基于蚁群优化与变步长扰动观察算法的光伏系统MPPT方法

摘要

本发明公开了一种基于蚁群优化与变步长扰动观察混合算法的局部遮阴光伏系统MPPT策略。所述方法在局部遮阴条件下光伏系统出现多峰值时解决搜索全局最大功率点问题。当适用情况出现时，使用蚁群算法跟踪光伏输出的前期阶段，避免扰动观察法导致系统陷入局部最大功率点的现象出现，同时提高收敛速度。当蚁群算法第二次迭代结束后，算法停止，开始使用变步长扰动观察法跟踪其后期阶段，利用该算法的鲁棒性，避免蚁群算法导致系统出现稳态震荡。最终将更加迅速、精确和稳定的跟踪到局部遮阴光伏系统的全局最大功率点。

说明书

技术领域

本发明属于光伏发电技术领域，具体涉及一种能迅速、精确、稳定地搜索光伏系统最大功率点的跟踪策略，尤其是基于蚁群优化与变步长扰动观察混合算法在光伏系统局部遮阴情况下跟踪全局最大功率点的光伏系统MPPT方法。

背景技术

目前，现有的光伏系统最大功率点跟踪算法分为两大种类，非智能算法与智能算法。其中非智能算法包括扰动观察法、电导增量法等，这些方法虽然收敛速度较快、稳态震荡较小，但当光伏系统出现局部阴影情况时，例如日出、日落以及光伏阵列周围的建筑物和树木等形成的阴影，这些情况会大大降低系统效率，以上非智能算法很容易陷入局部极值点。智能算法主要包括蚁群算法、粒子群优化算法、模拟退火算法等，具有全局而且高效的优化性能、通用性强等优点，但系统结构复杂，计算规模较大，致使硬件成本过高，不适用于工业大规模应用。

例如，南昌大学申请的专利文献，公开号为CN104793691A，其公开了一种基于蚁群算法的局部阴影下光伏阵列全局MPPT方法，技术方案可以概括为利用蚁群算法结合PI控制器搜索光伏阵列工作于全局最大功率点处的电压，在最佳电压处采用固定小步长的扰动观察法跟踪光伏阵列的全局最大功率点。由于该方案采用传统蚁群算法，迭代次数过多，计算量较大，这样会导致收敛速度过慢，收敛时间过长；同时在后期阶段采用小的定步长作为扰动量，这样同样会导致一个缓慢的收敛过程。其算法仿真图如图1所示。

因此，在实际使用过程中，需要一个更加优异的最大功率点跟踪算法来提高太阳能的利用率，与此同时能增加系统的收敛速度。

发明内容

针对背景技术中提到的问题，本发明提供一种基于蚁群优化与变步长扰动观察混合算法的局部遮阴光伏系统MPPT方法，用以利用蚁群优化算法的全局搜索能力和变步长扰动观察算法的局部搜索能力，更加迅速、精确和稳定的跟踪到局部遮阴光伏系统的全局最大功率点。

本发明的目的是以下述方式实现的：

一种基于蚁群优化与变步长扰动观察算法的光伏系统MPPT方法，包括以下步骤：

步骤1、确定蚁群规模i及运动步长；

步骤2、确定蚁群初始位置；

步骤3、采集光伏阵列输出电压Upv和输出电流Ipv，计算输出功率P，每个蚂蚁位置所对应的输出功率被认为是该位置上的信息素τ；

步骤4、蚁群进行迭代计算，含有高信息素的蚂蚁仍停留在原位，其他蚂蚁根据公式(1)调整自己的位置，其中是蚁群由原位置移动到最大信息素蚂蚁位置时的单位向量：

步骤5、当第一次迭代结束后，重复步骤3和步骤4完成第二次迭代，找到此时的“最佳”蚂蚁a_best所对应的最大功率点为P_best，蚂蚁位置即其所对应的占空比为D_best，蚁群算法终止；

步骤6、以蚁群算法两次迭代产生的最佳数据P_best和D_best作为初始数据，启动变步长扰动观察算法，根据系统要求确定功率变化量允许最小值eP和电压变化量允许最小值eU；

步骤7、计算此时功率变化量ΔP的绝对值是否小于功率变化量允许最小值eP，若是，转到步骤8，如否，转到步骤9；

步骤8、计算此时电压变化量ΔU的绝对值是否大于电压变化量允许最小值eU，若是，转到步骤9，如否，转到步骤11；

步骤9、根据公式(2)确定扰动步长ΔD：

$\Delta D=\alpha \left|\frac{dP}{dU}\right|---\left(2\right)$

其中α为变步长速度因子，dP＝ΔP，dU＝ΔU；

步骤10、根据dP是否为正数进行步长调节，若dP为正数，则根据公式(3)计算更新的占空比；若dP为负数，则根据公式(4)计算更新的占空比：

D(k)＝D(k-1)+ΔD (3)

D(k)＝D(k-1)-ΔD (4)。

步骤11、获得全局最大功率点。

所述步骤1中，蚁群规模i定位范围为6-12，设置初始运动步长δ₀为η的范围为50-70，第一次迭代运动步长δ₁为δ₀e^-1，第二次迭代运动步长δ₂为δ₀e^-2。

所述步骤1中，蚁群规模i定位范围为9，设置初始运动步长δ₀为0.06，第一次迭代运动步长δ₁为0.06e^-1，第二次迭代运动步长δ₂为0.06e^-2。

所述步骤2中，将蚁群初始位置定位于0.1和0.9之间，区域内被均匀分割成i-1部分。

所述步骤9中，变步长速度因子α设定范围为0.001-0.003。

相对于现有技术，本发明具有以下明显优点：

本发明搜索速度快，费时少，搜索效率与输出P-U曲线复杂程度无关，具有较强的适应性，有效避免陷入局部最优点。从仿真实验得到的数据，如图2所示，在相同温度条件下，设置两种不同光照强度模式1和模式2，分别以本发明与背景技术两种算法进行仿真。图1为背景技术算法，图2为本发明算法。不难看出，该方案的收敛时间较短。

附图说明

图1是现有的基于蚁群算法的局部阴影下光伏阵列全局MPPT方法的算法仿真图。

图2是本发明的混合算法的算法仿真图。

图3是本发明的方法的原理框图。

图4是本发明的方法的步骤流程图。

图5是本发明的应用示例图。

具体实施方式

下面结合附图及应用实例对本发明进一步介绍。

如图3和图4所示，一种基于蚁群优化与变步长扰动观察算法的光伏系统MPPT方法，包括以下步骤：

步骤1、确定蚁群规模i及运动步长；本实施例中，蚁群规模i数量为9，η为60，根据得出初始运动步长δ₀为0.06，第一次迭代运动步长δ₁为0.06e^-1，第二次迭代运动步长δ₂为0.06e^-2。

步骤2、确定蚁群初始位置；将蚁群初始位置定位于0.1和0.9之间，蚁群被定位于0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9。区域内被均匀分割成8部分。

步骤3、采集光伏阵列输出电压U_pv和输出电流I_pv，计算输出功率P，每个蚂蚁位置所对应的输出功率被认为是该位置上的信息素τ；

步骤4、蚁群进行迭代计算，含有高信息素的蚂蚁仍停留在原位，其他蚂蚁根据公式(1)调整自己的位置，其中是蚁群由原位置移动到最大信息素蚂蚁位置时的单位向量：

步骤5、当第一次迭代结束后，重复步骤3和步骤4完成第二次迭代，找到此时的“最佳”蚂蚁a_best所对应的最大功率点为P_best，蚂蚁位置即其所对应的占空比为D_best，蚁群算法终止；本发明的蚁群算法只迭代两次，两次是经过多次试验后得出的最好的结果，收敛速度快同时计算结果比较精确。

步骤6、以蚁群算法两次迭代产生的最佳数据P_best和D_best作为初始数据，启动变步长扰动观察算法，根据系统要求确定功率变化量允许最小值eP和电压变化量允许最小值eU；

步骤7、计算此时功率变化量ΔP的绝对值是否小于功率变化量允许最小值eP，若是，转到步骤8，如否，转到步骤9；

步骤8、计算此时电压变化量ΔU的绝对值是否大于电压变化量允许最小值eU，若是，转到步骤9，如否，转到步骤11；

步骤9、根据公式(2)确定扰动步长ΔD：

$\Delta D=\alpha \left|\frac{dP}{dU}\right|---\left(2\right)$

其中α为变步长速度因子，用于调整跟踪速度，设定范围为0.001-0.003，优选地，可设定为0.002；dP＝ΔP，dU＝ΔU；

步骤10、根据dP是否为正数进行步长调节，若dP为正数，则根据公式(3)计算更新的占空比；若dP为负数，则根据公式(4)计算更新的占空比：

D(k)＝D(k-1)+ΔD (3)

D(k)＝D(k-1)-ΔD (4)。

步骤11、获得全局最大功率点。

图5中使用Boost升压式变换器连接光伏阵列与负载，其主要优点在于对光伏阵列的电磁干扰较小，驱动电路简单。Boost输出电压被钳制在负载两端的电压，通过改变占空比D就可以改变变换器输入电压，而Boost变化器输入电压即为光伏阵列的输出电压，因此改变D就能改变光伏阵列工作点的电压，通过基于蚁群优化与变步长扰动观察混合算法，最终能够将工作点稳定在全局最大功率点。所示算法位于MPPT控制器中。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明整体构思前提下，还可以作出若干改变和改进，这些也应该视为本发明的保护范围。