应用于多峰MPPT的整体分布-粒子群优化算法制造技术

本发明专利技术公开了一种应用于多峰MPPT的整体分布‑粒子群优化算法，在PSO算法上，添加了OD算法的步骤，通过OD进一步缩小最大功率点所在的范围，再通过PSO算法进行进一步迭代，最终收敛到最大功率点。本发明专利技术具有如下优点：通过整体分布(OD)算法将粒子分布在最大功率点附近，再利用PSO算法进行精确跟踪，使得该算法不依赖于初始粒子的位置，从而不需要依赖于光伏阵列过多的信息，就可以达到较好的跟踪效果和较快的跟踪速度。

【技术实现步骤摘要】

本专利技术涉及光伏发电领域，具体涉及一种应用于多峰MPPT的整体分布-粒子群优化算法。
技术介绍
太阳能应用的蓬勃发展中，由于光伏电池存在能量转换率低、输出功率呈非线性等特点，提高其输出功率已成为该领域主要研究问题之一。最大功率跟踪技术(MPPT)是提高光伏发电效率的一种有效方法。在光伏发电系统中，通常将光伏电池串并联来提高功率。但是为避免热斑效应，一般会在光伏电池两端反并联二极管。而旁路二极管的存在也使得光伏阵列在局部阴影情况(PSC)下，导致光伏阵列的P-U特性曲线呈现多峰特性。传统MPPT算法如扰动观察法，增量电导法等，在光照一致的情况下可以准确的跟踪到最大功率点。但是，当光伏阵列在PSC下，传统MPPT算法由于无法识别局部峰值点和全局峰值点，当跟踪到某个局部峰值点时而停止继续跟踪，从而错过最大功率点，造成功率的损失。
技术实现思路
本专利技术旨在至少解决上述技术问题之一。为此，本专利技术的一个目的在于提出一种应用于多峰MPPT的整体分布-粒
子群优化算法。为了实现上述目的，本专利技术的实施例公开了应用于多峰MPPT的整体分布-粒子群优化算法，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；S2：计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率lbest，将当前种群中的最大功率lbest与之前种群中得到的最大功率gbest进行比较，如果当前种群中的最大功率lbest>之前种群中得到的最大功率gbest，令gbest＝lbest，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，如果当前种群中的最大功率lbest<之前种群中得到的最大功率gbest，则gbest保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；S3：判断迭代次数是否满足终止条件，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；S4：计算最新种群中的每个粒子的适应度值；S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置Pbest和全局极值的位置Gbest；S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置Pbest和全局极值的位置Gbest更新每个粒子的位置和速度，同时迭代次数加1；S7：判断更新后的每个粒子的位置、速度或迭代次数是否满足预设条件，如果满足所述预设条件，则输出最优粒子的位置，如果不满足所述预设条件，则返回步骤S4。根据本专利技术实施例的应用于多峰MPPT的整体分布-粒子群优化算法，对局部阴影遮挡条件下的光伏阵列，首先利用整体分布算法对最大功率点的位置进行初步定位，缩小粒子的搜索空间，再采用粒子群算法准确跟踪到最大功率
点。通过PSIM与MATLAB的联合仿真表明，整体分布-粒子群优化算法能够在多峰情况下快速准确的跟踪到最大功率点。另外，根据本专利技术上述实施例的应用于多峰MPPT的整体分布-粒子群优化算法，还可以具有如下附加的技术特征：进一步地，该算法根据迭代次数来进行不同的粒子群更新机制，当迭代次数j<j1max时，按照整体分布算法更新种群，当j>j1max时，以整体分布算法最终产生的种群作为粒子群算法的初始种群，按照粒子群算法更新种群，公式如下：其中，为以0为坐标原点产生的符合柯西分布的数，r1为(0，1)之间的所述第一随机数，mppt_gbest为最优粒子所在的位置，为第i个粒子第j次迭代的位置；表示第i个粒子第j次迭代的速度矢量，表示第i个粒子第j次迭代的位置矢量，c1和c2是加速常量分别用于调节向全局最好粒子和个体最好粒子方向飞行，r2和r3为(0，1)之间的所述第二随机数和所述第三随机数。本专利技术的附加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，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术一个实施例的应用于多峰MPPT的整体分布-粒子群优化算法的流程图；图2是本专利技术一个实施例的光伏电池等效电路图；图3是本专利技术一个实施例的基于buck电路的MPPT拓扑图；图4是图3中3*3光伏阵列的模型图；图5(a)-(e)分别是第一组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图；图6(a)-(e)分别是第二组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图；图7(a)-(e)分别是第三组动态光照下分别使用OD-PSO和PSO进行MPPT时功率P的跟踪对比图。具体实施方式下面详细描述本专利技术的实施例，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，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。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。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。以下结合附图描述根据本专利技术实施例的应用于多峰MPPT的整体分布-粒子群优化算法。请参考图1，一种应用于多峰MPPT的整体分布-粒子群优化算法，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b。S2：采样光伏阵列的输出电压VPV，以及输出电流IPV，通过P＝VPV*IPV计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率lbest。将当前种群中的最大功率lbest与之前种群中得到的最大功率gbest进行比较，如果当前种群中的最大功率lbest>之前种群中得到的最大功率gbest，令gbest＝lbest，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1；如果当前种群中的最大功率lbest<之本文档来自技高网...

【技术保护点】
一种应用于多峰MPPT的整体分布‑粒子群优化算法，其特征在于，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；S2：计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率lbest，将当前种群中的最大功率lbest与之前种群中得到的最大功率gbest进行比较，如果当前种群中的最大功率lbest>之前种群中得到的最大功率gbest，令gbest＝lbest，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，如果当前种群中的最大功率lbest<之前种群中得到的最大功率gbest，则gbest保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；S3：判断迭代次数是否满足j1max，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；S4：计算最新种群中的每个粒子的适应度值；S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置Pbest和全局极值的位置Gbest；S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置Pbest和全局极值的位置Gbest更新每个粒子的位置和速度，同时迭代次数加1；S7：判断更新后的每个粒子的位置、速度或者迭代次数是否满足预设条件，如果满足所述预设条件，则输出最优粒子的位置，如果不满足所述预设条件，则返回步骤S4。S8：监测阴影情况和光照强度，如果阴影情况和/或光照强度变化值大于预设功率变化率时，重启算法返回步骤S1。根据以下公式判断是否返回步骤S1：|P-Pm|Pm>ϵ]]>其中，ε为功率变化率，P为功率，Pm为跟踪到的最大功率。...

【技术特征摘要】
1.一种应用于多峰MPPT的整体分布-粒子群优化算法，其特征在于，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；S2：计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率lbest，将当前种群中的最大功率lbest与之前种群中得到的最大功率gbest进行比较，如果当前种群中的最大功率lbest>之前种群中得到的最大功率gbest，令gbest＝lbest，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，如果当前种群中的最大功率lbest<之前种群中得到的最大功率gbest，则gbest保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；S3：判断迭代次数是否满足j1max，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；S4：计算最新种群中的每个粒子的适应度值；S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置Pbest和全局极值的位置Gbest；S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置Pbest和全局极值的位置Gbest更新每个粒子的位置和速度，同时迭代次数
\t加1；S7：判断更新后的每个粒子的位置、速度或者迭代次数是否满足预设...

【专利技术属性】
技术研发人员：李虹，杨铎，杨志昌，吕金虎，张波，郑琼林，郝瑞祥，孙湖，杨中平，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11