CN113485517A - 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 - Google Patents
一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 Download PDFInfo
- Publication number
- CN113485517A CN113485517A CN202110796506.8A CN202110796506A CN113485517A CN 113485517 A CN113485517 A CN 113485517A CN 202110796506 A CN202110796506 A CN 202110796506A CN 113485517 A CN113485517 A CN 113485517A
- Authority
- CN
- China
- Prior art keywords
- pheromone
- ant
- current
- photovoltaic array
- generated
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000003016 pheromone Substances 0.000 claims abstract description 115
- 241000257303 Hymenoptera Species 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 108010074506 Transfer Factor Proteins 0.000 claims abstract description 11
- 238000009792 diffusion process Methods 0.000 claims description 22
- 230000035605 chemotaxis Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 5
- 230000009182 swimming Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 41
- 238000005286 illumination Methods 0.000 description 14
- 239000011664 nicotinic acid Substances 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000002431 foraging effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏发电技术领域，其目的在于提供一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，包括：启动光伏系统，在光伏阵列指定区域内均匀划分与对应光伏阵列连接的升压电路的占空比，得到占空比矩阵；根据光伏阵列输出的电压和电流，得到每只蚂蚁产生的信息素，并根据所有蚂蚁产生的信息素，得到所有蚂蚁的信息素矩阵；根据每只蚂蚁产生的信息素更新指定路径的信息素；根据信息素矩阵更新当前最大信息素，并根据占空比矩阵更新最大信息素处蚂蚁的位置；设定状态转移因子，并根据状态转移因子和每只蚂蚁产生的信息素得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率。本发明可提高最大功率点追踪的准确度和速度。
Description
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种局部遮蔽条件下光伏阵列最大功率点跟踪方法。
背景技术
光伏系统在实际应用中，受到云层、灰尘及建筑物的遮挡，光伏系统中的光伏阵列会暴露于不均匀的光照强度中，产生局部遮蔽问题，此时，如图1所示，光伏阵列的输出功率-电压曲线将呈现多峰特性，出现多个局部峰值。为发挥出光伏系统的最大功效，通常采用MPPT(Maxmum Power Point Tracking，最大功率点跟踪)方法实时跟踪光伏阵列中的最大功率点。常规的MPPT方法如扰动观察法、电导增量法等容易陷入局部最大功率点的问题，从而导致光伏系统出现高功率损耗，因而需要对MPPT方法进行优化。
针对局部遮蔽问题，目前对MPPT方法的优化分为拓扑结构和算法两种方式。其中，采用阵列拓扑结构优化，需要根据阴影情况，将发生遮挡的光伏组件进行补偿或阵列重构，但实现起来需要增加额外的硬件电路，系统成本高，且控制较为复杂。对控制算法进行优化分为复合型算法、模糊控制算法、预测算法及仿生算法等，其中，基于传统MPPT方法的复合型算法寻优时间较长，寻优精度受步长影响较大；模糊控制算法对控制器的要求较高，实际应用较少；基于大数据的预测算法，其目标函数可能因训练数据不足而陷入局部极值点，对突发性的阴影遮挡考虑较少，且运算量较大；基于自然界生物行为的仿生算法因其较好的寻优性能成为目前最受欢迎的算法。
然而，仿生算法有陷入局部峰值点的风险，并且收敛较慢。其中，全局开发和局部探索对于仿生算法的速度和准确度至关重要，全局开发能力过强，不易陷入局部峰值点，但算法收敛过慢；较强的局部探索能力则能使算法迅速收敛，但易陷入局部峰值点风险增大的问题。因此，如何合理增强全局开发能力和局部探索能力，以实现局部遮蔽下快速准确地跟踪到全局最大功率点，进而提高发电效率，是目前有待解决的技术问题。
发明内容
本发明旨在一定程度上解决上述技术问题，本发明提供了一种局部遮蔽条件下光伏阵列最大功率点跟踪方法。
本发明采用的技术方案是：
一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：包括以下步骤：
启动光伏系统，在光伏阵列指定区域内均匀划分与对应光伏阵列连接的升压电路的占空比，得到占空比矩阵，占空比矩阵内包括多只蚂蚁，所述蚂蚁的位置为与对应光伏阵列连接的升压电路的占空比；
根据光伏阵列输出的电压和电流，得到每只蚂蚁产生的信息素，并根据所有蚂蚁产生的信息素，得到所有蚂蚁的信息素矩阵；
根据每只蚂蚁产生的信息素更新指定路径的信息素；
根据信息素矩阵更新当前最大信息素，并根据占空比矩阵更新最大信息素处蚂蚁的位置；
设定状态转移因子，并根据状态转移因子和每只蚂蚁产生的信息素得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率。
优选地，所述占空比矩阵中第i只蚂蚁的初始位置为
其中，
为升压电路的占空比的最小值，
为升压电路的占空比的最大值，Ant为蚂蚁总数，i为[1,Ant]内的整数。
优选地，根据每只蚂蚁产生的信息素更新指定路径的信息素，包括：
根据每只蚂蚁产生的信息素建立信息素扩散模型；
根据信息素扩散模型，更新指定路径的信息素。
进一步地，所述信息素扩散模型为
其中，x为指定路径中任一位置，b表示当前蚂蚁位置，c为标准方差，表征信息素扩散能力，f(x)表示位置b处的蚂蚁扩散到位置x处的信息素浓度。
进一步地，所述指定路径的信息素为yk+1＝yk-ρ*f1+ρ*f2，其中，f2为当前蚂蚁的信息素扩散模型，f1为上一次更新信息素后当前蚂蚁的信息素扩散模型，yk表示第k次更新信息素后所有路径的信息量，yk+1表示第k+1次更新信息素后所有路径的信息量，k取值范围为[1,Ant*Iter_max]，Iter_max为最大迭代次数，ρ为信息素挥发系数，ρ∈[0,1]。
优选地，设定状态转移因子，并根据状态转移因子和每只蚂蚁产生的信息素得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率，包括：
设定状态转移因子P0；
判断任一蚂蚁产生的信息素p是否满足条件p<P0，若是，则基于趋化操作公式确定当前蚂蚁的下一步前进位置，然后进入下一步；若否，则根据指定路径的信息素和最大信息素处蚂蚁的位置，在全局范围内搜索当前蚂蚁的下一步前进位置然后进入下一步；
判断当前迭代次数是否小于预设的最大迭代次数；若是，则重新记录每只蚂蚁产生的信息素；若否，则由最大信息素处蚂蚁位置产生升压电路所需的PWM波形，输出当前光伏阵列的全局最大功率。
进一步地，任一蚂蚁产生的信息素p满足条件p<P0时，所述趋化操作公式为
其中，j为迭代次数，θ(j)为蚂蚁当前所在位置，θ(j+1)为蚂蚁的下一步位置，Smax为初始步长，Iter_max为最大迭代次数，λj为游动方向。
进一步地，任一蚂蚁产生的信息素p不满足条件p<P0时，当前蚂蚁的下一步前进位置为θ(j+1)＝θ(j)+0.1·xmax·rand(1)，其中，j为迭代次数，θ(j)为蚂蚁当前所在位置，θ(j+1)为蚂蚁的下一步位置，xmax为最大信息素处蚂蚁的位置，rand(1)为0-1的随机函数。
本发明的有益效果是：可提高最大功率点追踪的准确度和速度。具体地，蚁群算法的信息素机制使得其具有较强全局能力，但忽略了蚁群间的相互影响，而本发明在蚁群算法的基础上引入了信息素扩散模型，当前位置处蚂蚁可由近及远影响其他蚂蚁产生的信息素，从而增强了仿生算法的全局开发能力，使得本发明中的最大功率点跟踪方法不容易陷入局部峰值点；在局部探索阶段，通过赋予蚂蚁自适应趋化操作，使得最大功率点跟踪方法拥有较强的局部探索能力，并且本发明引入多态蚁群概念平衡算法的全局开发与局部探索，减少了陷入局部峰值点的风险，同时提高了收敛速度。本发明提出的最大功率点跟踪方法，实现了蚁群算法与细菌觅食算法的融合，达到优势互补的效果，通过信息素扩散模型提高追踪准确度的同时，增加了最大功率点跟踪方法的跟踪速度，减少寻优时间，提高跟踪精度，并最终实现在部分遮蔽条件下能够快速准确地追踪全局最大功率点，改善光伏输出电流对系统的冲击，利于减少光伏系统的损耗，提高光伏发电效率。
附图说明
图1为局部遮挡下光伏阵列的输出功率与电压曲线图；
图2为PACO-BFOA的简要流程图；
图3为PACO-BFOA的具体流程图；
图4为PACO-BFOA实现光伏系统MPPT方法的结构图；
图5为图4的具体结构；
图6为光照恒定情况下，PACO-BFOA、ACO、BFOA和扰动观察法的光伏阵列输出功率曲线示意图；
图7为光照突变情况下，PACO-BFOA、ACO、BFOA和扰动观察法的光伏阵列输出功率曲线示意图；
图8为光照缓慢变化情况下，PACO-BFOA、ACO、BFOA和扰动观察法的光伏阵列输出功率曲线示意图；
图9为本发明中一种电子设备的模块框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
实施例1：
本实施例提供一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，即PACO-BFOA(Polymorphic Ant Colony-Bacterial Foraging Algorithm，多态蚁群-细菌觅食算法)，如图2至3所示，本实施例中的点跟踪方法包括以下步骤：
S1.启动光伏系统，为了提高最大功率点跟踪方法的搜索速度，需要对信息素分布有更为全面的了解，在光伏阵列指定区域内均匀划分与对应光伏阵列连接的升压电路的占空比，得到占空比矩阵X，占空比矩阵X内包括多只蚂蚁，所述蚂蚁的位置为与对应光伏阵列连接的升压电路的占空比；其中，所述占空比矩阵X中第i只蚂蚁的初始位置为
为升压电路的占空比的最小值，
为升压电路的占空比的最大值，Ant为蚂蚁总数，i为[1,Ant]内的整数；
具体地，如设置蚂蚁数量为5，在光伏阵列指定区域(0,1)进行占空比划分，得到的占空比矩阵X为[0.9950,0.7475,0.5000,0.2525,0.0050]；
S2.根据光伏阵列输出的电压和电流，得到每只蚂蚁产生的信息素p，并根据所有蚂蚁产生的信息素p，得到所有蚂蚁的信息素矩阵P；其中，每只蚂蚁的位置所对应的输出功率为当前位置处蚂蚁产生的信息素p；
S3.根据每只蚂蚁产生的信息素p更新指定路径的信息素；
步骤S3的具体步骤如下：
S301.根据每只蚂蚁产生的信息素p建立信息素扩散模型
其中，x为指定路径中任一位置，b表示当前蚂蚁位置，c为标准方差，表征信息素扩散能力，f(x)表示位置b处的蚂蚁扩散到位置x处的信息素浓度；
S302.根据信息素扩散模型，更新指定路径的信息素yk+1＝yk-ρ*f1+ρ*f2，其中，f2为当前蚂蚁的信息素扩散模型，f1为上一次更新信息素后当前蚂蚁的信息素扩散模型，yk表示第k次更新信息素后所有路径的信息量，yk+1表示第k+1次更新信息素后所有路径的信息量，k取值范围为[1,Ant*Iter_max]，Iter_max为最大迭代次数，ρ为信息素挥发系数，ρ∈[0,1]；
S4.根据信息素矩阵P更新当前最大信息素pmax＝pi＝max[p1,p2,…,pAnt]，并根据占空比矩阵X更新最大信息素处蚂蚁的位置xmax＝xi；
S5.设定状态转移因子P0，并根据状态转移因子P0和每只蚂蚁产生的信息素p得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率；
步骤S5的具体步骤如下：
S501.设定状态转移因子P0；
S502.判断任一蚂蚁产生的信息素p是否满足条件p<P0，若是，则判定当前蚂蚁为侦察蚁，需通过趋化行为辅助局部搜索，并基于趋化操作公式
确定当前蚂蚁的下一步前进位置，其中，j为迭代次数，θ(j)为蚂蚁当前所在位置，θ(j+1)为蚂蚁的下一步位置，Smax为初始步长，Iter_max为最大迭代次数，最大迭代次数Iter_max由经验所得，λj为游动方向，然后进入下一步；若否，则判定当前蚂蚁为搜索蚁，需进行全局开发，并根据指定路径的信息素和最大信息素处蚂蚁的位置xmax＝xi，在全局范围内搜索当前蚂蚁的下一步前进位置θ(j+1)＝θ(j)+0.1·xmax·rand(1)，其中，rand(1)为0-1的随机函数，然后进入下一步；
S503.判断当前迭代次数是否小于预设的最大迭代次数，即判断当前迭代次数iter是否满足条件iter＜Iter_max；若是，则重新记录每只蚂蚁产生的信息素p，继续迭代；若否，则由最大信息素处蚂蚁位置xmax产生升压电路所需的PWM波形，输出当前光伏阵列的全局最大功率，即输出光伏系统全局最大功率点的最优输出占空比。
本实施例中的点跟踪方法基于图4所示的电路结构实现，图5为图4的具体结构，其主要由光伏组件、升压电路和MPPT控制器PACO-BFOA三部分组成，PACO-BFOA输入为光伏组件电压电流，输出为占空比指令，由脉宽调制模块得到开关信号，控制绝缘栅双极型晶体管通断，从而改变负载大小，光伏组件输出功率变化，最终寻得输出最大功率。
本实施例可提高最大功率点追踪的准确度和速度。具体地，蚁群算法的信息素机制使得其具有较强全局能力，但忽略了蚁群间的相互影响，而本实施例在蚁群算法的基础上引入了信息素扩散模型，当前位置处蚂蚁可由近及远影响其他蚂蚁产生的信息素，从而增强了仿生算法的全局开发能力，使得本实施例中的最大功率点跟踪方法不容易陷入局部峰值点；在局部探索阶段，通过赋予蚂蚁自适应趋化操作，使得最大功率点跟踪方法拥有较强的局部探索能力，并且本实施例引入多态蚁群概念平衡算法的全局开发与局部探索，减少了陷入局部峰值点的风险，同时提高了收敛速度。本发明提出的最大功率点跟踪方法，实现了蚁群算法与细菌觅食算法的融合，达到优势互补的效果，通过信息素扩散模型提高追踪准确度的同时，增加了最大功率点跟踪方法的跟踪速度，减少寻优时间，提高跟踪精度，并最终实现在部分遮蔽条件下能够快速准确地追踪全局最大功率点，改善光伏输出电流对系统的冲击，利于减少光伏系统的损耗，提高光伏发电效率。
本实施例的最大功率跟踪方法的有效性和优良性能通过在光照恒定、突变、缓慢变化3种条件下，对ACO(Ant Colony Optimization，蚁群算法)、BFOA(Bacterial ForagingOptimization Algorithm，细菌觅食算法)和PACO-BFOA(Polymorphic Ant Colony-Bacterial Foraging Algorithm，多态蚁群-细菌觅食算法)的仿真结果进一步说明如下：
表1 3种仿生算法收敛时间比较(最优值加粗)(单位：s)
表2 3种仿生算法功率振荡情况(最优值加粗)
需要说明的是，ACO模拟自然界的蚂蚁觅食行为，以产生的信息素形成正反馈机制，实现最优路径寻食；BFOA模拟大肠杆菌行为，通过趋化、繁殖和迁移三种基本行为寻得最优；本实施例中，PACO-BFOA对ACO和BFOA进行算法融合实现优势互补，并加入信息素扩散机制进一步提高算法的全局开发能力。
表1和表2为在相同测试平台下，不同MPPT方法时间尺度和功率振荡角度的仿真数据，其中功率指标
表征功率曲线的平均振荡，功率指标
表征功率曲线的最大振荡，t为当前运行时间，Pout(t)为t时刻系统输出功率，T为系统总运行时间，
为算法迭代过程中光伏阵列输出的功率均值。
光照恒定情况下，光伏组件分别处于1000W/m2、800W/m2、600W/m2和400W/m2的光照幅度不变；
光照突变情况下，0s-0.5s光照强度为1000W/m2、800W/m2、600W/m2和400W/m2，在0.5s，辐照度阶跃变化为900W/m2、620W/m2、620W/m2和400W/m2；
光照缓慢变化情况下，仿真时间由初始t＝0.5s到t＝1.5s，太阳辐照度从1000W/m2、800W/m2、600W/m2和400W/m2渐变为980W/m2、780W/m2、580W/m2和380W/m2。
具体地，如图6至8所示，分别为光照恒定情况下、光照突变情况下和光照缓慢变化情况下，PACO-BFOA、ACO、BFOA和扰动观察法(P&O)的光伏阵列输出功率曲线示意图。
由表1数据可以看出当光照变化，PACO-BFOA收敛至最优值所需时间相对来说是最短的。表2可以看出，相比其他仿生算法，采用PACO-BFOA功率振荡较小，系统冲击更小。
实施例2：
在实施例1的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，如图9所示，电子设备包括：
存储器，用于存储计算机程序指令；以及，
处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的局部遮蔽条件下光伏阵列最大功率点跟踪方法的操作。
具体地，处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作，使得图神经网络的节点编码模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的图神经网络的节点编码方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例3：
在实施例1至2任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的局部遮蔽条件下光伏阵列最大功率点跟踪方法的操作。
需要说明的是，所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (8)
1.一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：包括以下步骤：
启动光伏系统，在光伏阵列指定区域内均匀划分与对应光伏阵列连接的升压电路的占空比，得到占空比矩阵，占空比矩阵内包括多只蚂蚁，所述蚂蚁的位置为与对应光伏阵列连接的升压电路的占空比；
根据光伏阵列输出的电压和电流，得到每只蚂蚁产生的信息素，并根据所有蚂蚁产生的信息素，得到所有蚂蚁的信息素矩阵；
根据每只蚂蚁产生的信息素更新指定路径的信息素；
根据信息素矩阵更新当前最大信息素，并根据占空比矩阵更新最大信息素处蚂蚁的位置；
设定状态转移因子，并根据状态转移因子和每只蚂蚁产生的信息素得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率。
2.根据权利要求1所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：所述占空比矩阵中第i只蚂蚁的初始位置为
其中，
为升压电路的占空比的最小值，
为升压电路的占空比的最大值，Ant为蚂蚁总数，i为[1,Ant]内的整数。
3.根据权利要求1所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：根据每只蚂蚁产生的信息素更新指定路径的信息素，包括：
根据每只蚂蚁产生的信息素建立信息素扩散模型；
根据信息素扩散模型，更新指定路径的信息素。
4.根据权利要求3所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：所述信息素扩散模型为
其中，x为指定路径中任一位置，b表示当前蚂蚁位置，c为标准方差，表征信息素扩散能力，f(x)表示位置b处的蚂蚁扩散到位置x处的信息素浓度。
5.根据权利要求4所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：所述指定路径的信息素为yk+1＝yk-ρ*f1+ρ*f2，其中，f2为当前蚂蚁的信息素扩散模型，f1为上一次更新信息素后当前蚂蚁的信息素扩散模型，yk表示第k次更新信息素后所有路径的信息量，yk+1表示第k+1次更新信息素后所有路径的信息量，k取值范围为[1,Ant*Iter_max]，Iter_max为最大迭代次数，ρ为信息素挥发系数，ρ∈[0,1]。
6.根据权利要求1所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：设定状态转移因子，并根据状态转移因子和每只蚂蚁产生的信息素得到当前蚂蚁的下一步前进位置，最后输出当前光伏阵列的全局最大功率，包括：
设定状态转移因子P0；
判断任一蚂蚁产生的信息素p是否满足条件p<P0，若是，则基于趋化操作公式确定当前蚂蚁的下一步前进位置，然后进入下一步；若否，则根据指定路径的信息素和最大信息素处蚂蚁的位置，在全局范围内搜索当前蚂蚁的下一步前进位置然后进入下一步；
判断当前迭代次数是否小于预设的最大迭代次数；若是，则重新记录每只蚂蚁产生的信息素；若否，则由最大信息素处蚂蚁位置产生升压电路所需的PWM波形，输出当前光伏阵列的全局最大功率。
7.根据权利要求6所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：任一蚂蚁产生的信息素p满足条件p<P0时，所述趋化操作公式为
其中，j为迭代次数，θ(j)为蚂蚁当前所在位置，θ(j+1)为蚂蚁的下一步位置，Smax为初始步长，Iter_max为最大迭代次数，λj为游动方向。
8.根据权利要求6所述的一种局部遮蔽条件下光伏阵列最大功率点跟踪方法，其特征在于：任一蚂蚁产生的信息素p不满足条件p<P0时，当前蚂蚁的下一步前进位置为θ(j+1)＝θ(j)+0.1·xmax·rand(1)，其中，j为迭代次数，θ(j)为蚂蚁当前所在位置，θ(j+1)为蚂蚁的下一步位置，xmax为最大信息素处蚂蚁的位置，rand(1)为0-1的随机函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796506.8A CN113485517B (zh) | 2021-07-14 | 2021-07-14 | 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110796506.8A CN113485517B (zh) | 2021-07-14 | 2021-07-14 | 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113485517A true CN113485517A (zh) | 2021-10-08 |
| CN113485517B CN113485517B (zh) | 2022-04-15 |
Family
ID=77939523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110796506.8A Expired - Fee Related CN113485517B (zh) | 2021-07-14 | 2021-07-14 | 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113485517B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115857615A (zh) * | 2023-03-02 | 2023-03-28 | 锦浪科技股份有限公司 | 一种改进的光伏mppt控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2023227A1 (en) * | 2006-03-31 | 2009-02-11 | Antoine Capel | Circuit and method for monitoring the point of maximum power for solar energy sources and solar generator incorporating said circuit |
| US20140192568A1 (en) * | 2009-02-20 | 2014-07-10 | Sparq Systems Inc. | Inverter for a Distributed Power Generator |
| CN104793691A (zh) * | 2015-03-30 | 2015-07-22 | 南昌大学 | 一种基于蚁群算法的局部阴影下光伏阵列全局mppt方法 |
| CN105373183A (zh) * | 2015-10-20 | 2016-03-02 | 同济大学 | 一种光伏阵列全局最大功率点跟踪方法 |
| CN105955394A (zh) * | 2016-06-24 | 2016-09-21 | 华北水利水电大学 | 基于蚁群优化与变步长扰动观察算法的光伏系统mppt方法 |
| CN106168829A (zh) * | 2016-06-29 | 2016-11-30 | 常州大学 | 基于蚁群算法改进的rbf‑bp神经网络的光伏发电输出功率追踪算法 |
| CN107479618A (zh) * | 2017-08-25 | 2017-12-15 | 南京理工大学 | 基于蚁群算法和电导增量法的多峰值mppt算法 |
| CN111950768A (zh) * | 2020-07-15 | 2020-11-17 | 合肥工业大学 | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 |
-
2021
- 2021-07-14 CN CN202110796506.8A patent/CN113485517B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2023227A1 (en) * | 2006-03-31 | 2009-02-11 | Antoine Capel | Circuit and method for monitoring the point of maximum power for solar energy sources and solar generator incorporating said circuit |
| US20140192568A1 (en) * | 2009-02-20 | 2014-07-10 | Sparq Systems Inc. | Inverter for a Distributed Power Generator |
| CN104793691A (zh) * | 2015-03-30 | 2015-07-22 | 南昌大学 | 一种基于蚁群算法的局部阴影下光伏阵列全局mppt方法 |
| CN105373183A (zh) * | 2015-10-20 | 2016-03-02 | 同济大学 | 一种光伏阵列全局最大功率点跟踪方法 |
| CN105955394A (zh) * | 2016-06-24 | 2016-09-21 | 华北水利水电大学 | 基于蚁群优化与变步长扰动观察算法的光伏系统mppt方法 |
| CN106168829A (zh) * | 2016-06-29 | 2016-11-30 | 常州大学 | 基于蚁群算法改进的rbf‑bp神经网络的光伏发电输出功率追踪算法 |
| CN107479618A (zh) * | 2017-08-25 | 2017-12-15 | 南京理工大学 | 基于蚁群算法和电导增量法的多峰值mppt算法 |
| CN111950768A (zh) * | 2020-07-15 | 2020-11-17 | 合肥工业大学 | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| ADIL IMRAN: "Heuristic-Based Programable Controller for Efficient Energy Management Under Renewable Energy Source and Energy Storage System in Smart Grig", 《IEEE》 * |
| 支昊等: "粒子群与细菌觅食混合算法在光伏阵列MPPT中的应用", 《电工电气》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115857615A (zh) * | 2023-03-02 | 2023-03-28 | 锦浪科技股份有限公司 | 一种改进的光伏mppt控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113485517B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A decomposition-based archiving approach for multi-objective evolutionary optimization | |
| Dong et al. | Opposition-based particle swarm optimization with adaptive mutation strategy | |
| Ghetas et al. | Harmony-based monarch butterfly optimization algorithm | |
| Pan et al. | A new and efficient firefly algorithm for numerical optimization problems | |
| CN113485517B (zh) | 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 | |
| KR20220009682A (ko) | 분산 기계 학습 방법 및 시스템 | |
| CN108448659B (zh) | 一种基于hacs算法求解电力系统无功优化的方法 | |
| Chen et al. | Novel fruit fly algorithm for global optimisation and its application to short-term wind forecasting | |
| Merchaoui et al. | Fuzzy logic adaptive particle swarm optimisation based MPPT controller for photovoltaic systems | |
| Wang et al. | Context-aware deep model compression for edge cloud computing | |
| CN114995460B (zh) | 一种基于自适应改进蚁群算法的机器人路径规划方法 | |
| Gupta et al. | A meta-heuristic cuckoo search and eigen permutation approach for model order reduction | |
| US11386332B2 (en) | Optimization calculation method and information processing apparatus | |
| Wang et al. | Fault diagnosis of fuel system based on improved extreme learning machine | |
| CN116540832A (zh) | 基于变种群量子鲸鱼优化的光伏最大功率跟踪方法及系统 | |
| Ngo et al. | A novel approach based incremental conductance method for MPPT strategy of PV systems considering partial shading conditions | |
| Huang et al. | Antenna modeling based on meta-heuristic intelligent algorithms and neural networks | |
| CN116938949A (zh) | 基于人工蜂群算法的移动边缘计算任务卸载方法和装置 | |
| CN114172149B (zh) | 一种分布式发电集群自治控制方法及系统 | |
| Wang et al. | A coordinated two-stages virtual network embedding algorithm based on reinforcement learning | |
| CN115879615A (zh) | 一种光伏组件输出参数的预测方法、装置、设备及介质 | |
| KR20220061835A (ko) | 하드웨어 가속 장치 및 방법 | |
| CN118278324B (zh) | 功率分配器智能化设计方法 | |
| Mohiyodin et al. | An Improved Northern Goshawk Optimization for Optimal Reconfiguration of Modern Electrical Distribution System for Loadability Enhancement. | |
| CN115933804A (zh) | 基于改进布谷鸟算法的光伏mppt控制方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |