一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法

一种amboa光储系统动态多峰mppt的buck/boost自适应控制方法
技术领域
1.本发明涉及光伏发电技术领域，特别涉及一种基于amboa的光储发电系统动态多峰mppt控制方法。


背景技术：

2.光伏发电具有安全、污染小以及不会枯竭等优点，被大量应用于光伏电站，在实际应用中，光伏发电系统输出功率的大小与光照强度以及环境温度有关，并且其输出曲线具有明显的非线性的特点：在均匀光照下只有一个最大功率点，而在不均匀光照下其功率输出曲线呈多峰特性。为了提高光伏电站发电效率、减少功率损失，进行最大功率点跟踪(maximum power point tracking,mppt)控制就显得十分重要。
[0003][0004]
传统mppt控制算法(如：恒定电压法、扰动观测法、电导增量法，等)具有控制简单且易于实现的优点，在均匀光照下能较好地追踪到光伏发电系统的最大功率点；但在树木、云层等遮挡而处于不均匀光照状态下时，容易陷入局部最大值而造成功率损失。近年来大量智能算法被应用于光伏发电系统的多峰mppt 控制研究中(如：粒子群优化算法、遗传算法、蚁群算法，等)，在多峰mppt控制中有一定作用，但是仍然存在收敛速度慢，容易陷入局部最大值的缺陷。


技术实现要素：

[0005]
为了解决背景技术中所提到的问题，本发明提出了一种收敛速度快、调节参数少、寻优能力强的基于自适应变异蝴蝶优化算法(adaptive mutation butterflyoptimization algorithm，amboa)的光储发电系统动态多峰mppt控制方法，能自适应环境温度和光照强度的变化跳出局部最大值实现全局优化。
[0006]
amboa的具体流程如下：
[0007]
步骤1：定义参数含义、初始化基本参数，具体包括：
[0008]
定义参数含义：蝴蝶的位置代表控制自适应buck/boost(降/升压)直流斩波变换器的占空比；当前算法搜寻出的最优位置表示自适应buck/boost直流斩波变换器的最优占空比d
best
；光储发电系统输出的功率p为目标函数。
[0009]
自适应buck/boost直流斩波变换器的模式选择思路如下：当环境温度高、光照强度大，光储发电系统的输出电压高，自适应选择降压模式维持发电电压稳定；当环境温度低、光照强度小，光储发电系统的输出电压低，自适应选择升压模式维持发电电压稳定；
[0010]
初始化基本参数：设置蝴蝶数目n，感觉因子c，幂指数
ɑ
，转换概率p。
[0011]
步骤2：初始化种群的位置；
[0012]
设光伏阵列的规模为{m
×
n}，其中m为每条支路光伏组件串联的个数；n为光伏阵列中组件并联的支路数。种群中每只蝴蝶的位置在(0，1)中随机分布。
[0013]
步骤3：计算适应度值并记录全局最优占空比x
gbest
；
[0014]
根据初始化的蝴蝶的位置计算每只蝴蝶对应的适应度值，即根据p＝u
×
i计算光储发电系统的实时输出功率，根据适应度值大小记录最佳适应度值对应的全局最优值x
gbest
。
[0015]
步骤4：更新蝴蝶的位置；
[0016]
自适应变异蝴蝶优化算法位置更新的模型如下：
[0017]
感觉因子c与幂指函
ɑ
的更新公式如下：
[0018][0019]
其中t表示当前迭代次数，t
max
表示最大迭代次数。改进的蝴蝶优化算法中感觉因子c与幂指函
ɑ
能跟随迭代次数增加进行自适应调整。
[0020]
香味的感知强度f的更新公式如下：
[0021][0022]
其中x
gbest
(t)表示第t次迭代中的最优位置。由公式可知，改进的蝴蝶优化算法中香味的感知强度f为随迭代次数增加逐渐递减的凸函数，这使算法在搜索前期获得较大步长，加强算法的全局搜索能力；而在后期获得较小步长，加强算法的收敛能力。
[0023]
自适应变异蝴蝶优化算法的位置更新公式如下：
[0024][0025]
其中xi(t)表示第i只蝴蝶在第t次迭代中的位置，xj(t)和xk(t)表示从解空间中随机选择的第j只和第k只蝴蝶，r1是[0,1]之间的随机数。当p≥r1时，算法为全局搜索阶段，种群中蝴蝶的位置将会向最全局优解x
gbest
靠近；当p＜r1时，算法为局部搜索阶段，蝴蝶将会在目前的位置附近移动。为了平衡算法的全局搜索和局部搜索能力，转换概率p将按照下式进行变化：
[0026][0027]
由式(4)可知，随着迭代次数的增加，转换概率p会线性减小，这使得算法在前期有较强的全局搜索能力，能够迅速找到光储发电系统的最大功率点对应的最优占空比x
gbest
；而在后期有出色局部寻优能力，能够增加算法的寻优精度。
[0028]
步骤5：对蝴蝶种群进行变异操作；
[0029]
为了防止算法陷入局部最大功率点，增强算法跳出局部极值的能力，增加种群的多样性，本发明引入了柯西变异策略。在步骤4更新的蝴蝶位置的基础上，按照变异概率pr对蝴蝶群中任意一只蝴蝶xr的位置进行柯西变异操作。变异概率pr按照下式进行变化：
[0030][0031]
由式(5)可知，变异概率pr在算法搜索前期较小，且随着迭代次数的增加变化也较
小；而在算法搜索后期变异概率pr会迅速增加。
[0032]
若pr≥r2，r2是[0,1]之间的随机数。则通过如下公式对xr的位置进行更新：
[0033]
xr·
new
＝xr xr×
cauchy(0,1)
ꢀꢀ
(6)
[0034]
其中xr表示从解空间中随机选择的一只蝴蝶位置，xr·
new
表示该蝴蝶位置经变异操作后的新位置，cauchy(0,1)为柯西分布函数。通过变异操作，将会对种群中任意一只蝴蝶的位置进行动态改变，因此增强了算法跳出局部极值的能力。
[0035]
步骤6：更新变异操作后的蝴蝶的位置，并根据最新的位置计算适应度值并记录全局最优占空比x
gbest
；
[0036]
步骤7：计算搜索精度ε，当搜索精度满足ε＜0.2％u
oc_module
(u
oc_module
为光伏组件的开路电压)或光储发电系统动态多峰mppt算法的迭代次数t达到最大迭代次数t
max
时，转到步骤8；否则转到步骤4，并且迭代次数加1，继续进行搜索。其中搜索精度ε的计算公式如下：
[0037]
ε＝|u
gb-ui|
ꢀꢀ
(7)
[0038]
其中u
gb
表示算法搜索到的全局最优占空比x
gbest
对应的光储发电系统输出电压，ui为蝴蝶群中任意蝴蝶位置对应的光储发电系统的输出电压。
[0039]
步骤8：若光伏阵列的阴影状态发生变化，则重启算法重新搜索此时光储发电系统的最大功率输出点；否则结束算法，输出全局最优占空比x
gbest
和最大功率 p
max
。
[0040]
所述重启条件如下：
[0041][0042]
其中pn为光储发电系统输出的实际功率，p
max
为算法搜索到的最大功率。
[0043]
步骤9：将算法搜索到的全局最优占空比x
gbest
通过脉冲宽度调制(pulse widthmodulation，pwm)输出给自适应buck/boost(降/升压)直流斩波变换器中的开关管，使直流斩波变换器和负载的等效内阻等于光伏阵列实时环境下的内阻，从而使光储发电系统工作在最大功率点处。
[0044]
本发明的技术效果在于：本发明所用的基于自适应变异思路，对原始的蝴蝶优化算法进行了改进，通过香味感知强度和转换概率的自适应变化，使算法在前期有更强的全局搜索能力，而在后期有较快的收敛速度，使光储发电系统能快速精确地工作在最大功率点，同时算法引入了柯西变异策略，加强了算法跳出局部极值的能力，有效减少了光储发电系统工作在局部最大功率点的几率，减小光储发电系统的功率损失。
附图说明
[0045]
图1：基于amboa光储系统动态多峰mppt的buck/boost自适应控制框图；
[0046]
图2：基于amboa的光储系统动态多峰mppt流程图。
具体实施方式
[0047]
下面结合附图对本发明进行详细说明。
[0048]
本发明基于自适应变异蝴蝶优化算法实现光储发电系统动态多峰mppt控制。如图1所示，本发明首先通过电流传感器和电压传感器实时检测光伏阵列的输出电压和电流，然后输出给以自适应变异蝴蝶优化算法为核心的mppt控制模块，经过自适应变异蝴蝶优化算
法的全局寻优后输出最优占空比,从而选择自适应buck/boost直流斩波变换器的直流变换模式并通过最优占空比控制其发电输出电压，实现光储发电系统局部阴影下的最大功率点输出。
[0049]
图1中通过自适应buck/boost直流斩波变换器连接光伏阵列和直流母线，光伏阵列的发电电压即为自适应buck/boost直流斩波变换器的输入电压。本发明使用的自适应buck/boost直流斩波变换器中，通过控制占空比d实现光伏阵列的最大功率点追踪，并保持输出电压稳定。输入电压u
in
与输出电压u
out
的关系如下：
[0050][0051]
当光照充足时，占空比d《0.5时，实现降压功能,并通过双向dc/dc变换器向储能装置存储多余电能；当光照不足时，占空比d》0.5时，实现升压功能，通过双向dc/dc变换器实现反向充电，维持光储发电系统供电的稳定性。
[0052]
基于以上硬件模块，本发明提出了一种基于amboa的光储发电系统动态多峰mppt控制方法，所示算法位于mppt控制器中。如图2所示，该算法的步骤如下：
[0053]
步骤1：初始化基本参数，设置蝴蝶数目n＝6，最大迭代次数t
max
＝25。
[0054]
步骤2：初始化种群的位置；
[0055]
使种群中每只蝴蝶的位置(即占空比d)在(0，1)中随机分布，以增加种群多样性，提高算法的收敛速度，适应动态多峰光储发电系统的最大功率点实际变化情况。
[0056]
步骤3：计算适应度值并记录全局最优占空比x
gbest
；
[0057]
根据初始化的蝴蝶的位置，通过电流传感器和电压传感器测量光伏阵列在每只蝴蝶位置下的输出电流和输出电压，然后计算每只蝴蝶对应的适应度值，即根据p＝u
×
i计算光储发电系统的实时输出功率，根据适应度值大小记录最佳适应度值对应的全局最优值x
gbest
，便于快速跟踪动态多峰情况下光储发电系统的最大功率点。
[0058]
步骤4：更新当前时刻的感觉因子、幂指数和香味的感知强度；
[0059]
其中感觉因子c与幂指函
ɑ
的更新公式如下：
[0060][0061]
其中t表示当前迭代次数，t
max
表示最大迭代次数。改进的蝴蝶优化算法中感觉因子c与幂指函
ɑ
能跟随迭代次数增加进行自适应调整。
[0062]
其中香味的感知强度f的更新公式如下：
[0063][0064]
其中x
gbest
(t)表示第t次迭代中的最优位置。由公式可知，改进的蝴蝶优化算法中香味的感知强度f为随迭代次数增加逐渐递减的凸函数，这使算法在搜索前期获得较大步长，加强算法的全局搜索能力；而在后期获得较小步长，加强算法的收敛能力，使动态多峰情况下光储发电系统能快速稳定实现mppt。
[0065]
步骤5：更新蝴蝶的位置；
[0066]
动态多峰情况下光储发电系统的自适应变异蝴蝶优化算法的位置更新公式如下：
[0067][0068]
其中xi(t)表示第i只蝴蝶在第t次迭代中的位置，xj(t)和xk(t)表示从解空间中随机选择的第j只和第k只蝴蝶，r1是[0,1]之间的随机数。当p≥r1时，算法为全局搜索阶段，种群中蝴蝶的位置将会向最全局优解x
gbest
靠近；当p＜r1时，算法为局部搜索阶段，蝴蝶将会在目前的位置附近移动。为了平衡算法的全局搜索和局部搜索能力，转换概率p将按照下式进行变化：
[0069][0070]
由式(4)可知，随着迭代次数的增加，转换概率p会线性减小，这使得算法在前期有较强的全局搜索能力，能够迅速找到光储发电系统的最大功率点对应的最优占空比x
gbest
；而在后期有出色局部寻优能力，能够增加算法的寻优精度。
[0071]
步骤6：对蝴蝶种群进行变异操作；
[0072]
为了防止算法陷入局部最大功率点，增强算法跳出局部极值的能力，增加种群的多样性。引入了柯西变异策略。在步骤5更新的蝴蝶位置的基础上，按照变异概率pr对蝴蝶群中任意一只蝴蝶xr的位置进行柯西变异操作。变异概率pr按照下式进行变化：
[0073][0074]
由式(5)可知，变异概率pr在算法搜索前期较小，且随着迭代次数的增加变化也较小；而在算法搜索后期变异概率pr会迅速增加。
[0075]
若pr≥r2，r2是[0,1]之间的随机数。则通过如下公式对xr的位置进行更新：
[0076]
xr·
new
＝xr xr×
cauchy(0,1)
ꢀꢀ
(6)
[0077]
其中xr表示从解空间中随机选择的一只蝴蝶位置，xr·
new
表示该蝴蝶位置经变异操作后的新位置，cauchy(0,1)为柯西分布函数。通过变异操作，将会对种群中任意一只蝴蝶的位置进行动态改变，因此增强了算法跳出局部极值的能力。
[0078]
步骤7：更新变异操作后的蝴蝶的位置，并根据最新的位置计算适应度值并记录全局最优占空比x
gbest
；
[0079]
步骤8：计算搜索精度ε，当搜索精度满足ε＜0.2％u
oc_module
(u
oc_module
为光伏组件的开路电压)或光储发电系统mppt算法的迭代次数t达到最大迭代次数 t
max
时，转到步骤9；否则转到步骤4，并且迭代次数加1，继续进行搜索。其中搜索精度ε的计算公式如下：
[0080]
ε＝|u
gb-ui|
ꢀꢀ
(7)
[0081]
其中u
gb
表示算法搜索到的全局最优占空比x
gbest
对应的光伏阵列输出电压， ui为蝴蝶群中任意蝴蝶位置对应的光伏阵列的输出电压。
[0082]
步骤9：判断光伏阵列的阴影状态是否发生变化。若发生变化，则重启算法重新搜索此时动态多峰情况下光伏阵列的最大功率输出点；否则结束算法，输出全局最优占空比x
gbest
和最大功率p
max
。
[0083]
所述重启条件如下：
[0084][0085]
其中pn为光储发电系统输出的实际功率，p
max
为算法搜索到的最大功率。
[0086]
通过amboa搜索出的当前时刻全局最优占空比x
gbest
控制自适应 buck/boost直流斩波变换器实现光储发电系统的最大功率点追踪。当最优占空比 x
gbest
＜0.5时实现降压功能；当最优占空比x
gbest
＞0.5时实现升压功能。由于算法时刻进行，则能保证光储发电系统在光照强度和环境温度动态变化的情况下全天工作在最大功率点，实现buck/boost动态自适应控制。