基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法及系统

技术领域

本发明属于最大功率点跟踪领域，尤其涉及基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

近年来，可再生能源系统的装机容量呈爆发性增长，其中光伏发电的增幅最为明显。光伏系统的输出具有明显的非线性特征，当光伏阵列被遮挡时，其最大功率点将会发生明显的偏移。为了提高光伏发电系统的经济性，需对最大功率点跟踪技术进行优化。目前学者们已提出大量的MPPT方法，这些方法在硬件成本、计算复杂程度、跟踪速度、跟踪精度、硬件实现难度和普适性方面各不相同，如何更好的权衡以上众多因素是最大功率点追踪方法的优化方向。

现有的全局最大功率点跟踪算法可分为三大类。第一类为群体智能优化算法，此类方法能够实现精确的全局最大功率点追踪，且无需额外硬件设备，然而较低的收敛速度制约了其工业应用的前景。第二类可以统称为两级式法，第一级实现全局最大功率点所在区间的快速定位，第二级在第一级的基础上进行小范围扰动，实现全局最大功率点的精确跟踪。虽然此类方法跟踪速度较高，且能够精确地实现复杂遮挡工况下的全局最大功率点跟踪，但由于P-V曲线的扫描过程较为繁琐，为了实现高速的跟踪需要高性能的数字控制器，导致了此类算法泛用性较低。第三类为人工智能算法，其主要思路是建立气象参数与光伏阵列最大功率点之间的映射关系，进而基于实测的气象参数实现不同工况下最大功率点的快速跟踪，然而光伏阵列各个组件的辐照度和温度在实际应用场景中难以获取，且精度难以保证。因此，此类算法具有较低的泛用性。

综合以上，现有的最大功率点跟踪技术中，无法在保证最大功率点精度的前提下，降低最大功率点跟踪算法的硬件成本、提高最大功率点跟踪算法的跟踪速度以及普适性。

发明内容

为克服上述现有技术的不足，本发明提供了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法及系统，针对现有全局最大功率点跟踪方法仍无法很好地平衡硬件成本、跟踪速度、跟踪精度和普适性的问题，提出了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法，在保证了跟踪精度的前提下，显著提高了光伏阵列全局最大功率点的跟踪速度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法。

基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法，包括以下步骤：

对光伏阵列进行建模，采集光伏阵列在不同遮挡工况下的P-V曲线；

对P-V曲线的特征点进行选取，并对特征点对应的电压、功率和斜率值进行提取；

基于提取的特征点电压、功率和斜率值构建训练集，对支持向量机进行训练，得到训练好的支持向量机；

对训练好的支持向量机参数进行优化，获得优化后的支持向量机；

对光伏阵列输出电压和输出电流进行实时采样，判断光伏阵列的遮挡类型；

根据遮挡类型，基于优化后的支持向量机和自适应P&O算法，实现最大功率点的跟踪。

本发明第二方面提供了基于SVM及特征映射的光伏阵列全局最大功率点跟踪系统。

基于SVM及特征映射的光伏阵列全局最大功率点跟踪系统，包括：

P-V曲线获取模块，被配置为：对光伏阵列进行建模，采集光伏阵列在不同遮挡工况下的P-V曲线；

特征点选取模块，被配置为：对P-V曲线的特征点进行选取，并对特征点对应的电压、功率和斜率值进行提取；

训练模块，被配置为：基于提取的特征点电压、功率和斜率值构建训练集，对支持向量机进行训练，得到训练好的支持向量机；

优化模块，被配置为：对训练好的支持向量机参数进行优化，获得优化后的支持向量机；

遮挡类型判断模块，被配置为：对光伏阵列输出电压和输出电流进行实时采样，判断光伏阵列的遮挡类型；

最大功率点跟踪模块，被配置为：根据遮挡类型，基于优化后的支持向量机和自适应P&O算法，实现最大功率点的跟踪。

本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法中的步骤。

本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法中的步骤。

以上一个或多个技术方案存在以下有益效果：

1.本发明针对现有全局最大功率点跟踪方法仍无法很好地平衡硬件成本、跟踪速度、跟踪精度和普适性的问题，提出了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法，在保证了跟踪精度的前提下，显著提高了光伏阵列全局最大功率点的跟踪速度。

2.本发明对人工智能算法进行了优化，以光伏阵列P-V曲线形状特征为切入点，无需气象数据，实现了最大功率点的精确且快速的跟踪，显著提高了方法的泛用性。

3.本发明基于支持向量机建立P-V曲线形状特征与全局最大功率点之间的映射关系，通过扫描P-V曲线上的几个特征点实现了全局最大功率点的快速定位；基于粒子群优化算法，对支持向量机惩罚优化参数与核函数参数的取值进行了优化，以提高全局最大功率点处电压的预测精度，缩短最大功率点跟踪时间；结合自适应扰动观察法，进一步实现了高精度的全局最大功率点跟踪。

4.不同于传统的全局最大功率点跟踪方法，本发明对光伏阵列P-V曲线的形状特征进行了特征分析，显著提高了跟踪速度。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为第一个实施例的方法流程图。

图2为第二个实施例的系统结构图。

图3为第一个实施例基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法原理图。

图4为第一个实施例粒子群优化算法对支持向量机惩罚优化参数与核函数参数取值优化的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明提出的总体思路：

发明人在研究中发现，现有方法仍无法很好地平衡硬件成本、跟踪速度、跟踪精度和普适性。在能够精确获取最大功率点的前提下，如何降低最大功率点跟踪算法的硬件成本、提高最大功率点跟踪算法的跟踪速度以及普适性成为了最大功率点跟踪技术的重要优化方向之一，目前缺乏一种快速且精准的光伏阵列全局最大功率点跟踪方法。因此，本发明技术方案针对现有全局最大功率点跟踪方法仍无法很好地平衡硬件成本、跟踪速度、跟踪精度和普适性的问题，提出了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法，通过离线建模，采集了光伏阵列在不同遮挡工况下的P-V曲线，基于统计学分析确定了特征点选取规则；利用多个特征点对应的电压、功率和斜率值描述光伏阵列P-V曲线的形状特征；基于支持向量机建立P-V曲线形状特征与全局最大功率点之间的映射关系，通过扫描P-V曲线上几个特征点实现了全局最大功率点的快速定位；基于粒子群优化算法，以全局最大功率点处电压的预测精度为优化方向，实现支持向量机惩罚优化参数(Optimization ofPenalty Parameter)与核函数参数(Kernel Function Parameter)的最优取值；结合自适应扰动观察法进一步实现了高精度的全局最大功率点跟踪。

本发明在保证了跟踪精度的前提下，显著提高了光伏阵列全局最大功率点的跟踪速度。

实施例一

本实施例公开了基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法。

如图1所示，基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法，包括以下步骤：

对光伏阵列进行建模，采集光伏阵列在不同遮挡工况下的P-V曲线；

对P-V曲线的特征点进行选取，并对特征点对应的电压、功率和斜率值进行提取；

基于提取的特征点电压、功率和斜率值构建训练集，对支持向量机进行训练，得到训练好的支持向量机；

对训练好的支持向量机参数进行优化，获得优化后的支持向量机；

对光伏阵列输出电压和输出电流进行实时采样，判断光伏阵列的遮挡类型；

根据遮挡类型，基于优化后的支持向量机和自适应P&O算法，实现最大功率点的跟踪。

进一步的，对P-V曲线的特征点进行选取，具体为：

运用统计学分析对P-V曲线的特征点个数进行确定，利用N个特征点对光伏阵列P-V曲线进行N+1等分，并从小到达逐步增大N的值，直至N个特征点能够完全覆盖P-V曲线的全部峰值，进而执行特征点处对应电压、功率和斜率值的提取。

进一步的，基于提取的特征点电压、功率和斜率值构建训练集，对支持向量机进行训练，得到训练好的支持向量机，具体为：

训练集输入参量为P-V曲线上特征点对应的电压、功率和斜率值，输出参量为光伏阵列最大功率点处的电压。

进一步的，对训练好的支持向量机参数进行优化，获得优化后的支持向量机，具体为：

基于粒子群优化算法实现支持向量机惩罚优化参数与核函数参数的取值优化，将粒子设置为包含惩罚优化参数与核函数参数的二维参量，以全局最大功率点处电压的预测精度为目标函数进行迭代优化，直至达到设定迭代次数。具体步骤如图4所示。

进一步的，对光伏阵列输出电压和输出电流进行实时采样，判断光伏阵列的遮挡类型，具体为：

首先判断光伏阵列是否发生了遮挡，若发生了遮挡，则根据光伏阵列的输出电压和输出电流进一步判断光伏阵列的遮挡类型为部分遮挡还是完全遮挡。

进一步的，根据遮挡类型，基于优化后的支持向量机和自适应P&O算法，实现全局最大功率点的跟踪，具体为：

如图3所示，若判定结果为部分遮挡，首先扫描特征点并计算相应的电压、功率和斜率值，将其输入至优化好的SVM模型获取最大功率点的粗略位置，然后采用自适应P&O算法实现最大功率点的精确跟踪；

若判定结果为完全遮挡，则直接采用自适应P&O算法，并将初始扰动位置设为0.8V

进一步的，判断光伏阵列是否发生了遮挡的判定方法为：当光伏发电系统的功率变化大于5％时，判定光伏阵列发生了遮挡。

进一步的，判断光伏阵列发生的遮挡类型为部分遮挡还是完全遮挡，具体判定方法举例如下：

通过扫描P-V曲线上5个均匀分布的特征点来实现。用{dP

1)dP

2)dP/dV在前半部分为正，在后半部分为负；

3)功率P在前半部分单调增大，在后半部分单调减小。

一旦这三个特征同时满足，则可判定为光伏阵列的遮挡工况为完全遮挡；不能同时满足，则可判定为光伏阵列的遮挡工况为部分遮挡。

实施例二

本实施例公开了基于SVM及特征映射的光伏阵列全局最大功率点跟踪系统。

如图2所示，基于SVM及特征映射的光伏阵列全局最大功率点跟踪系统，包括：

P-V曲线获取模块，被配置为：对光伏阵列进行建模，采集光伏阵列在不同遮挡工况下的P-V曲线；

特征点选取模块，被配置为：对P-V曲线的特征点进行选取，并对特征点对应的电压、功率和斜率值进行提取；

训练模块，被配置为：基于提取的特征点电压、功率和斜率值构建训练集，对支持向量机进行训练，得到训练好的支持向量机；

优化模块，被配置为：对训练好的支持向量机参数进行优化，获得优化后的支持向量机；

遮挡类型判断模块，被配置为：对光伏阵列输出电压和输出电流进行实时采样，判断光伏阵列的遮挡类型；

最大功率点跟踪模块，被配置为：根据遮挡类型，基于优化后的支持向量机和自适应P&O算法，实现最大功率点的跟踪。

实施例三

本实施例的目的是提供计算机可读存储介质。

计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法中的步骤。

实施例四

本实施例的目的是提供电子设备。

电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于SVM及特征映射的光伏阵列全局最大功率点跟踪方法中的步骤。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。