Page 73 - 电力与能源2023年第六期

白荣格，等：基于改进花授粉算法的光伏最大功率点追踪研究 619

对理想的结果。 融入自适应系数的全局授粉公式如下所示：
t
花授粉算法的基本原理如下。 X i t + 1 = X i + αL( X i t + 1 - X best ) （6）
（1）勘察：生物媒介在异花授粉过程中遵循莱
3 仿真结果与分析
维飞行，属于全局搜索阶段。
（2）开采：非生物媒介的自花传粉属于局部搜 为验证提出的改进花授粉算法在 MPPT 中
索阶段。 的性能，以光伏阵列为模型，在 MATLAB/Simu⁃

（3）花的繁衍概率与参与授粉的两朵花的相 link 中搭建光伏 MPPT 仿真模型，如图 3 所示。
似度比例相关，这被视为花的恒常性。 仿真电路的其他参数：电容 C 1=500 μF，电感
（4）通过转化概率 p∊［0，1］来控制算法在勘察 L=0.042 mH，直 流 母 线 电 容 C 2=20 μF，R=20
和开采行为之间的转换。 Ω，种群数量 10，最大迭代次数 10。
基于以上原理，花授粉算法主要分为两个过
程：生物异花授粉和非生物自花授粉。构建全局
授粉模型如下：

t + 1 t t + 1 （2）
X i = X i + L( X i - X best )
λΓ( λ ) sin ( λπ/2 ) 1
L = ⋅ 1 + λ （3）
π S
t
t + 1 ， X i ——第 i 个花粉在第 t+1 代和第 t
式中 X i
代的解；X best——第 t 代之前的最优解；L——莱维
飞 行 的 步 长 ； λ—— 控 制 莱 维 步 长 的 系 数 ，取 值
图 3 光伏 MPPT 仿真模型
1.5； Γ( λ )——标准伽马函数。
3.1 静态光照下的 MPPT 跟踪
构建局部授粉建模如式（4）所示。
将光伏阵列按照表 1 中的方案 1 进行设置，分
t + 1 t t + 1
X i = X i + ε( X i - X best ) （4）
别对 IFPA 和 FPA 进行仿真验证，得到的仿真结
t + 1 t t
式中 X i ，X i ——第 t 代解中不同于 X i 的两个
果如图 4 所示。
随机解； ε——［0，1］之间服从均匀分布的随机数。
通过将产生的随机数 r rand∊［0，1］与转化概率 p
进行比较，来确定花粉是进行全局授粉还是局部
授粉。若 r rand<p，则进行全局授粉；反之则进行局
部授粉。

2.2 自适应系数
在全局授粉阶段，算法执行了随机游走的莱
维飞行机制，该机制可以帮助算法找到全局最优，
但受限于算法原理中的概率 p，可能会导致算法无
法执行较多的全局搜索，从而陷入局部最优，降低
算法的精度与收敛速度。
因此，引入一个自适应系数，提升算法执行全
局搜索的能力，并加快收敛速度，自适应系数计算 图 4 静态无阴影仿真结果

公式如下： 从图 4 可以看出，在方案 1 下，即静态无阴影
α =[ e 1 +( j/i ) + (1 j ) ] -1/2 （5） 情况下的光伏阵列，两种算法均能准确地追踪到
式中 j——当前子群的进化次数；i——当前全局 最大功率点，改进后的花授粉算法在追踪速度上
的进化次数。 得到了提升，得到的最大功率为 3 407 W，与图 2