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】
本专利技术涉及光伏阵列发电,具体涉及一种动态阴影下光伏阵列mppt控制方法。
技术介绍
1、近年来,太阳能光伏发电产业得到了快速的发展,光伏电池可以将太阳能转化为电能从而对外输出功率,由于光伏电池输出p-u特性受外界温度和光照等工作条件影响为非线性关系,所以光伏电池输出功率与输出电压之间的关系也为非线性关系,因此需要采用最大功率点跟踪技术控制光伏电池阵列的输出电压,使其工作在最大功率点处。
2、目前,传统的mppt(maximum power point tracking,最大功率点跟踪太阳能控制器)控制方法比较简单,也易于实现,例如恒定电压法、扰动观察法和电导增量法等,但是对于光伏阵列最大功率点的追踪速度和追踪精度不高,且输出功率会有很大的振荡,尤其是在局部阴影下的多峰值最大功率点追踪,效果非常不好,造成了光伏阵列输出功率的浪费,于是有学者提出基于智能算法的光伏mppt技术,极大改善了光伏阵列的功率输出,但现有智能算法易出现过早收敛、收敛精度低、收敛速度慢、陷入局部最优等问题,尤其在动态阴影下光伏阵列mppt控制方面,传统智能算法效果也不太理想。
3、因此亟待提出一种动态阴影下可以实现最大功率点高精度快速追踪的光伏阵列mppt控制方法。
技术实现思路
1、有鉴于此,有必要提供一种动态阴影下光伏阵列mppt控制方法,解决了光伏阵列系统在动态阴影下难以追踪最大功率点的技术问题。
2、为了实现上述目的,一方面,本专利技术提供了一种动态阴影下光伏阵列m
3、基于灰狼改进算法对当前灰狼位置进行更新,得到灰狼更新位置;
4、将所述灰狼更新位置作为粒子群改进算法的粒子初始位置,并基于所述粒子初始位置确定粒子群优化位置;
5、获取光伏阵列的功率参数,并根据所述功率参数和所述粒子群优化位置计算粒子适应度;
6、在所述粒子适应度满足预设的终止条件时停止寻优并基于所述粒子群优化位置对应的功率计算对应的脉冲占空比;
7、根据所述脉冲占空比对所述升压电路进行控制,使所述升压电路保持最大功率平稳输出。
8、可选的,所述基于灰狼改进算法对当前灰狼位置进行更新,得到灰狼更新位置之前,还包括:
9、采用改进型cubic混沌映射模型初始化灰狼种群、所述灰狼改进算法的灰狼参数和粒子群改进算法的粒子群参数。
10、可选的,所述改进型cubic混沌映射模型的映射函数为:
11、
12、其中,xn为第n个灰狼的初始值,ρ为控制参数。
13、可选的,所述灰狼参数包括系数向量和非线性收敛因子所述灰狼改进算法的位置更新公式为:
14、
15、式中的t是当前的迭代次数,和分别是猎物的位置向量和灰狼的位置向量,为个体与猎物之间的距离,所述系数向量的计算公式为:
16、
17、其中,是[0,1]之间的随机向量。
18、可选的,所述非线性收敛因子的计算公式为:
19、
20、其中,m为最大迭代次数,t为当前迭代次数。
21、可选的,所述粒子群参数包括非线性的惯性权重ω、非线性的第一学习因子c1和非线性第二学习因子c2,且所述惯性权重ω、所述第一学习因子c1和所述第二学习因子c2的计算公式为:
22、
23、
24、其中ωmax为惯性权重的最大值,ωmin为惯性权重的最小值,c1max为第一学习因子的最大值,c1min为第一学习因子的最小值,c2max为第二学习因子的最大值,c2min为第二学习因子的最小值,k为当前迭代数对应的迭代系数,n为最大迭代数对应的系数。
25、可选的,所述灰狼改进算法模型的位置更新公式中引入了基于欧式步长距离的比例权重。
26、可选的,所述将所述灰狼更新位置作为粒子群改进算法的粒子初始位置,并基于所述粒子初始位置确定粒子群优化位置,包括:
27、将所述灰狼更新位置作为所述粒子群改进算法的粒子初始位置代入所述粒子群改进算法的粒子群速度更新公式中进行计算,得到粒子群更新速度;
28、根据所述粒子群更新速度和所述粒子群改进算法的粒子群位移更新公式进行计算,得到所述粒子群最优位置。
29、可选的,所述在所述粒子适应度满足预设的终止条件时获取所述粒子群改进算法输出的最优功率点,并基于所述最优功率点计算对应的脉冲占空比之后,还包括:
30、在所述当前的迭代次数大于等于预设的最大迭代次数时停止寻优并基于所述粒子群优化位置对应的功率计算对应的脉冲占空比。
31、可选的,所述根据所述脉冲占空比对所述升压电路进行控制,使所述升压电路保持最大功率平稳输出之后,还包括:
32、获取所述光伏阵列的最新功率参数,并根据所述脉冲占空比和所述最新功率参数进行计算,得到功率偏差值;
33、在所述功率偏差值大于预设偏差阈值时重新启动算法追踪最大功率点;
34、在所述功率偏差值小于等于所述预设偏差阈值时,保持所述脉冲占空比不变。
35、本专利技术的有益效果是:本专利技术提供了一种动态阴影下光伏阵列mppt控制方法,应用于光伏阵列系统,该光伏阵列系统包括光伏阵列、升压电路和算法控制模块,该方法基于灰狼改进算法对当前灰狼位置进行更新,得到灰狼更新位置,将灰狼更新位置作为粒子群改进算法的粒子初始位置,并基于粒子初始位置确定粒子群优化位置,获取光伏阵列的功率参数,并根据功率参数和粒子群优化位置计算粒子适应度,在粒子适应度满足预设的终止条件时停止寻优并基于粒子群优化位置对应的功率计算对应的脉冲占空比,根据脉冲占空比对升压电路进行控制,使升压电路保持最大功率平稳输出。本专利技术通过将灰狼改进算法中的灰狼更新位置引入粒子群改进算法,既保留了粒子群算法原本的个体经验和最优粒子引导,又引入了灰狼算法的精英群体引导策略和包围式搜索策略,提高了最大功率点的追踪精度和全局性。
本文档来自技高网...【技术保护点】
1.一种动态阴影下光伏阵列MPPT控制方法,其特征在于,所述方法应用于光伏阵列系统,所述光伏阵列系统包括光伏阵列、升压电路和算法控制模块,所述方法包括:
2.根据权利要求1所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述基于灰狼改进算法对当前灰狼位置进行更新,得到灰狼更新位置之前,还包括:
3.根据权利要求2所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述改进型Cubic混沌映射模型的映射函数为:
4.根据权利要求2所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述灰狼参数包括系数向量和非线性收敛因子所述灰狼改进算法的位置更新公式为:
5.根据权利要求4所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述非线性收敛因子的计算公式为:
6.根据权利要求2所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述粒子群参数包括非线性的惯性权重ω、非线性的第一学习因子c1和非线性第二学习因子c2,且所述惯性权重ω、所述第一学习因子c1和所述第二学习因子c2的计算公式为:
7.根据权
8.根据权利要求1所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述将所述灰狼更新位置作为粒子群改进算法的粒子初始位置,并基于所述粒子初始位置确定粒子群优化位置,包括:
9.根据权利要求1所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述在所述粒子适应度满足预设的终止条件时获取所述粒子群改进算法输出的最优功率点,并基于所述最优功率点计算对应的脉冲占空比之后,还包括:
10.根据权利要求9所述的动态阴影下光伏阵列MPPT控制方法,其特征在于,所述根据所述脉冲占空比对所述升压电路进行控制,使所述升压电路保持最大功率平稳输出之后,还包括:
...【技术特征摘要】
1.一种动态阴影下光伏阵列mppt控制方法,其特征在于,所述方法应用于光伏阵列系统,所述光伏阵列系统包括光伏阵列、升压电路和算法控制模块,所述方法包括:
2.根据权利要求1所述的动态阴影下光伏阵列mppt控制方法,其特征在于,所述基于灰狼改进算法对当前灰狼位置进行更新,得到灰狼更新位置之前,还包括:
3.根据权利要求2所述的动态阴影下光伏阵列mppt控制方法,其特征在于,所述改进型cubic混沌映射模型的映射函数为:
4.根据权利要求2所述的动态阴影下光伏阵列mppt控制方法,其特征在于,所述灰狼参数包括系数向量和非线性收敛因子所述灰狼改进算法的位置更新公式为:
5.根据权利要求4所述的动态阴影下光伏阵列mppt控制方法,其特征在于,所述非线性收敛因子的计算公式为:
6.根据权利要求2所述的动态阴影下光伏阵列mppt控制方法,其特征在于,所述粒子群参数包括非线性的惯性权重ω、非线性的第一学...
【专利技术属性】
技术研发人员:刘德政,潘佳成,张帆,李炎,王乙坤,罗静,王瑞,汪云,
申请(专利权)人:湖北文理学院,
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。