一种基于多目标优化的光伏系统最大功率点的获取方法
【专利摘要】本发明公开了一种基于多目标优化的光伏系统最大功率点的获取方法，其特征是按如下步骤进行：1将光伏系统最大功率点的跟踪问题转换为如式(1)所示的多目标优化问题：2利用多目标优化方法对所述多目标优化问题进行优化，得到最大功率点所对应的电压和电流。本发明仅需检测外界环境，即可获得到光伏系统在该环境下的最大功率点，并达到提高最大功率点精度的目的。
【专利说明】
一种基于多目标优化的光伏系统最大功率点的获取方法
技术领域
[0001] 本发明涉及光伏系统最大功率点技术领域，更具体地说是一种基于多目标优化的 光伏系统最大功率点的获取方法。
【背景技术】
[0002] 光伏发电系统在特定的环境条件下，仅存在一个最大输出功率点。一旦其工作点 偏离最大功率点，太阳能电池的输出功率就会急剧减小。因此，为了最大限度的利用光伏发 电系统的能量、提高系统的效率，就要根据外界环境的变化来不断调整光伏系统的工作电 压，使得光伏发电系统始终工作在最大功率点附近，该技术称为最大功率点跟踪。
[0003] 随着光伏发电的迅速发展，最大功率点跟踪算法的作用显得尤其重要。目前，最大 功率点跟踪算法主要分为以下两类：
[0004] (1)基于工程应用的近似调整方法。这类方法的典型代表是恒电压跟踪法：由于不 同光照强度下的最大功率点总是近似接近于某一个恒定的电压值u max，所以根据光伏电池 的结构和参数计算出umax，并使光伏系统成为一个稳压器，就能使其稳定工作在最大功率点 附近。恒电压跟踪控制法易于实现，并且控制系统简单。但其稳态误差比较大、光伏系统损 失的功率也比较多。
[0005] (2)基于输出特性的数学分析方法。这类方法主要包括扰动观察法、电导增量法 等，是目前运用最广泛的一类最大功率点跟踪算法。此类方法通过对光伏阵列的输出电压 加以扰动，观察其输出特性的变化来判断当前的工作状态，从而决定下次扰动的方向，最终 使系统稳定运行在最大功率点附近。但是这类最大功率点跟踪算法所选定的扰动步长对于 跟踪精度和响应速度无法兼顾，扰动步长越大，速度越快，但精度越差;反之亦然。
【发明内容】
[0006] 本发明是为避免上述现有技术所存在的不足之处，提供一种基于多目标优化的光 伏系统最大功率点的获取方法，以期仅需检测光伏系统的外界环境，即可有效地跟踪到光 伏系统的最大功率点，并达到提高最大功率点精度的目的。
[0007] 为了达到上述目的，本发明所采用的技术方案为：
[0008] 本发明一种基于多目标优化的光伏系统最大功率点的获取方法的特点是按如下 步骤进行：
[0009] 步骤1、将所述光伏系统最大功率点的跟踪问题转换为如式（1)所示的多目标优化 问题： min(f,(xuf2(x))
[0010] (1) x=：(K,/;.U；e[0,KJ,/ e[0./_]
[0011]式（1)中，Vr和Ir分别表示所获取到的最大功率点所对应的电压和电流;V max和Imax 分别表示在给定的光照和温度下的最大电压和最大电流KiU)表示最小化功率函数，并 有：
[0012] fl(X)=VmaxXImax-VrXIr (2)
[0013]式(1)中，f2(X)表示电流误差函数，并有：
[0015] 式⑶中，Ipv为由光照而生成的光伏电流；1〇为二极管饱和电流;q为电子的电荷 量;k为玻尔兹曼常数;T为太阳能电池的绝对温度;A为理想系数，AG[l，2];Rs为串联等效 电阻;Rsh为并联等效电阻；
[0016] 步骤2、利用多目标优化方法对所述多目标优化问题进行优化，得到最大功率点所 对应的电压Vr和电流Ir。
[0017] 本发明所述的获取方法的特点也在于，
[0018] 所述多目标优化方法为基于权值向量的偏好多目标优化算法是按如下步骤进行：
[0019] 步骤2.1、定义选择概率为S ;定义循环变量为L;定义最大循环次数为Lmax;定义周 期为T;定义变量m，初始化m = 1;
[0020] 在第m个周期1?下，产生初始种群Po(m)以及相应的初始权值向量集合w，记为 个初始个体，且= 和/厂(，《)分别表示第i个初始个体 pf1 (7?2)的初始电压和初始电流;Wi表示第i个个体pi (m)的初始权值向量;且Wi = (Wi 1，Wi2); Wii和Wi2分别表不第i个个体Pi (m)的第一权值和第二权值；
[0021] 步骤2.2、初始化L=l;利用二分搜索采点法缩小初始种群P〇(m)的搜索区间[0， Vmax]和[0，I max]，从而得到优化搜索区间[Vk-i，Vk+1 ]和[Ik-i，Ik+1 ];
[0022] 步骤2.3、设置偏好点为口(111)=化1(1]1)^2(1]1))训(111)为第1]1个周期1' 111下的最小化功 率函数fi(x)的期望值，p2(m)为第m个周期IVf电流误差函数f 2(x)的期望值;设置偏好邻域 b = (bi，b2) ;bi和b2分别表不偏好邻域的长和宽；
[0023] 步骤2.4、利用式(4)将第m个周期Tm下述第i个初始个体的初始权值向量 wi映射到偏好点p(m)的偏好邻域b内，得到映射后的第i个初始个体的权值向量 ￥/，且￥/=(￥/1，'\￥/2);从而得到映射后的权值向量集合￥/={￥1/，'\￥ /2，一，￥/，-_，'\￥11/}:
[0024] wia' =2XbaXwia+pa(m)_ba，a=l，2 (4)
[0025] 步骤2.5、利用式(5)将第i个初始个体的权值向量w/转换为第i个初始个 体的具有偏好信息的权值向量M，从而得到具有偏好信息的权值向量集合AilAi， 入2，."，人i，…，入n}:
[0027]步骤2.5、计算第i个初始个体I11 (m)的初始权值向量wi分别和其余n-1个个体的 初始权值向量间的欧式距离，得到第i个初始个体户的欧式距离集合，从所述欧式距 离集合中选取最小的前M个距离所对应的个体作为第i个初始个体的M个最近邻居 个体；
[0028]步骤2.6、以所述选择概率S从所述第i个个体的M个最近邻居个体中选取 三个个体或者以1-S的概率从所述初始种群Pl-Khi)中选取三个个体，并利用差分进化算子 对所选取的三个个体进行交叉变异，从而产生第m个周期IVf第L次循环的第i个新个体
[0029]步骤2.7、重复步骤2.6对种群Pl-Khi)中每个个体进行交叉变异，从而产生第L次循 环的n个新个体所构成的新种群gz. ("?)=丨#(w)，# gf (m),…，仏(,￡) (w)};
[0030] 步骤2.8、将第L次循环的新种群QL(m)和第L-1次循环的种群PL-Km)进行合并，得 到第m个周期T m下第L次循环的合并种群RUm);
[0031] 步骤2.9、利用切比雪夫公式从所述第L次循环的合并种群RL(m)中选择与具有偏 好信息的权值向量集合A最匹配的n个个体构成第L次循环的种群P L(m);
[0032] 步骤2.10、将L+1赋值给L，并判断L>Lma^否成立，若成立，则表示获得第m个周期 Im下第1^次循环的种群PLmax(m)，并从所述种群PLmax(m)中选取最大功率点，以所述最大功 率点所对应的电压和电流即为所要获取的第m个周期IVf的电压V r(m)和电流Ir(m);若不成 立，则返回步骤2.6;
[0033] 步骤2.11、将电压￥1(111)和电流11(111)作为￥ 1和11代入最小化功率函数&&)中，得到 f/U)，判断f/UXpKm)是否成立，若成立，则将f/(x)作为第m+1个周期Tm+1下的功率最 小化期望值;再将第m个周期Tm下的第Lmax次循环的种群I\max(m)作为第m+1个周期T m+1下的初 始种群P〇(m+l);
[0034] 步骤2.12、令m+1赋值给m，并返回步骤2.2。
[0035]所述二分搜索采点法是按如下步骤进行：
[0036]步骤2.2.1、对[0，Vmax]进行均匀采样，并计算每个采样点的输出功率后，选取最大 输出功率所对应的采用点记为Vk;
[0037] 步骤2.2.2、选取[Vk-i，Vk+i]及其对应的[Ik-i，Ik+i]作为优化搜索区间。
[0038]与已有技术相比，本发明的有益效果体现在：
[0039] 1、本发明仅需检测光伏系统外界的环境变化，即可获取到光伏系统的最大功率 点，易于操作实现，且可实现离线跟踪光伏系统的最大输出功率点，避免了因在最大功率点 附近振荡而造成能量损失；同时，在外界环境发生骤变或光伏阵列在位于局部遮阴的情形 下，本发明亦可获得到光伏系统的最大功率点。
[0040] 2、本发明针对在外界环境发生瞬变或光伏阵列位于局部遮阴情形下现有方法获 取最大功率点的不足，提出了多目标优化的方法来优化最大功率点问题，从而提高了最大 功率的精度和其准确性。
[0041] 3、本发明通过提出的二分搜索采点法搜小解的搜索范围，使得算法得到一个更小 且更精确的范围，提高了算法的时间效率。
[0042] 4、本发明在搜索过程中融入决策者偏好信息，将最终的搜索结果限制在决策者的 偏好邻域内，使其能更精确地满足光伏系统模型的约束。
[0043] 5、本发明通过不断动态更新决策者的偏好信息，提高了算法的精度。
[0044] 6、本发明通过不断动态更新种群，加快了算法中种群的收敛速度，使得算法的运 行速度更快，减少了算法的运行时间。
【附图说明】
[0045] 图1为现有技术中光伏电池的等效模型；
[0046] 图2为本发明的结构不意图；
[0047]图3为本发明权值向量映射图；
[0048]图4为本发明基于权值向量的偏好多目标优化方法的流程图。
【具体实施方式】
[0049]本实施例中，一种基于多目标优化的光伏系统最大功率点的获取方法是按如下步 骤进行：
[0050] 步骤1、将所述光伏系统最大功率点的跟踪问题转换为如式（1)所示的多目标优化 问题： min{ /；.(.v), /；(..v))
[0051] _ (1) ,v/. a- = (|/,/.).K e[0,K,,,,,J./, e [0，/,,, J
[0052] 式（1)中，Vr和Ir分别表示所获取到的最大功率点所对应的电压和电流;VmajPI max 分别表示在给定的光照和温度下的最大电压和最大电流;fi(x)表示最小化功率函数，并 有：
[0053] fl(X)=VmaxXImax-VrXIr (2)
[0054]式（1)中，f2(x)表示电流误差函数，并有：
(3)
[0056] 式（3)中，Ipv为由光照而生成的光伏电流；1〇为二极管饱和电流;q为电子的电荷 量;k为玻尔兹曼常数;T为太阳能电池的绝对温度;A为理想系数，AG[l，2];Rs为串联等效 电阻;Rsh为并联等效电阻；
[0057]根据图1所示的光伏电池的等效模型，可得出其输出特征方程：
(4)
[0059]跟踪光伏系统的最大功率点的目的就是要找到使V*I值最大的(V，I)对，且同时要 使得由工作电压V通过模型的输出特征方程得到的真实电流I'与跟踪到的电流I满足光伏 电池的模型的误差约束。因此，跟踪光伏系统的最大功率既要考虑功率，又要考虑模型的电 流误差，这符合多目标优化问题的性质，因此可以将光伏系统的最大功率点的跟踪问题转 化为如公式(1)所示的多目标优化问题：
[0060] 步骤2、利用多目标优化方法对实施例中的多目标优化问题进行优化，得到最大功 率点所对应的电压Vr和电流I r。
[0061] 具体实施中，多目标优化方法为基于权值向量的偏好多目标优化算法是按如下步 骤进行:如图2所示，在将最大功率点问题转换为式(1)所示的多目标优化问题后，本实施例 使用基于权值向量的偏好多目标优化算法来优化该多目标优化问题，即可获取到对应的功 率点。
[0062] 步骤2.1、定义选择概率为S ;定义循环变量为L;定义最大循环次数为Lmax;定义周 期为T;定义变量m，初始化m = 1;
[0063] 在第m个周期1?下，产生初始种群Po(m)以及相应的初始权值向量集合w，记为 户0 (W) = (?小 卜小…，(，")，…，(，")卜=， W2 广 个初始个体，且#W=(_)W，炉W); 和4。)卜^ 只(°1 (m)的初始电压和初始电流;Wi表示第i个个体pi(m)的初始权值向量;且Wi = (Wi 1，Wi2); wn和Wi2分别表不第i个个体pi (m)的第一权值和第二权值；
[0064] 步骤2.2、初始化L= 1;利用二分搜索采点法缩小初始种群Po(m)的搜索区间[0， Vmax]和[0，Imax]，从而得到优化搜索区间[Vk-i，Vk+1 ]和[Ik-i，Ik+1 ];
[0065] 步骤2.2.1、对[0，Vmax]进行均匀采样，并计算每个采样点的输出功率后，选取最大 输出功率所对应的采用点记为Vk;
[0066] 步骤2.2.2、选取[Vk-i，Vk+i ]及其对应的[Ik-i，Ik+i ]作为优化搜索区间。
[0067]根据模型的输出特征方程，误差函数F(V，I)构建公式(5)，该函数的目的是找到适 合光伏系统模型的(V，I)对；
(5)
[0069] 4
，此外电压V为常量，因此可得出如公式（6)所示的关于Z的函 数；
(6)
[0071] 对公式(6)中Z进行求导如公式(7)，可发现K(Z)多0,表明函数F(Z)是一个单调递 增函数，当Z = I=V = 0时，可得
故因找到Z>0满足F(Z)>0。
(7)
[0073] 分析公式（6 )可知，当Z > 0时，I 〇 ( e x p ( Z ) - 1 ) > 0 ;因此，如果满足
I?，就能满足F ( Z ) > 0 ;亦即可以得知当Z满足 ^(2)>0;同时^(2)是一个单调递增函数，在区间[0,2」有 且仅有一个零根，故二分搜索发可用于搜索(V，I)对；
[0074] 因此，在给定的外界环境下，当1 = 0和F(Z)=0时，通过二分搜索可得到光伏系统 的最大工作电压Vmax。当Vmax确定后，多目标优化方法中的初始解的搜索范围固定在[0， Vmax]，为了得到近似最优解，可以通过从一些列解中选取最佳的候选(V，I)对，对此，本实施 例在区间[0，V max]均匀的选取50个(V，I)对，定义为(Vi，Ii)，i = l，2，.. .，50;对应的输出功 率Pi = Vi*Ii，假设最大输出功率是Pr^jtzPk，对应的(V，I)对为(Vk，Ik)，因此最优的工作 电压在区间[Vk-i，Vk+i](光伏系统的P-V曲线是单峰曲线），对应的电流区间为[Ik-I，lk+1]，其 中电流会随着电压的增大而减少；因此，将初始的多目标优化问题的决策空间[0，V max]X [0，Imax]缩小^-^^^[〖^上+山这样即可缩小解的搜索空间屬到一个更小且更精确 的范围，提高了算法的时间效率。
[0075]步骤2.3、设置偏好点为口(111) = (口1(1]1)^2(1]1))$1(111)为第1]1个周期1'111下的最小化功 率函数fi(x)的期望值，p2(m)为第m个周期IVf电流误差函数f2(x)的期望值;设置偏好邻域 b = (bi，b2) ;bi和b2分别表不偏好邻域的长和宽；
[0076] 步骤2.4、利用式(8)将第m个周期Tm下述第i个初始个体的初始权值向量 Wi映射到偏好点p(m)的偏好邻域b内，得到映射后的第i个初始个体的权值向量 w/，且w/ 从而得到映射后的权值向量集合W' ={w/ V2,…，w/，???，?》/ }:
[0077] Wia7 =2XbaXwia+Pa(m)-ba,a=l ,2 (8)
[0078] 图3给出了两目标优化问题中的权值向量由公式8映射到偏好点p=(0.5,0.2)的 邻域内，得到映射后的权值向量，其中邻域大小为b = (0.25，0.25)。
[0079] 步骤2.5、利用式(9)将第i个初始个体的权值向量w/转换为第i个初始个 体^广11^；)的具有偏好信息的权值向量h，从而得到具有偏好信息的权值向量集合^仏， 入2，…，入i，…，入n}:
(9)
[0081 ]步骤2.5、计算第i个初始个体M (w)的初始权值向量Wi分别和其余n-1个个体的 初始权值向量间的欧式距离，得到第i个初始个体的欧式距离集合，从所述欧式距 离集合中选取最小的前M个距离所对应的个体作为第i个初始个体的M个最近邻居 个体；
[0082] 步骤2.6、以所述选择概率5从所述第1个个体/^_^?"；)的11个最近邻居个体中选取 三个个体或者以1-S的概率从所述初始种群Pl-Khi)中选取三个个体，并利用差分进化算子 对所选取的三个个体进行交叉变异，从而产生第m个周期IVf第L次循环的第i个新个体 q\L]{m)
[0083] 步骤2.7、重复步骤2.6对种群IVKm)中每个个体进行交叉变异，从而产生第L次循 环的n个新个体所构成的新种群=、卜/丨〃("小# ("小…1 1
[0084]步骤2.8、将第L次循环的新种群QL(m)和第L-1次循环的种群PL-Km)进行合并，得 到第m个周期Tm下第L次循环的合并种群RUm);
[0085] 步骤2.9、利用切比雪夫公式从所述第L次循环的合并种群RL(m)中选择与具有偏 好信息的权值向量集合A最匹配的n个个体构成第L次循环的种群P L(m);
[0086] 步骤2.10、将L+1赋值给L，并判断L>Lma^否成立，若成立，则表示获得第m个周期 Im下第1^次循环的种群PLmax(m)，并从所述种群PLmax(m)中选取最大功率点，以所述最大功 率点所对应的电压和电流即为所要获取的第m个周期IVf的电压Vr(m)和电流Ir(m);若不成 立，则返回步骤2.6;
[0087] 步骤2.11、将电压￥1(111)和电流11(111)作为￥1和1 1代入最小化功率函数&(1)中，得到 f/U)，判断f/UXpKm)是否成立，若成立，则将f/(x)作为第m+1个周期Tm+1下的功率最 小化期望值;这样即可不断更新算法中初始设置的偏好点，偏好信息的动态更新提高了本 实施例的精度。再将第m个周期T m下的第Lmax次循环的种群Puax(m)作为第m+1个周期Tm+1下的 初始种群P〇(m+l);由于一天中外界环境瞬变的次数很少，故上一时刻最大功率点下的种群 对下一时刻有指导意义，因此本实施例中将上一时刻的最终种群作为下一时刻的初始种 群。动态更新种加快了算法中种群的收敛速度，使得算法的运行速度更快，减少了算法的运 行时间；
[0088] 步骤2.12、令m+1赋值给m，并返回步骤2.2。
[0089]图4给出了基于权值向量的偏好多目标优化算法在一个周期下的算法流程图。
【主权项】
1. 一种基于多目标优化的光伏系统最大功率点的获取方法，其特征是按如下步骤进 行： 步骤1、将所述光伏系统最大功率点的跟踪问题转换为如式（1)所示的多目标优化问 题：(1) 式（1 )中，￥,和k分别表示所获取到的最大功率点所对应的电压和电流;Vmax和Imax分别 表示在给定的光照和溫度下的最大电压和最大电流;fl(X)表示最小化功率函数，并有： fl(x) =VmaxX Imax-VrX Ir (2) 式(1)中，f2(X)表示电流误差函数，并有：(3) 式(3)中，Ipv为由光照而生成的光伏电流;Io为二极管饱和电流;q为电子的电荷量;k为 玻尔兹曼常数;T为太阳能电池的绝对溫度;A为理想系数，AG [1，2];化为串联等效电阻;Rsh 为并联等效电阻； 步骤2、利用多目标优化方法对所述多目标优化问题进行优化，得到最大功率点所对应 的电压Vr和电流Ir。2. 根据权利要求所述的获取方法，其特征是，所述多目标优化方法为基于权值向量的 偏好多目标优化算法，并按如下步骤进行： 步骤2.1、定义选择概率为S ;定义循环变量为レ定义最大循环次数为Lmax ;定义周期为 T;定义变量m，初始化m = 1; 在第m个周期Tm下，产生初始种群Po (m) W及相应的初始权值向量集合W，记为I表示第i 个初始个体，且#(?)=(炒)如)，(m));啤)(縣)和if;批)分别表示第i个初始个体 少严(?《)的初始电压和初始电流;町表示第；[个个体口1(111)的初始权值向量;且《4=(>11，啊2); Wii和Wi2分别表示第i个个体Pi (m)的第一权值和第二权值； 步骤2.2、初始化L=I;利用二分捜索采点法缩小初始种群P〇(m)的捜索区间[0，Vmax]和 [0，Imax]，从而得到优化捜索区间[Vk-I，Vk+1巧P [ Ik-I，Ik+1 ]; 步骤2.3、设置偏好点为9(111) = (91(111)，92(111));91(111)为第111个周期1"下的最小化功率函 数fi(x)的期望值，p2(m)为第m个周期Tm下电流误差函数f2(x)的期望值;设置偏好邻域b = (bi,b2) ;bi和b2分别表示偏好邻域的长和宽； 步骤2.4、利用式(4)将第m个周期Tm下述第i个初始个体班-"(W)的初始权值向量Wi映 射到偏好点P(m)的偏好邻域b内，得到映射后的第i个初始个体A心"(W)的权值向量W'1，且 i= (V il,w/ i2);从而得到映射后的权值向量集合= {V l,w/ 2,…，i,…,w\}: Wia^ =2 Xba Xwia+Pa(m)-ba,a= 1,2 (4) 步骤2.5、利用式（5)将第i个初始个体if W勺权值向量转换为第i个初始个体 的具有偏好信息的权值向量、，从而得到具有偏好信息的权值向量集合A= {入1， 入2,...,入i,...,入n}:(5) 步骤2.5、计算第i个初始个体(叫的初始权值向量Wi分别和其余n-1个个体的初始 权值向量间的欧式距离，得到第i个初始个体的欧式距离集合，从所述欧式距离集 合中选取最小的前M个距离所对应的个体作为第i个初始个体P产"(W)的M个最近邻居个 体； 步骤2.6、W所述选择概率5从所述第i个个体班^ " 的M个最近邻居个体中选取立个 个体或者Wl-S的概率从所述初始种群PL-i(m)中选取=个个体，并利用差分进化算子对所 选取的=个个体进行交叉变异，从而产生第m个周期Tm下第L次循环的第i个新个体 步骤2.7、重复步骤2.6对种群Pl-I (m)中每个个体进行交叉变异，从而产生第L次循环的 n个新个体所构成的新种群& ("0 = {(沪(W)，并> ("0.…，; 步骤2.8、将第L次循环的新种群化(m)和第次循环的种群PL-i(m)进行合并，得到第m 个周期Tm下第L次循环的合并种群化(m); 步骤2.9、利用切比雪夫公式从所述第L次循环的合并种群化(m)中选择与具有偏好信息 的权值向量集合A最匹配的n个个体构成第L次循环的种群Pl(HI); 步骤2.10、将L+1赋值给L，并判断L>Lmax是否成立，若成立，则表示获得第m个周期Tm下 第Lmax次循环的种群PL"ax(m)，并从所述种群PLmax(m)中选取最大功率点，W所述最大功率点 所对应的电压和电流即为所要获取的第m个周期Tm下的电压Vr(m)和电流k(m);若不成立， 则返回步骤2.6; 步骤2.11、将电压￥^111)和电流1^111)作为￥神^代入最小化功率函数^^)中，得到'/ (X)，判断fV(x)<pi(m)是否成立，若成立，则将fV(x)作为第m+1个周期Tm+i下的功率最小 化期望值;再将第m个周期Tm下的第Lmax次循环的种群PLmax(m)作为第m+1个周期IW下的初始 种群 Po(m+l); 步骤2.12、令m+1赋值给m，并返回步骤2.2。3.根据权利要求所述的获取方法，其特征是，所述二分捜索采点法是按如下步骤进行： 步骤2.2.1、对[0，Vmax]进行均匀采样，并计算每个采样点的输出功率后，选取最大输出 功率所对应的采用点记为Vk; 步骤2.2.2、选取[Vk-I，Vw ]及其对应的[Ik-I，Iw ]作为优化捜索区间。
【文档编号】G06Q10/04GK105913161SQ201610338451
【公开日】2016年8月31日
【申请日】2016年5月18日
【发明人】张兴义, 程凡, 蒋小三, 刘政怡, 张磊
【申请人】安徽大学