下载文档原格式
—265—基于粒子群优化的光伏系统MPPT 控制方法刘艳莉，周 航，程 泽(天津大学电气与自动化工程学院，天津 300072)摘 要：局部遮阴条件下光伏阵列P-V 特性引起的多个极值点使常规的最大功率点跟踪(MPPT)算法失效。
针对上述问题，提出一种基于粒子群优化算法的控制方法，以解决局部遮阴下的最大功率跟踪问题。
实验结果显示，光伏模板的输出电压被稳定地控制在最大功率点附近，证明算法是有效的。
关键词：最大功率点跟踪；粒子群优化算法；局部遮阴MPPT Control Method of PV System Based on PSOLIU Yan-li, ZHOU Hang, CHENG Ze(School of Electrical Engineering and Automation, Tianjin University, Tianjin 300072)【Abstract 】Under partially shaded conditions, the P-V curve of PV arrays has the characteristics of multi-summit, which makes the Maximum Power Point Tracking(MPPT) failed. Aiming at above problem, this paper proposes a control algorithm based on Particle Swarm Optimization(PSO) algorithm for solving maximum power point tracking problem. Experimental results show that output voltage of PV system is maintained near maximum power point, and the algorithm is effective.【Key words 】Maximum Power Point Tracking(MPPT); Particle Swarm Optimization(PSO) algorithm; partially shaded conditions计 算 机 工 程 Computer Engineering 第36卷 第15期Vol.36 No.15 2010年8月August 2010·开发研究与设计技术·文章编号：1000—3428(2010)15—0265—03文献标识码：A中图分类号：TP3931 概述对于户型光伏一体化发电系统，局部遮阴情况是最为普遍和复杂的。
粒⼦群优化算法（PSO）1、粒⼦群优化算法（Partical Swarm Optimization PSO），粒⼦群中的每⼀个粒⼦都代表⼀个问题的可能解，通过粒⼦个体的简单⾏为，群体内的信息交互实现问题求解的智能性。
2、粒⼦群算法最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅⾷⾏为的研究。
设想这样⼀个场景：⼀群鸟在随机搜寻⾷物，在这个区域⾥只有⼀块⾷物，所有的鸟都不知道⾷物在哪⾥，但是它们知道当前的位置离⾷物还有多远。
最简单有效的策略？寻找鸟群中离⾷物最近的个体来进⾏搜素。
PSO算法就从这种⽣物种群⾏为特性中得到启发并⽤于求解优化问题。
⽤⼀种粒⼦来模拟上述的鸟类个体，每个粒⼦可视为N维搜索空间中的⼀个搜索个体，粒⼦的当前位置即为对应优化问题的⼀个候选解，粒⼦的飞⾏过程即为该个体的搜索过程．粒⼦的飞⾏速度可根据粒⼦历史最优位置和种群历史最优位置进⾏动态调整．粒⼦仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的⽅向。
每个粒⼦单独搜寻的最优解叫做个体极值，粒⼦群中最优的个体极值作为当前全局最优解。
不断迭代，更新速度和位置。
最终得到满⾜终⽌条件的最优解。
3、算法流程如下：1、初始化⾸先，我们设置最⼤迭代次数，⽬标函数的⾃变量个数，粒⼦的最⼤速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒⼦群规模为M，每个粒⼦随机初始化⼀个飞翔速度。
2、个体极值与全局最优解定义适应度函数，个体极值为每个粒⼦找到的最优解，从这些最优解找到⼀个全局值，叫做本次全局最优解。
与历史全局最优⽐较，进⾏更新。
3、更新速度和位置的公式4、终⽌条件（1）达到设定迭代次数；（2）代数之间的差值满⾜最⼩界限以上就是最基本的⼀个标准PSO算法流程。
和其它群智能算法⼀样，PSO算法在优化过程中，种群的多样性和算法的收敛速度之间始终存在着⽭盾．对标准PSO算法的改进，⽆论是参数的选取、⼩⽣境技术的采⽤或是其他技术与PSO的融合，其⽬的都是希望在加强算法局部搜索能⼒的同时，保持种群的多样性，防⽌算法在快速收敛的同时出现早熟收敛。
基于改进粒子群算法的工程设计优化问题研究在当今的工程领域，优化设计问题至关重要。
它不仅能够提高工程产品的性能和质量，还能有效降低成本和缩短研发周期。
而粒子群算法作为一种强大的优化工具，在解决工程设计优化问题方面展现出了巨大的潜力。
然而，传统的粒子群算法在某些复杂的工程问题中可能存在局限性，因此对其进行改进成为了研究的热点。
粒子群算法的基本原理是模拟鸟群觅食的行为。
在算法中，每个粒子代表问题的一个潜在解，它们在解空间中飞行，通过不断调整自己的速度和位置来寻找最优解。
粒子的速度和位置更新取决于其自身的历史最优位置和整个群体的历史最优位置。
这种简单而有效的机制使得粒子群算法在处理许多优化问题时表现出色。
然而，在实际的工程设计优化中，问题往往具有高维度、多约束和非线性等特点，这给传统粒子群算法带来了挑战。
例如，在高维度空间中，粒子容易陷入局部最优解；多约束条件可能导致算法难以满足所有约束；非线性特性则可能使算法的搜索变得困难。
为了克服这些问题，研究人员提出了多种改进粒子群算法的策略。
其中一种常见的方法是引入惯性权重。
惯性权重的引入可以控制粒子的飞行速度，使其在搜索过程中更好地平衡全局搜索和局部搜索能力。
较大的惯性权重有利于全局搜索，能够帮助粒子跳出局部最优；较小的惯性权重则有助于在局部区域进行精细搜索，提高解的精度。
另一种改进策略是对粒子的学习因子进行调整。
学习因子决定了粒子向自身历史最优位置和群体历史最优位置学习的程度。
通过合理设置学习因子，可以提高算法的收敛速度和搜索效率。
此外，还有一些研究将粒子群算法与其他优化算法相结合，形成混合算法。
例如，将粒子群算法与遗传算法相结合，利用遗传算法的交叉和变异操作来增加种群的多样性，避免算法早熟收敛。
在工程设计优化问题中，改进粒子群算法已经取得了许多显著的成果。
以机械工程中的结构优化设计为例，通过改进粒子群算法，可以在满足强度、刚度等约束条件的前提下，优化结构的形状、尺寸和材料分布，从而减轻结构重量，提高结构的性能。
基于粒子群算法的逆变电路P』D控制摘要：针对逆变控制系统中PID控制器参数整定困难的问题，提出了基于粒子群算法的逆变电路PID控制器设计方法。
通过推导逆变电路模型得到逆变电路传递函数，以该传递函数作为PID控制对象，利用粒子群算法搜索PID参数。
MA TLAB仿真结果证明了该方法的可行性和优越性。
与采用遗传算法相比较，该粒子群算法能更快的获得合适的PID控制参数，所需迭代次数更少。
关键词：粒子群算法PID控制逆变电路遗传算法Abstract：A method of designing a PID controller to control the inverter circuit is provided，which bases on the Particle Swarm Optimization and focuses on the PID controller parameter tuning issue.A transfer function is deduced from the inverter circuit model and is used as a control object of the PID controller.The PSO is used to search the best PID parameters.MA TLAB simulation results demonstrated the feasibility and advantages of this pared with the genetic algorithm，the particle swarm algorithm can be faster to get the proper PID control parameters and required less the number of iterations.Key Words：PSO PID controller GA inverter circuitPID控制器是按比例、微分和积分线性组合起来的一种调节器，由于其算法简单、鲁棒性好、可靠性高等特点被广泛于逆变器控制等工业控制领域。
基于粒子群算法求解多目标优化问题一、本文概述随着科技的快速发展和问题的日益复杂化，多目标优化问题在多个领域，如工程设计、经济管理、环境保护等，都显得愈发重要。
传统的优化方法在处理这类问题时，往往难以兼顾多个目标之间的冲突和矛盾，难以求得全局最优解。
因此，寻找一种能够高效处理多目标优化问题的方法，已成为当前研究的热点和难点。
粒子群算法（Particle Swarm Optimization, PSO）作为一种群体智能优化算法，具有收敛速度快、全局搜索能力强等优点，已经在多个领域得到了广泛应用。
近年来，粒子群算法在多目标优化问题上的应用也取得了显著的成果。
本文旨在探讨基于粒子群算法求解多目标优化问题的原理、方法及其应用，为相关领域的研究提供参考和借鉴。
本文首先介绍多目标优化问题的基本概念和特性，分析传统优化方法在处理这类问题时的局限性。
然后，详细阐述粒子群算法的基本原理和流程，以及如何将粒子群算法应用于多目标优化问题。
接着，通过实例分析和实验验证，展示基于粒子群算法的多目标优化方法在实际问题中的应用效果，并分析其优缺点。
对基于粒子群算法的多目标优化方法的发展趋势和前景进行展望，为未来的研究提供方向和建议。
二、多目标优化问题概述多目标优化问题（Multi-Objective Optimization Problem, MOP）是一类广泛存在于工程实践、科学研究以及社会经济等各个领域中的复杂问题。
与单目标优化问题只寻求一个最优解不同，多目标优化问题涉及多个相互冲突的目标，这些目标通常难以同时达到最优。
因此，多目标优化问题的解不再是单一的最优解，而是一组在各个目标之间达到某种平衡的最优解的集合，称为Pareto最优解集。
多目标优化问题的数学模型通常可以描述为：在给定的决策空间内，寻找一组决策变量，使得多个目标函数同时达到最优。
这些目标函数可能是相互矛盾的，例如，在产品设计中，可能同时追求成本最低、性能最优和可靠性最高等多个目标，而这些目标往往难以同时达到最优。
基于微粒群算法的PID参数优化及其在电阻炉温度控制中的应用摘要：pid控制在工业上广泛应用；但是pid参数整定困难。
该文提出一种改进的微粒群算法，进行pid参数寻优，并应用于电阻炉温度控制。
仿真证明了该算法能有效地实现pid参数整定，应用于电阻炉温度控制时，具有响应快，超调小等优点。
关键词：微粒群算法；参数寻优；pid；电阻炉中图分类号：tp393 文献标识码：a 文章编号：1009-3044（2013）11-2729-02pid控制由于结构简单，且物理意义明确，被广泛应用于工业过程；虽然pid控制具有较好的稳态特性，但是pid参数调节相当困难。
pid参数整定引起了众多学者的关注与研究，文献[1]采用混沌的方法进行pid参数整定，文献[2]采用bp神经网络进行pid参数整定，文献[3]采用遗传算法进行pid参数整定，文献[4]采用蚁群算法进行pid参数整定，文献[5-6]采用改进的微粒群算法进行pid 参数整定。
混沌方法虽然可以遍历整个优化空间，但是寻优具有一定盲目性；bp神经网络收敛速度太慢，遗传算法易早熟，稳定性差；蚁群算法收敛速度慢、易陷入局部最优，蚁群算法中初始信息素匮乏；微粒群算法由于寻优速度快，算法简单，在工业过程中得到了广泛的应用，但是收敛性较差，容易陷入局部最优。
该文提出了一种伪并行的微粒群算法，利用该算法进行pid参数的整定，并将其应用于电阻炉温度控制，仿真结果表明，该文提出的算法非常有效。
1 数字pid简介离散的pid表达式如（1）式所示[]：[u（k）=kpe（k）+kij=0ke（j）t+kde（k）-e（k-1）t] （1）其中[kp]，[ki]，[kd]为pid参数，[t]为采样周期。
进行pid参数寻优时，采用（2）式做为性能指标[7]：[j=min[i=0ts（g1e（k）t+g2u2（k））]] （2）[g1]、[g2]为系数，根据具体情况确定。
2 微粒群算法原理pso（particle swarm optimization）算法由于简单，易于实现，得到了广泛应用，如（3）式和（4）式所示[vid=w ?vid+c1 ?rand（） ?（pid-xid）+c2*rand（）*（pgd-xid）] （3）[xid=xid+vid] （4）公式中参数的具体意义参考文献[6]。
粒子群优化算法论文粒子群优化算法摘要近年来，智能优化算法—粒子群算法（particle swarm optimization，简称PSO）越来越受到学者的关注。
粒子群算法是美国社会心理学家JamesKennedy 和电气工程师Russell Eberhart在1995年共同提出的，它是受到鸟群社会行为的启发并利用了生物学家Frank Heppner的生物群体模型而提出的。
它用无质量无体积的粒子作为个体，并为每个粒子规定简单的社会行为规则，通过种群间个体协作来实现对问题最优解的搜索。
由于算法收敛速度快，设置参数少，容易实现，能有效地解决复杂优化问题，在函数优化、神经网络训练、图解处理、模式识别以及一些工程领域都得到了广泛的应用。
PSO是首先由基于不受约束的最小化问题所提出的基于最优化技术。
在一个PSO系统中，多元化解决方案共存且立即返回。
每种方案被称作“微粒”，寻找空间的问题的微粒运动着寻找目标位置。
一个微粒，在他寻找的时间里面，根据他自己的以及周围微粒的经验来调整他的位置。
追踪记忆最佳位置，遇到构建微粒的经验。
因为那个原因，PSO占有一个存储单元（例如，每个微粒记得在过去到达时的最佳位置）。
PSO系统通过全局搜索方法（通过）搜索局部搜索方法（经过自身的经验），试图平衡探索和开发。
粒子群优化算法是一种基于群体的自适应搜索优化算法，存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点，为此提出了一种改进的粒子群优化算法，从初始解和搜索精度两个方面进行了改进，提高了算法的计算精度，改善了算法收敛性，很大程度上避免了算法陷入局部极小．对经典函数测试计算，验证了算法的有效性。
关键词：粒子群优化算法；粒子群；优化技术；最佳位置；全局搜索;搜索精度Particle swarm optimization (PSO) algorithm is a novel evolutionary algorithm. It is a kind of stochastic global optimization technique. PSO finds optimal regions of complex search spaces through the interaction of individualsin a population of particles. The advantages of PSO lie in simple and powerful function. In this paper , classical particle swarm optimization algorithm , thepresent condition and some applications of the algorithms are introduced , and the possible research contents in future are also discussed.PSO is a population-based optimization technique proposed firstly for the above unconstrained minimization problem. In a PSO system, multiple candidate solutions coexist and collaborate simultaneously. Each solution called a ‘‘particle’’, flies in the problem sear ch space looking for the optimal position to land. A particle, as time passes through its quest, adjusts its position according to its own ‘‘experience’’ as well as the experience of neighboring particles. Tracking and memorizing the best position encountered build particle_s experience. For that reason, PSO possesses a memory (i.e. every particle remembers the best position it reached during the past). PSO system combines local search method(through self experience) with global search methods (through neighboring experience), attempting to balance explorationand exploitation.Abstract Particle Swarm Optimization Algorithm is a kind of auto-adapted search optimization based on community.But the standard particle swarm optimization is used resulting in slow after convergence, low search precision and easily leading to local minimum. A new Particle Swarm Optimization algorithm is proposed to improve from the initial solution and the search precision. The obtained results showed the algorithm computation precision and the astringency are improved,and local minimum is avoided. The experimental results of classic functions show that the improved PSO is efficientand feasible.Key words ：particle swarm optimization algorithms ; unconstrained minimization problem;the bestposition;global search methods; the search precision目录一．引言二．PSO算法的基本原理和描述（一）概述（二）粒子群优化算法（三）一种改进型PSO算法——基于遗传交叉因子的粒子群优化算法简介1 自适应变化惯性权重2 交叉因子法（四） PSO与GA算法的比较1 PSO算法与GA算法2 PSO算法与GA算法的相同点3 PSO算法与GA算法的不同点三．PSO算法的实现及实验结果和仿真（一）基本PSO算法（二）算法步骤（三）伪代码描述（四）算法流程图（五）六个测试函数的运行结果及与GA算法结果的比较四结论五. 致谢六．参考文献一、引言混沌是一种有特点的非线形系统，它是一种初始时存在于不稳定的动态状态而且包含着无限不稳定时期动作的被束缚的行为。
基于代理模型的粒子群优化算法粒子群优化算法（Particle Swarm Optimization，PSO）是一种
基于代理模型的全局优化算法，它模拟了鸟群或鱼群等动物的群体行为，通过不断地搜索更新“粒子”（即代理）的位置和速度，最终找
到全局最优解。
PSO算法的基本思想是将一组代理（粒子）随机初始化在解空间中，然后根据其当前的位置和速度，通过一定的策略调整其移动方向和速率，使得其逐渐向全局最优解的方向移动。
在这个过程中，对于每个
代理的当前位置，会根据某种评价函数给出对应的适应度值，帮助粒
子调整自身状态，进而实现全局优化。
PSO算法的优点在于其较为简单的实现和高效的搜索能力。
同时，它还可以应用于很多领域，例如：神经网络、模糊控制、信号处理等。
在实际应用中，必须根据具体问题进行相应的参数调整及优化，
才可以获得不错的优化结果。
此外，为了增加算法的鲁棒性和稳定性，通常还需要引入一些特殊的策略，例如：惯性权重、差分进化、混沌
算法等。
总之，基于代理模型的粒子群优化算法是一种非常有指导意义的
算法，在实际求解问题时可以试用，并且应针对具体问题进行优化。
基于免疫网络粒子群的混沌系统自抗扰优化控制策略【摘要】基于免疫网络粒子群算法设计了一种新的自抗扰控制器模型，克服了困扰自抗扰控制器参数优化整定的难题，实验结果表明新自抗扰控制器具有寻优精度高、响应速度快和抗干扰能力强的特点。
【关键词】自抗扰控制器免疫网络粒子群算法控制器优化1 引言自抗扰控制器（Active Disturbance Rejection Controller，简称ADRC）[1]继承了PID控制器的优点，其控制精度高、响应快、参数适应性广以及抗干扰性强，对外部扰动具有良好的鲁棒性，近年来在工业控制中得到了广泛应用。
自抗扰控制器能否充分发挥其优越性的关键在于控制器参数能否得到最优配置。
由于自抗扰控制器（ADRC）需整定的参数较多，其整定效果主要取决于整定者的技术水平和经验，而具整定时不可避免地会遇到局部极值问题，所以ADRC参数整定是目前ADRC研究的热点问题。
对该问题的研究，文献[2]基于时间尺度优化的ADRC参数整定取得了一定的效果；文献[3]研究了基于人工神经网络的自抗扰控制器参数优化；文献[4]提出了基于自适应遗传算法的自抗扰控制器参数优化方法；文献[5]将自适应人工免疫算法应用于自抗扰控制器参数优化。
但这些方法的时间开销较大且容易陷入局部最优，如何获得一组较优的自抗扰控制器的参数，使控制系统具有更好的控制品质，仍是目前自抗扰控制技术研究的关键课题。
本文将免疫网络粒子群算法（Immune Network Particle Swarm Optimization，INPSO）[6]与自抗扰控制理论相结合，设计了一种基于免疫网络粒子群算法的智能自抗扰控制器（INPSO-ADRC）。
利用免疫网络粒子群算法的强优化能力，对自抗扰控制器的参数进行优化整定，并应用于非线性系统和混沌系统控制。
2 自抗扰控制器基本原理自抗扰控制器（ADRC）是针对一类非线性不确定系统提出的一种非线性控制器，图1是自抗扰控制器结构图，ADRC主要由三部分所构成，分别是跟踪微分器（tracking differentiator，TD）、扩张状态观测器（extended state observer，ESO）和非线性状态误差反馈律（non-linear states error feedback，NLSEF）。
基于粒子群算法的多目标优化问题研究1.引言多目标优化问题是现代工程设计和决策中经常遇到的问题之一，因为现实中往往需要优化多个目标。
传统的单目标优化问题只考虑一个目标函数，因此无法很好地解决多目标优化问题。
粒子群算法（Particle Swarm Optimization，PSO）是一种启发式优化算法，它已经广泛应用于多个领域中的优化问题。
本文将介绍粒子群算法以及基于粒子群算法的多目标优化问题研究。
2.粒子群算法原理粒子群算法是一种通过模拟自然界中鸟群或鱼群等生物群体行为来进行优化的算法，该算法由Eberhart和Kennedy在1995年提出。
粒子群算法将优化问题看作是在一个多维空间中的搜索问题，将解空间中的每一个可能的解看作一个粒子，各个粒子按照一定规则进行搜索，不断更新粒子位置和速度来寻找全局最优解。
在粒子群算法中，每个粒子都有位置和速度两个向量，位置向量表示当前的解，速度向量表示粒子的移动方向和速度大小。
在搜索过程中，每个粒子会记录自己目前找到的最优解，而全局最优解则是所有粒子的最优解中的最优解。
搜索过程中，粒子按照自身的最优解和全局最优解来调整速度和位置，以期望找到某个局部最优解，最终在搜索过程结束时得到全局最优解。
3.基于粒子群算法的多目标优化问题研究多目标优化问题需要同时优化多个目标函数，这些目标函数往往是相互矛盾的，因此需要找到一组解，这些解可以尽可能地满足多个目标函数的要求。
本章将介绍基于粒子群算法的多目标优化问题研究的方法。
3.1 基本方法在基于粒子群算法的多目标优化问题研究中，最常用的方法是多目标粒子群算法（Multi-objective Particle Swarm Optimization，MOPSO）。
该算法通过对粒子速度和位置的调整，以期望找到多个目标函数的 Pareto 前沿（Pareto Front），并从中选择最优解。
MOPSO 算法中，每个粒子的位置和速度向量都需要根据多个目标函数来计算。
基于粒子群算法与改进Ziegler-Nichols 算法的PID整定方法聂善坤;王宇嘉;苏坤【摘要】针对Ziegler-Nichols算法设计的PID控制器阶跃响应不理想,不具有灵活性等缺点,提出基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法.采用粒子群算法优化了Ziegler-Nichols算法中的幅值和相角,设计了具有更好性能指标的PID控制器.实验结果表明采用该方法进行参数整定后的PID控制器响应速度较快,降低了系统的超调量.【期刊名称】《轻工机械》【年(卷),期】2016(034)001【总页数】4页(P43-46)【关键词】PID控制器;粒子群算法;改进Ziegler-Nichols算法;响应速度【作者】聂善坤;王宇嘉;苏坤【作者单位】上海工程技术大学电子电气工程学院,上海201620;上海工程技术大学电子电气工程学院,上海201620;上海工程技术大学电子电气工程学院,上海201620【正文语种】中文【中图分类】TP273Ziegler-Nichols(Z-N)的PID整定方法在工程快速计算方面具有很大的影响力，它的频率响应方法是通过PID控制器的临界振荡试验获得被控对象重要的临界频率响应特性，并根据经验给出相应的PID参数经验公式。
Z-N整定方法的优点在于在计算过程中不需要另外建立任何对象控制模型，简单实用，所以目前该方法在自动控制领域中仍被广泛采用。
然而，Z-N整定方法得到的PID控制器的阶跃响应曲线不是很理想，从而提出了改进的Z-N算法[1]，通过设定被控对象频域的期望幅值和相角来设计PID控制器；但是不足之处在于需要事先确定期望幅值和相角，不具有灵活性与优化空间。
粒子群算法(particle swarm optimization, PSO)[2-4]具有计算过程简单、收敛速度快和可调参数少等优点，适用于参数的快速优化。
文章采用粒子群算法调节待优化参数，以期在最短时间内达到最优的阶跃响应。
