改进粒子群算法在光伏阵列多峰值MPPT中的应用.pdfVIP

学兔兔 学兔兔 改进粒子群算法在光伏阵列多峰值MPPT中的应用 娄贺伟 ，等 和最小值，US是为了避免算法陷入早熟根据粒子的聚集度因 子对惯性权重进行调整的值，其大小是0．08-0．15。 在粒子群算法中，学习因子C。、C2分别起到调节粒子向个 体最优位置和全局最优位置移动的速度。在算法早期 ，为了保 证粒子群的多样性 ，避免算法陷入局部最优解 ，应选取较大的 自学习因子c。、较小的社会学习因子C2；在算法后期，为了使 算法快速 、准确的收敛到全局最优位置 ，应选取较大的社会学 Ufv 习因子C。、较小的自学习因子C。基于此，通过进化状态因子 图2 不同光照情况下的I—u特性曲线 调整学习因子。学习因子的调整公式如下： P—U c = c … +(c 一c )6 (9) c = c： 一 (c 一C2min)占 (10) 式中，C 、Clmin是 自学习因子的最大值和最小值 ；c：… C2min是社会学习因子的最大值和最小值；t是当前的迭代次数 ； T是算法的最大迭代次数。 2．3 改进粒子群算法在MPPT中的应用 U～ 改进粒子群算法在MPPT中应用时，把光伏阵列的输出电 图3 不同光照情况下的P—U特性曲线 流看作粒子，其取值范围是 0【，I】(I是光伏阵列的短路 电流)， 输出控制量是电压。在应用的过程中，主要包括两部分：首先 2 粒子群算法的改进及在MPPT中的应用 通过改进的粒子群算法找出最大功率点处的工作电压，然后控 2．1 粒子群算法的原理 制Boost电路的占空比，使光伏阵列的输出电压稳定在粒子群 在粒子群算法中，每一个粒子都是问题的一个潜在解，通 算法所找出的工作电压处。改进粒子群算法在MPPT中应用的 过不断的迭代，最终确定问题所对应的全局最优解。设在D维