[发明专利]一种基于收缩粒子群的光伏发电最大功率点跟踪算法

说明书

本发明公开了一种基于收缩粒子群的光伏发电最大功率点跟踪算法，属于光伏发电技术领域。通过对传统粒子群算法进行改进，改变粒子搜索方式，建立重复收缩机制和震荡收缩机制，对在算法运行过程中重复无效搜索的粒子进行收缩处理，使粒子退出算法运行避免无意义搜索计算，即在算法计算过程中出现重复搜索和震荡搜索现象时，缩减粒子种群个数，能有效减少算法收敛时间，避免重复、震荡搜索造成的功率损耗和输出电压波动。以解决在外界环境突变情况下光伏发电系统输出功率发生大幅变化时，传统最大功率点跟踪算法跟踪性能不稳定导致发电效率降低的问题。

技术领域

本发明属于光伏发电技术领域，涉及一种基于收缩粒子群的光伏发电最大功率点跟踪算法。

背景技术

光伏发电作为利用太阳能的主要形式，具有环保、无污染、一次投资可用年限长等优点，但发电量随天气变化而变化，具有很强的随机性。在光伏发电系统输出功率发生较大波动时，传统最大功率点跟踪算法会出现跟踪失败情况，导致发电效率降低。因此如何在复杂情况下准确的跟踪到最大功率点，对提高发电效率具有重要意义。

光伏阵列在因天气或树木杂草等原因被部分遮挡时，系统输出功率曲线会由均匀光照情况下的单个峰值情况改变为多峰值情况。功率曲线多峰值状态为搜寻最大功率点带来了困难，传统的最大功率跟踪算法，在光伏阵列输出功率曲线呈现多峰值状态时，有时会陷入仅搜索到局部最大功率点的情况。

近年来，随着智能算法的提出与发展，其出色的性能被越来越多的人们认可。智能算法打破传统算法的局限性，在非线性问题寻优方面有着独特的优势。随着芯片制造技术的进步与造价的降低，芯片处理能力的升级为智能算法在工业中的应用提供了可能。粒子群算法自从20世纪90年代被James Keenedy博士等人提出以来，由于其在多极值寻优方面具有独特的优势，受到人们的广泛重视。粒子群算法与传统算法相比，打破了传统算法每次搜索数量的限制，建立多个粒子在N维空间进行并行搜索，且每个粒子搜索过程带有记忆功能，将每次迭代后得到的最优点传递给其他粒子，并进行下一次迭代，能够快速的搜索到最优点。但是由于粒子群算法的粒子数目较多，在面对含有局部最优解问题时，容易陷入局部最优点，且在搜索后期，所有粒子都聚集在小范围内重复搜索，影响寻优速度。

发明内容

本发明的目的在于克服上述现有技术中，粒子群算法在寻求局部最优解时速度较慢的缺点，提供一种基于收缩粒子群的光伏发电最大功率点跟踪算法。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种基于粒子群算法的光伏发电最大功率点跟踪方法，包括以下步骤：

(1)初始化算法，设定粒子的个数、位置、速度、惯性权重和迭代次数；

(2)进行迭代运行，计算每个粒子的适应度值；

(3)每迭代完成一次，计算更新粒子的历史最优值、全体最优值及粒子的速度和位置；

(4)判断粒子是否发生重复搜索现象和震荡搜索现象；

(5)更新粒子权重，判断结束条件；当粒子个数为1或迭代次数达到最大值，输出全体最优粒子，结束跟踪；否则返回步骤(2)继续迭代运行。

优选地，步骤1)所述的粒子位置在0～1内均匀分布。

优选地，步骤1)中粒子的适应度值是通过对光伏发电系统进行建模分析得到的适应度函数计算得到的。

优选地，步骤4)所述的具体过程如下：

判断粒子是否发生重复搜索现象，若发生重复搜索现象，则对该重复搜索区域的粒子进行收缩处理，粒子总数减少一个。

若未发生重复搜索，则继续判断是否发生震荡搜索现象且震荡搜索时个体的历史最优值小于全体最优值；

若是则粒子总数减少一个。