【《光伏电池基于CAHHO优化算法MP-PT控制方法分析》5600字】

X光伏电池基于CAHHO优化算法MPPT控制方法分析目录TOC\o"1-3"\h\u44171.1HHO算法原理 1249261.2CAHHO算法的提出 4225371.2.1能量因子正切计算方法 4141341.2.2柯西变异策略的引入 5101301.3CAHHO算法数学性能验证 6262461.4基于CAHHO算法的MPPT控制仿真 1032021.1.1单峰光照强度稳定情况 10310291.1.2单峰光照强度变化情况 12167901.1.3局部遮阴情况 13321861.5小结 141.1HHO算法原理HHO算法是Heidari等于2019年仿哈里斯鹰觅食捕猎行为而提出的一种拟生智能优化算法，该算法主要根据哈里斯鹰在捕食过程中所存在的探索、探索-进攻转换以及进攻行为而提出的，具有参数设置少、原理简单以及全局搜索能力强等优势，因而目前已经被应用于包括图像处理、优化控制以及神经网络参数优化选择等多种领域[60-61]。下面本文将对HHO算法进行具体建模分析。前面已经提到哈里斯鹰在捕食过程中主要存在对猎物探索、猎物探索后转为进攻状态以及对进攻三种状态，因而本文对HHO算法建模也是依据这三种状态进行描述的。对于种群中个体个数为N，个体维数为D的HHO算法，其种群以及个体可由式（1.1）与（1.2）进行描述。（1.1）（1.2）由此，种群个体适应度可由（1.3）描述：（1.3）（1）哈里斯鹰觅食探索阶段在此阶段，哈里斯鹰会随机的分布在各个位置，通过观察探索以及跟踪猎物，此阶段哈里斯鹰是以两种相同概率的策略进行探索的，具体探索更新方式如式（1.4）所示。（1.4）式中，Xr(t)为随机选择的个体，α为一服从[0,1]均匀分布的随机数字，Xbest(t)为第t次迭代中群体最优位置，Xave(t)为第t代种群平均位置具体计算如式（1.5）所示。r1、r2、r3与r4均为服从[0,1]随机分布的数，lb与ub分别为计算下界与上界。（1.5）（2）哈里斯鹰探索与进攻转换哈里斯鹰的探索与进攻过程转换主要由能量因子E控制，即当|E|≥1时，此时哈里斯鹰处于全局探索的过程，表示猎物在整个空间内部逃逸，反之，则证明哈里斯鹰发现了猎物，然后进行进攻，对于原始HHO算法能量因子计算如式（1.6）所示：（1.6）式中，E0为服从[-1,1]范围内均匀分布的随机数，Tmax为最大迭代次数。（3）哈里斯鹰进攻阶段对于哈里斯鹰进攻阶段，此时HHO算法是考虑了猎物是否逃逸成功来进行的，即对于服从[0,1]均匀分布的逃逸因子β若小于0.5时，则表示猎物逃逸已经成功，反之，则猎物逃逸失败。另外，哈里斯鹰对猎物的进攻还结合了能量因子E与0.5之间的相对大小的不同而采取不同的捕食策略，具体主要有以下四种捕食策略。首先是当逃逸因子β≥0.5且|E|≥0.5时，此时，猎物是有充足的逃逸能量的，因此其将通过随机跳跃来逃出包围圈，但是此时逃逸因子由于大于等于0.5，因而表示此时猎物是逃逸失败的，所以此时哈里斯鹰以软包围的方式捕食，即其个体更新如式（1.7）所示：（1.7）式中，ΔX(t)为当前代个体最优位置与当前个体位置之差，具体计算如式（1.8）所示：（1.8）J为猎物逃逸跳跃距离，具体计算如式（1.9）所示：（1.9）其中r5为服从[0,1]均匀分布的随机数。当逃逸因子β≥0.5且|E|<0.5时，此时猎物既没有能量逃跑而且不能逃逸，因而，此时哈里斯鹰是以硬包围的方式进行捕猎的，其个体具体更行方式如式（1.10）所示：（1.10）当逃逸因子β<0.5且|E|≥0.5时，此时猎物既有能量逃逸且逃逸极易成功，此时哈里斯鹰将向最优方向进行俯冲且对猎物进行软包围，由此其具体个体更新方式如式（1.11）所示：（1.11）式中，S为一维数为D的随机向量，LF为Levy函数具体计算如式（1.12）与（1.13）所示：（1.12）（1.13）式中，l与m均为服从[0,1]均匀分布的随机数，γ取值为1.5。最后当逃逸因子β<0.5且|E|<0.5时，此时猎物逃逸能量不足，但是还是机会逃出包围圈，由此，哈里斯鹰将向最优位置进行快速的俯冲，从而使其与猎物之间的平均距离得以减小，其个体更新方式如式（1.14）所示：（1.14）由上可确定HHO算法的具体运行流程如下：（1）初始化算法种群数量、迭代次数以及种群位置等参数，计算所有个体适应度值，同时确定最优位置。（2）按式（1.6）更新能量因子；（3）如果|E|≥1，则按式（1.4）对个体进行更新以进行猎物探索，否则执行进攻行为；（4）按式（1.7）~（1.13）进行猎物捕食行为；（5）计算当前代所有个体适应度值，同时确定最优位置；（6）判断是否已经达到最大迭代次数，是则结束，否则返回步骤（1）。1.2CAHHO算法的提出由前节对HHO算法原理的描述与分析可知，控制哈里斯鹰个体探索与进攻转换的能量因子是随迭代的进行而呈线性递减，此种能量因子计算方式不利于HHO算法平衡全局搜索与局部搜索，由此HHO算法求解得到的最优值精度会极大的收到影响。由前面对HHO算法的计算形式可知，HHO算法在对最优值的求解过程中是一直朝着一个方向进行的，虽然这种机制会加快算法的收敛迭代速度，但是从长远看来，这种机制不利于算法跳出局部最优解，因而结合上述问题，本文提出了一种利用正切函数以及柯西变异策略改进的HHO算法。1.2.1能量因子正切计算方法为了平衡HHO算法全局搜索与局部搜索能力，本文提出了一种能量因子的正切计算方法，具体计算式如式（1.15）与（1.16）所示：（1.15）（1.16）对比式（1.6）与式（1.15）可以看出，式（1.6）所呈现的能量因子计算方法为线性递减的，而本文所提出的经正切计算改进的能量因子计算方法所呈现的是，在迭代计算的前半段是呈缓慢下降的，而在迭代计算的后半段是呈加速下降的形式，此种能量因子计算方法，能提高HHO算法在迭代计算的前半程的全局搜索能力，而在后半程由于能量因子急速下降，进而提高算法的局部搜索能量。为了验证所提方法的有效性，本文结合文献[62]所给出的如式（1.17）所示的能量因子计算方法以及原始HHO算法能量因子计算方法给出了三种能量因子计算方法能量因子随迭代次数增加的变化情况如图1.1所示：（1.17）图1.1三种方法能量因子变化情况Figure1.1Changesofenergyfactorsinthreemethods由图1.1可以看出本文所提出的能量因子计算方法在迭代进行的前部分与上述两种方法相比对于全局搜索的能力更强，而在迭代后期，能量因子加速下降，进而利用提高局部搜索能力。1.2.2柯西变异策略的引入基于HHO算法易陷入局部解的问题，本文提出结合柯西分布引入哈里斯鹰粒子柯西变异策略，以在HHO算法迭代计算的过程中不断对当前计算结果进行柯西扰动，从而，一旦当前个体处于局部最优位置时，柯西计算可以产生大的扰动以使当前个体跳出当前局部解，另外，柯西变异策略的引入，也能使当前个体较小的步长提高算法的局部搜索能力。对于当前哈里斯鹰个体柯西变异计算方式如式（1.18）所示：（1.18）式中Xnew(t+1)为当前代新粒子产生的柯西变异结果，Cauchy(0,1)为标准柯西分布，具体计算如式（1.19）所示，其图像如图1.2所示：（1.19）图1.2标准Cauchy分布图像Figure1.2StandardCauchyDistributionImage由图1.2可知，柯西分布的两端能产生距离原点0较远的随机数字，进而利于对哈里斯鹰粒子的强扰动，从而利于使当前粒子脱离当前局部最优位置，另外由柯西分布的峰值可以看出，该分布所产生的峰值相对其他形式的分布较低，进而能够使粒子在当前搜索空间内搜索的时间得以降低，从而加速算法的迭代收敛速度。由上可得CAHHO算法的具体流程如图1.3所示：首先初始化CAHHO算法的各种参数，然后计算能量因子和猎物逃逸跳跃距离，根据能量因子和逃逸因子的不同组合更新个体，直至迭代结束。图1.3CAHHO算法运行流程图Figure1.3CAHHOFlowChartofAlgorithm1.3CAHHO算法数学性能验证为验证CAHHO算法的有效性，本文结合经典测试函数，给出利用粒子群算法（ParticleSwarmOptimization，PSO），鲸鱼优化算法（WhaleOptimizationAlgorithm,WOA）,遗传算法（GeneticAlgorithm，GA），原始HHO算法以及CAHHO算法对于4例30维单峰函数、4例30维多峰函数以及2例维数固定的多峰函数的计算结果。其中对于单峰函数的计算可以对算法的开发能力进行评估，而多峰函数可以对算法的耐早熟能力进行综合评价。为了能够通过计算结果对算法的综合性能进行评估，本文给出上述5种算法对于该10例函数20次计算结果的计算平均值以及均方差。具体平均值以及均方差计算方法分别如式（1.20）以及（1.21）所示：（1.20）（1.21）式中Xresi为算法的第i次计算结果。给出上述算法参数设置情况如下：设置PSO算法两个学习因子均为1.2，惯性参数为0.5，设置WOA算法螺旋方程常量系数为1，设置GA算法变异率为0.6、交叉率为0.011，最后设置上述五种算法种群数均为30，迭代次数为500次。给出上述10例函数具体计算形式如表1.1所示，二维情况下三维图形如图1.4所示：表1.1经典函数表Table1.1ClassicfunctiontablesFunctionDRangFitness30[-100,100]030[-10,10]030[-100,100]030[-100,100]030[-500,500]-12569.48730[-5.12,5.12]030[-32,32]030[-600,600]02[-5,5]-1.03162[-5,5]0.3979（a）F1、F2、F3与F4三维图像（b）F5、F6、F7与F8三维图像（c）F9与F10三维图像图1.4函数三维图像Figure1.4Function3DImage计算结果如表1.2所示，CAHHO算法对于上述函数求解过程迭代曲线如图1.5所示：表1.25种算法计算结果对比表Table1.2Comparisontableofthecalculationresultsof5algorithmsFunctionResultPSOWOAGAHHOCAHHOF1mean0.27197.2012×10-850.00225.171×10-1061.152×10-317std0.15779.9551×10-460.00137.624×10-1047.051×10-426F2mean3.11541.1805×10-510.01273.4599×10-530std7.21841.3211×10-530.03171.8948×10-520F3mean2.971846.53120.57332.1716×10-860std1.241965.62241.27797.0552×10-820F4mean7.358440.879921.75598.4743×10-530std11.99258.91371.51737.7109×10-510F5mean-8837.1-12562.83-9173.7-11568.91-12569.48std273.52127.527421.8810.17510F6mean1.7731045.33756.880×10-2110std1.51735.7477×10-115.21941.448×10-2180F7mean1.22731.4409×10-150.12998.8818×10-168.8818e-16std0.97195.3317×10-171.573400F8mean0.001500.56613.383×10-2290std1.573×10-38.1221×10-90.00193.159×10-3170F9mean-1.0219-1.0316-1.0314-1.0316-1.0316std2.337×10-1107.221×10-2700F10mean0.41270.39790.39790.39790.3979std0.00170000F1、F2、F3与F4迭代曲线F5、F6、F7与F8迭代曲线F9与F10迭代曲线图1.5CAHHO算法迭代曲线Figure1.5CAHHOIterativecurveofthealgorithm由表1.2所给出的计算结果可以看出，本文所提出的CAHHO算法的寻优计算能力远远优于其他四种算法，尤其是对前8个函数的求解。由前面叙述可知，前四个函数能体现优化算法的开发能力进行评估，由此通过计算结果可知，所提方法的开发求解能力相对其他4种算法更强，另外，由体现计算精度的平均值以及由体现算法计算稳定度的均方差可以看出，本文所提方法也相对较为优越。由后六个函数可以看出，本文所提算法的探索能力也相对较强，而且不易陷入局部解。为了体现本文所提算法的迭代收敛能力，本文给出了如图1.5所示的CAHHO算法对于上述10个函数的求解迭代过程，由迭代结果可以看出，本文所提算法对于上述函数的求解迭代次数均没有超过30次，由此对所提算法迭代能力进行了验证。1.4基于CAHHO算法的MPPT控制仿真为了提高光伏最大功率点跟踪的速度以及准确度，本文在原始HHO算法的基础上提出了一种CAHHO算法，然后将CAHHO算法应用于MPPT控制。对于基于CAHHO算法的MPPT控制方法的具体控制过程如下，首先利用CAHHO算法对于符合最大功率点的占空比进行搜索，完成算法的迭代过程，然后，通过引入两次功率变化比较，如果功率变化大小超出了所设定的阈值，那么则利用CAHHO算法对占空比进行重新搜索，否则则认为当前占空比为最优可输出占空比。由此为验证所提基于CAHHO算法的MPPT控制方法的有效性、优越性以及普遍适应性，本文分别利用PSO、HHO以及CAHHO算法对三种光伏电池工况下MPPT进行控制。给定上述算法的具体参数设置如下，三种算法种群数均为3个，迭代次数为5次，另外设置PSO算法的两个学习因子均为1.5，权重因子为0.5。对于所采用的光伏电池模型具体参数设置如下，其单个光伏板最大输出功率为59.85W，其最大功率输出点电压与电流分别为17.1V以及3.5A，其短路电流为3.8A，开路电压为21.1V。本文这里设置上述型号的光伏电池并联，由此，此时最大功率点电流为7A，最大功率点电压为17.1V，此时光伏电池输出特性曲线如图1.6所示。最后设置Boost电路参数如下，负载为15Ω，光伏电池端电容容量为150uF，负载端电容容量为470uF，设置电感为800uH。图1.6两块并联光伏电池输出特性Figure1.6OutputCharacteristicsofTwoParallelPVCells1.1.1单峰光照强度稳定情况单峰光照强度稳定的情况即此时光伏电池周围环境温度恒定，这里设置为25℃，光照强度恒定，此时设定为1000W/m2，此时基于上述三种算法的MPPT控制方法的具体仿真结果如图1.7、图1.8以及图1.9所示：图1.7PSO-MPPT单峰控制结果Figure1.7PSO-MPPTSingle-peakcontrolresults图1.8HHO-MPPT单峰控制结果Figure1.8HHO-MPPTSingle-peakcontrolresults图1.9CAHHO-MPPT控制结果Figure1.9CAHHO-MPPTControlresults由上述仿真结果可以看出，三种方法对于最大功率点跟踪成功所用的时间分别为0.0683s、0.02398s以及0.01558s，由此可以看出基于CAHHO算法的MPPT控制方法在MPPT控制速度上相对PSO算法有所提高。另外，由PSO-MPPT控制结果可以看出，PSO算法在对最大功率点跟踪过程中，明显迭代收敛速度不如HHO算法以及CAHHO算法。1.1.2单峰光照强度变化情况为了能够对算法在对MPPT控制过程中的耐干扰能力进行评估，本文利用所提方法对光照强度变化的情况也进行了仿真验证，此时光照强度设置由开始的500W/m2在1秒时变化到1000W/m2，具体仿真效果图分别如图1.10、图1.11与图1.12所示：图1.10PSO-MPPT光强变化控制结果Figure1.10PSO-MPPTResultsoflightintensitychangecontrol图1.11HHO-MPPT光强变化控制结果Figure1.11HHO-MPPTLightintensitychangecontrolresults图1.12CAHHO-MPPT光强变化控制结果Figure1.12CAHHO-MPPTLightintensitychangecontrolresults由功率跟踪结果可以看出，三种方法在光照变化的情况下，均能实现光伏系统最大功率点跟踪过程。其中PSO-MPPT的跟踪时间为0.07106S和0.146S；HHO-MPPT的跟踪时间为0.02522S和0.098S；CAHHO-MPPT的跟踪时间为0.02156S和0.05S。所提的CAHHO控制算法迭代收敛速度最快，在光照强度变化的情况下对最大功率点变化响应也是最快的。1.1.3局部遮阴情况最后对于局部遮阴的情况，本文设置前面所述的光伏电池板串联，此时，所组成的光伏电池模块，四峰情况时为4块光伏电池板串联，五峰情况为5块电池板串