[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

说明书

本发明提出了一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法。以Buck/Boost电路中的开关管占空比作为自适应变异蝴蝶优化算法的粒子，以光伏阵列的输出功率作为算法的适应度函数。本发明通过将蝴蝶优化算法与自适应策略和变异策略相结合，能快速准确地找到光伏阵列处于局部阴影情况下的全局最大功率点，有效避免了算法陷入局部最优值，提高了光储电站的发电效率，并通过Buck/Boost电路自适应控制以及储能模块维持光储发电系统供电的稳定性。

技术领域

本发明涉及光伏发电技术领域，特别涉及一种基于AMBOA的光储发电系统动态多峰MPPT控制方法。

背景技术

光伏发电具有安全、污染小以及不会枯竭等优点，被大量应用于光伏电站，在实际应用中，光伏发电系统输出功率的大小与光照强度以及环境温度有关，并且其输出曲线具有明显的非线性的特点：在均匀光照下只有一个最大功率点，而在不均匀光照下其功率输出曲线呈多峰特性。为了提高光伏电站发电效率、减少功率损失，进行最大功率点跟踪(Maximum Power Point Tracking,MPPT)控制就显得十分重要。

传统MPPT控制算法(如：恒定电压法、扰动观测法、电导增量法，等)具有控制简单且易于实现的优点，在均匀光照下能较好地追踪到光伏发电系统的最大功率点；但在树木、云层等遮挡而处于不均匀光照状态下时，容易陷入局部最大值而造成功率损失。近年来大量智能算法被应用于光伏发电系统的多峰MPPT 控制研究中(如：粒子群优化算法、遗传算法、蚁群算法，等)，在多峰MPPT控制中有一定作用，但是仍然存在收敛速度慢，容易陷入局部最大值的缺陷。

发明内容

为了解决背景技术中所提到的问题，本发明提出了一种收敛速度快、调节参数少、寻优能力强的基于自适应变异蝴蝶优化算法(Adaptive Mutation ButterflyOptimization Algorithm，AMBOA)的光储发电系统动态多峰MPPT控制方法，能自适应环境温度和光照强度的变化跳出局部最大值实现全局优化。

AMBOA的具体流程如下：

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。

自适应Buck/Boost直流斩波变换器的模式选择思路如下：当环境温度高、光照强度大，光储发电系统的输出电压高，自适应选择降压模式维持发电电压稳定；当环境温度低、光照强度小，光储发电系统的输出电压低，自适应选择升压模式维持发电电压稳定；

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：