CN116540832A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116540832A CN116540832A CN202310651484.5A CN202310651484A CN116540832A CN 116540832 A CN116540832 A CN 116540832A CN 202310651484 A CN202310651484 A CN 202310651484A CN 116540832 A CN116540832 A CN 116540832A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- quantum
- whale
- maximum power
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 229
- 241000283153 Cetacea Species 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 167
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 47
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000005549 size reduction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 230000002829 reductive effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 238000001135 Friedman test Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- -1 fallen leaves Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000001151 non-parametric statistical test Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012422 test repetition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Control Of Electrical Variables (AREA)
Abstract
本公开提出一种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,应用于光伏发电系统,光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC‑DC转换器,该方法包括获取光伏阵列的输出电压和输出电流,最大功率点追踪控制器基于输出电压和输出电流计算获得光伏阵列的输出功率;最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解;最大功率点追踪控制器基于最优占空比控制DC‑DC转换器,以实现对光伏阵列的最大输出功率的实时控制。根据本公开的方法能够提高功率跟踪精度和收敛速度。
Description
技术领域
本公开属于光伏最大功率跟踪控制技术领域,尤其涉及一种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。
背景技术
随着“3060”战略规划的提出,我国电力行业开启了能源结构转型的新篇章。而多年来我国发电领域多以燃煤发电为主要电源,引发了一系列的能源环境问题。如今,在电网大规模新能源消纳需求下,应在充分发挥火电调节作用的基础上,通过风、光等新能源发电技术的发展融合助力电力系统的清洁、低碳、安全、高效发展。
考虑到太阳能具有易获取、易利用、成本低廉、清洁无污染等优势,可将其作为新能源发电的首要选择之一。光伏发电系统主要包括光伏阵列和最大功率跟踪控制器等,其中光伏阵列由多个串并联的光伏组件排列而成,用于吸收太阳能并协调电流和电压,最终形成功率输出。然而,光伏阵列的输出功率随着环境温度、阳光辐照度和光伏板遮挡程度等外界条件的变化表现出较大波动性和不确定性,往往难以稳定在最大功率点附近。理想状态下,光伏阵列处于均匀光照,此时其输出功率曲线只存在一个最大功率点;而当光伏板受到灰尘、落叶、云朵阴影、建筑物阴影等局部遮挡时,将出现多个局部最大功率点。光伏最大功率跟踪控制器的目标即在上述外界扰动存在的条件下,通过实时调整DC-DC转换器(DC-to-DC converter,直流-直流转换器)的占空比使光伏阵列的输出始终保持在最大功率点附近。
现有技术虽然有利用群智能优化算法的光伏系统最大功率跟踪方法,但其收敛速度较慢、跟踪精度也有待提高。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本公开提供了一种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,主要目的在于提高收敛速度和功率跟踪精度。
根据本公开的第一方面实施例,提供了一种基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,应用于光伏发电系统,所述光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,所述光伏最大功率跟踪方法包括:
获取所述光伏阵列的输出电压和输出电流,所述最大功率点追踪控制器基于所述输出电压和输出电流计算获得所述光伏阵列的输出功率;
所述最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,适应度函数为所述输出功率,鲸群中每个个体的位置为一个占空比候选解;
所述最大功率点追踪控制器基于所述最优占空比控制所述DC-DC转换器,以实现对所述光伏阵列的最大输出功率的实时控制。
在本公开的一个实施例中,所述量子编码为量子概率幅值编码,所述利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,包括:在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置。
在本公开的一个实施例中,所述利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,还包括:在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。
在本公开的一个实施例中,所述基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,包括:判断所述当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;判断所述当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。
在本公开的一个实施例中,在进行种群规模缩减前先判断当前次迭代的种群规模是否小于等于最小容忍种群规模,若是则停止种群规模缩减,若否则进行种群规模缩减。
在本公开的一个实施例中,在进行种群规模扩张前先判断当前次迭代的种群规模是否大于等于初始种群规模,若是则停止种群规模扩张,若否则进行种群规模扩张。
根据本公开的第二方面实施例,还提供了一种基于变种群量子鲸鱼优化的光伏最大功率跟踪系统,应用于光伏发电系统,所述光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,所述最大功率点追踪控制器包括所述光伏最大功率跟踪系统,所述光伏最大功率跟踪系统包括:
获取模块,用于获取所述光伏阵列的输出电压和输出电流,基于所述输出电压和输出电流计算获得所述光伏阵列的输出功率;
优化控制模块,用于采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,适应度函数为所述输出功率,鲸群中每个个体的位置为一个占空比候选解;基于所述最优占空比控制所述DC-DC转换器,以实现对所述光伏阵列的最大输出功率的实时控制。
在本公开的一个实施例中,所述量子编码为量子概率幅值编码,所述优化控制模块,具体用于:在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置;在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。
在本公开的一个实施例中,所述优化控制模块,具体用于:判断所述当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;判断所述当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。
根据本公开的第三方面实施例,还提供了一种基于变种群量子鲸鱼优化的光伏最大功率跟踪设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面实施例提出的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法。
在本公开一个或多个实施例中,应用于光伏发电系统,光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,光伏最大功率跟踪方法包括:获取光伏阵列的输出电压和输出电流,最大功率点追踪控制器基于输出电压和输出电流计算获得光伏阵列的输出功率;最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解;最大功率点追踪控制器基于最优占空比控制DC-DC转换器,以实现对光伏阵列的最大输出功率的实时控制。在这种情况下,最大功率点追踪控制器令适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解,采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,最大功率点追踪控制器在最优占空比下控制DC-DC转换器能够使光伏阵列以的最大输出功率,从而提高了功率跟踪精度。另外,利用自适应种群规模和量子编码对鲸鱼优化算法进行改进,有效地节省了计算资源,提高了优化过程的收敛速度。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1示出本公开实施例提供的一种光伏发电系统的结构示意图;
图2示出本公开实施例提供的一种光伏阵列的等效电路图;
图3示出本公开实施例提供的变种群量子鲸鱼优化算法的流程示意图;
图4示出本公开实施例提供的一种基于变种群量子鲸鱼优化的光伏最大功率跟踪方法的流程示意图;
图5示出本公开实施例提供的一直基于变种群量子鲸鱼优化的光伏最大功率跟踪系统的框图;
图6是用来实现本公开实施例的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法的基于变种群量子鲸鱼优化的光伏最大功率跟踪设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。还应当理解,本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
本公开提供了一种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,主要目的在于提高收敛速度和功率跟踪精度。
本公开的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应用于光伏发电系统,光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器。其中最大功率点追踪控制器全称为最大功率点跟踪(Maximum Power Point Tracking,MPPT)太阳能控制器。最大功率点追踪控制器可以简称为MPPT控制器。DC-DC转换器即直流-直流电压转换器,DC-DC转换器主要分为升压转换器、降压转换器、升-降压转换器等。为实现方便和运行高效,后续将升压转换器作为本公开的选用DC-DC转换器。
图1示出本公开实施例提供的一种光伏发电系统的结构示意图。图2示出本公开实施例提供的一种光伏阵列的等效电路图。如图1所示,光伏发电系统包括光伏阵列(PV阵列)、光伏电容Cpv、MPPT控制器、DC-DC升压转换器、负载Rload以及辅助连接线等组成。光伏阵列包括多个光伏组件、多个旁路二极管D1和多个阻流二极管D2,MPPT控制器的输入端与光伏阵列连接,MPPT控制器的输出端与DC-DC升压转换器中的脉冲调制波生成电路连接;DC-DC升压转换器包括脉冲调制波生成电路(PWM)、升压电容C、电感L、二极管D3和绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)。IGBT的基极连接脉冲调制波生成电路。旁路二极管用于抑制热斑效应并减少由局部遮挡造成的电力浪费,阻流二极管可有效防止电流回流。IL为电感L的电流,Iload为负载Rload的电流,Vload为负载Rload的电压。
如图1所示,在光伏系统运行过程中,MPPT控制器根据测得的光伏阵列的输出电流Ipv(单位:A)和输出电压Vpv(单位:V),对DC-DC升压转换器的占空比d进行自适应调整后,将占空比d送至PWM生成脉冲调制波,以对DC-DC升压转换器进行控制,即可使得光伏阵列以更大的输出功率输出。
其中,MPPT控制器执行本公开的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,通过对DC-DC升压转换器的占空比的迭代寻优,以得到最优占空比,进而对DC-DC升压转换器进行控制以使光伏阵列以最大输出功率输出,从而实现在多种辐照度情况下均能精确、快速跟踪GMPP(Global maximum power point,全局最大功率点)的效果。
在描述本公开的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法之前,先对光伏系统进行分析,以明确占空比与光伏阵列的最大输出功率(也即最大功率点)的关系。具体如下:
1)对光伏阵列电流-电压(I-V)特性建模。通过图2对光伏电池内部机理的研究,列写电压、电流平衡方程,最终实现整个光伏阵列动态特性的建模。具体地,光伏阵列一般由P×Q个光伏组件串并联而成,并包含与光伏阵列数量一致的旁路二极管D1和P个阻流二极管D2。在本实施例中令P=1、Q=3。如图2所示,以光伏电池为光伏阵列最小的组成单元,每个光伏电池包括并联二极管Dd、串联电阻Rs、并联电阻Rth、负载R和感光元件。感光元件用于基于辐照度G和环境温度T生成光电流Iph,Id为流经并联二极管Dd、Ith为流经并联电阻Rth的电流、Ipva为流经串联电阻Rs的电流(即每个光伏电池的输出电流)、Vpva表示光伏电池的输出电压,则P×Q光伏阵列的I-V特性可表示为:
式中,Ipv表示光伏阵列的输出电流,Vpv表示光伏阵列的输出电压,Iph代表单个光伏电池的光电流;P表示光伏组件的列数;Q表示光伏组件的行数;Rs和Rth分别表示单个光伏电池的串联电阻和并联电阻;I0为反向饱和电流;B为理想因子;VT表示单个光伏电池的并联二极管Dd的二极管热电压;exp表示以自然常数e为底的指数函数;ns表示光伏阵列中每组串连部分(即每列)的光伏电池数量。
单个光伏电池的光电流Iph的计算依赖于标准测试条件下光伏阵列的短路电流ISC和开路电压VOC,标准测试条件的辐照度满足GSTC=1000W/m2,环境温度满足TSTC=25℃时,此时光电流计算公式如下:
其中,ki代表短路电流ISC的温度系数;G和T分别表示实际的辐照度和环境温度,GSTC和TSTC分别表示标准测试条件下的辐照度和环境温度。
反向饱和电流I0的计算则与环境温度相关,反向饱和电流I0满足:
式中,kv代表开路电压VOC的温度系数。
单个光伏电池的并联二极管的二极管热电压VT的表达式如下:
式中,kb代表玻耳兹曼常数,一般取1.38065×10-23J/K;q表示一个电子的电荷,一般取1.60218×10-19C。
光伏阵列的辐照条件一般可分为正常光照、均匀遮挡和局部遮挡三种情况,其中正常光照和均匀遮挡下光伏阵列受到的都是均匀光照,此时在P-V(功率-电压)曲线上只出现单个峰值。而在局部遮挡情况下,由于光照不均匀,光伏阵列的P-V曲线上只出现多个峰值,若MPPT控制器无法实时快速准确地跟踪全局最大功率点(GMPP),将有可能陷入局部最优,极大影响发电效率。
2)DC-DC升压转换器中电感L吸收的能量等于IGBT导通-关断期间释放的能量,故能量守恒关系可以表示为:
UinILton=(Uout-Uin)ILtoff
ton-off=ton+toff (5)
式中,Uin和Uout分别表示IGBT的输入、输出电压;ton和toff分别为IGBT的开启和关断时间;ton-off为IGBT的开启-关断总时间,IL为电感L的电流。
将公式(5)推导转换为含有占空比d的形式,转换后的公式为:
式中,且d∈[0,1]。
由上述分析可得,只要光伏阵列的输出阻抗与电池内阻相匹配,即可通过调节DC-DC升压转换器的占空比使系统功率达到GMPP。在本公开中,MPPT控制器执行本公开实施例的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,通过对DC-DC升压转换器的占空比的迭代寻优,以得到GMPP对应的最优占空比,基于最优占空比控制DC-DC升压转换器,从而使光伏系统在局部遮挡在内的多种辐照情况下,均能保证GMPP跟踪过程的快速性和精确性。
下面结合附图,详细描述本公开的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法。
首先对鲸鱼优化算法和本公开改进的鲸鱼优化算法(即变种群量子鲸鱼优化算法)进行描述。
易于理解地,鲸鱼优化算法(WOA)的产生启发于座头鲸通过气泡网搜索进行捕猎的行为,相比于目前已发展成熟的遗传算法、粒子群算法、蜂群算法等仿生智能算法,WOA原理简单,易于实现,虽然具有一定的搜索和开发能力,但依然无法避免早熟收敛情况的产生,若将其直接用于光伏最大功率跟踪,将难以达到理想的跟踪精度和速度。
因此本公开在原有WOA的优化过程中引入量子编码和自适应种群规模操作以提高算法性能,将所形成的变种群量子鲸鱼优化算法(CQWOA)用于MPPT控制器中对占空比进行优化,其中鲸群中各成员(即鲸群中每个个体)的位置将作为一个候选解,然后通过个体的位置更新和贪婪选择不断优化解向量直到获取搜索空间内的最优解即最优占空比(也称理想占空比)。其中在种群位置初始化过程中引入量子概率幅值编码操作形成种群中个体的初始位置,然后将其转化为一般解空间内的位置向量。经适应度计算后初步确定猎物位置,然后通过收缩包围机制和螺旋收敛机制进行种群中个体的位置更新。进而,计算位置更新后种群的适应度并进行贪婪选择优化当前最优解。为提高搜索效率,避免计算资源的浪费,通过合理的规模缩减和扩张对种群规模进行自适应调整。
具体地,图3示出本公开实施例提供的变种群量子鲸鱼优化算法的流程示意图。如图3所示,变种群量子鲸鱼优化算法的优化过程如下:
1)算法参数及鲸群位置初始化。参数初始化包括设鲸群的初始种群规模为N,搜索维度为D,优化搜索过程中最大迭代次数为M。本实施例根据一般经验,令N=40,D=10,M=20。
量子编码例如是量子概率幅值编码,则引入如下量子概率幅值编码操作形成种群中个体的位置满足:
式中,k=0是Pi(0)为鲸群中第i个个体的初始位置,Pi(k)为第i个个体第k次优化迭代时的向量,rand(0,1)表示0到1间的随机值,/>表示第i个个体第k次优化迭代时在维度j的相位角,Pi(k)为鲸群中第i个个体第k次优化迭代时位置,Pi cos(k)为第i个个体第k次优化迭代时余弦位置向量,Pi sin(k)为第i个个体第k次优化迭代时正弦位置向量。
相对应地,一般解(即候选解)空间内鲸群个体位置可表示为:
式中,分别代表第k次优化迭代时,鲸群中第i个个体在维度j的正弦、余弦位置向量;dmax、dmin分别表示候选解的上下限。
2)适应度计算及猎物位置初步粗略定位。根据实际应用需求构建寻优过程的第k次优化迭代时的适应度函数,并记为f[d(k)],由于种群中每个个体都在不同的维度进行搜索,为便于计算和比较,对适应度进行如下操作:
式中,f[dj cos(k)]为第k次优化迭代时在维度j的适应度余弦分量,f[dj sin(k)]为第k次优化迭代时在维度j的适应度正弦分量,f[dN,j cos(k)]为第k次优化迭代时第N个个体在维度j的适应度余弦分量,f[dN,j sin(k)]为第k次优化迭代时第N个个体在维度j的适应度正弦分量。
然后,通过式(10)从所得适应度中选取最小者进行猎物的初始粗略定位:
式中,fmin[d(k)]为第k次优化迭代时的适应度最小值,f[dD cos(k)]]为第k次优化迭代时在维度D的适应度余弦分量,f[dD sin(k)]为第k次优化迭代时在维度D的适应度正弦分量。
3)鲸群中个体的位置更新。鲸鱼在猎物搜索过程中有两种位置更新机制,即收缩包围更新机制和螺旋收敛更新机制,且两种机制在一个种群中可同时发生,故假设鲸群中任一成员选择上述两种搜索机制的概率各为50%。
在收缩包围更新机制下,鲸鱼位置更新遵循两种模式,而模式的选定则依赖于下式所示的更新系数A(k)的取值:
式中,随着迭代次数k的变化,参数a的值从2到0线性变化,随机值r满足r=rand[0,1]。
当A(k)≥1,从现有种群中随机选取鲸鱼个体,根据其位置向量进行位置更新:
式中,dnew(k)为第k次优化迭代时更新后的位置,drand(k)为第k次优化迭代时随机选取的鲸鱼个体的位置,d(k)为第k次优化迭代时更新前的位置。
当|A(k)|<1,依托种群中的当前最优候选解进行位置更新:
式中,d*为当前最优候选解。
在螺旋收敛更新机制下,采用式(14)实现鲸鱼位置的迭代更新:
dnew(k)=|d*-d(k)|·ebl·cos(2πl)+d* (14)
式中,螺旋线形状取决于对数常数b,随机值l满足l=rand[[-1,1],本实施例中令b=0.1。
综上,鲸群位置更新过程可表示为:
式中,随机值p满足p=rand[0,1]。
4)位置更新后的适应度计算与贪婪选择。为使鲸群的位置更新过程不断趋近于猎物(即最优解)所在位置,需在每次位置更新后通过适应度函数计算种群中个体位置的适应度值并与当前最优解进行贪婪选择,若新计算得到的适应度中有优于当前最优解的值,则用其替代当前最优解,否则,当前最优解保持不变。
5)面向高效搜索的种群规模自适应调整。群智能算法的种群中所含个体数量一般较多,在每一次迭代中遍历每个种群成员往往会在一定程度上造成资源浪费,增加计算复杂度。此时,若能使种群规模根据寻优状态的优劣进行实时自适应调整(即利用自适应种群规模在每次迭代完成时对种群规模进行调整),将有效提高搜索速度,促进计算资源的高效利用。鲸群种群规模的变化主要分为种群规模缩减操作和种群规模扩张操作两种模式:
对于种群规模缩减操作:若算法当前寻优状态良好,则按需减少种群中个体数量,实现种群规模缩减。通过当前最优候选解连续更新的次数T1判断算法寻优状态是否理想。需为T1设置第一阈值H1,当T1≥H1时,表明算法寻优状态良好,可在保证算法搜索和开发性能的基础上,从鲸群中剔除部分适应度较差的成员,假设被剔除的鲸鱼数量为N1,为便于计算,使N1与N成比例关系,即N1=λ1N,λ1为缩减比例系数。本实施例中H1=3,λ1=0.1。当种群中剩余个体数量Nr达到(即小于等于)最小容忍种群规模Nmin时,种群缩减操作停止。为保证种群规模在搜索过程中的多样性,本实施例中Nmin=0.5N。
对于种群规模扩张操作:若算法寻优状态欠佳或有陷入局部最优的可能,将通过精英补充操作进行种群扩张。设当前最优候选解连续未更新的次数为T2,同样为T2设置第二阈值H2,当T2≥H2时,表明算法寻优状态不好或搜索过程可能陷入局部收敛。为改善算法搜索能力,需充分发挥当前最优解中携带的有效信息,通过式(10)构建具有理想适应度的精英个体加入现有种群中,所添加的鲸鱼数量N2依然与N成比例,即N2=λ2N,λ2为扩张比例系数。本实施例中H2=3,λ2=0.05。当种群中个体数量达到初始种群规模N时,种群扩张操作停止。式(16)满足:
式中,di’(k)为第k次优化迭代完成后构建的第i个个体新的位置,di(k)为第k次优化迭代时原有第i个个体的位置,di(k)为第k次优化迭代完成后构建的位置集合。
6)每次迭代后判断是否满足终止条件,若是则终止迭代,输出最优解,若否则返回初始化步骤继续重复上述迭代过程,直到满足终止条件。
为验证本公开所提出变种群量子鲸鱼优化算法的综合性能,在本公开中,还对变种群量子鲸鱼优化算法进行优化性能验证。
优化性能验证包括基准函数测试、非参数统计检验和对比试验。
1)对于基准函数测试:基准函数测试依托由多个复杂函数组成的测试函数库,通过函数类别、求解维度、迭代次数等的自由选择,对优化算法的收敛速度和搜索精度进行验证。在本公开实施例的测试中,分别从基准函数库的不同类别中各挑选出2~3个具有代表性的测试函数,然后以30和100为搜索维度进行优化求解,并通过多次实验取平均值、最大值、最小值等方式消除测试过程中不确定性的影响。最后统计求解时间和精度等性能指标进行分析论证。
具体地:以CEC 2014基准函数库作为算法测试平台,该函数库包含4类共30种基准函数,每一类函数中的成员均表现出相似的特性。本实施例从CEC 2014的4类基准函数中分别选取2个进行所提出优化算法的性能测试,最终选定的测试函数详情见表1。
表1基准函数测试中所选函数情况统计表
表中:Fi *代表第i种基准函数Fi(1,2,…,30)在[-100,100]Dim内的最优解;Dim为基准函数的维度。本实施例中令Dim=50用以验证所提出算法在处理高维度复杂优化问题的优良性能。
为保证测试过程中得到一般性结果,每次测试重复20次,记录优化求解过程所用时间To,并定义如下性能指标以定量表示所提出算法在复杂函数优化方面的有效性。性能指标包括均值Mean和标准差SD,分别满足:
式中,Nre为每次测试重复的次数,本实施例中取Nre=20;Fi j表示第i种基准函数经过第j次测试后的优化结果。
2)对于非参数统计检验:非参数统计能在样本总体分布未知的情况下,检验某个变量或参数的分布在不同组别中是否具有相同的特性。因此,可利用该原理检验各性能指标在不同对比算法下的取值情况,凸显所设计的变种群量子鲸鱼优化算法在寻优精度和速度等方面的优越性。例如考虑到本实施例中样本数量≥2,因此采用适用于多样本齐一性分析的Friedman检验(弗里德曼检验)完成所提出算法在对比实验中的性能检验(具体结果见对比实验)。Friedman检验可通过记录性能指标的取值排序、统计量和概率p值凸显多种算法间的性能差异。
3)对于对比试验:考虑到目前已有多种发展成熟且应用性能良好的智能优化算法,如差分进化(Differential Evolution,DE)算法、遗传算法(Genetic Algorithm,GA)、粒子群优化(Particle Swarm Optimization,PSO)算法、灰狼优化(Grey WolfOptimization,GWO)算法等。对于任一新提出的群智能优化算法,与现有算法的性能对比对肯定其效果与优势等方面意义重大。因此,需选取经典优化算法中的典例进行性能对比实验,突出所提出变种群量子鲸鱼优化算法的可行性和有效性。
本实施例选用差分进化(Differential Evolution,DE)算法、遗传算法(GeneticAlgorithm,GA)、粒子群优化(Particle Swarm Optimization,PSO)算法、灰狼优化(GreyWolf Optimization,GWO)算法和经典WOA算法进行对比测试。分别对上述算法进行基准函数测试和非参数统计检验,并得到如下性能指标统计结果。
表2基准函数测试中各对比算法的性能指标统计结果表
表2中分别列写了不同对比算法在基准函数测试中,每20次重复实验得到的平均结果Mean、方差SD和优化求解时间To,由此可得,本公开提出的变种群量子鲸鱼优化算法(CQWOA)在所选的8个基准函数的优化中几乎各项性能指标均为最优,表现出优越的搜索速度和精度,进而验证了所提优化算法在复杂高维度函数求解中的可行性和有效性。
相应地,Friedman检验的结果见表3:
表3Friedman检验结果表
表3中排序结果表明,在Friedman检验中本公开所提CQWOA各项性能指标均排名第一,在对比算法中脱颖而出。此外,表中所有的p值均远小于置信水平α=0.01,由此表明,CQWOA性能与其余对比算法不具有一致性或相似性,故本公开的CQWOA的性能明显优于DE、GA、PSO、GWO和WOA。
为使变种群量子鲸鱼优化算法真正服务于光伏最大功率跟踪过程,本公开的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法将上述变种群量子鲸鱼优化算法应用在MPPT控制器中以实现GMPP的实时、快速、精准跟踪。
针对上述的变种群量子鲸鱼优化算法,本公开的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法具体内容如下:
在第一个实施例中,图4示出本公开实施例提供的一种基于变种群量子鲸鱼优化的光伏最大功率跟踪方法的流程示意图。如图4所示,该基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,包括:
步骤S11,获取光伏阵列的输出电压和输出电流,最大功率点追踪控制器基于输出电压和输出电流计算获得光伏阵列的输出功率。
在步骤S11中,利用最大功率点追踪控制器实时获取光伏阵列的输出电压Vpv和输出电流Ipv,基于输出电压和输出电流计算获得光伏阵列的输出功率Ppv。
步骤S12,最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解。
在步骤S12中,MPPT控制器利用上述描述的变种群量子鲸鱼优化算法对DC-DC升压转换器的占空比d进行优化以获得最优占空比,使光伏发电系统的电流和电压达到最为匹配的取值,从而实现GMPP的实时、快速、精准跟踪。
具体地,MPPT控制器利用上述描述的变种群量子鲸鱼优化算法的优化过程对占空比d进行优化,其中,设鲸群中每个个体的位置为一个占空比候选解。猎物所在位置即为占空比的最优解d*。由于占空比的取值介于0-1之间,因此种群位置向量的上下界分别为dmin=0、dmax=1。
另外,由于MPPT控制器的目标为找到并跟踪光伏系统的最大功率点,故将变种群量子鲸鱼优化算法的适应度函数f[d(k)]设置为光伏阵列的输出功率Ppv,基于步骤S11可知。输出功率的计算依托于光伏阵列的输出电流和电压,故令f[d(k)]=Ppv=Ipv×Vpv。然后,通过不断的迭代优化,直到获取占空比的最优解d*,此时占空比的最优解d*对应的适应值为最大输出功率。
在步骤S12中,量子编码为量子概率幅值编码,利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,包括:在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置。具体内容可以参见上述变种群量子鲸鱼优化算法的相关描述,此处不再赘述。
在步骤S12中,利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,还包括:在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。其中,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,包括:判断当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;判断当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。另外,在进行种群规模缩减前先判断当前次迭代的种群规模是否小于等于最小容忍种群规模,若是则停止种群规模缩减,若否则进行种群规模缩减。在进行种群规模扩张前先判断当前次迭代的种群规模是否大于等于初始种群规模,若是则停止种群规模扩张,若否则进行种群规模扩张。具体内容可以参见上述变种群量子鲸鱼优化算法的相关描述,此处不再赘述。
步骤S13,最大功率点追踪控制器基于最优占空比控制DC-DC转换器,以实现对光伏阵列的最大输出功率的实时控制。
在步骤S13中,最大功率点追踪控制器将占空比的最优解d*送至DC-DC转换器中对DC-DC转换器进行控制,以实现对光伏阵列的最大输出功率的实时控制。由此,最大功率点追踪控制器即MPPT控制器具有实时精确跟踪能力。
在本公开的实施例中,为评估基于变种群量子鲸鱼优化的光伏最大功率跟踪方法在光伏系统多种辐照度下的可行性、有效性以及优良性能,还基于数值仿真和统计分析对本公开的方法进行验证。
1)首先确定光伏系统即光伏阵列和DC-DC升压转换器的参数。具体取值如表4。
表4光伏系统的组件参数表
表中:Pmax代表单个光伏电池的最大功率;Vmp和Imp分别是最大功率Pmax对应的电压和电流;Cpv和C分别代表升压转换器的光伏电容和升压电容;L为电感;Rload是负载;fs代表频率。另外还需要确定光伏阵列中光伏电池的串并联个数P和Q。为使实验设计更为丰富,所得结果更有说服力,本实施例中令P=1、Q=3。
考虑到光伏阵列常见的辐照情况,本实施例将仿真实验分为两种类型,第一种为均匀辐照度,其中包含标准条件和均匀遮挡两种设定;另一种为局部遮挡情况。由于环境温度对光伏阵列的功率输出影响较小,因此,从实验设计的严谨性和仿真结果的公正性出发,在实施例整个仿真过程中,将光伏阵列的环境温度保持在25℃不变,辐照度情况如下表所示:
表5仿真过程中光伏系统3种不同的辐照度情况表
由于本实施例所用光伏阵列由1×3组件构成,因此在表5中将3个组件分别标记为光伏组件1、光伏组件2和光伏组件3,通过不同光伏组件辐照度的差异区分辐照度情况。
2)为突出本公开的MPPT控制器与融合了经典优化算法的MPPT控制器相比的显著优势,分别引入PSO算法、GWO算法和WOA算法优化下的方法进行对比。
3)在本实施例的3种不同类型的阳光辐照度情况下,分别通过上述对比方法和本公开的方法进行光伏系统升压转换器占空比d的优化,并绘制仿真结果图,直观判断和分析不同算法优化下的占空比变化趋势和光伏系统输出功率变化。
4)为了从数值统计结果明确表示算法的性能,记录每种算法在GMPP跟踪过程中的收敛时间tc,并且通过下式计算相应的跟踪精度η:
式中,PGMPP表示光伏阵列在选定辐照度下的理论最大输出功率,即GMPP。
在下表6中列写对比实验中各方法的收敛时间和跟踪精度,通过数值统计对比验证本公开所提方法在实时、快速、精确跟踪GMPP方面的优良性能。
表6不同辐照度情况下各算法GMPP跟踪性能指标统计结果
由表6结果可得,本公开的基于CQWOA的方法在跟踪精度和速度上均具有明显优势,跟踪效果理想。
在本公开实施例的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法中,应用于光伏发电系统,光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,光伏最大功率跟踪包括:获取光伏阵列的输出电压和输出电流,最大功率点追踪控制器基于输出电压和输出电流计算获得光伏阵列的输出功率;最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解;最大功率点追踪控制器基于最优占空比控制DC-DC转换器,以实现对光伏阵列的最大输出功率的实时控制。在这种情况下,最大功率点追踪控制器令适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解,采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,最大功率点追踪控制器在最优占空比下控制DC-DC转换器能够使光伏阵列达到最大输出功率,从而提高了功率跟踪精度。另外,利用自适应种群规模和量子编码对鲸鱼优化算法进行改进,有效地节省了计算资源,提高了优化过程的收敛速度。
本公开旨在降低阳光辐照度、物体/阴影遮挡面积等外界环境因素变化对光伏发电系统控制优化的不利影响,提高光伏系统在均匀和非均匀光照等不同条件下的发电效率和安全、稳定运行能力,从而提供一种融合高性能智能优化算法的光伏最大功率跟踪方法。本公开的方法立足于我国能源结构转型背景下光伏系统的最大功率跟踪需求,借助群智能优化算法在处理复杂优化问题上的优越性,构建了包含变种群量子鲸鱼优化算法设计与性能验证、基于变种群量子鲸鱼优化的光伏最大功率跟踪控制器设计与有效性验证的光伏系统最大功率跟踪控制策略,为积极响应我国“3060”战略规划提供了有效举措。本公开所提出的变种群量子鲸鱼优化算法在原有优化算法的基础上可有效节省计算资源,提高优化过程的参数收敛速度,该算法不仅在复杂函数优化上具有显著的有效性,在光伏最大功率跟踪等实际工程应用中也表现出巨大潜力,对提高功率跟踪精度和速度具有一定的理论和实践意义。另外本公开涵盖变种群量子鲸鱼优化算法的构思推导、性能验证与其在光伏MPPT设计中应用测试的完整流程,该过程对任一新型智能优化算法的提出与应用探索均具有借鉴价值,表现出良好的可移植性。
另外,在本公开中,不仅将自适应种群规模和量子编码的思想引入鲸鱼优化算法中形成变种群量子鲸鱼优化算法;还通过基准函数测试与非参数检验等方法验证所设计优化算法的性能,包括搜索速度、寻优精度等;另外分析光伏系统最大功率跟踪控制原理,将所提出的变种群量子鲸鱼算法用于优化MPPT控制器中DC–DC转换器的占空比;最后还依托仿真平台搭建光伏系统,通过对比实验和仿真测试验证本发明所提方法在最大功率跟踪方面的可行性和有效性。本公开所提方法以能源结构转型为驱动,使光伏系统的最大功率跟踪过程适应于外界环境的变化和不确定性扰动的影响,将有效推动光伏发电的高效、节能、经济发展。
下述为本公开系统实施例,可以用于执行本公开方法实施例。对于本公开系统实施例中未披露的细节,请参照本公开方法实施例。
图5示出本公开实施例提供的一直基于变种群量子鲸鱼优化的光伏最大功率跟踪系统的框图。该基于变种群量子鲸鱼优化的光伏最大功率跟踪系统可以通过软件、硬件或者两者的结合实现成为系统的全部或一部分。该基于变种群量子鲸鱼优化的光伏最大功率跟踪系统应用于光伏发电系统,光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,最大功率点追踪控制器包括光伏最大功率跟踪系统。
如图5所示,该基于变种群量子鲸鱼优化的光伏最大功率跟踪系统10包括获取模块11和优化控制模块12,其中:
获取模块11,用于获取光伏阵列的输出电压和输出电流,基于输出电压和输出电流计算获得光伏阵列的输出功率;
优化控制模块12,用于采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解;基于最优占空比控制DC-DC转换器,以实现对光伏阵列的最大输出功率的实时控制。
可选地,量子编码为量子概率幅值编码。
可选地,优化控制模块12,具体用于:在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置;在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。
可选地,优化控制模块12,具体用于:判断当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;判断当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。
可选地,优化控制模块12,具体用于:在进行种群规模缩减前先判断当前次迭代的种群规模是否小于等于最小容忍种群规模,若是则停止种群规模缩减,若否则进行种群规模缩减;在进行种群规模扩张前先判断当前次迭代的种群规模是否大于等于初始种群规模,若是则停止种群规模扩张,若否则进行种群规模扩张。
要说明的是,上述实施例提供的基于变种群量子鲸鱼优化的光伏最大功率跟踪系统在执行基于变种群量子鲸鱼优化的光伏最大功率跟踪方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于变种群量子鲸鱼优化的光伏最大功率跟踪设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于变种群量子鲸鱼优化的光伏最大功率跟踪系统与基于变种群量子鲸鱼优化的光伏最大功率跟踪方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在本公开实施例的基于变种群量子鲸鱼优化的光伏最大功率跟踪系统中,获取模块用于获取光伏阵列的输出电压和输出电流,基于输出电压和输出电流计算获得光伏阵列的输出功率;优化控制模块用于采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解;基于最优占空比控制DC-DC转换器,以实现对光伏阵列的最大输出功率的实时控制。在这种情况下,令适应度函数为输出功率,鲸群中每个个体的位置为一个占空比候选解,采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得变种群量子鲸鱼优化算法,最大功率点追踪控制器在最优占空比下控制DC-DC转换器能够使光伏阵列达到最大输出功率,从而提高了功率跟踪精度。另外,利用自适应种群规模和量子编码对鲸鱼优化算法进行改进,有效地节省了计算资源,提高了优化过程的收敛速度。
根据本公开的实施例,本公开还提供了一种基于变种群量子鲸鱼优化的光伏最大功率跟踪设备、一种可读存储介质和一种计算机程序产品。
图6是用来实现本公开实施例的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法的基于变种群量子鲸鱼优化的光伏最大功率跟踪设备的框图。基于变种群量子鲸鱼优化的光伏最大功率跟踪设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。基于变种群量子鲸鱼优化的光伏最大功率跟踪设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴电子设备和其它类似的计算装置。本公开所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例,并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图6所示,基于变种群量子鲸鱼优化的光伏最大功率跟踪设备20包括计算单元21,其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM 23中,还可存储基于变种群量子鲸鱼优化的光伏最大功率跟踪设备20操作所需的各种程序和数据。计算单元21、ROM 22以及RAM 23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
基于变种群量子鲸鱼优化的光伏最大功率跟踪设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等,存储单元28与计算单元21通信连接;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许基于变种群量子鲸鱼优化的光伏最大功率跟踪设备20通过诸如因特网的计算机网络和/或各种电信网络与其他基于变种群量子鲸鱼优化的光伏最大功率跟踪设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理,例如执行基于变种群量子鲸鱼优化的光伏最大功率跟踪方法。例如,在一些实施例中,基于变种群量子鲸鱼优化的光伏最大功率跟踪方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到基于变种群量子鲸鱼优化的光伏最大功率跟踪设备20上。当计算机程序加载到RAM 23并由计算单元21执行时,可以执行上述描述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法的一个或多个步骤。备选地,在其他实施例中,计算单元21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于变种群量子鲸鱼优化的光伏最大功率跟踪方法。
本公开中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑电子设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或基于变种群量子鲸鱼优化的光伏最大功率跟踪设备使用或与指令执行系统、装置或基于变种群量子鲸鱼优化的光伏最大功率跟踪设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或电子设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储电子设备、磁储存电子设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,应用于光伏发电系统,所述光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,所述光伏最大功率跟踪方法包括:
获取所述光伏阵列的输出电压和输出电流,所述最大功率点追踪控制器基于所述输出电压和输出电流计算获得所述光伏阵列的输出功率;
所述最大功率点追踪控制器采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,适应度函数为所述输出功率,鲸群中每个个体的位置为一个占空比候选解;
所述最大功率点追踪控制器基于所述最优占空比控制所述DC-DC转换器,以实现对所述光伏阵列的最大输出功率的实时控制。
2.如权利要求1所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,所述量子编码为量子概率幅值编码,所述利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,包括:
在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置。
3.如权利要求2所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,所述利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,还包括:
在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。
4.如权利要求3所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,所述基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,包括:
判断所述当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;
判断所述当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。
5.如权利要求3所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,在进行种群规模缩减前先判断当前次迭代的种群规模是否小于等于最小容忍种群规模,若是则停止种群规模缩减,若否则进行种群规模缩减。
6.如权利要求3所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法,其特征在于,在进行种群规模扩张前先判断当前次迭代的种群规模是否大于等于初始种群规模,若是则停止种群规模扩张,若否则进行种群规模扩张。
7.一种基于变种群量子鲸鱼优化的光伏最大功率跟踪系统,其特征在于,应用于光伏发电系统,所述光伏发电系统包括光伏阵列、最大功率点追踪控制器和DC-DC转换器,所述最大功率点追踪控制器包括所述光伏最大功率跟踪系统,所述光伏最大功率跟踪系统包括:
获取模块,用于获取所述光伏阵列的输出电压和输出电流,基于所述输出电压和输出电流计算获得所述光伏阵列的输出功率;
优化控制模块,用于采用变种群量子鲸鱼优化算法获得最优占空比,其中利用自适应种群规模和量子编码优化鲸鱼优化算法获得所述变种群量子鲸鱼优化算法,适应度函数为所述输出功率,鲸群中每个个体的位置为一个占空比候选解;基于所述最优占空比控制所述DC-DC转换器,以实现对所述光伏阵列的最大输出功率的实时控制。
8.如权利要求7所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪系统,其特征在于,所述量子编码为量子概率幅值编码,所述优化控制模块,具体用于:
在鲸鱼优化算法的初始化步骤中,利用量子概率幅值编码计算鲸群中各个体的初始位置;
在每次迭代完成时,基于当前最优候选解连续更新的次数或当前最优候选解连续未更新的次数判断算法寻优状态是否良好,若良好则进行种群规模缩减,否则进行种群规模扩张,基于缩减或扩张后的新的种群规模进行下一次迭代。
9.如权利要求8所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪系统,其特征在于,所述优化控制模块,具体用于:
判断所述当前最优候选解连续更新的次数是否大于等于第一阈值,若是,则算法寻优状态良好;
判断所述当前最优候选解连续未更新的次数是否大于等于第二阈值,若是,则算法寻优状态不好或陷入局部最优。
10.一种基于变种群量子鲸鱼优化的光伏最大功率跟踪设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的基于变种群量子鲸鱼优化的光伏最大功率跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651484.5A CN116540832A (zh) | 2023-06-02 | 2023-06-02 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651484.5A CN116540832A (zh) | 2023-06-02 | 2023-06-02 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116540832A true CN116540832A (zh) | 2023-08-04 |
Family
ID=87452474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310651484.5A Pending CN116540832A (zh) | 2023-06-02 | 2023-06-02 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540832A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117134468A (zh) * | 2023-10-25 | 2023-11-28 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
CN118336887A (zh) * | 2024-06-17 | 2024-07-12 | 国网浙江省电力有限公司杭州市钱塘区供电公司 | 一种应急抢修电源的补电方法及系统 |
CN118426535A (zh) * | 2024-07-03 | 2024-08-02 | 国网天津市电力公司宁河供电分公司 | 光伏发电系统最大功率点追踪方法、系统及设备 |
-
2023
- 2023-06-02 CN CN202310651484.5A patent/CN116540832A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117134468A (zh) * | 2023-10-25 | 2023-11-28 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
CN117134468B (zh) * | 2023-10-25 | 2024-02-13 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
CN118336887A (zh) * | 2024-06-17 | 2024-07-12 | 国网浙江省电力有限公司杭州市钱塘区供电公司 | 一种应急抢修电源的补电方法及系统 |
CN118426535A (zh) * | 2024-07-03 | 2024-08-02 | 国网天津市电力公司宁河供电分公司 | 光伏发电系统最大功率点追踪方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Liu et al. | Global maximum power point tracking algorithm for PV systems operating under partially shaded conditions using the segmentation search method | |
CN108365822B (zh) | 光伏电池在不同光照温度条件下工作特性的预测方法及系统 | |
Liu et al. | Global MPPT algorithm with coordinated control of PSO and INC for rooftop PV array | |
Kumar et al. | Global maximum power point tracking using variable sampling time and pv curve region shifting technique along with incremental conductance for partially shaded photovoltaic systems | |
Zafar et al. | Towards green energy for sustainable development: Machine learning based MPPT approach for thermoelectric generator | |
Huang et al. | A novel spline model guided maximum power point tracking method for photovoltaic systems | |
CN112149264A (zh) | 一种基于改进哈里斯鹰优化算法的主动配电网规划方法 | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
CN107562992A (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
Chauhan et al. | An improved MVO assisted global MPPT algorithm for partially shaded PV system | |
Li et al. | Reference-voltage-line-aided power incremental algorithm for photovoltaic GMPPT and partial shading detection | |
Dou et al. | Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis | |
Bai et al. | Investigation on photovoltaic array modeling and the MPPT control method under partial shading conditions | |
Tchouani Njomo et al. | Nonlinear neuro-adaptive control for MPPT applied to photovoltaic systems | |
Kumar et al. | Design and analysis of nonlinear controller for a standalone photovoltaic system using Lyapunov stability theory | |
TWI669590B (zh) | Maximum power tracking method for solar power generation system | |
Jagadeshwar et al. | A novel adaptive model predictive control scheme with incremental conductance for extracting maximum power from a solar panel | |
TWI653521B (zh) | A maximum power tracking algorithm | |
Badoud et al. | Modeling, simulation and hardware implementation of a bond graph-maximum power point tracker for a photovoltaic panel under partially shaded conditions | |
CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
Aripriharta et al. | Comparison of queen honey bee colony migration with various MPPTs on photovoltaic system under shaded conditions | |
TW201916578A (zh) | 一種採用最佳化歸屬函數論域值之太陽能電池最大功率追蹤方法 | |
CN114398762A (zh) | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 | |
Mendhe et al. | An effective hybrid approach based control for the MPPT of PV system under partial shading condition for indoor energy harvesting in smart homes |
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 |