[发明专利]基于改进粒子群优化的能源系统最大功率跟踪控制方法

说明书

本发明涉及一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，以粒子即为每个参数值，解即为对应的功率值。其次，粒子群算法中粒子的下一个位置是根据三个基本系数更新的，即当前最优解、全局最优解和当前解，相比于精确性较高的HGSO算法，粒子群算法并未考虑最差解和种群解，可见，基于粒子群算法的MPPT控制方法性能基于经典PSO算法的MPPT控制技术并未考虑PRO系统的最差功率值和所有参数值的功率的影响，有一定的发展潜力。所提出的算法通过引入了上述两个关键量，同时改进了PSO算法的探测过程和开发过程，提高了算法的收敛速度和全局搜索能力，大大提高了求解质量，比原来的算法更加有效，提高了基于BPSO算法的实时追踪及精确性。

技术领域

本发明属于PRO系统的最大功率跟踪控制算法，涉及一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，是基于改进粒子群优化的针对压力延迟渗透能源系统的最大功率跟踪控制方法。

背景技术

最大功率跟踪控制(MPPT)的传统方法是考虑了动态变化的增量质量阻力方法以及扰动和观测的方法,但是这两种方法都会经过一定的振荡和响应时间才能达到平衡，因而会产生较大的功率损失。关于动态可再生能源压力反渗透模型(PRO)的最大功率密度跟踪控制已发表的研究工作有限，为了提高PRO系统的实时性，使系统能在变化的环境条件下进行实时调整，当前的研究更加关注对MPPT控制算法的开发和改进。在工程上，元启发式算法对控制方法的优化有独特优势，尤其是在处理未知空间中计算量大且复杂的导数问题时，优化算法能够有效避免经典MPPT算法局部最优和稳态振荡问题。基于反馈控制的实时控制方法并没有充分考虑到PRO系统复杂的动态运行环境。对复杂动态系统而言，通过解析解来实现最大功率点追踪较为困难，而工程实践已经证明，利用元启发式算法可以使系统在不同的运行环境中以稳定、快速、有效的方式获得最大功率。在工程中常有应用的元启发算法包括粒子群算法(PSO)、灰狼优化算法(GWO)、蜻蜓算法(DA)、鲸鱼优化算法(WOA)、蝗虫优化方法(GOA)、亨利气体溶解度优化(HGSO)，其中HGSO通过考虑当前解、当前最优解、全局最优解、种群解和最差解这几个关键参数来对个体进行优化，其优化效果好，是当前最精确的元启发式算法。但是HGSO算法具有一定的复杂性，计算时间长，计算效率较低，难以满足PRO系统的实时性要求。PSO算法则仅考虑当前解、当前最优解和全局最优解，通过速度和位置两个矢量来对个体优化，容易实现，计算速度快，能满足系统的实时性要求。但是，经典的PSO算法忽略了系统的种群解，因此其精确性往往较差。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于改进粒子群优化的能源系统最大功率跟踪控制方法。本发明对粒子群算法进行改造。通过结合其他策略的优点，即同时考虑种群解和最差解的影响，来提高算法的性能进而使MPPT控制方法在PRO系统的应用中获得更好的动态性能。引入最差解这一关键参数可以提高算法的运行速度，而引入种群解可以提高算法的精确性。

技术方案

一种基于改进粒子群优化的能源系统最大功率跟踪控制方法，其特征在于步骤如下：

步骤1：初始化能源系统的参数包括进入系统的溶液流量和压力，并给参数赋初值W_p,0＝0，其中k和i分别为迭代次数和每一个参数值；

步骤2：计算每次输入参数值得到当前PRO功率W_p,i＝ΔP_iΔV_f,i：其中，ΔP_i是施加给液体的压力，即反渗透压力；ΔV_f,i是渗透的水的体积流量；

若当前PRO功率W_p,i优于系统当前最优功率即W_p,iW_i,best，则将W_p,i的值赋给当前的最优功率；