基于改进型粒子群算法的高速服务区太阳能光伏

时间：2022-04-23 21:17:15

关键字：高速服务区太阳能光伏电池混沌理论

手机看文章

扫描二维码
随时随地手机看文章

[导读]摘要:高速服务区利用光伏电池进行能源补充,提高服务区的综合能源利用率,保护环境,为确保光伏电池始终保持最大功率输出,需要在均匀光照和局部遮荫等多种工况下进行最大功率追踪。传统的粒子群算法在最大功率寻优过程中容易陷入局部最优值,并出现连续震荡。基于以上问题提出了利用混沌原理在粒子群迭代后期进行混沌处理的思路,同时惯性权重随着迭代次数的增加而动态减小,使前期搜索速度加快,后期提高搜索精确度。仿真结果表明,改进后的粒子群算法有效避免了陷入局部最优值,寻优速度明显加快。

引言

高速服务区能源消耗,尤其是电能消耗脱离城市综合能源管网的支持,容易加剧能源传输的不稳定性以及在传输过程中的能源浪费和环境破坏。因此,通过建筑物光伏一体化设计实现节能应用,改善服务区环境状态显得尤为重要。太阳能电池在使用过程中受天气、温度以及光照度的变化,其发电效率也随之改变,因此跟踪输出的最大功率(MaximumPowerPointTracking,MPPT）是提高太阳能光伏电池利用率,保障设备安全运行的关键技术之一。

文献提出了一种利用全局最大功率点作为更新条件,利用粒子聚敛程度进行单个粒子速度的迭代更新,提高了收敛精度,减小了功率波动。文献提出一种基于滞环比较的变步长扰动观察法,提高了功率点的判断准确性,减小了局部震荡。虽然以上方法有效提高了最大功率点的追踪精度,但是计算方法比较复杂,硬件要求较高。文献提出了滑模控制方法在局部阴影条件下实现对输出电压的控制,利用传统的Ps0算法实现全局的MPPT控制研究,但是在变光照条件下传统Ps0算在寻优结果上容易陷入局部最优值。

粒子群算法(Particleswarm0ptimization,Ps0）是进化寻优算法的一种,是解决非线性变化中最优值问题的一种有效方法。本文提出了利用混沌算法改进的变步长粒子群优化算法,实现光伏电池最大功率点的追踪,实现粒子的更新频率和速度自适应调整,有效避免了局部最优解,提高了更新速度。在局部遮荫的变光照条件下,利用混沌理论提高粒子种群的多样性和迭代搜索的准确性,引入动态变步长因子优化惯性权重,实现粗细调节变化,在迭代搜索初期,惯性权重较大,全局搜索速度加快:在迭代寻优后期,惯性权重相应减小,提高局部搜索精度,减小陷入局部最优解的概率。

l系统建模

光伏电池的一般等效模型如图1所示,Iph为光生电流,其大小与光照强度有关,光照强度越大,光生电流越大:反之,光生电流越小。在短路情况下,短路电流Isc近似等于光伏电池的光生电流。Rp为光伏电池的串联电阻,Rs为太阳能电池的并联电阻。

光伏电池的输出电流I为:

式中,Id为理想二极管的伏安特性:Io为反向饱和电流:g为电子电量(1.60217646×10-19C）:k为玻尔兹曼常数(1.3806503×10-23J/K）:7为热力学温度(太阳能电池结温）:a为二极管理想常数特性因子:I为光伏电池输出电流(工作电流）:U为光伏电池输出电压(工作电压）。

因为Isc=Iph,且在实际工况中光伏电池的串联电阻Rp远大并联电阻Rs,因此在标准条件下(光照强度s=1000w/m2,温度25℃）,式(1）可以改写为:

式中,C1和C2为光伏电池的约束系数,一般表示方法为:

在外部光照、温度等环境参数变化的情况下,光伏电池的标准参数发生变化,因此Isc、Uoc、Im、Um可表示为:

HAMDELsC5P-12光伏电池在标准状态下的参数为Pm=180w,最大输出电压UОc=36V,最大功率电流Ip=5A,短路电流Isc=5A。在标准参数下和变环境参数状态下,如表1所示,光伏电池特性的Matlab/simulink仿真如图2所示。

由仿真图2(a）可知,在标准状态下蓄电池的输出功率随输出电压的升高先增大后减小,呈现单峰值点状态:在外界光照条件改变时,如图2(b）所示,光伏电池的输出功率曲线呈现多峰值状态。因此,如何追踪输出功率的最大值点来实现光伏电池的最大输出效率成为光伏电池控制器的主要功能。

2基于混沌原理的粒子群寻优算法

2.1基本粒子群算法

粒子群算法是在解决优化问题时常用的一种手段,在搜索范围内随机分布N个粒子,每个粒子在优化迭代过程中都有一个向量V来表示迭代过程中粒子的移动方向和速度变量。在二维向量中,粒子群算法的速度更新公式和位置更新公式分别为:

式(9）为速度更新公式,其中W为惯性权重:C1、C2[0,2]分别为认知因子和社会因子:r1、r2为分布于(0,1）之间的随机数。

式(10）为位置更新公式,x(1）为当前时刻的位置:x(1+1）为下一时刻粒子的移动位置。

惯性权重W的作用为在迭代次数完成前使寻优公式避免陷入局部最优解,导致计算精度下降。根据相关文献的研究成果,引入动态调节搜索惯性步长:

式中,n为当前迭代次数:Max为最大迭代次数。

在粒子群寻优计算过程中,如果要提高计算精度避免陷入局部最优解,应尽可能使粒子遍布于整个变量空间。如果提高种群数量增大分布密度,就会导致迭代过程计算量逐步增加。当变量范围较大时,很难使有限的粒子遍布于整个变量空间,导致寻优结果陷入局部最优解的概率增加[6]。为解决上述问题,利用粒子距离观测方法判定种群的迭代计算是否进入了后期搜索阶段,并利用混沌算法进行全局优化,避免过早陷入局部最优解。一维变量粒子距离观测公式为:

当D(1）<C(给定阈值）,则判断迭代计算进入了后期阶段,系统应采用混沌算法进行优化。

2.2基于混沌理论的PSO算法

混沌动态步长粒子群寻优算法(CPs0）是由混沌过程和寻优过程两部分组成。混沌过程由确定的数学方程映射到随机性分布的点的状态,然后利用混沌变量进行全局最优值的遍历。本文选取的混沌映射方法为:

在实际应用中迭代初值不能为0,映射区间为[-1,1]。利用混沌理论的全局遍历性,增加粒子群在局部最优解的逃逸能力。具体改进方法为:根据初始化参数进行动态变步长迭代更新,利用粒子距离观测方法判定Ps0迭代寻优是否到了迭代寻优后期阶段,随机产生粒子y0,混沌迭代o次得到混沌序列yn,以yn为新生粒子群基本规模进行全局寻优,确定最优位置向量y*并替换原粒子群中位置最差的粒子,以提高粒子群算法的局部最优逃逸能力。具体步骤为:

第1步:初始化粒子种群sizepОp,设定自我认知C1和社会认知C2、最小惯性权重Wmin、最大惯性权重Wmax、最大迭代速度Vmax、迭代阈值C、最大迭代次数7max、混沌迭代次数o,停止条件s=0.002。

第2步:初始化粒子位置,计算各粒子的适应度fitness、全局最优位置gbesti、个体最优位置pbesti。

第3步:利用公式(9）、公式(10）计算飞行速度并进行位置更新,进行迭代运算,更新各粒子适应度fitness、个体最优位置pbesti以及全局最优位置gbesti。

第4步:利用粒子距离观测方法公式(12）进行迭代观测,如果D(t）<C,则判断粒子寻优进入了后期阶段,执行第5步:否则,继续执行第2步和第3步。

第5步:随机产生一个变量y0,进行M次混沌迭代产生混沌序列yn,n=m,将混沌序列根据公式(14）变换到Ps0变量范围yn',并计算混沌序列的适应度值,选出前L项适应度值较大粒子y*替换Xn序列适应度最小的前L项,继续进行Ps0迭代寻优计算。逆映射公式为:

式中,b、a为Ps0变量范围:Pg为全局最优位置。

第6步:计算迭代寻优的收敛条件,若满足则转入第7步,若不满足转入第3步。

第7步:返回全局最优解,寻优迭代计算结束。

利用混沌动态步长改进的粒子群算法,提高了种群的多样性和全局搜索能力,有效缩短了收敛时间,提高了收敛精度。

3仿真与实验

3.1基于混沌动态步长型粒子群寻优算法CPSO设计的MPPT方法

根据上述太阳能光伏电池电压-功率仿真曲线可知,随着外部环境变化会存在一个极大值功率点。实验根据光伏电池的输出电压,迭代寻优最大功率点,返回的最优解为光伏电池的理想输出电压。将太阳能光伏电池当前的实际输出电压与理想输出电压差值作为PwM控制器的调制信号。太阳能光伏电池Boost升压仿真如图3所示。

光伏电池参数采用HAMDELL-sC5P-12光伏电池的标准工况下参数设置,外接Boost升压电路进行功率输出,C1取值100uF,C2取值30uF,负载电阻Rload=300。将混沌动态步长粒子群寻优算法C函数写到s-Function仿真模块内,设置最小惯性权重Wmin=0.1,最大惯性权重Wmax=0.8:自我认知C1和社会认知C2的值均为2:粒子距离阈值为C=0.06,迭代寻优停止条件8=0.002:Vmax=0.8,Vmin=0.02,最大迭代次数7max,,混沌迭代次数M。首先进行均匀光照下的仿真实验,在不同工况下如表1所示,比较传统的Ps0方法与改进型的CPs0方法的跟踪效果,均匀光照下太阳能光伏电池输出功率如图4所示,变光照度下太阳能光伏电池输出功率如图5所示,Ps0与CPs0局部阴影下的功率输出如图6所示。