[发明专利]一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法

权利要求书

1.一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法，其特征在于，具体流程如下：

步骤1：定义参数含义、初始化基本参数，具体包括：

定义参数含义：蝴蝶的位置代表控制自适应Buck/Boost(降/升压)直流斩波变换器的占空比；当前算法搜寻出的最优位置表示自适应Buck/Boost直流斩波变换器的最优占空比D_best；光储发电系统输出的功率P为目标函数。

初始化基本参数：设置蝴蝶数目N，感觉因子c，幂指数ɑ，转换概率p。

步骤2：初始化种群的位置；

设光伏阵列的规模为{m×n}，其中m为每条支路光伏组件串联的个数；n为光伏阵列中组件并联的支路数。种群中每只蝴蝶的位置在(0，1)中随机分布。

步骤3：计算适应度值并记录全局最优占空比x_Gbest；

根据初始化的蝴蝶的位置计算每只蝴蝶对应的适应度值，即根据P＝U×I计算光储发电系统的实时输出功率，根据适应度值大小记录最佳适应度值对应的全局最优值x_Gbest。

步骤4：更新蝴蝶的位置；

自适应变异蝴蝶优化算法位置更新的模型如下：

感觉因子c与幂指函ɑ的更新公式如下：

其中t表示当前迭代次数，t_max表示最大迭代次数。改进的蝴蝶优化算法中感觉因子c与幂指函ɑ能跟随迭代次数增加进行自适应调整。

香味的感知强度f的更新公式如下：

其中x_Gbest(t)表示第t次迭代中的最优位置。

自适应变异蝴蝶优化算法的位置更新公式如下：

其中x_i(t)表示第i只蝴蝶在第t次迭代中的位置，x_j(t)和x_k(t)表示从解空间中随机选择的第j只和第k只蝴蝶，r₁是[0,1]之间的随机数。当p≥r₁时，算法为全局搜索阶段，种群中蝴蝶的位置将会向最全局优解x_Gbest靠近；当p＜r₁时，算法为局部搜索阶段，蝴蝶将会在目前的位置附近移动。为了平衡算法的全局搜索和局部搜索能力，转换概率p将按照下式进行变化：

步骤5：对蝴蝶种群进行变异操作；

在步骤4更新的蝴蝶位置的基础上，按照变异概率p_r对蝴蝶群中任意一只蝴蝶x_r的位置进行柯西变异操作。变异概率p_r按照下式进行变化：

其中e为自然常数。

若p_r≥r₂，r₂是[0,1]之间的随机数。则通过如下公式对x_r的位置进行更新：

x_r·new＝x_r+x_r×Cauchy(0,1) (6)

其中x_r表示从解空间中随机选择的一只蝴蝶位置，x_r·new表示该蝴蝶位置经变异操作后的新位置，Cauchy(0,1)为柯西分布函数。

步骤6：更新变异操作后的蝴蝶的位置，并根据最新的位置计算适应度值并记录全局最优占空比x_Gbest；

步骤7：计算搜索精度ε，当搜索精度满足ε＜0.2％U_{oc_module}(U_{oc_module}为光伏组件的开路电压)或光储发电系统动态多峰MPPT算法的迭代次数t达到最大迭代次数t_max时，转到步骤8；否则转到步骤4，并且迭代次数加1，继续进行搜索。其中搜索精度ε的计算公式如下：

ε＝|U_gb-U_i| (7)

其中U_gb表示算法搜索到的全局最优占空比x_Gbest对应的光储发电系统输出电压，U_i为蝴蝶群中任意蝴蝶位置对应的光储发电系统的输出电压。

步骤8：若光伏阵列的阴影状态发生变化，则重启算法重新搜索此时光储发电系统的最大功率输出点；否则结束算法，输出全局最优占空比x_Gbest和最大功率P_max。