一种基于改进海洋捕食者算法的光伏阵列重构方法与流程

1.本发明涉及光伏发电技术领域，具体涉及一种基于改进海洋捕食者算法的光伏阵列重构方法。


背景技术：

2.太阳能作为一种取之不尽用之不竭的能源因其清洁无污染性而广受人们关注。但是光伏电池转换效率低，易受外界环境影响和自身建造工艺不完善等问题依然是当前一大亟待解决的问题。光伏阵列在运行过程中难免会由于飞鸟、云层、附近建筑物以及间距设置不合理等因素而产生部分阴影遮挡问题，这种随机不规则的部分阴影遮挡会使光伏输出变得十分不稳定。同时光伏阵列中被遮挡的电池单元由于输出电流降低，导致阵列整体输出电压被施加到该单元，使其变成负载消耗电能产生热量，损坏电池和系统。
3.光伏阵列在部分阴影条件下工作时会因为功率失配而损失能量，致使输出特性曲线出现多峰值，而部分阴影遮挡问题又无法绝对的避免。光伏重构技术是减轻该问题影响的有效方法，经过重构的光伏阵列可以获得最优的阴影分布，有效均衡了阵列的行电流，可以有效减少阵列输出特性的多峰，对最大功率点追踪有一定的改善效果，实现了减轻部分遮阴影响和提高输出功率的目标。同时也改改善了阴影条件下阵列的i-u、p-u特性，因此，提出一种行之有效的光伏阵列重构方法具有极为重要的现实意义。


技术实现要素：

4.本发明的目的是为克服现有技术的不足，针对现有研究多采用群智能算法进行光伏阵列重构，但所提方法输出功率提高受限，失配损耗较高，功率提升百分比较低，且伴随着收敛速度不高和收敛精度低的问题，本发明提出一种基于改进海洋捕食者算法的光伏阵列重构方法，该方法利用改进海洋捕食者算法进行pv阵列重构，使得pv阵列获得最大的功率输出，可有效缓解部分遮阴对系统有功输出的影响，减少系统功率损耗，改善pv阵列在遮阴情况下i-u和p-u输出特性曲线出现多峰值的问题。
5.本发明采用的技术方案为：一种基于改进海洋捕食者算法的光伏阵列重构方法，包括如下步骤：
6.步骤1：建立光伏阵列数学模型；
7.步骤2：以光伏阵列输出功率最大为目标，建立待优化的目标函数，并确定光伏阵列电气开关状态量应满足的约束条件；
8.步骤3：对标准mpa进行改进；
9.步骤4：建立光伏阵列重构后输出特性的衡量指标；
10.步骤5：基于impa对光伏阵列进行重构。
11.具体的，所述步骤1中，建立光伏阵列数学模型。光伏阵列多采用全交叉型(tct)结构，光伏组件先串联形成组件串，然后再并联形成tct型结构。对于尺寸为“m
×
n”的光伏阵列，其中第i行第j列对应组件m
ij
在光辐照度g
ij
下产生的电流为i
ij
，其计算公式为：
[0012][0013]
式中，表示组件m
ij
在光辐照度g0下产生的电流。
[0014]
则光伏阵列的输出功率为：
[0015][0016]
式中，vi、ii分别表示pv阵列第i行的电压和电流。
[0017]
具体的，所述步骤2，以光伏阵列输出功率最大为目标，建立待优化的目标函数，并确定光伏阵列电气开关状态量应满足的约束条件。光伏阵列重构是根据不同的阴影模式通过调整光伏板中组件的连接方式，确定最佳的连接方式下光伏阵列每一行的功率之和最大，因此建立目标函数：
[0018][0019]
式中，pa是表示不使用旁路二极管时的输出功率，wf为其权重系数，通常取10；ee是光伏阵列的最大行电流i
max
和单个行电流ii之间的误差之和(we为其权重系数，通常取10)，计算公式为：
[0020][0021]
每个组件仅与同一列中的另一个组件交换，即组件改变的是行序号。因此，由电气开关状态构成的重构变量应满足约束条件：
[0022][0023]
式中，x
i,j
为第i行、第j列组件的序号。
[0024]
具体的，所述步骤3，对标准mpa进行改进。根据种群规模n、维度d初始化猎物矩阵x，利用下式对矩阵中的每个元素x
ij
进行初始化。
[0025]
x
ij
＝x
min
+r
·
(x
max-x
min
) i＝1,2,
…
,n j＝1,2,
…
,d
ꢀꢀꢀꢀ
(6)
[0026]
式中，x
max
、x
min
分别为解的上、下限；r为(0,1)内的随机数。
[0027]
在此基础上，对种群进行优化迭代，按照迭代次数t与最大迭代次数t
max
之间的关系分为初期中期与末期三个迭代阶段。
[0028]
1)初期：捕食者比猎物的速度更快，捕食者最好的策略是原地不同，猎物种群动作具体可表示为：
[0029][0030]
式中，xi、ei分别为当前迭代次数t时第i个猎物的位置和第i个精英捕食者的位置；di
表示移动步长；rb为布朗运动随机量；p取常数0.5；r为0到1之间的均匀随机数；表示克罗内克积。
[0031]
2)中期：当猎物与捕食者移动速度相近，种群被分为探测与开发两个部分进一步寻找最优解。种群前半部分i＝1,
…
,n/2，通过莱维运动进行探测，数学表达式为：
[0032][0033]
式中，r
l
为莱维运动随机向量。
[0034]
对于种群后半部分i＝n/2,n/2+1,
…
,n，通过布朗运动进行开发，数学表达式为：
[0035][0036]
式中，cf表示控制捕食者移动步长的自适应系数，数学表达式为：
[0037][0038]
3)末期：捕食者速度比猎物速度慢，捕食者进行莱维运动以提高局部搜索能力，数学表达式为：
[0039][0040]
考虑海洋涡流与人工集鱼装置对种群的影响，二次种群更新可表示为：
[0041][0042]
式中，β为随机生成的二进制量；pf表示影响捕食者减小局部极值影响的概率，取值为0.2；x
r1
、x
r2
为随机猎物个体。
[0043]
海洋捕食者算法与其他启发式算法稍有不同，它根据迭代次数分为三个阶段，每个阶段使用不同的策略计算步长并移动猎物位置，具有寻优能力强、所需参数少等优点，但仍存在收敛速度慢、搜索精度不够等缺陷。为进一步提高算法在面对高维、高复杂度场景下的优化问题时的求解特性，采用以下策略对标准算法进行改进：
[0044]
1)引入准对立学习策略提高mpa的收敛速度。通过计算当前解在搜索空间中的对立解来扩大搜索范围。对立解可以表示为：
[0045]
x
′i＝lb+ub-xiꢀꢀꢀꢀ
(13)
[0046]
式中，ub、lb分别表示搜索代理的上、下限边界值。
[0047]
准对立学习计算的准对立点位于中点和对立点之间，准对立解更接近最优解，因此可以加快收敛速度。准对立解的计算公式如下：
[0048][0049]
式中，m＝(ub+lb)/2，r1、r2为0到1之间的均匀随机数。
[0050]
使用准对立学习策略计算所有个体的准对立解，然后获得当前解和准对立解的适应度值。按照适应度值升序排列，选择适应度值较好的前n个个体作为当前种群，然后算法进行探索和开发过程。
[0051]
2)引入差分进化思想从中期开始更新种群的位置。更新步骤为：
[0052]
当迭代次数过半、当前迭代比上一次迭代适应度值优时，即fit(xi)≥fit
bset
，对种群进行变异、交叉和选择操作。具体计算公式为：
[0053]
①
变异公式：
[0054]
mi＝x
r1
+f
×
(x
r2-x
r3
)
ꢀꢀꢀꢀ
(15)
[0055]
式中，mi表示变异后的个体；x
r1
、x
r2
、x
r3
为种群随机个体；f表示自适应调整变异算子，计算公式为：
[0056][0057]
式中，f0为自适应调整变异算子初始值。
[0058]
②
交叉公式：
[0059][0060]
式中，ci表示交叉后的个体；r为[0,1]内的随机值；pc为交叉概率；j
rand
为[1,d]之间的随机值，确保交叉后的试验个体至少有一维分量由变异个体提供，从而避免算法停滞。该公式的表示对种群按照一定的概率选择子代变异个体(否则保持最优个体xi不变)来生成试验个体。
[0061]
③
选择公式：
[0062][0063]
式中，xi表示选择后的个体；该式表示当交叉个体的适应度值优于未进行差分变异时个体xi对应的适应度值时，用交叉个体作为最优个体，否则保持原个体不变。
[0064]
具体的，所述步骤4，建立光伏阵列重构后输出特性的衡量指标。采用失配损耗p
mis
和功率提升百分比λ对光伏阵列重构后的输出特性进行衡量，具体计算公式为：
[0065]
p
mis
＝p
pv-p
pv.ps
ꢀꢀꢀꢀ
(19)
[0066][0067]
式中，p
pv
表示无部分遮阴时pv阵列的最大输出功率；p
pv,ps
表示部分遮阴条件下pv阵列的最大输出功率；p
pv1
为重构前pv阵列的最大输出功率；p
pv2
表示重构后pv阵列最大输出功率。
[0068]
具体的，所述步骤5，基于impa对光伏阵列进行重构。包括以下主要步骤：
[0069]
1)通过传感器收集pv阵列的输出电流、电压、辐照度等数据；
[0070]
2)初始化算法初始参数，将p
mis
最小、λ最大作为算法的适应度函数，并计算初始适应度值；
[0071]
3)确定出光伏阵列重构的目标函数和约束条件；
[0072]
4)利用改进mpa对重构模型进行求解，更新局部最优解，确定全局最优解，根据适应度值不断更新最优解；
[0073]
5)判断是否达到最大迭代次数，若达到最大迭代次数，输出最优阵列排列和最大输出功率，否则不断执行步骤4)直至满足算法终止条件。
[0074]
本发明与现有技术相比，具有以下的有益效果：
[0075]
现有研究多采用群智能算法进行光伏阵列重构，但所提方法输出功率提高受限，失配损耗较高，功率提升百分比较低，且伴随着全局搜索能力不高和收敛精度低的问题，为解决现有技术不足，本发明提出一种基于改进海洋捕食者算法的光伏阵列重构方法，该方法利用改进的mpa进行光伏阵列重构，使得光伏阵列获得最大的功率输出，相比于标准mpa，改进算法收敛性能进一步提升，且相比于传统智能算法，可获得更小的失配损耗和更大的功率提升百分比。
附图说明
[0076]
附图1为本发明基于impa的pv阵列重构方法流程；
[0077]
附图2为本发明实施例中大小为9
×
9的pv阵列示意图；
[0078]
附图3为本发明实施例中四种对比算法在pv阵列重构过程中得到的输出功率随算法迭代次数的变化曲线；
[0079]
附图4为本发明实施例中大小为9
×
9的pv阵列在随机型遮阴情况下重构前、后pv阵列辐照分布情况；
[0080]
附图5为本发明实施例中大小为9
×
9的pv阵列在随机型遮阴情况下利用impa进行重构后的i-u和p-u曲线。
具体实施方式
[0081]
下面将利用实施例对所提方法进行有效性验证，并结合附图对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0082]
如附图1预测流程，一种基于改进海洋捕食者算法的光伏阵列重构方法，主要包括以下主要步骤：
[0083]
步骤1：建立光伏阵列数学模型；
[0084]
步骤2：以光伏阵列输出功率最大为目标，建立待优化的目标函数，并确定光伏阵列电气开关状态量应满足的约束条件；
[0085]
步骤3：对标准mpa进行改进；
[0086]
步骤4：建立光伏阵列重构后输出特性的衡量指标；
[0087]
步骤5：基于impa对光伏阵列进行重构。
[0088]
根据步骤1，如附图2所示大小为9
×
9的光伏阵列示意图，通过matlab/simulink仿真软件模拟的pv阵列在随机辐照类型造成的阴影评估impa的阵列重构性能，并与标准mpa、粒子群优化算法(pso)、遗传算法(ga)、人工蜂群算法(abc)对比，探究impa的性能。经过仿真随机给出光伏阵列上4种辐照度的分布，分布辐照度大小分别为900w/m2、600w/m2、400w/
m2、200w/m2。
[0089]
为更好设置对照比较，将所有算法的迭代次数设置为200次，种群规模设置为30。经过仿真，随机遮阴情况下重构前阵列最大输出有功为12.94kw，在全光照条件下pv阵列最大输出功率为19.12kw，重构后得到各对比方法的失配损耗及功率提升百分比如表1、2所示，以适配损失为适应度函数，得到该情况下各个对比算法的输出有功随迭代次数变化的曲线如图3所示。在随机遮阴情况下，利用五种算法对阵列进行重构，得到重构前、后的辐照情况附图4所示；通过impa进行重构，得到i-u和p-u曲线如图5所示。
[0090]
表1失配损耗对比
[0091][0092]
表2功率提升百分比对比
[0093][0094]
从图3可知，mpa迭代20次后就快速收敛，但获得的输出功率最低(约为14.78kw)，表明mpa算法未搜寻到最佳重构策略，从而陷入了局部最优，pso算法也仅获得了约14.74kw的输出功率，寻优效果并不理想，虽然和impa的收敛迭代次数相近，但光伏阵列获得的有功输出较小，impa在迭代13次后收敛，ga算法可有效提高光伏阵列的有功输出，但是收敛速度较慢，同样abc算法易陷入局部最优以及收敛速度慢，所提方法最优，获得了最高的输出功率。因此，impa可以在更少的迭代次数内找到相对最优解。基于上述讨论可知，impa相较于改进前的算法，全局搜索能力和收敛精度都有所提升。
[0095]
从图4、5可以看出，重构前整个阵列辐照度不均衡，重构后，阵列的部分遮阴情况被均衡分布到整个阵列中，结合表1、2，有效提高了光伏阵列的有功输出，可有效降低遮阴对pv阵列有功输出的影响。从表1可知，pv阵列在随机遮阴情况下，利用算法对pv阵列进行重构，重构后的失配损耗降低，输出功率得到提升，其中基于impa重构后的失配损耗最低，重构效果最好。从表2可以看出，基于impa重构后平均功率提升百分比最高，对减轻遮阴影响的效果最明显。从图5中曲线可以看出，利用impa算法对pv阵列进行重构，缓解了其在遮阴情况下i-u和p-u输出特性曲线出现多峰的问题。在遮阴情况下，输出功率曲线的多峰问题容易导致在最大功率点跟踪时陷入局部最大值的问题。通过图表分析，相比于标准mpa，改进算法的全局搜索能力和收敛精度有显著改善，验证了改进方法的有效性，且相比于其他传统优化算法，重构后可得到更高的功率输出，说明改进方法的优越性。
[0096]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于改进海洋捕食者算法的光伏阵列重构方法，其特征在于，包括以下步骤：步骤1：建立光伏阵列数学模型；步骤2：以光伏阵列输出功率最大为目标，建立待优化的目标函数，并确定光伏阵列电气开关状态量应满足的约束条件；步骤3：对标准mpa进行改进；步骤4：建立光伏阵列重构后输出特性的衡量指标；步骤5：基于impa对光伏阵列进行重构。2.根据权利要求1所述的一种基于改进海洋捕食者算法的光伏阵列重构方法，所述步骤1：建立光伏阵列数学模型；光伏阵列多采用全交叉型(tct)结构，光伏组件首先通过串联形成组件串，这些组件串再并联形成tct型结构；对于尺寸为“m
×
n”的光伏阵列，其中第i行第j列对应组件m
ij
在光辐照度g
ij
下产生的电流为i
ij
，其计算公式为：式中，表示组件m
ij
在光辐照度g0下产生的电流；则光伏阵列的输出功率为：式中，v
i
、i
i
分别表示pv阵列第i行的最大输出电压和电流。3.根据权利要求1所述的一种基于改进海洋捕食者算法的光伏阵列重构方法，其特征在于，所述步骤2：以光伏阵列输出功率最大为目标，建立待优化的目标函数，并确定光伏阵列电气开关状态量应满足的约束条件；光伏阵列重构是根据不同的阴影模式通过调整光伏板中组件的连接方式，确定最佳的连接方式下光伏阵列每一行的功率之和最大，因此建立目标函数：式中，p
a
是表示不使用旁路二极管时的输出功率，w
f
为其权重系数，通常取10；e
e
是光伏阵列的最大行电流i
max
和单个行电流i
i
之间的误差之和(w
e
为其权重系数，通常取10)，计算公式为：每个组件仅与同一列中的另一个组件交换，即组件改变的是行序号；因此，由电气开关状态构成的重构变量应满足约束条件：式中，x
i,j
为第i行、第j列组件的序号。
4.根据权利要求1所述的一种基于改进海洋捕食者算法的光伏阵列重构方法，其特征在于，所述步骤3：对标准mpa进行改进；海洋捕食者算法与其他启发式算法稍有不同，它根据迭代次数分为三个阶段，每个阶段使用不同的策略计算步长并移动猎物位置，具有寻优能力强、所需参数少等优点，但仍存在收敛速度慢、搜索精度不够等缺陷；为进一步提高算法在面对高维、高复杂度场景下的优化问题时的求解特性，采用以下策略对标准算法进行改进：1)引入准对立学习策略提高mpa的收敛速度；通过计算当前解在搜索空间中的对立解来扩展搜索范围；对立解可以表示为：x
i
′
＝lb+ub-x
i
式中，ub、lb分别表示搜索代理的上、下限边界值；准对立学习计算的准对立点位于中点和对立点之间；准对立解比当前解更接近未知最优解的概率大于1/2，即准对立解更接近最优解，因此可以加快收敛速度；准对立解的计算公式如下：式中，m＝(ub+lb)/2，r1、r2为0到1之间的均匀随机数；使用准对立学习策略计算所有个体的准对立解，然后获得当前解和准对立解的适应度值；按照适应度值升序排列，选择适应度值较好的前n个个体作为当前种群，然后进行mpa的探索和开发过程；2)引入差分进化思想从中期开始更新种群的位置；更新步骤为：当迭代次数过半、当前迭代比上一次迭代适应度值优时，即fit(x
i
)≥fit
bset
，对种群进行变异、交叉和选择操作；具体计算公式为：
①
变异公式：m
i
＝x
r1
+f
×
(x
r2-x
r3
)式中，m
i
表示变异后的个体；x
r1
、x
r2
、x
r3
为种群随机个体；f表示自适应调整变异算子，计算公式为：式中，f0为初始值；
②
交叉公式：式中，c
i
表示交叉后的个体；r为[0,1]内的随机值；p
c
为交叉概率；j
rand
为[1,d]之间的随机值，确保交叉后的试验个体至少有一维分量由变异个体提供，从而避免算法停滞；该公式的表示对种群按照一定的概率选择子代变异个体(否则保持最优个体x
i
不变)来生成试验个体；
③
选择公式：
式中，x
i
表示选择后的个体；该式表示当交叉个体的适应度值优于未进行差分变异时个体x
i
对应的适应度值时，用交叉个体作为最优个体，否则保持原个体不变。5.根据权利要求1和5所述的一种基于改进海洋捕食者算法的光伏阵列重构方法，其特征在于，所述步骤4：建立光伏阵列重构后输出特性的衡量指标；采用失配损耗p
mis
和功率提升百分比λ对光伏阵列重构后的输出特性进行衡量，具体计算公式为：p
mis
＝p
pv-p
pv.ps
式中，p
pv
表示无部分遮阴时pv阵列的最大输出功率；p
pv,ps
表示部分遮阴条件下pv阵列的最大输出功率；p
pv1
为重构前pv阵列的最大输出功率；p
pv2
表示重构后pv阵列最大输出功率。6.根据权利要求1所述的一种基于改进海洋捕食者算法的光伏阵列重构方法，其特征在于，所述步骤5：基于impa对光伏阵列进行重构；包括以下主要步骤：1)通过传感器收集pv阵列的输出电流、电压、辐照度等数据；2)初始化算法初始参数，将p
mis
最小、λ最大作为算法的适应度函数，并计算初始适应度值；3)确定出光伏阵列重构的目标函数和约束条件；4)利用改进mpa对重构模型进行求解，更新局部最优解，确定全局最优解，根据适应度函数不断更新最优解；5)判断是否达到最大迭代次数，若达到最大迭代次数，输出最优阵列排列和最大输出功率，否则不断执行步骤4)直至满足算法终止条件。

技术总结
本发明涉及一种基于改进海洋捕食者算法的光伏阵列重构方法：首先，建立光伏（PV）阵列数学模型，以PV阵列输出功率最大为目标，建立待优化的目标函数，并确定PV阵列电气开关状态量应满足的约束条件；然后，为进一步提高海洋捕食者优化算法（MPA）在模型求解过程中的搜索能力和收敛性能力，对标准MPA进行改进，并建立PV阵列重构后输出特性的衡量指标；最后，通过软件仿真，基于改进MPA（IMPA）进行PV阵列重构，验证所提方法的有效性与优越性。经过仿真分析，所提方法可有效缓解部分遮阴对PV阵列有功输出的影响，减少系统功率损耗，改善PV阵列在遮阴情况下I-U和P-U输出特性曲线出现多峰值的问题，相比传统方法，本发明具有更优的全局搜索能力和收敛特性。搜索能力和收敛特性。搜索能力和收敛特性。


技术研发人员：元亮 王丽晔 苗桂喜 孙浩然 席晟哲 连勇 闫娇 赵悠悠 王悠然 崔哲芳 王远 王琪 张芳 孙文强 郑惠瀛 秦广涛 苏子乐
受保护的技术使用者：国网河南省电力公司安阳供电公司
技术研发日：2023.05.29
技术公布日：2023/8/13