CN115933804A - 基于改进布谷鸟算法的光伏mppt控制方法及系统 - Google Patents
基于改进布谷鸟算法的光伏mppt控制方法及系统 Download PDFInfo
- Publication number
- CN115933804A CN115933804A CN202211567017.6A CN202211567017A CN115933804A CN 115933804 A CN115933804 A CN 115933804A CN 202211567017 A CN202211567017 A CN 202211567017A CN 115933804 A CN115933804 A CN 115933804A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- photovoltaic
- cuckoo algorithm
- elite
- improved
- 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.)
- Pending
Links
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008859 change Effects 0.000 claims abstract description 21
- 230000002441 reversible effect Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims abstract description 5
- 235000005770 birds nest Nutrition 0.000 claims description 38
- 235000005765 wild carrot Nutrition 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 9
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 244000000626 Daucus carota Species 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims 1
- 230000010355 oscillation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000036961 partial effect Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 241000282461 Canis lupus Species 0.000 description 2
- 241000272177 Cuculiformes Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Control Of Electrical Variables (AREA)
Abstract
本发明涉及一种基于改进布谷鸟算法的光伏MPPT控制方法及系统，包括：获取光伏阵列的输出电流和电压；将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；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。本发明对光伏阵列进行最大功率点寻优，能够有效减小系统趋于稳定时的功率震荡问题，且能够较好避免算法陷入局部最优，提高MPPT的跟踪速度和精度。
Description
技术领域
本发明属于光伏发电技术控制策略领域，具体涉及一种基于改进布谷鸟算法的光伏MPPT控制方法及系统。
背景技术
为了缓解传统能源消耗引起的环境污染，加快能源结构转型，构建以光伏发电为主体的新能源发电体系。目前光伏发电技术逐渐成熟，但在不同环境的实际应用中仍存在发电效率不高等问题。为了提高光伏发电效率，有效的解决手段是提升光伏系统最大功率点追踪(MPPT)控制算法的性能。
目前，传统MPPT算法一般较简单，实现也较容易，例如：恒定电压法、扰动观察法和电导增量法等，但是适用场合局限，在局部阴影情况下P-U特性曲线呈现不同的多个峰值，传统算法会因为陷入局部最大功率点(LMPP)而失效，导致大量功率损失。针对多峰值问题，研究学者们提出了一些生物启发式算法，如粒子群算法、灰狼算法、人工蜂群算法、蚁群算法等，都已被应用于多峰值寻优的MPPT中。因为群智能优化算法在处理阴影条件下追踪全局最大功率点(GMPP)有很好的效果，研究人员对这类算法开展了针对性的改进和创新性的探索。布谷鸟搜索(CS)算法是剑桥大学Yang教授通过模拟自然界当中布谷鸟的繁衍习性，提出的一种元启发式算法，将布谷鸟的繁衍习性和莱维飞行相结合，相比于其它群智能算法具有更良好的寻优性能。由于布谷鸟算法在莱维搜索过程中随机性较大，鸟窝之间缺乏交流能力，导致算法收敛速度慢，寻优精度低，可能出现早熟现象，使算法陷入LMPP，需要加以改进。
发明内容
本发明的目的在于，为了减小局部阴影情况下光伏系统的功率失配损失，提高光伏最大功率点追踪的追踪速度和准确性，并针对布谷鸟算法因鸟窝之间缺乏交流能力导致可能陷入局部最优的问题，提供了一种基于改进布谷鸟算法的光伏MPPT控制方法及系统，与其他算法相比，在收敛速度、追踪精度以及动态稳定三个方面有很大的提升。
为了实现上述目的，本发明有如下的技术方案：
一种基于改进布谷鸟算法的光伏MPPT控制方法，包括：
获取光伏阵列的输出电流和电压；
将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
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。
作为本发明的进一步改进，所述改进的布谷鸟算法，设置发现概率Pa按非线性递减的趋势变化，表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数；
对步长因子进行了自适应的改进，α0表达式为：
式中，t为当前的迭代次数，T为最大迭代次数，a和b是两个位置常数且满足a<b<1，满足不同迭代次数步长因子变化的趋势相同；
在寻优过程引入高斯扰动做微小扰动更好地跳出局部极值区域，帮助个体脱离当前局部最优，位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置；
设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义为：
其中，
随机数k服从[0,1]区间的均匀分布，用于生成多个不同的反向精英解。
作为本发明的进一步改进，所述将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比，包括:
(1)设置算法初始参数：种群规模N、维度D、边界值大小L、最大迭代次数T；
(2)确定目标函数，计算当前鸟窝的适应度值；更新鸟窝位置和适应度值，采用自适应步长因子更新鸟窝位置，表达式为：
式中
为在第t次迭代时第i个鸟窝所在的位置，xbest为当前鸟窝的最佳位置，β＝1.5，μ和ν均服从均匀分布，即
ν～N(0,1)；
(3)设置发现概率Pa按非线性递减的趋势变化，改进的Pa表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数；在莱维飞行的迭代过程中，还需要将将宿主的发现概率Pa与服从[0,1]均匀分布的随机数R进行比较，若Pa>R，则需要对位置进行更新：
将所有迭代过程中最优的鸟窝保留，位置记为
(4)将当前鸟窝按精英鸟窝和普通鸟窝按比例进行分类；对普通鸟窝加入高斯扰动的位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置；对普通鸟窝引入高斯扰动，增加算法中鸟窝种群多样性；
(5)将精英个体与反向学习结合得精英反向解，设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义如下式：
其中，
随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解；
在算法搜索过程中，边界条件会将超出范围的解的适应度定为边界值，若种群数过大，固定边界的处理导致出现过多适应度为边界值的解，限制算法的收敛，[daj,dbj]是第j维搜索区间上动态边界的最小值和最大值，计算方式如下：
daj＝min(xij)，dbj＝max(xij)
其中，daj和dbj的值随搜索区域的变化而变化，对于跳出边界的精英反向解，按照下式对其进行更新：
其中，rand(aj,bj)是区间[aj,bj]上的随机数；将精英个体经过反向学习策略后的解与原精英个体对比，通过适度值的比较来选择更优的个体，确认出最后的精英集合
式中，j∈{1,2,...,D}；
(6)保留当前最优鸟窝位置；若算法满足最大迭代次数，结束搜索过程，输出全局最优值，否则，重复此流程进行迭代寻优。
作为本发明的进一步改进，还包括：以光伏发电系统仿真模型验证改进布谷鸟算法在不同的遮影条件下的跟踪性能。
作为本发明的进一步改进，所述以光伏发电系统仿真模型验证改进布谷鸟算法在不同的遮影条件下的跟踪性能之前还包括：
建立光伏阵列的仿真模型，设置不同的光照条件，获得不同光照条件下的P-U和I-U特性曲线，为分析MPPT算法做准备。
作为本发明的进一步改进，所述光伏发电系统仿真模型包括：光伏阵列、Boost升压变换器作为控制电路、负载、MPPT算法模块；设置的负载为阻性负载；光伏阵列系统由阵列分布的光伏电池串联而成；MPPT控制器根据采集到的光伏阵列输出功率，调节输出占空比，控制光伏阵列的工作电压，进而实现最大功率点追踪。
作为本发明的进一步改进，还包括算法重启模块及终止步骤：
当功率变化量ΔP>0.05，需要重新启动算法进行MPPT控制，重启条件为
式中，Pnew为系统当前时刻输出功率，Pold为系统上一时刻的输出功率。
一种基于改进布谷鸟算法的光伏MPPT控制系统，包括：
获取模块，用于获取光伏阵列的输出电流和电压；
算法模块，用于将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
生成模块，用于将占空比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。
一种基于改进布谷鸟算法的光伏MPPT控制设备，包括：
存储器，
处理器，
所述处理器被配置为：执行所述的基于改进布谷鸟算法的光伏MPPT控制方法。
一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得处理器能够执行所述的基于改进布谷鸟算法的光伏MPPT控制方法。
相较于现有技术，本发明至少具有如下的有益效果：
本发明方法运用改进的布谷鸟算法进行MPPT控制，从算法原理上对标准布谷鸟算法进行优化，发现概率Pa随着算法从初期的后期由大到小的动态改变，不仅加快了算法搜索速度，而且增加全局搜索的范围和局部搜索的精度。同样对步长因子α0非线性变化，非线性递减的步长因子α0在寻优初期，以较大的步长来扩大搜索范围，并且控制一定时间的下降幅度，增加算法前期的搜索能力和多样性；在寻优后期，算法收敛到全局最优附近，α0快速减小，提高局部搜索的精度。
进一步，本发明方法运用改进的布谷鸟算法进行MPPT控制，布谷鸟算法中在寻优过程引入高斯扰动做微小扰动可以更好地跳出局部极值区域，可以一定程度上帮助个体脱离当前局部最优位置，可以利用当前最优个体的信息来加强种群之间的交流，增加种群活力，有利于提高解的精度。引入精英反向学习策略，在全局搜索过程中增加了种群的多样性，扩大算法的搜索范围，加强算法的寻优效果，并且加快全局最优解的搜索速度，引入到布谷鸟算法中，从而提高算法的求解能力。
进一步，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。
进一步，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，均能够准确快速地追踪到全局最大功率点。并与其他群智能算法进行对比，结果为改进后的布谷鸟算法在收敛速度、追踪精度以及动态稳定三个方面有很大的提升，有效的减小局部阴影情况下光伏系统的功率失配损失，提高光伏发电系统的发电效率。
附图说明
图1为本发明实施例光伏MPPT系统采用的Boost电路结构示意图；
图2为本发明实施例改进布谷鸟算法的流程图；
图3本发明实施例光伏阵列在不同静态遮影实施例中的P-U和I-U输出特性曲线图；
图4(a)为本发明实施例光伏阵列使用不同MPPT算法在标准情况下的输出特性曲线图；
图4(b)为本发明实施例光伏阵列使用不同MPPT算法在局部阴影下的输出特性曲线图(实施例2)；
图4(c)为本发明实施例光伏阵列使用不同MPPT算法在局部阴影下的输出特性曲线图(实施例3)；
图4(d)为本发明实施例光伏阵列使用不同MPPT算法在阴影突变下的输出特性曲线图。
图5为本发明一种基于改进布谷鸟算法的光伏MPPT控制系统结构示意图；
图6为本发明一种电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明第一个目的是提供基于改进布谷鸟算法的光伏MPPT控制方法，包括：
获取光伏阵列的输出电流和电压；
将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
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。
本发明对光伏阵列进行最大功率点寻优，能够有效减小系统趋于稳定时的功率震荡问题，且能够较好避免算法陷入局部最优，提高MPPT的跟踪速度和精度。
基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于包括以下步骤：
步骤1：搭建光伏发电系统的仿真模型；
作为本发明的一实施例，如图1所示，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、Boost升压变换器作为控制电路、负载、MPPT算法模块；设置的负载为阻性负载。
步骤2：对于布谷鸟算法，将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性，形成改进布谷鸟算法；
作为本发明的一实施例，所述步骤2中，对于改进的布谷鸟算法，设置发现概率Pa按非线性递减的趋势变化，相比于固定的发现概率，这样可以使其搜索质量提升不少。Pa表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数。迭代次数为200时，Pa变化范围为0.12到0.7之间。
所述步骤2中，对于改进的布谷鸟算法，对步长因子进行了自适应的改进，α0表达式为：
式中，t为当前的迭代次数，T为最大迭代次数，a和b是两个位置常数且满足a<b<1，满足不同迭代次数步长因子变化的趋势相同。设置a＝0.39和b＝0.4时，最大迭代次数为200。
所述步骤2中，对于改进的布谷鸟算法，在寻优过程引入高斯扰动做微小扰动更好地跳出局部极值区域，帮助个体脱离当前局部最优，位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置。
所述步骤2中，对于改进的布谷鸟算法，设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义为：
其中，
随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解，由于k的取值随机，使得精英个体的位置信息更丰富。
步骤3：初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率，将电流电压作为输入，最大功率对应的占空比作为输出；
作为本发明的一实施例，所述步骤3中，对于改进的布谷鸟算法，初始鸟窝设置为10，即算法的初始占空比为0.05、0.15、0.25、0.35、0.45、0.55、0.65、0.75、0.85、0.95，边界为[0.05，0.95]。
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2构建的改进布谷鸟算法在不同的遮影条件下的跟踪性能，分析改进布谷鸟算法应用于MPPT控制的性能。
作为本发明的一实施例，所述步骤4中，改进布谷鸟算法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Boost升压变换器的占空比，将占空比作为个体的位置，占空比在Boost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，该模块发出控制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。
还包括算法重启模块及终止模块。光照强度突变时，光伏阵列的输出功率受到影响，当功率变化量ΔP>0.05，需要重新启动算法进行MPPT控制，重启条件为
式中，Pnew为系统当前时刻输出功率，Pold为系统上一时刻的输出功率。
所属步骤4中，将改进布谷鸟算法应用于光伏MPPT控制中，设置初始参数和重启条件，从标准情况、局部阴影和阴影突变三种环境条件下，对所提算法在MPPT控制中的适用性和优越性进行仿真。
下面结合附图，对本发明的技术方案进一步说明。
考虑到局部阴影遮挡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。为进一步验证不同条件下光伏阵列的输出特性曲线呈现多峰现象，需要建立光伏阵列的仿真模型，设置不同的光照条件，获得不同光照条件下的P-U和I-U特性曲线，为分析MPPT算法做准备。表1为本发明实例中设置的不同环境参数，分为标准情况(STC)和不同程度局部阴影遮挡：
表1环境参数表
图3为实施例中各环境参数对应的P-U和I-U特性曲线，更加清楚的描述出光伏阵列受到阴影遮挡时的情况。从图3中可以看出，随着光照强度的降低，光伏阵列能够达到的最大功率值逐步降低。在同一个实施例中，不同阴影遮挡水平的数量反应实际中辐照的复杂程度，光照强度越复杂，输出特性曲线越复杂，传统的MPPT算法更容易陷入局部解。
图1为实施例中基于Boost电路的光伏最大功率点追踪系统的电路结构，具有光伏阵列系统、MPPT控制器和PWM脉冲发生器，光伏阵列系统由4×1的光伏电池串联而成；MPPT控制器根据采集到的光伏阵列输出功率，调节输出占空比，控制光伏阵列的工作电压，进而实现最大功率点追踪。MPPT控制器具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现基于改进布谷鸟算法的光伏MPPT方法的步骤。
图2为本发明所述的改进布谷鸟算法的流程图，具体包括以下步骤：
(1)设置算法初始参数：种群规模N、维度D、边界值大小L、最大迭代次数T。
(2)确定目标函数，计算当前鸟窝的适应度值。更新鸟窝位置和适应度值，采用自适应步长因子更新鸟窝位置，表达式为：
式中
为在第t次迭代时第i个鸟窝所在的位置，xbest为当前鸟窝的最佳位置，β＝1.5，μ和ν均服从均匀分布，即
ν～N(0,1)。
(3)设置发现概率Pa按非线性递减的趋势变化，相比于固定的发现概率，这样可以使其搜索质量提升不少。改进的Pa表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数。迭代次数为200时，Pa变化范围为0.12到0.7之间。在莱维飞行的迭代过程中，还需要将将宿主的发现概率Pa与服从[0,1]均匀分布的随机数R进行比较，若Pa>R，则需要对位置进行更新：
将所有迭代过程中最优的鸟窝保留，位置记为
(4)将当前鸟窝按精英鸟窝和普通鸟窝2:8的比例进行分类。对普通鸟窝加入高斯扰动的位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置。对普通鸟窝引入高斯扰动，可进一步增加算法中鸟窝种群多样性，有效帮助其跳出局部极值区域，进而提高整个算法的搜索全局最优值的能力。
(5)将精英个体与反向学习结合得精英反向解，定义如下：设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义如下式：
其中，
随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解，由于k的取值随机，使得精英个体的位置信息更丰富。针对形成的反向群体依据所在空间进一步搜索，可以全面提升搜索算法自身的开发能力。
在算法搜索过程中，边界条件会将超出范围的解的适应度定为边界值，若种群数过大，固定边界的处理导致出现过多适应度为边界值的解，限制算法的收敛，而动态边界通过算法开发前期阶段的搜索经验，将落在边界上的解充分利用。[daj,dbj]是第j维搜索区间上动态边界的最小值和最大值，计算方式如下：
daj＝min(xij)，dbj＝max(xij)
其中，daj和dbj的值随搜索区域的变化而变化，当搜索区域缩小时，反向学习所得的解的边界也随之减小，反向学习的解变得更精确。对于跳出边界的精英反向解，按照下式对其进行更新：
其中，rand(aj,bj)是区间[aj,bj]上的随机数。将精英个体经过反向学习策略后的解与原精英个体对比，通过适度值的比较来选择更优的个体，确认出最后的精英集合
式中，j∈{1,2,...,D}。
(6)保留当前最优鸟窝位置。若算法满足最大迭代次数，结束搜索过程，输出全局最优值，否则，重复此流程进行迭代寻优。
改进后的多策略布谷鸟算法具有自适应的平衡全局搜索和局部搜索能力，扩大了搜索空间，加强了种群的活力，使得算法在寻优过程中易于跳出局部最优解，同时提高算法收敛速度和寻优精度。
本发明以光伏系统最大功率点跟踪为研究对象。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光照条件下完成最大功率点跟踪的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。搭建MATLAB/Simulink仿真模型，设置电路参数。对于实际光照条件经常发生变化的特征，设计阴影突变的仿真，在算法中加入停止机制和重启机制。将改进布谷鸟算法以Matlab函数的形式编入函数模块，将电流电压作为输入，最大功率对应的占空比作为输出。还对粒子群算法(PSO)、灰狼算法(GWO)、布谷鸟算法(CS)进行了仿真，与改进布谷鸟算法进行对比。在采用的布谷鸟算法中，初始鸟窝设置为10，即算法的初始占空比为0.05、0.15、0.25、0.35、0.45、0.55、0.65、0.75、0.85、0.95，边界为[0.05，0.95]。
图4(a)～图4(d)显示光伏阵列使用不同MPPT算法在不标准情况、局部阴影和阴影突变实施例中的输出特性曲线仿真结果。结果表明，在标准情况和局部阴影条件下，改进布谷鸟算法相比于其他算法，追踪GMPP的速度更快，震荡过程的功率波动更小。在阴影突变动态变化的环境条件下，功率波形也验证了改进布谷鸟算法拥有更好的动态稳定性能和追踪效果，有效的提高了发电效率。
如图5所示，本发明还提供一种基于改进布谷鸟算法的光伏MPPT控制系统，包括：
获取模块，用于获取光伏阵列的输出电流和电压；
算法模块，用于将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
生成模块，用于将占空比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。
如图6所示，本发明的另一目的在于提出基于改进布谷鸟算法的光伏MPPT控制设备，包括：
存储器，
处理器，
所述处理器被配置为：执行所述的基于改进布谷鸟算法的光伏MPPT控制方法。
本发明还提供一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行基于改进布谷鸟算法的光伏MPPT控制方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于，包括：
获取光伏阵列的输出电流和电压；
将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
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。
2.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述改进的布谷鸟算法，设置发现概率Pa按非线性递减的趋势变化，表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数；
对步长因子进行了自适应的改进，α0表达式为：
式中，t为当前的迭代次数，T为最大迭代次数，a和b是两个位置常数且满足a<b<1，满足不同迭代次数步长因子变化的趋势相同；
在寻优过程引入高斯扰动做微小扰动更好地跳出局部极值区域，帮助个体脱离当前局部最优，位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置；
设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义为：
其中，
随机数k服从[0,1]区间的均匀分布，用于生成多个不同的反向精英解。
3.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比，包括:
(1)设置算法初始参数：种群规模N、维度D、边界值大小L、最大迭代次数T；
(2)确定目标函数，计算当前鸟窝的适应度值；更新鸟窝位置和适应度值，采用自适应步长因子更新鸟窝位置，表达式为：
式中
为在第t次迭代时第i个鸟窝所在的位置，xbest为当前鸟窝的最佳位置，β＝1.5，μ和ν均服从均匀分布，即
ν～N(0,1)；
(3)设置发现概率Pa按非线性递减的趋势变化，改进的Pa表达式为：
式中，t为当前的迭代次数，从1开始，T为最大迭代次数；在莱维飞行的迭代过程中，还需要将将宿主的发现概率Pa与服从[0,1]均匀分布的随机数R进行比较，若Pa>R，则需要对位置进行更新：
将所有迭代过程中最优的鸟窝保留，位置记为
(4)将当前鸟窝按精英鸟窝和普通鸟窝按比例进行分类；对普通鸟窝加入高斯扰动的位置更新表达式为：
其中，N(0,1)服从标准高斯分布，
为扰动后的鸟窝位置；对普通鸟窝引入高斯扰动，增加算法中鸟窝种群多样性；
(5)将精英个体与反向学习结合得精英反向解，设Xi＝(xi1,xi2,...,xiD)是D维空间普通个体，其对应的适应度极值则为精英个体
则精英个体的反向解
定义如下式：
其中，
随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解；
在算法搜索过程中，边界条件会将超出范围的解的适应度定为边界值，若种群数过大，固定边界的处理导致出现过多适应度为边界值的解，限制算法的收敛，[daj,dbj]是第j维搜索区间上动态边界的最小值和最大值，计算方式如下：
daj＝min(xij)，dbj＝max(xij)
其中，daj和dbj的值随搜索区域的变化而变化，对于跳出边界的精英反向解，按照下式对其进行更新：
其中，rand(aj,bj)是区间[aj,bj]上的随机数；将精英个体经过反向学习策略后的解与原精英个体对比，通过适度值的比较来选择更优的个体，确认出最后的精英集合
式中，j∈{1,2,...,D}；
(6)保留当前最优鸟窝位置；若算法满足最大迭代次数，结束搜索过程，输出全局最优值，否则，重复此流程进行迭代寻优。
4.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：还包括：以光伏发电系统仿真模型验证改进布谷鸟算法在不同的遮影条件下的跟踪性能。
5.根据权利要求4所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述以光伏发电系统仿真模型验证改进布谷鸟算法在不同的遮影条件下的跟踪性能之前还包括：
建立光伏阵列的仿真模型，设置不同的光照条件，获得不同光照条件下的P-U和I-U特性曲线，为分析MPPT算法做准备。
6.根据权利要求4所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述光伏发电系统仿真模型包括：光伏阵列、Boost升压变换器作为控制电路、负载、MPPT算法模块；设置的负载为阻性负载；光伏阵列系统由阵列分布的光伏电池串联而成；MPPT控制器根据采集到的光伏阵列输出功率，调节输出占空比，控制光伏阵列的工作电压，进而实现最大功率点追踪。
7.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：
还包括算法重启模块及终止步骤：
当功率变化量ΔP>0.05，需要重新启动算法进行MPPT控制，重启条件为
式中，Pnew为系统当前时刻输出功率，Pold为系统上一时刻的输出功率。
8.基于改进布谷鸟算法的光伏MPPT控制系统，其特征在于，包括：
获取模块，用于获取光伏阵列的输出电流和电压；
算法模块，用于将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
生成模块，用于将占空比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。
9.一种基于改进布谷鸟算法的光伏MPPT控制设备，其特征在于，包括：
存储器，
处理器，
所述处理器被配置为：执行权利要求1至7任一项所述的基于改进布谷鸟算法的光伏MPPT控制方法。
10.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由处理器执行时，使得处理器能够执行权利要求1至7任一项所述的基于改进布谷鸟算法的光伏MPPT控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211567017.6A CN115933804A (zh) | 2022-12-07 | 2022-12-07 | 基于改进布谷鸟算法的光伏mppt控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211567017.6A CN115933804A (zh) | 2022-12-07 | 2022-12-07 | 基于改进布谷鸟算法的光伏mppt控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115933804A true CN115933804A (zh) | 2023-04-07 |
Family
ID=86653543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211567017.6A Pending CN115933804A (zh) | 2022-12-07 | 2022-12-07 | 基于改进布谷鸟算法的光伏mppt控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115933804A (zh) |
-
2022
- 2022-12-07 CN CN202211567017.6A patent/CN115933804A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pervez et al. | Most valuable player algorithm based maximum power point tracking for a partially shaded PV generation system | |
| Jiang et al. | Computational intelligence techniques for maximum power point tracking in PV systems: A review | |
| CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂系统设计方法 | |
| CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
| CN109298747B (zh) | 基于iiwo优化的smesc风电系统mppt方法 | |
| CN108448659B (zh) | 一种基于hacs算法求解电力系统无功优化的方法 | |
| CN114662638A (zh) | 基于改进人工蜂群算法的移动机器人路径规划方法 | |
| CN111767977A (zh) | 一种基于改进遗传算法的群粒子梯度下降算法 | |
| CN111832911A (zh) | 一种基于神经网络算法的水下作战效能评估方法 | |
| Wang et al. | Cooperative velocity updating model based particle swarm optimization | |
| CN114492715A (zh) | 基于混沌反向学习和自适应螺旋搜索的改进麻雀搜索方法 | |
| CN114706445A (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
| CN109635915A (zh) | 一种基于均衡单进化布谷鸟算法的迭代学习控制方法 | |
| CN108418247B (zh) | 一种配电网中分布式电源优化配置方法及计算设备 | |
| CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
| CN115933804A (zh) | 基于改进布谷鸟算法的光伏mppt控制方法及系统 | |
| CN113485517B (zh) | 一种局部遮蔽条件下光伏阵列最大功率点跟踪方法 | |
| CN106845629A (zh) | 基于越界重置的参数列维化粒子群算法 | |
| CN115022192A (zh) | 一种演化博弈网络信息体系资源选择方法及系统 | |
| CN110365020B (zh) | 基于集成学习的无功优化方法 | |
| Liu et al. | Multiobjective optizition shuffled frog-leaping biclustering | |
| CN102141778A (zh) | 一种受核糖体rna启发的高阶控制器参数优化方法 | |
| CN113539511B (zh) | 一种基于k近邻约束优化的传染病传播治疗模型优化方法 | |
| CN117251280B (zh) | 一种云资源负载均衡调度方法、装置、设备及介质 | |
| Han et al. | An efficient adaptive wolf pack search algorithm |
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 |