一种基于SA+PSO混合算法的光伏系统最大功率跟踪的优化算法的制作方法

本发明涉及太阳能光伏发电研究技术领域，具体涉及一种基于sa+pso混合算法的光伏系统最大功率跟踪的优化算法。

背景技术：

近年来，由于传统化石能源的大量、快速使用及其在使用过程中产生的大量废弃物，解决环境问题和全球能源危机的重要性日益彰显出来。太阳能作为主要的清洁可再生能源，其发电技术得到了普遍的关注与重视并有着广泛的应用前景：太阳能蕴藏丰富，且在光电转换的过程中不会产生任何污染空气的so2、灰尘、细颗粒物等废弃气体。然而，在实际的光伏系统应用环境中，由于实际应用过程中的放置角度差别、周围物体的阴影遮挡、积尘覆盖等原因造成的光照和温度不均，以及老化程度不同等问题产生的光伏系统失配问题，会导致光伏阵列整体的输出静态特性曲线呈现出多个峰值点的现象，这使得传统集中式最大功率跟踪(maximumpowerpointtracking，mppt)控制算法容易陷入局部最大功率点(localmaximumpowerpoint,lmpp)，而非全局最大功率点(globalmaximumpowerpoint,gmpp)，甚至会使光伏阵列无法正常工作以及光伏阵列装置受损等问题，从而严重地降低光伏系统电产率，影响其太阳能转化的效率，降低经济效益。

为了解决这一问题，提出了一系列全局最大功率点跟踪(globalmaximumpowerpointtracking，gmppt)算法，然而，传统的跟踪全局最大功率方法无法在多峰值的条件下追踪到全局最大功率点，虽然能够跟踪最大功率点，但是跟踪速度慢且跟踪时间长。相比之下，人工智能方法在追踪多峰值条件下全局最大功率点上的优势更明显。人工智能算法中粒子群算法(particleswarmoptimization)和模拟退火法(simulatedannealing,sa)分别在gmppt的追踪精度和追踪速度上达到最优，能够大大提高追踪到gmpp的概率，提升光伏系统的效率。然而，粒子群算法收敛速度快，但是收敛精度低。模拟退火算法以一定概率接受较差点，所以其具有能跳出局部最优的能力，但搜索时间长。此外，电压更新的步骤导致很多功率损耗和更长的追踪时间。

技术实现要素：

为了克服以上技术问题，本发明的目的在于提供一种基于sa+pso混合算法的光伏系统最大功率跟踪的优化算法，能够快速精确地追踪光伏系统gmpp。

为了实现上述目的，本发明采用的技术方案是：

一种基于sa+pso混合算法的光伏系统最大功率跟踪的优化算法，

步骤一：

设置初始值：包括开始温度t0、温度降低率α和结束温度tmin、步长step、标志位flag、给定邻域内的扰动次数ns和给定温度下的邻域调整次数nt；

步骤二：

随机选择零点和开路电压voc之间的工作点电压vi，计算p-v曲线上与工作点相关的功率pi；

步骤三：

确定扰动步长step＝w×step+c1r1(umax-uref_out)，其中w是惯性因子，c1是个人学习因子，vk＝vi+step，并计算与vk相关的pk；

步骤四：

当温度高于结束温度时，重复以下步骤：

a)产生随机电压vk；

b)计算与p-v曲线工作点相关的功率pk，perturb计数增加；

c)当pk大于pi时，更新工作点，这意味着pi＝pk，vi＝vk；并且如果pk大于pmax，则更新pmax＝pk，vmax＝vk；accept计数增加。

d)相反，当pk低于pi时，参考metropolios接受概率接受扰动点为新的参考点，更新工作点，如果接受，accept计数增加；

e)nt步骤更改后，冷却温度，重启并设置vi＝vmax；

步骤五：

当满足停止条件时，算法停止电压扰动，并等待重新启动。

本发明的有益效果为：

本发明公开了一种基于sa+pso混合的全局最大功率点跟踪优化算法。与现有的算法相比，sa+pso混合算法不仅实现了自重启功能，跟踪时间还保持很快，且具有更快的收敛速度，可以快速搜索到新的最优工作点，及时跟踪到新的gmpp。

附图说明

图1为基于sa+pso混合算法的流程图。

图2(a)、(b)为实施例中的p-v特性曲线。

图3(a)、(b)为实施例中gmppt过程示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

图1所示，包括以下步骤：

1、参数设置

设置初始温度t0、温度下降率α、邻域大小step、结束标志flag、给定邻域内的扰动次数ns、给定温度下的邻域调整次数nt；

2、电压选取

随机选择零点和开路电压voc之间的工作点电压vi；

3、测量功率

计算p-v曲线上与工作点相关的功率pi；

4、gmppt过程

4.1在邻域内随机进行电压扰动，得到新的工作电压vk。具体产生方式为：

vk＝vi+step(1)

其中，step为当前的邻域大小，step＝w×step+c1r1(umax-uref_out)，w是惯性因子，c1是个人学习因子；

4.2测量出vk对应的输出功率pk；

5、当温度高于结束温度时，重复以下步骤:

5.1产生随机电压vk；

5.2计算与p-v曲线工作点相关的功率pk，perturb计数增加；

5.3当pk大于pi时，更新工作点，这意味着

pi＝pk，vi＝vk(2)

并且如果pk大于pmax，则更新

pmax＝pk，vmax＝vk(3)

accept计数增加；

5.4当pk低于pi时，参考metropolios接受概率，更新工作点，

如果接受，accept计数增加；

5.5nt步骤更改后，冷却温度，重启并设置vi＝vmax；

6、判断是否追踪到gmpp：

δp＝|pi-pmax|(5)

若

则令

flag＝flag+1(7)

当flag大于n时，说明连续n个输出功率都在记录的最大功率附近，此时认为已追踪到gmpp。

7、输出gmpp，等待算法重启动

当追踪到gmpp后，算法停止对电压的扰动，输出vi＝vmpp，并实时监测输出功率pi，按照下式判断辐照度是否发生变化：

若

说明输出功率有较大波动，存在辐照度的变化，则重新启动gmppt，回到1。否则，继续输出vi＝vmpp。

图2(a)0.25s前的p-v特性，图2(b)0.25s后的p-v特性，图3(a)p-t图，图3(b)v-t图。

本实施例中采用三个光伏模块串联，光伏模块1的辐照度在0.25秒时发生突变。其对应的p-v特性为图2(a)(0.25秒之前)及图2(b)(0.25秒之后)。可以看出，由于局部阴影遮挡，导致三块光伏模块p-v特性不一致，因此在0-0.25秒总的p-v特性呈现3个峰值。由图3(a)可以看出输出功率很快达到gmpp，说明算法的快速性及可靠性。在0.25秒后辐照度发生突变，算法立即重启动追踪，并快速再次找到新的gmpp，说明算法可以很好地应对辐照度的变化，sa+pso混合算法不仅实现了自重启功能，追踪时间还保持很快。