【技术实现步骤摘要】
一种时变阴影情况下光伏阵列的最大功率点跟踪方法
本专利技术涉及一种最大功率点跟踪方法，具体是一种时变阴影情况下光伏阵列的最大功率点跟踪方法，属于光伏发电系统最大功率点跟踪
技术介绍
由于露天放置的光伏阵列常常受到移动的云层的遮挡，光伏阵列不同位置接收光照的强度不一致，形成局部阴影。局部阴影会导致光伏阵列出现多个峰值点，在这些峰值点中，只有一个峰值点为光伏阵列的实际最大功率点，其他的峰值点均为局部最大功率点。很多对于光伏阵列最大功率点的跟踪方法中对于局部阴影的设定大多为静态阴影，而在实际中，光伏阵列出现局部阴影的原因大多是受到云层的遮蔽，其中飘过的云朵随时间的变化而变化，是实时移动的，即时变阴影。目前使用的诸如扰动观察法，电导增量法，等效阻抗匹配法等来跟踪最大功率点，但是这些传统的优化算法在局部阴影条件下很难追踪到全局最大功率点；智能优化算法在这方面具有很强的优势，相比较人工神经网络算法、蚁群算法等智能优化算法，粒子群算法的收敛速度更快、简单容易实现，但它存在早熟和容易陷入局部最优的问题。
【技术保护点】
1.一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，包括以下步骤：/n步骤一：初始化粒子群，使各个粒子均匀的分布在光伏阵列可能存在的局部极值点；/n步骤二：评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子P_
【技术特征摘要】
1.一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，包括以下步骤：
步骤一：初始化粒子群，使各个粒子均匀的分布在光伏阵列可能存在的局部极值点；
步骤二：评价粒子群，评价每个粒子x的适应度f(x)，从中选择搜索性粒子P_Search、探索性粒子P_Explore；
步骤三：计算适应度值方差σ2的值，判断是否符合收敛情况，如果粒子的适应度方差则判断粒子群算法陷入早熟收敛，此时选择探索性粒子P_Explore进行全局搜索，否则直接转步骤二；
步骤四：对每个粒子，用它的适应度f(x)值和个体最优值pbest比较，如果每个粒子的适应度f(x)值优于个体最优值pbest，则适应度f(x)值进行替换个体最优值pbest；用它的适应度f(x)值和全局最优值gbest比较，如果每个粒子的适应度f(x)值优于全局最优值gbest，则适应度f(x)值进行替换全局最优值gbest；
步骤五：根据公式(1)、(2)更新粒子的最新位置与最新速度；
式中：为此刻第i个粒子的速度；
为下一时刻第i个粒子的速度；
为此刻第i个粒子的位置；
为下一时刻的位置；
pbest,i为第i个粒子的个体最好的位置；
gbest为所有粒子所有历史位置中的适应度最好的位置；
w为粒子的惯性权重；
c1、c2为学习因子；
r1、r2为[0,1]之间相互独立的随机概率值；
步骤六：判断迭代终止条件是否满足下述条件，其一是种群粒子之间位置比较靠近，可以认为粒子群已经搜索到最优值；其二是迭代次数达到最大迭代次数，若满足上述一种情况，则转步骤七，否则转步骤二；
步骤七：在算法寻优过程中，当外界情况发生明显变化时，这时粒子的适应度f(x)值也将发生变化，当适应度值变化率Kp达到一定的程度，需要重启算法，使系统能够找到新的最优值，即新的最大功率点，判断算法重启条件是否满足，若满足，转步骤二，系统重启，若不满足，则输出最优值，并结束算法。
2.根据权利要求1所述的一种时变阴影情况下光伏阵列的最大功率点跟踪方法，其特征在于，步骤一初始化粒子群后，当光伏阵列功率-电压输出特性曲线呈现多个局部极值点时，各个极值点处的电压差约为0.8×Usoc×n，对于m×n的阵列，最多有n个可能的极值点，选择n个粒子，第1个粒子的位置选为U1＝0.8×Usoc，第2个粒子位置选为U2＝0.8×2×Usoc，之后的粒子以此类推，第n个粒子位置选为Un＝0.8×n×Usoc；这样各粒子的初始位置均匀的分布在[0,Uoc]之间，而且各个粒子都靠近阵列极值点。
3.根据权利要求1或2所述的一种时变阴影情况下...
【专利技术属性】
技术研发人员：周天沛，孙伟，
申请(专利权)人：徐州工业职业技术学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。