一种用于光伏阵列的优化方法与流程

本发明涉及光伏阵列领域，更具体地，涉及一种用于光伏阵列的优化方法。

背景技术：

现今，光伏发电技术蓬勃发展，已出现很多转换太阳能的方法。对国内外光伏发电技术进行纵向分析，可知近年才逐渐的光伏发电技术，其技术成熟度还远未及火力发电，进而光伏发电在中国的发展也受到了限制。比如在效率方面的还存在着发电效率低、利用率低等的问题。光伏发电的设备价格较高，从而光伏发电站的建造成本也会比火力发电高。

研究人员最开始研究出的实际测量法、光伏阵列组合法以及恒定电压法都是传统的mppt方法，但传统的方法只能在外部条件不变的条件下发挥作用，而面对变化的外部条件时，这些方法无法适应外部条件而失效。所以在研究光伏发电时，一定要关注外部条件的变化。因为一旦外部条件变化过于急剧，传统方法将难以跟踪到光伏阵列的mpp。而且实际测量法的测量需要额外的电能才可驱动，此方法在建模时光伏电池所需的成本会更高，运用于实际时会使此法成本高效益低。而光伏阵列的组合法也和实际测量法差不多，放在一起对比，发现这两种方法都存在着不能根据外部条件变化而变化的缺点。

后人经数学中求极值的思路启发，发明了爬山法，且根据光伏电池的建模，开发了短路电流法、开路电压法等等。但是，这些方法虽然能追踪到最大功率，但是在外部条件变化剧烈，出现局部阴影时，很容易陷入局部寻优，在跟踪精度方面，局部阴影下这些跟踪方法的精度都比较低。

现有最接近的现有技术的专利名为：光伏阵列多峰最大功率点跟踪方法，专利号为：cn201310059760.5，采用的就是爬山法，爬山法可对mpp进行较为快速的搜索，但其动态性能较差，对于多变外部环境应变能力较弱。改进爬山法的自适应寻优光伏mppt算法，主要有：恒定电压法与变步长滞环比较法结合的mppt算法,基于扰动观测法的mppt改进算法，变步长扰动观察法与newton插值法相结合的改进型mppt算法等等。

技术实现要素：

本发明为解决现有的mppt算法无法快速找到光伏阵列中的个体最优值和全局最优值，导致无法找到光伏阵列的最大输出功率的技术缺陷，提供了一种用于光伏阵列的优化方法。

为实现以上发明目的，采用的技术方案是：

一种用于光伏阵列的优化方法，包括以下步骤：

s1：建立光伏阵列模型并输入电压和电流；

s2：通过粒子群算法对光伏阵列模型进行优化；

s3：粒子群中的粒子进行迭代，更新粒子的速度和位置；

s4：运用纵横交叉算法和细菌觅食算法对粒子群算法进行辅助优化；

s5：找到个体最优值和全局最优值，得到光伏阵列模型的最大输出发电功率。

上述方案中，建立光伏阵列模型，输入电压和电流，粒子群算法对光伏阵列模型进行优化，其寻优机制是以个体最优值、全局最优值作引导，纵横交叉算法帮助粒子群算法跳出局部最优，细菌觅食算法的复制机制是淘汰掉弱势一半，留下优秀一半加以复制，帮助粒子群算法更快的收敛，更快找到个体最优值和全局最优值，通过粒子群算法、纵横交叉算法和细菌觅食算法找到光伏阵列模型的最大输出发电功率。

在步骤s1中，光伏阵列模型模型为光伏阵列等效电路，包括电流源、并联于电流源的电阻rsh、串联于电流源的电阻rs和反向并联于电流源的二极管d；其电流-电压关系式为：

其中iph代表光生电流，其特性与太阳光辐射强度呈正比，iph反映光伏电池所受光照强度的大小；isat的大小也与太阳光辐射强度有关系，并且与光伏电池工作环境温度t呈正比，代表了二极管反向饱和电流；a的值由光伏电池中单个光伏电池单元决定，是二极管特性因子；k的值为k＝0.86×10^-4ev/k；t的单位是开尔文温标，是光伏电池工作环境温度，v为光伏阵列模型的输入电压。

在步骤s3中，包括以下算法：假设在一个n维空间进行搜索，粒子i的信息可用两个n维向量来表示：第i个粒子的位置表示为xi＝(xi1,xi2,…xin)^t，速度为vi＝(vi1,vi2,…vin)^t，寻找个体最优值和全局最优值，粒子自身需要代入速度公式和位置公式来获得自己全新的速度和位置；

所述速度公式为：

所述位置公式为：

是粒子i在第k次迭代中第d维的速度；是粒子i在第k次迭代中第d维的当前位置，个体最优值又称为pbest，全局最优值又称为gbest，rand表示rand函数。

在步骤s4中，包括以下步骤：

sa：初始化细菌觅食算法种群，设置参数，对细菌觅食算法中用到的参数进行设置，设置种群的大小为6；最大迭代次数为100；维数为1，在算法执行的过程中，始化各参数的值，并计算每个粒子适应度作为初始；

sb：把光伏阵列的输出功率作为适应度函数，boost电路占空比为粒子；

sc：利用粒子群算法中的历次个体最优值作引导进行寻优，只有比父代适应度强的子代保存下来，否则保持不变；

sd：将粒子进行趋向性算法操作，若该方向功率未改进，说明不适应生存，改变方向运动；

se：执行纵向交叉通式的算法，进行满nre次复制操作，通过竞争机制与粒子群算法产生粒子的进行竞争，强者保存下来；

sf：判断是否达到求解的要求或者设定的迭代次数，如果没有完成返回步骤sc，如果完成目标则输出最大的适应度函数，也就是最大的输出功率，结束流程。

所述细菌觅食算法包括趋向性算法和复制算法，趋向性算法和复制算法帮助粒子群算法加速收敛。

所述趋向性算法包括以下通式：

式中，i∈n(1,m)，fit是适应度的值，movestep是细菌觅食算法中菌群移动方向，如果新的适应度值小于上一次迭代的适应度值，菌群就改变运动方向，否则，维持原来运动方向，细菌旋转后，若新位置适应度值变差，则像相反方向进行游动，直至达到特定步数或者新的适应度不再改善；

所述复制算法采用精英保留的方式进行复制，复制操作选择生存能力弱的一半细菌sr＝s/2淘汰掉，保留生存能力强的另外一半用于繁殖新的一代，进行自我复制，各自生成一个与自己完全相同的新个体。

在步骤sb中，适应度函数是人工智能算法中用来判断每次迭代结果的一个工具，如果本次的迭代产生的适应度函数的值比上次迭代产生的要好，那本次迭代的结果就会被保留下来，继续与下次迭代结果比较。

在步骤sc中，历次个体最优值是由每次迭代的适应度函数值比较得出，也就是每次迭代后比较对应的适应度函数值，即每次光伏阵列中输入不同的boost电路占空比而产生的不同的输出功率进行比较，最后选出输出功率最大值及其对应的boost电路占空比参数保留下来，与下一次的迭代结果适应度进行比较，较大的保留下来。

在步骤se中，所述纵向交叉通式包括：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

式中，i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]，通过纵向交叉父代粒子x(i)的第d1维和第d2维产生的子代用msvc(i,d1)表示，此时产生的子代同样要和相应的父代粒子作比较，相互竞争，粒子适应度好的将被保留下来。

在步骤s5中，通过粒子群算法进行迭代，纵横交叉算法让子代粒子和相应的父代粒子作比较，粒子适应度好的保存，下来细菌觅食算法使粒子适应度不断向好的方向改变，直到无法改变时，得到个体最优值和全局最优值，此时的适应度函数就是最大的输出功率。

上述方案中，粒子群算法又称为pso算法，纵横交错算法又称为cso，细菌觅食算法又称为bfoa，个体最优值又称为pbest，全局最优值又称为gbest。

纵横交叉算法包括横向交叉通式、纵向交叉通式和纵横交叉通式，横向交叉通式、纵向交叉通式和纵横交叉通式帮助粒子群算法跳出局部最优。

所述横向交叉通式包括：

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

mshc(j,d)＝r2×x(j,d)+(1-r2)×x(i,d)+c2×(x(j,d)-x(i,d))

式中：i,j∈n(1,m)，d∈n(1,d)，r1、r2∈[0，1]之间的随机数；c1、c2∈[-1，1]之间的随机数；粒子规模为m；变量维数为d；父代粒子x(i)和x(j)的第d维用x(i,d)、x(j,d)表示；x(i,d)和x(j,d)通过横向交叉产生的第d维子代通过mshc(i,d)、mshc(j,d)来表示；

所述纵向交叉通式包括：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

式中，i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]，通过纵向交叉父代粒子x(i)的第d1维和第d2维产生的子代用msvc(i,d1)表示；

所述纵横交叉通式包括：

ms(i)＝r×x(i)+(1-r)×x(i)

式中：i∈n(1,m)，r∈[0，1]，此时产生的子代同样要和相应的父代粒子作比较，相互竞争，粒子适应度好的将被保留下来

上述方案中，本发明针对光伏发电系统容易受到遮挡，光伏阵列会产生局部阴影问题，从而光伏阵列的pu特性曲线呈现多个峰值点。在粒子群算法的基础上，提出了一种组合优化算法，以粒子群算法为主体框架，加入纵横交叉算法、细菌觅食算法真正高效的部分用于优化，使得算法简便快速且高效。

本文将摒弃复杂的算法，从最简单有效的，粒子群算法入手，以粒子群算法为框架，加入细菌觅食算法的迁移、复制机制，以及纵横交叉算法的纵横交叉通式，帮助粒子群算法跳出局部最优的同时保留优秀后代继续迭代，使其收敛速度得到提高，且可快速寻到gmpp。

细菌觅食算法的迁移、复制机制，以及纵横交叉算法的纵横交叉通式的加入还可帮助粒子群算法灵活应对复杂的局部阴影情况，其动态性能也得到了提高。

现今各式各样的的元启发式算法就、大多以粒子群这类经典的算法为基础设计，搜索能力相比粒子群虽可能更强但其搜索机制也更繁冗。相反，粒子群算法简单的寻优机制即可在mppt这类单维寻优问题上发挥出色，其较弱的全局搜索能力可用纵横交叉算法和细菌觅食算法算法弥补。

粒子群算法搜索机制带随机性，但有了细菌觅食算法的复制机制即可保证算法可快速保留最优数据，即使是复杂的psc情况下其功率波动也相对较少，且仍可保持高效。

与现有技术相比，本发明的有益效果是：

本发明提供的一种用于光伏阵列的优化方法，建立光伏阵列模型，输入电压和电流，粒子群算法对光伏阵列模型进行优化，其寻优机制是以个体最优值、全局最优值作引导，纵横交叉算法帮助粒子群算法跳出局部最优，细菌觅食算法的复制机制是淘汰掉弱势一半，留下优秀一半加以复制，帮助粒子群算法更快的收敛，更快找到个体最优值和全局最优值，通过粒子群算法、纵横交叉算法和细菌觅食算法找到光伏阵列模型的最大输出发电功率。

附图说明

图1为本发明的组合优化算法流程图；

图2为本发明的应用于光伏阵列的mppt算法流程图；

图3为本发明的应用于mppt电路设计原理图；

图4为本发明的光伏阵列单二极管等效电路图；

图5为本发明的光伏阵列单串阵列示意图；

图6为本发明的多个局部阴影条件下的光伏阵列多峰特性曲线图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

如图1、图2和图3所示，一种用于光伏阵列的优化方法，包括以下步骤：

s1：建立光伏阵列模型并输入电压和电流；

s2：通过粒子群算法对光伏阵列模型进行优化；

s3：粒子群中的粒子进行迭代，更新粒子的速度和位置；

s4：运用纵横交叉算法和细菌觅食算法对粒子群算法进行辅助优化；

s5：找到个体最优值和全局最优值，得到光伏阵列模型的最大输出发电功率。

上述方案中，建立光伏阵列模型，输入电压和电流，粒子群算法对光伏阵列模型进行优化，其寻优机制是以个体最优值、全局最优值作引导，纵横交叉算法帮助粒子群算法跳出局部最优，细菌觅食算法的复制机制是淘汰掉弱势一半，留下优秀一半加以复制，帮助粒子群算法更快的收敛，更快找到个体最优值和全局最优值，通过粒子群算法、纵横交叉算法和细菌觅食算法找到光伏阵列模型的最大输出发电功率。

在步骤s1中，光伏阵列模型模型为光伏阵列等效电路，包括电流源、并联于电流源的电阻rsh、串联于电流源的电阻rs和反向并联于电流源的二极管d；其电流-电压关系式为：

其中iph代表光生电流，其特性与太阳光辐射强度呈正比，iph反映光伏电池所受光照强度的大小；isat的大小也与太阳光辐射强度有关系，并且与光伏电池工作环境温度t呈正比，代表了二极管反向饱和电流；a的值由光伏电池中单个光伏电池单元决定，是二极管特性因子；k的值为k＝0.86×10^-4ev/k；t的单位是开尔文温标，是光伏电池工作环境温度，v为光伏阵列模型的输入电压。

在步骤s3中，包括以下算法：假设在一个n维空间进行搜索，粒子i的信息可用两个n维向量来表示：第i个粒子的位置表示为xi＝(xi1,xi2,…xin)^t，速度为vi＝(vi1,vi2,…vin)^t，寻找个体最优值和全局最优值，粒子自身需要代入速度公式和位置公式来获得自己全新的速度和位置；

所述速度公式为：

所述位置公式为：

是粒子i在第k次迭代中第d维的速度；是粒子i在第k次迭代中第d维的当前位置，个体最优值又称为pbest，全局最优值又称为gbest，rand表示rand函数。

在步骤s4中，包括以下步骤：

sa：初始化细菌觅食算法种群，设置参数，对细菌觅食算法中用到的参数进行设置，设置种群的大小为6；最大迭代次数为100；维数为1，在算法执行的过程中，始化各参数的值，并计算每个粒子适应度作为初始；

sb：把光伏阵列的输出功率作为适应度函数，boost电路占空比为粒子；

sc：利用粒子群算法中的历次个体最优值作引导进行寻优，只有比父代适应度强的子代保存下来，否则保持不变；

sd：将粒子进行趋向性算法操作，若该方向功率未改进，说明不适应生存，改变方向运动；

se：执行纵向交叉通式的算法，进行满nre次复制操作，通过竞争机制与粒子群算法产生粒子的进行竞争，强者保存下来；

sf：判断是否达到求解的要求或者设定的迭代次数，如果没有完成返回步骤sc，如果完成目标则输出最大的适应度函数，也就是最大的输出功率，结束流程。

所述细菌觅食算法包括趋向性算法和复制算法，趋向性算法和复制算法帮助粒子群算法加速收敛。

所述趋向性算法包括以下通式：

式中，i∈n(1,m)，fit是适应度的值，movestep是细菌觅食算法中菌群移动方向，如果新的适应度值小于上一次迭代的适应度值，菌群就改变运动方向，否则，维持原来运动方向，细菌旋转后，若新位置适应度值变差，则像相反方向进行游动，直至达到特定步数或者新的适应度不再改善；

所述复制算法采用精英保留的方式进行复制，复制操作选择生存能力弱的一半细菌sr＝s/2淘汰掉，保留生存能力强的另外一半用于繁殖新的一代，进行自我复制，各自生成一个与自己完全相同的新个体。

在步骤sb中，适应度函数是人工智能算法中用来判断每次迭代结果的一个工具，如果本次的迭代产生的适应度函数的值比上次迭代产生的要好，那本次迭代的结果就会被保留下来，继续与下次迭代结果比较。

在步骤sc中，历次个体最优值是由每次迭代的适应度函数值比较得出，也就是每次迭代后比较对应的适应度函数值，即每次光伏阵列中输入不同的boost电路占空比而产生的不同的输出功率进行比较，最后选出输出功率最大值及其对应的boost电路占空比参数保留下来，与下一次的迭代结果适应度进行比较，较大的保留下来。

在步骤se中，所述纵向交叉通式包括：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

式中，i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]，通过纵向交叉父代粒子x(i)的第d1维和第d2维产生的子代用msvc(i,d1)表示，此时产生的子代同样要和相应的父代粒子作比较，相互竞争，粒子适应度好的将被保留下来。

在步骤s5中，通过粒子群算法进行迭代，纵横交叉算法让子代粒子和相应的父代粒子作比较，粒子适应度好的保存，下来细菌觅食算法使粒子适应度不断向好的方向改变，直到无法改变时，得到个体最优值和全局最优值，此时的适应度函数就是最大的输出功率。

实施例2

本发明针对光伏发电系统容易受到遮挡，光伏阵列会产生局部阴影问题，从而光伏阵列的pu特性曲线呈现多个峰值点。在粒子群算法的基础上，提出了一种组合优化算法，以粒子群算法为主体框架，加入纵横交叉算法、细菌觅食算法真正高效的部分用于优化，使得算法简便快速且高效。

本文将摒弃复杂的算法，从最简单有效的，粒子群算法入手，以粒子群算法为框架，加入细菌觅食算法的迁移、复制机制，以及纵横交叉算法的纵横交叉通式，帮助粒子群算法跳出局部最优的同时保留优秀后代继续迭代，使其收敛速度得到提高，且可快速寻到gmpp。

细菌觅食算法的迁移、复制机制，以及纵横交叉算法的纵横交叉通式的加入还可帮助粒子群算法灵活应对复杂的局部阴影情况，其动态性能也得到了提高。

现今各式各样的的元启发式算法就、大多以粒子群这类经典的算法为基础设计，搜索能力相比粒子群虽可能更强但其搜索机制也更繁冗。相反，粒子群算法简单的寻优机制即可在mppt这类单维寻优问题上发挥出色，其较弱的全局搜索能力可用纵横交叉算法和细菌觅食算法算法弥补。

粒子群算法搜索机制带随机性，但有了细菌觅食算法的复制机制即可保证算法可快速保留最优数据，即使是复杂的psc情况下其功率波动也相对较少，且仍可保持高效。

实施例3

如图4、图5和图6所示，光伏阵列是光伏发电系统研究中较为重要的部分。要对光伏mppt算法进行仿真与研究，必需先要对光伏阵列发电的动态过程进行仿真研究，即研究光伏阵列在外部环境，即光照强度、环境温度等这些参数变化时的输出特性收到的影响，所以需要研究出的特性曲线可反映出外部条件变化时光伏阵列所受的影响。

建立光伏组件首先要研究其等效电路，如图4所示，其中使用到的等效组件是单二极管。

因单二极管光伏阵列等效电路中包含理想电流源、等效串、并联电阻以及反向并联二极管d，所以电流-电压(i-v)的关系式可以表达为：

其中iph代表光生电流，他的特性是与太阳光辐射强度呈正比，所以反映光伏电池所受光照强度的大小的物理量是iph。isat的大小也与太阳光辐射强度有关系，并且它与光伏电池工作环境温度t呈正比，代表了二极管反向饱和电流。a的值由光伏电池中单个光伏电池单元决定，是二极管特性因子。k的值为k＝0.86×10^-4ev/k。t的单位是开尔文温标，它是光伏电池工作环境温度。

根据光伏发电站的发电需求，在实际工程应用中，需要组成用多个光伏电池通过串联、并联行成的大光伏阵列。当外界条件相同时，光伏阵列的输出特性曲线只会有一个极值点，这个极值点所对应的功率只会随环境的温度和光照强度变化。当外界条件不同时，因为各个光伏电池模块的输出特性不相同，会导致由他们组成的光伏阵列输出特性曲线产生变化，即会出现多峰值。

单串阵列定义为仅由一个串联组成的阵列，颜色相同即为单串阵列。当单串阵列受到局部阴影影响时，单串联阵列中具有相同光照的电池组件形成的部分串联定义为子串联。其中，图5的(b)定义ns1个光伏组件受到正常光照(灰色)则称为子串联p1，被遮挡的ns2个光伏组件(蓝色)受到相同的局部阴影则称为子串联p2。由于光照条件不同，子串联p2产生的电流ipv2不等于子串联p1产生的电流ipv1，且ipv2＜ipv1。

光伏阵列工作在特性曲线的位置是由外部负载阻抗决定的。当外界负载很小，子串联p1所产生的电流ipv1大于ipv2。因此，子串联p1会迫使p2流过比ipv2更大的电流。由于旁路二极管上加载正向电压，因此导通且大于ipv2的那部分电流将从旁路二极管上通过。此时，只有子串联p1对外输出功率，p2成为负载。随着光伏电池伏安特性曲线的变化，ipv1不断减小，当ipv1≤ipv2时，则相应的旁路二极管形成反向偏压。此时子串联p2对外产生功率，且有最大功率点。综上所述，可在式(1)基础上写出含2个子串联的单串阵列电流方程式，用分段函数形式表示：

式中，ns1、ns2分别为受到正常光照和被遮挡的光伏组件个数。

由上式可知，光伏阵列的p-u图中峰值个数由光伏组件的局部阴影情况决定。图5中(a)、(b)、(c)表示局部阴影shade1、shade2、shade3下的光伏阵列，voltage表示光伏阵列输出电压，power表示光伏阵列输出功率。(a)中的光伏阵列仅有一种光照强度，其p-u特性曲线呈现一个峰值；(b)中的光伏阵列由两种不同的光照强度组成的局部阴影，其p-u特性曲线呈现两个峰值的组合；图5(c)中的局部阴影由5种不同的光照强度组成，其p-u特性曲线将由5个峰值组合而成。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。