
图2(6)为DCA与PSO、GWO、SSA、WOA、ALO在第6个测试函数上的迭代过程图；
图2(7)为DCA与PSO、GWO、SSA、WOA、ALO在第7个测试函数上的迭代过程图；
图2(8)为DCA与PSO、GWO、SSA、WOA、ALO在第8个测试函数上的迭代过程图；
图2(9)为DCA与PSO、GWO、SSA、WOA、ALO在第9个测试函数上的迭代过程图；
图2(10)为DCA与PSO、GWO、SSA、WOA、ALO在第10个测试函数上的迭代过程图；
图2(11)为DCA与PSO、GWO、SSA、WOA、ALO在第11个测试函数上的迭代过程图；
图2(12)为DCA与PSO、GWO、SSA、WOA、ALO在第12个测试函数上的迭代过程图。
图3为基于DCA算法的光伏系统MPPT结构图。
图4为均匀光照强度下DCA与P&O下的最大功率追踪曲线。
具体实施方式
本发明一种选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法，包括以下步骤：
步骤1：结合选秀类节目的特点，设定一档选秀类节目的相应规则,根据相应规则，提出一种群智能优化算法—选秀竞争算法DCA；
步骤2：根据规则构建选秀竞争算法DCA数学模型和算法框架；
步骤3：将选秀竞争算法DCA应用到12个测试函数中测试收敛精度与收敛速度；
步骤4：将选秀竞争算法DCA与光伏系统中的最大功率点的追踪MPPT相结合。选秀竞争算法DCA，包含：
S1：设置选秀类节目的特征因素，包含：
①参赛者的自身情况都各不相同；
②比赛时，根据各个参赛者的情况对其进行评估排名；
③不断的训练参赛者，最后通过比赛选出最优者；
S2：设置选秀类节目的相应规则，包含：
①、节目组根据评分标准，对每个参赛者进行综合评估排名，按照综合评估排名的结果，将每个参赛者划分到“优秀组”和“一般组”两组中；
②、由于每个参赛者都有自身特点，因此每个参赛者有着不同的学习能力，学习能力会随着比赛的进行而随机改变。因此，对每组均设置一个学习能力阈值，高于此值即视为“学习能力强”，低于此值则视为“学习能力弱”；
③、在每轮比赛结束后，所有参赛者进行学习，其中在“优秀组”的参赛者会根据其学习能力进行学习，“优秀组”中，排名靠前并且“学习能力强”的参赛者由于其本身分数较高，因此其“进步空间”相对于排名靠后但“学习能力强”的参赛者小，但其相对于“优秀组”中排名靠前而“学习能力弱”的参赛者来讲“进步空间”大；
④、在“一般组”中的参赛者也会根据其自身的学习能力和学习方式的不同进行学习。为了增加随机性和真实性，理想化相应的一些规则，设定被评为“一般组”的参赛者中“学习能力强”的参赛者由于自身排名较为靠后，因此产生了消极的态度，其几乎放弃学习的过程。反而是排名靠后“学习能力弱”的参赛者努力学习；
⑤、每轮比赛的人数不变，但在每一轮比赛结束时，由于各种各样的原因总有一部分参赛者会退赛，这个时候总有相应人数的新参赛者会加入进来比赛，新加入的参赛者的学习能力以及各项原始评估指标都是随机的。
S3：根据选秀类节目的相应规则，构建DCA数学模型和DCA算法框架：
DCA数学模型构建过程中，使用虚拟的参赛者进行比赛，由n个参赛者组成的种群如式(1)所示：
Figure BDA0002851606630000061
其中，d代表比赛中对参赛者评估的各项指标，即代表待优化问题的变量维数。n表示参赛者的数量，X代表参赛者集。
所有参赛者的评估成绩即适应度值，如式(2)所示：
Figure BDA0002851606630000062
其中，n代表参赛者的数量，Fx中每一行的值代表每个参赛者所获得的评估成绩即适应度值。d代表比赛中对参赛者评估的各项指标，Fx代表参赛者的评估成绩集合，f的值代表每个参赛者所获得的评估成绩即适应度值，xn,d代表第n个参赛者第d项指标所在位置。
每轮比赛竞争过后会对每个参赛者进行评估并对其适应度值进行排名，根据适应度值的排名将每个参赛者分别分到“优秀组”和“一般组”两组，在“优秀组”中，“学习能力强”但其排名靠前的参赛者由于其上升空间的限制，其“进步空间”会相对“学习能力强”但排名靠后的参赛者小，“学习能力强”且排名靠前的参赛者相对于“学习能力弱”但排名靠前的参赛者进步程度大。
根据设定规则③，对“优秀组”中的参赛者进行各项指标的参数更新，如公式(3)所示：
Figure BDA0002851606630000063
其中，t代表当前迭代次数，j代表X在第几维度，j＝1,2,3,4…d。iterMax表示最大迭代次数，Xi,j代表第i个参赛者的第j个评估指标的值，即在第j维中的位置信息。A(i)代表当前参赛者的学习能力。其中C是属于(0,0.1]中的一个随机数。L1代表‘优秀’组中学习能力强弱的一个界限值，L1∈[0,1]。
对于每轮评估被评在“一般组”中的参赛者，可根据设定的规则④进行学习，其各项指标的更新函数如公式(4)所示：
Figure BDA0002851606630000071
其中，α是[-1,1]中的随机数，Q是[0,2]中的一个随机数，D、L3均为1×d的矩阵，但D矩阵中的元素均为1，而L3中的元素为-1、1随机分布。P是均值为0方差为1的标准正态分布，在每个参赛者位置更新时，o从矩阵[0.1,0.2,0.3,0.4,0.5]中随机抽取，L2代表“一般组”组中学习能力强弱的一个界限值L2∈[0,1]。
通过公式(3)和公式(4)，对所有参赛者的各项评估指标进行学习更新，同时，根据规则⑤，在每一轮比赛结束后，总有一部分参赛者因为各种原因无法进行接下来的比赛，因此为了比赛人数始终不变，随机加入相应数量的参赛者，其各项评估指标以及学习能力均为随机产生。
DCA算法框架由伪代码总结，如表1所示：
表1DCA算法框架
Figure BDA0002851606630000072
Figure BDA0002851606630000081
S3：将DCA算法应用到12个测试函数中测试收敛精度与收敛速度:
测试函数以及测试函数的维度、搜索范围和最优值如表2所示：
表2测试函数
Figure BDA0002851606630000082
在测试函数中进行测试时，为了使得测试环境更加公平，设定每个算法的种群数量均为100，即n＝100，设定最大迭代次数均为1000，即iterMax＝1000。其中，粒子群算法(PSO)的参数设定为c1＝1.49445，c2＝1.49445ω＝0.729；灰狼优化算法(GWO)的参数设置为：a从2线性递减到0，r1、r2均是[0,1]中的随机数；蚁狮算法(ALO)中，设置蚂蚁随机游走步长d＝100，损伤因子约束αi∈(0,0.99)；麻雀搜索算法(SSA)的参数设置如下：ST＝0.8,PD＝0.2,SD＝0.1；鲸鱼优化算法中的r1、r2是(0,1)中的随机数，a的值从2到0线性下降；选秀竞争算法的参数设置如下：“优秀组”中的参赛者学习能力强弱判断阈值L1＝0.7，‘一般’组中的参赛者学习能力强弱判断阈值L2＝0.6，前60％被评为‘优秀’参赛者，即EC＝0.6×n，每轮结束退赛的参赛者数量为1％，即RC＝0.01×n。
在相同的测试函数下，平均值能够反应出一个算法的收敛精度，而标准差则可以反映出一个算法的稳定性及鲁棒性。由于单次运行结果可能存在偏差，因此让每个函数均运行30次来获得目标函数的最佳值、均值和标准差(STD.)。测试结果如表3所示：
表3测试函数优化结果表
Figure BDA0002851606630000091
由表3可以看出，DCA在F1、F2、F3、F4、F8、F9、F10、F11这几个测试函数中可以搜索到其最优值，在F5、F7测试函数中，虽然DCA没能搜索到最优值，但是搜索精度分别达到了8.01×10-13和3.42×10-7，是6种算法中最优的，在F6、F12中，DCA也比SSA、GWO、ALO、WOA所寻到的结果要好。这说明了DCA有着很好的全局搜索能力。从表3中，可以看出DCA在12个测试函数中，DCA共寻得10次平均值最小，其次是SSA，寻得了3次平均值最小，这说明DCA有着非常好的寻优能力，与其他5种优化算法相比有着较高的收敛精度。此外，从表3中各个算法所寻得的最小STD.次数可以看出DCA所寻的了10次最小STD.是6个算法中最多的，这说明DCA比其他算法有着很好的鲁棒性，稳定性。图2(1)～图2(12)为本发明与PSO、GWO、SSA、WOA、ALO在12个测试函数上的迭代过程图。由图2(1)～图2(12)可以看出，本发明看出在求解函数F1-F5的过程中，本发明的收敛速度相对于其他5种算法具有绝对优势；而在F1-F4中，本发明能够经过迭代快速收敛到最优值，而其他5种算法无法收敛到最优值，在函数F5和F7中，虽然本发明无法收敛到最优值，但其相对于其他5种算法能够快速的求得一个相对最小值。在函数F9、F10、F11中，DCA的寻优速度是要优于其他5种算法的，尤其是在函数F9的寻优过程中，DCA仅迭代了4次就能求解到最优值，而在函数F10中，DCA仅迭代了12次求得了最优解，在函数F11中，DCA仅迭代了7次就求得了最优解，这是其他5种优化算法所无法达到的。此外，在函数F12的收敛过程中可以看出，6种优化算法中，PSO的收敛效果最好，其次是DCA，而ALO收敛效果最差。
基于选秀竞争算法DCA的光伏系统最大功率点跟踪方法，包含：
光伏电池数学建模：
光伏电池的I-U特性方程为：
I＝IPH-ID-ISH (5)
式(5)中，IPH为光生电流，其值与光照强度成正比，ID为流过二极管的电流，ISH为流经等效并联电阻的电流，I为输出电流。将I进一步转换如下：
Figure BDA0002851606630000101
其中，
Figure BDA0002851606630000102
Figure BDA0002851606630000103
式(6)中，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压。考虑到光照强度和温度的变化会对光伏电池的输出造成影响，其相关方程式如公式(7)所示：
Figure BDA0002851606630000111
其中，
Figure BDA0002851606630000112
Figure BDA0002851606630000113
Figure BDA0002851606630000114
G＝-b·DT-RS·D
DT＝Te-25
式(7)中，标准光照强度下，a为光伏电池输出电流变化的温度系数，b为光伏电池输出电压变化的温度系数，S表示光伏板受到的光照强度，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压，RS为等效串联电阻，Te为环境温度大小。图3为基于DCA算法的光伏系统MPPT结构图。
光伏发电系统中的最大功率点追踪方法，是对光伏系统的最大输出功率进行跟踪控制，尽可能的提高光伏发电系统的发电效率。传统的最大功率追踪策略有：扰动观察法(P&O)、电导增量法(INC)、定电压跟踪法(CVT)等。传统的光伏最大功率追踪策略存在跟踪速度慢、准确率低等问题。
由公式(7)可知，光伏电池输出电压U与环境温度Te和光照强度S这两个变量有关，因此，将环境温度和光照强度作为选秀竞争算法DCA的控制变量，利用DCA算法对电压U进行寻优，以输出占空比的形式控制运算放大电路中的IGBT，从而动态的调节电压。在构建光伏电池模型时，参数设置如下：Um＝283.2V，Im＝19.8A，UOC＝353.6V,ISC＝21.16A,a＝0.0025,b＝0.00288。
图4为均匀光照强度下本发明与P&O下的最大功率追踪曲线，图4中，两条曲线分别为光伏组件在DCA算法下的MPPT控制和扰动观察法(P&O)下的MPPT控制，比较可知，两种算法均可以收敛到最大功率点附近，但DCA算法相比于P&O算法来说能够更快追踪到最大功率。

Claims (5)

1.选秀竞争算法，其特征在于：
设置选秀类节目的相应规则，包含：
规则①、节目组根据评分标准，对每个参赛者进行综合评估排名，按照综合评估排名的结果，将每个参赛者划分到“优秀组”和“一般组”两组中；
规则②、对每组均设置一个学习能力阈值，高于此值即视为“学习能力强”，低于此值则视为“学习能力弱”；
规则③、在每轮比赛结束后，所有参赛者进行学习，其中在“优秀组”的参赛者会根据其学习能力进行学习，“优秀组”中，排名靠前并且“学习能力强”的参赛者由于其本身分数较高，因此其“进步空间”相对于排名靠后但“学习能力强”的参赛者小，但其相对于“优秀组”中排名靠前而“学习能力弱”的参赛者来讲“进步空间”大；
规则④、在“一般组”中的参赛者也会根据其自身的学习能力和学习方式的不同进行学习；设定被评为“一般组”的参赛者中“学习能力强”的参赛者由于自身排名较为靠后，因此产生了消极的态度，其几乎放弃学习的过程；排名靠后“学习能力弱”的参赛者努力学习；
规则⑤、每轮比赛的人数不变，但在每一轮比赛结束时，由于各种各样的原因总有一部分参赛者会退赛，这个时候总有相应人数的新参赛者会加入进来比赛，新加入的参赛者的学习能力以及各项原始评估指标都是随机的；
根据选秀类节目的相应规则，构建选秀竞争算法数学模型和选秀竞争算法框架：
选秀竞争算法数学模型构建过程中，使用虚拟的参赛者进行比赛，由n个参赛者组成的种群如式(1)所示：
Figure FDA0002851606620000011
其中，d代表比赛中对参赛者评估的各项指标，即代表待优化问题的变量维数；n表示参赛者的数量，X代表参赛者集；
所有参赛者的评估成绩即适应度值，如式(2)所示：
Figure FDA0002851606620000021
其中，n代表参赛者的数量，Fx中每一行的值代表每个参赛者所获得的评估成绩即适应度值；d代表比赛中对参赛者评估的各项指标，Fx代表参赛者的评估成绩集合，f的值代表每个参赛者所获得的评估成绩即适应度值，xn,d代表第n个参赛者第d项指标所在位置；
每轮比赛竞争过后会对每个参赛者进行评估并对其适应度值进行排名，根据适应度值的排名将每个参赛者分别分到“优秀组”和“一般组”两组，在“优秀组”中，“学习能力强”但其排名靠前的参赛者由于其上升空间的限制，其“进步空间”会相对“学习能力强”但排名靠后的参赛者小，“学习能力强”且排名靠前的参赛者相对于“学习能力弱”但排名靠前的参赛者进步程度大；
根据设定规则③，对“优秀组”中的参赛者进行各项指标的参数更新，如公式(3)所示：
Figure FDA0002851606620000022
其中，t代表当前迭代次数，j代表X在第几维度，j＝1,2,3,4…d；iterMax表示最大迭代次数，Xi,j代表第i个参赛者的第j个评估指标的值，即在第j维中的位置信息；A(i)代表当前参赛者的学习能力；其中C是属于(0,0.1]中的一个随机数；L1代表‘优秀’组中学习能力强弱的一个界限值，L1∈[0,1]；
对于每轮评估被评在“一般组”中的参赛者，可根据设定的规则④进行学习，其各项指标的更新函数如公式(4)所示：
Figure FDA0002851606620000023
其中，α是[-1,1]中的随机数，Q是[0,2]中的一个随机数，D、L3均为1×d的矩阵，但D矩阵中的元素均为1，而L3中的元素为-1、1随机分布；P是均值为0方差为1的标准正态分布，在每个参赛者位置更新时，o从矩阵[0.1,0.2,0.3,0.4,0.5]中随机抽取，L2代表“一般组”组中学习能力强弱的一个界限值L2∈[0,1]；
通过公式(3)和公式(4)，对所有参赛者的各项评估指标进行学习更新，同时，根据规则⑤，在每一轮比赛结束后，总有一部分参赛者因为各种原因无法进行接下来的比赛，因此为了比赛人数始终不变，随机加入相应数量的参赛者，其各项评估指标以及学习能力均为随机产生。
2.根据权利要求1所述选秀竞争算法，其特征在于：
选秀竞争算法框架由伪代码总结，如表1所示：
表1 选秀竞争算法算法框架
Figure FDA0002851606620000031
3.根据权利要求2所述选秀竞争算法，其特征在于：
将选秀竞争算法应用到12个测试函数中测试收敛精度与收敛速度，测试函数以及测试函数的维度、搜索范围和最优值如表2所示：
表2 测试函数
Figure FDA0002851606620000041
4.基于如权利要求1～3所述任意一种选秀竞争算法的光伏系统最大功率点跟踪方法，其特征在于：
光伏电池数学建模：
光伏电池的I-U特性方程为：
I＝IPH-ID-ISH (5)
式(5)中，IPH为光生电流，其值与光照强度成正比，ID为流过二极管的电流，ISH为流经等效并联电阻的电流，I为输出电流；将I进一步转换如下：
Figure FDA0002851606620000042
其中，
Figure FDA0002851606620000051
Figure FDA0002851606620000052
式(6)中，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压；考虑到光照强度和温度的变化会对光伏电池的输出造成影响，其相关方程式如公式(7)所示：
Figure FDA0002851606620000053
其中，
Figure FDA0002851606620000054
Figure FDA0002851606620000055
Figure FDA0002851606620000056
G＝-b·DT-RS·D
DT＝Te-25
式(7)中，标准光照强度下，a为光伏电池输出电流变化的温度系数，b为光伏电池输出电压变化的温度系数，S表示光伏板受到的光照强度，UOC光伏电池的开路电压，ISC为短路电流，Um和Im分别表示光伏电池工作在最大功率点时其输出电压和电流，I为输出电流，U为输出电压，RS为等效串联电阻，Te为环境温度大小；
将环境温度和光照强度作为选秀竞争算法的控制变量，利用选秀竞争算法对电压U进行寻优，以输出占空比的形式，控制运算放大电路中的绝缘栅双极型晶体管，从而动态的调节电压。
5.选秀竞争算法，在光伏系统最大功率追踪中的应用。
CN202011529255.9A 2020-12-22 2020-12-22 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法 Active CN113050745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011529255.9A CN113050745B (zh) 2020-12-22 2020-12-22 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011529255.9A CN113050745B (zh) 2020-12-22 2020-12-22 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法

Publications (2)

Publication Number Publication Date
CN113050745A true CN113050745A (zh) 2021-06-29
CN113050745B CN113050745B (zh) 2022-05-06

Family

ID=76508063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011529255.9A Active CN113050745B (zh) 2020-12-22 2020-12-22 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法

Country Status (1)

Country Link
CN (1) CN113050745B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105633971A (zh) * 2016-03-22 2016-06-01 江苏省电力试验研究院有限公司 一种基于帝国主义竞争算法的智能配电网随机潮流方法
TWI574142B (zh) * 2015-10-02 2017-03-11 旭隼科技股份有限公司 雙路最大功率點追蹤離網型太陽能逆變器裝置及其控制方法
CN108459652A (zh) * 2018-05-11 2018-08-28 深圳供电局有限公司 一种局部遮阴下光伏系统最大功率跟踪控制方法
CN111796628A (zh) * 2020-06-10 2020-10-20 南京工业大学 一种高效的光伏发电系统的最大功率实时跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1351884A1 (en) * 2000-11-27 2003-10-15 Exxonmobil Chemical Patents Inc. Crystalline molecular sieve composition mcm-65, its synthesis and use

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI574142B (zh) * 2015-10-02 2017-03-11 旭隼科技股份有限公司 雙路最大功率點追蹤離網型太陽能逆變器裝置及其控制方法
CN105633971A (zh) * 2016-03-22 2016-06-01 江苏省电力试验研究院有限公司 一种基于帝国主义竞争算法的智能配电网随机潮流方法
CN108459652A (zh) * 2018-05-11 2018-08-28 深圳供电局有限公司 一种局部遮阴下光伏系统最大功率跟踪控制方法
CN111796628A (zh) * 2020-06-10 2020-10-20 南京工业大学 一种高效的光伏发电系统的最大功率实时跟踪方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN113050745B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
Fathi et al. Intelligent MPPT for photovoltaic panels using a novel fuzzy logic and artificial neural networks based on evolutionary algorithms
CN111119282B (zh) 一种针对供水管网的压力监测点优化布置方法
CN113762603B (zh) 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法
CN110147099A (zh) 一种基于改进鸽群优化的多无人机协同搜索方法
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN105913151A (zh) 基于自适应变异粒子群与bp网络光伏电站发电量预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN109670655B (zh) 一种电力系统多目标粒子群优化调度方法
CN113722980B (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN118033786B (zh) 一种预测山区城市暴雨强度的方法
CN113050745B (zh) 选秀竞争算法dca及基于该算法的光伏系统最大功率点跟踪方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN112883632A (zh) 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN111767977A (zh) 一种基于改进遗传算法的群粒子梯度下降算法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN116054152A (zh) 一种考虑经济效益的风光储参与配电网源网荷储协同优化控制的方法
Xiao et al. MSAO: A multi-strategy boosted snow ablation optimizer for global optimization and real-world engineering applications
CN108803330B (zh) 一种基于性格系数调节的教与学优化滑模控制方法
Tang An improved intelligent bionic optimization algorithm based on the growth characteristics of tree branches
CN111563614A (zh) 一种基于自适应神经网络与tlbo算法的负荷预测方法
Sutikno et al. A review of recent advances in metaheuristic maximum power point tracking algorithms for solar photovoltaic systems under the partial-shading conditions
CN110348576A (zh) 一种基于指标改进多目标细菌趋药性算法的决策方法
Ying et al. A novel optimization algorithm for BP neural network based on RS-MEA

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
GR01 Patent grant
GR01 Patent grant