文摘

猫群优化算法(方案)在2006年提出。尽管有更快的收敛速度和粒子群优化(PSO)算法相比,方案的应用大大限制的缺点“过早收敛”,也就是说,陷入局部最优的可能性,当处理非线性优化问题与当地大量的极端值。为了克服方案的缺点,混沌研究猫群优化(CQCSO)算法。首先,研究猫群优化(QCSO)算法改进方案算法的准确性,因为它很容易陷入局部最优的后期。混沌研究猫群优化(CQCSO)算法通过引入帐篷映射的跳出局部最优。其次,CQCSO已经应用于五个不同的测试函数的仿真,显示出更高的精度和更少的时间比方案和QCSO消费。最后,翻译光伏MPPT模型和实验平台建立和全球最大功率点跟踪控制策略是通过CQCSO算法的有效性和效率,验证了仿真和实验。

1。介绍

太阳能被广泛使用可再生能源和无污染的优点。全球最大功率点跟踪(GMPPT)是一个基本的手段提高光伏发电系统的整体效率。翻译但是,传统的最大功率点跟踪(MPPT)算法通常是无效的,因为输出的功率曲线与multipeak遮挡在复杂问题的条件。光伏发电的问题导致效率降低(1,2]。许多学者进行了大量的研究来解决这些问题。许多优化算法用于实现全球最大功率点跟踪和取得良好的成果,如粒子群优化(PSO)算法,进化算法,模糊逻辑控制算法,神经网络控制算法、混沌搜索算法,等等2- - - - - -9]。

猫群优化(方案)朱等人2006年提出的算法(10]。实验结果表明,该方案算法能找到全局最优解在很短的时间内,和方案算法优于PSO算法在收敛速度和非线性优化的局部极值11- - - - - -18]。然而,方案算法的缺点是“过早收敛”的实际应用。如果迭代的数量不断增加,这将导致收敛时间用在最优值的准确性并不显著提高。同样的问题也发生在PSO算法。一种新型混沌研究PSO算法求解非线性方程组(19]。介绍了不同混沌映射来提高算法的有效性和鲁棒性。的比较结果表明,该算法可以处理高度非线性问题并优于其他算法。混合混沌研究粒子群优化(HCQPSO)算法用于热板翅片换热器的设计(20.]。HCPQSO算法成功地结合的一个变体研究粒子群优化和高效的本地搜索机制来产生更好的结果准确性和收敛速度的解决方案。也注意到,该算法成功地收敛于最优配置更高的精度。一个混乱的改进粒子群优化算法(翻译光伏MPPT的21]。一种改进的布谷鸟搜索(ICS)算法建立混沌系统的参数(22]。数值结果表明,该算法可以估计参数精度高和可靠性。停车位的进化方法指导提出了基于一种新型混沌粒子群优化(复)算法在23]。使用帐篷映射的混乱的萤火虫算法提出了优化协调的继电器24]。混沌理论已经将防止搜索过程陷入局部最小值通过修改随机运动因子变量的概念。

在这篇文章中,混沌研究猫群优化(CQCSO)算法。猫的量子行为没有固定的轨迹跟踪和摆脱局部最优的可能性大扰动。由于只有位置矢量的控制参数,没有速度矢量,收敛时间缩短,然后,介绍了帐篷混沌映射改变猫位置信息在迭代过程中,“过早收敛”问题的方案能够避免算法,并进一步提高搜索的精度。节2,CQCSO算法测试五个非线性函数曲线与多个当地极端点。结果表明,该CQCSO算法具有跟踪精度高,收敛速度快。此外,提出CQCSO算法能够适应复杂和不同的曲线。节3翻译,提出CQCSO算法应用于PV MPPT控制,以及基于CQCSO翻译multipeak MPPT控制策略算法。仿真和实验结果表明,该控制策略更有效地追踪全球最大功率点。

2。混沌研究猫群优化(CQCSO)算法

2.1。QCSO算法

方案的算法是一种群体智能算法基于猫的生活习惯和觅食。优于PSO在搜索准确性和收敛时间12- - - - - -19]。它被广泛用于解决优化问题。方案的算法,猫的位置被认为是一种可行的解决优化问题,然后猫群分为两组根据混合比例(先生),这是搜索猫组和跟踪猫组。搜索猫组是指遗传算法完成猫的位置更新。最高的猫健身价值选择替换当前猫位置通过复制和变异个体。跟踪猫组类似PSO算法和用猫来更新自己的速度和当前位置信息的位置不断的猫,这样每个人可以接近全局最优的解决方案。虽然搜索全局最优的解决方案可以实现,存在缺点的“过早收敛”问题与其他群智能算法。

研究猫群优化(QCSO)算法相结合的方案算法和量子力学。在进化过程中,每个跟踪猫了为本δ势阱,使得每个跟踪猫收敛于一个吸引子 。它不断更新的位置猫通过跟踪个人和全球极端极端,这猫的速度和位置是不确定的。它可以分布在一定概率在任何位置搜索空间。可以摆脱局部最优分在不安的环境中。因此,QCSO算法能够跳出局部最优,提高算法方案的准确性。

个人在量子空间位置的更新表达式 在哪里 在哪里人口规模, ,维度,最大迭代次数, ,最大数量的痕迹, ,猫群体最优位置的中心th迭代,最优的位置吗th的猫th迭代,最优的位置吗th的猫th迭代,全局最优位置的人口th迭代,是th迭代扩张收缩的因素, , 初始压缩因子和终止值,分别 , , 均匀分布的随机数时间间隔。

2.2。CQCSO算法

QCSO算法改进方案算法的准确性,因为猫在进化过程中继续接近最优位置的人口,人口的多样性逐渐降低,很容易陷入局部最优的后期。混沌研究猫群优化(CQCSO)算法通过引入帐篷映射的跳出局部最优。

帐篷映射的个人位置更新表达式如下: 在哪里 , , 。 可以相互映射变换的混沌变量 通过

详细CQCSO算法步骤如下。

步骤1。初始化猫群,人口规模 ,最大迭代次数 ,和猫的混合比例(MR)优化算法,随机初始化猫人口之间的位置 ;这是行向量表示 。

步骤2。所有的猫的健身价值的人口计算,和猫最大的健身选择和记录。

步骤3。先生说,猫群是随机分组。先生代表的猫的数量比例跟踪组在整个猫人口。先生通常是一个较小的值,以确保大部分的猫群中寻找模式和几个猫在跟踪模式。

步骤4。猫是在搜索时,复制它的位置根据寻求内存池的大小(SMP),执行选择运营商更新SMP和替换当前的猫的位置最高的候选点的健身价值。最后,最优值更新完成。猫跟踪组更新自己的位置信息根据公式(1)。

第5步。猫与最好的健康记录保留数量。

步骤6。判断是否满足终止条件,如果是这样,程序结束,输出最优解。如果不满意,这是判断是否全局最优的位置猫后都是一样的th和 迭代,如果没有,步骤3- - - - - -6是重复的。如果它是相同的,这意味着它有陷入局部最优和需要处理的混乱。正态变量的映射通过使用公式(执行4)。混乱的变量映射后的范围 。混沌变量映射到得到使用公式(3)。然后通过公式(5),混沌变量下一次迭代映射变换,传统的变量是获得。步骤2- - - - - -6是重复的优化迭代。

2.3。验证CQCSO算法

为了验证CQCSO算法的优越性,五种非线性函数具有多个局部极值峰如谢弗,Shubert, Griewank,寻求优化相比Rastrigrin,。。在仿真中,猫的总数组设置为20;每个函数程序运行50倍。

(1)谢弗的功能 在哪里 ;谢弗是一个二维复杂函数与众多小点。取得最小值0(0,0),因为这个函数有强烈的震荡,很难找到全局最优值。寻求优化结果得到,如图1(一)。

(2)Shubert函数 在哪里 ;Shubert函数是一个二维复杂函数与760年局部极值点。全球取得最小值186.7309−−1.42513,0.80032)。寻求优化结果得到,如图1 (b)。

(3)Griewank函数 在哪里 ;Griewank函数有许多当地的最低标准的相关维度。全球取得最小值0 )= ( )。Griewank函数是一个典型的非线性多峰函数。它通常被认为是一个复杂的多通道问题,很难处理的优化算法。功能尺寸被设置为3。寻求优化结果得到,如图1 (c)。

(4)Rastrigrin函数 在哪里 ;Rastrigrin函数是一个多峰函数与大约10 d局部最小值。全球取得最小值0 )= ( )。自峰值形状似乎起伏波动,很难找到全局最优值。功能尺寸被设置为3。寻求优化结果得到,如图1 (d)。

(5)。功能 在哪里 ;。函数的全局最优点位于一个平滑的,狭窄的抛物线山谷。很难区分搜索方向。获得最小值0 。功能尺寸设置为4。寻求优化结果得到,如图1 (e)。

寻求优化的五个函数模拟的50倍。仿真结果总结在表1时间是平均收敛时间,最好是平均最优值,性病是最佳值的标准偏差数据1(一)- - - - - -1 (e)。

Shubert函数作为一个例子。从图1 (b)和表1方案获得的最优值错误,QCSO, CQCSO算法是17.31%,10.99%,和2.43%,分别比真实价值−186.7309。CQCSO算法的精度最高。在收敛时间,QCSO算法缩短了0.0301秒而方案算法;然后CQCSO算法相比QCSO算法缩短了0.002秒。因此,仿真结果表明,CQCSO算法不仅可以有效解决方案的“过早收敛”问题的算法,但也提高最优解精度和缩短收敛时间。

3所示。在翻译PV MPPT CQCSO算法应用

3.1。MPPT基于CQCSO算法流程图

的pv光伏电池特性曲线函数可以得到如下(2- - - - - -9]: 在哪里 , , ,和光伏电池的manufacturer-given参数。输出大国变化时输出电压调整。在本文中,输出电压输出的占空比成正比的控制器。

的pv特性曲线的适应度函数(12),可以得到从光伏阵列(11)。 在哪里系列和光伏电池的数量吗并行的数字是光伏电池的字符串。

细胞数组部分阴影时,光伏阵列pv特性曲线可以得到如图2。的pv曲线显示了multipeak特性测量的干扰。这是一个非线性函数寻求与多个当地极端点优化。为了追踪最大功率点更好,递归最小二乘法用于先前实时过滤pv特性曲线局部阴影条件下之前搜索优化。

翻译PV MPPT控制策略基于CQCSO算法的流程图如图3。每只猫的位置被定义为数组输出电压值 ,和健身价值是阵列输出功率值。

3.2。仿真结果

翻译摘要MPPT控制系统由光伏阵列、翻译提升电路,MPPT控制器。光伏阵列是由3×4光伏电池。阵列结构如图4(一)。光伏模块的详细参数表2。在图4(一),光线照射1 c和d的光伏电池是700 W / m²,光线照射的2 d光伏电池是100 W / m²,光线照射的光伏电池是1000 W / m²,所有光伏电池的参考温度是25°C。翻译提高电路的MPPT如图所示4 (b)。

猫的总数组设置为20。迭代的最大数量是100。全球光伏最大功率点跟踪pn(最大功率值数幂迭代)曲线和STD -N(标准deviation-number迭代)曲线如图5。仿真结果表明,CQCSO算法可以应用到光伏multipeak曲线的最大功率点跟踪,和全球最大功率点是最好的在三个算法(方案、QCSO CQCSO)。

帐篷混乱引入PSO算法获得复形算法(21]。复形算法应用于太阳能光伏系统中最大功率点跟踪。我们比较方案的性能、QCSO CQCSO, PSO和复形算法如表所示3。猫的总数组设置为10。先生包率是0.2。迭代的最大数量是100。平均收敛时间(时间),功率最小(最小值),功率最大(Max),权力意味着(平均),和标准偏差(STD) 100年的运行进行了总结。

从表3,不难发现方案算法平均收敛时间0.00291秒,获得的平均值是87.72 W,而PSO算法的平均运行时间是0.00431秒,平均最优值是87.66 W。方案和PSO算法的过早收敛,收敛时间较长。这些会导致显著减少光伏发电的效率。

复形算法可以有效地解决了PSO算法的早熟收敛的问题,和收敛时间变得更短。QCSO算法的收敛时间缩短了从0.00291到0.00282年代与方案的收敛时间算法相比,平均功率值增加从87.72到87.89 (W W。CQCSO算法提出了最大平均功率的88.02使用0.00268秒的最短的收敛时间和最低标准的价值。因此,仿真结果表明,该CQCSO翻译光伏MPPT算法具有较高的效率。

3.3。实验结果

为了验证提出的有效性CQCSO算法翻译的MPPT控制和CQCSO算法比QCSO算法和方案算法更有效,翻译小规模MPPT控制系统基于K60单片机构建和图所示6,这是依法建立的配置如图4。

翻译的MPPT控制器采用MK60-DN512VLL10芯片,并用电压和电流的采样通过霍尔传感器,然后被发送到K60单片机,和数据计算得到正确的工作周期。提高电路的参数设置如下:= 4 mH, =470年佛罗里达大学,= 30千赫,负载电阻。工作周期是用来控制Boost电路对开关管通过K60计算调整光伏阵列输出电压。占空比与输出电压成正比。光伏大国改变输出电压调整。大量的实验表明,最大功率点的工作周期是在15%到85%之间。

实验数据显示在图7。实验时间从6点到18:00,PV数据的能力,电压,和当前进行扫描和采样间隔1分钟,随着时间的推移和360静态数据曲线。time-voltage-power 3 d曲线如图7(一)。期权动态曲线显示在图7 (b)。

方案的参数,QCSO CQCSO算法如下:猫的总数是10,混合比例(先生)是0.2,寻求内存池的大小(SMP)在搜索组是3,和跟踪环跟踪组的数量是3。三种算法用于跟踪360年数据曲线,和360年动态最大功率点随时间变化如图8。可以看出,三种算法可以很好的跟踪最大功率点按照环境变化。13:00 - 14:00在测试一天,由于云的避难所,光线辐射减少和跟踪最大功率值降低。比较数据8(一个),8 (b),8 (c),我们发现QCSO算法是最好的,CQCSO算法是第二个最好的,和“过早收敛”问题的方案算法是认真的。

在图8,pv曲线是单峰状态下均匀照明,而前面的仿真和功能测试执行的multipeak状态。因此,我们模拟复杂条件下光伏系统由人工阴影光伏电池。QCSO和CQCSO算法的参数与图一致8。实验测试时间为5分钟。结果如图9。

实验结果表明,该QCSO算法具有明显的优势方案算法都在一个高峰,在多个峰值。CQCSO算法解决方案中的“过早收敛”问题的算法,但如果光伏阵列在均匀的照明条件,pv曲线显示了一个单峰状态。如果此时混乱介绍,虽然算法的复杂性增加,跟踪精度不改善。QCSO算法似乎比CQCSO算法,如图8。然而,pv曲线是multipeak状态;从图可以看出9平均最大力量值的CQCSO算法比QCSO算法在5分钟。因此,结果表明,CQCSO算法比QCSO更精确的算法在复杂情况下;即QCSO算法提高了帐篷映射在解决multiextremum问题有更多的优势。

4所示。结论

在multilocal极值优化,传统的猫群优化(方案)算法“早熟收敛”等问题跟踪速度慢,和可怜的跟踪精度。在这篇文章中,我们可以得到以下通过仿真和实验。

()首先,量子猫群优化(QCSO)算法。其次,混沌研究猫群优化(CQCSO)算法通过引入帐篷映射。最后,CQCSO算法验证了五个非线性测试功能。仿真结果表明,CQCSO算法可以跳出当地极端点,提高跟踪精度和收敛速度。

()CQCSO算法应用于multipeak复杂条件下太阳能光伏阵列最大功率点跟踪。仿真和实验结果表明,该比QCSO CQCSO算法具有较高的跟踪效率,方案,算法,结合复算法。在光伏发电最大功率点跟踪系统,可以肯定的是,它将获得更大的力量值在较短的时间内,提高光伏发电效率。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持的(没有。51467013)。