CN114564064B - 光伏阵列多峰值下的最大功率点动态跟踪方法及系统 - Google Patents
光伏阵列多峰值下的最大功率点动态跟踪方法及系统 Download PDFInfo
- Publication number
- CN114564064B CN114564064B CN202210223717.7A CN202210223717A CN114564064B CN 114564064 B CN114564064 B CN 114564064B CN 202210223717 A CN202210223717 A CN 202210223717A CN 114564064 B CN114564064 B CN 114564064B
- Authority
- CN
- China
- Prior art keywords
- colonial
- empire
- country
- cost
- countries
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Energy (AREA)
- Electromagnetism (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏阵列多峰值下的最大功率点动态跟踪方法及系统,方法为:S01、将电压作为优化变量,随机生成m个国家,形成国家形态;S02、将光伏组件输出功率作为优化目标,计算各个国家的成本并升序排列,选取前Nt个国家作为殖民国家;S03、确定每个殖民国家分配的殖民地数量,分配殖民地,将殖民国家与殖民地结合形成初始帝国;S04、采用模拟二进制交叉学习方式进行初始帝国内部同化;S05、初始帝国内部革命;S06、最优帝国选取;S07、帝国间合并与竞争;S08、帝国灭亡;S09、运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。本发明具有收敛速度快和跟踪精度高等优点。
Description
技术领域
本发明主要涉及光伏技术领域,具体涉及一种光伏阵列多峰值下的最大功率点动态跟踪方法及系统。
背景技术
当光伏阵列被局部遮蔽时,传统的常数电压法,增量电导法和扰动观察法难以实现准确的全局极值跟踪。当前主要采用智能算法进行最大功率点跟踪策略。比如鲸鱼算法,鸽群算法,细菌觅食算法,粒子群算法和免疫萤火虫算法,天牛须算法,布谷鸟算法、树种算法,蛙跳算法,灰狼算法,蚱蜢算法等。但是上述算法存在着易陷入局部最优,参数配置复杂,收敛性差和输出波动较大等不足。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的问题,本发明提供一种全局寻优能力强、跟踪精度高的光伏阵列多峰值下的最大功率点动态跟踪方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
一种光伏阵列多峰值下的最大功率点动态跟踪方法,包括步骤:
S01、将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
S02、将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
S03、确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
S04、采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
S05、初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
S06、最优帝国选取;
S07、帝国间合并与竞争;
S08、帝国灭亡;
S09、运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。
优选地,在步骤S04中,采用模拟二进制交叉学习方式进行初始帝国内部同化的具体过程为:
S41、选择成本最低的殖民地作为最优殖民地,其余殖民地依次向殖民国家a1或最优殖民地a2学习;根据向殖民国家a1学习的总成本costa1和向最优殖民地a2学习的总成本costa2来分析选择学习对象的概率Pa:
S42、产生[0,1]内的随机数b,若b<Pa,则殖民地h向殖民国家学习,否则向最优殖民地学习,如果该殖民地为最优殖民地则向殖民国家学习;
S43、学习完成后比较各殖民地与最优殖民地和殖民国家的成本关系,若优于原始解则替换,否则继续进行革命。
优选地,在步骤S05中的初始帝国革命中,根据帝国的规范化势力确定自适应革命因子,第n个帝国的第d次迭代的革命因子为:
式中,Fmax为帝国中最大的规范化势力,dmax为最大迭代次数。
优选地,步骤S06中最优帝国选取的过程为:将同化和革命前后相对应的帝国进行合并,对内部的殖民国家和殖民地根据自身成本进行升序排列,根据成本最小值选取机制给出新的帝国,同时将新帝国内部成本值最小的国家作为殖民国家,其余作为殖民地,最后对帝国的位置和成本进行更新。
优选地,步骤S07中帝国间合并与竞争的具体过程为:
根据殖民国家间的位置分析两国间的距离范数,以此判断两国家间是否存在合并关系,若距离范数小于搜索空间大小的百分比则进行合并,否则进行帝国竞争:比较两殖民国家的成本,成本高的殖民国家和其所有殖民地被较强帝国占领,并更新较强帝国的殖民地位置和成本。
优选地,帝国竞争的具体过程为:
对比各帝国的总成本tc,总成本最大的为势力最弱的帝国,从中随机选取j个殖民地被势力强大的帝国瓜分;选择其余帝国中的一个获得其殖民地,势力越强的帝国得到殖民地的机会越大;其中采用轮盘赌的方式选择帝国,计算各帝国获得势力最弱帝国殖民地的概率;概率最大的帝国获得殖民地,如果最弱的帝国殖民地被全部瓜分,则帝国崩溃,将此帝国删除沦为殖民地,分给对应帝国,并更新帝国的位置和成本。
优选地,步骤S08中帝国灭亡的具体过程为:帝国通过不断的合并和竞争,当弱势帝国与强势帝国的距离范数小于一定值或帝国内殖民地被全部瓜分时,帝国被清除。
优选地,在步骤S03中,初始帝国形成的具体过程为:
各殖民国家的殖民地数量根据自身势力确定,对各殖民国家进行成本规范化:
采用规范化后的成本计算各殖民国家的规范化势力;
通过各殖民国家的规范化势力进行殖民地数量划分;
确定每个帝国分配的殖民地数量后,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国。
本发明还公开了一种光伏阵列多峰值下的最大功率点动态跟踪系统,包括:
第一程序模块,用于将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
第二程序模块,用于将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
第三程序模块,用于确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
第四程序模块,用于采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
第五程序模块,用于初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
第六程序模块,用于最优帝国选取;
第七程序模块,用于帝国间合并与竞争;
第八程序模块,用于帝国灭亡;
第九程序模块,用于运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。
本发明进一步公开了一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述方法的步骤。
与现有技术相比,本发明的优点在于:
本发明采用模拟二进制交叉的学习方式对帝国竞争算法的同化过程进行改进,以达到各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习,从而使帝国内出现更多势力强大乃至新的殖民地,进而提高算法的全局寻优能力,即提高了跟踪精度。
本发明引入自适应革命因子对标准帝国竞争算法的革命因子进行改进,实现了在更大范围内扩大变量的多样性,进一步加强了帝国竞争算法的全局寻优能力,即进一步提高了跟踪精度。
本发明将同化和革命后的帝国和初始帝国内部的各殖民地和殖民国家结合,通过对内部所有个体的成本进行分析并按照升序进行排列,将成本值小的前一半部分作为新的帝国,根据新帝国内部个体的势力值选择出最强的个体作为殖民国家,并更新帝国的位置和总成本,达到了加快收敛速度的目的。
附图说明
图1为本发明的跟踪方法在实施例的流程图。
图2为本发明中最优帝国选取方法在实施例的流程图。
图3为本发明中的电压跟踪结果曲线图。
图4为本发明中的静态最大功率跟踪结果曲线图。
图5为本发明中动态最优功率跟踪结果曲线图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本发明实施例的光伏阵列多峰值下的最大功率点动态跟踪方法,包括步骤:
S01、将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
S02、将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
S03、确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
S04、采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
S05、初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
S06、最优帝国选取:将同化和革命前后相对应的帝国进行合并,对内部的殖民国家和殖民地根据自身成本进行升序排列,根据成本最小值选取机制给出新的帝国,同时将新帝国内部成本值最小的国家作为殖民国家,其余作为殖民地,最后对帝国的位置和成本进行更新;
S07、帝国间合并与竞争:根据殖民国家间的位置分析两国间的距离范数,以此判断两国家间是否存在合并关系,若距离范数小于搜索空间大小的百分比则进行合并,否则进行帝国竞争:比较两殖民国家的成本,成本高的殖民国家和其所有殖民地被较强帝国占领,并更新较强帝国的殖民地位置和成本;
S08、帝国灭亡:帝国通过不断的合并和竞争,当弱势帝国与强势帝国的距离范数小于一定值或帝国内殖民地被全部瓜分时,帝国被清除;
S09、运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。
本发明采用模拟二进制交叉的学习方式对帝国竞争算法的同化过程进行改进,以达到各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习,从而使帝国内出现更多势力强大乃至新的殖民地,进而提高算法的全局寻优能力,提高跟踪精度。
本发明将同化和革命后的帝国和初始帝国内部的各殖民地和殖民国家结合,通过对内部所有个体的成本进行分析并按照升序进行排列,将成本值小的前一半部分作为新的帝国,根据新帝国内部个体的势力值选择出最强的个体作为殖民国家,并更新帝国的位置和总成本,达到了加快收敛速度的目的。
在一具体实施例中,在步骤S04中,采用模拟二进制交叉学习方式进行初始帝国内部同化的具体过程为:
S41、选择成本最低的殖民地作为最优殖民地,其余殖民地依次向殖民国家a1或最优殖民地a2学习;根据向殖民国家a1学习的总成本costa1和向最优殖民地a2学习的总成本costa2来分析选择学习对象的概率Pa:
S42、产生[0,1]内的随机数b,若b<Pa,则殖民地h向殖民国家学习,否则向最优殖民地学习,如果该殖民地为最优殖民地则向殖民国家学习;
S43、学习完成后比较各殖民地与最优殖民地和殖民国家的成本关系,若优于原始解则替换,否则继续进行革命。
在一具体实施例中,在步骤S05中的初始帝国革命中,根据帝国的规范化势力确定自适应革命因子,第n个帝国的第d次迭代的革命因子为:
式中,Fmax为帝国中最大的规范化势力,dmax为最大迭代次数。
本发明引入自适应革命因子对标准帝国竞争算法的革命因子进行改进,实现了在更大范围内扩大变量的多样性,进一步加强了帝国竞争算法的全局寻优能力,即进一步提高了跟踪精度。
在一具体实施例中,步骤S03中初始帝国形成的具体过程为:
各殖民国家的殖民地数量根据自身势力确定,对各殖民国家进行成本规范化:
采用规范化后的成本计算各殖民国家的规范化势力;
通过各殖民国家的规范化势力进行殖民地数量划分;
确定每个帝国分配的殖民地数量后,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国。
本发明实施例还公开了一种光伏阵列多峰值下的最大功率点动态跟踪系统,包括:
第一程序模块,用于将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
第二程序模块,用于将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
第三程序模块,用于确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
第四程序模块,用于采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
第五程序模块,用于初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
第六程序模块,用于最优帝国选取:将同化和革命前后相对应的帝国进行合并,对内部的殖民国家和殖民地根据自身成本进行升序排列,根据成本最小值选取机制给出新的帝国,同时将新帝国内部成本值最小的国家作为殖民国家,其余作为殖民地,最后对帝国的位置和成本进行更新;
第七程序模块,用于帝国间合并与竞争:根据殖民国家间的位置分析两国间的距离范数,以此判断两国家间是否存在合并关系,若距离范数小于搜索空间大小的百分比则进行合并,否则进行帝国竞争:比较两殖民国家的成本,成本高的殖民国家和其所有殖民地被较强帝国占领,并更新较强帝国的殖民地位置和成本;
第八程序模块,用于帝国灭亡:帝国通过不断的合并和竞争,当弱势帝国与强势帝国的距离范数小于一定值或帝国内殖民地被全部瓜分时,帝国被清除;
第九程序模块,用于运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。
本发明的动态跟踪系统与上述的动态跟踪方法相对应,同样具有如上动态跟踪方法所述的优点。
下面结合一个完整的具体实施例来对本发明的方法做进一步详细说明:
根据NFL理论,各种智能算法在不同的应用领域所表现出的性能完全不同。帝国竞争算法是近年提出的一种新型社会启发式算法,具有参数配置简单和收敛性好的优点。综合考虑NFL理论和帝国竞争算法的优异性能,给出了一种局部遮蔽下基于改进帝国竞争算法的光伏最大功率点跟踪方法,具体步骤如下:
1)初始国家形成
将电压作为优化变量,组成各个国家集合。在问题的解空间内随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态C为:
式中,Pm,n为解空间内的优化变量。
2)将优化目标设为光伏组件输出功率,即成本函数。从初始国家中选取殖民国家,计算第i个国家的成本为:
C(i)=z(Pi,1…Pi,n) (2)
式中,z(·)为优化问题中的目标函数,即当前的输出功率值。
3)初始帝国的建立
根据所得各国成本划分殖民国家和殖民地,成本越低代表国家势力越强。将成本进行升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地。
各殖民国家的殖民地数量根据自身势力确定,因此需对各殖民国家进行成本规范化,第n个殖民国家规范化后的成本值为:
cost(n)=Im(n)-max(Im) (3)
式中,Im(n)为第n个殖民国家的成本值,max(Im)为所有殖民国家中的最大成本值。
采用规范化后的成本计算第n个帝国的规范化势力为:
式中,cost(i)为第i个殖民国家规范后的成本值。
通过各殖民国家势力进行殖民地数量划分,第n个殖民国家分得殖民地的数量为:
Nco(n)=round(F(n)×Nc) (5)
式中,Nc为殖民地总量。
确定每个帝国可分配的殖民地数量后,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国。
4)帝国内部同化
殖民地通过向其殖民国家的方向移动进行学习,同时也是殖民国家影响殖民地的过程,满足:
CPnew=CPold+2×δ×rand×Vector
Vector=IP-CPold (6)
式中,CPold、CPnew分别为同化前后的殖民地位置;δ为同化系数,设置为2;rand为[0,1]内随机取值;Vector为殖民地向殖民国家的移动向量,I P为殖民国家的位置;
帝国内部同化的具体过程为:
(1)选择成本最低的殖民地作为最优殖民地,其余殖民地依次向殖民国家a1或最优殖民地a2学习。为给出殖民地h的学习对象,根据向殖民国家a1学习的总成本costa1和向最优殖民地a2学习的总成本costa2分析选择的概率:
(2)产生[0,1]内的随机数b,若b<Pa,则殖民地h向殖民国家学习;否则向最优殖民地学习,如果该殖民地为最优殖民地则向殖民国家学习。学习的过程为:
式中,f1为殖民国家位置;f2为该帝国内最优殖民地的位置;hi、hi’为更新前后第i个殖民地位置。
式(13)中ρ的取值如下:
(3)学习完成后比较各殖民地与最优殖民地和殖民国家的成本关系,若优于原始解则替换,否则继续进行革命。
5)帝国内部革命
为保证帝国内部的种群多样性,防止算法局部收敛,在帝国内部采取革命机制。第n个帝国内革命的国家数量为:
t(n)=λ··Co(n) (10)
式中,λ为革命率,可取0.3;Co(n)为第n个帝国内包含的殖民地总数。
随机生成t个殖民地代替原始殖民地的位置,以增强算法的全局搜索能力。革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比。若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家。
其中自适应革命因子根据帝国的规范化势力确定,第n个帝国的第d次迭代的革命因子为:
式中,Fmax为帝国中最大的规范化势力,dmax为最大迭代次数,d为当前迭代次数。
6)最优帝国的选取
改进的同化和革命过程能够进一步增加帝国竞争算法的搜索能力,为提高算法的收敛速度,需在同化和革命过程结束后增加择优机制,以达到在保留初始帝国的优秀因子的同时缩短帝国竞争算法收敛时间的目的,择优机制如图2所示:
将同化和革命前后相对应的帝国进行合并,对内部的殖民国家和殖民地根据自身成本进行升序排列,根据成本最小值选取机制给出新的帝国,同时将新帝国内部成本值最小的国家作为殖民国家,其余作为殖民地,最后对帝国的位置和成本进行更新。
7)帝国间合并与竞争
根据殖民国家间的位置分析两国间的距离范数,以此判断两国家间是否存在合并关系,若距离范数小于搜索空间大小的百分比(设为0.02)则进行合并。比较两殖民国家的成本,成本高的殖民国家和其所有殖民地被较强帝国占领,并更新较强帝国的殖民地位置和成本,进一步开始帝国竞争。若不存在殖民国家间距离范数较小,则直接进行竞争。
对比各帝国的总成本tc(包括殖民地和殖民国家的成本),总成本最大的为势力最弱的帝国,从中选取随机选取j个殖民地被势力强大的帝国瓜分。第n个帝国总成本为:
式中,ε为殖民地影响帝国的权重,可取0.02;Coo(i)为第n个帝国中第i个殖民地的成本值。
选择其余帝国中的一个获得其殖民地,势力越强的帝国得到殖民地的机会越大。规范化的总成本和每个帝国规范化的势力为:
tcost(n)=tc(n)-max(tc) (13)
采用轮盘赌的方式选择帝国,各帝国获得势力最弱帝国殖民地的概率为:
Pt(n)=Ft(n)-rand (15)
概率最大的帝国获得殖民地,如果最弱的帝国殖民地被全部瓜分,则帝国崩溃。将此帝国删除沦为殖民地,把其分给获得其殖民地的帝国,并更新帝国的位置和成本。
8)帝国灭亡
帝国通过不断的合并和竞争,当弱势帝国与强势帝国的距离范数小于一定值或帝国内殖民地被全部瓜分时,帝国被清除。
9)算法收敛
当算法运行到最大迭代次数,或仅有一个帝国时停止迭代,算法结束。帝国内殖民国家的位置即为优化解。
本发明通过模拟二进制交叉的同化学习方式增加了帝国内部殖民地的多样性,采用自适应的革命方式提升了算法的局部搜索能力,引入最优值选择机制保留了原始帝国优秀基因的同时加快了算法的收敛速度。
通过仿真实验来对上述方法进行验证可知:
其中在静态情况下最大功率点电压跟踪结果如图3所示;在静态情况下实现最大功率点跟踪结果如图4所示;在最大功率点变化的动态情况下实现最大功率点跟踪结果如图5所示。通过上述跟踪结果分析来看,改进帝国竞争算法在静态局部阴影情况下能有效寻得最大功率点,跟踪的时间仅为0.18s;在光照强度变化的情况下,改进算法的追踪时间为0.19s,最大功率动态变化时,输出功率和理论功率间的误差仅为0.9%。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,包括步骤:
S01、将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
S02、将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
S03、确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
S04、采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
S05、初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
S06、最优帝国选取;
S07、帝国间合并与竞争;
S08、帝国灭亡;
S09、运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解;
在步骤S04中,采用模拟二进制交叉学习方式进行初始帝国内部同化的具体过程为:
S41、选择成本最低的殖民地作为最优殖民地,其余殖民地依次向殖民国家a1或最优殖民地a2学习;根据向殖民国家a1学习的总成本和向最优殖民地a2学习的总成本/>来分析选择学习对象的概率/>:
S42、产生[0,1]内的随机数b,若b<,则殖民地h向殖民国家学习,否则向最优殖民地学习,如果该殖民地为最优殖民地则向殖民国家学习;
S43、学习完成后比较各殖民地与最优殖民地和殖民国家的成本关系,若优于原始解则替换,否则继续进行革命。
2.根据权利要求1所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,在步骤S05中的初始帝国革命中,根据帝国的规范化势力确定自适应革命因子。
3.根据权利要求1或2所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,步骤S06中最优帝国选取的过程为:将同化和革命前后相对应的帝国进行合并,对内部的殖民国家和殖民地根据自身成本进行升序排列,根据成本最小值选取机制给出新的帝国,同时将新帝国内部成本值最小的国家作为殖民国家,其余作为殖民地,最后对帝国的位置和成本进行更新。
4.根据权利要求1或2所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,步骤S07中帝国间合并与竞争的具体过程为:
根据殖民国家间的位置分析两国间的距离范数,以此判断两国家间是否存在合并关系,若距离范数小于搜索空间大小的百分比则进行合并,否则进行帝国竞争:比较两殖民国家的成本,成本高的殖民国家和其所有殖民地被较强帝国占领,并更新较强帝国的殖民地位置和成本。
5.根据权利要求4所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,帝国竞争的具体过程为:
对比各帝国的总成本tc,总成本最大的为势力最弱的帝国,从中随机选取j个殖民地被势力强大的帝国瓜分;选择其余帝国中的一个获得其殖民地,势力越强的帝国得到殖民地的机会越大;其中采用轮盘赌的方式选择帝国,计算各帝国获得势力最弱帝国殖民地的概率;概率最大的帝国获得殖民地,如果最弱的帝国殖民地被全部瓜分,则帝国崩溃,将此帝国删除沦为殖民地,分给对应帝国,并更新帝国的位置和成本。
6.根据权利要求1或2所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,步骤S08中帝国灭亡的具体过程为:帝国通过不断的合并和竞争,当弱势帝国与强势帝国的距离范数小于一定值或帝国内殖民地被全部瓜分时,帝国被清除。
7.根据权利要求1或2所述的光伏阵列多峰值下的最大功率点动态跟踪方法,其特征在于,在步骤S03中,初始帝国形成的具体过程为:
各殖民国家的殖民地数量根据自身势力确定,对各殖民国家进行成本规范化:
采用规范化后的成本计算各殖民国家的规范化势力;
通过各殖民国家的规范化势力进行殖民地数量划分;
确定每个帝国分配的殖民地数量后,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国。
8.一种光伏阵列多峰值下的最大功率点动态跟踪系统,用于执行如权利要求1~7中任意一项所述方法的步骤,其特征在于,包括:
第一程序模块,用于将电压作为优化变量,随机生成m个国家,每个国家由n个优化变量组成,形成最初的国家形态;
第二程序模块,用于将光伏组件输出功率作为优化目标,计算各个国家的成本,将各个国家的成本升序排列,选取前Nt个国家作为殖民国家,其余国家为殖民地;
第三程序模块,用于确定每个殖民国家分配的殖民地数量,按照随机原则分配殖民地,将殖民国家与殖民地结合形成初始帝国;
第四程序模块,用于采用模拟二进制交叉学习方式进行初始帝国内部同化,以使得各殖民地既可向殖民国家学习,同时也能够向成本最低的殖民地学习;
第五程序模块,用于初始帝国内部革命:随机生成t个殖民地代替原始殖民地的位置,革命完成后进行殖民地位置和成本的更新,并与所对应的殖民国家成本进行对比;若出现殖民地成本小于殖民国家,则将此殖民地作为殖民国家;
第六程序模块,用于最优帝国选取;
第七程序模块,用于帝国间合并与竞争;
第八程序模块,用于帝国灭亡;
第九程序模块,用于运行到最大迭代次数或仅有一个帝国时停止迭代,帝国内殖民国家的位置即为优化解。
9.一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210223717.7A CN114564064B (zh) | 2022-03-07 | 2022-03-07 | 光伏阵列多峰值下的最大功率点动态跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210223717.7A CN114564064B (zh) | 2022-03-07 | 2022-03-07 | 光伏阵列多峰值下的最大功率点动态跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114564064A CN114564064A (zh) | 2022-05-31 |
CN114564064B true CN114564064B (zh) | 2023-08-01 |
Family
ID=81718659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210223717.7A Active CN114564064B (zh) | 2022-03-07 | 2022-03-07 | 光伏阵列多峰值下的最大功率点动态跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564064B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105867514B (zh) * | 2016-04-15 | 2017-09-01 | 浙江大学 | 一种光伏系统多峰值最大功率跟踪方法及系统 |
ITUA20163806A1 (it) * | 2016-05-25 | 2017-11-25 | Ricerca Sul Sist Energetico Rse S P A | Inseguimento del punto di massima potenza di un generatore fotovoltaico basato su ricerca di un intervallo obiettivo |
CN106845907B (zh) * | 2017-02-10 | 2020-06-02 | 泉州装备制造研究所 | 一种基于帝国主义竞争算法的车辆路径规划方法 |
CN110363368A (zh) * | 2018-04-11 | 2019-10-22 | 西安邮电大学 | 一种基于改进的帝国竞争算法的智能排产算法 |
CN109989835B (zh) * | 2019-04-09 | 2021-06-15 | 南京航空航天大学 | 微型燃气轮机容错控制系统及其控制方法 |
CN112327792A (zh) * | 2020-12-07 | 2021-02-05 | 郑州航空工业管理学院 | 一种改进的帝国竞争算法求解柔性作业车间机器故障的动态调度方法 |
-
2022
- 2022-03-07 CN CN202210223717.7A patent/CN114564064B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709216A (zh) * | 2017-02-24 | 2017-05-24 | 中国航天空气动力技术研究院 | 一种考虑声传播相关性丢失的麦克风阵列优化设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114564064A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Got et al. | Hybrid filter-wrapper feature selection using whale optimization algorithm: A multi-objective approach | |
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
CN108520284A (zh) | 一种改进的谱聚类及并行化方法 | |
CN108388666A (zh) | 一种基于萤火虫算法的数据库多表连接查询优化方法 | |
CN113407185B (zh) | 基于贝叶斯优化的编译器优化选项推荐方法 | |
CN113204417A (zh) | 一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法 | |
CN109409496A (zh) | 一种基于蚁群算法改进的ldtw序列相似度量方法 | |
CN114841055B (zh) | 一种基于生成对抗网络的无人机集群任务预分配方法 | |
CN114611801A (zh) | 一种基于改进的鲸鱼优化算法的旅行商问题求解方法 | |
CN109711373A (zh) | 一种基于改进蝙蝠算法的大数据特征选择方法 | |
CN111767977A (zh) | 一种基于改进遗传算法的群粒子梯度下降算法 | |
CN116468181A (zh) | 一种基于改进鲸鱼优化方法 | |
CN114564064B (zh) | 光伏阵列多峰值下的最大功率点动态跟踪方法及系统 | |
CN115271023A (zh) | 基于改进多元宇宙优化算法的工程优化方法及相关设备 | |
CN115169517A (zh) | 一种改进的灰狼优化算法的方法 | |
CN113467481A (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
CN109711439A (zh) | 一种使用Group算法加速邻居搜索的密度峰大规模游客画像数据聚类方法 | |
CN113344243A (zh) | 基于改进哈里斯鹰算法优化elm的风速预测方法及系统 | |
CN110796198A (zh) | 基于混合蚁群优化算法的高维特征筛选方法 | |
CN116739174A (zh) | 一种轻工业品预测及产能优化方法 | |
CN114221350B (zh) | 基于bas-iga算法的分布式光伏集群划分方法和系统 | |
CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 | |
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 |
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 |