传统能源面临枯竭的危机是大力发展新能源的主要动力，太阳能正以其覆盖面广、无污染、低成本的众多优势受到更多人的青睐，而最大功率跟踪(MPPT)技术是高效利用太阳能的保证。但是，太阳电池板实际工作环境下，部分电池受到云层、障碍物、表面颗粒物的遮挡，使光伏阵列的P-U输出特性曲线呈现出多个峰值点，传统的MPPT算法(如导纳增量法和扰动观察法等)可能只会寻找到局部最优解[1]。因此，研究一种适应于局部阴影下的MPPT方法变得尤为重要。文献[2]采用粒子群算法，但是其将初始粒子随机分布在搜索空间中，并没有针对性，且易陷入局部最优解。文献[3]也采用粒子群算法，但其目标函数建立在固定局部阴影情况下，实际应用性不强。文献[4]采用支持向量机算法，但是没有真正拓展为在动态配置条件下的阵列模型，也仅仅是停留在简单的光伏阵列建模或是仿真研究的试验阶段。文献[5]采用蒙特卡洛算法，需要对大量随机点进行储存和计算，会造成占用空间大，计算速度慢的缺点。文献[6]采用Fibonacci序列算法，该方法能够适应各种局部阴影情况，但是寻优过程较慢，同时也易陷入局部最优解。

进一步研究了动态初始压溃应力和应变硬化参数的相对密度敏感性。结果表明，两个参数均随着相对密度的增大而增大，可以使用幂函数进行拟合。利用实验的方法得到了一个显含相对密度的D-R-PH模型，可以给研究不同相对密度泡沫铝动态力学性能提供相关的实验依据。

当育明轮在航行时，其艏艉处的存在压强差以及艉部的回流会产生船舶阻力，阻力主要存在于船艏部分，并且船艉处的受力方向和船艏的受力方向相反。通过计算，得出的阻力如表1。

针对以上问题，本文提出将萤火虫群算法加以改进，并应用到局部阴影MPPT中。与传统算法相比，新算法能够使系统快速准确地收敛在最大功率点处,提高了太阳能利用率。

从表3中可以看出，与安静对照组相比，力竭运动即刻组(E0)骨骼肌和血清中TSC2含量上升，有极显著差异(P<0.01)；而C组、E24组、E48组之间骨骼肌和血清中TSC2含量无明显差异。

1 光伏阵列的建模与输出特性曲线分析

1.1 局部阴影下光伏阵列建模

根据文献[7-8]中，对太阳电池工程用数学模型的描述，在Matlab/Simulink平台搭建太阳电池单块的仿真模型，考虑到光伏阵列实际工作环境的多样性，在电池两端并联旁路二极管，以消除“热斑效应”带来的不良后果[9]。带有旁路二极管的太阳电池结构如图1所示。

式(7)和式(8)满足其一，即达到终止条件。

1.2 多峰输出特性曲线分析

以带有旁路二极管的太阳电池为基础，拓展成3×3的光伏阵列模型，如图 2 所示。其中并联子串分别为 Ai、Bi、Ci，i为各子串中串联太阳电池的编号，i=1，2，3。

仿真采用BP Solar公司生产的BP 4158太阳电池的标称参数，具体数值如表1所示。

沐浴过后，紫云穿上那套连衣裙，显得格外动人。她把蒋浩德轻轻扶起，连声说道：“都是我不好，不该把你放在地上。”

图1 带有旁路二极管的太阳电池结构

图2 光伏阵列结构

表1 太阳电池标称参数

?

将光伏阵列分别设置在局部阴影1和局部阴影2情况。局部阴影1情况下，设置A1和B1的光照强度为800 W/m2，C1的光照强度为 700 W/m2，A2和 B2的光照强度为600 W/m2，C2的光照强度为500 W/m2，A3和C3的光照强度为300 W/m2，B3的光照强度为200 W/m2。局部阴影2情况下，设置C1的光照强度为600 W/m2，A1和C2的光照强度为500 W/m2，A2、B1、C3 的光照强度为 400 W/m2，A3、B2 的光照强度为300 W/m2，B3的光照强度为200 W/m2。

图3为两种局部阴影情况下的功率输出特性曲线。可以看出，局部阴影1情况下，全局最大功率点位于第二个极值点处，由于整体受到光照强度较大，所以输出功率也较大；局部阴影2情况下，全局最大功率点位于第三个极值点处，由于整体受到光照强度较小，所以输出功率也较小。但是，都呈现出多个峰值点，且仅存在一个全局最大功率点。

图3 局部阴影P-U输出特性曲线

光伏阵列处于局部阴影情况较均匀光照情况复杂得多，主要表现为功率点出现多极值的情况。但是通过仿真和研究发现，功率极值点的分布并不是杂乱无章的。不同阵列结构的P-U输出特性曲线如图4所示。

图4 不同阵列结构P-U输出曲线

用m×n表示光伏阵列的大小，其中，m代表子串中串联太阳电池的数目，n代表并联子串的数目，实验环境均在局部阴影环境下。2×2的光伏阵列，其P-U输出特性曲线呈现出两个极值点，一个全局最大功率点；2×2的光伏阵列，其P-U输出特性曲线呈现出两个极值点，一个全局最大功率点；2×2的光伏阵列，其P-U输出特性曲线呈现出三个极值点，一个全局最大功率点。

决策域半径的大小是根据邻居萤火虫的数量决定的，若邻居数量少，萤火虫加大其决策域半径，反之，减小决策域半径。萤火虫决策域半径更新公式如式(5)所示。

这一结论的得出有利于萤火虫群算法初始化的设置。通常情况下该算法对于初始种群的位置是均匀分布的，对数量采取经验式的判断。而通过对功率极值点个数及位置的判断，可以有效地减少种群的数量，并有目的性地初始化种群的位置，提高了算法的运行效率。

2 基于萤火虫群算法的MPPT控制策略

2.1 构建局部阴影MPPT控制系统

在光伏多峰最大功率点跟踪问题中，本文采用如图5所示的分别由光伏阵列、萤火虫群算法控制器、脉冲发生器、Boost电路及蓄电池组成的MPPT控制系统。其中，Boost电路的设定参数为：电感 L1=4 mH，电容 C1=200 μF，电容 C2=1 000 μF。

图5 局部阴影MPPT控制系统

2.2 萤火虫群算法

萤火虫群优化(GSO)[9]算法是一种从萤火虫觅食活动中得到启发的仿生学智能群优化算法，目前已在工程领域得到了较好的应用。通过以下四个步骤构建用于多峰MPPT优化的GSO算法。

2.2.1 萤火虫群位置初始化阶段

小半径曲线盾构隧道连续下穿建筑物施工技术研究…………………………………………………… 常富贵（10-207）

图3显示，人民币汇率预期的一个单位标准差的正向冲击在第1期开始对证券投资跨境资金流入产生负面冲击，并在第3期达到峰值，随后负面冲击逐渐转为正向冲击，在第5期达到正向冲击峰值后回落，并在第6期转为负面冲击并达到峰值，随后人民币汇率预期对证券投资跨境资金流入的影响呈现上下波动走势。

通过对上述标准化的基本概念的提出、演进发展、内涵分析和现代延伸与诠释的解析，我们能得到三个层次的认识。一是通过标准化的基本概念的新旧比对分析，我们进一步明晰了标准和标准化概念的基础、对象、属性和本质等内涵及特征。二是赋予了标准和标准化现代诠释和总结，即标准是人类改造社会的工具，更是人类文明进步的成果；标准化活动目的应促进科技进步、服务经济发展、创新社会治理、便利国际贸易、推动人类文明进步。三是新时代背景下，应把握标准化发展趋势，秉承新的标准化理念，通过不断深化标准化改革，完善标准体系，加强国际交流合作，发挥标准引领作用，助推经济社会创新、协调、绿色、开放、共享发展。

如图4所示，负荷率“80%～90%”是指大于等于设计负荷80%且小于设计负荷90%的热负荷.对于居住建筑30%～70%设计负荷出现的时间最长，占到总采暖时间的80%.超过设计负荷90%的时间，只有不到50 h.因此，对于耦合供热系统，合理分配热源承担设计负荷，避免不必要的初投资浪费，是有重大意义的.

萤火虫群中每只萤火虫所携带的荧光素值与其所在位置的目标函数值有关，荧光素更新公式为式(1)所示。

式中：li(t)代表萤火虫i在第t次更新时的荧光素值；ρ和γ分别代表荧光素值的挥发和增强系数；ui(t)代表萤火虫i在第t次更新时所在位置；P[ui(t)]表示萤火虫i在第t次更新时对应的目标函数值。

2.2.3 萤火虫群位置更新阶段

2.2.2 萤火虫群荧光素更新阶段

式中：j∈Ni(t)，Ni(t)表示第t次更新时萤火虫i的邻居集合，可以表示为式(3)。

每只萤火虫根据轮盘赌算法，在其邻居集合中选择一个邻居向其移动。萤火虫移动的概率公式为：

式中：||uj(t)－ui(t)||表示第t次更新时萤火虫i与j之间的距离；rdi(t)表示第t次更新时萤火虫i的决策域半径。

萤火虫的位置更新公式如式(4)所示。

采用3×3的光伏阵列，此时应该有3个功率极值点，在每个极值点邻域内分布3只萤火虫，萤火虫所在区间为[m×0.85×(Voc/n)－3，m×0.85×(Voc/n)＋3]，其中 m=1，2，3；n=1，2，3。萤火虫数量过多会导致算法收敛速度慢，而萤火虫数量过少又会影响算法的精度，因此选择合适数量的萤火虫至关重要。

式中：d为萤火虫的移动步长。

2.2.4 萤火虫群决策域半径更新阶段

可以得出，极值点的个数和位置与光伏阵列中子串所串联太阳电池的数目和并联的子串数目有关。且通过对极值点处的电压值进行分析得出，极值点的位置大致在m×0.85×(Voc/n)处。其中Voc为阵列开路电压。

式中：rs为萤火虫的感知范围，且 0＜rdi＜rs；β 为决策域半径控制系数；nt为控制邻居萤火虫数量的阈值。

2.3 GSO算法在MPPT中的应用

在光伏多峰最大功率点跟踪问题中，GSO算法的完整搜索范围为u∈[0，Voc]，全局最大功率点为maxP(u)。首先，在控制系统中调节开关管的占空比D=0，获得光伏阵列的开路电压Voc，并按照极值点分布规律分布萤火虫的初始位置，所有萤火虫位置分布完毕之后，记录ui(t)和P[ui(t)]。然后，根据GSO算法的步骤，每当更新萤火虫的位置ui(t)时，调节Boost电路占空比，以驱动脉冲发生器，使得光伏阵列的电压为当前位置ui(t)的电压值，占空比的更新公式用式(6)表示。

合同订立环节，艺兴公司部门经理、法务部未对合同进行审核。合同履行环节，房租收入主要由业务员收取再上交财务部，公司财务根据备案合同对房租收入进行确认。公司应当在合同订立阶段和履行阶段加强内部控制活动。

式中：Us为光伏阵列的当前工作电压；Us、U0为蓄电池两端的电压。

2.3.1 算法终止条件

将更新后的光伏阵列电压和功率值，即萤火虫的位置ui(t)和适应度值P[ui(t)]，作为下次更新的初值，送入GSO算法控制器；直到满足终止条件时，将萤火虫的最优位置ui(t)设为此时光伏阵列的工作电压。终止条件的公式如下：

本系统引入了一个绘制实时曲线的插件clPlot，完成实时曲线的绘制功能。这是一个标准的插件，用它可以方便的实现自动滚动的实时曲线绘制。

2.3.2 算法重启条件

实际光伏阵列在工作过程中，受到光照强度是不断变化的，会导致阵列输出功率随之改变。因此，设置算法的重启条件，使系统始终运行在最大功率点处。定义功率的变化量ΔP表示为式(9)。

式中：Pm为计算的最大功率值；Pr为实际输出的功率值。

局部阴影情况发生改变时，ΔP的值随之发生变化。若ΔP取值过大，会导致系统运行在非当前最大功率点处；若ΔP取值过小，会导致算法频繁重启。因此适当选取ΔP的范围非常重要。本文设定ΔP＞5时算法重启，重新跟踪最大功率点。

3 仿真分析

3.1 局部阴影情况下仿真

仿真采用3×3的光伏阵列模型，对局部阴影情况1和情况2分别进行仿真，并与粒子群优化(PSO)算法进行对比。

局部阴影1情况下，输出功率变化情况如图6所示。实际的最大功率值为283.920 W。GSO算法更新次数为13次时，满足终止条件。此时用时1.5 s，算法计算的全局最大功率值为283.918 W，与实际最大功率值相差0.002 W，收敛率99.9%；PSO算法更新次数为28次时，满足终止条件。此时用时3.2 s，算法计算的全局最大功率值为281.19 W，与实际最大功率值相差2.73 W，收敛率为99.04%。

图6 局部阴影1下输出功率变化

局部阴影2情况下，输出功率变化情况如图7所示。实际的最大功率值为222.08 W。GSO算法更新次数为22次时，满足终止条件，并停止更新。此时用时2.1 s，算法计算的全局最大功率值为222.06 W，与实际最大功率值相差0.02 W，收敛率99.9%；PSO算法更新次数为35次时，满足终止条件。此时用时4.0 s，算法计算的全局最大功率值为220.46 W，与实际最大功率值相差1.62 W，收敛率为99.27%。

图7 局部阴影2下输出功率变化

局部阴影2情况下，全局最大功率点位于第三个极值点处，由于GSO算法中萤火虫个体之间的距离较远，所计较局部阴影1情况收敛速度相对较慢，但是最终也能够追踪到全局最大功率点。

3.2 可变阴影情况下仿真

当系统工作到第5 s时，光伏阵列工作环境由局部阴影2变为局部阴影1，此时满足算法重启条件，并开始重新计算当前最大功率点。输出功率变化情况如图8所示。2.1 s时，系统稳定运行在局部阴影2的最大功率点处，输出功率值为222.06 W；在第5 s时，系统工作环境发生改变，算法开始重启，直到6.5 s时，再次运行在局部阴影1的最大功率点，输出功率值为283.918 W。

通过仿真结果可得，GSO算法在局部阴影环境和可变阴影环境下，均能够准确快速地追踪到全局最大功率点，并与PSO算法相比具有更高的收敛率和更快的寻优速度。

图8 可变阴影下输出功率变化

4 结论

本文在局部阴影下光伏阵列的仿真模型基础上分析了P-U输出特性曲线多个极值点的分布规律，并应用到GSO算法初始化条件中，能够更有效地求取全局最大功率点。通过仿真结果可以得出以下结论：GSO算法能够较好地适用于局部阴影情况下的MPPT，与PSO算法相比，GSO算法在局部阴影MPPT中具有更加优越的性能。

其实验结果表明，当SME增加，膨胀的淀粉颗粒数量以及糊化度会相应增加，在SME小于350～400 kJ/kg时，淀粉颗粒处于未破坏的状态。这时饲料的WAI(吸水指数)和WSI(溶水指数)也处于上升状态；当SME持续增加至500～550 kJ/kg到700 kJ/kg时，淀粉颗粒处于完全被破坏的状态，并且淀粉糊化度也达到最高。这时的WAI(吸水指数)开始下降，而饲料WSI(溶水指数)持续上升。而当SME处于区域中间时，既未破坏和破坏的淀粉颗粒共存时，饲料的WAI处于最高。其中饲料WAI(吸水指数)就是饲料水中稳定性的表征指标，WAI的降低则意味着饲料水中稳定性变差，见图11。

参考文献:

[1]ESRAM T，CHAPMAN P L.Comparison of photovoltaic array maximum power point tracking techniques[J].IEEE Transactions on Energy Conversion，2007，22(2)：439-449.

[2] 聂晓华，赖家俊.复杂应用环境下粒子群光伏MPPT控制方法[J].电力电子技术，2016，50(1)：37-40.

[3] 刘艳莉，周航，程泽.基于粒子群优化的光伏系统MPPT控制方法[J].计算机工程，2010，36(15)：265-267.

[4]陈阿莲，冯丽娜，杜春水，等.基于支持向量机的局部阴影条件下光伏阵列建模[J].电工技术学报，2011，26(3)：140-146.

[5]唐磊，曾成碧，苗虹，等.基于蒙特卡洛的光伏多峰最大功率跟踪控制[J].电工技术学报，2015，30(1)：170-176.

[6]RAMAPRABHA R，MATHUR B，RAVI A，et al.Modified fibonacci search based MPPT scheme for SPVA under partial shaded conditions[C]//3rd International Conference on Emerging Trends in Engi neering and Technology.Goa：IEEE，2010：379-384.

[7] 杨永恒，周克亮.光伏电池建模及MPPT控制策略[J].电工技术学报，2011，26(1)：229-234.

[8]刘晓艳，祁新梅，郑寿森，等.局部阴影条件下光伏阵列的建模与分析[J].电网技术，2010(11)：192-197.

[9]KRISHNANAND K N，GHOSE D.Glowworm swarm based optimization algorithm for multimodal functions with collective robotics applications[J].Multiagent and Grid Systems，2006，2(3)：209-222.