基于DE-GWO算法的光伏最大功率点跟踪方法技术

基于DE

Photovoltaic maximum power point tracking method based on de-gwo algorithm

【技术实现步骤摘要】
基于DE
‑
GWO算法的光伏最大功率点跟踪方法


[0001]本专利技术涉及光伏系统最大功率点跟踪MPPT
，具体涉及一种基于DE
‑
GWO算法的光伏最大功率点跟踪方法。

技术介绍

[0002]可再生能源是解决化石燃料资源减少和环境问题的关键，太阳能作为一种新的可再生能源，具有可持续性、分布广和低碳等特点。光伏电池的伏安特性方程由多式联立，电流
‑
电压(I
‑
V)和功率
‑
电压(P
‑
V)特性曲线呈非线性特征。在均匀辐照条件下，I
‑
V和P
‑
V特性曲线存在一个最大功率点(MPP)，MPP会随着环境的变化而变化。实际中，由于天气或其他因素的影响，如：云层、尘土或相邻建筑的遮影等，光伏组件接收的辐照度不再均匀。这种不均匀的辐照度，光伏阵列输出的I
‑
U、P
‑
U特性曲线会呈现多峰情况，包含一个全局最大功率点和多个局部最大功率点。文献表明，在光伏系统中连接一个最大功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于包括以下步骤：步骤1：搭建光伏发电系统仿真模型；步骤2：对于DE算法，缩放因子F采用自适应取值；对于GWO算法，改进参数向量A；步骤3：构建基于DE算法和GWO算法的混合算法；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3构建的混合算法在不同的遮影条件下的跟踪性能，分析混合算法的跟踪效率。2.根据权利要求1所述基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于：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、DC
‑
DC升压变换器、负载、MPPT算法模块；设置的负载为阻性负载。3.根据权利要求1所述基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤2中，对于标准的差分进化DE算法，缩放因子F由固定的取值变为自适应取值，缩放因子F计算式为：式中，t
max
是最大迭代次数；F
max
和F
min
是最大和最小的缩放因子，t是当前迭代次数。4.根据权利要求1所述基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤2中，对于标准的灰狼优化GWO算法，参数向量A是影响算法的搜索能力的重要参数，当|A|>1时，算法倾向全局搜索，|A|<1,算法倾向局部搜索；参数向量A的值取决于a；改进参数向量A，增强GWO算法的开发能力，采用自然指数衰减法，计算式为：b是衰减系数、t是当前迭代数、
ε
是衰减因子。5.根据权利要求1所述基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤3中，将DE算法和GWO算法通过更替反哺操作构建DE
‑
GWO算法，将DE
‑
GWO算法应用S
‑
Function函数编写为MPPT模块，该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DC
‑
DC升压变换器的占空比，将占空比作为个体的位置，占空比在DC
‑
DC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。6.根据权利要求1所述基于DE
‑
GWO算法的光伏最大功率点跟踪方法，其特征在于：DE
‑
GWO算法的具体步骤如下：S3.1、DE
‑
GWO算法候选解的初始化：DE算法种群的初始化表达式为：式中，DE代表附属层个体；是附属层中群体的初始值；i是主层狼群的序号，i＝(1,2,3,
…
,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,
…
,N)；t是当前迭代数；例如：是附属层第一组中第一个个体的初始值；GWO算法种群的初始化表达式为：
式中，GWO代表主层灰狼；i是代表主层灰狼的序号，i＝(1,2,3,
…
,M)；是主层中狼群的初始值；t是当前迭代数；更新每头灰狼的位置；每头灰狼在迭代后都需要与以历史位置进行比较，使得每头灰狼能够一直保证个体最优；在光伏发电系统仿真模型中利用测量模块，测量光伏阵列的输出电流和输出电压，得到当前占空比的光伏阵列在当前时刻的输出功率，在光伏发电系统仿真模型中利用模块量输出电压V和输出电流I的信号，计算式为：P＝IV；光伏阵列的输出功率作为适应值函数fit(
·
)的判断；S3.2、基于DE
‑
GWO算法占空比的全局搜索：附属群体利用DE算法寻找全局最优位置，首先对附属群体进行变异操作，表达式为：式中，DE代表附属层个体；i是主层狼群的序号，i＝(1,2,3,
…
,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,
…
,N)；t是当前迭代次数；是附属层第i组附属群体中第j个变异个体，是附属层中的最优解；F是缩放因子，r1、r2、r3和r4是附属层群体矩阵中随机坐标值，t是当前迭代次数；在应用到MPPT模块中时，不考虑交叉操作，变异的粒子进行一对一的选择，计算式为：式中，DE代表附属层个体；t是当前迭代次数；i是主层狼群的序号，i＝(1,2,3,
…
,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,
…
,N)；是附属层第i组附属群体中第j个变异个体；是附属层第i组附属群体中第j个个体；是对应的光伏系统功率，作为算法的适应值；是对应的光伏系统功率，作为算法的适应值；缩放因子的取值策略为自适应收缩，能够根据DE
‑
GWO算法的迭代次数，自适应地调整缩放因子的取值，由下式表示；式中，t
max
是最大迭代次数；t是当前迭代次数；F是缩放因子的取值；F
max

【专利技术属性】
技术研发人员：缪书唯，杨永康，蒋晨，李书璇，周海涛，熊昊然，
申请(专利权)人：三峡大学，
类型：发明
国别省市：