CN113325915A - 一种改进粒子群算法的光伏mppt装置 - Google Patents

Abstract

一种改进粒子群算法的光伏MPPT装置，属于光伏发电技术领域。本发明包括DSP控制单元、数据采集单元、执行单元、太阳能光伏阵列输入单元、监控显示单元和负载，DSP控制单元包括开关量模块、模拟量输入模块、模拟量输出模块、中央处理器、设有PSO改进算法的PSO控制器，执行单元包括依次相连的PWM控制器、占空比和Boost DC/DC电路。本发明通过对光伏阵列输出的电压、电流等参数进行采样，采取PSO改进算法对这些参数进行迭代搜索，向PWM控制器输送最佳数据，PWM控制器自动寻优输出占空比信号，不断调节占空比，控制Boost DC/DC电路中开关管的导通，调整输出电压，使光伏阵列功率工作点发生变化。

Description

一种改进粒子群算法的光伏MPPT装置

技术领域

本发明属于光伏发电技术领域，具体是涉及一种改进粒子群算法的光伏MPPT装置。

背景技术

太阳能具有清洁、安全、取之不尽和用之不竭等特点，成为新能源研究的热点之一。然而，太阳能光伏组件电源稳定性不高，温度、光照和负载的变化均会引起太阳能光伏电池输出功率的变化。为提高太阳能利用效率，需要对其进行最大功率点跟踪(MaximumPower Point Tracking，简称MPPT)。在太阳能实际发电过程中，光伏(Photovoltaic，简称PV)模块为了获取比较大的输出电压，一般采取将多个光伏模块串联的方式，组成光伏阵列。假如太阳能光伏阵列中，每个光伏模块均受到一样的太阳辐射，那么太阳能光伏阵列输出的最大功率等于所有光伏模块的功率之和。在光伏正常状况下，传统MPPT控制方式是一种较为有效的控制方法，能够满足对太阳能光伏最大功率点跟踪。

太阳能光伏在实际环境使用过程中，光伏阵列的周围会出现建筑物、云层、树木等遮挡物，形成阴影状况，此时太阳能光伏阵列的P-U(功率-电压)曲线就会出现对个峰值，使得传统MPPT最大功率寻优工作陷入追求局部极大值，反复震荡，而非全局最大值。最大功率点跟踪控制算法失效，不能正确追踪到最大功率点。在这种情况下，采用常规算法如扰动观察法、电导增量法等，均实现不了最大功率点的跟踪。

粒子群优化(Particle Swarm Optimization,简称PSO)算法具有较好的多峰全局寻优能力，能够应用到太阳能光伏局部阴影的最大功率点跟踪。但是，目前PSO光伏MPPT控制多采用固定的惯性权重和学习因子，经常出现收敛速度不足、局部寻优和搜索精度低的不足。

因此需要提出一种新的方案来解决这个问题。

发明内容

本发明主要是解决上述现有技术所存在的技术问题，提供一种改进粒子群算法的光伏MPPT装置。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种改进粒子群算法的光伏MPPT装置，包括DSP控制单元、数据采集单元、执行单元、太阳能光伏阵列输入单元、监控显示单元、以及负载，所述DSP控制单元包括开关量模块、模拟量输入模块、模拟量输出模块、中央处理器、以及设有PSO改进算法的PSO控制器，所述中央处理器分别连接开关量模块、模拟量输入模块、模拟量输出模块和PSO控制器，所述PSO控制器与模拟量输出模块相连，所述执行单元包括依次相连的PWM控制器、占空比和Boost DC/DC电路，所述PWM控制器连接模拟量输出模块，所述太阳能光伏阵列输入单元通过Boost DC/DC电路与负载相连，所述数据采集单元分别连接太阳能光伏阵列输入单元、模拟量输入模块和Boost DC/DC电路的输出端，所述监控显示单元连接DSP控制单元。

作为优选，所述数据采集单元为传感器，采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、以及环境温度信号。

作为优选，所述监控显示单元包括液晶显示器和按键，所述按键与液晶显示器相连，所述液晶显示器通过总线网络与DSP控制单元相连。

作为优选，所述PSO控制器的PSO改进算法为：

S1：粒子初始化设置，赋予每个粒子一个速度来决定它们“飞行”的方向和距离，使粒子追随当前的最佳位置在解空间中搜索；

S2：系统参数采样，实时采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、环境温度信号，并将这些电量信号传输至DSP控制单元，为PSO改进算法提供控制依据；

S3：适应度函数建立，将各种参数进行初始化后，推导出光伏MPPT适应度函数；

S4：粒子的全局和个体最优位置确定，确定每个粒子的适应度值，找出当前粒子群的群体最优和个体最优位置；

S5：惯性权重递减优化，在惯性权重算法初期，赋予一个较大的正值，随着空间搜索进行，逐步降低惯性权重线性；

S6：控制策略优化，通过学习因子调节粒子向个体极限“飞行”的比重、调节粒子向群体极限“飞行”的比重，从而动态线性调整控制策略；

S7：粒子速度和位置的更新，根据惯性权重和学习因子更新粒子的速度和位置；

S8：判断是否结束，判断是否满足结束条件，若满足，则结束PSO改进算法的运行，输出最大功率点的最佳数据；若不满足，继续循环。

作为优选，所述PWM控制器的实施步骤为：利用PSO控制器的PSO改进算法计算出最大功率点的最佳数据，并以此输出最佳的占空比信号，通过调节占空比大小，控制BoostDC/DC电路中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据。

作为优选，所述PWM控制器的具体实施步骤为：

步骤1：以PSO改进算法经过多次迭代产生的最大功率点的最佳数据为初始数据，确定功率变化量允许最小值mP和电压变化量允许最小值mV；

步骤2：计算功率变化量△P的绝对值，并判断是否小于功率变化量允许最小值mP；若否，转到步骤4；若是，转到步骤3；

步骤3：计算此时电压变化量△V的绝对值，并判断是否大于电压变化量允许最小值mV；若否，转到步骤6；若是，转到步骤4；

步骤4：确定扰动步长△D；

步骤5：进行步长自适应调整，计算更新占空比；

步骤6：获得最佳占空比，控制Boost DC/DC电路中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据，从而获得MPPT最大功率输出效果。

本发明具有的有益效果：本发明通过对光伏阵列输出的电压、电流等参数进行采样，采取PSO改进算法对这些参数进行迭代搜索，然后向PWM控制器输送最佳数据，PWM控制器自动寻优输出占空比信号，不断调节占空比大小，控制Boost DC/DC电路中开关管的导通和关断，调整输出电压，使光伏阵列功率工作点发生变化。本发明通过PSO改进算法连续不断地迭代搜索，在太阳能光伏环境改变而使输出特性发生改变时，能始终确保太阳能光伏阵列工作于最大功率点处。

附图说明

图1是本发明的一种结构示意图；

图2是本发明PSO改进算法的一种控制流程图；

图3是本发明PWM控制器的一种实施步骤流程图；

图4a是现有PSO算法PV迭代寻优曲线图；

图4b是本发明PSO改进算法PV迭代寻优曲线图；

图5a是现有PSO算法PV功率追踪曲线图；

图5b是本发明PSO改进算法PV功率追踪曲线图。

图中：1、DSP控制单元；2、数据采集单元；3、执行单元；4、太阳能光伏阵列输入单元；5、监控显示单元；6、负载；7、开关量模块；8、模拟量输入模块；9、模拟量输出模块；10、中央处理器；11、PSO控制器；12、PWM控制器；13、占空比；14、Boost DC/DC电路；15、液晶显示器；16、按键。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例1：一种改进粒子群算法的光伏MPPT装置，如图1所示，包括DSP控制单元1、数据采集单元2、执行单元3、太阳能光伏阵列输入单元4、监控显示单元5、以及负载6，所述DSP控制单元1包括开关量模块7、模拟量输入模块8、模拟量输出模块9、中央处理器10、以及设有PSO改进算法的PSO控制器11，所述中央处理器10分别连接开关量模块7、模拟量输入模块8、模拟量输出模块9和PSO控制器11，所述开关量模块7用于输入太阳能光伏MPPT功率预定值，所述PSO控制器11与模拟量输出模块9相连，所述执行单元3包括依次相连的PWM控制器12、占空比13和Boost DC/DC电路14，所述PWM控制器12连接模拟量输出模块9，所述太阳能光伏阵列输入单元4通过Boost DC/DC电路14与负载6相连。

所述数据采集单元2为传感器，所述数据采集单元2分别连接太阳能光伏阵列输入单元4、模拟量输入模块8和Boost DC/DC电路14的输出端，所述数据采集单元2用于实时采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、环境温度信号等电量信号，并将这些电量信号转换为4-20mA的电流信号，然后将电流信号传送至模拟量输入模块8中，模拟量输入模块8将采集到的电流信号传送至中央处理器10，中央处理器10利用PSO控制器11上的PSO改进算法进行信号处理，从而控制光伏MPPT功率输出。

所述太阳能光伏阵列输入单元4为太阳能光伏阵列，用于提供太阳能光伏能量。

所述监控显示单元5包括液晶显示器15和按键16，所述按键16与液晶显示器15相连，所述液晶显示器15通过总线网络与DSP控制单元1相连，完成运行方式设立、现场参数设置、运行状态、各种参数显示、报警记录等功能。

当温度与外界光照强度发生明显改变时，光伏MPPT装置会进行重复自动寻优，DSP控制单元1、PSO改进算法根据太阳能光伏MPPT控制系统输出功率实际值与预定值的偏差情况，不断调整参数。

PSO改进算法的原理为：首先对各种参数进行初始化，然后对每个粒子的目标函数和适应值进行计算，将光伏阵列的输出总功率定为目标函数，最后运用PSO改进算法，通过DSP控制单元1的PSO运算子程序控制PWM控制器12输出相应的占空比信号，通过调节占空比13大小，控制Boost DC/DC电路14中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点，从而始终对负载6输出最大功率，达到提高太阳能光伏MPPT能量转换效率的目的。

本发明结合光伏MPPT实际控制，从粒子初始化、权重系数和学习因子的设置三个方面对标准粒子群算法作进一步地改进。在太阳能光伏MPPT跟踪中，光伏阵列的输出功率为目标函数。定义每个粒子的适应度函数为光伏阵列的输出功率，潜在解为最大功率点电压。每个潜在解就是搜索空间中的一个“粒子”，每个粒子都有自己的位置和速度两个量，粒子的位置代表太阳能光伏阵列输出电压值，粒子的速度代表太阳能光伏阵列电压变化量。

如图2所示，所述PSO改进算法具体为：

S1：粒子初始化设置，在PSO改进算法中，每个粒子均会赋予一个速度来决定它们“飞行”的方向和距离，接着粒子会追随当前的最佳位置在解空间中搜索。

现有标准粒子群算法的粒子的位置初始化存在不确定性，难以确保每一次试验都具有较好的分布状态。为了确保粒子在初始化过程中具有良好的遍历性，本发明在混沌序列初始化方法的基础上加以改进。

根据公式(1)，产生处于D维空间中的m个随机初值：L1(1)、L2(1)、……、Lm(1)；

公式(1)：L＝rand(1,D)

将随机初值代入公式(2)，从而在产生的混沌序列中，进行D次迭代计算，将得到的迭代值代入公式(3)中；

公式(2)：L(i+1，j)＝μ·L(i，j)(1-L(i，j))

其中，μ∈[3.5，4.1]，L(i)∈[0，1]，i＝1，2，...，D

公式(3)：

经计算可得第k个粒子第i维的坐标x_k，i，其中max_i、min_i分别为第i维的上下限。将公式(3)计算得到的x_k，i组成m行D列的混沌矩阵，如公式(4)所示：

公式(4)：

矩阵中的元素x_i，j分别对应第i个粒子的第j元素的初始位置。

同时初始化粒子群相关参数：粒子群种群规模、最大迭代次数。对每个粒子随机给定一个初始位置和初始速度。

S2：系统参数采样，实时采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、环境温度信号，并将这些电量信号传输至DSP控制单元1，为PSO改进算法提供控制依据。

S3：适应度函数建立，将各种参数进行初始化后计算新生粒子对应目标函数的适应值，通过占优比较粒子个体极值并更新储备集。目标函数为光伏阵列输出的总功率，适应值函数的表达式为：

公式(5)：f(P)＝I_pvV_pv

其中，f(P)为适应度函数值，P为光伏阵列输出功率，Vpv为光伏阵列输出电压，Ipv为光伏阵列输出电流。

光伏MPPT输出电流为：

公式(6)：

公式(7)：

公式(8)：b₂＝(V_mp/V_oc-1)/ln(1-I_mp/I_sc)

公式(9)：I_z＝a₁S(T-T_ref)+I_sc(S-S_ref)

公式(10)：V_z＝a₂ηS(T-T_ref)+R_sI_z

由此，可以推导出光伏MPPT适应度函数为：

公式(11)：

式中，Imp为在给定太阳能日照强度光伏阵列最大功率点的电流；Vmp为在给定太阳能温度下光伏阵列最大功率点的最大功率点电压；Isc为在给定日照强度的短路电流；Voc为在给定温度下光伏阵列的开路电压；a1为在参考日照条件下电流变化温度系数；a2为参考日照条件下电压的变化温度系数；b1、b2为中间变量；Vz为光伏阵列电压变化量；Iz为光伏阵列电流变化量；S为太阳辐射强度；Sref为参考太阳辐射强度；T为环境温度；Tref为参考环境温度；Rs为太阳能电池的串联电阻。

S4：粒子的全局和个体最优位置确定，在PSO改进算法中，每个粒子均有3个参数，即当前位置、速度和方向，每次迭代更新，粒子都是通过2个极值点来更新自己的位置。

在迭代过程中，粒子与两个最优值相比较，以更新自己的速度和位置；粒子自身在当前搜索到的最优值为个体最优值，简称P_besti；整个种群在当前时间搜索到的最优值为全局最优值，简称G_best。

如果现在有一个d维的搜索空间，具有N个粒子并组成一个种群，把第i个粒子的位置表示为一个d维的向量，i＝1,2，……，N，

第1个粒子到当前时刻而找到的个体最优值，记为：

公式(14)：P_besti＝(p_i1,p_i2,...,p_id)

整个种群至当前时刻找到的全局最优值，记为：

公式(15)：G_best＝(p_g1,p_g2,...,p_gd)

确定每个粒子的适应度值，找出当前粒子群的群体最优位置和个体最优位置。算出适应值与其自身的个体最优值P_besti进行比较，如果优于P_besti，则更新P_besti。将其适应值与群体最优值G_best进行比较，如果优于G_best，则更新G_best。在每个迭代周期后，P_besti和G_best迭代按下式更新：

公式(16)：

公式(17)：G_best＝max{f(P_best1),f(P_best2),...,f(P_bestd)}

其中，f为目标函数。

S5：惯性权重递减优化，合理选择惯性权数可以平衡粒子的局部寻优能力和全局搜索能力，一方面惯性权重可以有效调整前一次搜索速度对本次搜索速度的影响，另一方面惯性权重可以有效平衡粒子群算法局部搜索与全局搜索之间的关系。

惯性权重ω越小，速度V就越小，这样利于在当前解空间里进行精细搜索。而惯性权重ω越大，速度V就越大，这样利于搜索更大的寻优空间，有利于跳出局部极小点。

在现有PSO算法中，惯性权重一般设置成为一个固定常数，实践证明，这种固定惯性权重设置，不利于算法全局最优求解和迭代快速收敛。因此，对惯性权重采取自适应动态调整是一种有效的方法。

本发明提出一种对惯性权重递减优化方法。在算法初期，给予一个较大的正值，但随着空间搜索进行，逐步降低惯性权重线性，惯性权重采用下式调整：

公式(18)：

公式(19)：

公式(20)：

式中，ωmax、ωmin分别为最大权重和最小权重；t为当前迭代次数；Tmax为最大迭代次数；

为第d维第k次迭代过程中所有粒子的平均位置。

该策略的优点在于：在迭代初期，惯性权重取值较大，每个粒子在全局范围内，能够采用较大的速度步长进行搜索，提高探索能力；在搜索后期，伴随惯性权重取值逐步慢慢降低，搜索速度逐渐下降，但收敛能力却进一步提升，可以使算法在所有可能的最优解附近采取仔细的搜索方式，这样更可能使算法能以一定的精度收敛于全局最优解。

S6：控制策略优化，c1、c2为学习因子，也称加速常数，c1主要用于调节粒子向个体极值“飞行”的比重，c2主要用于调节粒子向群体极值“飞行”的比重。

学习因子c1、c2的取值，决定了粒子的运动方向，影响算法最后的收敛结果。加速常数取值较小，粒子在到达目标区域漫游之前可能被拽回；加速常数取值较大，粒子向目标位置飞行的速度可能由于太大而超出目标所在区域。

可见，过小或过大的学习因子均对粒子寻优有不利的影响。在现有PSO算法中，惯性权重通常为[1,2.5]区间内的一个固定常数，不利之处较多。而本发明选取一种学习因子动态线性调整策略，公式如下：

公式(21)：

式中，βmax、βmin分别为c1最大权重和最小权重；δmax、δmin分别为c2最大权重和最小权重；t为当前迭代次数；Tmax最大迭代次数。

通过改进，在算法搜索初期，该控制策略能够提升粒子在搜索空间的全局搜索能力，在算法搜索后期，则保证粒子收敛到全局最优。

S7：粒子速度和位置的更新，假设有N个粒子，在n维空间中随机分布，每个粒子的位置为x_i，对应的速度为v_i。目标函数为f(x_i)，P_besti为第i个粒子在空间搜索过程中搜索到的自身最优位置，G_best为整个群体经过交流相比较而得出的整个群体的全局最优位置，经过k次搜索迭代后，粒子群算法搜寻到全局最优位置。根据PSO改进算法产生的惯性权重和学习因子，按照下式更新计算其相应的速度和位置。

公式(22)：

公式(23)：

式中，ω表示动态权重；c1和c2表示学习因子；r1和r2表示在区间[0,1]内，且服从均匀分布的两个独立随机数。

每次迭代更新完粒子速度与位置之后，均需要判断新的速度、位置是否在限定范围

之内，对于超出限定范围内的速度与位置，予以修正。粒子速度的修正如下式所示：

公式(24)：

粒子位置的修正如下式所示：

公式(25)：

S8：判断是否结束，判断是否满足结束条件，若满足，则结束PSO改进算法的运行，输出最大功率点的最佳数据；若不满足，继续循环。

当算法的迭代次数达到最大次数或者是在迭代25次后种群的标准差小于0.001时，认为算法已经找到了最优求解，结束算法的运行。

如图3所示，所述PWM控制器12的实施步骤为：利用PSO改进算法计算出最大功率点的最佳数据，并以此输出最佳的占空比信号，通过调节占空比13大小，控制Boost DC/DC电路14中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据。具体实施步骤如下：

步骤1：以PSO改进算法经过多次迭代产生的最大功率点的最佳数据作为初始数据，根据要求确定功率变化量允许最小值mP和电压变化量允许最小值mV；

步骤2：计算功率变化量△P的绝对值，并判断是否小于功率变化量允许最小值mP；若否，转动步骤4；若是，转到步骤3；

步骤3：计算此时电压变化量△V的绝对值，并判断是否大于电压变化量允许最小值mV；若否，转到步骤6；若是，转到步骤4；

步骤4：根据公式(26)确定扰动步长△D；

公式(26)：

其中，g为变步长速度因子，dP＝△P，dV＝△V。

步骤5：根据dP是否为正数进行步长自适应调整，如果dP为正数，则根据公式(27)计算更新的占空比13；如果dP为负数，则根据公式(28)计算更新的占空比13；

公式(27)：D(t)＝D(t-1)+△D

公式(28)：D(t)＝D(t-1)-△D

步骤6：获得最佳占空比13，控制Boost DC/DC电路14中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据，从而获得MPPT最大功率输出效果。

图4a为现有PSO算法PV迭代寻优曲线图；图4b为PSO改进算法PV迭代寻优曲线图；

图5a为现有PSO算法PV功率追踪曲线图；图5b为PSO改进算法PV功率追踪曲线图。

通过图4a和图4b的仿真曲线对比，可以看出，与现有PSO算法相比，在太阳能光伏MPPT寻优求解中，目标函数值快速进入自动寻优稳定阶段，明显降低进化代数，PSO改进算法的系统全局寻优搜索能力得到明显地改善。

通过图5a和图5b的仿真曲线对比，可以看出，PSO改进算法在光伏最大功率点跟踪控制过程中，具有较好的动态和稳态性能，大大减少了跟踪时间，同时使最大功率点处的功率振荡明显减小。当外界光照强度发生变化时，PSO改进算法在光伏最大功率点寻优很快进入稳定，在满足跟踪精确性的同时，也满足实际应用中快速性的要求，进一步提高太阳能光伏系统的发电效率。

综上所述，本发明通过对光伏阵列输出的电压、电流等参数进行采样，采取PSO改进算法对这些参数进行迭代搜索，然后向PWM控制器输送最佳数据，PWM控制器自动寻优输出占空比信号，不断调节占空比大小，控制Boost DC/DC电路中开关管的导通和关断，调整输出电压，使光伏阵列功率工作点发生变化。本发明通过PSO改进算法连续不断地迭代搜索，在太阳能光伏环境改变而使输出特性发生改变时，能始终确保太阳能光伏阵列工作于最大功率点处。

最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。

Claims (6)

1.一种改进粒子群算法的光伏MPPT装置，包括DSP控制单元、数据采集单元、执行单元、太阳能光伏阵列输入单元、监控显示单元、以及负载，其特征在于，所述DSP控制单元包括开关量模块、模拟量输入模块、模拟量输出模块、中央处理器、以及设有PSO改进算法的PSO控制器，所述中央处理器分别连接开关量模块、模拟量输入模块、模拟量输出模块和PSO控制器，所述PSO控制器与模拟量输出模块相连，所述执行单元包括依次相连的PWM控制器、占空比和Boost DC/DC电路，所述PWM控制器连接模拟量输出模块，所述太阳能光伏阵列输入单元通过Boost DC/DC电路与负载相连，所述数据采集单元分别连接太阳能光伏阵列输入单元、模拟量输入模块和Boost DC/DC电路的输出端，所述监控显示单元连接DSP控制单元。

2.根据权利要求1所述一种改进粒子群算法的光伏MPPT装置，其特征在于，所述数据采集单元为传感器，采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、以及环境温度信号。

3.根据权利要求1所述一种改进粒子群算法的光伏MPPT装置，其特征在于，所述监控显示单元包括液晶显示器和按键，所述按键与液晶显示器相连，所述液晶显示器通过总线网络与DSP控制单元相连。

4.根据权利要求1所述一种改进粒子群算法的光伏MPPT装置，其特征在于，所述PSO控制器的PSO改进算法为：

S1：粒子初始化设置，赋予每个粒子一个速度来决定它们“飞行”的方向和距离，使粒子追随当前的最佳位置在解空间中搜索；

S2：系统参数采样，实时采集太阳能光伏输入电流信号、太阳能光伏输入电压信号、太阳能光伏输出电流信号、太阳能光伏输出电压信号、光照强度信号、环境温度信号，并将这些电量信号传输至DSP控制单元，为PSO改进算法提供控制依据；

S3：适应度函数建立，将各种参数进行初始化后，推导出光伏MPPT适应度函数；

S4：粒子的全局和个体最优位置确定，确定每个粒子的适应度值，找出当前粒子群的群体最优和个体最优位置；

S5：惯性权重递减优化，在惯性权重算法初期，赋予一个较大的正值，随着空间搜索进行，逐步降低惯性权重线性；

S6：控制策略优化，通过学习因子调节粒子向个体极限“飞行”的比重、调节粒子向群体极限“飞行”的比重，从而动态线性调整控制策略；

S7：粒子速度和位置的更新，根据惯性权重和学习因子更新粒子的速度和位置；

S8：判断是否结束，判断是否满足结束条件，若满足，则结束PSO改进算法的运行，输出最大功率点的最佳数据；若不满足，继续循环。

5.根据权利要求1所述一种改进粒子群算法的光伏MPPT装置，其特征在于，所述PWM控制器的实施步骤为：利用PSO控制器的PSO改进算法计算出最大功率点的最佳数据，并以此输出最佳的占空比信号，通过调节占空比大小，控制Boost DC/DC电路中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据。

6.根据权利要求5所述一种改进粒子群算法的光伏MPPT装置，其特征在于，所述PWM控制器的具体实施步骤为：

步骤1：以PSO改进算法经过多次迭代产生的最大功率点的最佳数据为初始数据，确定功率变化量允许最小值mP和电压变化量允许最小值mV；

步骤2：计算功率变化量△P的绝对值，并判断是否小于功率变化量允许最小值mP；若否，转到步骤4；若是，转到步骤3；

步骤3：计算此时电压变化量△V的绝对值，并判断是否大于电压变化量允许最小值mV；若否，转到步骤6；若是，转到步骤4；

步骤4：确定扰动步长△D；

步骤5：进行步长自适应调整，计算更新占空比；

步骤6：获得最佳占空比，控制Boost DC/DC电路中开关管的导通时间，调整输出电压，使MPPT功率输出不断靠近最大功率点的最佳数据，从而获得MPPT最大功率输出效果。

Images