基于改进粒子群优化的能源系统最大功率跟踪控制方法技术方案

本发明专利技术涉及一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，以粒子即为每个参数值，解即为对应的功率值。其次，粒子群算法中粒子的下一个位置是根据三个基本系数更新的，即当前最优解、全局最优解和当前解，相比于精确性较高的HGSO算法，粒子群算法并未考虑最差解和种群解，可见，基于粒子群算法的MPPT控制方法性能基于经典PSO算法的MPPT控制技术并未考虑PRO系统的最差功率值和所有参数值的功率的影响，有一定的发展潜力。所提出的算法通过引入了上述两个关键量，同时改进了PSO算法的探测过程和开发过程，提高了算法的收敛速度和全局搜索能力，大大提高了求解质量，比原来的算法更加有效，提高了基于BPSO算法的实时追踪及精确性。踪及精确性。踪及精确性。

【技术实现步骤摘要】
基于改进粒子群优化的能源系统最大功率跟踪控制方法


[0001]本专利技术属于PRO系统的最大功率跟踪控制算法，涉及一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，是基于改进粒子群优化的针对压力延迟渗透能源系统的最大功率跟踪控制方法。

技术介绍

[0002]最大功率跟踪控制(MPPT)的传统方法是考虑了动态变化的增量质量阻力方法以及扰动和观测的方法,但是这两种方法都会经过一定的振荡和响应时间才能达到平衡，因而会产生较大的功率损失。关于动态可再生能源压力反渗透模型(PRO)的最大功率密度跟踪控制已发表的研究工作有限，为了提高PRO系统的实时性，使系统能在变化的环境条件下进行实时调整，当前的研究更加关注对MPPT控制算法的开发和改进。在工程上，元启发式算法对控制方法的优化有独特优势，尤其是在处理未知空间中计算量大且复杂的导数问题时，优化算法能够有效避免经典MPPT算法局部最优和稳态振荡问题。基于反馈控制的实时控制方法并没有充分考虑到PRO系统复杂的动态运行环境。对复杂动态系统而言，通过解析解来实现最大功率点追踪较为困难，而工程实践已经证明，利用元启发式算法可以使系统在不同的运行环境中以稳定、快速、有效的方式获得最大功率。在工程中常有应用的元启发算法包括粒子群算法(PSO)、灰狼优化算法(GWO)、蜻蜓算法(DA)、鲸鱼优化算法(WOA)、蝗虫优化方法(GOA)、亨利气体溶解度优化(HGSO)，其中HGSO通过考虑当前解、当前最优解、全局最优解、种群解和最差解这几个关键参数来对个体进行优化，其优化效果好，是当前最精确的元启发式算法。但是HGSO算法具有一定的复杂性，计算时间长，计算效率较低，难以满足PRO系统的实时性要求。PSO算法则仅考虑当前解、当前最优解和全局最优解，通过速度和位置两个矢量来对个体优化，容易实现，计算速度快，能满足系统的实时性要求。但是，经典的PSO算法忽略了系统的种群解，因此其精确性往往较差。

技术实现思路

[0003]要解决的技术问题
[0004]为了避免现有技术的不足之处，本专利技术提出一种基于改进粒子群优化的能源系统最大功率跟踪控制方法。本专利技术对粒子群算法进行改造。通过结合其他策略的优点，即同时考虑种群解和最差解的影响，来提高算法的性能进而使MPPT控制方法在PRO系统的应用中获得更好的动态性能。引入最差解这一关键参数可以提高算法的运行速度，而引入种群解可以提高算法的精确性。
[0005]技术方案
[0006]一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，其特征在于步骤如下：
[0007]步骤1：初始化能源系统的参数包括进入系统的溶液流量和压力，并给参数赋初值W
p,0
＝0，其中k和i分别为迭代次数和每一个参数值；
index，AFI)、平均CPU时间(average CPU time，ACT)来评价所提出的BPSO，并充分考虑PRO系统的溶液流速、浓度以及温度变化的影响，设计了两种变化条件的场景实验，验证了该算法对MPPT控制方法有着良好的应用效果。
附图说明
[0029]图1：本专利技术改进PSO算法流程
[0030]图2：实施例中变化温度场景
[0031]图3：实施例中变化盐度场景(a)溶液浓度变化(b)溶液流量变化
具体实施方式
[0032]现结合实施例、附图对本专利技术作进一步描述：
[0033]粒子群优化算法与其他的元启发式算法有所不同。首先，粒子群算法中包括两个关键向量，即每个粒子的速度和位置向量(在这里，粒子即为每个参数值，解即为对应的功率值)，而在其他元启发式算法中只考虑一个系数位置。其次，粒子群算法中粒子的下一个位置是根据三个基本系数更新的，即当前最优解、全局最优解和当前解，相比于精确性较高的HGSO算法，粒子群算法并未考虑最差解和种群解，可见，基于粒子群算法的MPPT控制方法性能仍有提升空间。
[0034]针对于PRO系统，传统的PSO方法中，计算出差的功率会被保留并不断参数值，随着参数的更新，这些差值往往是不会变成最优值的，但却占用了系统计算最高功率的计算时间，使计算的效率下降。因此，在PRO中针对传统PSO方法面临的问题将采用以下方法来解决。改进PSO方法流程如图1所示：
[0035](1)初始化能源系统的参数包括进入系统的溶液流量和压力，并给参数赋初值W
p,0
＝0，其中k和i分别为迭代次数和每一个参数值；
[0036](2)计算下输入参数值得到的功率W
p,i
，若优于当前最优功率，则将W
p,i
的值赋给当前的最优功率，并与系统最高功率比较，若优于系统最高功率则更新系统目前最高功率。
[0037]W
p,i
＝ΔP
i
ΔV
f,i
ꢀꢀꢀ
(1)
[0038]其中，ΔP
i
是施加给液体的压力，即反渗透压力；ΔV
f,i
是渗透的水的体积流量。
[0039]若当前PRO功率W
p,i
优于系统当前最优功率即W
p,i
>W
i,best
，则将W
p,i
的值赋给当前的最优功率；
[0040]若当前PRO功率W
p,i
优于系统最高功率即W
p,i
>W
g,best
，则将W
p,i
的值赋给系统目前最高功率；
[0041]若当前PRO功率W
p,i
小于系统最低功率即W
p,i
<W
l,best
，则将W
p,i
的值赋给系统目前系统最低功率；
[0042](3)替换最差功率值。在BPSO中引入问题边界内的随机功率值来替换最差功率值，目的是增加算法的探测阶段以强化全局搜索能力，提高算法的精确性。可将其表述为：
[0043]Δp
worst
(k)＝rand(1,d)
×
(ub
d
‑
lb
d
)+lb
d
ꢀꢀꢀ
(2)
[0044]其中，d为参数值的维数即个数，ub
d
为参数的上边界，lb
d
为参数的下边界。
[0045](4)更新参数值及计算速度。增加算法的开发阶段，可以使算法在搜索过程中更好地利用局部信息来生成更好的解，减少算法的收敛时间，最终提高粒子群算法的计算效率。
可通过改进参数速度更新策略来实现该目标：
[0046][0047]其中，w是一个等于1的惯性权重参数，c1和c2是常数，分别等于1.5和2，r1和r2表示区间(0,1)中的归一化随机值，g
best
表示全局最优位置，v
i
和Δp
i
...

【技术保护点】

【技术特征摘要】
1.一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，其特征在于步骤如下：步骤1：初始化能源系统的参数包括进入系统的溶液流量和压力，并给参数赋初值W
p,0
＝0，其中k和i分别为迭代次数和每一个参数值；步骤2：计算每次输入参数值得到当前PRO功率W
p,i
＝ΔP
i
ΔV
f,i
：其中，ΔP
i
是施加给液体的压力，即反渗透压力；ΔV
f,i
是渗透的水的体积流量；若当前PRO功率W
p,i
优于系统当前最优功率即W
p,i
>W
i,best
，则将W
p,i
的值赋给当前的最优功率；若当前PRO功率W
p,i
优于系统最高功率即W
p,i
>W
g,best
，则将W
p,i
的值赋给系统目前最高功率；若当前PRO功率W
p,i
小于系统最低功率即W
p,i
<W
l,best
，则将W
p,i
的值赋给系统目前系统最低功率；步骤3：以BPSO中引入问题边界内的随机功率值来替换最差功率值为：Δp
worst
(k)＝...

【专利技术属性】
技术研发人员：陈映雪，陈华涛，缑林峰，冯冠翔，杜航，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：