[发明专利]局部阴影下光伏最大功率点跟踪的萤火虫改进方法

摘要

本发明涉及光伏并网技术领域，是一种局部阴影下光伏最大功率点跟踪的萤火虫改进方法，其特点是，包括的步骤有：建立光伏阵列阴影情况下的数学模型，得出光伏阵列输出功率P的数学表达式；荧光素值代表光伏阵列输出功率P，萤火虫位置代表光伏阵列输出电压U，通过迭代次数t和迭代次数t‑1时的最优目标值和最差函数值的差的比值，定义变步长因子s(t)，用变步长因子代替传统萤火虫算法的固定步长；利用Matlab仿真软件对改进变步长萤火虫算法和传统固定步长萤火虫算法的收敛情况进行比较，可以有效提高迭代初期的收敛速度和迭代后期的稳定性。

主权项

1.一种局部阴影下光伏最大功率点跟踪的萤火虫改进算法，其特征是，它包括的步骤有：1)建立光伏阵列阴影情况下的数学模型，得出光伏阵列输出功率P的数学表达式；在均匀光照下，光伏阵列的电压电流的输出特性为：式中，Upv为光伏阵列输出直流电压、Ipv为光伏阵列输出直流电流；Isc为光伏阵列短路电流、Uoc为光伏阵列开路电压；C1、C2均为光伏阵列的常系数；ΔI为光伏阵列输出电流修正量如公式(2)所示、ΔU为光伏阵列输出电压修正量如公式(3)所示；ΔU＝‑β(T‑Tref)‑RsΔI    (3)式中，S为任意光照强度，Sref为标准光照强度；T为任意环境温度，Tref为标准环境温度；α为在参考标准下的电流变化温度系数；β为在参考标准下的电压变化温度系数；Rs为光伏列阵的串联电阻，与光伏组件内部单体光伏电池的串联并联方式有关；在阴影情况下，每块光伏电池板的受光面积不相同，因此产生的电压电流也有所区别，并联于光伏电池板的二极管可能形成正压而处于导通状态，使得光伏阵列的输出特性发生变化，对于参数完全相同的两块光伏电池板串联的输出特性，温度T＝25℃，光伏电池板M1光照强度S1＝l000W/m2，光伏电池板M2光照强度S2＝600W/m2；光伏电池板M1和光伏电池板M2对应的开路电压Uoc1＞Uoc2，短路电流Isc1＞Isc2；串联支路以输出电流作为分析基准，可将电流分为两个区间[0，Ics2]和[Ics2，Ics1]，当串联光伏阵列的输出电流在[0，Ics2]内时，旁路二极管D2处于反向偏压状态而未导通，光伏电池板M1和光伏电池板M2流过相同的电流，共同对外输出功率P，串联阵列的电压U等于光伏电池板M1和光伏电池板M2的输出电压之和；P＝UI    (6)其中C11，C12，C21，C22为对应光伏电池板在新条件下的常系数；ΔI1为光伏电池板M1输出电流修正量，ΔI2为光伏电池板M2输出电流修正量；ΔU1为光伏电池板M1输出电压修正量，ΔU2为光伏电池板M2输出电压修正量；Isc1为光伏电池板M1的短路电流、Isc2为光伏电池板M2的短路电流；Uoc1为光伏电池板M1的开路电压、Uoc2为光伏电池板M2的开路电压；当串联光伏阵列的输出电流[Ics2，Ics1]在内时，光伏电池板M1产生的电流大于光伏电池板M2产生的电流，旁路二极管D2的处于正向偏压状态而导通，因此大于光伏电池板M2的短路电流Isc2从旁路二极管D2流过，只有光伏电池板M1对外输出功率时，串联光伏阵列的电压等于光伏电池板M1的输出电压，此时，忽略旁路二极管电压；P＝UI    (9)因此光伏阵列的多峰数学模型为：2)荧光素值代表光伏阵列输出功率P，萤火虫位置代表光伏阵列输出电压U，通过迭代次数t和迭代次数t‑1时的最优目标值和最差函数值差的比值，定义变步长因子s(t)，用变步长因子代替传统萤火虫算法的固定步长；在应用改进萤火虫算法的最大功率点跟踪(Maximum Power Point Tracking，即MPPT)中，目标函数值为光伏阵列输出功率P；萤火虫的位置为光伏阵列输出电压U，但是萤火虫在移动时，固定步长难以达到MPPT的寻优标准，利用Matlab仿真软件对传统固定步长萤火虫算法下的MPPT算法仿真，光伏阵列仿真参数为：Isc＝5.74A，Uoc＝44.8V，Im＝5.32A，Um＝37.5V；萤火虫仿真参数：荧光素l0＝5；动态决策域为r0＝10；领域阈值nt＝10，荧光素消失率ρ＝0.4；荧光素更新率γ＝0.6，动态决策域更新率β＝0.08；萤火虫感知域rs＝10，迭代次数t＝1000；为研究固定步长对寻优性能的影响，设置萤火虫的初始位置分配固定，萤火虫数n＝5，当步长s＝1时，步长过大，虽然收敛速度很快，但是造成了局部震荡，最终影响追踪精度，其中P＝1.99322kW；当步长s＝0.01时，步长过小，虽然最终寻优结果相对更好，但前期收敛速度过慢，其中P＝1.99481kW；采用变步长的萤火虫算法，既能保证算法前期的收敛速度，又能保证算法的寻优精度，首先荧光素值代表光伏阵列的输出功率P，萤火虫位置代表光伏阵列的输出电压U；萤火虫初始位置为[0，Uoc]内随机种群个数n的位置；变步长因子s(t)与迭代次数t和迭代次数t‑1时的最优目标值和最差函数值有关，当步长s＝0.03时，在迭代初期时，设定其迭代次数t‑1为10，测出5组输出功率和输出电压数据，分别为P＝77.5567，U＝9.26；P＝139.1199，U＝18.22；P＝155.7295，U＝27.18；P＝197.3938，U＝35.84；P＝25.2605，U＝44.5；设定迭代次数t为11，测出5组输出功率和输出电压数据，分别为P＝77.7979，U＝9.29；P＝139.2620，U＝18.25；P＝155.8985，U＝27.21；P＝197.3938，U＝35.84；P＝27.7026，U＝44.47；迭代初期的最优目标值和最差函数值差的比值k(t)为1.01439133，当步长s＝0.03时，在迭代后期时，设定其迭代次数t‑1为1000，测出5组输出功率和输出电压数据，分别为P＝199.4810，U＝37.34；P＝199.4810，U＝37.36；P＝199.4801，U＝37.32；P＝199.4810，U＝37.34；P＝199.4810，U＝37.36；设定迭代次数t为1001，测出5组输出功率和输出电压数据，分别为P＝199.4794，U＝37.31；P＝199.4807，U＝37.33；P＝199.4811，U＝37.35；P＝199.4810，U＝37.34；P＝199.48077，U＝37.33；迭代初期的最优目标值和最差函数值差的比值k(t)为0.500481031；由于步长初始设置较小，因此迭代初期时间较长，最优解萤火虫位置U一段时间不变，其他萤火虫互相沟通信息并移动，此时值k(t)大于1；迭代后期，最优解萤火虫位置反复更新，因步长相对较大，使萤火虫不能完美移动到下一次迭代应该在的位置，此时k(t)值小于1；当迭代次数t‑1＝50、t＝51时，k(t)＝1.0021；当迭代次数t‑1＝100、t＝101时，k(t)＝1.0023；当迭代次数t‑1＝150、t＝151时，k(t)＝1.0025；当迭代次数t‑1＝200、t＝201时，k(t)＝1.0026；当迭代次数t‑1＝250、t＝251时，k(t)＝1.0020；当迭代次数t‑1＝300、t＝301时，k(t)＝1.0024；当迭代次数t‑1＝350、t＝351时，k(t)＝1.0020；当迭代次数t‑1＝400、t＝401时，k(t)＝1.0011；当迭代次数t‑1＝450、t＝451时，k(t)＝1.0013；当迭代次数t‑1＝500、t＝501时，k(t)＝1.0029；当迭代次数t‑1＝550、t＝551时，k(t)＝1.0032；当迭代次数t‑1＝600、t＝601时，k(t)＝1.0038；当迭代次数t‑1＝650、t＝651时，k(t)＝1.0046；当迭代次数t‑1＝700、t＝701时，k(t)＝1.0057；当迭代次数t‑1＝750、t＝751时，k(t)＝1.0076；当迭代次数t‑1＝800、t＝801时，k(t)＝1.0109；当迭代次数t‑1＝850、t＝851时，k(t)＝1.0178；当迭代次数t‑1＝900、t＝901时，k(t)＝1.0409；当迭代次数t‑1＝950、t＝951时，k(t)＝1.5005；当迭代次数t‑1＝1000、t＝1001时，k(t)＝1.5005；可见随着迭代次数的增加，k(t)的变化符合步长变化规律，因此变步长因子s(t)可以定义为：其中ρ为控制系数；fmax(xt‑1)为迭代次数为t‑1时对应的最优目标值，fmin(xt‑1)为迭代次数为t‑1时对应的最差函数值，fmax(xt)为迭代次数为t时对应的最优目标值，fmin(xt)为迭代次数为t时对应的最差函数值；因此萤火虫的位置更新公式变为：其中xi(t)表示萤火虫i在t时刻的位置，xj(t)表示萤火虫j在t时刻的位置；用变步长因子s(t)代替固定步长因子s，使得萤火虫的步长能够根据萤火虫个体间的沟通动态变化，在寻优过程初期，萤火虫间的k(t)较大，适当扩大控制系数ρ可以加快在迭代前期算法的收敛速度，从而使萤火虫能够自主探索一个较大的范围；当萤火虫个体聚集在最优值附近时，减小k(t)值，防止萤火虫的自主探索能力过强，减小控制系数ρ，防止陷入局部极值点和局部震荡；3)利用Matlab仿真软件对改进变步长萤火虫算法和传统固定步长萤火虫算法的收敛情况进行比较，可以有效提高迭代初期的收敛速度和迭代后期的稳定性；利用Matlab仿真软件对变步长萤火虫算法下的MPPT算法仿真，光伏阵列仿真参数为：Isc＝5.74A，Uoc＝44.8V，Im＝5.32A，Um＝37.5V；萤火虫仿真参数：荧光素l0＝5；动态决策域为r0＝10；领域阈值nt＝10，荧光素消失率ρ＝0.4；荧光素更新率γ＝0.6，动态决策域更新率β＝0.08；萤火虫感知域rs＝10，迭代次数t＝300；k(t)大于1时，ρ＝0.08；k(t)小于1时，ρ＝0.01；萤火虫数n＝20，萤火虫的初始位置为[0，44.8]内随机种群个数20的位置；根据相同参数下固定步长s＝0.03和变步长萤火虫算法收敛情况对比；可以看出虽然传统萤火虫算法的随机初始位置比较好，但是由于步长较小，最优函数值对应的萤火虫位置前期始终没有改变，导致前期收敛速度过慢，而变步长萤火虫算法前期步长s(t)在区间[0.0214，0.0220]内，收敛速度很快；后期步长s(t)在区间[0.0116，0.0175]内收敛速度减小，因此没有陷入局部极值和局部震荡中。