基于自适应秃鹰搜索算法的光伏最大功率点跟踪方法

本发明涉及光伏系统最大功率点跟踪，具体涉及一种基于自适应秃鹰搜索算法的光伏最大功率点跟踪方法。

背景技术：

1、能源需求的日益增长和化石燃料的日渐枯竭使可再生能源成为人们关注的焦点，太阳能作为可再生能源的重要来源之一，其具有可持续性、无污染的特点。光伏发电是大规模开发利用太阳能的主要方式之一，但由于光伏系统的p-v特性曲线呈非线性，难以在变化的天气条件下保证光伏系统输出功率最大化。为此，可采用最大功率点跟踪(maximumpower point tracking，mppt)技术对光伏系统最大功率点进行跟踪，进而提升光伏系统发电量。

2、现有mppt技术主要分为传统mppt算法和启发式智能算法。其中，传统mppt算法主要包含扰动观察法(perturbation and observation，p&o)、电导增量法(incrementalconductivity，inc)和爬山法(hill climbing，hc)等。这些算法在辐照度均匀情况下即p-v特性曲线为单峰值时跟踪效果较好，然而光伏阵列容易受到云层、建筑物遮挡造成局部遮阴情况(partial shading condition，psc)，导致其p-v特性曲线呈多峰现象，此时传统mppt算法将难以跟踪到全局最大功率点。

3、针对局部遮阴情况下传统mppt算法易失效的问题，许多学者研究发现基于启发式智能算法的mppt技术在应对局部遮阴所造成多峰现象时能较准确地跟踪到全局最大功率点。例如，粒子群优化(particle swarm optimization，pso)算法、灰狼优化(gray wolfoptimization，gwo)算法、差分进化(differential evolution，de)以及松鼠搜索算法(squirrel search algorithm，ssa)的光伏系统mppt技术。

4、现有研究主要是引入新式的启发式智能算法来提升mppt跟踪性能，秃鹰搜索(bald eagle search，bes)算法作为新颖的启发式智能算法，具有较强的全局搜索能力且能有效解决各类复杂数值优化问题的特点，但该算法在光伏最大功率点跟踪应用上存在收敛速度慢、易陷入局部最优、全局搜索与局部开发不协调等问题。

技术实现思路

1、针对局部遮阴情况下传统mppt算法易失效的问题。本发明提出一种基于abes算法的光伏最大功率点跟踪方法，该方法在bes算法的基础上引入高斯混合自适应游走策略、渐进式俯冲自适应切换策略以及秃鹰群规模调整机制，将其用于光伏最大功率点跟踪，能够在局部遮阴条件下成功跟踪到全局最大功率点，且跟踪速度更快、精度更高。

2、本发明采取的技术方案为：

3、基于自适应秃鹰搜索算法的光伏最大功率点跟踪方法，包括以下步骤：

4、步骤1：在bes算法的基础上引入高斯混合自适应游走策略、渐进式俯冲自适应切换策略以及秃鹰群规模调整机制，构建abes算法；

5、步骤2：将步骤1构建的abes算法用于光伏最大功率点跟踪；

6、步骤3：基于步骤2搭建光伏发电系统仿真模型，验证步骤1构建的abes算法在不同场景下的跟踪性能。

7、所述步骤1中，

8、在bes算法选择阶段引入高斯混合自适应游走策略，abes算法选择阶段的迭代公式如下：

9、

10、

11、式中：表示第t+1次迭代时第i只秃鹰的位置；表示第t次迭代时秃鹰群最佳位置；表示第t次迭代时秃鹰群中心位置；表示第t次迭代时第i只秃鹰的位置；n(μ,σ2)表示服从期望为μ，方差为σ2的高斯分布随机变量；tmax表示最大迭代次数。

12、ε1表示方差为高斯分布的权重；ε2表示方差为高斯分布的权重；t表示迭代次数；σ1表示第1个高斯分布的标准差；σ2表示第2个高斯分布的标准差。

13、在bes算法俯冲阶段引入渐进式俯冲自适应切换策略，abes算法俯冲阶段的迭代公式如下：

14、

15、γ＝r2-ps；

16、式中，h(·)表示赫维赛德阶跃函数；sgn(·)表示符号函数；x1(i)和y1(i)表示极坐标中秃鹰的位置；c1和c2表示秃鹰向最佳和中心位置的运动强度；r1和r2均表示(0,1)之间的随机数；γ表示鱼类逃脱状态；ps表示鱼类成功逃脱的概率。

17、ps表示鱼类成功逃脱的概率，其值随迭代次数增大而从0.75非线性递减至0，采取自适应正弦衰减，具体公式如下：

18、

19、当γ<0时，鱼类有机会成功逃脱，秃鹰群采取渐进式俯冲运动；

20、当γ>0时，鱼类没机会成功逃脱，秃鹰群采取俯冲运动。

21、考虑到秃鹰的运动强度会随时间的推移而产生削弱的现象，本发明提出计及秃鹰运动强度动态性的非线性自适应衰减因子，具体公式如下：

22、

23、式中，cmin和cmax分别为参数c1和c2在取值区间[1,2]内最小值和最大值；β是收缩系数。

24、引入秃鹰群规模动态调整机制，在算法执行初期，秃鹰群规模只是最大容量的75％，剩余的25％为后期的秃鹰群繁殖与死亡作准备；在算法迭代过程中，遵循以下原则：

25、(1)如果全局最优秃鹰个体在更新，且n>nmin，则删除b只秃鹰；

26、(2)如果全局最优秃鹰个体不更新，且n<nmax，则增加b只秃鹰；

27、(3)如果全局最优秃鹰个体连续tb次都不更新，且n>nmin，则删除2b只秃鹰。

28、其中，nmax是秃鹰群规模的最大容量；nmin是秃鹰群规模的最小容量。死亡策略是针对秃鹰群中最差秃鹰个体，繁殖策略是由秃鹰群中最优秃鹰个体与次优秃鹰个体通过黄金分割法产生的新秃鹰个体，具体公式如下：

29、

30、式中，xnew表示第t次迭代后产生新秃鹰的位置；表示第t次迭代时秃鹰群次最佳位置；φ表示黄金分割系数。

31、所述步骤2包括以下步骤：

32、s2.1：通过调整占空比d进而改变光伏系统的输出功率，占空比d被视为优化问题的决策变量，光伏系统输出功率p最大化作为优化目标，该优化模型如下：

33、maxp＝f(d)；

34、s.t.dmin≤d≤dmax；

35、式中，dmin和dmax分别为占空比的上限、下限；f(d)表示占空比为d所对应的适应度函数。

36、s2.2：拟物化操作，将占空比拟物化为秃鹰的位置，将光伏系统输出功率拟物化为秃鹰在其位置捕鱼的成功度，采用n维向量d＝[d1,d2,…,dn]和f＝[f(d1),f(d2),…,f(dn)]分别表示种群大小为n的秃鹰群位置和秃鹰群在各自位置捕鱼的成功度；其中：d1,d2,…,dn分别表示n个不同占空比的大小；f(d1),f(d2),…,f(dn)分别表示n个不同占空比所对应的适应度函数。

37、s2.3：边界控制操作，当占空比超过其上下限时，需重新设置占空比的大小，具体操作如下：

38、

39、式中，dbest表示n维向量f中最大值f(dbest)对应的占空比；α是(0,1)之间的随机数。

40、di表示第i个占空比的大小。

41、s2.4：重启操作，当外界环境发生变化时，光伏系统的p-v特性曲线也会随之变化，此时需要重启mppt控制算法，重新跟踪全局最大功率点，本发明以功率变换量为依据设置重启条件如下：

42、

43、式中，pn表示当前时刻光伏系统的输出功率；pm表示最大功率值；△p表示功率变换量。

44、应用abes算法进行光伏最大功率点跟踪的流程如下：

45、step1：初始化n组占空比，形成秃鹰群位置d，设置算法各参数；

46、step2：计算所有秃鹰在其位置捕鱼的成功度向量f；

47、step3：根据秃鹰群规模动态调整机制对秃鹰群进行繁殖与死亡操作；

48、step4：根据abes算法选择阶段迭代公式更新秃鹰群位置d，并进行step3的操作；

49、step5：根据abes算法搜索阶段迭代公式更新秃鹰群位置d，并进行step3的操作；

50、step6：根据abes算法俯冲阶段迭代公式更新秃鹰群位置d，并进行step3的操作；

51、step7：重复step4至step6的迭代过程，直至满足终止条件时，停止搜索，输出dbest和f(dbest)分别作为优化模型的最优解和光伏系统最大输出功率；

52、step8：判断是否满足重启条件，若功率变换量大于设定值则返回step1，不满足则保持输出dbest和f(dbest)不变。

53、所述步骤3包括以下步骤：

54、s3.1：应用simulink仿真平台，搭建光伏发电系统仿真模型，该仿真模型由光伏阵列、boost电路、负载以及mppt控制器组成，设置的负载为阻性负载；

55、s3.2：将abes算法应用s-function函数编写为mppt模块，该模块的输入量为光伏阵列的输出电流和电压，输出量为boost电路的占空比，根据abes算法模块输出控制boost电路的占空比，将占空比输入pwm脉冲信号发生模块生成pwm脉冲信号，通过boost电路调节光伏阵列等效外部电阻，使得光伏阵列等效外部电阻与光伏阵列等效内阻匹配，光伏发电系统保持在输出最大功率的状态；

56、s3.3：应用abes算法在4组典型场景下进行光伏最大功率点跟踪。

57、本发明一种基于自适应秃鹰搜索算法的光伏最大功率点跟踪方法，技术效果如下：

58、1)本发明步骤1中，针对bes算法在光伏mppt控制中存在的问题，在算法的选择阶段和俯冲阶段分别应用高斯混合自适应游走策略和渐进式俯冲自适应切换策略，使全局搜索与局部寻优能力达到均衡，提高寻优精度，并通过秃鹰群规模调整机制防止算法陷入局部最优的同时加快收敛速度。

59、①：通过引入高斯混合自适应游走策略，根据迭代次数调整秃鹰个体分布，从而在算法的初期和后期分别实现全局搜索和局部搜索；

60、②：通过模拟鱼类的逃脱行为，引入渐进式俯冲自适应切换策略，以更好地模拟现实情况；

61、③：提出一种秃鹰群规模动态调整机制，其根据连续几代中全局最优秃鹰个体是否更新自适应地调整秃鹰群规模，秃鹰群规模调整机制可避免算法陷入局部最优解的同时，并减少跟踪时间。

62、以上这些改进旨在提高传统秃鹰搜索算法在光伏最大功率点跟踪应用上的性能，也同样适用于解决其他非线性优化问题。

63、2)本发明的光伏最大功率点跟踪方法在跟踪速度和跟踪精度方面都能达到令人满意的结果，本发明不仅考虑外界环境保持不变时算法的有效性，而且考虑外界环境发生变化时算法的有效性，因此可在不同典型场景下进行光伏最大功率点跟踪，可较好地提高光伏系统发电量。