本發(fā)明涉及光伏發(fā)電領(lǐng)域，特別涉及一種光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法。

背景技術(shù)：

光伏發(fā)電具有儲量巨大、取之不盡、安全便利等特點，因此成為目前世界各國普遍關(guān)注和重點發(fā)展的新興產(chǎn)業(yè)。但光伏發(fā)電在發(fā)展中也有許多問題亟需解決，其中包括選擇合適的光伏陣列多峰最大功率跟蹤(Maximum Power Point Tracking,MPPT)算法提高光伏系統(tǒng)效率。

光伏陣列的最大功率點跟蹤是指在太陽光照強度、外界溫度等外界環(huán)境條件發(fā)生變化時，系統(tǒng)通過改變光伏電池陣列的輸出電流或電壓等方法，使陣列始終在最大功率點上工作。常規(guī)的MPPT算法(如爬山法、擾動觀察法等)對于單峰功率具有較好的跟蹤控制效果，然而在局部陰影情況下，光伏陣列的功率-電壓(P-U)曲線呈現(xiàn)為多個功率極值點的多峰問題，導(dǎo)致常規(guī)的MPPT算法容易陷入局部極值點。人工智能方法(如神經(jīng)網(wǎng)絡(luò)、粒子群法等)對局部陰影情況時有一定效果，但神經(jīng)網(wǎng)絡(luò)法對于不同的光伏陣列系統(tǒng)需要進行長時間有針對性的訓(xùn)練；粒子群法可以提高結(jié)果的精度，但實現(xiàn)過程較為復(fù)雜，且會導(dǎo)致硬件設(shè)備成本的增加。

功率跟蹤中群搜索算法(Group Search Optimization,GSO)是一種模擬動物覓食行為的優(yōu)化算法。GSO算法中，每一代的成員分成生產(chǎn)者(Producer)、覓食者(Scroungers)、漫游者(Rangers)三組，其中生產(chǎn)者通常為一個，覓食者占每代成員總數(shù)的比例為80％，其余為漫游者。其成員具體特性是：

成員一：生產(chǎn)者是每一代中擁有最好適應(yīng)度函數(shù)的成員，它也是覓食者的風(fēng)向標(biāo)，負(fù)責(zé)引領(lǐng)覓食者進行搜索。另一方面，生產(chǎn)者根據(jù)掃描搜索機理在三個方向進行搜索，滿足式(1)：

式中，分別代表生產(chǎn)者向正前方、右側(cè)和左側(cè)搜索后的位置，(k代表第k代生產(chǎn)者，P_r表示生產(chǎn)者)代表第k代生產(chǎn)者的位置，l_Pr-max代表生產(chǎn)者的最大搜索距離，代表第k代生產(chǎn)者的頭角度，θ_max為最大搜索角度，r₁是平均值為0、標(biāo)準(zhǔn)差為1的正態(tài)隨機數(shù)，r₂是均勻分布于(0，1)內(nèi)的n-1維向量，是由頭角度確定的搜索方向，它根據(jù)通過笛卡爾坐標(biāo)變換獲得。

生產(chǎn)者如果經(jīng)過掃描搜索找到了更好的目標(biāo)函數(shù)值，則第k+1代進入該位置，否則，保持在原有的位置，掃描結(jié)束后進行一次迭代。即此時第k+1代生產(chǎn)者位置滿足式(2)：

式中，max代表取括號內(nèi)的最佳位置。

根據(jù)第k代生產(chǎn)者的頭角度下一代(k+1代)生產(chǎn)者的頭角度根據(jù)式(3)移動到一個新的角度

式中，α_max是最大旋轉(zhuǎn)角度。

如果經(jīng)過a代之后，生產(chǎn)者依然沒有找到更好的資源，那么第a代之后頭角度恢復(fù)到a代之前的值即有式(4)：

式中，a為算法使用者自行確定的一個常量。

成員二：覓食者認(rèn)為在它與生產(chǎn)者之間的范圍可以找到食物，因此跟著生產(chǎn)者后面搜索，具有趨優(yōu)性，第k+1代覓食者的位置(k+1代表第k+1代覓食者，s代表覓食者)由第k代位置，利用式(5)獲得：

式中，代表第k代覓食者的位置，操作符代表Hadamard乘法或者Schur乘法，r₃是均勻分布于(0，1)內(nèi)的n維向量。

GSO算法為了模擬覓食者其他的覓食行為，在使覓食者趨優(yōu)的同時，隨機旋轉(zhuǎn)頭角度。根據(jù)第k代覓食者的頭角度下一代(k+1代)覓食者的頭角度按照式(6)移動到一個新的角度

成員三：漫游者不采用生產(chǎn)者和覓食者的信息，在環(huán)境中隨機行走，當(dāng)發(fā)現(xiàn)最優(yōu)解時漫游者轉(zhuǎn)換為生產(chǎn)者，這是尋找未知資源最有效的方式之一。其中第k+1代漫游者的位置(k+1代表第k+1代漫游者，r代表漫游者)由第k代漫游者位置利用式(7)搜索方式來尋找食物：

式中，l_r代表漫游者一個隨機移動距離，l_r-max代表漫游者的最大搜索距離，代表第k代漫游者的頭角度，代表第k代漫游者隨機行走的方向。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供一種不易陷入局部最優(yōu)、在無陰影和有陰影下均能有效追蹤到最大功率點的光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法。

本發(fā)明解決上述問題的技術(shù)方案是：一種光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，包括以下步驟：

步驟1：測量光伏陣列的輸出電壓、輸出電流，根據(jù)光伏陣列組件及陰影情況得到峰值數(shù)目n。

步驟2：調(diào)用IGSO算法，對光伏最大功率所對應(yīng)電壓進行跟蹤。

步驟3：脈沖發(fā)生器根據(jù)所得電壓，產(chǎn)生PWM信號使光伏陣列運行于更新后的陣列電壓點，為光伏陣列最大輸出功率。

步驟4：當(dāng)功率變化率Δp大于0.015時，重啟搜索過程，返回步驟1。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2具體包括

2-1：建立光伏最大功率跟蹤模型：

2-2：光伏最大功率所對應(yīng)電壓搜索：

2-2-1：種群初始化：生成包含與多峰峰數(shù)相同的n個生產(chǎn)者的初始種群，最大迭代次數(shù)為N，設(shè)置生產(chǎn)者初始位置；

2-2-2：進入生產(chǎn)者循環(huán)：進入第i個生產(chǎn)者Pr_i(1≤i≤n)的搜索循環(huán)，設(shè)定第i個生產(chǎn)者Pr_i會在(i-1)×U_{oc_module}至i×U_{oc_module}的范圍搜索，其中U_{oc_module}為組件開路電壓，此時第i個生產(chǎn)者Pr_i的位置為采用生產(chǎn)者搜索策略進行搜索；

2-2-3：搜索第i個生產(chǎn)者第k+1代后的最佳位置

2-2-4：搜索第k+1代最終全局位置X_Pr：執(zhí)行完各個生產(chǎn)者的最大功率點搜索循環(huán)后，確定該代生產(chǎn)者的最終位置；

2-2-5：獲得各代最終位置：完成N次迭代或達到收斂條件后得到各代生產(chǎn)者的最終位置；

2-2-6：獲得全局最終電壓：得到全局最終位置所對應(yīng)的電壓。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-1中，根據(jù)光伏陣列特性以及利用群搜索GSO優(yōu)化算法包含生產(chǎn)者、覓食者、漫游者的成員特征，目標(biāo)函數(shù)為陣列的輸出功率，生產(chǎn)者、覓食者位置代表陣列輸入電壓值。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-2-1中，改變生產(chǎn)者初始位置初始化的方式為：第1個生產(chǎn)者Pr₁的初始位置選為0.7U_{OC_module}，第2個生產(chǎn)者Pr₂的初始位置則選為0.7U_{OC_module}+0.8U_{OC_module}，以此類推，即第i個生產(chǎn)者的初始位置選為0.7U_{OC_module}+0.8(i-1)U_{OC_module}，第n個生產(chǎn)者Pr_n可初始化為0.8U_{OC_array}，生產(chǎn)者的搜索范圍為0～U_{OC_array}。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-2-2中，生產(chǎn)者搜索策略滿足下式：

式中，代表第i個生產(chǎn)者Pr_i第k次迭代時的位置；代表第i個生產(chǎn)者Pr_i在中間、右邊，左邊三個方向，第k+1代后所處的位置；l_Pr-max代表生產(chǎn)者最大搜索距離，考慮到第i個生產(chǎn)者Pr_i會在(i-1)×U_{OC_module}至i×U_{OC_module}的范圍內(nèi)搜索，l_Pr-max設(shè)定為|U_{OC_module}|；r₁是(0，1)之間的隨機數(shù)。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-2-3中，最佳位置的搜索策略滿足下式；

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-2-4中，第k+1代最終全局位置X_Pr的搜索策略滿足下式：

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟2-2-5中，收斂條件是指|P_k-P_k-1|≤ε,ε＝0.01，其中P_k代表第k次迭代功率值；完成N次迭代的判斷方法是：令k＝k+1后，判斷k是否小于或等于最大迭代次數(shù)為N，若是，則沒有完成N次迭代，返回步驟2-2-1，若不是，則完成N次迭代，進入步驟3。

上述光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，所述步驟4中，功率變化率Δp的計算公式為：

式中P_real為陣列運行于最大功率點的實時輸出功率，P_m為最大功率。

本發(fā)明的有益效果在于：本發(fā)明針對光伏MPPT實際特性，提出了基于IGSO在光伏陣列MPPT問題的優(yōu)化方案。根據(jù)最大功率點與電壓之間的規(guī)律關(guān)系，改進了初始設(shè)置與搜索策略，避免陷入局部極值點，提高了算法的精度與穩(wěn)定性。其改進具體是：

1、調(diào)整生產(chǎn)者的數(shù)目，與多峰峰數(shù)相同。對于并聯(lián)了n條支路，每條支路中組件數(shù)為m的光伏陣列(記陣列規(guī)模為m×n)，假設(shè)陣列中支路組件陰影情況均不相同，因此有n種不同的陰影情況，通常會出現(xiàn)n個功率峰值點，所以增加生產(chǎn)者的數(shù)目，設(shè)置生產(chǎn)者數(shù)目與多峰峰數(shù)相同，既能保證對可能的峰值點的全部搜索，提高跟蹤效率，又不易陷入局部最優(yōu)。

2、改變生產(chǎn)者初始位置初始化的方式。好的初始位置，能加快生產(chǎn)者搜索速度，又能確保搜索不會陷入局部極值點，最終能獲得全局最大功率點。

3、簡化生產(chǎn)者的搜索策略。IGSO應(yīng)用在光伏陣列多峰MPPT中，生產(chǎn)者搜索電壓后可根據(jù)光伏陣列輸出的P-U特性曲線函數(shù)，計算得到當(dāng)前位置的功率值，無需進行頭角度變換。

4、略去漫游者。根據(jù)多峰光伏陣列的實際特性，新定義的生產(chǎn)者在數(shù)目和初始位置定義好后，能避免陷入局部最優(yōu)，因此省略漫游者以及由漫游者來發(fā)展為生產(chǎn)者的過程，提高算法收斂速度，從而更快的找到光伏陣列多峰最大功率點。

附圖說明

圖1為本發(fā)明的流程圖。

圖2為圖1中改進群搜索優(yōu)化算法的具體流程圖。

圖3為基于Boost最大功率跟蹤系統(tǒng)的電路結(jié)構(gòu)圖。

圖4為本發(fā)明實施例中無陰影情況光伏陣列P-U曲線。

圖5為本發(fā)明實施例中無陰影情況仿真跟蹤效果圖。

圖6為本發(fā)明實施例中陰影情況1光伏陣列P-U曲線。

圖7為本發(fā)明實施例中陰影情況1情況仿真跟蹤效果圖。

圖8為本發(fā)明實施例中陰影情況2光伏陣列P-U曲線。

圖9為本發(fā)明實施例中陰影情況2情況仿真跟蹤效果圖。

圖10為本發(fā)明實施例中陰影情況3光伏陣列P-U曲線。

圖11為本發(fā)明實施例中陰影情況3情況仿真跟蹤效果圖。

圖12為本發(fā)明實施例中陰影情況3情況電壓跟蹤過程。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的說明。

如圖1、圖2所示，一種光伏陣列多峰最大功率群搜索優(yōu)化跟蹤方法，包括以下步驟：

步驟1：測量光伏陣列的輸出電壓、輸出電流，根據(jù)光伏陣列組件及陰影情況得到峰值數(shù)目n；

圖3所示的電路為基于Boost最大功率跟蹤系統(tǒng)的電路結(jié)構(gòu)圖，電路中所用參數(shù)為：R1＝0.02Ω，L1＝0.02H，C1＝2000μF，C2＝3500μF，并使用R2＝20Ω的電阻作為負(fù)載接入電路。

步驟2：調(diào)用IGSO算法，對光伏最大功率所對應(yīng)電壓進行跟蹤。

步驟2具體包括：

2-1：建立光伏最大功率跟蹤模型：根據(jù)光伏陣列特性以及利用群搜索GSO優(yōu)化算法包含生產(chǎn)者、覓食者、漫游者的成員特征，目標(biāo)函數(shù)為陣列的輸出功率，生產(chǎn)者、覓食者位置代表陣列輸入電壓值。

2-2：光伏最大功率所對應(yīng)電壓搜索：

2-2-1：種群初始化：生成包含與多峰峰數(shù)相同的n個生產(chǎn)者的初始種群，最大迭代次數(shù)為N，設(shè)置生產(chǎn)者初始位置；

改變生產(chǎn)者初始位置初始化的方式為：第1個生產(chǎn)者Pr₁的初始位置選為0.7U_{OC_module}，第2個生產(chǎn)者Pr₂的初始位置則選為0.7U_{OC_module}+0.8U_{OC_module}，以此類推，即第i個生產(chǎn)者的初始位置選為0.7U_{OC_module}+0.8(i-1)U_{OC_module}，第n個生產(chǎn)者Pr_n可初始化為0.8U_{OC_array}，生產(chǎn)者的搜索范圍為0～U_{OC_array}。

2-2-2：進入生產(chǎn)者循環(huán)：進入第i個生產(chǎn)者Pr_i(1≤i≤n)的搜索循環(huán)，設(shè)定第i個生產(chǎn)者Pr_i會在(i-1)×U_{oc_module}至i×U_{oc_module}的范圍搜索，其中U_{oc_module}為組件開路電壓，此時第i個生產(chǎn)者Pr_i的位置為采用生產(chǎn)者搜索策略進行搜索；生產(chǎn)者搜索策略滿足下式：

式中，代表第i個生產(chǎn)者Pr_i第k次迭代時的位置；代表第i個生產(chǎn)者Pr_i在中間、右邊，左邊三個方向，第k+1代后所處的位置；l_Pr-max代表生產(chǎn)者最大搜索距離，考慮到第i個生產(chǎn)者Pr_i會在(i-1)×U_{OC_module}至i×U_{OC_module}的范圍內(nèi)搜索，l_Pr-max設(shè)定為|U_{OC_module}|；r₁是(0，1)之間的隨機數(shù)。

2-2-3：搜索第i個生產(chǎn)者第k+1代后的最佳位置最佳位置的搜索策略滿足下式；

2-2-4：搜索第k+1代最終全局位置X_Pr：執(zhí)行完各個生產(chǎn)者的最大功率點搜索循環(huán)后，確定該代生產(chǎn)者的最終位置；第k+1代最終全局位置X_Pr的搜索策略滿足下式：

2-2-5：獲得各代最終位置：完成N次迭代或達到收斂條件后得到各代生產(chǎn)者的最終位置；

收斂條件是指|P_k-P_k-1|≤ε,ε＝0.01其中P_k代表第k次迭代功率值；完成N次迭代的判斷方法是：令k＝k+1后，判斷k是否小于或等于最大迭代次數(shù)為N，若是，則沒有完成N次迭代，返回步驟2-2-1，若不是，則完成N次迭代，進入步驟3。

當(dāng)跟蹤得到的最大功率點不收斂時，即光伏陣列輸出功率在震蕩變化，因而需要重新啟動IGSO算法對光伏電壓最優(yōu)值進行搜索，使系統(tǒng)穩(wěn)定工作在新的最大功率點，即返回步驟2-2-1。

2-2-6：獲得全局最終電壓：得到全局最終位置所對應(yīng)的電壓。

步驟3：脈沖發(fā)生器根據(jù)所得電壓，產(chǎn)生PWM信號使光伏陣列運行于更新后的陣列電壓點，為光伏陣列最大輸出功率；

步驟4：當(dāng)功率變化率Δp大于0.015時，重啟搜索過程，返回步驟1。功率變化率Δp的計算公式為：

式中P_real為陣列運行于最大功率點的實時輸出功率，P_m為最大功率。

根據(jù)監(jiān)測發(fā)現(xiàn)，當(dāng)光照強度每分鐘變化不大于20W/m²，其對應(yīng)陣列輸出功率變化率Δp為0.015，故當(dāng)光照強度和環(huán)境溫度穩(wěn)定不變化時功率變化率Δp均應(yīng)小于0.015，因此本發(fā)明設(shè)定突變重啟條件為Δp>0.015。

本發(fā)明實施例如下：

光伏陣列仿真以{4×3}陣列為例，采用如表1所示參數(shù)的太陽能電池組件，不同陰影情況仿真設(shè)定見表2，表中所有陰影情況組件溫度均設(shè)定為25℃。

表1光伏組件的主要規(guī)格表

表2不同陰影情況仿真設(shè)定

為了驗證基于改進群搜索優(yōu)化算法(IGSO)的光伏陣列多峰最大功率點跟蹤方法的優(yōu)化效果，本發(fā)明基于Matlab軟件進行仿真。

無陰影情況時，設(shè)置光伏陣列的子串全由接受太陽輻射為1kW/m²和溫度為25℃的光伏電池組成，陣列的P-U曲線如圖4所示，實際最大功率為2003.50W。使用IGSO仿真得到跟蹤效果如圖5所示，跟蹤得到最大功率點輸出功率為2003.41W，與實際最大功率相差0.09W，相對誤差為0.0045％。證明在無陰影情況下，本發(fā)明提出的改進群IGSO能夠準(zhǔn)確地跟蹤光伏陣列最大輸出功率點。

第1種陰影情況時，設(shè)置光伏陣列的子串由10塊接受太陽輻射為1kW/m²和溫度為25℃，以及2塊接受太陽輻射為0.7kW/m²和溫度為25℃的光伏電池組成,陣列的P-U曲線如圖6所示，實際最大功率為1535.10W。使用IGSO仿真得到跟蹤效果如圖7所示，跟蹤得到最大功率點輸出功率為1533.64W，與實際最大功率相差1.46W，相對誤差為0.0951％。證明在第1種陰影情況下，本發(fā)明提出的IGSO法能夠較為準(zhǔn)確地跟蹤光伏陣列最大輸出功率點。

第2種陰影情況時，設(shè)置光伏陣列的子串由8塊接受太陽輻射為1kW/m²和溫度為25℃，2塊接受太陽輻射為0.6kW/m²和溫度為25℃以及2塊接受太陽輻射為0.3kW/m²和溫度為25℃的光伏電池組成，陣列的P-U曲線如圖8所示，實際最大功率為1073.80W。使用IGSO仿真得到的跟蹤效果圖如圖9所示，跟蹤到的最大功率點輸出功率為1076.80W，與實際最大功率相差1.63W，相對誤差為0.1514％。證明在第2種陰影情況下，本發(fā)明提出的IGSO能夠較為準(zhǔn)確地跟蹤光伏陣列最大輸出功率點。

第3種陰影情況時，設(shè)置光伏陣列的子串都由7塊接受太陽輻射為1kW/m²和溫度為25℃，2塊接受太陽輻射為0.7kW/m²和溫度為25℃，2塊接受太陽輻射為0.5kW/m²和溫度為25℃以及1塊接受太陽輻射為0.3kW/m²和溫度為25℃的光伏電池組成，陣列的P-U曲線如圖10所示，實際最大功率為871.13W。使用IGSO仿真得到的跟蹤效果圖如圖11所示，跟蹤到的最大功率點輸出功率為868.24W，與實際最大功率相差2.89W，相對誤差為0.3318％。證明在第3種陰影情況下，本發(fā)明提出的IGSO能夠較為準(zhǔn)確地跟蹤光伏陣列最大輸出功率點。

本發(fā)明以第3種陰影情況(四峰)時的電壓跟蹤過程為例的具體跟蹤過程，如圖12所示。跟蹤過程中的初始電壓值為117.85V，當(dāng)時間為0.17s時搜索電壓值波動小于0.001V認(rèn)為此時搜索電壓值收斂，電壓值為65.023V滿足生產(chǎn)者搜索電壓范圍，此時對應(yīng)電壓值為868.24W。

從有無陰影的跟蹤效果圖可以看出IGSO能很好的搜索到最大功率點，并且從有無陰影情況不同多峰情況下跟蹤效果圖可以看出該算法在光伏陣列最大功率點搜索中具有良好的收斂穩(wěn)定性。

為了驗證本發(fā)明所提IGSO方法的有效性，將本文方法與粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)進行了比較，仿真對比了統(tǒng)計絕對誤差、相對誤差以及運行時間的均值，結(jié)果如表3所示。

表3兩種算法在不同陰影情況仿真結(jié)果對比

從表3中可以看出，誤差方面，IGSO算法的絕對誤差和相對誤差在不同峰數(shù)時均優(yōu)于PSO算法；且在無陰影和雙峰情況下具有更為明顯的優(yōu)勢，可見IGSO算法能更精確的尋得最大功率點。在運行和收斂時間方面，隨著峰數(shù)的增加，IGSO算法運行和收斂時間增加緩慢，可以迅速地追蹤到光伏陣列的最大功率點。由此可見，IGSO算法簡單，匹配局部陰影下光伏MPPT問題，具有良好的尋優(yōu)效果，不易陷入局部最優(yōu)，運行與收斂速度較快，并具有較高的精度與穩(wěn)定性。