國務院關于印發(fā)《2024—2025年節(jié)能降碳行動方案》的通知
一種用于MPPT的改進型遺傳算法
一種用于MPPT的改進型遺傳算法:在眾多最大功率點跟蹤(MPPT) 算法中,遺傳算法具有收斂速度快的優(yōu)點,但實際應用中其存在準確率較低、在最大功率點附近擺動的問題,所以在傳統(tǒng)遺傳算
:在眾多最大功率點跟蹤(MPPT) 算法中,遺傳算法具有收斂速度快的優(yōu)點,但實際應用中其存在準確率較低、在最大功率點附近擺動的問題,所以在傳統(tǒng)遺傳算法的基礎上引入擾動觀察法來提高遺傳算法的準確率,并將改進型遺傳算法和傳統(tǒng)遺傳算法進行了仿真對比。結果表明,改進型遺傳算法具有更高的準確率,可提高光伏陣列的發(fā)電效率。
(來源:微信公眾號“太陽能雜志”作者:高慧敏等)
01擾動觀察法和傳統(tǒng)遺傳算法
1.1 擾動觀察法
擾動觀察法的思路是給當前輸出電壓施加一定的擾動,使擾動后的輸出電壓略大于或略小于原輸出電壓;通過比較原輸出功率P 和擾動后的輸出功率P1、P2,確定下一次的擾動方向;最后通過周期性的擾動尋找最大功率點。這種方法的優(yōu)點是原理簡單、容易實現(xiàn)。缺點包括以下幾個方面:
1) 擾動步長固定[7]。步長過大,會降低搜索精度,最后會在最大功率點處來回擺動;步長過小,需要的采集點成倍數(shù)增加,會嚴重降低對最大功率點的跟蹤速度。
2) 在光伏陣列的P-V 輸出特性曲線單峰情況( 圖1) 下,該方法可找到最大功率點;但是在多峰情況( 圖2)下,該方法會陷入局部最大功率點。
1.2 傳統(tǒng)遺傳算法
1.2.1 傳統(tǒng)遺傳算法的原理
遺傳算法是借鑒生物進化的過程,將跟蹤最大功率點的過程模擬成一個生物進化的過程,通過逐代的選擇、復制、交叉、變異操作選出適應度較高的個體。
在跟蹤最大功率點的實際過程中,輸出電壓用二進制表示,并將其作為種群的個體。每個輸出電壓對應的輸出功率作為每個個體的適應度,顯然,適應度最高的個體就是最大功率點對應的輸出電壓。種群內部的個體不斷經(jīng)過交叉、變異,產(chǎn)生新的個體。當?shù)螖?shù)滿足一定條件后,停止迭代,具有最大適應度的個體就是取得最大功率時的輸出電壓。
1.2.2 傳統(tǒng)遺傳算法的設計
遺傳算法有選擇、復制、交叉、變異4 個過程。為提高搜索速度,種群大小和最終迭代次數(shù)不宜過大,所以取種群大小為10,迭代次數(shù)為20 次。個體長度的大小會影響搜索速度和搜索精度,本文的個體長度為10,分辨率達1/1023。
根據(jù)每個個體適應度的不同,用賭輪盤法[8]決定被選擇的個體,并進行復制。個體進行交叉和變異的概率會影響搜索效果,交叉概率適當增加可以提高算法的收斂速度;變異概率適當增加可以提升算法全局搜索的能力,避免局部收斂。針對本文的算法參數(shù)和硬件參數(shù),交叉概率Pc取0.6、變異概率Pm 取0.1 時的搜索效果較好。
算法運行后,第一代種群的個體隨機產(chǎn)生,經(jīng)過選擇、復制等操作產(chǎn)生新一代的種群,每代種群中適應度最大值記為bi;達到預設的迭代次數(shù)后算法停止,bi 的最大值就是算法找到的最大輸出功率P,公式為:
1.2.3 傳統(tǒng)遺傳算法的測試和分析
經(jīng)過大量的仿真測試,傳統(tǒng)遺傳算法能找到最大功率點的概率為63.7%,其找到最大功率點的情況如圖3a 所示。
而傳統(tǒng)遺傳算法未能找到實際最大功率點的情況有2 種:
1) 算法找到的功率點遠小于實際最大功率點,如圖3b 所示;
2) 算法找到的功率點在實際最大功率點附近擺動,如圖3c 所示。
上述2 種傳統(tǒng)遺傳算法未能找到實際最大功率點的原因各不相同。出現(xiàn)圖3b 這種情況主要有2 種可能:
1) 迭代次數(shù)不足。由于受限于迭代次數(shù),算法未能找到實際最大功率點。
2) 隨機產(chǎn)生的第一代種群個體分布比較特殊,且未發(fā)生變異過程或變異產(chǎn)生的個體的適應度低,導致選擇、復制過程產(chǎn)生的新個體有限,因此不能產(chǎn)生具有更高適應度的個體。
出現(xiàn)圖3c 這種情況的主要原因是:精度不夠,且遺傳算法的選擇、交叉等過程具有隨機性。由于本實驗的最小電壓增量為58.65 mV,進行交叉、變異等操作時,電壓變動較大,導致最終結果在實際最大功率點附近擺動。
根據(jù)上述分析可知,傳統(tǒng)遺傳算法應用于MPPT 時,搜尋最大功率點的準確率不能達到100%。尤其在實際應用中,為了提高搜索速度,需要適當降低種群大小、個體長度和迭代次數(shù),但這會進一步降低傳統(tǒng)遺傳算法的準確率,所以傳統(tǒng)遺傳算法應用于MPPT 時需要進行改善。
02改進型遺傳算法
2.1 改進型遺傳算法的原理
改進型遺傳算法以傳統(tǒng)遺傳算法為核心,用擾動觀察法對傳統(tǒng)遺傳算法的輸出結果進行校正,以實現(xiàn)對最大功率點的跟蹤。在足夠的迭代次數(shù)和個體長度條件下,傳統(tǒng)遺傳算法也能得到多峰情況下的最大功率點,但需要大量的采樣、計算,嚴重降低了搜索速度。所以為了提高搜索速度,就需要適當限制迭代次數(shù)、個體長度等參數(shù),但這會導致遺傳算法的準確率下降。擾動觀察法的原理簡單、實現(xiàn)難度低、需要的樣本數(shù)量少、計算量少,因此可引入擾動觀察法對輸出結果進行校正,從而提高算法的準確率。
2.2 改進型遺傳算法的設計
改進型遺傳算法實現(xiàn)的流程圖如圖4 所示。算法運行后隨機選取10 個樣本點作為初始種群,通過采樣、計算獲得對應的適應度,保存該代最優(yōu)個體;經(jīng)過選擇、復制、交叉、變異等操作后得到第二代種群,第二代種群保存最優(yōu)個體;再經(jīng)過選擇復制等操作得到下一代種群,直到滿足迭代次數(shù)要求后停止迭代。比較各代最優(yōu)個體,得到預計的最大功率點,該點的輸出電壓為Uo,輸出功率為P。
在Uo 處施加2 次擾動,擾動電壓為Δu,得到施加擾動后的電壓U1=Uo–Δu、U2=Uo+Δu,對應的輸出功率為P1、P2。
對比P1、P2 可得到擾動方向sgn 為:
最后在該Uo 點處施加n 次擾動,可知第i次擾動時的輸出電壓為:
比較擾動后各點的輸出功率Pi,若最大輸出功率不為Pn,表示擾動得到的Pi 具有單調性,未找到最大功率點,重新開始尋找;若最大輸出功率為Pn,則表示找到了最大功率點,算法結束。
2.3 改進型遺傳算法的測試和分析
改進型遺傳算法的預設參數(shù)與上文傳統(tǒng)遺傳算法的預設參數(shù)相同。擾動電壓Δu=0.3 V,擾動次數(shù)n=20。實驗結果如圖5 和表1 所示。
改進型遺傳算法是對最后的輸出結果進一步擾動檢測,所以與傳統(tǒng)遺傳算法相比,其具有更高的準確率。傳統(tǒng)遺傳算法受限于迭代次數(shù)和變異的隨機性,會產(chǎn)生輸出結果遠低于實際最大功率的情況。但改進型遺傳算法避免了該種情況,輸出結果等于或略小于實際最大功率點。
03結論
本文設計了一種改進型遺傳算法,該算法以傳統(tǒng)遺傳算法為核心,用擾動觀察法對輸出結果進行校正,以此提高算法的準確率。通過仿真測試及對比分析,證明了改進型遺傳算法具有更高的準確率。
原標題:一種用于MPPT的改進型遺傳算法
-
光伏半月談2015年6月上旬:太陽能發(fā)電成本接近平價2024-08-16
-
“黑硅”太陽能電池!效率達22.1%2024-08-16
-
首屆中國太陽能熱發(fā)電大會日程安排初步敲定2024-08-16
-
中國首座商業(yè)運營太陽能熱發(fā)電站累計發(fā)電近1400萬千瓦時2024-08-16
-
全球最大太陽能飛機“陽光動力2號”離開南京飛往美國2024-08-16
-
南瑞太陽能基于熔融鹽儲熱的塔式光熱電站控制技術項目啟動2024-08-16
-
太陽能+空氣能繪制新能源藍圖2024-08-16
-
歐盟對馬、臺太陽能產(chǎn)品展開貿易調查 薄膜被排除在外2024-08-16
-
德發(fā)明太陽能電解水制氫新工藝2024-08-16
-
國產(chǎn)太陽能液態(tài)電池有望2017年面世2024-08-16
-
六月訂單猛增 太陽能電池廠調漲售價2024-08-16
-
中歐太陽能爭端或要“滾雪球”2024-08-16
-
印度打造太陽能火車 替代柴油2024-08-16
-
移動技術+太陽能給非洲帶來變革2024-08-16
-
分子石墨烯架構助力有機太陽能電池2024-08-16