论文部分内容阅读
【摘 要】针对传统的光伏最大功率点跟踪（maximum power point tracking，MPPT）技术因外界环境发生变化而导致失效这一现象，本文采用粒子集群算法与Tent混沌算法相结合的Tent混沌搜索人工蜂群算法，通过利用映射初始种群，让个体尽可能分布均匀，再利用自适应调整混沌搜索空间，搜索到最优位置产生的Tent混沌序列，从而找出最优解。混合智能算法可以大大提高搜索的速度和精度，仿真实验验证了该算法的优越性。
【关键词】光伏阵列;最大功率点跟踪;Tent混沌序列
人工蚁群算法（简称ABC算法）是2005年提出的一种新型的优化算法，目前已经广泛应用于人工神经网络训练、滤波器设计、聚类分析等多个领域并且取得了良好的应用效果。然而它与其他的进化算法发展一样，在研究的初期还尚有大量的问题需要研究与解决[1]。
1 人工蚁群算法与自适应Tent混沌搜索人工蚁群算法的对比
设定光伏阵列的光照强度及温度参数同图1。初始化设定引领蜂为5只，跟随蜂总数为5只，即蜜蜂群体总数为10只，限定次数为5次，总群进化代数为l000我们利用ABC与SATCABC算法仿真得到函数最优解随进化代数变化对比曲线图，如图1所示。
从图1中ABC算法与SATCABC算法对比图可以看出，在寻找目标函数最优值（这里最优值为最小值）时，SATCABC算法的性能要明显优于传统ABC算法。
除此之外，为验证ABC算法在引入Tent混沌序列后，能够有效的避免该算法的“早熟”弊端，仿真采用ABC算法和SATCABC算法各运行100次，不难发现通过SATCABC算法所获得的全局最优值精度较高[2]。
2 静态特性分析
针对光伏MPPT的应用，原ABC算法中，为了避免单一蜜源开采次数过多，设定limit值，即经过limit次迭代后解的质量若无提高，则引领蜂变为侦查蜂，随机确定一个新蜜源的位置，来丰富种群的多样性。基于这些问题的产生，许多专家研究出了多种基于混沌序列的ABC优化算法。利用混沌序列与ABC算法结合能够提高算法收敛速度以及精度。而在多种基于混沌算法的ABC算法里面Logistic的混沌搜索蜂群优化算法以及Tent混沌搜索人工蜂群算法（SATC-ABC）最为常用。由于基于Logistic混沌的ABC算法在寻优速度上受到Logistic遍历不均匀影响，算法效率会降低，因此我们这里使用遍历均匀且有更快收敛速度的Tent混沌人工蜂群算法。
Tent混沌人工蚁群算法具有遍历均匀性和迭代速度快的优势，很好地填补了Logistic混沌ABC算法上的不足。而Tenct人工蚁群算法主要是ABC算法与Tent混沌序列的结合，而在引入Tent混沌序列后，因为混沌映射具有遍历均匀性以及迭代速度快的特优势。算法开始利用Tent映射初始化种群，使得初始个体尽可能分布均匀，然后按照ABC算法的基本步骤，对新蜜源的搜索以及观察蜂根据根据计算出的概率选择蜜源，再在该蜜源附近产生新的蜜源，并计算新蜜源的适应值，观察蜂会根据贪心算法而选择蜜源。而放弃蜜源的的引领蜂将变成侦察蜂，在侦察蜂寻找蜜源时，利用自适应动态调整混沌搜索空间，最后以迄今为止搜索到的最优位置产生Tent混沌序列，并将序列中的最优解作为新蜜源的位置，跳出局部最优。
3 动态特性分析
在上小节的讨论中，均为光伏阵列处于光照强度和温度不变时进行的，而实际应用中，二者是时变的，仿真设定引领蜂总数为2，跟踪蜂总数为80温度为25℃不变，仅改变光照强度。初始设定光伏阵列中1C，1D光照强度为_500W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度700 W/m2;在4s时光照强度升高，其中1C，1D光照强度为700 W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度1000 W/m2;8 s时，光照强度再次改变，其中1C，1D光照强度为500W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度800 W/m2。仿真运300次，得到图2。
从上图可以得知，ABC算法存在过早收敛问题，即易陷入局部极值点，而SATCABC算法很好的解决了这一问题;ABC和SATCABC算法均能够对光照强度的改变做出快速响应;在4s时，光照强度增大，此时ABC算法，即图2中黑色线，己运行83次，平均每次0.0482 s，而SATCABC算法运行了92次，平均每次0.043_5 s。由此可知， SATCABC算法收敛时间较ABC较短，且能够有效的跟踪到GMPP精度更高。
4实验结果
由图3不难得出，ABC算法和SATCABC算法均具有较好的鲁棒性，能够根据外界环境的改变，快速确定新的最大功率点。图3中CIABC算法跟踪精度较ABC算法较高，ABC算法易陷入局部最优点，实验中使用本文所提出的SATCABC算法，该最优值精度最高提高了18.12 W。由于算法具有一定的随机性，且实验存在一定的误差，图中显示个别情况，ABC算法获得的最优功率值略高于SATCABC算法。求得一天中的平均△P值为0.49.52 W，而图3中一天的平均最大功率值为46.20 W，即后的算法使得单位时间所获得的功率值高了1.07%。
5 结论
人工蚁群算法是一种简单、高效且新颖的算法。而也因算法的良好优化性能以及应用效果而应用于越来越多领域之中。但由于算法由于仍处在研究的初期阶段，尚有许多的问题需要研究与解决。自适应Tent混沌搜索人工蚁群算法不仅能够填补了ABC算法上的缺点与不足，而且应用的范围广，算法稳定性较强。在寻找最优问题上有着较大的优势。
参考文献：
[1]么艷香，叶林，屈晓旭，王伟胜，李湃，董凌.风-光-水多能互补发电系统？分析模型[J/OL].电力自动化设备，2019（10）：1-6.
[2]付路路.电站锅炉不锈钢管受热面磁性检测技术及应用[J].焦作大学学报，2019，33（03）：85-89.
（作者单位：嘉兴学院）
【关键词】光伏阵列;最大功率点跟踪;Tent混沌序列
人工蚁群算法（简称ABC算法）是2005年提出的一种新型的优化算法，目前已经广泛应用于人工神经网络训练、滤波器设计、聚类分析等多个领域并且取得了良好的应用效果。然而它与其他的进化算法发展一样，在研究的初期还尚有大量的问题需要研究与解决[1]。
1 人工蚁群算法与自适应Tent混沌搜索人工蚁群算法的对比
设定光伏阵列的光照强度及温度参数同图1。初始化设定引领蜂为5只，跟随蜂总数为5只，即蜜蜂群体总数为10只，限定次数为5次，总群进化代数为l000我们利用ABC与SATCABC算法仿真得到函数最优解随进化代数变化对比曲线图，如图1所示。
从图1中ABC算法与SATCABC算法对比图可以看出，在寻找目标函数最优值（这里最优值为最小值）时，SATCABC算法的性能要明显优于传统ABC算法。
除此之外，为验证ABC算法在引入Tent混沌序列后，能够有效的避免该算法的“早熟”弊端，仿真采用ABC算法和SATCABC算法各运行100次，不难发现通过SATCABC算法所获得的全局最优值精度较高[2]。
2 静态特性分析
针对光伏MPPT的应用，原ABC算法中，为了避免单一蜜源开采次数过多，设定limit值，即经过limit次迭代后解的质量若无提高，则引领蜂变为侦查蜂，随机确定一个新蜜源的位置，来丰富种群的多样性。基于这些问题的产生，许多专家研究出了多种基于混沌序列的ABC优化算法。利用混沌序列与ABC算法结合能够提高算法收敛速度以及精度。而在多种基于混沌算法的ABC算法里面Logistic的混沌搜索蜂群优化算法以及Tent混沌搜索人工蜂群算法（SATC-ABC）最为常用。由于基于Logistic混沌的ABC算法在寻优速度上受到Logistic遍历不均匀影响，算法效率会降低，因此我们这里使用遍历均匀且有更快收敛速度的Tent混沌人工蜂群算法。
Tent混沌人工蚁群算法具有遍历均匀性和迭代速度快的优势，很好地填补了Logistic混沌ABC算法上的不足。而Tenct人工蚁群算法主要是ABC算法与Tent混沌序列的结合，而在引入Tent混沌序列后，因为混沌映射具有遍历均匀性以及迭代速度快的特优势。算法开始利用Tent映射初始化种群，使得初始个体尽可能分布均匀，然后按照ABC算法的基本步骤，对新蜜源的搜索以及观察蜂根据根据计算出的概率选择蜜源，再在该蜜源附近产生新的蜜源，并计算新蜜源的适应值，观察蜂会根据贪心算法而选择蜜源。而放弃蜜源的的引领蜂将变成侦察蜂，在侦察蜂寻找蜜源时，利用自适应动态调整混沌搜索空间，最后以迄今为止搜索到的最优位置产生Tent混沌序列，并将序列中的最优解作为新蜜源的位置，跳出局部最优。
3 动态特性分析
在上小节的讨论中，均为光伏阵列处于光照强度和温度不变时进行的，而实际应用中，二者是时变的，仿真设定引领蜂总数为2，跟踪蜂总数为80温度为25℃不变，仅改变光照强度。初始设定光伏阵列中1C，1D光照强度为_500W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度700 W/m2;在4s时光照强度升高，其中1C，1D光照强度为700 W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度1000 W/m2;8 s时，光照强度再次改变，其中1C，1D光照强度为500W/m2;2D光照强度为：100 W/m2;其余组件为参考光照强度800 W/m2。仿真运300次，得到图2。
从上图可以得知，ABC算法存在过早收敛问题，即易陷入局部极值点，而SATCABC算法很好的解决了这一问题;ABC和SATCABC算法均能够对光照强度的改变做出快速响应;在4s时，光照强度增大，此时ABC算法，即图2中黑色线，己运行83次，平均每次0.0482 s，而SATCABC算法运行了92次，平均每次0.043_5 s。由此可知， SATCABC算法收敛时间较ABC较短，且能够有效的跟踪到GMPP精度更高。
4实验结果
由图3不难得出，ABC算法和SATCABC算法均具有较好的鲁棒性，能够根据外界环境的改变，快速确定新的最大功率点。图3中CIABC算法跟踪精度较ABC算法较高，ABC算法易陷入局部最优点，实验中使用本文所提出的SATCABC算法，该最优值精度最高提高了18.12 W。由于算法具有一定的随机性，且实验存在一定的误差，图中显示个别情况，ABC算法获得的最优功率值略高于SATCABC算法。求得一天中的平均△P值为0.49.52 W，而图3中一天的平均最大功率值为46.20 W，即后的算法使得单位时间所获得的功率值高了1.07%。
5 结论
人工蚁群算法是一种简单、高效且新颖的算法。而也因算法的良好优化性能以及应用效果而应用于越来越多领域之中。但由于算法由于仍处在研究的初期阶段，尚有许多的问题需要研究与解决。自适应Tent混沌搜索人工蚁群算法不仅能够填补了ABC算法上的缺点与不足，而且应用的范围广，算法稳定性较强。在寻找最优问题上有着较大的优势。
参考文献：
[1]么艷香，叶林，屈晓旭，王伟胜，李湃，董凌.风-光-水多能互补发电系统？分析模型[J/OL].电力自动化设备，2019（10）：1-6.
[2]付路路.电站锅炉不锈钢管受热面磁性检测技术及应用[J].焦作大学学报，2019，33（03）：85-89.
（作者单位：嘉兴学院）