CN116126085A - 一种基于Grover算法的量子启发式光伏最大功率点跟踪方法 - Google Patents

Abstract

本发明提出一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，该方法将变边界操作与概率采样相结合，用于部分阴影条件下的光伏最大功率点跟踪。首先，该方法的第一阶段通过对占空比等距采样能够快速定位主要峰的占空比范围，减少不必要的搜索。其次，该方法的第二阶段以Grover算法为主体，提出一种切割操作，跟踪全局最大功率点的效率大大提高。通过一二阶段的结合，该方法能够在部分阴影的条件下实现稳定、快速地跟踪光伏阵列的全局最大功率点，与其他算法对比发电量显著提高。此外，该方法调节参数很少，在光照变化的情况下具有很强的适应性。当阴影条件越复杂即功率‑电压特性曲线中峰的个数越多时，该方法的跟踪加速效果越明显。

Description

一种基于Grover算法的量子启发式光伏最大功率点跟踪方法

技术领域

本发明属于光伏发电领域，涉及一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，适用于部分阴影条件下的光伏最大功率点跟踪。

背景技术

科学技术的发展导致发电的需求日益增长，同时增加传统能源的消耗。传统能源消耗的增加一方面导致全球能源短缺问题严峻，另一方面也引发许多诸如温室效应的环境问题。化石燃料发电是造成温室效应的重要原因之一。许多国家都在尝试寻找新的能源来代替传统能源尤其是化石燃料来减小传统能源带来的负面影响。全球变暖和化石燃料价格上涨问题促使可再生能源的关注度提高。太阳能光伏能源是一种很有前景的可再生能源，因为它无所不在、免费可用、环境友好，并且维护成本低。光伏板价格的快速下降和对太阳能光伏的前沿研究已经实现低成本的太阳能发电。

降低光伏发电成本的重要手段之一是最大功率点跟踪，最大功率点跟踪通过提高光伏发电效率间接降低发电成本。与没有最大功率点的系统相比，最大功率点跟踪能够使效率提高30％。光伏组件的最大功率点位于电流-电压特性曲线的拐点处，该特性曲线对于每个模块都是唯一的。光伏板通过多个光伏模块串联和并联以形成光伏阵列来提高输出功率。当受到建筑物、树木、电力电缆、杆塔、烟囱的影响时，会出现部分阴影情况。光伏阵列需要并联旁路二极管以及串联阻断二极管以保护阵列面板免受热点和电流反转问题的影响。然而，受二极管的影响，光伏阵列的功率-电压曲线会呈现多个峰。Daraban发现，由于未能检测到全局最大功率点，部分阴影条件下光伏阵列的能量损失高达70％。因此在部分阴影条件下跟踪全局最大功率点已经成为重要研究方向。

在均匀光照条件下传统方法例如爬山法、扰动观察法和电导增量法能够轻易找到最大功率点。然而在部分阴影条件下，传统方法很容易陷入局部最优。现有的光伏阵列全局最大功率点方法能分为基于传统方法的改进方法、智能方法和仿生方法。基于传统方法的改进方法通过对传统方法进行改进或者将传统方法与其他方法结合达到跟踪全局最大功率点的目的。基于传统方法的改进方法能够成功跟踪全局最大功率点，但是仍然具有传统方法本身的缺点，例如使用较大的步长能提高跟踪速度，但会导致较大的稳态功率振荡。人工智能方法是一种数据驱动型方法，通过数据训练控制器，使其达到想要的控制效果。人工智能方法在部分阴影条件下通过合理的设计能够达到较好的跟踪效果。然而，大量关于光伏系统的先验知识、控制变量、固定隶属度函数的数据使得人工智能方法复杂化，同时需要大量内存。仿生方法作为优化领域常用的寻找全局最优的方法，具有较多的方法种类以及较好的跟踪效果。然而，仿生方法存在以下缺点：

(1)在搜索过程中，仿生方法会在光伏系统中产生较大的功率振荡，损失不必要的能量，导致电力系统不稳定。

(2)所有的仿生方法的性能会随着调节参数的变化而变化。例如焰火方法需要调节的系数有四个，对花授粉有三个调节参数，粒子群方法需要调节三个参数.此外，这些调节参数往往是根据不断尝试而找到的合适的一个恒定值。因此，仿生方法的适应性较差，在不同环境下需要不断调试参数。

(3)部分仿生方法的收敛效率与各个个体的初值有关，不同初值方法效果也不同。

因此，提出一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，来解决上述缺点，快速、稳定地跟踪全局最大功率点，达到提高发电量的目的。

发明内容

本发明提出一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，该方法通过第一阶段对占空比范围等距采样能够定位部分阴影下功率-电压多峰特性曲线的主要峰的占空比范围，接着第二阶段在这些范围中通过使用Grover算法能够快速准确地跟踪光伏阵列的全局最大功率点；该方法跟踪全局最大功率点速度快并且无稳态震荡，对环境适应性强，峰的个数越多加速效果越明显，在硬件实验中与其他方法对比发电量明显提高，在使用过程中的步骤为：

步骤(1)：设定等分份数m，将光伏系统初始占空比范围按照m等分，接着在光伏系统中执行等分处采样点的占空比值，得到对应的电压和电流；

步骤(2)：当光伏阵列部分模块被阴影遮挡时，光伏阵列中的反并联二极管将被遮挡模块短路，会造成整个光伏阵列的电流骤降，出现多峰情况，所以判断步骤(1)中哪些采样点间电流骤降就能定位出各个峰的占空比范围：

步骤(3)：对定位出的各个峰进行进一步筛选，由于每个峰的右边界电流都是骤降后小于左边界的电流，所以当某个峰的左边界电流值乘以右边界的电压值小于所有采样点中的最大功率时，能够判断出这个峰的峰值点功率较小，一定不是全局最大功率点，将这个峰舍去，从而能减少不必要的搜索范围，提高跟踪效率；

步骤(4)：经过上述步骤只剩下主要峰的占空比范围后，设定一个精度f，用n_i个量子比特在主要峰的占空比范围内等距划分出为

个样本点，满足每两个样本点之间的占空比范围小于f；

步骤(5)：将现存所有峰的占空比范围归一化，利用随机数随机选择一个峰进行采样，峰的范围越大被选到的可能性越大；

步骤(6)：在选中的峰中用Grover算法对边界内的所有样本点进行概率放大，一个Grover算子的作用是对感兴趣的目标态进行一次概率放大；Grover算子由两部分组成，Oracle算子的作用是标记感兴趣的量子态，边界内的样本点对应的量子态是感兴趣的；接着再通过扩散算子达到放大标记量子态概率的效果；现有|00>、|01>、|10>、|11>四个量子态，初始概率均为0.25，使用一次Grover算子能将其中一个量子态例如|01>的概率放大到0.4，其余态的概率变为0.2，并且放大幅度能够调节，在未知哪个样本点功率较高的情况下选择中心点是较为高效的选择；将高效性与随机性相结合，在概率放大时越靠近中心的样本点概率越高，用多个Grover算子串联，对边界内的样本点进行不同程度的概率放大，概率越高的使用Grover算子次数越多，搭建好量子线路进行测量，之后随机坍缩到一个样本点，执行这个样本点得到对应的电压和电流；

步骤(7)：当经过步骤(6)获得采样点信息后，以此点的功率为基点，在功率-电压多峰曲线上画一条横切的线，接着执行每个峰左右边界点的邻近样本点得到每个峰边界点处的斜率，根据斜率能估计哪些样本点的功率在横切线之下，然后舍去这些样本点，接着更新各个主要峰的占空比范围，当峰越多时这种切割操作的加速效果越明显；

步骤(8)：在每个峰的新的范围中重新选择采样峰和采样点，重复执行步骤(5)、(6)、(7)，直到剩下峰的占空比范围都收缩到精度f以内，则稳定输出最优值对应的占空比即为全局最大功率点，整个过程调节参数只有m和f，并且参数不需要经常调节，对变环境具有很强的适应性。

本发明相对于现有技术具有如下的优点及效果：

(1)将变边界操作与量子概率特性相结合，能够快速跟踪全局最大功率点。

(2)使用切割操作设计Grover算法中的Oracle模块，当峰越多时加速效果越明显。

(3)当边界收缩到全局最大功率点时，能够保持稳定输出，不会围绕全局最大功率点产生功率震荡。

(4)调节参数较少，并且不需要经常调整，当光照条件变化时也具有较好的跟踪效果，对环境适应度高。

(5)在硬件平台上进行测试，与其他方法对比结果表明该方法具有最高的发电量。

附图说明

图1是本发明方法的系统框架图。

图2是本发明方法的采样示意图。

图3是本发明方法的量子线路图。

图4是本发明方法的整体流程图。

具体实施方式

本发明提出的一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，结合附图详细说明如下：

图1是本发明方法的系统框架图。光伏系统由光伏模块、直流－直流转换器、负载和最大功率点跟踪控制器组成。最大功率点跟踪控制器执行最大功率点跟踪方法，输出脉冲宽度调制信号，以驱动直流－直流转换器的晶体管。

图2是本发明方法的采样示意图。其中ABCD点所在的电流-电压曲线用来表示第一阶段的采样过程。如果光伏系统的初始占空比范围为0-1，则A点占空比为0，Z18点占空比为1，其余点的占空比按照m＝11等分从左到右依次递增。执行这些采样点得到对应的电压和电流。图2表明，当电流-电压曲线电流骤降时，功率-电压曲线会出现一个峰，因此判断哪两个采样点之间电流差较大就能定位各个峰的占空比范围。由于B点电流乘以C点电压小于Y1点功率，所以舍去第一个峰。功率-电压曲线用来表示第二阶段采样过程。首先设定精度f，对剩下的三个峰XYZ都用4个量子比特进行等分，不包括左右边界点，在每个峰边界范围中划分得到16个样本点，满足两个样本点间占空比之差小于f。接着随机选择一个采样峰例如Y峰，用图3所示的Grover量子线路对Y峰中的16个样本点进行概率放大，越靠近中心的样本点概率越高，测量量子线路得到一个样本点例如Y4。执行Y4得到对应的电压和电流值，以Y4的功率为基点在功率-电压曲线上画一条横切的线，作为边界更新的标准。执行XYZ峰左右边界点邻近的样本点例如X2得到电压和电流，能够计算处每个峰边界点的斜率，进而根据斜率和Y4的功率大致估计哪些样本点功率在Y4之下进行舍弃，然后对每个峰的边界进行更新。一些特殊情况如Z峰所示，用Z1、Z2计算出Z1处的斜率发现，此斜率达到Y4功率对应的电压值大于Z18的电压，因此能够判断Z峰的峰值小于Y4功率，进一步将Z峰舍弃。如此一来每个峰都能够以Y4为标准进行边界更新，下一轮的采样基于边界内的样本点进行。由于每个峰16个样本点的总概率为1，边界外的样本点在不进行概率放大的情况下概率将会降到很低，几乎不可能被采样到。重复第二阶段过程，直到每个峰的边界范围收缩到小于f，然后输出其中最大功率点对应的占空比值。

图3是本发明方法的量子线路图。每一个N代表一个Grover算子，Grover算子的作用是对感兴趣的目标态进行一次概率放大。Grover算子由两部分组成，Oracle算子的作用是标记感兴趣的量子态，接着再通过扩散算子达到放大标记态概率的效果。例如现有|00>、|01>、|10>、|11>四个量子态，初始概率均为0.25，使用一次Grover算子将其中一个量子态例如|01>的概率放大到0.4，其余态的概率变为0.2，放大幅度能够调节。经过多个串联的Grover算子，能实现对多个量子态进行不同程度的放大，达到想要的效果。其中Oracle算子中实心点代表1，空心点代表0。如何标记感兴趣的目标态是设计Oracle算子的关键。总的来说，该方法采用一种变边界的操作，只对边界内的样本点进行放大，即边界内的样本点是更优的，通过不断对边界内样本点进行概率放大使得采样的点总是比上一次要好。接着采用一种切割操作来更新边界范围，确保边界更新的正确性和高效性。

图4是本发明方法的整体流程图。首先第一阶段通过等距采样定位出各个峰的占空比范围，在进一步筛选剔除较低峰，得到几个主要峰的占空比范围。接着第二阶段首先设定精度f，将各个主要峰用ni个量子比特表示

个样本点，然后通过不断循环采样、概率放大、边界更新直到剩下的主要峰的边界范围都收缩到f以内，然后稳定输出最优值。

以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种基于Grover算法的量子启发式光伏最大功率点跟踪方法，其特征在于，该方法通过第一阶段对占空比范围等距采样能够定位部分阴影下功率-电压多峰特性曲线的主要峰的占空比范围，接着第二阶段在这些范围中通过使用Grover算法能够快速准确地跟踪光伏阵列的全局最大功率点；该方法跟踪全局最大功率点速度快并且无稳态震荡，对环境适应性强，峰的个数越多加速效果越明显，在硬件实验中与其他方法对比发电量明显提高，在使用过程中的步骤为：

步骤(1)：设定等分份数m，将光伏系统初始占空比范围按照m等分，接着在光伏系统中执行等分处采样点的占空比值，得到对应的电压和电流；

步骤(2)：当光伏阵列部分模块被阴影遮挡时，光伏阵列中的反并联二极管将被遮挡模块短路，会造成整个光伏阵列的电流骤降，出现多峰情况，所以判断步骤(1)中哪些采样点间电流骤降就能定位出各个峰的占空比范围：

步骤(3)：对定位出的各个峰进行进一步筛选，由于每个峰的右边界电流都是骤降后小于左边界的电流，所以当某个峰的左边界电流值乘以右边界的电压值小于所有采样点中的最大功率时，能够判断出这个峰的峰值点功率较小，一定不是全局最大功率点，将这个峰舍去，从而能减少不必要的搜索范围，提高跟踪效率；

步骤(4)：经过上述步骤只剩下主要峰的占空比范围后，设定一个精度f，用n_i个量子比特在主要峰的占空比范围内等距划分出为

个样本点，满足每两个样本点之间的占空比范围小于f；

步骤(5)：将现存所有峰的占空比范围归一化，利用随机数随机选择一个峰进行采样，峰的范围越大被选到的可能性越大；

步骤(6)：在选中的峰中用Grover算法对边界内的所有样本点进行概率放大，一个Grover算子的作用是对感兴趣的目标态进行一次概率放大；Grover算子由两部分组成，Oracle算子的作用是标记感兴趣的量子态，边界内的样本点对应的量子态是感兴趣的；接着再通过扩散算子达到放大标记量子态概率的效果；现有|00>、|01>、|10>、|11>四个量子态，初始概率均为0.25，使用一次Grover算子能将其中一个量子态例如|01>的概率放大到0.4，其余态的概率变为0.2，并且放大幅度能够调节；在未知哪个样本点功率较高的情况下选择中心点是较为高效的选择；将高效性与随机性相结合，在概率放大时越靠近中心的样本点概率越高，用多个Grover算子串联，对边界内的样本点进行不同程度的概率放大，概率越高的使用Grover算子次数越多，搭建好量子线路进行测量，之后随机坍缩到一个样本点，执行这个样本点得到对应的电压和电流；

步骤(7)：当经过步骤(6)获得采样点信息后，以此点的功率为基点，在功率-电压多峰曲线上画一条横切的线，接着执行每个峰左右边界点的邻近样本点得到每个峰边界点处的斜率，根据斜率能估计哪些样本点的功率在横切线之下，然后舍去这些样本点，接着更新各个主要峰的占空比范围，当峰越多时这种切割操作的加速效果越明显；

步骤(8)：在每个峰的新的范围中重新选择采样峰和采样点，重复执行步骤(5)、(6)、(7)，直到剩下峰的占空比范围都收缩到精度f以内，则稳定输出最优值对应的占空比即为全局最大功率点，整个过程调节参数只有m和f，并且参数不需要经常调节，对变环境具有很强的适应性。

Images