基于改進(jìn)型粒子群算法的高速服務(wù)區(qū)太陽能光伏

引言

高速服務(wù)區(qū)能源消耗,尤其是電能消耗脫離城市綜合能源管網(wǎng)的支持,容易加劇能源傳輸?shù)牟环€(wěn)定性以及在傳輸過程中的能源浪費(fèi)和環(huán)境破壞。因此,通過建筑物光伏一體化設(shè)計(jì)實(shí)現(xiàn)節(jié)能應(yīng)用,改善服務(wù)區(qū)環(huán)境狀態(tài)顯得尤為重要。太陽能電池在使用過程中受天氣、溫度以及光照度的變化,其發(fā)電效率也隨之改變,因此跟蹤輸出的最大功率(MaximumPowerPointTracking,MPPT）是提高太陽能光伏電池利用率,保障設(shè)備安全運(yùn)行的關(guān)鍵技術(shù)之一。

文獻(xiàn)提出了一種利用全局最大功率點(diǎn)作為更新條件,利用粒子聚斂程度進(jìn)行單個(gè)粒子速度的迭代更新,提高了收斂精度,減小了功率波動(dòng)。文獻(xiàn)提出一種基于滯環(huán)比較的變步長擾動(dòng)觀察法,提高了功率點(diǎn)的判斷準(zhǔn)確性,減小了局部震蕩。雖然以上方法有效提高了最大功率點(diǎn)的追蹤精度,但是計(jì)算方法比較復(fù)雜,硬件要求較高。文獻(xiàn)提出了滑?？刂品椒ㄔ诰植筷幱皸l件下實(shí)現(xiàn)對(duì)輸出電壓的控制,利用傳統(tǒng)的Ps0算法實(shí)現(xiàn)全局的MPPT控制研究,但是在變光照條件下傳統(tǒng)Ps0算在尋優(yōu)結(jié)果上容易陷入局部最優(yōu)值。

粒子群算法(Particleswarm0ptimization,Ps0）是進(jìn)化尋優(yōu)算法的一種,是解決非線性變化中最優(yōu)值問題的一種有效方法。本文提出了利用混沌算法改進(jìn)的變步長粒子群優(yōu)化算法,實(shí)現(xiàn)光伏電池最大功率點(diǎn)的追蹤,實(shí)現(xiàn)粒子的更新頻率和速度自適應(yīng)調(diào)整,有效避免了局部最優(yōu)解,提高了更新速度。在局部遮蔭的變光照條件下,利用混沌理論提高粒子種群的多樣性和迭代搜索的準(zhǔn)確性,引入動(dòng)態(tài)變步長因子優(yōu)化慣性權(quán)重,實(shí)現(xiàn)粗細(xì)調(diào)節(jié)變化,在迭代搜索初期,慣性權(quán)重較大,全局搜索速度加快:在迭代尋優(yōu)后期,慣性權(quán)重相應(yīng)減小,提高局部搜索精度,減小陷入局部最優(yōu)解的概率。

l系統(tǒng)建模

光伏電池的一般等效模型如圖1所示,Iph為光生電流,其大小與光照強(qiáng)度有關(guān),光照強(qiáng)度越大,光生電流越大:反之,光生電流越小。在短路情況下,短路電流Isc近似等于光伏電池的光生電流。Rp為光伏電池的串聯(lián)電阻,Rs為太陽能電池的并聯(lián)電阻。

光伏電池的輸出電流I為:

式中,Id為理想二極管的伏安特性:Io為反向飽和電流:g為電子電量(1.60217646×10-19C）:k為玻爾茲曼常數(shù)(1.3806503×10-23J/K）:7為熱力學(xué)溫度(太陽能電池結(jié)溫）:a為二極管理想常數(shù)特性因子:I為光伏電池輸出電流(工作電流）:U為光伏電池輸出電壓(工作電壓）。

因?yàn)镮sc=Iph,且在實(shí)際工況中光伏電池的串聯(lián)電阻Rp遠(yuǎn)大并聯(lián)電阻Rs,因此在標(biāo)準(zhǔn)條件下(光照強(qiáng)度s=1000w/m2,溫度25℃）,式(1）可以改寫為:

式中,C1和C2為光伏電池的約束系數(shù),一般表示方法為:

在外部光照、溫度等環(huán)境參數(shù)變化的情況下,光伏電池的標(biāo)準(zhǔn)參數(shù)發(fā)生變化,因此Isc、Uoc、Im、Um可表示為:

HAMDELsC5P-12光伏電池在標(biāo)準(zhǔn)狀態(tài)下的參數(shù)為Pm=180w,最大輸出電壓UОc=36V,最大功率電流Ip=5A,短路電流Isc=5A。在標(biāo)準(zhǔn)參數(shù)下和變環(huán)境參數(shù)狀態(tài)下,如表1所示,光伏電池特性的Matlab/simulink仿真如圖2所示。

由仿真圖2(a）可知,在標(biāo)準(zhǔn)狀態(tài)下蓄電池的輸出功率隨輸出電壓的升高先增大后減小,呈現(xiàn)單峰值點(diǎn)狀態(tài):在外界光照條件改變時(shí),如圖2(b）所示,光伏電池的輸出功率曲線呈現(xiàn)多峰值狀態(tài)。因此,如何追蹤輸出功率的最大值點(diǎn)來實(shí)現(xiàn)光伏電池的最大輸出效率成為光伏電池控制器的主要功能。

2基于混沌原理的粒子群尋優(yōu)算法

2.1基本粒子群算法

粒子群算法是在解決優(yōu)化問題時(shí)常用的一種手段,在搜索范圍內(nèi)隨機(jī)分布N個(gè)粒子,每個(gè)粒子在優(yōu)化迭代過程中都有一個(gè)向量V來表示迭代過程中粒子的移動(dòng)方向和速度變量。在二維向量中,粒子群算法的速度更新公式和位置更新公式分別為:

式(9）為速度更新公式,其中W為慣性權(quán)重:C1、C2[0,2]分別為認(rèn)知因子和社會(huì)因子:r1、r2為分布于(0,1）之間的隨機(jī)數(shù)。

式(10）為位置更新公式,x(1）為當(dāng)前時(shí)刻的位置:x(1+1）為下一時(shí)刻粒子的移動(dòng)位置。

慣性權(quán)重W的作用為在迭代次數(shù)完成前使尋優(yōu)公式避免陷入局部最優(yōu)解,導(dǎo)致計(jì)算精度下降。根據(jù)相關(guān)文獻(xiàn)的研究成果,引入動(dòng)態(tài)調(diào)節(jié)搜索慣性步長:

式中,n為當(dāng)前迭代次數(shù):Max為最大迭代次數(shù)。

在粒子群尋優(yōu)計(jì)算過程中,如果要提高計(jì)算精度避免陷入局部最優(yōu)解,應(yīng)盡可能使粒子遍布于整個(gè)變量空間。如果提高種群數(shù)量增大分布密度,就會(huì)導(dǎo)致迭代過程計(jì)算量逐步增加。當(dāng)變量范圍較大時(shí),很難使有限的粒子遍布于整個(gè)變量空間,導(dǎo)致尋優(yōu)結(jié)果陷入局部最優(yōu)解的概率增加[6]。為解決上述問題,利用粒子距離觀測(cè)方法判定種群的迭代計(jì)算是否進(jìn)入了后期搜索階段,并利用混沌算法進(jìn)行全局優(yōu)化,避免過早陷入局部最優(yōu)解。一維變量粒子距離觀測(cè)公式為:

當(dāng)D(1）<C(給定閾值）,則判斷迭代計(jì)算進(jìn)入了后期階段,系統(tǒng)應(yīng)采用混沌算法進(jìn)行優(yōu)化。

2.2基于混沌理論的PSO算法

混沌動(dòng)態(tài)步長粒子群尋優(yōu)算法(CPs0）是由混沌過程和尋優(yōu)過程兩部分組成。混沌過程由確定的數(shù)學(xué)方程映射到隨機(jī)性分布的點(diǎn)的狀態(tài),然后利用混沌變量進(jìn)行全局最優(yōu)值的遍歷。本文選取的混沌映射方法為:

在實(shí)際應(yīng)用中迭代初值不能為0,映射區(qū)間為[-1,1]。利用混沌理論的全局遍歷性,增加粒子群在局部最優(yōu)解的逃逸能力。具體改進(jìn)方法為:根據(jù)初始化參數(shù)進(jìn)行動(dòng)態(tài)變步長迭代更新,利用粒子距離觀測(cè)方法判定Ps0迭代尋優(yōu)是否到了迭代尋優(yōu)后期階段,隨機(jī)產(chǎn)生粒子y0,混沌迭代o次得到混沌序列yn,以yn為新生粒子群基本規(guī)模進(jìn)行全局尋優(yōu),確定最優(yōu)位置向量y*并替換原粒子群中位置最差的粒子,以提高粒子群算法的局部最優(yōu)逃逸能力。具體步驟為:

第1步:初始化粒子種群sizepОp,設(shè)定自我認(rèn)知C1和社會(huì)認(rèn)知C2、最小慣性權(quán)重Wmin、最大慣性權(quán)重Wmax、最大迭代速度Vmax、迭代閾值C、最大迭代次數(shù)7max、混沌迭代次數(shù)o,停止條件s=0.002。

第2步:初始化粒子位置,計(jì)算各粒子的適應(yīng)度fitness、全局最優(yōu)位置gbesti、個(gè)體最優(yōu)位置pbesti。

第3步:利用公式(9）、公式(10）計(jì)算飛行速度并進(jìn)行位置更新,進(jìn)行迭代運(yùn)算,更新各粒子適應(yīng)度fitness、個(gè)體最優(yōu)位置pbesti以及全局最優(yōu)位置gbesti。

第4步:利用粒子距離觀測(cè)方法公式(12）進(jìn)行迭代觀測(cè),如果D(t）<C,則判斷粒子尋優(yōu)進(jìn)入了后期階段,執(zhí)行第5步:否則,繼續(xù)執(zhí)行第2步和第3步。

第5步:隨機(jī)產(chǎn)生一個(gè)變量y0,進(jìn)行M次混沌迭代產(chǎn)生混沌序列yn,n=m,將混沌序列根據(jù)公式(14）變換到Ps0變量范圍yn',并計(jì)算混沌序列的適應(yīng)度值,選出前L項(xiàng)適應(yīng)度值較大粒子y*替換Xn序列適應(yīng)度最小的前L項(xiàng),繼續(xù)進(jìn)行Ps0迭代尋優(yōu)計(jì)算。逆映射公式為:

式中,b、a為Ps0變量范圍:Pg為全局最優(yōu)位置。

第6步:計(jì)算迭代尋優(yōu)的收斂條件,若滿足則轉(zhuǎn)入第7步,若不滿足轉(zhuǎn)入第3步。

第7步:返回全局最優(yōu)解,尋優(yōu)迭代計(jì)算結(jié)束。

利用混沌動(dòng)態(tài)步長改進(jìn)的粒子群算法,提高了種群的多樣性和全局搜索能力,有效縮短了收斂時(shí)間,提高了收斂精度。

3仿真與實(shí)驗(yàn)

3.1基于混沌動(dòng)態(tài)步長型粒子群尋優(yōu)算法CPSO設(shè)計(jì)的MPPT方法

根據(jù)上述太陽能光伏電池電壓-功率仿真曲線可知,隨著外部環(huán)境變化會(huì)存在一個(gè)極大值功率點(diǎn)。實(shí)驗(yàn)根據(jù)光伏電池的輸出電壓,迭代尋優(yōu)最大功率點(diǎn),返回的最優(yōu)解為光伏電池的理想輸出電壓。將太陽能光伏電池當(dāng)前的實(shí)際輸出電壓與理想輸出電壓差值作為PwM控制器的調(diào)制信號(hào)。太陽能光伏電池Boost升壓仿真如圖3所示。

光伏電池參數(shù)采用HAMDELL-sC5P-12光伏電池的標(biāo)準(zhǔn)工況下參數(shù)設(shè)置,外接Boost升壓電路進(jìn)行功率輸出,C1取值100uF,C2取值30uF,負(fù)載電阻Rload=300。將混沌動(dòng)態(tài)步長粒子群尋優(yōu)算法C函數(shù)寫到s-Function仿真模塊內(nèi),設(shè)置最小慣性權(quán)重Wmin=0.1,最大慣性權(quán)重Wmax=0.8:自我認(rèn)知C1和社會(huì)認(rèn)知C2的值均為2:粒子距離閾值為C=0.06,迭代尋優(yōu)停止條件8=0.002:Vmax=0.8,Vmin=0.02,最大迭代次數(shù)7max,,混沌迭代次數(shù)M。首先進(jìn)行均勻光照下的仿真實(shí)驗(yàn),在不同工況下如表1所示,比較傳統(tǒng)的Ps0方法與改進(jìn)型的CPs0方法的跟蹤效果,均勻光照下太陽能光伏電池輸出功率如圖4所示,變光照度下太陽能光伏電池輸出功率如圖5所示,Ps0與CPs0局部陰影下的功率輸出如圖6所示。

在模式1情況下,均勻光照度1kw/m2,溫度25℃。光伏電池板輸出功率在145w處存在一個(gè)極值點(diǎn)。CPs0功率跟蹤算法在0.1s內(nèi)能夠追蹤到最大功率點(diǎn),在追蹤過程中震蕩較少。在模式1到模式2轉(zhuǎn)變過程中,光照度減弱,極值點(diǎn)改變,CPs0功率跟蹤算法能夠快速追蹤,調(diào)節(jié)時(shí)間依然控制在0.1s內(nèi)。

如圖6所示,在模式4局部陰影條件下對(duì)最大功率進(jìn)行追蹤,由于此時(shí)會(huì)出現(xiàn)多個(gè)功率極值點(diǎn),兩種方法在追蹤功率時(shí)震蕩均較小,CPs0功率追蹤算法成功逃離局部最優(yōu)值,追蹤到了145w處的全局最優(yōu)值:傳統(tǒng)的PSO在追蹤過程中陷入122w處的局部最小值。

4結(jié)語

改進(jìn)PSO尋優(yōu)算法根據(jù)迭代次數(shù)動(dòng)態(tài)調(diào)節(jié)慣性權(quán)重W,使算法在迭代初期調(diào)節(jié)速度較快,增加了逃脫局部最優(yōu)值的能力:在迭代后期調(diào)節(jié)速度減小,提升尋優(yōu)精度?；煦缋碚撛赑SO尋優(yōu)后期加入,提高了計(jì)算精度和計(jì)算速度。Matlab/simulink仿真結(jié)果表明,在局部遮蔭和光照度變換情況下可以快速跟蹤全局最優(yōu)值。