一種基于多目標優化的光伏系統最大功率點的獲取方法

一種基于多目標優化的光伏系統最大功率點的獲取方法
【專利摘要】本發明公開了一種基于多目標優化的光伏系統最大功率點的獲取方法，其特征是按如下步驟進行：1將光伏系統最大功率點的跟蹤問題轉換為如式(1)所示的多目標優化問題：2利用多目標優化方法對所述多目標優化問題進行優化，得到最大功率點所對應的電壓和電流。本發明僅需檢測外界環境，即可獲得到光伏系統在該環境下的最大功率點，并達到提高最大功率點精度的目的。
【專利說明】
一種基于多目標優化的光伏系統最大功率點的獲取方法
技術領域
[0001] 本發明涉及光伏系統最大功率點技術領域，更具體地說是一種基于多目標優化的 光伏系統最大功率點的獲取方法。
【背景技術】
[0002] 光伏發電系統在特定的環境條件下，僅存在一個最大輸出功率點。一旦其工作點 偏離最大功率點，太陽能電池的輸出功率就會急劇減小。因此，為了最大限度的利用光伏發 電系統的能量、提高系統的效率，就要根據外界環境的變化來不斷調整光伏系統的工作電 壓，使得光伏發電系統始終工作在最大功率點附近，該技術稱為最大功率點跟蹤。
[0003] 隨著光伏發電的迅速發展，最大功率點跟蹤算法的作用顯得尤其重要。目前，最大 功率點跟蹤算法主要分為以下兩類：
[0004] (1)基于工程應用的近似調整方法。這類方法的典型代表是恒電壓跟蹤法：由于不 同光照強度下的最大功率點總是近似接近于某一個恒定的電壓值u max，所以根據光伏電池 的結構和參數計算出umax，并使光伏系統成為一個穩壓器，就能使其穩定工作在最大功率點 附近。恒電壓跟蹤控制法易于實現，并且控制系統簡單。但其穩態誤差比較大、光伏系統損 失的功率也比較多。
[0005] (2)基于輸出特性的數學分析方法。這類方法主要包括擾動觀察法、電導增量法 等，是目前運用最廣泛的一類最大功率點跟蹤算法。此類方法通過對光伏陣列的輸出電壓 加以擾動，觀察其輸出特性的變化來判斷當前的工作狀態，從而決定下次擾動的方向，最終 使系統穩定運行在最大功率點附近。但是這類最大功率點跟蹤算法所選定的擾動步長對于 跟蹤精度和響應速度無法兼顧，擾動步長越大，速度越快，但精度越差;反之亦然。

【發明內容】

[0006] 本發明是為避免上述現有技術所存在的不足之處，提供一種基于多目標優化的光 伏系統最大功率點的獲取方法，以期僅需檢測光伏系統的外界環境，即可有效地跟蹤到光 伏系統的最大功率點，并達到提高最大功率點精度的目的。
[0007] 為了達到上述目的，本發明所采用的技術方案為：
[0008] 本發明一種基于多目標優化的光伏系統最大功率點的獲取方法的特點是按如下 步驟進行：
[0009] 步驟1、將所述光伏系統最大功率點的跟蹤問題轉換為如式（1)所示的多目標優化 問題： min(f,(xuf2(x))
[0010] (1) x=：(K,/;.U；e[0,KJ,/ e[0./_]
[0011]式（1)中，Vr和Ir分別表示所獲取到的最大功率點所對應的電壓和電流;V max和Imax 分別表示在給定的光照和溫度下的最大電壓和最大電流KiU)表示最小化功率函數，并 有：
[0012] fl(X)=VmaxXImax-VrXIr (2)
[0013]式(1)中，f2(X)表示電流誤差函數，并有：
[0015] 式⑶中，Ipv為由光照而生成的光伏電流；1〇為二極管飽和電流;q為電子的電荷 量;k為玻爾茲曼常數;T為太陽能電池的絕對溫度;A為理想系數，AG[l，2];Rs為串聯等效 電阻;Rsh為并聯等效電阻；
[0016] 步驟2、利用多目標優化方法對所述多目標優化問題進行優化，得到最大功率點所 對應的電壓Vr和電流Ir。
[0017] 本發明所述的獲取方法的特點也在于，
[0018] 所述多目標優化方法為基于權值向量的偏好多目標優化算法是按如下步驟進行：
[0019] 步驟2.1、定義選擇概率為S ;定義循環變量為L;定義最大循環次數為Lmax;定義周 期為T;定義變量m，初始化m = 1;
[0020] 在第m個周期1?下，產生初始種群Po(m)以及相應的初始權值向量集合w，記為 個初始個體，且= 和/廠(，《)分別表示第i個初始個體 pf1 (7?2)的初始電壓和初始電流;Wi表示第i個個體pi (m)的初始權值向量;且Wi = (Wi 1，Wi2); Wii和Wi2分別表不第i個個體Pi (m)的第一權值和第二權值；
[0021] 步驟2.2、初始化L=l;利用二分搜索采點法縮小初始種群P〇(m)的搜索區間[0， Vmax]和[0，I max]，從而得到優化搜索區間[Vk-i，Vk+1 ]和[Ik-i，Ik+1 ];
[0022] 步驟2.3、設置偏好點為口(111)=化1(1]1)^2(1]1))訓(111)為第1]1個周期1' 111下的最小化功 率函數fi(x)的期望值，p2(m)為第m個周期IVf電流誤差函數f 2(x)的期望值;設置偏好鄰域 b = (bi，b2) ;bi和b2分別表不偏好鄰域的長和寬；
[0023] 步驟2.4、利用式(4)將第m個周期Tm下述第i個初始個體的初始權值向量 wi映射到偏好點p(m)的偏好鄰域b內，得到映射后的第i個初始個體的權值向量 ￥/，且￥/=(￥/1，'\￥/2);從而得到映射后的權值向量集合￥/={￥1/，'\￥ /2，一，￥/，-_，'\￥11/}:
[0024] wia' =2XbaXwia+pa(m)_ba，a=l，2 (4)
[0025] 步驟2.5、利用式(5)將第i個初始個體的權值向量w/轉換為第i個初始個 體的具有偏好信息的權值向量M，從而得到具有偏好信息的權值向量集合AilAi， 入2，."，人i，…，入n}:
[0027]步驟2.5、計算第i個初始個體I11 (m)的初始權值向量wi分別和其余n-1個個體的 初始權值向量間的歐式距離，得到第i個初始個體戶的歐式距離集合，從所述歐式距 離集合中選取最小的前M個距離所對應的個體作為第i個初始個體的M個最近鄰居 個體；
[0028]步驟2.6、以所述選擇概率S從所述第i個個體的M個最近鄰居個體中選取 三個個體或者以1-S的概率從所述初始種群Pl-Khi)中選取三個個體，并利用差分進化算子 對所選取的三個個體進行交叉變異，從而產生第m個周期IVf第L次循環的第i個新個體
[0029]步驟2.7、重復步驟2.6對種群Pl-Khi)中每個個體進行交叉變異，從而產生第L次循 環的n個新個體所構成的新種群gz. ("?)=丨#(w)，# gf (m),…，仏(,￡) (w)};
[0030] 步驟2.8、將第L次循環的新種群QL(m)和第L-1次循環的種群PL-Km)進行合并，得 到第m個周期T m下第L次循環的合并種群RUm);
[0031] 步驟2.9、利用切比雪夫公式從所述第L次循環的合并種群RL(m)中選擇與具有偏 好信息的權值向量集合A最匹配的n個個體構成第L次循環的種群P L(m);
[0032] 步驟2.10、將L+1賦值給L，并判斷L>Lma^否成立，若成立，則表示獲得第m個周期 Im下第1^次循環的種群PLmax(m)，并從所述種群PLmax(m)中選取最大功率點，以所述最大功 率點所對應的電壓和電流即為所要獲取的第m個周期IVf的電壓V r(m)和電流Ir(m);若不成 立，則返回步驟2.6;
[0033] 步驟2.11、將電壓￥1(111)和電流11(111)作為￥ 1和11代入最小化功率函數&&)中，得到 f/U)，判斷f/UXpKm)是否成立，若成立，則將f/(x)作為第m+1個周期Tm+1下的功率最 小化期望值;再將第m個周期Tm下的第Lmax次循環的種群I\max(m)作為第m+1個周期T m+1下的初 始種群P〇(m+l);
[0034] 步驟2.12、令m+1賦值給m，并返回步驟2.2。
[0035]所述二分搜索采點法是按如下步驟進行：
[0036]步驟2.2.1、對[0，Vmax]進行均勻采樣，并計算每個采樣點的輸出功率后，選取最大 輸出功率所對應的采用點記為Vk;
[0037] 步驟2.2.2、選取[Vk-i，Vk+i]及其對應的[Ik-i，Ik+i]作為優化搜索區間。
[0038]與已有技術相比，本發明的有益效果體現在：
[0039] 1、本發明僅需檢測光伏系統外界的環境變化，即可獲取到光伏系統的最大功率 點，易于操作實現，且可實現離線跟蹤光伏系統的最大輸出功率點，避免了因在最大功率點 附近振蕩而造成能量損失；同時，在外界環境發生驟變或光伏陣列在位于局部遮陰的情形 下，本發明亦可獲得到光伏系統的最大功率點。
[0040] 2、本發明針對在外界環境發生瞬變或光伏陣列位于局部遮陰情形下現有方法獲 取最大功率點的不足，提出了多目標優化的方法來優化最大功率點問題，從而提高了最大 功率的精度和其準確性。
[0041] 3、本發明通過提出的二分搜索采點法搜小解的搜索范圍，使得算法得到一個更小 且更精確的范圍，提高了算法的時間效率。
[0042] 4、本發明在搜索過程中融入決策者偏好信息，將最終的搜索結果限制在決策者的 偏好鄰域內，使其能更精確地滿足光伏系統模型的約束。
[0043] 5、本發明通過不斷動態更新決策者的偏好信息，提高了算法的精度。
[0044] 6、本發明通過不斷動態更新種群，加快了算法中種群的收斂速度，使得算法的運 行速度更快，減少了算法的運行時間。
【附圖說明】
[0045] 圖1為現有技術中光伏電池的等效模型；
[0046] 圖2為本發明的結構不意圖；
[0047]圖3為本發明權值向量映射圖；
[0048]圖4為本發明基于權值向量的偏好多目標優化方法的流程圖。
【具體實施方式】
[0049]本實施例中，一種基于多目標優化的光伏系統最大功率點的獲取方法是按如下步 驟進行：
[0050] 步驟1、將所述光伏系統最大功率點的跟蹤問題轉換為如式（1)所示的多目標優化 問題： min{ /；.(.v), /；(..v))
[0051] _ (1) ,v/. a- = (|/,/.).K e[0,K,,,,,J./, e [0，/,,, J
[0052] 式（1)中，Vr和Ir分別表示所獲取到的最大功率點所對應的電壓和電流;VmajPI max 分別表示在給定的光照和溫度下的最大電壓和最大電流;fi(x)表示最小化功率函數，并 有：
[0053] fl(X)=VmaxXImax-VrXIr (2)
[0054]式（1)中，f2(x)表示電流誤差函數，并有：
(3)
[0056] 式（3)中，Ipv為由光照而生成的光伏電流；1〇為二極管飽和電流;q為電子的電荷 量;k為玻爾茲曼常數;T為太陽能電池的絕對溫度;A為理想系數，AG[l，2];Rs為串聯等效 電阻;Rsh為并聯等效電阻；
[0057]根據圖1所示的光伏電池的等效模型，可得出其輸出特征方程：
(4)
[0059]跟蹤光伏系統的最大功率點的目的就是要找到使V*I值最大的(V，I)對，且同時要 使得由工作電壓V通過模型的輸出特征方程得到的真實電流I'與跟蹤到的電流I滿足光伏 電池的模型的誤差約束。因此，跟蹤光伏系統的最大功率既要考慮功率，又要考慮模型的電 流誤差，這符合多目標優化問題的性質，因此可以將光伏系統的最大功率點的跟蹤問題轉 化為如公式(1)所示的多目標優化問題：
[0060] 步驟2、利用多目標優化方法對實施例中的多目標優化問題進行優化，得到最大功 率點所對應的電壓Vr和電流I r。
[0061] 具體實施中，多目標優化方法為基于權值向量的偏好多目標優化算法是按如下步 驟進行:如圖2所示，在將最大功率點問題轉換為式(1)所示的多目標優化問題后，本實施例 使用基于權值向量的偏好多目標優化算法來優化該多目標優化問題，即可獲取到對應的功 率點。
[0062] 步驟2.1、定義選擇概率為S ;定義循環變量為L;定義最大循環次數為Lmax;定義周 期為T;定義變量m，初始化m = 1;
[0063] 在第m個周期1?下，產生初始種群Po(m)以及相應的初始權值向量集合w，記為 戶0 (W) = (?小 卜小…，(，")，…，(，")卜=， W2 廣 個初始個體，且#W=(_)W，爐W); 和4。)卜^ 只(°1 (m)的初始電壓和初始電流;Wi表示第i個個體pi(m)的初始權值向量;且Wi = (Wi 1，Wi2); wn和Wi2分別表不第i個個體pi (m)的第一權值和第二權值；
[0064] 步驟2.2、初始化L= 1;利用二分搜索采點法縮小初始種群Po(m)的搜索區間[0， Vmax]和[0，Imax]，從而得到優化搜索區間[Vk-i，Vk+1 ]和[Ik-i，Ik+1 ];
[0065] 步驟2.2.1、對[0，Vmax]進行均勻采樣，并計算每個采樣點的輸出功率后，選取最大 輸出功率所對應的采用點記為Vk;
[0066] 步驟2.2.2、選取[Vk-i，Vk+i ]及其對應的[Ik-i，Ik+i ]作為優化搜索區間。
[0067]根據模型的輸出特征方程，誤差函數F(V，I)構建公式(5)，該函數的目的是找到適 合光伏系統模型的(V，I)對；
(5)
[0069] 4
，此外電壓V為常量，因此可得出如公式（6)所示的關于Z的函 數；
(6)
[0071] 對公式(6)中Z進行求導如公式(7)，可發現K(Z)多0,表明函數F(Z)是一個單調遞 增函數，當Z = I=V = 0時，可得
故因找到Z>0滿足F(Z)>0。
(7)
[0073] 分析公式（6 )可知，當Z > 0時，I 〇 ( e x p ( Z ) - 1 ) > 0 ;因此，如果滿足
I?，就能滿足F ( Z ) > 0 ;亦即可以得知當Z滿足 ^(2)>0;同時^(2)是一個單調遞增函數，在區間[0,2」有 且僅有一個零根，故二分搜索發可用于搜索(V，I)對；
[0074] 因此，在給定的外界環境下，當1 = 0和F(Z)=0時，通過二分搜索可得到光伏系統 的最大工作電壓Vmax。當Vmax確定后，多目標優化方法中的初始解的搜索范圍固定在[0， Vmax]，為了得到近似最優解，可以通過從一些列解中選取最佳的候選(V，I)對，對此，本實施 例在區間[0，V max]均勻的選取50個(V，I)對，定義為(Vi，Ii)，i = l，2，.. .，50;對應的輸出功 率Pi = Vi*Ii，假設最大輸出功率是Pr^jtzPk，對應的(V，I)對為(Vk，Ik)，因此最優的工作 電壓在區間[Vk-i，Vk+i](光伏系統的P-V曲線是單峰曲線），對應的電流區間為[Ik-I，lk+1]，其 中電流會隨著電壓的增大而減少；因此，將初始的多目標優化問題的決策空間[0，V max]X [0，Imax]縮小^-^^^[〖^上+山這樣即可縮小解的搜索空間屬到一個更小且更精確 的范圍，提高了算法的時間效率。
[0075]步驟2.3、設置偏好點為口(111) = (口1(1]1)^2(1]1))$1(111)為第1]1個周期1'111下的最小化功 率函數fi(x)的期望值，p2(m)為第m個周期IVf電流誤差函數f2(x)的期望值;設置偏好鄰域 b = (bi，b2) ;bi和b2分別表不偏好鄰域的長和寬；
[0076] 步驟2.4、利用式(8)將第m個周期Tm下述第i個初始個體的初始權值向量 Wi映射到偏好點p(m)的偏好鄰域b內，得到映射后的第i個初始個體的權值向量 w/，且w/ 從而得到映射后的權值向量集合W' ={w/ V2,…，w/，???，?》/ }:
[0077] Wia7 =2XbaXwia+Pa(m)-ba,a=l ,2 (8)
[0078] 圖3給出了兩目標優化問題中的權值向量由公式8映射到偏好點p=(0.5,0.2)的 鄰域內，得到映射后的權值向量，其中鄰域大小為b = (0.25，0.25)。
[0079] 步驟2.5、利用式(9)將第i個初始個體的權值向量w/轉換為第i個初始個 體^廣11^；)的具有偏好信息的權值向量h，從而得到具有偏好信息的權值向量集合^仏， 入2，…，入i，…，入n}:
(9)
[0081 ]步驟2.5、計算第i個初始個體M (w)的初始權值向量Wi分別和其余n-1個個體的 初始權值向量間的歐式距離，得到第i個初始個體的歐式距離集合，從所述歐式距 離集合中選取最小的前M個距離所對應的個體作為第i個初始個體的M個最近鄰居 個體；
[0082] 步驟2.6、以所述選擇概率5從所述第1個個體/^_^?"；)的11個最近鄰居個體中選取 三個個體或者以1-S的概率從所述初始種群Pl-Khi)中選取三個個體，并利用差分進化算子 對所選取的三個個體進行交叉變異，從而產生第m個周期IVf第L次循環的第i個新個體 q\L]{m)
[0083] 步驟2.7、重復步驟2.6對種群IVKm)中每個個體進行交叉變異，從而產生第L次循 環的n個新個體所構成的新種群=、卜/丨〃("小# ("小…1 1
[0084]步驟2.8、將第L次循環的新種群QL(m)和第L-1次循環的種群PL-Km)進行合并，得 到第m個周期Tm下第L次循環的合并種群RUm);
[0085] 步驟2.9、利用切比雪夫公式從所述第L次循環的合并種群RL(m)中選擇與具有偏 好信息的權值向量集合A最匹配的n個個體構成第L次循環的種群P L(m);
[0086] 步驟2.10、將L+1賦值給L，并判斷L>Lma^否成立，若成立，則表示獲得第m個周期 Im下第1^次循環的種群PLmax(m)，并從所述種群PLmax(m)中選取最大功率點，以所述最大功 率點所對應的電壓和電流即為所要獲取的第m個周期IVf的電壓Vr(m)和電流Ir(m);若不成 立，則返回步驟2.6;
[0087] 步驟2.11、將電壓￥1(111)和電流11(111)作為￥1和1 1代入最小化功率函數&(1)中，得到 f/U)，判斷f/UXpKm)是否成立，若成立，則將f/(x)作為第m+1個周期Tm+1下的功率最 小化期望值;這樣即可不斷更新算法中初始設置的偏好點，偏好信息的動態更新提高了本 實施例的精度。再將第m個周期T m下的第Lmax次循環的種群Puax(m)作為第m+1個周期Tm+1下的 初始種群P〇(m+l);由于一天中外界環境瞬變的次數很少，故上一時刻最大功率點下的種群 對下一時刻有指導意義，因此本實施例中將上一時刻的最終種群作為下一時刻的初始種 群。動態更新種加快了算法中種群的收斂速度，使得算法的運行速度更快，減少了算法的運 行時間；
[0088] 步驟2.12、令m+1賦值給m，并返回步驟2.2。
[0089]圖4給出了基于權值向量的偏好多目標優化算法在一個周期下的算法流程圖。
【主權項】
1. 一種基于多目標優化的光伏系統最大功率點的獲取方法，其特征是按如下步驟進 行： 步驟1、將所述光伏系統最大功率點的跟蹤問題轉換為如式（1)所示的多目標優化問 題：(1) 式（1 )中，￥,和k分別表示所獲取到的最大功率點所對應的電壓和電流;Vmax和Imax分別 表示在給定的光照和溫度下的最大電壓和最大電流;fl(X)表示最小化功率函數，并有： fl(x) =VmaxX Imax-VrX Ir (2) 式(1)中，f2(X)表示電流誤差函數，并有：(3) 式(3)中，Ipv為由光照而生成的光伏電流;Io為二極管飽和電流;q為電子的電荷量;k為 玻爾茲曼常數;T為太陽能電池的絕對溫度;A為理想系數，AG [1，2];化為串聯等效電阻;Rsh 為并聯等效電阻； 步驟2、利用多目標優化方法對所述多目標優化問題進行優化，得到最大功率點所對應 的電壓Vr和電流Ir。2. 根據權利要求所述的獲取方法，其特征是，所述多目標優化方法為基于權值向量的 偏好多目標優化算法，并按如下步驟進行： 步驟2.1、定義選擇概率為S ;定義循環變量為レ定義最大循環次數為Lmax ;定義周期為 T;定義變量m，初始化m = 1; 在第m個周期Tm下，產生初始種群Po (m) W及相應的初始權值向量集合W，記為I表示第i 個初始個體，且#(?)=(炒)如)，(m));啤)(縣)和if;批)分別表示第i個初始個體 少嚴(?《)的初始電壓和初始電流;町表示第；[個個體口1(111)的初始權值向量;且《4=(>11，啊2); Wii和Wi2分別表示第i個個體Pi (m)的第一權值和第二權值； 步驟2.2、初始化L=I;利用二分捜索采點法縮小初始種群P〇(m)的捜索區間[0，Vmax]和 [0，Imax]，從而得到優化捜索區間[Vk-I，Vk+1巧P [ Ik-I，Ik+1 ]; 步驟2.3、設置偏好點為9(111) = (91(111)，92(111));91(111)為第111個周期1"下的最小化功率函 數fi(x)的期望值，p2(m)為第m個周期Tm下電流誤差函數f2(x)的期望值;設置偏好鄰域b = (bi,b2) ;bi和b2分別表示偏好鄰域的長和寬； 步驟2.4、利用式(4)將第m個周期Tm下述第i個初始個體班-"(W)的初始權值向量Wi映 射到偏好點P(m)的偏好鄰域b內，得到映射后的第i個初始個體A心"(W)的權值向量W'1，且 i= (V il,w/ i2);從而得到映射后的權值向量集合= {V l,w/ 2,…，i,…,w\}: Wia^ =2 Xba Xwia+Pa(m)-ba,a= 1,2 (4) 步驟2.5、利用式（5)將第i個初始個體if W勺權值向量轉換為第i個初始個體 的具有偏好信息的權值向量、，從而得到具有偏好信息的權值向量集合A= {入1， 入2,...,入i,...,入n}:(5) 步驟2.5、計算第i個初始個體(叫的初始權值向量Wi分別和其余n-1個個體的初始 權值向量間的歐式距離，得到第i個初始個體的歐式距離集合，從所述歐式距離集 合中選取最小的前M個距離所對應的個體作為第i個初始個體P產"(W)的M個最近鄰居個 體； 步驟2.6、W所述選擇概率5從所述第i個個體班^ " 的M個最近鄰居個體中選取立個 個體或者Wl-S的概率從所述初始種群PL-i(m)中選取=個個體，并利用差分進化算子對所 選取的=個個體進行交叉變異，從而產生第m個周期Tm下第L次循環的第i個新個體 步驟2.7、重復步驟2.6對種群Pl-I (m)中每個個體進行交叉變異，從而產生第L次循環的 n個新個體所構成的新種群& ("0 = {(滬(W)，并> ("0.…，; 步驟2.8、將第L次循環的新種群化(m)和第次循環的種群PL-i(m)進行合并，得到第m 個周期Tm下第L次循環的合并種群化(m); 步驟2.9、利用切比雪夫公式從所述第L次循環的合并種群化(m)中選擇與具有偏好信息 的權值向量集合A最匹配的n個個體構成第L次循環的種群Pl(HI); 步驟2.10、將L+1賦值給L，并判斷L>Lmax是否成立，若成立，則表示獲得第m個周期Tm下 第Lmax次循環的種群PL"ax(m)，并從所述種群PLmax(m)中選取最大功率點，W所述最大功率點 所對應的電壓和電流即為所要獲取的第m個周期Tm下的電壓Vr(m)和電流k(m);若不成立， 則返回步驟2.6; 步驟2.11、將電壓￥^111)和電流1^111)作為￥神^代入最小化功率函數^^)中，得到'/ (X)，判斷fV(x)<pi(m)是否成立，若成立，則將fV(x)作為第m+1個周期Tm+i下的功率最小 化期望值;再將第m個周期Tm下的第Lmax次循環的種群PLmax(m)作為第m+1個周期IW下的初始 種群 Po(m+l); 步驟2.12、令m+1賦值給m，并返回步驟2.2。3.根據權利要求所述的獲取方法，其特征是，所述二分捜索采點法是按如下步驟進行： 步驟2.2.1、對[0，Vmax]進行均勻采樣，并計算每個采樣點的輸出功率后，選取最大輸出 功率所對應的采用點記為Vk; 步驟2.2.2、選取[Vk-I，Vw ]及其對應的[Ik-I，Iw ]作為優化捜索區間。
【文檔編號】G06Q10/04GK105913161SQ201610338451
【公開日】2016年8月31日
【申請日】2016年5月18日
【發明人】張興義, 程凡, 蔣小三, 劉政怡, 張磊
【申請人】安徽大學