基于遗传算法和扰动观察法的MPPT算法
4.3遗传算法重启时种群初始化
当外界环境变化不大时，新环境下的最大功率点与旧环境相差不大。此时，旧环境的最大功率点可以作为精英个体保留下来，直接进入下一轮搜索。
4.4算法流程图
该算法的流程图如图3所示。
5 仿真结果
5.1 遗传算法的进化过程
设定MAXGEN=50，Pc=0.9，Nind=20，染色体长度为16，Pmean=0.1，Pmax=0.2，T=25℃，S=800 W／m2，仿真结果如图4所示。
由图4可见，算法在第五代时就已经搜索到最大功率点，并且搜索过程中每代种群始终保持较大的多样性。
5.2 稳定光强下的阶跃响应
设定MAXGEN=15，Cmax=2 500，△Pmax=40，△D=0.000 01，Pc=0.9，种群个体数Nind=20，染色体长度为16，Pmean=0.1，Pmax=0.2，T=25℃。考查算法对光强从200～800 W／m2的阶跃响应，仿真结果见图5。
由图5可见，该算法具有良好的搜索速度和稳定性。为了提高搜索速度还可以减小遗传算法执行时间，在接近最大功率点时由扰动观察法来执行搜索。
5.3光强剧烈变化下的阶跃响应
在光强上叠加一个幅度为5 W／m2的随机噪声，参数设置与第5.2节相同，对算法进行仿真，仿真结果见图6。
由图6可见，该算法具有良好的抗干扰性能，在剧烈干扰下仍然可以准确搜索到最大功率点。
6结 语
在此把遗传算法和传统的扰动观察法相结合提出了一种新的MPPT算法，并在Matlab中进行了仿真。由仿真实验可以看出，通过遗传算法的应用，该算法具有极好的抗干扰能力和良好的搜索速度，通过减小扰动观察法的扰动步长，算法可以稳定地工作在最大功率点。
评论