[發(fā)明專(zhuān)利]基于多策略改進(jìn)的人工蜂群算法的光伏MPPT控制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202211066881.8
• 申請(qǐng)日: 2022-09-01
• 公開(kāi)（公告）號(hào): CN115437451B
• 公開(kāi)（公告）日: 2023-08-25
• 發(fā)明（設(shè)計(jì)）人: 張玉文;張韜;熊子軒;徐世澤;過(guò)慈偉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 三峽大學(xué)
• 主分類(lèi)號(hào): G05F1/67
• 分類(lèi)號(hào): G05F1/67
• 代理公司: 宜昌市三峽專(zhuān)利事務(wù)所 42103
• 代理人: 吳思高

1.基于多策略改進(jìn)的人工蜂群算法的光伏MPPT控制方法，其特征在于包括以下步驟：

步驟1：對(duì)光伏電池等效電路數(shù)學(xué)模型簡(jiǎn)化，得到光伏電池?cái)?shù)學(xué)模型，搭建光伏陣列模型；所述步驟1中，光伏電池等效電路數(shù)學(xué)模型表達(dá)式為：

式中，I_SC為光生電流；I_D為流過(guò)二極管VD的電流；I₀為二極管反向飽和電流；q為電子電荷常數(shù)；V為負(fù)載端電壓；I_L為負(fù)載工作電流；A為二極管品質(zhì)因數(shù)；R_s為等效串聯(lián)電阻；R_sh為等效并聯(lián)電阻；I_Rsh為流過(guò)等效并聯(lián)電阻的電流；K為玻爾茲曼常數(shù)；T為光伏電池溫度；

對(duì)光伏電池等效電路數(shù)學(xué)模型做出如下兩點(diǎn)簡(jiǎn)化：

①：通常情況下項(xiàng)的值遠(yuǎn)小于光生電流，因此忽略該項(xiàng)；

②：通常情況下R_S遠(yuǎn)小于二極管正向?qū)娮瑁O(shè)定I_L＝I_SC；

并且定義如下情況：

a、開(kāi)路狀態(tài)下：I_L＝0，V＝V_oc；

b、最大功率點(diǎn)處：V＝V_m，I_L＝I_m；

此時(shí)，光伏電池等效電路數(shù)學(xué)模型能夠簡(jiǎn)化為：

式中，I_m為最佳工作電流電流，V_m為最佳工作電壓，V_oc為開(kāi)路電壓；

因此，只需要I_SC、V_oc、I_m和V_m四個(gè)參數(shù)，就能夠以較高精度復(fù)現(xiàn)光伏電池的特性；

步驟2：搭建光伏MPPT控制模塊、升壓電路模塊與PWM發(fā)生器模塊，組成光伏發(fā)電MPPT控制系統(tǒng)模型；

步驟3：光伏MPPT控制模塊采集光伏陣列的輸出電壓與電流，通過(guò)多策略改進(jìn)的人工蜂群算法進(jìn)行實(shí)時(shí)搜索，找到最大輸出功率點(diǎn)對(duì)應(yīng)的最優(yōu)占空比；

步驟4：基于多策略改進(jìn)的人工蜂群算法的光伏MPPT控制模塊輸出搜索到的最優(yōu)占空比，通過(guò)PWM發(fā)生器模塊生成相應(yīng)脈沖信號(hào)，驅(qū)動(dòng)升壓電路模塊，使光伏發(fā)電系統(tǒng)輸出最大功率；

所述步驟3中，多策略改進(jìn)的人工蜂群算法搜索最大功率點(diǎn)對(duì)應(yīng)占空比，包括如下步驟：

S3.1、定義參數(shù)：蜜源位置代表控制升壓電路模塊電壓的占空比；蜜源花蜜量即為光伏陣列輸出的功率P；算法搜索到的最優(yōu)蜜源為花蜜量最多的蜜源，即為光伏陣列輸出最大功率時(shí)控制升壓電路模塊電壓的最優(yōu)占空比；

S3.2、初始化基本參數(shù)：設(shè)置蜜源數(shù)目SN，蜜源空間維度D，迭代次數(shù)t_max；

S3.3、更新枯竭參數(shù)閾值Limit：

蜜源空間維數(shù)與蜜源數(shù)量共同決定了Limit的取值，具體表達(dá)式如下：

Limit＝SN×D；

S3.4、初始化蜜源位置：

首先將蜜源x_ij中第j維度區(qū)間均勻劃分為與蜜源數(shù)SN相同的子區(qū)間，初始化操作時(shí)首先選定子區(qū)間，然后在子區(qū)間內(nèi)隨機(jī)生成初始蜜源，均勻化與隨機(jī)化相結(jié)合的初始化表達(dá)式如下：

式中，i＝1，2，…，SN，SN為蜜源的數(shù)目；j＝1，2，…,D，D為蜜源空間的維數(shù)；α_ij為(0,1)間的隨機(jī)值；和分別為第j維分量的最小值和最大值；

S3.5、計(jì)算初始蜜源花蜜量，選擇出花蜜量最多的蜜源，將其設(shè)置為精英個(gè)體Gbest

S3.6、更新權(quán)重因子ω(t)：

ω(t)為隨著迭代次數(shù)t非線性變化的權(quán)重因子，ω(t)的數(shù)學(xué)表達(dá)式為：

式中，ω_max和ω_min分別為慣性權(quán)重ω的最大值與最小值，t為當(dāng)前搜索次數(shù)，t_max為最大搜索次數(shù)；

S3.7、雇傭蜂搜索：

每只雇傭蜂均擁有一個(gè)相對(duì)應(yīng)的蜜源，雇傭蜂采用精英個(gè)體引導(dǎo)和非線性權(quán)重因子協(xié)同搜索策略，搜索新蜜源，數(shù)學(xué)表達(dá)式如下：

x_ij'＝x_ij+ω(t)(x_ij-x_kj)+(1-ω(t))(Gbest-x_ij)；

式中，x_ij'為新蜜源位置，x_kj為隨機(jī)選擇的蜜源，k＝1,2…,SN，且k≠i，Gbest為精英個(gè)體；

S3.8、雇傭蜂對(duì)搜索到的新蜜源與原有舊蜜源進(jìn)行貪婪選擇，保留花蜜較多的蜜源，貪婪選擇的數(shù)學(xué)表達(dá)式為：

式中，fit(x_ij')、fit(x_ij)分別表示新舊蜜源的花蜜量，V_ij為貪婪選擇后的優(yōu)質(zhì)蜜源；

S3.9、跟隨蜂根據(jù)蜜源信息，通過(guò)輪盤(pán)賭策略概率選擇某個(gè)雇傭蜂跟隨，每個(gè)雇傭蜂被選中的概率為：

式中，P_ij表示第ij個(gè)雇傭蜂被選中的概率；由上式可知，花蜜量越多的蜜源越容易被選擇；

S3.10、跟隨蜂選定跟隨的雇傭蜂之后，在其對(duì)應(yīng)蜜源附近進(jìn)行鄰域搜索，尋找新蜜源，進(jìn)行貪婪選擇，若新蜜源花蜜量更多，則跟隨蜂與雇傭蜂互換身份；鄰域搜索的表達(dá)式為：

x_ij'＝x_ij+ω(t)(x_ij-x_kj)+(1-ω(t))(Gbest-x_ij)；

S3.11、根據(jù)搜索次數(shù)更新變異概率P：

變異概率P對(duì)群體多樣性和收斂速度有較大的影響，P值越大，則種群多樣性越大，算法全局搜索能力越強(qiáng)，但是會(huì)導(dǎo)致收斂速度變慢；反之，P值越小，則收斂速度越快，但不能有效幫助算法跳出局部最優(yōu)；因此，P值更新公式設(shè)置為：

S3.12、雇傭蜂與跟隨蜂搜索完成后，以一定的概率P發(fā)生隨機(jī)變異，具體表達(dá)式如下：

式中，α為(0,1)之間的隨機(jī)數(shù)，為(-1,1)間的隨機(jī)數(shù)；

S3.13、偵查蜂搜索：

在雇傭蜂生成偵查蜂過(guò)程中引入定向變異操作，在生成隨機(jī)偵查蜂的同時(shí)，生成一只孿生偵查蜂，總是位于當(dāng)前枯竭蜜源鄰域內(nèi)；執(zhí)行定向變異操作的偵查蜂搜索公式為：

式中，trail_ij為第ij個(gè)蜜源未被更新的次數(shù)，η為鄰域擾動(dòng)因子，η∈(-0.05,0.05)，α_ij為(0,1)間的隨機(jī)值，為生成的孿生偵查蜂，Limit為枯竭參數(shù)；

S3.14、終止條件判斷：當(dāng)雇傭蜂找到的蜜源位置十分接近時(shí)，即蜜源對(duì)應(yīng)占空比數(shù)值之差小于0.005時(shí)，則認(rèn)為已經(jīng)找到最大輸出功率對(duì)應(yīng)的占空比，數(shù)學(xué)表達(dá)式如下：

|x_ij-x_kj|0.005；

步驟5：判斷環(huán)境是否發(fā)生變化，若是，返回步驟2，重啟算法；若否，保持步驟3保存最大輸出功率。