[发明专利]确定波浪发电装置参数的方法、装置及设备

说明书

本发明公开了一种确定波浪发电装置参数的方法，能够预先确定波浪发电装置的初始参数，然后对参数进行多次迭代优化，每次迭代过程中，通过差分变异算法、纵向交叉算法、以及横向交叉算法对参数进行计算，并通过预设的适应度目标函数，确定各个参数的适应度，进而筛选出适应度较大的参数，最终经过多次迭代，得到最优参数。可见，该方法通过将差分变异算法与纵横交叉算法进行结合，最终得到波浪发电装置的最优参数，实验表明该方法收敛速度较快、且局部搜索能力较强。此外，本发明还提供了一种确定波浪发电装置参数的装置、设备、以及一种计算机可读存储介质，其作用与上述方法相对应。

技术领域

本发明涉及波浪发电领域，特别涉及一种确定波浪发电装置参数的方法、装置、设备及计算机可读存储介质。

背景技术

近年来，随着波浪发电等可再生能源发电的发展，我国的新能源发电比重日益提高。波浪发电作为新能源发电的一个重要组成部分，有着波浪功率密度大、可预测性好，发展前景好等优点。最大功率跟踪在光伏、风力发电应用已十分广泛，有效的解决了风能、太阳能转化效率低下的问题。但是，如何实现波浪能的最大功率捕获，尚待研究。

就直驱式波浪发电系统而言，当直线电机的动子固有的自然频率与波浪频率相同时，两者之间会发生共振现象，此时直驱式波浪发电系统的输出功率最大，即波浪的捕获率最大。但由于实际波浪有很强的时变性，而波浪发电系统是一个惯性高阶系统，其固定的质量和频率较难改变，这就需要借助控制策略协调双方的变化规律。

随着智能优化算法逐渐应用在社会的各个方面，例如金融，物流，医学，互联网和新能源发电等方面，把功率跟踪技术和智能算法结合起来，会对实际的系统控制有很大的帮助。常见的应用于最大功率跟踪的智能优化算法，包括几下几种：

粒子群算法，该算法源于复杂适应系统(Complex Adaptive System，CAS)。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生(小鸟的出生)；分化和多样性的出现(鸟群中的鸟分成许多小的群)；新的主题的出现(鸟寻找食物过程中，不断发现新的食物)。

人工鱼群算法，该算法是李晓磊等人于2002年在动物群体智能行为研究的基础上提出的一种新型方盛优化算法，该算法根据水域中鱼生存数目最多的地方就是本水域中富含营养物质最多的地方这一特点来模拟鱼群的觅食行为而实现寻优。算法主要利用鱼的三大基本行为：觅食、聚群和追尾行为，采用自上而下的寻优模式从构造个体的底层行为开始，通过鱼群中各个体的局部寻优，达到全局最优值在群体中凸显出来的目的。

在波浪发电系统中，以上两种智能算法在功率跟踪上与纵横交叉算法的应用实质是相通的，都是通过目标函数寻找波浪发电装置的最优阻尼参数和弹性参数，使得波浪能捕获率最大。但是，以上两种算法与纵横交叉算法具有相似的缺点：收敛速度较慢，局部搜索能力较差。

可见，如何解决传统计算波浪发电装置最优参数的算法收敛速度较慢、局部搜索能力不理想的问题，亟待本领域技术人员解决。

发明内容

本发明的目的是提供一种确定波浪发电装置参数的方法、装置、设备以及一种计算机可读存储介质，用以解决传统计算波浪发电装置最优参数的算法收敛速度较慢、局部搜索能力不理想的问题。

为解决上述技术问题，本发明提供了一种确定波浪发电装置参数的方法，包括：

预先设置迭代次数、适应度目标函数、以及种群数量，并确定初始参数矩阵，所述初始参数矩阵包括所述种群数量的初始参数，所述初始参数包括波浪发电装置的阻尼参数和弹性参数；

在迭代开始时，利用差分变异算法根据所述初始参数确定变异参数；

利用纵向交叉算法根据所述第一参数确定纵向交叉参数；