[发明专利]选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法

说明书

选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法，首先设定一档选秀类节目的相应规则，再根据所设定的规则构建DCA的数学模型以及相应结构框架，然后将所提算法应用到12个测试函数中进行收敛精度、迭代速度等方面的测试。最后，将DCA与光伏系统中的最大功率点追踪MPPT技术相结合。本发明提出了一种新型群智能优化算法，与PSO、WOA、ALO、SSA、GWO一起在12个测试函数中进行了收敛精度、迭代速度、稳定性等方面的测试，结果表明本发明具有非常强的全局搜索能力和鲁棒性。最后，将本发明与扰动观察法一起应用到光伏系统中的最大功率追踪技术中，结果表明本发明能够比扰动观察法更快的寻找到最大功率点的位置。

技术领域

本发明涉及群智能优化算法及其应用技术领域，具体是一种选秀竞争算法DCA及基于该算法的光伏系统最大功率点跟踪方法。

背景技术

近年来，群智能优化算法在工程实际中的应用越来越重要，在工程设计的很多方面，都存在优化问题，如背包问题，电力系统中的优化调度控制、无人机的路线规划、图像处理、数据聚类和通信编码等。群智能优化算法与其他方法的不同之处在于其在搜索过程中引入了随机性，以至于其不易陷入局部最优，因此，群智能算法在求解全局性优化问题时具有非常重要的意义。

智能算法在过去的几十年里得到了飞速的发展，已经有许多国内外学者提出了一些优秀的群智能优化算法。常用的群智能优化算法包括粒子群优化算法、遗传算法、蚁狮算法、鲸鱼算法等。同时，已有大量文献将智能优化算法应用到多个工程领域中，例如将蚁群算法应用于大规模无人集群的控制，提高了无人集群对环境的自主适应力，但其计算量大，迭代时间过长，效率不高；粒子群算法运用到无人机线路规划上，提高了收敛精度，但收敛速度仍然较慢；鲸鱼算法与控制器的参数整定相结合，使得控制系统的鲁棒性更强，但也有着全局搜索能力不足，寻优精度低等问题。因此，有大量的学者置身于新算法的提出工作，用于解决工程应用中不同的问题，新算法的提出也为一些复杂的全局优化问题提供了一种新的解决方案。

大多数优化算法是基于自然界中生物特性的启发所提出的，或是通过模拟物理规则所提出的。可是很少有人会注意到人类本身的一些社会性活动里也包含着寻优的思想。例如:在学校里学生们总是通过不断的学习竞争取得最好的成绩、比赛中参赛选手们也不断的去提升自己从而夺得冠军、一些综艺节目中也有着寻优的思想。

发明内容

针对现有的群智能优化算法应用到工程领域中存在着收敛精度不高、收敛速度慢、结构复杂等不足。本发明提供一种结构简单、寻优效果好、鲁棒性好的智能优化算法：选秀竞争算法DCA。将该选秀竞争算法DCA在12个测试函数上进行收敛精度、稳定性等方面进行测试，与粒子群算法(PSO)、鲸鱼算法(WOA)、蚁狮算法(ALO)、麻雀搜索算法(SSA)、灰狼优化算法(GWO)相比，该算法具有更好的收敛精度和稳定性。最后，本发明与光伏系统中的最大功率点追踪MPPT技术相结合，提出一种基于该选秀竞争算法DCA的光伏系统最大功率点跟踪方法，与扰动观察法相比，选秀竞争算法DCA能够更快寻找到光伏系统中的最大功率点。

本发明采取的技术方案为：

选秀竞争算法DCA，

S1：设置选秀类节目的特征因素，包含：

①参赛者的自身情况都各不相同；

②比赛时，根据各个参赛者的情况对其进行评估排名；

③不断的训练参赛者，最后通过比赛选出最优者；

S2：设置选秀类节目的相应规则，包含：

①、节目组根据评分标准，对每个参赛者进行综合评估排名，按照综合评估排名的结果，将每个参赛者划分到“优秀组”和“一般组”两组中；