一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法技术方案

本发明专利技术提出了一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法。以Buck/Boost电路中的开关管占空比作为自适应变异蝴蝶优化算法的粒子，以光伏阵列的输出功率作为算法的适应度函数。本发明专利技术通过将蝴蝶优化算法与自适应策略和变异策略相结合，能快速准确地找到光伏阵列处于局部阴影情况下的全局最大功率点，有效避免了算法陷入局部最优值，提高了光储电站的发电效率，并通过Buck/Boost电路自适应控制以及储能模块维持光储发电系统供电的稳定性。电的稳定性。电的稳定性。

【技术实现步骤摘要】
一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法


[0001]本专利技术涉及光伏发电
，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。

技术介绍

[0002]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。

技术实现思路

[0005]为了解决
技术介绍
中所提到的问题，本专利技术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x
i
(t)表示第i只蝴蝶在第t次迭代中的位置，x
j
(t)和x
k
(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，本专利技术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p
r
对蝴蝶群中任意一只蝴蝶x
r
的位置进行柯西变异操作。变异概率p
r
按照下式进行变化：
[0030][0031]由式(5)可知，变异概率p
r
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p
r
会迅速增加。
[0032]若p
r
≥r2，r2是[0,1]之间的随机数。则通过如下公式对x
r
的位置进行更新：
[0033]x
r
·
new
＝x
r
+x
r
×
Cauchy(0,1)
ꢀꢀ
(6)
[0034]其中x
r
表示从解空间中随机选择的一只蝴蝶位置，x
r
·
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的计算公式如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种AMBOA光储系统动态多峰MPPT的Buck/Boost自适应控制方法，其特征在于，具体流程如下：步骤1：定义参数含义、初始化基本参数，具体包括：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。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。步骤2：初始化种群的位置；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。步骤3：计算适应度值并记录全局最优占空比x
Gbest
；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
。步骤4：更新蝴蝶的位置；自适应变异蝴蝶优化算法位置更新的模型如下：感觉因子c与幂指函
ɑ
的更新公式如下：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。香味的感知强度f的更新公式如下：其中x
Gbest
(t)表示第t次迭代中的最优位置。自适应变异蝴蝶优化算法的位置更新公式如下：其中x
i
(t)表示第i只蝴蝶在第t次迭代中的位置，x
j
(t)和x
k
(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：步骤5：对蝴蝶种群进行变异操作；在步骤4更新的蝴蝶位置的基础上，按照变异概率p
r
对蝴蝶群中任意一只蝴蝶x
r
的位置进行柯西变异操作。变异概率p
r
按照下式进行变化：
其中e为自然常数。若p
r
≥r2，r2是[0,1]之间的随机数。则通过如下公式对x
r
的位置进行更新：x
r
·

【专利技术属性】
技术研发人员：易灵芝，马浩，石昊，刘江永，周东访，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：