CN112596574B - 基于分层鸽群算法的光伏最大功率跟踪方法及装置 - Google Patents

基于分层鸽群算法的光伏最大功率跟踪方法及装置 Download PDF

Info

Publication number
CN112596574B
CN112596574B CN202011519557.8A CN202011519557A CN112596574B CN 112596574 B CN112596574 B CN 112596574B CN 202011519557 A CN202011519557 A CN 202011519557A CN 112596574 B CN112596574 B CN 112596574B
Authority
CN
China
Prior art keywords
pigeon
model
power value
updating
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011519557.8A
Other languages
English (en)
Other versions
CN112596574A (zh
Inventor
张明宇
赵卓立
成润婷
张泽瀚
郭俊韬
肖海
周科宇
陈沛达
李新影
林孜淇
马韵淇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011519557.8A priority Critical patent/CN112596574B/zh
Publication of CN112596574A publication Critical patent/CN112596574A/zh
Application granted granted Critical
Publication of CN112596574B publication Critical patent/CN112596574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
    • G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
    • G05F1/66—Regulating electric power
    • G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electrical Variables (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于分层鸽群算法的光伏最大功率跟踪方法及装置，其方法包括：步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1。在光照强度变化的条件下，高效准确地跟踪光伏***的全局最大功率点，进而提高光伏发电***转换电能的效率。

Description

基于分层鸽群算法的光伏最大功率跟踪方法及装置
技术领域
本发明涉及太阳能光伏发电技术领域，尤其涉及一种基于分层鸽群算法的光伏最大功率跟踪方法及装置。
背景技术
鉴于可再生能源取之不尽且环境友好的特点，在化石燃料的消耗而日益加重的环境污染的背景下，可再生能源近年来成为发电的热门选择。而在多种可再生能源当中，太阳能被认为是最重要的可再生能源之一，且已被广泛用于光伏发电。
对于光伏发电，在局部阴影条件下，为了获取光伏发电***的最大功率，需要高效地找出全局最大功率点(Local Maximum Power Point,GMPP)。但由于光伏面板的输出特性会受外部因素(例如太阳辐照度和温度)的影响，GMPP将随着这些外部因素而变化，这种情况下，通过最大功率追踪(Maximum Power Point Tracking,MPPT)方法确定GMPP对于提高光伏发电***的效率就显得非常重要。
现阶段虽然基于智能优化的MPPT算法可以在一定程度上追踪到局部阴影条件下光伏***的GMPP，而无需对功率－电压(Power-Voltage,P–V)特性曲线全局扫描，但如果基于智能优化的MPTT算法在全局搜索能力较弱时，容易收敛到局部最大功率点(LocalMaximum Power Point,LMPP)，导致跟踪精度大幅下降，最终造成光伏***转换电能的效率下降。
发明内容
本发明提供了一种基于分层鸽群算法的光伏最大功率跟踪方法及装置，能够在光照强度变化的条件下，高效准确地追踪光伏***的全局最大功率点。
第一方面，本发明提供的一种基于分层鸽群算法的光伏最大功率跟踪方法，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述方法包括：
步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；
步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1。
可选地，所述步骤S1包括：
周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值。
可选地，所述分层鸽群算法包括：第一阶段运动模型和第二阶段运动模型；所述步骤S3包括：
采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
所述第二阶段运动模型包括：中心位置更新模型和鸽群第二位置更新模型；
所述中心位置更新模型为：
Figure BDA0002848506680000021
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t)为第t次迭代时的中心位置，Xi(t)为第i只鸽子在第t次迭代时的位置，Fitnessi(t)为第t次迭代时第i只鸽子对应的适应度函数，rand为(0,1)内的随机数，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
可选地，所述步骤S4包括：
采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
当功率值变化率大于所述预设阈值时，返回执行所述步骤S1。
可选地，所述第一阶段运动模型包括：第一阶段速度模型和鸽群位置更新模型；采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置，包括：
采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度；
将所述第一更新速度输入鸽群第一位置更新模型，得到每只所述鸽子对应的第一更新位置；
所述第一位置更新模型为：
Xi(t)＝Vi(t)+Xi(t-1)
其中，Vi(t)为第i只鸽子在第t次迭代时的速度。
所述第一阶段速度模型包括：第一层运动速度模型、第二层运动速度模型和第三层运动速度模型；所述鸽子聚类簇分为第一聚类簇、第二聚类簇和第三聚类簇；采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度，包括：
分别采用所述第一层运动速度模型、所述第二层运动速度模型和所述第三层运动速度模型对所述第一聚类簇、所述第二聚类簇和所述第三聚类簇中的鸽子进行速度更新；
所述第一层运动速度模型为：
Vi(t)＝Vi(t-1)·e-Rt+rand·(Xgbest-Xi(t-1))
所述第二层运动速度模型为：
Figure BDA0002848506680000031
所述第三层运动速度模型为：
Figure BDA0002848506680000041
其中，t为迭代的次数，e为自然底数，R为参数值0.8，Vi(t-1)为第i只鸽子在第t-1次迭代时的速度，N1为第一聚类簇的鸽子种群数量，N2为第二聚类簇的鸽子种群数量，Xgbest为历史最佳功率值所对应的占空比，Xj(t-1)为第一层的第j个鸽子的当前位置，Xk(t-1)为第二层的第k个鸽子的当前位置。
第二方面，本发明提供的一种基于分层鸽群算法的光伏最大功率跟踪装置，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述装置包括：
获取模块，用于周期性获取每只鸽子在当前位置的输出功率值和占空比；
聚类模型，用于按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
目标鸽子确定模块，用于采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
实时跟踪模块，用于采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，重新执行所述获取模块、所述聚类模型、所述目标鸽子确定模块和所述实时跟踪模块。
可选地，所述获取模块包括：
获取子模块，用于周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
功率值确定模块，用于根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值。
可选地，所述分层鸽群算法包括：第一阶段运动模型和第二阶段运动模型；所述目标鸽子确定模块包括：
第一更新子模块，用于采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
待计算鸽子确定子模块，用于对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
中心位置确定子模块，用于采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
输出子模块，用于当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
所述第二阶段运动模型包括：中心位置更新模型和鸽群第二位置更新模型；
所述中心位置更新模型为：
Figure BDA0002848506680000051
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t)为第t次迭代时的中心位置，Xi(t)为第i只鸽子在第t次迭代时的位置，Fitnessi(t)为第t次迭代时第i只鸽子对应的适应度函数，rand为(0,1)内的随机数，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
可选地，所述实时跟踪模块包括：
施加子模块，用于采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
变化率确定子模块，用于根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
往返子模块，用于当功率值变化率大于所述预设阈值时，重新执行所述获取模块。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1。在光照强度变化的条件下，高效准确地跟踪光伏***的全局最大功率点，进而提高光伏发电***转换电能的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；
图1为本发明的一种基于分层鸽群算法的光伏最大功率跟踪方法实施例一的步骤流程图；
图2为本发明的一种基于分层鸽群算法的光伏最大功率跟踪方法实施例二的步骤流程图；
图3为本发明实施例的一种光伏发电***的结构框图；
图4为本发明实施例的光伏发电***的电流-电压曲线示例图；
图5为本发明实施例的光伏发电***的功率-电压曲线示例图；
图6为本发明实施例的光伏发电***的全局最大功率点跟踪的电路原理图；
图7为本发明的一种基于分层鸽群算法的光伏最大功率跟踪装置实施例的结构框图。
具体实施方式
本发明实施例提供了一种基于分层鸽群算法的光伏最大功率跟踪方法及装置，能够在光照强度变化的条件下，高效准确追踪地光伏***的全局最大功率点。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一，请参阅图1，图1为本发明的一种基于分层鸽群算法的光伏最大功率跟踪方法实施例一的步骤流程图，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述方法包括：
S101，周期性获取每只鸽子在当前位置的输出功率值和占空比；
S102，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
S103，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
S104，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S101。
在本发明实施例中，通过步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1。在光照强度变化的条件下，高效准确地跟踪光伏***的全局最大功率点，进而提高光伏发电***转换电能的效率。
实施例二，请参阅图2，图2为本发明的一种基于分层鸽群算法的光伏最大功率跟踪方法实施例二的步骤流程图，具体包括：
步骤S201，周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
请参阅图3，图3为本发明实施例的一种光伏发电***的结构框图，其中1为光伏板，2为旁路二极管，3为阻塞二极管，每个光伏板1和旁路二极管2并联连接，而阻塞二极管3与光伏板1串联连接。旁路二极管2和阻塞二极管3用于避免电流的反向流动，以及防止光伏板中热点效应的产生，进而消除在部分阴影情况下可能出现的不可逆转的损坏。然而，旁路二极管2也存在一些缺点：增加功率损耗和造价成本，以及造成P-V曲线中的多峰特性。
请参阅图4和图5，图4为本发明实施例的光伏发电***的电流-电压曲线示例图，其中纵坐标为电流I(A)，横坐标为电压V(V)；图5为本发明实施例的光伏发电***的功率-电压曲线示例图，其中，纵坐标为功率P(W)，横坐标为电压V(V)。从图4可以看到，本实施例的光伏发电***的电流存在一定的波动，从而造成图5的P-V曲线的多峰值特性，这种特性造成最大功率点的跟踪十分困难，而现阶段的最大功率点跟踪方法难以长时间保持跟踪精度，因此需要使用本实施例的一种基于分层鸽群算法的光伏最大功率跟踪方法定位全局最大功率点，以从光伏发电***中获取最大功率。
图6为本发明实施例的光伏发电***的全局最大功率点跟踪的电路原理图，其中，4为光伏阵列，5为二极管，6为电容，7为控制器，8为开关，9为电阻，10为电感，其中二极管5，电容6，开关8和电感10组成Boost电路。利用戴维南定理，将光伏阵列4与所连接的Boost电路、电阻9定义为一个二端口网络，光伏阵列4成为入口，Boost电路与电阻9成为出口。将Boost电路与电阻9的组合等效为负载等效电阻R0；再将光伏阵列4等效为电压源UPV，与负载等效电阻Rs所串联的电路。假设R0消耗的功率为P0，则：
Figure BDA0002848506680000081
对上式的R0求导，得到：
Figure BDA0002848506680000082
可以明白，当R0＝Rs时，求导公式的结果为0，此时光伏发电***的功率达到最大值，因此利用控制手段调价等效电阻R0，使其与光伏电池板的等效电阻Rs相同，即可实现最大功率点的跟踪。
在具体实现中，首先要初始化分层鸽群算法的参数，包括：鸽群的种群数量、分层结构中每个层次对应的种群数量、每只鸽子的初始位置、每次采样过程计数器的循环次数。在循环次数内采集鸽子从基于初始位置不断运动的实时位置对应的占空比，并且在采样的次数达到采样过程计数器的循环次数时，通过采样电路获得稳定的电压值和电流值。
具体地，对于鸽群算法所选取的鸽子种群数量区间一般为[3，5]，其次，分层结构中每个层次对应的种群数量的变化规律，一般是随着层数的增多而逐渐增加。
在本发明实施例中，周期性指在初始化设定的采样过程计数器的循环次数T，且T＝200；种群数量N＝5；由图3可知，本实施例的光伏发电***的光伏板1的数量是5，因此初定鸽群的种群数量N＝5，而分层结构中第一层种群数量、第二层种群数量和第三层种群数量分别是是N1＝1,N2＝2,N3＝2；此外，占空比为PWM占空比，且取值区间为[0.10,0.90]。
需要说明的是，鸽群算法是模拟鸽子归巢行为而设计出来的群智能优化算法，其具有原理简明的特点、需要调整参数极少、易于被实现。与其他算法比较有着计算相对简单，鲁棒性相对较强等明显的优点，而分层鸽群算法即将分层的思想应用于鸽群算法中，对鸽群算法进行改进。
步骤S202，根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值；
在具体实现中，采用公式P＝V·I，将步骤S201得到的稳定电压和稳定电流计算，得到鸽群中每只鸽子在对应当前位置的功率值。
步骤S203，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
在本发明实施例中，将寻优得到的鸽群算法中的每只鸽子在对应当前位置的功率值按照大小顺序进行排列，将最大功率值所对应的鸽子放在第一层结构，形成由唯一鸽子组成的聚类簇，将第二功率值和第三功率值分别对应的鸽子放在第二层结构，形成第二个聚类簇，最后将将第四功率值和第五功率值分别对应的鸽子放在第三层结构，形成第三个聚类簇。
需要说明的是，本发明实施例中依据每一只鸽子的功率值大小排序，从而确定鸽子所在的分层并非在一次确定后即不再改变，而是会随着满足规定的循环次数后，得到的由于鸽子位置发生改变而随之改变的功率值，对鸽子重新分层。并且在完成层次结构的重新确立后，才能进入接下来的采用所述第一阶段运动模型，分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，在此之后，每一次重新进入第一阶段位置更新前都要重新对已经发生改变的功率值重新排序，并对鸽子进行重新分层。
步骤S204，采用所述第一阶段运动模型，分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
在一个可选实施例中，所述第一阶段运动模型包括：第一阶段速度模型和鸽群位置更新模型；采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置，包括：
采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度；
将所述第一更新速度输入鸽群第一位置更新模型，得到每只所述鸽子对应的第一更新位置。
在本发明实施例中，所述鸽群第一位置更新模型为：
Xi(t)＝Vi(t)+Xi(t-1)
其中，Xi(t)为第i只鸽子在第t次迭代时的位置，Vi(t)为第i只鸽子在第t次迭代时的速度，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
在一个可选实施例中，所述第一阶段速度模型包括：第一层运动速度模型、第二层运动速度模型和第三层运动速度模型；所述鸽子聚类簇分为第一聚类簇、第二聚类簇和第三聚类簇；采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度，包括：
分别采用所述第一层运动速度模型、所述第二层运动模型和所述第三层运动速度模型对第一聚类簇、第二聚类簇和第三聚类簇中的鸽子进行速度更新。
在本发明实施例中，所述第一层运动速度模型为：
Vi(t)＝Vi(t-1)·e-Rt+rand·(Xgbest-Xi(t-1))
所述第二层运动速度模型为：
Figure BDA0002848506680000101
所述第三层运动速度模型为：
Figure BDA0002848506680000102
其中，R为参数值0.8，rand为(0,1)内的随机数，N1为第一层种群数量，N2为第二层种群数量，Xgbest为历史最佳功率值所对应的占空比，Xj(t-1)为第一层的第j个鸽子的当前位置，Xk(t-1)为第二层的第k个鸽子的当前位置。
步骤S205，对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
在本发明实施例中，第一阶段收敛条件为：鸽子的位置间差值的绝对值小于α(α＝0.10)。
步骤S206，采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
在本发明实施例中，第二阶段运动模型包括：中心位置更新模型和鸽群第二位置更新模型；
所述中心位置更新模型为：
Figure BDA0002848506680000111
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t-1)为第t次迭代时的中心位置。
在具体实现中，当所有鸽子的第一更新位置满足第一手链条件时，依据最新的功率值从大到小进行排序，在重新确定每只鸽子所在的层次的时候，对于功率值排序低于50％的鸽子进行剔除，从而达到在第二阶段加快收敛，减少算法跟踪时间的效果。
步骤S207，当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
在本发明实施例中，第二阶段收敛条件为：种群数量缩减至N＝1
步骤S208，采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
需要说明的是，扰动观测算法主要是对阵列输出电压在固定时间施加扰动，再根据输出功率的变化决定下一步的动作以实现最大功率跟踪。具体地址，在本发明实施例中，先通过智能优化算法快速找到最大功率点的大概位置，然后在这个点附近作很小步长的扰动。
步骤S209，根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
步骤S210，当功率值变化率大于所述预设阈值时，返回执行步骤S201。
在具体实现中，首先给给Boost变换器的当前占空比施加微小步长的扰动量ΔD(ΔD＝0.001)，然后测量施加扰动后的当前光伏阵列输出功率P(t)，并存储该功率值，接着利用功率值变化率公式判断当前光伏阵列输出功率P(t)和施加扰动前的功率值P(t-1)的变化率是否满足本发明实施例的预设阈值：3％，若是则重新执行步骤S201；若否，则计算功率变化量ΔP＝P(t)-P(t-1)，在
Figure BDA0002848506680000121
比值大于0的情况下，给Boost变换器接下来施加的扰动量为正的ΔD，在
Figure BDA0002848506680000122
比值小于0的情况下，给Boost变换器接下来施加的扰动量为负的ΔD，然后给Boost变换器的当前占空比施加微小步长的扰动量，继续执行扰动观测算法。
所述功率值变化率公式为：
Figure BDA0002848506680000123
其中，K为功率值变化率，P(t-1)为施加扰动前的功率值，P(t)为当前光伏阵列输出功率。
在本发明实施例所提供的一种基于分层鸽群算法的最大功率跟踪方法，通过步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1。在光照强度变化的条件下，高效准确地跟踪光伏***的全局最大功率点，进而提高光伏发电***转换电能的效率。
请参阅图7，示出了一种基于分层鸽群算法的光伏最大功率跟踪装置，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述装置包括：
获取模块101，用于周期性获取每只鸽子在当前位置的输出功率值和占空比；
聚类模型102，用于按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
目标鸽子确定模块103，用于采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
实时跟踪模块104，用于采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，重新执行所述获取模块、所述聚类模型、所述目标鸽子确定模块和所述实时跟踪模块。
可选地，所述获取模块101包括：
获取子模块，用于周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
功率值确定模块，用于根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值。
可选地，所述分层鸽群算法包括：第一阶段运动模型和第二阶段运动模型；所述目标鸽子确定模块103包括：
第一更新子模块，用于采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
待计算鸽子确定子模块，用于对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
中心位置确定子模块，用于采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
输出子模块，用于当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
所述中心位置更新模型为：
Figure BDA0002848506680000131
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t)为第t次迭代时的中心位置，Xi(t)为第i只鸽子在第t次迭代时的位置，Fitnessi(t)为第t次迭代时第i只鸽子对应的适应度函数，rand为(0,1)内的随机数，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
可选地，所述实时跟踪模块104包括：
施加子模块，用于采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
变化率确定子模块，用于根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
往返子模块，用于当功率值变化率大于所述预设阈值时，重新执行所述获取模块。
可选地，所述第一阶段运动模型包括：第一阶段速度模型和鸽群位置更新模型；所述第一更新子模块包括：
速度更新单元，用于采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度；
位置更新单元，用于将所述第一更新速度输入鸽群第一位置更新模型，得到每只所述鸽子对应的第一更新位置；
所述第一位置更新模型为：
Xi(t)＝Vi(t)+Xi(t-1)
其中，Vi(t)为第i只鸽子在第t次迭代时的速度。
可选地，所述第一阶段速度模型包括：第一层运动速度模型、第二层运动速度模型和第三层运动速度模型；所述鸽子聚类簇分为第一聚类簇、第二聚类簇和第三聚类簇；所述速度更新单元包括：
速度分层更新子单元，用于分别采用所述第一层运动速度模型、所述第二低运动模型和所述第三层运动速度模型对所述第一聚类簇、所述第二聚类簇和所述第三聚类簇中的鸽子进行速度更新；
所述第一层运动速度模型为：
Vi(t)＝Vi(t-1)·e-Rt+rand·(Xgbest-Xi(t-1))
所述第二层运动速度模型为：
Figure BDA0002848506680000141
所述第三层运动速度模型为：
Figure BDA0002848506680000142
其中，t为迭代的次数，e为自然底数，R为参数值0.8，Vi(t-1)为第i只鸽子在第t-1次迭代时的速度，N1为第一聚类簇的鸽子种群数量，N2为第二聚类簇的鸽子种群数量，Xgbest为历史最佳功率值所对应的占空比，Xj(t-1)为第一层的第j个鸽子的当前位置，Xk(t-1)为第二层的第k个鸽子的当前位置。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于分层鸽群算法的光伏最大功率跟踪方法，其特征在于，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述方法包括：
步骤S1，周期性获取每只鸽子在当前位置的输出功率值和占空比；
步骤S2，按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
步骤S3，采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
步骤S4，采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，返回执行步骤S1；
所述分层鸽群算法包括：第一阶段运动模型和第二阶段运动模型；所述步骤S3包括：
采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
所述第二阶段运动模型包括：中心位置更新模型和鸽群第二位置更新模型；
所述中心位置更新模型为：
Figure FDA0003560584310000011
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t)为第t次迭代时的中心位置，Xi(t)为第i只鸽子在第t次迭代时的位置，Fitnessi(t)为第t次迭代时第i只鸽子对应的适应度函数，rand为(0,1)内的随机数，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
2.根据权利要求1所述基于分层鸽群算法的光伏最大功率跟踪方法，其特征在于，所述步骤S1包括：
周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值。
3.根据权利要求2所述的基于分层鸽群算法的光伏最大功率跟踪方法，其特征在于，所述步骤S4包括：
采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
当功率值变化率大于所述预设阈值时，返回执行所述步骤S1。
4.根据权利要求3所述的基于分层鸽群算法的光伏最大功率跟踪方法，其特征在于，所述第一阶段运动模型包括：第一阶段速度模型和鸽群位置更新模型；采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置，包括：
采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度；
将所述第一更新速度输入鸽群第一位置更新模型，得到每只所述鸽子对应的第一更新位置；
所述第一位置更新模型为：
Xi(t)＝Vi(t)+Xi(t-1)
其中，Vi(t)为第i只鸽子在第t次迭代时的速度。
5.根据权利要求4所述的基于分层鸽群算法的光伏最大功率跟踪方法，其特征在于，所述第一阶段速度模型包括：第一层运动速度模型、第二层运动速度模型和第三层运动速度模型；所述鸽子聚类簇分为第一聚类簇、第二聚类簇和第三聚类簇；采用所述第一阶段速度模型分别对每个所述鸽子聚类簇中鸽子的运动速度进行更新，得到每只所述鸽子的第一更新速度，包括：
分别采用所述第一层运动速度模型、所述第二层运动速度模型和所述第三层运动速度模型对所述第一聚类簇、所述第二聚类簇和所述第三聚类簇中的鸽子进行速度更新；
所述第一层运动速度模型为：
Vi(t)＝Vi(t-1)·e-Rt+rand·(Xgbest-Xi(t-1))
所述第二层运动速度模型为：
Figure FDA0003560584310000031
所述第三层运动速度模型为：
Figure FDA0003560584310000032
其中，t为迭代的次数，e为自然底数，R为参数值0.8，Vi(t-1)为第i只鸽子在第t-1次迭代时的速度，N1为第一聚类簇的鸽子种群数量，N2为第二聚类簇的鸽子种群数量，Xgbest为历史最佳功率值所对应的占空比，Xj(t-1)为第一层的第j个鸽子的当前位置，Xk(t-1)为第二层的第k个鸽子的当前位置。
6.一种基于分层鸽群算法的光伏最大功率跟踪装置，其特征在于，应用于MPPT控制器，所述MPPT控制器与光伏板通信连接，所述光伏板包括多个采样点，每个采样点对应分层鸽群算法中的鸽子，所述装置包括：
获取模块，用于周期性获取每只鸽子在当前位置的输出功率值和占空比；
聚类模型，用于按照所述输出功率值大小关系，对多只鸽子进行聚类，得到多个鸽子聚类簇；
目标鸽子确定模块，用于采用分层鸽群算法，结合所述输出功率值和所述占空比，从多个鸽子聚类簇中确定目标鸽子；
实时跟踪模块，用于采用扰动观测算法对目标鸽子进行实时跟踪，直至所述目标鸽子的功率值变化率大于预设阈值时，重新执行所述获取模块、所述聚类模型、所述目标鸽子确定模块和所述实时跟踪模块；
所述分层鸽群算法包括：第一阶段运动模型和第二阶段运动模型；所述目标鸽子确定模块：
第一更新子模块，用于采用所述第一阶段运动模型分别对每个所述鸽子聚类簇中鸽子的位置进行位置更新，得到每只所述鸽子的第一更新位置；
待计算鸽子确定子模块，用于对所述第一更新位置满足第一收敛条件的多个鸽子进行筛选，得到待计算鸽子；
中心位置确定子模块，用于采用所述第二阶段运动模型对所述待计算鸽子对应的第一位置进行更新，得到中心位置；
输出子模块，用于当所述中心位置上的鸽子数量满足第二收敛条件时，输出所述中心位置上的目标鸽子对应的历史最大输出功率值和对应的最大占空比；
所述第二阶段运动模型包括：中心位置更新模型和鸽群第二位置更新模型；
所述中心位置更新模型为：
Figure FDA0003560584310000041
鸽群第二位置更新模型为：
Xi(t)＝Xi(t-1)+rand·(Xc(t)-Xi(t-1))
其中，Xc(t)为第t次迭代时的中心位置，Xi(t)为第i只鸽子在第t次迭代时的位置，Fitnessi(t)为第t次迭代时第i只鸽子对应的适应度函数，rand为(0,1)内的随机数，Xi(t-1)为第i只鸽子在第t-1次迭代时的位置。
7.根据权利要求6所述的基于分层鸽群算法的光伏最大功率跟踪装置，其特征在于，所述获取模块包括：
获取子模块，用于周期性从所述光伏板上获取每只所述鸽子在当前位置的稳定电压、稳定电流和所述占空比；
功率值确定模块，用于根据所述稳定电压和稳定电流，计算出每只所述鸽子的所述输出功率值。
8.根据权利要求7所述的基于分层鸽群算法的光伏最大功率跟踪装置，其特征在于，所述实时跟踪模块包括：
施加子模块，用于采用所述扰动观测算法，施加扰动量于所述最大占空比，并测量施加所述扰动量后的待测功率值；
变化率确定子模块，用于根据所述待测功率值和施加前的功率值，确定所述功率值变化率；
往返子模块，用于当功率值变化率大于所述预设阈值时，重新执行所述获取模块。
CN202011519557.8A 2020-12-21 2020-12-21 基于分层鸽群算法的光伏最大功率跟踪方法及装置 Active CN112596574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011519557.8A CN112596574B (zh) 2020-12-21 2020-12-21 基于分层鸽群算法的光伏最大功率跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011519557.8A CN112596574B (zh) 2020-12-21 2020-12-21 基于分层鸽群算法的光伏最大功率跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN112596574A CN112596574A (zh) 2021-04-02
CN112596574B true CN112596574B (zh) 2022-06-24

Family

ID=75199739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011519557.8A Active CN112596574B (zh) 2020-12-21 2020-12-21 基于分层鸽群算法的光伏最大功率跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN112596574B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114398721B (zh) * 2021-12-27 2024-06-25 北京航空航天大学 基于自调节搜索鸽群智能的太阳能旋翼无人机设计方法
CN116278987B (zh) * 2023-03-16 2024-04-23 佛山仙湖实验室 基于鸽群优化算法的氢燃料电池汽车能量管理方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885521A (zh) * 2014-03-14 2014-06-25 河海大学 一种基于布谷鸟搜索算法的光伏阵列mppt方法
CN104022734A (zh) * 2014-06-24 2014-09-03 西华大学 一种光伏发电控制方法、处理器及***
CN107504972A (zh) * 2017-07-27 2017-12-22 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置
CN110377100A (zh) * 2019-08-23 2019-10-25 广东工业大学 一种局部阴影下的光伏发电***最大功率跟踪方法和装置
CN110442143A (zh) * 2019-07-05 2019-11-12 北京航空航天大学 一种基于组合多目标鸽群优化的无人机态势数据聚类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885521A (zh) * 2014-03-14 2014-06-25 河海大学 一种基于布谷鸟搜索算法的光伏阵列mppt方法
CN104022734A (zh) * 2014-06-24 2014-09-03 西华大学 一种光伏发电控制方法、处理器及***
CN107504972A (zh) * 2017-07-27 2017-12-22 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置
CN110442143A (zh) * 2019-07-05 2019-11-12 北京航空航天大学 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN110377100A (zh) * 2019-08-23 2019-10-25 广东工业大学 一种局部阴影下的光伏发电***最大功率跟踪方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Novel Pigeon-Inspired Optimization Based MPPT;Ai-Qing Tian,etc;《processes》;20200320;第8卷(第3期);第1-24页 *
Hierarchical group dynamics in pigeon flocks;Máté Nagy1,etc;《Nature》;20101231;第464卷(第7290期);第890-893页 *
基于分组粒子群的光伏最大功率点跟踪方法;杨增瑞等;《计算机测量与控制》;20200731;第28卷(第7期);第244-248页 *
基于鸽群优化算法的含分布式电源配电网状态估计;白晨等;《西安理工大学学报》;20180331;第34卷(第3期);第294-297页 *

Also Published As

Publication number Publication date
CN112596574A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Chao et al. Improved particle swarm optimization for maximum power point tracking in photovoltaic module arrays
Lasheen et al. Maximum power point tracking using Hill Climbing and ANFIS techniques for PV applications: A review and a novel hybrid approach
Abdalla et al. Wind driven optimization algorithm based global MPPT for PV system under non-uniform solar irradiance
Javed et al. A novel MPPT design using generalized pattern search for partial shading
CN109814651B (zh) 基于粒子群的光伏电池多峰值最大功率跟踪方法及***
CN113342124B (zh) 基于改进灰狼优化算法的光伏mppt方法
Benlahbib et al. A fuzzy logic controller based on maximum power point tracking algorithm for partially shaded PV array-experimental validation
CN112596574B (zh) 基于分层鸽群算法的光伏最大功率跟踪方法及装置
Singh et al. Comparison of photovoltaic array maximum power point tracking techniques
CN110286708B (zh) 一种光伏阵列的最大功率跟踪控制方法及***
Mahmoud et al. A comparative study of four widely-adopted mppt techniques for pv power systems
Dhivya et al. MPPT based control of sepic converter using firefly algorithm for solar PV system under partial shaded conditions
Padmanabhan et al. Fuzzy logic based maximum power point tracker for a photovoltaic system
Bouselham et al. A MPPT-based ANN controller applied to PV pumping system
Ahmed et al. PSO-SMC controller based GMPPT technique for photovoltaic panel under partial shading effect
Sharma et al. Maximum Power Point Tracking Techniques: A Review
Azab Optimal power point tracking for stand-alone PV system using particle swarm optimization
Kacimi et al. A new combined method for tracking the global maximum power point of photovoltaic systems
Fahim et al. Overview of maximum power point tracking techniques for PV system
Khazain et al. Boost converter of maximum power point tracking (MPPT) using particle swarm optimization (PSO) method
Mostafa et al. A performance analysis of a hybrid golden section search methodology and a nature-inspired algorithm for MPPT in a solar PV system
Ghosh IBS-P&O hybrid MPPT algorithm for solar PV applications
CN109217357A (zh) 一种基于马尔可夫模型的光伏并网发电***mppt方法
Mukti et al. Particle Swarm Optimization (PSO) based Photovoltaic MPPT Algorithm under the Partial Shading Condition
Song et al. Global maximum power point tracking for PV conversion systems under partial shadings: NNIDA based approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant