一种基于蒲公英优化算法的光伏阵列重构方法和装置

1.本发明属于光伏发电技术领域，更具体地，涉及一种基于蒲公英优化算法的光伏阵列重构方法和装置。

背景技术：

2.当前世界，由于能源需求量日益增加，化石能源的储量日益下降，可再生能源越来越受到人们的重视，并逐渐取代大多数化石燃料，其中最有前景的能源之一是太阳能。光伏电池是光伏发电系统的核心，其转换效率决定了整个系统的实际应用能力。光伏发电系统的应用是复杂的，单一的光伏电池元件无法满足对电力系统的供电要求。因此，有必要将多个光伏电池结构连接在一起，形成一个光伏电池阵列，以确保光伏系统被最大化的利用。
3.在光伏发电系统中，光伏电池阵列可以被理解为光伏电池元件的组合形式。在光强度不变的条件下，在系列中连接的光伏电池元件的数量越多，光伏电池阵列的功率越高，转换能力就越强。然而，部分遮蔽引起的失配损耗和功率损耗会导致光伏阵列的能量输出显著降低，同时还会造成光伏阵列的寿命缩短。在寻求光伏阵列最大化功率输出时，通过利用基于启发式算法的重构技术补偿这些功率损耗，可以显著提高局部阴影下光伏阵列的功率输出。光伏阵列作为获得太阳能最常用的装置，被广泛应用。光伏电池是光伏发电核心的非线性器件，其输出特性使光伏阵列在一定的工作电压下工作，产生最大的输出功率。但一些不可避免的破坏性因素大大降低了光伏阵列的效率。部分遮蔽条件(partial shading condition，psc)是其中之一，它不仅使输出功率曲线出现了多峰，而且也会对光伏面板造成损害，可能会减少其使用寿命。
4.在实际项目中，大型光伏阵列的屏蔽主要是由云彩造成的，云的形状和位置随时间不断变化。光伏阵列的输出特性受到云覆盖情况的严重影响。

技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种基于蒲公英优化算法的光伏阵列重构方法和装置，其目的在于基于蒲公英优化算法(dandelion optimizer，do)的光伏阵列重构(optimal array reconfiguration，oar)方法，以提升遮蔽条件下光伏阵列输出功率，从而提高光伏发电系统的效率，由此解决光伏阵列的输出特性受到云覆盖情况严重影响的技术问题。
6.为实现上述目的，按照本发明的一个方面，提供了一种基于蒲公英优化算法的光伏阵列重构方法，包括：
7.s1：建立n
×
n网状连接配置的初始光伏阵列；
8.s2：利用蒲公英优化do算法对遮蔽条件下的所述初始光伏阵列进行重构得到目标光伏阵列；具体如下：
9.s21：初始化种的位置，设置边界值、种数量和迭代次数相关系统参数；
10.s22：计算每个解的适应度值，选出最佳适应度值；
11.s23：蒲公英上升阶段，根据上升阶段的迭代公式进行位置更新；
12.s24：蒲公英下降阶段，利用下降阶段的迭代公式进行更新位置；
13.s25：蒲公英着陆阶段，利用着陆阶段的迭代公式进行位置更新；
14.s26：当迭代次数达到阈值时输出最优结果，否则重复s22-s25直至迭代次数达到所述阈值，并输出对应的最优结果；将所述最优结果作为所述目标光伏阵列。
15.在其中一个实施例中，所述s1中初始光伏阵列表示为：
[0016][0017][0018]
其中，v
out
是初始光伏阵列的输出电压；i
out
是初始光伏阵列的输出电流；v
maxa
是a行最大输出电压；i
ab
是a行b列的节点电流。
[0019]
在其中一个实施例中，所述上升阶段的迭代公式表示为：
[0020][0021]
在晴天，风速可视为对数正态分布lny～n(μ，σ2)，x
t+1
＝x
t
+a*v
x
*vy*lny*(x
s-x
t
)，x
t
表示迭代过程中蒲公英种子的位置；xs表示迭代t期间在搜索空间中随机选择的位置，xs＝rand(1，dim)*(ub-lb)+lb，lny表示服从于μ＝0和σ2＝1的对数正态分布，y表示标准正态分布n(0，1)；a是用于调整搜索步长的自适应参数，randn()是符合标准正态分布的随机数；v
x
和vy表示蒲公英由于分离的涡流作用而产生的升力分量系数，v
x
＝r*cosθ，y
x
＝r*sinθ，θ的取值范围为[-π，π]；
[0022]
在雨天情况下，更新位置表示为：x
t+1
＝x
t
*k；k用于规范蒲公英的本地搜索域，k＝1-rand()*q，
[0023]
在其中一个实施例中，所述下降阶段的迭代公式表示为：
[0024]
x
t+1
＝x
t-a*β
t
*(x
mean_t-a*β
t
*x
t
)；
[0025]
式中，β
t
表示布朗运动，是来自标准正态分布的随机数；x
mwan_t
表示在第i次迭代中总体的平均位置，
[0026]
在其中一个实施例中，所述着陆阶段的迭代公式表示为：x
t+1
＝x
elite-levy(λ)*a*(x
elite-x
t
*δ)；
[0027]
其中，x
elite
表示在i次迭代中蒲公英种子的最佳位置；levy(λ)表示levy函数为[0，2]之间的随机数；s为固定常数；w和τ是[0，1]之间的随机数，
β固定为1.5；δ是[0，2]之间的线性递增函数，
[0028]
在其中一个实施例中，所述方法还包括：
[0029]
s3：采用失配损失、填充因子和标准偏差三个评价指标对所述目标光伏阵列的性能参数进行分析和评价。
[0030]
在其中一个实施例中，所述失配损失表示为：p
mi
＝p
g(unshaded)-p
g(shaded)
；p
g(unshaded)
没有遮蔽的目标光伏阵列的最大输出功率，p
g(shaded)
是有遮蔽的目标光伏阵列的最大输出功率；
[0031]
所述填充因子表示为：v
p
和i
p
为在局部最大功率点的电压和电流；vo和is是目标光伏阵列的开路电压和短路电流；
[0032]
所述标准偏差对应的最大化输出功率为：ia和va分别表示第a行的输出电流和输出电压。
[0033]
按照本发明的另一方面，提供了一种基于蒲公英优化算法的光伏阵列重构装置，用于执行所述的光伏阵列重构方法，包括：
[0034]
建立模块，用于建立n
×
n网状连接配置的初始光伏阵列；
[0035]
重构模块，用于利用蒲公英优化do算法对遮蔽条件下的所述初始光伏阵列进行重构得到目标光伏阵列，具体用于：
[0036]
初始化种的位置，设置边界值、种数量和迭代次数相关系统参数；
[0037]
计算每个解的适应度值，选出最佳适应度值；
[0038]
蒲公英上升阶段，根据上升阶段的迭代公式进行位置更新；
[0039]
蒲公英下降阶段，利用下降阶段的迭代公式进行更新位置；
[0040]
蒲公英着陆阶段，利用着陆阶段的迭代公式进行位置更新；
[0041]
当迭代次数达到阈值时输出最优结果，否则重复s22-s25直至迭代次数达到所述阈值，并输出对应的最优结果；将所述最优结果作为所述目标光伏阵列。
[0042]
按照本发明的另一方面，提供了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法的步骤。
[0043]
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
[0044]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0045]
1、本发明提供一种基于蒲公英优化算法(dandelion optimizer，do)的光伏阵列重构(optimal array reconfiguration，oar)方法，将do算法应用于光伏重构，能够令光伏电站在不同的辐照情况下都能输出最大功率，即能够提升遮蔽条件下光伏阵列输出功率，从而提高光伏发电系统的效率；由此解决光伏阵列的输出特性受到云覆盖情况严重影响的技术问题，使光伏电站的运行经济性和并网运行的稳定性得到显著提高。
[0046]
2、调度工作人员可以通过do算法所获得的最优的oar方案，改变光伏阵列的内部
连接情况，保证当前光伏电站能够高效地运行。
附图说明
[0047]
图1是本发明一实施例中tct结构的光伏阵列重构模型图；
[0048]
图2是本发明一实施例中基于do算法的oar的流程图；
[0049]
图3是本发明一实施例中初始光伏阵列在9分钟内的光照遮蔽情况图；
[0050]
图4是本发明一实施例中9分钟内基于do算法优化后的光伏阵列对应的光照遮蔽情况图；
[0051]
图5a和图5b分别为各种算法与光伏阵列优化前后9分钟内的输出i-u曲线和p-u曲线。
具体实施方式
[0052]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0053]
本发明提出了一种基于蒲公英优化算法(dandelionoptimizer，do)的光伏阵列重构(optimalarrayreconfiguration，oar)方法，以提升光伏阵列输出功率，提高光伏发电系统的效率。所述方法包括以下步骤：
[0054]
本发明建立9
×
9网状连接配置的光伏阵列重构模型，方法如下：
[0055]
在此工作中使用了一个9
×
9tct连接的光伏阵列，如图1所示。tct配置是最广泛使用的连接，被证明是光伏阵列最稳定的拓扑，当面对psc时，tct配置可以展现出较好的性能。值得注意的是这种配置技术并没有改变光伏阵列的原始位置，但改变了它的电气连接。光伏阵列的总输出电压可以写成以下方程：
[0056][0057][0058]
式中，v
out
是光伏阵列输出电压；i
out
是光伏阵列输出电流；v
maxa
是a行最大输出电压；i
ab
是a行b列的节点电流。
[0059]
本发明利用三个评价标准来衡量所提出的do方法的仿真结果。
[0060]
(1)失配损失：
[0061]
p
mi
＝p
g(unshaded)-p
g(shaded)
(3)
[0062]
式中，p
g(unshaded)
没有遮蔽的光伏模型最大输出功率，p
g(shaded)
是有遮蔽的光伏模型最大输出功率。
[0063]
(2)填充因子
[0064]
填充因子是表示在psc下光伏系统功率损失的关键标准，公式如下：
[0065][0066]
式中，v
p
和i
p
在局部最大功率点的电压和电流；vo和is是光伏阵列的开路电压和短
路电流，通常由制造商给出。
[0067]
(3)标准偏差
[0068]
本发明采用标准偏差(standarddeviation，std)来评价启发式算法的重新配置稳定性。
[0069]
当光伏阵列在psc状态下正常工作时，它们会在偏离其最大功率点的位置运行，导致输出功率下降。为了降低psc发生引起的失配损失的影响，采用重构方法使光伏阵列的辐照均匀化，从而实现输出功率的最大化，可表示为：
[0070][0071]
式中，ia和va分别表示每一行的输出电流和输出电压。
[0072]
本发明do算法模拟了蒲公英种子的飞行过程，蒲公英是最具代表性的依靠风进行种子繁殖的植物之一。在适当的条件下，它的种子可以随风飞行几十公里。当蒲公英种子飞行时，它会形成两个漩涡，产生向上的阻力。当种子以较低的速度下落时，上面的两个漩涡变得更大和对称。一个对称的漩涡保证了种子的稳定下落；也就是说，花丝与地面齐平，果实指向下方。蒲公英的种子要飞很远的距离，它们需要保持在一个相对稳定的高度。分离的漩涡保持在蒲公英冠下的固定距离。奇怪的是，蒲公英冠的孔隙度似乎被精确地调节以稳定漩涡环。冠毛是由细长的细丝组成的，从中央把手向外辐射，类似于自行车车轮上的辐条。这种一致性是蒲公英种子上方分离漩涡稳定的关键，因此有助于种子在长途飞行中保持稳定。风速和天气是影响蒲公英种子传播的两个主要因素。风速用来决定种子是飞得远还是飞得短。天气控制着蒲公英种子是否能飞，影响着蒲公英在附近或远处的空间生长的能力。蒲公英种子经过三个阶段的传播，如下所述。在上升阶段，蒲公英种子上方产生旋涡，在晴天和刮风天气的拖曳力作用下上升。相反，如果天气多雨，种子上面就不会有漩涡。在这种情况下，只能在本地执行搜索。在下降阶段，当种子上升到一定高度后，它们会稳步下降。在着陆阶段，蒲公英种子最终在风和天气的影响下随机落在一个地方，生长出新的蒲公英。蒲公英通过将种子传给下一代，分三个阶段进行种进化。do算法运算过程如下所示。
[0073]
(1)初始化
[0074]
与其他自然启发元启发式算法相似，do算法在种初始化的基础上实现种进化和迭代优化。在提出的do算法中，假设每个蒲公英种子代表一个候选解，其种表示为：
[0075][0076]
式中，pop表示种规模，dim是变量的维数；每个候选解都是随机生成的给定问题的上界(ub)和下界(lb)，第i个候选解xi为：
[0077]
xi＝rand
×
(ub-lb)+lb(7)
[0078]
式中，i是1和pop之间的整数，rand表示(0，1)之间的随机数。lb和ub表示为：
[0079]
lb＝[ιb1，...，ιb
dim
]，ub＝[ub1，...，ub
dim
](8)
[0080]
在初始化过程中，do将个体视为最优适应度值作为初始精英，这大约被认为是蒲公英种子最适合生长的位置。以最小值为例，给出了数学表达式初始精英x
elite
为：
[0081]fbest
＝min(f(xi))，x
elite
＝x(find(f
best
＝＝f(xi)))(9)
[0082]
式中，find()表示两个具有相等值的索引。
[0083]
(2)上升阶段
[0084]
在上升阶段，蒲公英种子需要达到一定的高度，才能从它们的母株那里漂走。在风速、空气湿度等的影响下，蒲公英种子会上升到不同的高度。这里的天气分为以下两种情况。
[0085]
第一种情况，在晴天，风速可视为对数正态分布lny～n(μ，σ2)。在这种分布下，随机数更多地沿y轴分布，这增加了蒲公英种子传播到较远地区的机会。因此，在这种情况下，do强调探索。在搜索空间中，蒲公英种子被风随机吹到不同的位置。蒲公英种子的上升高度由风速决定。风越强，蒲公英飞得越高，种子撒得越远。受风速的影响，蒲公英种子上方的漩涡不断调整，使它们以螺旋状上升。这种情况下对应的数学表达式是：
[0086]
x
t+1
＝x
t
+a*v
x
*vy*lny*(x
s-x
t
)(10)
[0087]
式中，x
t
表示迭代过程中蒲公英种子的位置；xs表示迭代t期间在搜索空间中随机选择的位置。式(11)提供了随机生成位置的表达式。
[0088]
xs＝rand(1，dim)*(ub-lb)+lb(11)
[0089]
lny表示服从于μ＝0和σ2＝1的对数正态分布，其数学公式为：
[0090][0091]
式中，y表示标准正态分布n(0，1)。a是用于调整搜索步长的自适应参数数学表达式是：
[0092][0093]
式中，a是[0，1]之间的随机参数，在非线性递减过程中，趋近于0。这种波动使得算法在早期注重全局搜索，而在后期转向局部搜索，有利于在全局搜索完成后保证精确收敛。v
x
和vy表示蒲公英由于分离的涡流作用而产生的升力分量系数。用式(14)计算受力变量。
[0094][0095]
式中，θ的取值范围为[-π，π]。
[0096]
第二种情况，在雨天，由于空气阻力、湿度等因素的影响，蒲公英种子不能适当随风升起。在这种情况下，蒲公英种子在他们的当地地区被开发，相应的数学表达式为：
[0097]
x
t+1
＝x
t
*k(15)
[0098]
式中，k用于规范蒲公英的本地搜索域，式(16)用于计算定义域。
[0099][0100]
式中，k表现出“向下凸”的振荡，这有利于算法早期步幅大，后期步幅较小。迭代结束时，参数k逐渐趋于1，以保证种最终收敛到最优搜索区域。
[0101]
综上所述，蒲公英种子上升阶段的数学表达式为：
[0102][0103]
式中，randn()是符合标准正态分布的随机数。
[0104]
首先，在天气晴朗时，根据随机选择的位置信息更新蒲公英种子，强调探索过程。种子上方的涡流通过乘以x和y分量对移动矢量起作用，以纠正蒲公英在螺旋中移动的方向。在第二种情况下，蒲公英种子在当地种得到了广泛的利用。利用随机数的正态分布动态控制开发与勘探。为了使算法更面向全局搜索，将截止点设置为1.5。这个设置使得蒲公英种子在第一阶段尽可能遍历整个搜索空间，为下一阶段的迭代优化提供正确的方向。
[0105]
(3)下降阶段
[0106]
在这一阶段，提出的do算法还强调探索。蒲公英种子在上升到一定距离后稳定下降。在do中，采用布朗运动模拟蒲公英的运动轨迹。由于布朗运动在每次变化处服从正态分布，个体在迭代更新过程中容易遍历更多的搜索种。为了反映蒲公英下降的稳定性，采用了上升阶段后的平均位置信息。这有助于全体个体向有前途的种发展。相应的数学表达式为：
[0107]
x
t+1
＝x
t-a*β
t
*(x
mean_t-a*β
t
*x
t
)(18)
[0108]
式中，β
t
表示布朗运动，是来自标准正态分布的随机数。x
mean_t
表示在第i次迭代中总体的平均位置，和它的数学表达式为：
[0109][0110]
上述公式展示了蒲公英种子在下降过程中的再生过程。种的平均位置信息对于个体的迭代更新至关重要，它直接决定了个体的进化方向。这种不规则的移动使得搜索代理在迭代更新过程中有很大概率逃离局部极值，从而促使种向全局最优附近区域搜索。
[0111]
(4)着陆阶段：
[0112]
根据前两个阶段，蒲公英种子随机选择落在哪里。随着迭代的进行，算法有可能收敛到全局最优解。因此，得到的最优解是蒲公英种子最容易存活的近似位置。为了精确地收敛到全局最优，搜索媒介借用当前最优解的杰出信息，在他们的附近区域进行开发。随着种的演化，最终可以到全局最优解。这种行为表现在式(20)中。
[0113]
x
t+1
＝x
elite-levy(λ)*a*(x
elite-x
t
*δ)(20)
[0114]
式中，x
elite
表示在i次迭代中蒲公英种子的最佳位置；levy(λ)表示levy函数，用式(21)计算：
[0115][0116]
式中，β为[0，2]之间的随机数；s是一个固定常数0.01；w和t是[0，1]之间的随机数。σ的数学表达式为：
[0117][0118]
式中，β固定为1.5。δ是[0，2]之间的线性递增函数，由式(23)计算。
[0119][0120]
为了精确收敛到全局最优，对个体采用线性递增函数，避免过度开发。这一阶段使用levy飞行系数来模拟个体的运动步长。原因是在高斯分布下，levy飞行系数可以被媒介以大概率跨向其他位置，在有限的迭代次数下发展出更多的局部搜索域。
[0121]
如图2所示，do的算法流程：
[0122]
(1)初始化种的位置，设置边界值、种数量和迭代次数等；
[0123]
(2)计算每个解的适应度值，选出最佳适应度值；
[0124]
(3)蒲公英上升阶段，并根据式(10)-(17)进行位置更新；
[0125]
(4)蒲公英下降阶段，利用式(18)-(19)更新位置；
[0126]
(5)蒲公英着陆阶段，利用(20)-(23)来进行位置更新；
[0127]
(6)判断是否达到迭代次数，如果达到则输出最优结果，否则重复第二步到第五步。
[0128]
4、本发明采用asw-280m型太阳能光伏板，具体参数如下表1所示。
[0129]
表1光伏模块的具体参数
[0130][0131][0132]
为了验证重构算法的有效性，经常对不同尺寸的光伏阵列和不同的遮光方式进行模拟。本节使用最常用的9
×
9光伏阵列来验证do的效果，并进行了9分钟移动云的阴影来配合本文的仿真实验。使用的仿真工具是matlab 2021b。并构造了ga、pso等重构方法进行性能比较。do算法的运行时间、迭代次数和总体数量设置为20、200和20。图3是oar在9分钟内的光伏阵列受遮蔽情况。
[0133]
本发明旨在通过引用启发式算法对受遮蔽的光伏阵列进行重构，根据仿真结果改变其连接方式，增大输出功率，提高系统运行效益。本发明引入了具有20个相同子系统的25
兆瓦光伏电站，以评估本发明的性能，其中每个子系统均由9
×
9tct配置的光伏阵列组成。所引入部分遮蔽的光伏阵列模拟了九分钟内云彩的缓慢移动，不同的颜代表不同的辐照度。其工作温度均设置为25℃，光伏阵列在每分钟的辐照分布如图4所示。
[0134]
采用do算法对光伏阵列进行优化重构时，根据do算法仿真的最佳优化结果来改变光伏阵列的内部连接。各启发式算法仿真得到的最大优化输出功率和最小输出功率，以及各方法的失配损失和填充因子如表2所示。在所有算法中，do算法获得的p
max
和p
min
均高于其他算法。而且do算法的std比其他算法小，说明了do算法具有较高的稳定性。很明显，do的失配损失和ff在所有算法中表现得更好。采用do算法得到的最优失配损失分别比优化前、ga和pso低38.13％、3.75％和0.51％。采用do算法得到的最优ff分别比优化前、ga和pso提高了20.70％、1.15％和0.13％。
[0135]
图5a和图5b分别为各种算法与光伏阵列优化前后9分钟内的输出i-u曲线和p-u曲线。观察到，阴影越多，输出特性曲线越不光滑。输出i-u曲线通常有很多拐点，输出p-u曲线有很多峰值。以第4分钟为例，在重新配置之前有6个功率峰值。do将能量峰值数量减少到一个，这完全清除了局部峰值。因此，与本发明的其他方法相比，do取得了显著的重构效果。
[0136]
提出了一种基于do的oar技术。该方法通过对原do算法进行离散化，并结合光伏重构方法实现。do可以实时提供最优解，从而避免局部最优解。通过定量比较do、ga和pso的输出功率、失配损耗、填充因子、标准差和输出特性曲线，证明了do的优越性。
[0137]
表2各算法的仿真结果比较
[0138][0139]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以
限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于蒲公英优化算法的光伏阵列重构方法，其特征在于，包括：s1：建立n
×
n网状连接配置的初始光伏阵列；s2：利用蒲公英优化do算法对遮蔽条件下的所述初始光伏阵列进行重构得到目标光伏阵列；具体如下：s21：初始化种的位置，设置边界值、种数量和迭代次数相关系统参数；s22：计算每个解的适应度值，选出最佳适应度值；s23：蒲公英上升阶段，根据上升阶段的迭代公式进行位置更新；s24：蒲公英下降阶段，利用下降阶段的迭代公式进行更新位置；s25：蒲公英着陆阶段，利用着陆阶段的迭代公式进行位置更新；s26：当迭代次数达到阈值时输出最优结果，否则重复s22-s25直至迭代次数达到所述阈值，并输出对应的最优结果；将所述最优结果作为所述目标光伏阵列。2.如权利要求1所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述s1中初始光伏阵列表示为：中初始光伏阵列表示为：其中，v
out
是初始光伏阵列的输出电压；i
out
是初始光伏阵列的输出电流；v
maxa
是a行最大输出电压；i
ab
是a行b列的节点电流。3.如权利要求1所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述上升阶段的迭代公式表示为：在晴天情况下，风速视为对数正态分布lny～n(μ，σ2)，更新位置表示为：x
t+1
＝x
t
+a*v
x
*v
y
*lny*(x
s-x
t
)；x
t
表示迭代t期间中蒲公英种子的位置；x
s
表示迭代t期间在搜索空间中随机选择的位置，x
s
＝rand(1，dim)*(ub-lb)+lb，lny表示服从于μ＝0和σ2＝1的对数正态分布，y表示标准正态分布n(0，1)，a是用于调整搜索步长的自适应参数，用于调整搜索步长的自适应参数，randn()是符合标准正态分布的随机数；v
x
和v
y
表示蒲公英由于分离的涡流作用而产生的升力分量系数，v
x
＝r*cosθ，y
x
＝r*sinθ，θ的取值范围为[-π，π]；在雨天情况下，更新位置表示为：x
t+1
＝x
t
*k；k用于规范蒲公英的本地搜索域，式中，t表示最大迭代次数。4.如权利要求3所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述下降阶段的迭代公式表示为：
x
t+1
＝x
t-a*β
t
*(x
mean_t-a*β
t
*x
t
)；式中，β
t
表示布朗运动，是来自标准正态分布的随机数；x
mean_t
表示在第i次迭代中总体的平均位置，5.如权利要求4所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述着陆阶段的迭代公式表示为：x
t+1
＝x
elite-levy(λ)*a*(x
elite-x
t
*δ)；其中，x
elite
表示在i次迭代中蒲公英种子的最佳位置；levy(λ)表示levy函数为[0，2]之间的随机数；s为固定常数；w和τ是[0，1]之间的随机数，β固定为1.5；δ是[0，2]之间的线性递增函数，6.如权利要求1所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述方法还包括：s3：采用失配损失、填充因子和标准偏差三个评价指标对所述目标光伏阵列的性能参数进行分析和评价。7.如权利要求6所述的基于蒲公英优化算法的光伏阵列重构方法，其特征在于，所述失配损失表示为：p
mi
＝p
g(unshaded)-p
g(shaded)
；p
g(unshaded)
没有遮蔽的目标光伏阵列的最大输出功率，p
g(shaded)
是有遮蔽的目标光伏阵列的最大输出功率；所述填充因子表示为：v
p
和i
p
为在局部最大功率点的电压和电流；v
o
和i
s
是目标光伏阵列的开路电压和短路电流；所述标准偏差对应的最大化输出功率为：i
a
和v
a
分别表示第a行的输出电流和输出电压。8.一种基于蒲公英优化算法的光伏阵列重构装置，其特征在于，用于执行权利要求1-7任一项所述的光伏阵列重构方法，包括：建立模块，用于建立n
×
n网状连接配置的初始光伏阵列；重构模块，用于利用蒲公英优化do算法对遮蔽条件下的所述初始光伏阵列进行重构得到目标光伏阵列，具体用于：初始化种的位置，设置边界值、种数量和迭代次数相关系统参数；计算每个解的适应度值，选出最佳适应度值；蒲公英上升阶段，根据上升阶段的迭代公式进行位置更新；蒲公英下降阶段，利用下降阶段的迭代公式进行更新位置；蒲公英着陆阶段，利用着陆阶段的迭代公式进行位置更新；当迭代次数达到阈值时输出最优结果，否则重复s22-s25直至迭代次数达到所述阈值，并输出对应的最优结果；将所述最优结果作为所述目标光伏阵列。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结

本发明公开了一种基于蒲公英优化算法的光伏阵列重构方法和装置，属于光伏发电技术领域，所述方法包括：建立n

技术研发人员：

李大虎 姚伟 周泓宇 周悦 饶渝泽 文劲宇

受保护的技术使用者：

华中科技大学

技术研发日：

2022.11.17

技术公布日：

2023/3/3