基于改进花授粉算法的光伏MPPT研究_马志强.pdf

2023.6Vol.47No.6研 究 与 设 计收稿日期：2022-11-26基金项目：吉林省教育厅项目(2018103)作者简介：马志强(1998)，男，山西省人，硕士，主要研究方向为光伏发电与并网控制。通信作者：张建民基于改进花授粉算法的光伏MPPT研究马志强，张建民(北华大学 电气与信息工程学院，吉林 吉林 132013)摘要：局部遮阴情况下，光伏阵列的 P-V曲线存在多个极值，传统最大功率跟踪方法容易陷入局部最优而追踪失败。针对多峰值P-V曲线，提出一种改进型花授粉算法来实现全局最大功率跟踪。该算法在标准花授粉算法的基础上引入了自适应转化概率来平衡全局和局部搜索，同时用Jaya算法的位置更新公式替代原算法的局部搜索公式，有效避免了原局部搜索策略易陷入局部最优的不足。通过MATLAB/Simulink进行仿真验证，并与粒子群算法、花授粉算法进行比较，结果表明改进花授粉算法具有更高的追踪精度和更快的追踪速度。关键词：局部最优；最大功率跟踪；自适应转化概率；Jaya算法；改进花授粉算法中图分类号：TM 615文献标识码：A文章编号：1002-087 X(2023)06-0795-05DOI:10.3969/j.issn.1002-087X.2023.06.023Photovoltaic MPPT research based on improved flowerpollination algorithmMA Zhiqiang,ZHANG Jianmin(College of Electrical and Information Engineering,Beihua University,Jilin Jilin 132013,China)Abstract:In the case of partial shading,the P-V curve of the photovoltaic array has multiple extreme values,and thetraditional maximum power tracking methods are easy to fall into the local optimum and the tracking fails.Aiming atthe multi-peak P-V curve,an improved flower pollination algorithm was proposed to achieve global maximum powertracking.Based on the standard flower pollination algorithm,the adaptive transformation probability was introducedto balance the global and local search,and the local search formula of the original algorithm was replaced with theposition update formula of the Jaya algorithm,effectively avoiding the disadvantage that the original local searchstrategy is easy to fall into the local optimum.The simulation verification was carried out through MATLAB/Simulink,and the algorithm was compared with the flower pollination algorithm and particle swarm optimization.The resultsshow that the improved flower pollination algorithm has higher tracking accuracy and faster tracking speed.Key words:local optimum;maximum power tracking;adaptive transformation probability;Jaya algorithm;improved flower pollination algorithm考虑到各类绿色能源的开采成本，利用效率等原因，太阳能被公认为是最具有开发利用价值的新能源1-2。而在众多开发利用太阳能的形式中，利用太阳能发电的光伏业前景最为广阔。最大功率跟踪技术作为光伏发电的关键技术之一，一直是研究的前沿热点。在实际应用中，光伏阵列因外界环境的影响容易出现部分电池板遮阴的情况，此时，其输出功率特性曲线呈现多峰值的特点，传统跟踪算法如电导增量法、扰动观察法等容易陷入局部极值而不能有效追踪到全局最大功率3。智能算法由于具有全局寻优的特点，因而更多地被应用到最大功率跟踪技术中。文献4将粒子群算法(PSO)应用到最大功率跟踪技术中，但其参数设计较为复杂，且容易过早收敛。文献5提出将粒子群(IPSO)算法和布谷鸟(CS)算法结合应用于最大功率点跟踪，虽然在一定程度上提高了收敛速度和精度，但由于是将两种智能算法混合，所以构建数学模型很繁琐，不易实现。花授粉(FPA)算法作为一种新型智能算法6，因其具有设计参数少、易实现等特点，已被广泛应用到图像处理7、微电网优化调度8、车辆路径问题9等领域。文献10首次将花授粉算法应用于光伏业以实现局部阴影条件下的最大功率跟踪，但其并未进行改进，算法的收敛精度和速度还有待提高。针对上述问题，本文将文献11提出的自适应概率引入花授粉算法应用到光伏最大功率跟踪(MPPT)技术中，同时将Jaya算法12的位置更新公式引入花授粉算法的局部搜索策略来进一步提高算法性能。通过MATLAB/Simulink仿真结果可以看出，相比于FPA算法和PSO算法，改进花授粉(IFPA)算法能够更快地到达最大功率值附近，且具有更高的收敛精度。1 局部阴影下的光伏阵列数学模型及输出特性1.1 光伏电池的数学模型光伏发电系统中，光伏阵列是由多个光伏电池串并联形成的，光伏电池的等效模型如图1所示13。7952023.6Vol.47No.6研 究 与 设 计 表 1 不同阴影模式 W/m2 光伏电池 模式1 模式2 模式3 组件1 1 000 1 000 800 组件2 1 000 800 400 组件3 800 1 000 600 组件4 800 600 1 000 由图1可得工程数学模型为：(1)式中：Ipv为光生电流；I0为二极管反向饱和电流；q为单位电荷常数，工程上取值 1.61019C；I和 V分别为光伏电池的输出电流和输出电压；Rs和Rp分别为串并联电阻；n为二极管理想因子；k为波尔兹曼常量因子；T为光伏电池的工作温度。1.2 阴影条件下光伏阵列的输出特性多个光伏电池串联或并联从而形成光伏阵列。本文以4个光伏电池串联构成光伏阵列模型，设置光伏电池的温度为标准温度25，在表1所示的三种不同光照强度下的阴影模式进行仿真，得到光伏阵列的 P-V曲线，如图 2所示。由图 2可见，局部阴影条件下的光伏阵列P-V曲线存在多个峰值，通过算法程序测得三种阴影模式下的功率最大值分别为722.6、577.7、421.8 W。2 算法简介2.1 花授粉算法花授粉算法是受到自然界中植物授粉原理而开发的一种设计参数少、收敛性能好的智能优化算法。自然界中植物授粉的方式可分为异花授粉和自花授粉两类。异花授粉是指发生在不同植株不同花朵上的授粉方式，由于这种授粉方式的花粉传播距离较远，因此需要通过鸟类、昆虫等生物作为传播媒介完成授粉，其传播行为服从莱维飞行；自花授粉是指发生在同一植株不同花朵或者同一植株同一花朵上的授粉方式，这种授粉方式的花粉传播距离近，范围小，主要借助风力等非生物因素作为传播媒介完成授粉。为了将花授粉算法更好地结合于实际工程应用中，通常假设每个植物只开一朵花，每朵花产生一个配子6，这样每朵花或者配子就对应实际求解问题的一个候选解，求最优解的过程对应寻求最佳花朵进行授粉的过程。同时花授粉算法还应遵循以下四个规则：(1)服从莱维飞行的生物媒介的异花授粉过程看作全局授粉，对应算法的勘察行为；(2)非生物媒介传粉的自花授粉过程看作局部授粉，对应算法的开采行为；(3)花朵的繁殖概率与花朵的相似性成比例关系；(4)通过转化概率 p0,1来控制算法在勘察和开采行为之间进行转换。由上可知，花授粉算法的核心步骤为全局授粉和局部授粉两个阶段。全局授粉阶段的数学建模如式(2)所示：(2)式中：和分别表示第i个花粉在第t+1代和第t代的解；Xbest表示第t代之前的最优解；L表示莱维飞行的步长，计算公式如下：(3)式中：表示控制莱维步长的系数，取值1.5；G()表示标准伽马函数。局部授粉阶段的数学建模如式(4)所示：(4)式中：和分别表示第t代解中不同于的两个随机解；代表0,1之间服从均匀分布的随机数。通过产生随机数rand0,1与转化概率p比较，来决定花粉是进行全局授粉还是局部授粉。若randp，则进行全局授粉，反之进行局部授粉。2.2 Jaya算法Jaya 算法是于 2016 年由 RAO 提出的一种群智能算法。该算法最大的特点是只有一个迭代方程，如式(5)所示。Jaya算法的核心思想是先利用目标函数计算出每个个体的适应度值，然后选出当前解集中的最优解个体和最差解个体，并通过公式迭代使得当前解不断远离最差解并向最优解靠拢。(5)式中：Xt+1i和 Xti分别表示第 i 个个体在第 t+1 代和第 t 代的解；Xbest和Xworst分别表示解集中的最优解个体和最差解个体；r1和 r2为0,1内的两个随机数，其作用是增强算法向最优解靠拢的能力；表示迭代过程中当前个体不断靠近最优解个体；表示迭代过程中当前个体不断远离最差解个体。2.3 改进花授粉算法2.3.1 自适应概率p传统花授粉算法通过转化概率p来实现全局搜索和局部搜索的切换。经大量文献研究，概率p取值一般为0.8。而对于智能算法应用于实际问题时，应优先让算法在迭代初期主要进行全局搜索以增强种群多样性，在迭代后期则主要进行局部搜索以更加精准地找到最优解14。因此，为了算法在全局搜索和局部搜索之间能有更好的平衡效果，本文用文献11中的自适应概率来替代原算法中的常量概率，具体公式如下：(6)图1光伏电池等效电路0()exp1sspvpq VR IVR IIIInkTR+=-图2阴影条件下光伏阵列的P-V曲线()1tttiiibestXXL XX+=+-1tiX+tiX()()1sin/21GLS+=1()ttttiijkXXXX+=+-tjXtkXtiX112(|)(|)ttttiibestiworstiXXr XXrXX+=+-1(|)tbestir XX-2(|)tworstir XX-()()()minmaxminmax,minmaxminmax,min,cos()0.520.5ti ttttpppRTp tFitnessFitnesspppRFitnessFitness+-|=-|+-|7962023.6Vol.47No.6研 究 与 设 计式中：pmax和 pmin分别表示概率的最大值 0.8和最小值 0.2；t和T分别表示算法当前迭代次数和最大迭代次数；Fitnessmax,t和Fitnessmin,t分别表示第t次迭代过程产生的最优解和最差解个体所对应的适应度值；Fitnessi,t表示第 t 次迭代时个体 i 对应的适应度值；R表示取值范围为0,1的随机数，作用是对公式进行选择。由式(6)可知，当R0.5时，采用第一部分公式，概率p(t)的取值与迭代次数是成反比例关系的，这样可以做到在迭代初期由于t较小，则p(t)较大，可以更多地进行全局搜索；在迭代后期由于 t 较