基于遺傳算法和擾動觀察法的MPPT算法
加入技術交流群
3 遺傳算法
3.1 優化變量選擇及編碼
通過前文分析，該系統的優化變量確定為Boost變換器的占空比D。因為D只能在0和1之間變化，所以采用搜索空間限定法處理約束條件。這里采用格雷碼描述個體的基因。格雷碼的優點是能使表現型相近的個體，其基因型(格雷碼)也相近，從而克服自然二進制碼所形成的“峭壁”。
假設格雷碼為gngn-1…g2g1，那么格雷碼的解碼操作可以根據如下過程進行：
(1)格雷碼gngn-1…g2g1轉換為自然二進制碼bnbn-1…b2b1：
(2)自然二進制碼bnbn-1…b2b1轉換為表現型x：
3.2適應度函數的定義
在此采用式(3)所示的適應度函數，并定義Cmax=2 500。
3.3 選擇操作
本文使用基于排序的適應度分配算法，種群按目標進行排序，個體的適應度僅取決于個體在種群中的位序，而不是實際的目標值。Blickle T的研究表明排序算法克服了按比例適應度計算的尺度問題，以及選擇導致搜索帶迅速變窄而產生的過早收斂，從而具有更好的魯棒性。
這里將一個種群中的Nind個個體按適應度函數值從小到大排序，并取分布概率為：
Pi=2i／[Nind(Nind+1)]， i∈[1，x]
根據已經計算出的個體概率，采用隨機遍歷抽樣的的方法進行選擇。該方法提供了零偏差和最小個體擴展，具有比輪盤賭算法更優越的性能。假設Nselect為需要選擇的個體數目，按照等距離選擇個體，選擇指針的距離為1／Nselect，而第一個指針的位置由[0，1／Nselect]區間內的均勻隨機數決定。
3.4交叉操作
交叉操作是遺傳算法的重要步驟，它的目的在于產生新的基因組，同時也能有效地限制遺傳信息的丟失。Syswerda等提出了均勻交叉算子，并把它和單雙點交叉算子進行了函數優化實驗對比，最后認為均勻交叉優于單雙點交叉。
均勻交叉需要通過四步實現：
(1)根據交叉概率Pc隨機生成交叉池；
(2)在交叉池中隨機選擇兩個個體配對；
(3)隨機產生一個與個體編碼串等長的屏蔽字W=wd…wi…w2w1。其中d是編碼串長度；
(4)若wi=1，則兩個父代個體的第i位交叉，否則不交叉。
3.5變異操作
Deb等研究了交叉概率Pc和變異率Pm的相互作用對遺傳算法的影響，結果表明交叉概率Pc對遺傳算法性能的影響遠比變異率Pm小。因此選用適當的變異率極其重要。在一般遺傳算法中，種群使用的是固定的全局變異率，而且為了降低變異算子對模式的破壞作用，變異率一般都很小(小于0.1)。然而種群中的不同個體對整體進化的作用是不同的，優良個體之間的基因重組是群體進化的決定性力量，較差個體在種群中是一個不斷被淘汰的過程。因此，應該對種群中的不同個體采用不同的變異率：一方面使種群中的優良個體具有較小的變異率，從而能夠得到較好的保持，并通過交叉重組進行優良模式的累積；另一方面，種群中較差的個體能夠通過較大的變異率增強種群的探索能力。
基于以上思想，在此采用如下變異率：
式中：Pmi表示第i個個體的變異率；Pmean表示具有群體的平均適應度的個體所具有的變異率；Pmax表示具有群體的最大適應度的個體所應增加的變異率；Fit(i)表示第i個個體的適應度。
3.6精英個體保留策略
為了提高全局尋優能力和收斂速度，本文采用保留精英個體的方法，即保留優化過程中每一代適應度值最高的個體，直接復制到下一代。
4 擾動觀察法與遺傳算法雙模控制
4.1 擾動觀察法
從圖1可以看出光伏電池的輸出功率具有式(4)所示的特性：
擾動觀察法就是根據光伏電池的這一特性而提出來的。擾動觀察法具有簡單實用的優點，但是它在控制過程中，擾動步長ΔD的值對最大功率點控制的影響較大：當ΔD較大時，輸出功率會在最大功率點附近具有較大的震蕩現象；當△D較小時，系統對最大功率點跟蹤較慢。
4.2 擾動觀察法與遺傳算法結合
遺傳算法使用概率搜索技術，因此在惡劣環境中，它仍能準確搜索到最大功率點，但這也決定了它不可能使系統穩定工作于最大功率點。為了解決這個問題，本文引入擾動觀察法與遺傳算法雙模控制。當最大功率點變化較小時，由小步長擾動觀察法追蹤最大功率點。
評論