CN114706445B - 基于de-gwo算法的光伏最大功率点跟踪方法 - Google Patents

Abstract

基于DE‑GWO算法的光伏最大功率点跟踪方法，包括以下步骤：步骤1：搭建光伏发电系统仿真模型；步骤2：对于DE算法，缩放因子F采用自适应取值；对于GWO算法，改进参数向量A，将DE算法和GWO算法的应用于MPPT模块中，应用DE算法进行全局搜索，以GWO算法进行局部搜索；步骤3：构建基于DE算法和GWO算法的混合算法；步骤4：通过步骤1搭建的光伏发电系统仿真模型，验证步骤3构建的混合算法在不同的遮影条件下的跟踪性能，分析混合算法的跟踪效率。本发明基于DE‑GWO算法的光伏最大功率点跟踪方法，能够在不同部分遮影条件下完成全局最大功率点的跟踪，且算法简单易于实现。

Description

基于DE-GWO算法的光伏最大功率点跟踪方法

技术领域

本发明涉及光伏系统最大功率点跟踪MPPT技术领域，具体涉及一种基于DE-GWO算法的光伏最大功率点跟踪方法。

背景技术

可再生能源是解决化石燃料资源减少和环境问题的关键，太阳能作为一种新的可再生能源，具有可持续性、分布广和低碳等特点。光伏电池的伏安特性方程由多式联立，电流-电压(I-V)和功率-电压(P-V)特性曲线呈非线性特征。在均匀辐照条件下，I-V和P-V特性曲线存在一个最大功率点(MPP)，MPP会随着环境的变化而变化。实际中，由于天气或其他因素的影响，如：云层、尘土或相邻建筑的遮影等，光伏组件接收的辐照度不再均匀。这种不均匀的辐照度，光伏阵列输出的I-U、P-U特性曲线会呈现多峰情况，包含一个全局最大功率点和多个局部最大功率点。文献表明，在光伏系统中连接一个最大功率点跟踪(maximumpower point tracking,MPPT)控制器，能够从光伏系统中获得最大的功率。在解决多峰问题时，传统的MPPT算法易陷入局部最大功率点，严重降低从光伏系统中获得的功率。

现有的研究包含各类MPPT算法，如扰动观察法(perturbation and observation，P&O)和电导增量法(incremental conductance INC)等传统算法。P&O算法和INC算法结构简单，收敛速度快，但是易陷入局部最大功率点，无法跟踪到全局最大功率点。生物启发算法在90年代早期出现，如粒子群算法(particle swarm optimization，PSO)、灰狼优化(gray wolf optimization,GWO)算法、蚂蚱算法(grasshopper optimization algorithm，GOA)、差分进化(differentialevolution，DE)算法。生物启发算法均能有效的跟踪到全局最大功率点，但也存在收敛速度较慢、易陷入局部最大功率点和搜索结果随机性较大的缺点。

发明内容

本发明以光伏系统最大功率点跟踪为研究对象。以在部分遮影下实现最大功率点跟踪的算法为目标，针对光伏阵列在不同的部分遮影条件下的不同输出特性，提供一种基于DE-GWO算法的光伏最大功率点跟踪方法，能够在不同部分遮影条件下完成全局最大功率点的跟踪，且算法简单易于实现。

本发明采取的技术方案为：

基于DE-GWO算法的光伏最大功率点跟踪方法，包括以下步骤：

步骤1：搭建光伏发电系统仿真模型；

步骤2：对于DE算法，缩放因子F采用自适应取值；对于GWO算法，改进参数向量A，将DE算法和GWO算法的应用于MPPT模块中，应用DE算法进行全局搜索，以GWO算法进行局部搜索；

步骤3：构建基于DE算法和GWO算法的混合算法；

步骤4：通过步骤1搭建的光伏发电系统仿真模型，验证步骤3构建的混合算法在不同的遮影条件下的跟踪性能，分析混合算法的跟踪效率。

所述步骤1中，应用MATLAB/Simulink软件，搭建光伏发电系统仿真模型，该仿真模型包括：光伏阵列、DC-DC升压变换器、负载、MPPT算法模块；设置的负载为阻性负载。

所述步骤2中，对于标准的差分进化DE算法，缩放因子F由固定的取值变为自适应取值，缩放因子F计算式为：式中，t_max是最大迭代次数；F_max和F_min是最大和最小的缩放因子，t是当前迭代次数。

所述步骤2中，对于标准的灰狼优化GWO算法，参数向量A是影响算法的搜索能力的重要参数，当|A|>1时，算法倾向全局搜索，|A|<1,算法倾向局部搜索。参数向量A的值取决于a；改进参数向量A，增强GWO算法的开发能力，采用自然指数衰减法，计算式为：b是衰减系数、t是当前迭代数、_ε是衰减因子。

所述步骤3中，将DE算法和GWO算法通过更替反哺操作构建DE-GWO算法，将DE-GWO算法应用S-Function函数编写为MPPT模块，该模块的输入量为光伏阵列的输出电流和电压，输出量为控制DC-DC升压变换器的占空比，将占空比作为个体的位置，占空比在DC-DC升压变换器中的取值为0到1，初始群体的位置在[0，1]之间均匀分布，DE-GWO算法的具体内容如下：

S3.1、DE-GWO算法候选解的初始化：

DE算法种群的初始化表达式为：

式中，DE代表附属层个体；是附属层中群体的初始值；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代数；例如：/>是附属层第一组中第一个个体的初始值。

GWO算法种群的初始化表达式为：

式中，GWO代表主层灰狼；i是代表主层灰狼的序号，i＝(1,2,3,…,M)。是主层中狼群的初始值；t是当前迭代数；例如/>是主层中第一头灰狼的初始值。

更新每头灰狼的位置。每头灰狼在迭代后都需要与以历史位置进行比较，使得每头灰狼能够一直保证个体最优。

在光伏发电系统仿真模型中利用测量模块，测量光伏阵列的输出电流和输出电压，得到当前占空比的光伏阵列在当前时刻的输出功率，在光伏发电系统仿真模型中利用模块量输出电压V和输出电流I的信号，计算式为：P＝IV。光伏阵列的输出功率作为适应值函数fit(·)的判断。

S3.2、基于DE-GWO算法占空比的全局搜索：

在DE-GWO算法的每一次迭代过程中，DE算法优先搜索全局，每组附属层群体寻找最优解，每组最优解的个体与主层灰狼对比，选取更优解更替主层灰狼的位置。附属群体利用DE算法寻找全局最优位置，首先对附属群体进行变异操作，表达式为：

式中，DE代表附属层个体；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代次数；是附属层第i组附属群体中第j个变异个体，/>是附属层中的最优解；F是缩放因子，r₁、r₂、r₃和r₄是附属层群体矩阵中随机坐标值，t是当前迭代次数。

由于个体的维度是一维，交叉操作是对某一维度进行交叉，因此，在应用到MPPT模块中时，不考虑交叉操作，变异的粒子进行一对一的选择，计算式为：

式中，DE代表附属层个体；t是当前迭代次数；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；是附属层第i组附属群体中第j个变异个体；/>是附属层第i组附属群体中第j个个体；/>是/>对应的光伏系统功率，作为算法的适应值；/>是/>对应的光伏系统功率，作为算法的适应值。

本发明中缩放因子的取值策略为自适应收缩，能够根据DE-GWO算法的迭代次数，自适应地调整缩放因子的取值，由下式表示。

式中，t_max是最大迭代次数；t是当前迭代次数；F是缩放因子的取值；F_max和F_min分别是缩放因子的上限和下限，分别取值为2和0.3。

S3.3、DE-GWO算法的更替操作：

DE-GWO算法以分层形式结合，主层包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，每头主层灰狼均匀附属着一组N个个体，附属层共包含MN个个体，这些个体按照DE算法的策略进行寻优。每一次的迭代中，每组附属层的个体不仅完成自身的位置更新，也参与主层灰狼的位置更新。附属层的群体数量充足，能避免错过全局最优值，能够专注于探索，发挥DE算法的优势。主层中灰狼被附属层每组最优解更替后，运用GWO算法的优势专注于开发，并反哺回附属层。

当灰狼的位置与各组附属层群体最优位置满足下式时，更替每头灰狼的位置，

式中，DE代表附属层个体；GWO代表主层灰狼；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代数；是主层中第i头灰狼的位置；/>是附属层中第i组附属群体的最优解；；/>是/>对应的光伏系统功率，作为算法的适应值；/>是对应的光伏系统功率，作为算法的适应值；

S3.4、基于DE-GWO算法占空比的局部搜索：

狼群在附属群体的基础上，利用GWO算法的优势专注于开发，狼群的捕猎过程由α狼引导，β狼和δ狼加入捕猎过程，并帮助α狼进行决策和行动，在每一次捕猎行为中，α、β和δ狼的位置由狼群中最优的三个位置更替，狼群中的每一头灰狼都要根据α、β和δ狼的位置进行更新。计算式为：

式中，DE代表附属层个体；GWO代表主层灰狼；D是灰狼与猎物之间的距离；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数；和/>分别是第t次迭代时主层中猎物与灰狼的位置；

式中，和/>分别是/>受α、β和δ狼决策的狩猎位置向量；A、C是参数向量；/>是第i头灰狼的位置。

A、C是参数向量，表达式为：

A＝2ar₁-a；C＝2r₂

式中，r₁和r₂是[0,1]间的随机量；a是依迭代数线性地从2递减至0的收敛因子。

本发明对a的取值采用自然指数衰减法，由下式表示：

式中，b是0.6的衰减系数；t是当前迭代次数；t_max是最大迭代次数；ε是衰减因子。

S3.5、DE-GWO算法的反哺操作：

在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体。因此，将主层灰狼的位置反哺回附属层个体，反哺包含两个内容，表达式如下：

式中，i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数；是第t+1次迭代时第i组附属群体中最差个体；/>是第t+1次迭代时主层狼群中第i头灰狼的位置；/>是第t+1次迭代时附属群体中最优个体；/>是第t+1次迭代时主层狼群中的最优位置。

所述步骤3中，当光照条件或遮影发生突变时，以功率变换量为依据设置重启条件为式中，P_n是当前时刻光伏系统的输出功率，P_m是最大功率。当ΔP>0.05时，重启算法。

所述步骤4中，由DE-GWO混合算法模块发出控制Boost电路的占空比D，将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。

所述步骤4中，仿真包含两个仿真：静态遮影下的仿真和变遮影下的仿真，静态遮影下的仿真能够验证所提出的算法在多种部分遮影下的有效性，变遮影下的仿真能够验证算法在动态情况下的有效性。

基于DE-GWO算法的光伏最大功率点跟踪方法，技术效果如下：

1)、本发明针对光伏阵列在部分遮影条件下输出功率特性曲线呈现多峰特征，考虑传统MPPT算法跟踪最大功率点时可能失效，通过全局的搜索找出多个极值中具有价值的可能解，再通过局部搜索对可能解进一步排除，能够有效的跟踪到全局最大功率点。

2)、本发明利用MPPT控制器实现光伏系统的最大功率输出，算法简单易于实现。相较于其他算法，在收敛的速度和收敛的精度方面都能达到令人满意的结果。

3)、本发明不仅考虑静态部分遮影条件下算法的有效性，也考虑动态遮影条件下的有效性。

4)、本发明对于实际光照条件经常发生变化的特征，设计动态部分遮影仿真，在算法中加入停止机制和重启机制。

附图说明

图1为光伏阵列在不同静态遮影案例中的I-V输出特性曲线图。

图2为光伏阵列在不同静态遮影案例中的P-V输出特性曲线图。

图3(a)为光伏阵列使用不同MPPT算法在不同静态遮影案例中的输出特性曲线图(案例1)；图3(b)为光伏阵列使用不同MPPT算法在不同静态遮影案例中的输出特性曲线图(案例2)；图3(c)为光伏阵列使用不同MPPT算法在不同静态遮影案例中的输出特性曲线图(案例3)；图3(d)为光伏阵列使用不同MPPT算法在不同静态遮影案例中的输出特性曲线图(案例4)；图3(e)为光伏阵列使用不同MPPT算法在不同静态遮影案例中的输出特性曲线图(案例1突变至案例2)。

图4为本发明中DE-GWO算法的分层结构图。

图5为本发明中DE-GWO算法更替反哺操作流程图。

图6为本发明流程图。

具体实施方式

原理分析：

(一)：考虑到部分遮影使得光伏阵列的输出功率不能达到理论最大功率点，原因在于传统的MPPT算法在跟踪最大功率点时容易失效，跟踪效率降低。为进一步验证部分遮影条件光伏阵列的输出特性曲线呈现多峰现象，建立光伏阵列的仿真模型，设置不同的辐照条件，获得不同辐照条件下的功率数据，为分析MPPT算法做准备。

(二)：在上述(一)中光伏阵列的基础上搭建完整的光伏发电系统仿真模型，根据大量的参考文献的仿真模型，确定仿真模型中的参数。参数内容包含DC-DC升压变换器的电路参数、负载的参数和仿真的周期。

(三)：应用DE算法进行全局搜索，DE算法是一种新的群体优化算法，在自然界中，遗传，变异，选择的作用，使得生物群体优胜劣汰，不断的由低级向高级进化。差分进化算法具有收敛速度快、结构简单、易于实现等优点，种群大小、缩放因子、交叉率是控制算法优化性能的重要参数。与其他进化算法相比，保留基于种群的全局搜索策略，由多个个体来生成后代。初始化、变异、交叉、一对一选择是DE算法处理优化问题的四个关键阶段，通过变异和交叉机制，能够在搜索空间中快速地搜索到最优解。初始化的种群为：

式中，i是代表主层灰狼的序号，i＝(1,2,3,...，M)，j是代表附属层个体的序号j＝(1,2,3,...,N)。每一个个体的位置都对应于优化问题的每一个解，初始的种群要在设定的约束边界内随机生成。对于变异操作，本发明选择DE/best/2/bin：/>式中，/>是附属层第i组附属群体中第j个变异个体，/>是附属层中的最优解；F是缩放因子，r₁、r₂、r₃和r₄是随机附属层个体的坐标值，t是当前迭代次数。现有研究表明，DE算法的缩放因子参数对算法的优化性能起着至关重要的作用，标准的DE算法中缩放因子是固定的。缩放因子过大虽然能够保证算法跳出局部解，增加群体的多样性，但是在迭代后期，算法无法快速的收敛到全局最优，缩放因子过小会使算法在局部解区域的收敛速度加快，容易出现早熟的局部最优解。本发明的缩放因子的取值策略为自适应收缩，能够根据算法的进度，自适应地调整缩放因子的取值，计算式为/>式中，t_max是最大迭代次数；F是缩放因子的取值上限；F_max和F_min是最大和最小的缩放因子，分别取值为2和0.3。

(四)：应以GWO算法进行局部搜索，GWO算法是通过研究灰狼的等级制度和捕猎方式，模拟狼群的追逐、靠近、包围、攻击猎物4个步骤来解决优化问题的搜索和优化。在GWO算法中，狼群被分为四类：α、β、δ和ω。α狼是狼群的领导者，管理着狼群大部分的行为，狼群中的所有灰狼都严格执行。其次，狼群中的第二级和第三级分别是β狼和δ狼，它们可以帮助α狼进行决策或行动，同时β狼也是最有可能成为α狼的群体。狼群的最后一级是ω狼，这一级别的狼群数量最多，能够保证狼群的安全性和种群多样性。初始化的种群式中，i是代表主层灰狼的序号，i＝(1,2,3,...，M)。灰狼的捕猎行过程中先计算出每个灰狼与猎物之间的距离，其中猎物位置被定义为狼群中最优的三个位置，计算式为/>式中，D_i,α、D_i,β、D_i,δ是第i头灰狼距离猎物的距离。在计算出距离后，每头灰狼的下一次出现的位置均由α、β和δ狼的位置决定，计算式为/>由于灰狼的位置只能存在一个位置，因此根据α、β和δ狼的权重来确定最终解，本发明中的权重均为1/3，最终迭代位置的计算式为式中，/>是第t+1次迭代的第i头灰狼的位置，并作为下一次迭代的初始值。

(五)：为从光伏系统中获取最大的功率，通常光伏系统中连接一个MPPT控制器，因此，需要考虑如何定义MPPT算法应用于光伏系统的控制变量和适应值函数。控制变量对应优化问题的可能解，可能解通常选择电压、电流或占空比，而适应值通常以光伏系统的输出功率作为判断。为提升光伏系统的输出功率，本发明以调节DC-DC升压变换器的占空比来实现跟踪最大功率点的MPPT控制算法，MPPT控制算法的控制变量为占空比，通过调整占空比进而改变光伏系统的输出功率。在光伏系统的MATLAB/Simulink仿真模型中，利用测量模块，将光伏阵列的输出电流和输出电压实时记录，并输入到MPPT控制算法的模块中。根据电流和电压，能够得到对应占空比的光伏阵列的输出功率，光伏阵列的输出功率值作为适应度的判断。评估每类MPPT算法性能的指标设定为效率η，计算式为式中，P_max是理论上光伏阵列的全局最大功率；P_mpp是实际光伏阵列的输出功率。

(六)：GWO算法相比于其他智能优化算法，对种群有引导作用的个体数量更多，狼群之间的信息交流能力强，使得算法在开发局部最优解时具有天然优势，但算法本身存在着可能陷入局部最优解的问题。DE算法在更新过程中，个体具有较强的探索能力，但也存在收敛速度慢、容易陷入局部最优解等缺点。利用DE算法和GWO算法各自的优点，两个算法的结合能够提高优化性能，使得混合算法在探索目标区域和开发全局最优解时都很强大。

本发明提出的DE-GWO算法以分层形式结合，主层模型包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，主层的最优解会反哺附属层，指导附属层群体的寻优。每头主层灰狼均匀附属着一组N个个体，附属层模型共包含MN个个体，这些个体按照DE算法的策略进行寻优，各组的最优解会更替主层灰狼的位置。附属层的群体数量充足，能避免错过全局最优值，能够专注于探索，发挥DE算法的优势。主层中灰狼被附属层每组最优解更替，计算式为式中，/>是第t次迭代的主层中第i头灰狼的位置；/>是第t+1次迭代的第i组附属群体的最优解；t是当前的迭代次数；fit(·)是问题的适应度函数，由光伏阵列的输出功率作为适应度判断。在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体。因此，将主层灰狼的位置反哺回附属层个体，计算式为/>和/>式中，/>是每组附属群体中最差个体；/>是附属层中最优个体；/>是主层狼群中第i头灰狼的位置；是主层中狼群最优位置。

当光照条件或遮影发生突变时，需重启算法，本发明以功率变换量为依据设置重启条件为式中，P_n是当前时刻光伏系统的输出功率，P_m是最大功率。当ΔP>0.05时，重启算法。

(七)：为验证所提出的混合DE-GWO算法的正确性和有效性，运用MATLAB/Simulink软件，搭建包含MPPT控制器的光伏系统，该系统由光伏阵列、MPPT控制器、DC-DC升压变换器和负载组成。光电转化系统中的负载为阻性负载，替换实际中的逆变器，为简化实验设置和偏向理论假设。利用模块采集光伏阵列的输出电流I和输出电压V，将采集的信号输入DE-GWO模块中(使用S-Function函数编写，实现算法更新的过程)，由DE-GWO模块发出控制Boost电路的占空比D，将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。仿真包含两个仿真：静态遮影下的仿真和变遮影下的仿真，前者能够验证所提出的算法在多种部分遮影下的有效性，后者能够验证算法在动态情况下的有效性。

基于DE-GWO算法的光伏最大功率点跟踪方法，首先，仿真分析在不同的辐照条件下光伏阵列的功率输出特性曲线的变化，选择功率输出特性曲线中峰值较为典型的辐照条件作为算法的验证案例；然后，利用提出的DE-GWO算法对不同案例的情况进行仿真分析；最后，通过对比其他算法的仿真结果，证明所提出的算法的有效性。包括以下步骤：

步骤一：对于光伏阵列的输出特性受辐照度的影响，应用MATLAB/Simulink软件，仿真得到不同遮影程度下光伏阵列的输出特性，分析不同遮影条件对光伏阵列输出的功率的影响；

步骤二：为验证算法的有效性，应用MATLAB/Simulink软件，搭建光伏发电系统的仿真模型；

步骤三：对于标准的差分进化(differentialevolution，DE)算法，缩放因子F由固定的取值变为自适应取值；

步骤四：对于标准的灰狼优化(gray wolf optimization,GWO)算法，改进参数向量A，增强GWO算法的开发能力；

步骤五：使得该算法应用于MPPT技术中；

步骤六：构建基于DE算法和GWO算法的双层模型控制追踪算法；

步骤七：利用搭建好的仿真模型，验证不同的MPPT算法在不同的遮影条件下的跟踪性能，详细讨论各个算法的跟踪效率。

步骤一中，应用MATLAB/Simulink软件，仿真四种部分遮影案例下的光伏阵列输出的功率特性曲线，分析不同遮影条件对光伏阵列输出的功率的影响。仿真温度设置为25(℃)，案例1中辐照度：1000W/m²、1000W/m²、1000W/m²、1000W/m²；案例2中辐照度：1000W/m²、1000W/m²、500W/m²、500W/m²；案例3中辐照度：1000W/m²、300W/m²、600W/m²、300W/m²；案例4中辐照度：1000W/m²、800W/m²、500W/m²、300W/m²。辐照度的不同表示受遮影程度的不同，将其用于模仿光伏组件受遮影的情况。光伏阵列采用串联型连接结构，由四个光伏组件串联构成。

步骤二中，应用MATLAB/Simulink软件，搭建模型包括：光伏阵列、DC-DC升压变换器、负载、MPPT算法模块。设置的负载为阻性负载，替换实际中的逆变器，为简化实验设置和偏向理论假设。

步骤三中，对于标准DE算法，缩放因子F对算法的优化性能起着至关重要的作用，标准的DE算法中缩放因子取固定的值。缩放因子过大虽然能够保证算法跳出局部解，增加群体的多样性，但是在迭代后期，算法无法快速的收敛到全局最优。缩放因子过小会使算法在局部解区域的收敛速度加快，容易出现早熟的局部最优解。自适应收缩能够根据算法的迭代次数，自适应地调整缩放因子的取值，计算式为：

步骤四中，对于标准GWO算法，参数A是影响算法的搜索能力的重要参数，当|A|>1时，算法倾向全局搜索，|A|<1,算法倾向局部搜索。A的值取决于a，因此，采用自然指数衰减法，计算式为：

步骤五中，将算法应用于MPPT模块中，将占空比作为个体的位置，占空比在DC-DC升压变换器中的取值为0-1，初始群体的位置在[0，1]之间均匀分布。DE算法种群的初始化表达式为：GWO算法种群的初始化表达式为：在仿真模型中利用测量模块，测量光伏阵列的输出电流和输出电压，得到当前占空比的光伏阵列在当前时刻的输出功率，光伏阵列的输出功率作为适应度的判断。利用模块量输出电压V和输出电流I的信号，计算式为：P＝VI。

步骤六中，构建基于DE算法和GWO算法的混合算法，DE-GWO算法以分层形式结合，主层包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，每头主层灰狼均匀附属着一组N个个体，附属层共包含MN个个体，这些个体按照DE算法的策略进行寻优。每一次的迭代中，每组附属层的个体不仅完成自身的位置更新，也参与主层灰狼的位置更新。附属群体利用DE算法寻找全局最优位置，首先对附属群体进行变异操作，表达式为：

由于个体的维度是一维，交叉操作是对某一维度进行交叉，因此，在应用到MPPT技术中时，不考虑交叉操作，变异的粒子进行一对一的选择，计算式为：

当灰狼的位置与各组附属群体的最优位置满足式时，更新每头灰狼的位置。每头灰狼在迭代后都需要与以历史位置进行比较，使得每头灰狼能够一直保证个体的最优。狼群在附属群体的基础上，利用GWO算法的优势专注于开发，狼群的捕猎过程由α狼引导，β狼和δ狼加入捕猎过程，并帮助α狼进行决策和行动，狼群中的每一头灰狼都要根据α、β和δ狼的位置进行更新。在每一次捕猎行为中，α、β和δ狼的位置由狼群中最优的三个位置更替计算式为 和/>在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体。因此，将主层灰狼的位置反哺回附属层个体，反哺包含两个内容，计算式为和/>

步骤七中，利用搭建好的仿真模型，验证不同的MPPT算法在不同静态遮影条件下的跟踪。将负载侧的功率运用示波器展示，能够观察不同算法在仿真周期内的详细跟踪情况，同时也验证不同算法在辐照度突变的情况下也能成功的跟踪到最大功率点。

本发明以光伏系统最大功率点跟踪为研究对象。以在部分遮影下实现最大功率点跟踪的算法为目标。针对光伏阵列在不同的部分遮影条件下的不同输出特性，设计一种能够在不同部分遮影条件下完成全局最大功率点的跟踪的MPPT算法。首先根据MPPT算法的特性，选定MPPT算法的控制变量和适应度函数。接着搭建MATLAB/Simulink仿真模型，参考文献设置电路参数。对于实际光照条件经常发生变化的特征，设计动态部分遮影仿真，在算法中加入停止机制和重启机制。

图1、图2显示光伏阵列在不同静态遮影案例和动态遮影案例中的输出特性曲线仿真结果，图3(a)～图3(e)显示光伏阵列使用不同MPPT算法在不同静态遮影案例和动态遮影案例中的输出特性曲线仿真结果。受遮影和未遮影的光伏组件上的辐照度不同，光伏组件的MPP和短路电流不同，但是，最大功率点的电压相似。串联型光伏阵列在部分遮影条件下，流过光伏阵列中各个光伏组件的输出电流相等，当光伏串的输出电流大于受遮影的光伏组件的短路电流时，受遮影的光伏组件不再产生功率，而是消耗，受遮影的光伏组件会出现热斑。为解决这一问题，将光伏组件与旁路二极管并联，但是也会导致光伏阵列的输出特性曲线上有多个峰值。传统的MPPT算法可能陷入局部最优解，这会使得光伏系统的出现功率损耗。

图4显示DE-GWO算法的分层结构，主层包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，每头主层灰狼均匀附属着一组N个个体，附属层共包含MN个个体，这些个体按照DE算法的策略进行寻优。图5是更替和反哺操作流程图，主层最优解会反哺附属层，指导附属层群体进行寻优，同时，各组最优解会更替主层灰狼的位置。图6显示DE-GWO算法的整个流程。

验证实施例：

为提高光伏系统的效率，假设四个光伏组件构成的串联型光伏阵列，设四个光伏组件的型号相同，遮影情况下辐照度降低。表1中给出每一个光伏组件的具体辐照度，不同的阵列遮影形成一个案例，表2中给出再不同案例中运用四种MPPT算法的跟踪精度。

表1四种案例下的辐照度和波峰情况

从表1中可以看出，随着辐照度的降低，光伏阵列能够达到的最大功率值逐步降低。在同一个案例中，不同遮影水平的数量反应实际中辐照的复杂程度，辐照度越复杂，输出特性曲线越复杂，传统的MPPT算法更容易陷入局部解。

表2四种案例的不同MPPT算法的仿真结果

从表2中可以看出，在四种不同的案例中，提出的DE-GWO算法的效率优于其他算法。如图1、图2所示，四种案例中，光伏阵列的输出特性曲线的功率峰值越来越多。在图3(a)～图3(e)中能够观察到提出的算法在收敛速度上快于其他MPPT算法。

Claims (7)

1.基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于包括以下步骤：

步骤1：搭建光伏发电系统仿真模型；

步骤2：对于DE算法，缩放因子F采用自适应取值；对于GWO算法，改进参数向量A；

步骤2中，对于标准的差分进化DE算法，缩放因子F由固定的取值变为自适应取值，缩放因子F计算式为：式中，t_max是最大迭代次数；F_max和F_min是最大和最小的缩放因子，t是当前迭代次数；

对于标准的灰狼优化GWO算法，参数向量A是影响算法的搜索能力的重要参数，当|A|>1时，算法倾向全局搜索，|A|<1,算法倾向局部搜索；参数向量A的值取决于a；改进参数向量A，增强GWO算法的开发能力，采用自然指数衰减法，计算式为：b是衰减系数、t是当前迭代数、_ε是衰减因子；

步骤3：构建基于DE算法和GWO算法的混合算法；

步骤4：通过步骤1搭建的光伏发电系统仿真模型，验证步骤3构建的混合算法在不同的遮影条件下的跟踪性能，分析混合算法的跟踪效率；

DE-GWO算法的具体步骤如下：

S3.1、DE-GWO算法候选解的初始化：

DE算法种群的初始化表达式为：

式中，DE代表附属层个体；是附属层中群体的初始值；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代数；是附属层第一组中第一个个体的初始值；

GWO算法种群的初始化表达式为：

式中，GWO代表主层灰狼；i是代表主层灰狼的序号，i＝(1,2,3,…,M)；是主层中狼群的初始值；t是当前迭代数；

更新每头灰狼的位置；每头灰狼在迭代后都需要与以历史位置进行比较，使得每头灰狼能够一直保证个体最优；

在光伏发电系统仿真模型中利用测量模块，测量光伏阵列的输出电流和输出电压，得到当前占空比的光伏阵列在当前时刻的输出功率，在光伏发电系统仿真模型中利用模块量输出电压V和输出电流I的信号，计算式为P＝IV；光伏阵列的输出功率作为适应值函数fit(·)的判断；

S3.2、基于DE-GWO算法占空比的全局搜索：

附属群体利用DE算法寻找全局最优位置，首先对附属群体进行变异操作，表达式为：

式中，DE代表附属层个体；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代次数；是附属层第i组附属群体中第j个变异个体，/>是附属层中的最优解；F是缩放因子，r₁、r₂、r₃和r₄是附属层群体矩阵中随机坐标值，t是当前迭代次数；

在应用到MPPT模块中时，不考虑交叉操作，变异的粒子进行一对一的选择，计算式为：

式中，DE代表附属层个体；t是当前迭代次数；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；是附属层第i组附属群体中第j个变异个体；/>是附属层第i组附属群体中第j个个体；/>是/>对应的光伏系统功率，作为算法的适应值；/>是/>对应的光伏系统功率，作为算法的适应值；

缩放因子的取值策略为自适应收缩，能够根据DE-GWO算法的迭代次数，自适应地调整缩放因子的取值，由下式表示；

式中，t_max是最大迭代次数；t是当前迭代次数；F是缩放因子的取值；F_max和F_min分别是缩放因子的上限和下限；

S3.3、DE-GWO算法的更替操作：

DE-GWO算法以分层形式结合，主层包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，每头主层灰狼均匀附属着一组N个个体，附属层共包含MN个个体，这些个体按照DE算法的策略进行寻优；每一次的迭代中，每组附属层的个体不仅完成自身的位置更新，也参与主层灰狼的位置更新；附属层的群体数量充足，能避免错过全局最优值，能够专注于探索，发挥DE算法的优势；主层中灰狼被附属层每组最优解更替后，运用GWO算法的优势专注于开发，并反哺回附属层；

当灰狼的位置与各组附属层群体最优位置满足下式时，更替每头灰狼的位置，

式中，DE代表附属层个体；GWO代表主层灰狼；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代数；是主层中第i头灰狼的位置；/>是附属层中第i组附属群体的最优解；/>是/>对应的光伏系统功率，作为算法的适应值；/>是/>对应的光伏系统功率，作为算法的适应值；

S3.4、基于DE-GWO算法占空比的局部搜索：

狼群在附属群体的基础上，利用GWO算法的优势专注于开发，狼群的捕猎过程由α狼引导，β狼和δ狼加入捕猎过程，并帮助α狼进行决策和行动，在每一次捕猎行为中，α、β和δ狼的位置由狼群中最优的三个位置更替，狼群中的每一头灰狼都要根据α、β和δ狼的位置进行更新，计算式为：

式中，DE代表附属层个体；GWO代表主层灰狼；D是灰狼与猎物之间的距离；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数；和/>分别是第t次迭代时主层中猎物与灰狼的位置；

式中，和/>分别是/>受α、β和δ狼决策的狩猎位置向量；A、C是参数向量；/>是第i头灰狼的位置；

A、C是参数向量，表达式为：

A＝2ar₁-a；C＝2r₂

式中，r₁和r₂是[0,1]间的随机量；a是依迭代数线性地从2递减至0的收敛因子；

对a的取值采用自然指数衰减法，由下式表示：

式中，b是0.6的衰减系数；t是当前迭代次数；t_max是最大迭代次数；ε是衰减因子；

S3.5、DE-GWO算法的反哺操作：

在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体；因此，将主层灰狼的位置反哺回附属层个体，反哺包含两个内容，表达式如下：

式中，i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数；是第t+1次迭代时第i组附属群体中最差个体；/>是第t+1次迭代时主层狼群中第i头灰狼的位置；是第t+1次迭代时附属群体中最优个体；/>是第t+1次迭代时主层狼群中的最优位置。

2.根据权利要求1所述基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤1中，应用MATLAB/Simulink软件，搭建光伏发电系统仿真模型，该仿真模型包括：光伏阵列、DC-DC升压变换器、负载、MPPT算法模块；设置的负载为阻性负载。

3.根据权利要求1所述基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤3中，将DE算法和GWO算法通过更替反哺操作构建DE-GWO算法，将DE-GWO算法应用S-Function函数编写为MPPT模块，该模块的输入量为光伏阵列的输出电流和电压，输出量为控制DC-DC升压变换器的占空比，将占空比作为个体的位置，占空比在DC-DC升压变换器中的取值为0到1，初始群体的位置在[0，1]之间均匀分布。

4.根据权利要求1所述基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤3中，当光照条件或遮影发生突变时，以功率变换量为依据设置重启条件为式中，P_n是当前时刻光伏系统的输出功率，P_m是最大功率；当ΔP>0.05时，重启算法。

5.根据权利要求1所述基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤4中，由DE-GWO混合算法模块发出控制Boost电路的占空比D，将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。

6.根据权利要求1所述基于DE-GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤4中，仿真包含两个仿真：静态遮影下的仿真和变遮影下的仿真，静态遮影下的仿真能够验证所提出的算法在多种部分遮影下的有效性，变遮影下的仿真能够验证算法在动态情况下的有效性。

7.用于光伏最大功率点跟踪的DE-GWO算法，其特征在于：以分层形式结合，主层模型包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，主层的最优解会反哺附属层，指导附属层群体的寻优；每头主层灰狼均匀附属着一组N个个体，附属层模型共包含MN个个体，这些个体按照DE算法的策略进行寻优，各组的最优解会更替主层灰狼的位置；主层中灰狼被附属层每组最优解更替，计算式为式中，/>是第t次迭代的主层中第i头灰狼的位置；/>是第t+1次迭代的第i组附属群体的最优解；t是当前的迭代次数；fit(·)是问题的适应度函数，由光伏阵列的输出功率作为适应度判断；

在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体；因此，将主层灰狼的位置反哺回附属层个体，计算式为和

式中，是每组附属群体中最差个体；/>是附属层中最优个体；/>是主层狼群中第i头灰狼的位置；/>是主层中狼群最优位置；

当光照条件或遮影发生突变时，重启算法，以功率变换量为依据设置重启条件为式中，P_n是当前时刻光伏系统的输出功率，P_m是最大功率；当ΔP>0.05时，重启算法。