[发明专利]应用于多峰MPPT的整体分布-粒子群优化算法

摘要

本发明公开了一种应用于多峰MPPT的整体分布‑粒子群优化算法，在PSO算法上，添加了OD算法的步骤，通过OD进一步缩小最大功率点所在的范围，再通过PSO算法进行进一步迭代，最终收敛到最大功率点。本发明具有如下优点：通过整体分布(OD)算法将粒子分布在最大功率点附近，再利用PSO算法进行精确跟踪，使得该算法不依赖于初始粒子的位置，从而不需要依赖于光伏阵列过多的信息，就可以达到较好的跟踪效果和较快的跟踪速度。

主权项

1.一种应用于多峰MPPT的整体分布‑粒子群优化算法，其特征在于，包括以下步骤：S1：初始化粒子群粒子的初始位置，柯西分布参数r，直径C以及种群递减率α和停滞次数b；S2：采样光伏阵列的输出电压V_PV，以及输出电流I_PV，通过P＝V_PV*I_PV计算当前种群粒子所在位置对应的输出功率，其中最大的功率为当前种群中的最大功率l_best，将当前种群中的最大功率l_best与之前种群中得到的最大功率g_best进行比较，如果当前种群中的最大功率l_best＞之前种群中得到的最大功率g_best，令g_best＝l_best，并根据当前粒子的位置、直径C、最优粒子所在的位置和第一随机数产生新的种群，同时迭代次数加1，如果当前种群中的最大功率l_best＜之前种群中得到的最大功率g_best，则g_best保持不变，停滞次数b减1，根据种群递减率α和直径C产生新的种群，同时迭代次数加1；当b＝0时，减小种群直径，并根据种群递减率α和直径C产生新的种群，同时迭代次数加1；S3：判断迭代次数是否满足j_1max，若不满足则返回S2，若满足则输出最新产生的种群，进入S4；S4：计算最新种群中的每个粒子的适应度值；S5：根据最新种群中的每个粒子的适应度值更新粒子的个体极值的位置P_best和全局极值的位置G_best；S6：根据惯性权重ω、加速常量、第二随机数、第三随机数、个体极值的位置P_best和全局极值的位置G_best更新每个粒子的位置和速度，同时迭代次数加1；S7：判断更新后的每个粒子的位置、速度或者迭代次数是否满足预设条件，如果满足所述预设条件，则输出最优粒子的位置，如果不满足所述预设条件，则返回步骤S4。S8：在光伏发电MPPT中，粒子群优化的目标函数是光伏阵列的输出功率，粒子为占空比，令初始粒子均匀分布在[0，1]之间；监测阴影情况和光照强度，如果阴影情况和/或光照强度变化值大于预设功率变化率时，重启算法返回步骤S1。根据以下公式判断是否返回步骤S1：其中，ε为功率变化率，P为功率，P_m为跟踪到的最大功率。