System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于光伏新能源技术改进领域,尤其涉及基于多启发式算法优化光伏电导增量法的mppt方法及系统。
技术介绍
1、目前,光伏电导增量法是一种常见的光伏电池最大功率点跟踪(mppt)方法,其原理是通过测量电流和电压,计算电导(di/dv),并据此调整操作点以实现最大功率输出。然而,该方法存在一些不足之处,主要体现在以下几个方面:
2、1.灵敏度问题:光伏电导增量法对光照条件的微小变化非常敏感。即便是轻微的光照波动也可能导致系统频繁地重新搜索最大功率点,从而引入了系统的复杂性和不稳定性。
3、2.温度依赖性:温度变化对光伏电池性能具有显著影响,但光伏电导增量法通常忽略了温度因素,这可能导致在高温或低温环境下,最大功率点跟踪效率下降,使系统性能不稳定。
4、3.振荡和收敛速度:在光照条件变化快速的情况下,光伏电导增量法容易引发系统在最大功率点周围的振荡行为,且需要相对较长的时间来收敛到最大功率点,降低了系统的效率。
5、4.局部极值问题:光伏电导增量法容易受困于局部极值,难以找到全局最大功率点,从而限制了系统的性能表现。
技术实现思路
1、本专利技术的目的在于提供一种基于多启发式算法优化光伏电导增量法的mppt方法及系统,旨在解决现有技术中灵敏度低、温度和振荡造成的效率低、受困局部极值的技术问题。
2、本专利技术是这样实现的,基于多启发式算法优化光伏电导增量法的mppt方法,所述基于多启发式算法优化光伏电导增量法的mppt方
3、s1、系统在每个控制周期开始需要初始化遗传算法和模拟退火算法的参数和有效数据;
4、s2、在每个控制周期内同时执行遗传算法(ga)和模拟退火算法(sa);
5、s3、在每个控制周期结束集成遗传算法(ga)和模拟退火算法(sa)的结果获取电压调整策略;
6、s4、将获取的电压调整策略应用于下一个控制周期跟踪最大功率点;
7、s5、判断跟踪的最大功率点是否为最大迭代次数,若是,则执行最后一次获取的电压调整策略,若否,则返回步骤s2。
8、本专利技术的进一步技术方案是:初始化遗传算法的参数中通过适应度函数评估随机生成的每个个体性能,适应度函数= k1 * δp + k2 * δv - k3 * α - k4 * i,其中,δp是当前功率增量;δv 是当前电压增量;α 是电压步长调整系数;i 是当前电流;k1、k2、k3和 k4 是权重系数。
9、本专利技术的进一步技术方案是:评估每个个体性能包括以下步骤:
10、s111、对每个个体计算电流值和电压值;
11、s112、使用适应度函数计算个体性能的适应度值;
12、s113、根据适应度值对个体进行排序确定哪些个体更适合在遗传算法中进行交叉和变异操作;
13、s114、根据适应度值选择最适合的个体形成下一代种群。
14、本专利技术的进一步技术方案是:初始化模拟退火算法的参数中通过能量函数衡量当前状态的质量,能量函数= k1 * δp - k2 * δv + k3 * α + k4 * i,其中,δp为最大化功率增量,δv为最小化电压增量,α为最小化电压步长调整系数, k1、k2、k3 和 k4 为权重系数。
15、本专利技术的进一步技术方案是:模拟退火算法在每次迭代中生成一个新的电压步长策略计算能量,根据metropolis 准则或玻尔兹曼分布决定是否接受新策略,模拟退火算法在设定条件下停止且返回一个经过优化的电压步长调整策略获得更高光伏电池功率输出。
16、本专利技术的进一步技术方案是:所述步骤s2中执行遗传算法包括以下步骤:
17、s211、根据初始化遗传算法的参数选择部分个体构建新一代种群;
18、s212、将选中的个体健兴交叉操作生产新的个体;
19、s213、对新生成的个体执行变异操作引入随机性;
20、s214、通过适应度函数计算每个个体的适应度值;
21、s215、根据适应度值选择下一代种群中的个体;
22、s216、重复步骤s211-s215直到达到停止条件。
23、本专利技术的进一步技术方案是:所述步骤s2中执行模拟退火算法包括以下步骤
24、s221、在当前状态随机生成一个新的电压调整策略;
25、s222、通过能量函数计算新状态的能量值;
26、s223、计算当前状态与新状态的能量差δe;
27、s224、根据δe和当前温度t决定是否接受新状态,若δe为负,则接受新状态,若为正,则根据预设概率接受它;
28、s225、通过降低温度t逐渐降低接受更差状态的概率;
29、s226、重复步骤s221-s226直至达到停止条件。
30、本专利技术的进一步技术方案是:所述步骤s3中还包括以下步骤:
31、s31、根据执行遗传算法和模拟退火算法的结果获得v_ga和v_sa电压调整策略;
32、s32、使用加权平均或投票机制集成两个策略获得最终的电压调整策略。
33、本专利技术的另一目的在于提供一种基于多启发式算法优化光伏电导增量法的mppt系统,所述基于多启发式算法优化光伏电导增量法的mppt系统包括
34、初始化模块,用于系统在每个控制周期开始需要初始化遗传算法和模拟退火算法的参数和有效数据;
35、执行模块,用于在每个控制周期内同时执行遗传算法(ga)和模拟退火算法(sa);
36、获取模块,用于在每个控制周期结束集成遗传算法(ga)和模拟退火算法(sa)的结果获取电压调整策略;
37、应用模块,用于将获取的电压调整策略应用于下一个控制周期跟踪最大功率点;
38、判断模块,用于判断跟踪的最大功率点是否为最大迭代次数,若是,则执行最后一次获取的电压调整策略,若否,则返回执行模块。
39、本专利技术的进一步技术方案是:在初始化模块中初始化遗传算法的参数中通过适应度函数评估随机生成的每个个体性能,适应度函数= k1 * δp + k2 * δv - k3 * α -k4 * i,其中,δp 是当前功率增量;δv 是当前电压增量;α 是电压步长调整系数;i 是当前电流;k1、k2、k3 和 k4 是权重系数;
40、评估每个个体性能包括
41、计算单元,用于对每个个体计算电流值和电压值;
42、个体性能计算单元,用于使用适应度函数计算个体性能的适应度值;
43、操作单元,用于根据适应度值对个体进行排序确定哪些个体更适合在遗传算法中进行交叉和变异操作;
44、选择单元,用于根据适应度值选择最适合的个体形成下一代种群;
45、在初始化模块中初始化模拟退火算法的参数中通过能量函数衡量当前状态的质量,能量函数= 本文档来自技高网...
【技术保护点】
1.基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,所述基于多启发式算法优化光伏电导增量法的MPPT方法包括以下步骤:
2.根据权利要求1所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,初始化遗传算法的参数中通过适应度函数评估随机生成的每个个体性能,适应度函数= k1 * ΔP + k2 * ΔV - k3 * α - k4 * I,其中,ΔP 是当前功率增量;ΔV 是当前电压增量;α 是电压步长调整系数;I 是当前电流;k1、k2、k3 和 k4 是权重系数。
3.根据权利要求2所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,评估每个个体性能包括以下步骤:
4.根据权利要求3所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,初始化模拟退火算法的参数中通过能量函数衡量当前状态的质量,能量函数= k1 *ΔP - k2 * ΔV + k3 * α + k4 * I,其中,ΔP为最大化功率增量,ΔV为最小化电压增量,α为最小化电压步长调整系数, k1、k2、k3 和 k4 为权
5.根据权利要求4所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,模拟退火算法在每次迭代中生成一个新的电压步长策略计算能量,根据Metropolis准则或玻尔兹曼分布决定是否接受新策略,模拟退火算法在设定条件下停止且返回一个经过优化的电压步长调整策略获得更高光伏电池功率输出。
6.根据权利要求1-5任一项所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,所述步骤S2中执行遗传算法包括以下步骤:
7.根据权利要求6所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,所述步骤S2中执行模拟退火算法包括以下步骤
8.根据权利要求7所述的基于多启发式算法优化光伏电导增量法的MPPT方法,其特征在于,所述步骤S3中还包括以下步骤:
9.基于多启发式算法优化光伏电导增量法的MPPT系统,其特征在于,所述基于多启发式算法优化光伏电导增量法的MPPT系统包括
10.根据权利要求9所述的基于多启发式算法优化光伏电导增量法的MPPT系统,其特征在于,在初始化模块中初始化遗传算法的参数中通过适应度函数评估随机生成的每个个体性能,适应度函数= k1 * ΔP + k2 * ΔV - k3 * α - k4 * I,其中,ΔP是当前功率增量;ΔV是当前电压增量;α是电压步长调整系数;I是当前电流;k1、k2、k3和 k4是权重系数;
...【技术特征摘要】
1.基于多启发式算法优化光伏电导增量法的mppt方法,其特征在于,所述基于多启发式算法优化光伏电导增量法的mppt方法包括以下步骤:
2.根据权利要求1所述的基于多启发式算法优化光伏电导增量法的mppt方法,其特征在于,初始化遗传算法的参数中通过适应度函数评估随机生成的每个个体性能,适应度函数= k1 * δp + k2 * δv - k3 * α - k4 * i,其中,δp 是当前功率增量;δv 是当前电压增量;α 是电压步长调整系数;i 是当前电流;k1、k2、k3 和 k4 是权重系数。
3.根据权利要求2所述的基于多启发式算法优化光伏电导增量法的mppt方法,其特征在于,评估每个个体性能包括以下步骤:
4.根据权利要求3所述的基于多启发式算法优化光伏电导增量法的mppt方法,其特征在于,初始化模拟退火算法的参数中通过能量函数衡量当前状态的质量,能量函数= k1 *δp - k2 * δv + k3 * α + k4 * i,其中,δp为最大化功率增量,δv为最小化电压增量,α为最小化电压步长调整系数, k1、k2、k3 和 k4 为权重系数。
5.根据权利要求4所述的基于多启发式算法优化光伏电导增量法的mppt方法,其特征在于,模拟退火算法在每次迭代中生...
【专利技术属性】
技术研发人员:刘炜,刘兵斌,黄山,
申请(专利权)人:广州疆海科技有限公司,
类型:发明
国别省市:
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。