基于改进布谷鸟算法的光伏MPPT控制方法及系统技术方案

本发明专利技术涉及一种基于改进布谷鸟算法的光伏MPPT控制方法及系统，包括：获取光伏阵列的输出电流和电压；将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。本发明专利技术对光伏阵列进行最大功率点寻优，能够有效减小系统趋于稳定时的功率震荡问题，且能够较好避免算法陷入局部最优，提高MPPT的跟踪速度和精度。提高MPPT的跟踪速度和精度。提高MPPT的跟踪速度和精度。

【技术实现步骤摘要】
基于改进布谷鸟算法的光伏MPPT控制方法及系统


[0001]本专利技术属于光伏发电技术控制策略领域，具体涉及一种基于改进布谷鸟算法的光伏MPPT控制方法及系统。

技术介绍

[0002]为了缓解传统能源消耗引起的环境污染，加快能源结构转型，构建以光伏发电为主体的新能源发电体系。目前光伏发电技术逐渐成熟，但在不同环境的实际应用中仍存在发电效率不高等问题。为了提高光伏发电效率，有效的解决手段是提升光伏系统最大功率点追踪(MPPT)控制算法的性能。
[0003]目前，传统MPPT算法一般较简单，实现也较容易，例如：恒定电压法、扰动观察法和电导增量法等，但是适用场合局限，在局部阴影情况下P
‑
U特性曲线呈现不同的多个峰值，传统算法会因为陷入局部最大功率点(LMPP)而失效，导致大量功率损失。针对多峰值问题，研究学者们提出了一些生物启发式算法，如粒子群算法、灰狼算法、人工蜂群算法、蚁群算法等，都已被应用于多峰值寻优的MPPT中。因为群智能优化算法在处理阴影条件下追踪全局最大功率点(GMPP)有很好的效果，研究人员对这类算法开展了针对性的改进和创新性的探索。布谷鸟搜索(CS)算法是剑桥大学Yang教授通过模拟自然界当中布谷鸟的繁衍习性，提出的一种元启发式算法，将布谷鸟的繁衍习性和莱维飞行相结合，相比于其它群智能算法具有更良好的寻优性能。由于布谷鸟算法在莱维搜索过程中随机性较大，鸟窝之间缺乏交流能力，导致算法收敛速度慢，寻优精度低，可能出现早熟现象，使算法陷入LMPP，需要加以改进。

技术实现思路
<br/>[0004]本专利技术的目的在于，为了减小局部阴影情况下光伏系统的功率失配损失，提高光伏最大功率点追踪的追踪速度和准确性，并针对布谷鸟算法因鸟窝之间缺乏交流能力导致可能陷入局部最优的问题，提供了一种基于改进布谷鸟算法的光伏MPPT控制方法及系统，与其他算法相比，在收敛速度、追踪精度以及动态稳定三个方面有很大的提升。
[0005]为了实现上述目的，本专利技术有如下的技术方案：
[0006]一种基于改进布谷鸟算法的光伏MPPT控制方法，包括：
[0007]获取光伏阵列的输出电流和电压；
[0008]将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；
[0009]将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。
[0010]作为本专利技术的进一步改进，所述改进的布谷鸟算法，设置发现概率P
a
按非线性递
减的趋势变化，表达式为：式中，t为当前的迭代次数，从1开始，T为最大迭代次数；
[0011]对步长因子进行了自适应的改进，α0表达式为：式中，t为当前的迭代次数，T为最大迭代次数，a和b是两个位置常数且满足a&lt;b&lt;1，满足不同迭代次数步长因子变化的趋势相同；
[0012]在寻优过程引入高斯扰动做微小扰动更好地跳出局部极值区域，帮助个体脱离当前局部最优，位置更新表达式为：其中，N(0,1)服从标准高斯分布，为扰动后的鸟窝位置；
[0013]设X
i
＝(x
i1
,x
i2
,...,x
iD
)是D维空间普通个体，其对应的适应度极值则为精英个体则精英个体的反向解定义为：其中，随机数k服从[0,1]区间的均匀分布，用于生成多个不同的反向精英解。
[0014]作为本专利技术的进一步改进，所述将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比，包括:
[0015](1)设置算法初始参数：种群规模N、维度D、边界值大小L、最大迭代次数T；
[0016](2)确定目标函数，计算当前鸟窝的适应度值；更新鸟窝位置和适应度值，采用自适应步长因子更新鸟窝位置，表达式为：
[0017][0018]式中为在第t次迭代时第i个鸟窝所在的位置，x
best
为当前鸟窝的最佳位置，β＝1.5，μ和ν均服从均匀分布，即ν～N(0,1)；
[0019](3)设置发现概率P
a
按非线性递减的趋势变化，改进的P
a
表达式为：
[0020][0021]式中，t为当前的迭代次数，从1开始，T为最大迭代次数；在莱维飞行的迭代过程中，还需要将将宿主的发现概率P
a
与服从[0,1]均匀分布的随机数R进行比较，若P
a
&gt;R，则需要对位置进行更新：
[0022][0023]将所有迭代过程中最优的鸟窝保留，位置记为
[0024](4)将当前鸟窝按精英鸟窝和普通鸟窝按比例进行分类；对普通鸟窝加入高斯扰动的位置更新表达式为：
[0025][0026]其中，N(0,1)服从标准高斯分布，为扰动后的鸟窝位置；对普通鸟窝引入高斯扰动，增加算法中鸟窝种群多样性；
[0027](5)将精英个体与反向学习结合得精英反向解，设X
i
＝(x
i1
,x
i2
,...,x
iD
)是D维空间普通个体，其对应的适应度极值则为精英个体则精英个体的反向解定义如下式：
[0028][0029]其中，随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解；
[0030]在算法搜索过程中，边界条件会将超出范围的解的适应度定为边界值，若种群数过大，固定边界的处理导致出现过多适应度为边界值的解，限制算法的收敛，[da
j
,db
j
]是第j维搜索区间上动态边界的最小值和最大值，计算方式如下：
[0031]da
j
＝min(x
ij
)，db
j
＝max(x
ij
)
[0032]其中，da
j
和db
j
的值随搜索区域的变化而变化，对于跳出边界的精英反向解，按照下式对其进行更新：
[0033][0034]其中，rand(a
j
,b
j
)是区间[a
j
,b
j
]上的随机数；将精英个体经过反向学习策略后的解与原精英个体对比，通过适度值的比较来选择更优的个体，确认出最后的精英集合解与原精英个体对比，通过适度值的比较来选择更优的个体，确认出最后的精英集合
[0035]式中，j∈{1,2,...,D}；
[0036](6)保留当前最优鸟窝位置；若算法满足最大迭代次数，结束搜索过程，输出全局最优值，否则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于，包括：获取光伏阵列的输出电流和电压；将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比；所述改进布谷鸟算法模块是：将布谷鸟算法中固定的发现概率用非线性函数代替，将步长因子自适应化，引入高斯扰动和精英反向学习策略，增加种群多样性形成的改进布谷鸟算法；初始化参数，将鸟窝位置和质量对应为光伏系统的占空比和功率；将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。2.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述改进的布谷鸟算法，设置发现概率P
a
按非线性递减的趋势变化，表达式为：式中，t为当前的迭代次数，从1开始，T为最大迭代次数；对步长因子进行了自适应的改进，α0表达式为：式中，t为当前的迭代次数，T为最大迭代次数，a和b是两个位置常数且满足a&lt;b&lt;1，满足不同迭代次数步长因子变化的趋势相同；在寻优过程引入高斯扰动做微小扰动更好地跳出局部极值区域，帮助个体脱离当前局部最优，位置更新表达式为：其中，N(0,1)服从标准高斯分布，为扰动后的鸟窝位置；设X
i
＝(x
i1
,x
i2
,...,x
iD
)是D维空间普通个体，其对应的适应度极值则为精英个体则精英个体的反向解定义为：其中，随机数k服从[0,1]区间的均匀分布，用于生成多个不同的反向精英解。3.根据权利要求1所述基于改进布谷鸟算法的光伏MPPT控制方法，其特征在于：所述将所述光伏阵列的输出电流和电压输入改进布谷鸟算法模块，输出控制Boost升压变换器的占空比，包括:(1)设置算法初始参数：种群规模N、维度D、边界值大小L、最大迭代次数T；(2)确定目标函数，计算当前鸟窝的适应度值；更新鸟窝位置和适应度值，采用自适应步长因子更新鸟窝位置，表达式为：式中为在第t次迭代时第i个鸟窝所在的位置，x
best
为当前鸟窝的最佳位置，β＝1.5，μ
和ν均服从均匀分布，即ν～N(0,1)；(3)设置发现概率P
a
按非线性递减的趋势变化，改进的P
a
表达式为：式中，t为当前的迭代次数，从1开始，T为最大迭代次数；在莱维飞行的迭代过程中，还需要将将宿主的发现概率P
a
与服从[0,1]均匀分布的随机数R进行比较，若P
a
&gt;R，则需要对位置进行更新：将所有迭代过程中最优的鸟窝保留，位置记为(4)将当前鸟窝按精英鸟窝和普通鸟窝按比例进行分类；对普通鸟窝加入高斯扰动的位置更新表达式为：其中，N(0,1)服从标准高斯分布，为扰动后的鸟窝位置；对普通鸟窝引入高斯扰动，增加算法中鸟窝种群多样性；(5)将精英个体与反向学习结合得精英反向解，设X
i
＝(x
i1
,x
i2
,...,x
iD
)是D维空间普通个体，其对应的适应度极值则为精英个体则精英个体的反向解定义如下式：其中，随机数k服从[0,1]区间的均匀分布，可用于生成多个不同的反向精英解；在算法搜索过程中，边界条件会将超出范围的解的适应度定为边界值，若种群数过大，固定边界的处理导致出现过多适应度为边界值的解，限制...

【专利技术属性】
技术研发人员：叶剑军，白小元，曹亮，要鹏飞，高江琦，樊婷，康鹏，应捷，马彦琴，
申请(专利权)人：中国电力工程顾问集团西北电力设计院有限公司，
类型：发明
国别省市：