基于粒子群优化的MPPT控制

原创 于 2022-11-01 11:06:28 发布 · 492 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#matlab #c语言 #c# #算法

本文介绍了一种将细菌觅食优化算法(BFOA)与粒子群优化算法(PSO)相结合用于脉冲宽度调制(PWM)控制的方法。通过调整PWM的占空比实现最大功率点跟踪(MPPT)，适用于光伏等可再生能源系统。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

仿真图：

完整代码：

function [sys,x0,str,ts] = BFOA_PSO_pwm(t,x,u,flag)

%
%u为输入变量，u(1)为电流，u(2)为电压
%

persistent first;
persistent stop;
persistent i;
persistent mg;
persistent count;
persistent Uin;

%Initialize the parameters
NP = 6;        %细菌种群数量
Ped = 0.005;    %迁移概率，按照(NU-NL)/(NP*40)计算
%CR = 0.5;       %可以控制收敛速度

XL = -1;        %修改为pwm基准源最大最小值，[-1,1]
XU = 1;

maxgen = 100;
Nc = 4;
Nre = 3;
MaxStep = 0.1; %迁移的最大速度

persistent w ;
persistent Gbest;
%persistent Gmaxval;

persistent D_out;               %输出给sys
persistent D_out_current;
%persistent U;               %不再使用
%persistent V;
persistent fitval_current;
persistent fitval_new;



persistent stable_flag;     %电路进入稳定状态标记
persistent stable_count;    %电路未稳定时，进行计数

persistent fit_order;

persistent Nc_count;
persistent Nre_count;
persistent MoveStep;
persistent MoveStep_PSO;


persistent Pbest;
%persistent Pbestval;

persistent best_index;

persistent c1;
persistent c2;
persistent r1;
persistent r2;

switch flag,
    case 0,
        sizes = simsizes;
        sizes.NumContStates = 0;
        sizes.NumDiscStates = 0;
        sizes.NumOutputs     = 1;
        sizes.NumInputs      = 2;
        sizes.DirFeedthrough = 0;
        sizes.NumSampleTimes = 1;
        sys = simsizes(sizes);
        x0=[];
        str=[];
        ts=[0.004 ,0.001];

        % initialize the static variables
        first = 1;
        stop = 0;
        i = 0;
        mg = 0;
        count = 3;
        Nc_count = 0;
        Nre_count = 0;
        D_out = zeros(1, NP);                       %初始化D_out、U、fitval_current、fitval_new为全0
        D_out_current = zeros(1,NP);
        best_index = 1;
        %U = zeros(1, NP);
        %V = zeros(1, NP);
        fitval_current = zeros(1, NP);
        fitval_new = zeros(1, NP);
        
        fit_order = zeros(1, NP);
        

        Pbest = zeros(1, NP);
        Gbest = 0;
        %Gmaxval = 0;
        %X(:) = unifrnd(XL, XU, 1,NP)
        D_out_current(:) = linspace(XL+0.005,XU-0.005,NP);                 %在[-1,1]间均匀取值
        D_out(:) = D_out_current(:);
        MoveStep = unifrnd(-MaxStep, MaxStep, 1,NP);   %初始化单个细菌的移动速度
        MoveStep_PSO = zeros(1, NP);
        stable_flag = 1;                               %初始化，电路未稳定
        stable_count = 0;
        
        c1 = 0.030;
        c2 = 0.030;
        r1 = rand();
        r2 = rand();

    case 3,
        %if count == 3
         %count = count + 1;
            count = 1;
        %迭代完成，输出最优值
        if stop == 1;
            [best, best_index]= max(fitval_current);
            sys = D_out(best_index);
            return;
        end          
        %判断是否迭代完成
        if mg > maxgen
            stop = 1;
        end
        
        if mg == 0  % 第一代，只进行迭代，然后计算各自功率,作为初始比较功率fitval_current   
            
            if i == 0
                i= i + 1;
                sys = D_out_current(1);  
            elseif i > 1 && i < NP
                fitval_current(i-1) = adaptfunc(D_out_current(i-1),Uin);   %记录第一代的上一个个体的功率
                Pbest(i-1) = D_out_current(i-1);
                i= i + 1;
                sys = D_out_current(i);            
            elseif i == NP
                fitval_current(i-1) = adaptfunc(D_out_current(i-1),Uin);
                Pbest(i-1) = D_out_current(i-1);
                i= i + 1;
                sys = D_out_current(NP);
            elseif i == NP + 1
                fitval_current(i-1) = adaptfunc(D_out_current(i-1),Uin);
                Pbest(i-1) = D_out_current(i-1);
                [best, best_index]= max(fitval_current);
                Gbest = D_out_current(best_index);
                 i = 1;
                 Nc_count = Nc_count + 1;
                 Nre_count = Nre_count + 1;
                 mg = mg + 1;
                 for j = 1 : NP                       %第一代种群中个体进行游动
                    MoveStep_PSO = c1*r1*(Pbest(j)-D_out_current(j)) + c2*r2*(Gbest-D_out_current(j));
                    D_out(j) = D_out_current(j)+ MoveStep(j) + MoveStep_PSO;
                    if D_out(j) <= XL
                            D_out(j) = XL+0.001;
                        elseif D_out(j) >= XU
                            D_out(j) = XU-0.001;
                    end
                 end
                 sys = D_out(1);            
            else
                i= i + 1;
                sys = D_out_current(i);            
            end
            
            return;
            
        else   %第一代之后      
            
            if i > 1 && i < NP
                fitval_new(i-1) =adaptfunc(D_out(i-1), Uin);      %计算前一次占空比下的功率
                Pbest(i-1) = D_out(i-1);
                i = i + 1;
                sys = D_out(i);
            elseif i == NP
                fitval_new(i-1) =adaptfunc(D_out(i-1), Uin);
                Pbest(i-1) = D_out(i-1);
                i = i + 1;
                sys = D_out(NP);
            elseif i == 1
                i = i + 1;            
                sys = D_out(i);       
            elseif i == NP + 1 %种群迭代一次结束，开始进行新的一代种群繁殖                            
                %趋向性操作,判定运动方向
                fitval_new(i-1) =adaptfunc(D_out(i-1), Uin);
                Pbest(i-1) = D_out(i-1);
                r1 = rand();
                r2 = rand();
                for j = 1 : NP
                if (fitval_new(j) >= fitval_current(j))
                    D_out_current(j) = D_out(j);
                    fitval_current(j) =  fitval_new(j);
                else
                    MoveStep(j) = - MoveStep(j);  %若该方向功率未改进，说明不适应生存，改变方向运动
                end       
                end
                
                c1 = c1/3;
                c2 = c2/3;

                 D_out(:)                              %打印最新的占空比
                [best, best_index]= max(fitval_current);  %计算最大功率点，best为最大功率，best_index为最大功率点在种群中的位置            
                mg
                D_out(best_index)                   %显示最大功率点的占空比
                %Gbest = U(best_index)               %显示最大功率点的电压
                %Gmaxval = best                      %显示最大功率点的功率
                best
                fit_order = order(fitval_current,NP)    %显示当前种群功率从大到小顺序
 
                Gbest = D_out(best_index);
                % mutation
                if Nc_count == Nc %进行满Nc次趋向性操作            
                    Nc_count = 0;
                    Nre_count = Nre_count + 1;
                    %复制操作
                    MaxStep = MaxStep/2;
                    MoveStep = unifrnd(-MaxStep,MaxStep,1,NP);                 %每Nc次繁殖生成一次新的随机步长
                    [fitval_current,D_out_current]=Reproduction(fitval_current,D_out_current,NP);      %复制
                    D_out=D_out_current;
                    if Nre_count == Nre %进行满Nre次复制操作后迁移操作
                        Nre_count = 0;
                        for j=1:NP
                        if(rand(0,1)<Ped)
                            fitval_current = 0;
                            %MoveStep(i) = unifrnd(-MaxStep,MaxStep);
                            D_out(j) = unifrnd(XL,XU);
                        end
                        end
                    end
                else
                    Nc_count = Nc_count + 1;
                    for j=1:NP
                        MoveStep_PSO = c1*r1*(Pbest(j)-D_out(j)) + c2*r2*(Gbest-D_out(j));
                        D_out(j) = D_out(j) + MoveStep(j) + MoveStep_PSO;
                        if D_out(j) <= XL
                            D_out(j) = XL+0.001;
                        elseif D_out(j) >= XU
                            D_out(j) = XU-0.001;
                        end
                    end                
                end          
            %为下一次迭代做准备
            sys = D_out(1);
            i = 1;
            mg = mg +1;
            end
        end
        return;
      
    case 2,
        Uin = u;
    case {1,4,9},
        sys = [];
end

function ret=adaptfunc(d, u)
ret = u(1) * u(2);


function [fitval_current,X]=Reproduction(fitval_current,X,NP)

for i=1:NP                         %排序
    for j=i:NP
        if fitval_current(i)<fitval_current(j)
            temp=fitval_current(i);
            fitval_current(i)=fitval_current(j);
            fitval_current(j)=temp;
            temp=X(i);
            X(i)=X(j);
            X(j)=temp;
        end
    end
end
for i=1:NP/2                %复制
    fitval_current(NP-i+1)=fitval_current(i);
    X(NP-i+1)=X(i);
end


function [fit_order]=order(fitval_current,NP)
fit_order=fitval_current;
for i=1:NP
    for j=i:NP
        if fit_order(i)<fit_order(j)
            temp=fit_order(i);
            fit_order(i)=fit_order(j);
            fit_order(j)=temp;
        end
    end
end

 仿真文件：

基于粒子群优化的MPPT控制_MPPT的粒子群优化算法的仿真-电子商务文档类资源-CSDN文库

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

学习不好的电气仔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值