[发明专利]基于动态惯性权重和多阈值重启条件的改进粒子群MPPT算法

权利要求书

1.基于动态惯性权重和多阈值重启条件的改进粒子群MPPT算法，其特征在于：将动态惯性权重引入粒子群迭代速度进行基于惯性权重的加权计算，惯性权重的解算表达式为：w_ik＝w_max-(w_max-w_min)(1-L_ig/L_max)k/k_max，式中，k表示迭代次数，L_ig表示粒子i(i＝1，2，…n，n为粒子总数)与最优粒子之间的距离，w_ik表示粒子i在第k次迭代时的惯性权重，w_max和w_min分别为惯性权重的取值上下限，L_max为粒子间的最大距离，k_max为最大迭代次数；

针对复杂多变的外界环境，设定多阈值重启条件：ΔP＝|P_s-P_max|/P_max＞η₁和|ΔP/ΔV|＞η₂，η₁和η₂分别为设定的功率变化率阈值和P-V曲线斜率阈值，P_s为实时监测的光伏阵列输出功率，P_max为粒子群算法完成搜索时达到的最大功率；当监测机制检测到系统满足上述设定的多阈值重启条件时，控制器重启粒子群算法，重新搜寻新的最大功率点；

将基于动态惯性权重和多阈值重启条件的改进粒子群算法应用在MPPT中，具体实现步骤如下：

步骤1：选择光伏阵列输出电压V_PV作为粒子，光伏阵列输出功率P_PV作为表征粒子优劣的适应值，初始化粒子群，包括群集位置和初始迭代速度，将粒子随机且均匀的分布在光伏阵列P-V特性曲线上；

步骤2：获取每个粒子当前对应的适应值，并与粒子个体在搜索过程中经历的最优位置x_ibest对应的适应值进行比较，若当前位置的适应值更好则更新x_ibest，否则x_ibest保持不变；与粒子群体在搜索过程中经历的最优位置g_best对应的适应值进行比较，若当前位置的适应值更好则更新g_best，否则g_best保持不变；

步骤3：对每个粒子i，解算出其与g_best之间的距离L_ig，将L_ig和k代入惯性权重w的自适应调整公式：w_ik＝w_max-(w_max-w_min)(1-L_ig/L_max)k/k_max，计算出粒子i在第k次迭代的惯性权重，按照迭代公式v_i(k+1)＝w_ikv_i(k)+c₁r₁(x_ibest-x_i(k))+c₂r₂(g_best-x_i(k))和x_i(k+1)＝x_i(k)+v_i(k+1)更新每个粒子的速度和位置，式中v_i(k)和v_i(k+1)分别表示第k次和第k+1次迭代时粒子i的速度，x_i(k)为粒子i第k次迭代的位置，x_i(k+1)为粒子i第k+1次迭代的位置，c₁和c₂为调节系数，r₁和r₂为[0，1]上的随机数；

步骤4：设定迭代终止条件为粒子之间最大的距离小于设定的阈值ε，若满足迭代终止条件则停止迭代，此时粒子聚集在全局最优点处，光伏阵列工作于全局最大功率点，否则返回步骤2；

步骤5：设定监测机制，实时在线检测光伏阵列输出电压和电流，计算输出功率、功率变化率以及P-V曲线斜率，当满足多阈值重启条件，控制器重启算法进行MPPT跟踪，保证系统及时跟踪新的全局最大功率点。