一种基于改进郊狼优化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郊狼优化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。重构技术是解决该问题的有效手段之一，对阵列内的组件排列方式进行不同形式的组合，当产生部分遮阴时，阴影的实际位置被均匀分散开，达到了均衡每行电流、减少多峰值数目的目的。该技术不仅降低了光伏系统对全局最大功率点追踪精度的要求，同时也提升了功率输出，改变阴影条件下阵列的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郊狼优化算法的光伏阵列重构方法，该方法利用icoa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：一种基于改进郊狼优化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：对标准郊狼优化算法进行改进；
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：基于改进郊狼优化算法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。
12.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：
[0013][0014]
式中，表示组件m
ij
在光辐照度g0下产生的电流。
[0015]
则光伏阵列的输出功率为：
[0016][0017]
式中，vi、ii分别表示pv阵列第i行的电压和电流。
[0018]
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：
[0019][0020]
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：
[0021][0022]
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：
[0023][0024]
式中，x
i,j
为第i行、第j列组件的序号。
[0025]
具体的，所述步骤3，对标准郊狼优化算法进行改进。标准郊狼优化算法通过模拟郊狼的出生、成长、死亡以及离群与加入新群组等活动来更新郊狼的社会适应能力并对郊狼个体进行优胜劣汰，从而确定社会适应能力最佳郊狼的社会状态，即问题的最优解。
[0026]
1)种群初始化。郊狼优化算法先将整个种群随机分成n
p
个组，每个组有nc只郊狼。第p个组群的第c个郊狼的第j维的社会条件如下：
[0027][0028]
式中，ubj、lbj分别为第j维向量的上下边界；rj为[0,1]内的随机数。
[0029]
2)郊狼的成长。郊狼的成长过程可以表示为：
[0030][0031]
式中，分别表示郊狼成长前、后的社会状态；r1、r2为[0,1]内均匀分布的随机数；δ1和δ2分别表示组内最优郊狼因子和组内文化趋势因子，计算公式为：
[0032][0033]
式中，是p组中随机选取的两只郊狼的社会状态；soc
best
是组内最优郊狼的社会状态。p组的组内文化cult
p
是组内所有郊狼社会状态的中位数，可以表示为：
[0034][0035]
式中，o
p
表示对p组内郊狼按照社会状态从小到大顺序的排序的中位数。
[0036]
3)郊狼的出生和死亡。一个组群中的郊狼进行交配，随机从郊狼种群中选取两个郊狼，按照交配规则得到新个体。p组新生个体pup的社会状态受到父母郊狼的遗传作用和环境变异的共同影响，因此，pup的第j维社会状态计算公式为
[0037][0038]
式中，和代表新生个体pup的父母郊狼的社会状态；rj是第j维社会状态变量范围内的随机数。发散概率pd和关联概率pa均为问题维度d的函数，其表达式如下：
[0039][0040]
郊狼死亡个体的确定是通过判断新生郊狼pup是否是组内社会适应能力最差的郊狼来决定。当组内其它郊狼的社会适应能力比pup差时，组内社会适应能力最差的郊狼死亡，否则pup死亡。
[0041]
4)郊狼的离群和加入新群组。在一定的概率下，郊狼被驱逐出原本所属的组群，加入到新的组群中。驱逐概率为：
[0042][0043]
为了克服coa易陷入局部最优和收敛速度较慢的缺点，采用levy飞行和circle混沌映射对郊狼的成长过程进行改进，提升族群的多样性和稳定性，同时去除向原点收敛的操作，提升全局搜索能力，改进后的公式为：
[0044][0045]
式中，levy(λ)表示levy飞行函数；ak表示引入的circle混沌映射；表示对应元素相乘。具体数学公式如下：
[0046]
1)levy飞行策略数学表达式为：
[0047][0048]
式中，λ在[0.75,195]之间取值，通常取1.5；u、v服从正态分布，即
[0049][0050]
式中，γ(
·
)为伽马函数。
[0051]
2)正弦混沌映射数学表达式：
[0052][0053]
式中，ak代表第k个位置，mod(
·
)为取余函数，对取余得到第k+1个位置。
[0054]
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：
[0055]
p
mis
＝p
pv-p
pv.ps
ꢀꢀꢀꢀ
(17)
[0056][0057]
式中，p
pv
表示无部分遮阴时混合系统的最大输出功率；p
pv,ps
表示部分遮阴条件下混合系统的最大输出功率；p
pv1
为重构前混合系统的最大输出功率；p
pv2
表示重构后混合系统最大输出功率。
[0058]
具体的，所述步骤5，基于改进郊狼优化算法对光伏阵列进行重构。包括以下主要步骤：
[0059]
1)通过传感器收集pv阵列的输出电流、电压、辐照度等数据；
[0060]
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；
[0061]
3)确定出光伏阵列重构的目标函数和约束条件；
[0062]
4)利用改进coa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；
[0063]
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。
[0064]
本发明与现有技术相比，具有以下的有益效果：
[0065]
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郊狼优化算法的pv阵列重构方法，该方法利用改进的coa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coa，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
[0066]
附图1为本发明基于改进coa的pv阵列重构方法流程；
[0067]
附图2为本发明实施例中大小为9
×
9的pv阵列示意图；
[0068]
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；
[0069]
附图4为本发明实施例中大小为9
×
9的pv阵列在长宽型遮阴情况下重构前、后pv阵列辐照情况；
[0070]
附图5为本发明实施例中大小为9
×
9的pv阵列在短窄型遮阴情况下重构前、后pv阵列辐照情况；
[0071]
附图6为本发明实施例中大小为9
×
9的pv阵列在长宽型遮阴情况下利用icoa进行重构后的i-u和p-u曲线；
[0072]
附图7为本发明实施例中大小为9
×
9的pv阵列在短窄型遮阴情况下利用icoa进行重构后的i-u和p-u曲线。
具体实施方式
[0073]
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。
[0074]
如附图1预测流程，一种基于改进郊狼优化算法的光伏阵列重构方法，主要包括以下主要步骤：
[0075]
步骤1：建立光伏阵列数学模型；
[0076]
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；
[0077]
步骤3：对标准郊狼优化算法进行改进；
[0078]
步骤4：建立光伏阵列重构后输出特性的衡量指标；
[0079]
步骤5：基于改进郊狼优化算法对光伏阵列进行重构。
[0080]
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2种典型的辐照类型(短宽型、长窄型)造成的阴影评估icoa的阵列重构性能，并与标准coa、粒子群优化算法(pso)、遗传算法(ga)、布谷鸟搜索算法(csa)对比，探究icoa的性能。短宽型遮阴情况下，pv阵列出力受限于五种大小的光辐照度，分别为900w/m2、600w/m2、500w/m2、400w/m2、200w/m2；长窄型遮阴情况下，pv阵列出力受限于五种大小的光辐照度，分别为900w/m2、800w/m2、700w/m2、400w/m2、300w/m2。
[0081]
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，两种遮阴情况下重构前阵列输出有功分别为9.74kw、14.60kw，在全光照条件下pv阵列最大输出功率为18.56kw，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，以短宽型遮阴情况为例，以适配损失为适应度函数，得到该情况下各个对比方法的输出有功随迭代次数变化的曲线如图3所示。在两种遮阴情况下，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、5所示，通过仿真得出两种遮阴情况下pv阵列重构前、后的i-u和p-u曲线如图6、7所示。
[0082]
表1失配损耗对比
[0083][0084]
表2功率提升百分比对比
[0085][0086]
从图3可知，coa迭代20次后就快速收敛，但获得的输出功率最低(约为14.41kw)，pso算法也仅获得了约13.64kw的输出功率，寻优效果并不理想，icoa在迭代13次后收敛，收敛速度优于coa、ga(71次)、pso(46次)、csa(35)，并且获得了最高的输出功率。因此，icoa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，icoa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。
[0087]
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，可有效降低遮阴对pv阵列有功输出的影响。从表1可知，pv阵列在两种典型遮阴情况下，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icoa重构后的失配损耗最低，重构效果最好，两种遮阴情况下失配损耗分别降低了4.16kw、2.54kw。从表2可以看出，基于icoa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6、7中曲线可以看出，利用算法对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coa，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。
[0088]
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：
1.一种基于改进郊狼优化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：对标准郊狼优化算法进行改进；步骤4：建立光伏阵列重构后输出特性的衡量指标；步骤5：基于改进郊狼优化算法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郊狼优化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行的电压和电流。3.根据权利要求1所述的一种基于改进郊狼优化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郊狼优化算法的光伏阵列重构方法，其特征在于，所述步骤3：对标准郊狼优化算法进行改进；为了克服coa易陷入局部最优和收敛速度较慢的缺点，提出一种融合了levy飞行和circle混沌映射的改进coa，以增强coa的全局搜索能力；为了克服coa易陷入局部最优和收敛速度较慢的缺点，采用levy飞行和circle混沌映射对郊狼的成长过程进行改进，以增强coa的全局搜索能力；改进后的公式为：式中，分别表示郊狼成长前、后的社会状态；δ、δ分别表示组内最优郊狼因子和组内文化趋势因子；levy(λ)表示levy飞行函数；a
k
表示引入的circle混沌映射；具体数学公式如下：1)levy飞行策略数学表达式为：式中，λ在[0.75,195]之间取值，通常取1.5；u、v服从正态分布，即式中，γ(
·
)为伽马函数；2)正弦混沌映射数学表达式：式中，a
k
代表第k个位置，mod(
·
)为取余函数，对其取余得到第k+1个位置。5.根据权利要求1和5所述的一种基于改进郊狼优化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
表示无部分遮阴时混合系统的最大输出功率；p
pv,ps
表示部分遮阴条件下混合系统的最大输出功率；p
pv1
为重构前混合系统的最大输出功率；p
pv2
表示重构后混合系统最大输出功率。6.根据权利要求1所述的一种基于改进郊狼优化算法的光伏阵列重构方法，其特征在于，所述步骤5：基于改进郊狼优化算法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coa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郊狼优化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，为进一步提高郊狼优化算法（COA）在模型求解过程中的搜索能力和收敛性能力，对标准COA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COA（ICOA）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，相比于传统方法，改进算法具有更优的全局搜索能力和收敛特性。力和收敛特性。力和收敛特性。


技术研发人员：元亮 王鑫 苗桂喜 孙浩然 席晟哲 舒逸石 连勇 王丽晔 闫娇 赵悠悠 崔哲芳 王远 张芳 郑惠瀛 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：2023/8/9