CN116301183A - 空间发电系统的最大功率点跟踪方法 - Google Patents

Abstract

空间发电系统的最大功率点跟踪方法,解决了如何对太阳电池阵列在空间工作的最大功率进行快速跟踪的问题,属于航天发电系统控制技术领域。本发明包括：根据待测空间发电系统及其所处空间环境确定太阳能电池阵的输出电压范围和最大功率范围；将狼群初始位置随机分布在太阳能电池阵的输出电压范围内，利用神经网络灰狼算法在确定的最大功率范围内搜索出太阳电池阵列最大功率点，其中，神经网络灰狼算法的线性收敛系数

本发明采用可调节非线性收敛因子搜索策略，使其具有高动态变化条件下的全局搜索能力，能够准确并快速确定空间发电系统的最大功率，有效地提升空间发电系统的电性能输出效率。

Description

空间发电系统的最大功率点跟踪方法

技术领域

本发明涉及一种空间发电系统的最大功率点跟踪方法，属于航天发电系统控制技术领域。

背景技术

航天技术的飞速发展使其在国民经济和国家安全领域的重要性日益显现，在卫星导航、载人航天、深空探测、空间太阳电站等工程领域，长寿命、大功率和高可靠的空间发电系统是保证航天器在轨运行的重要组成部分。太阳电池阵作为空间发电系统的重要部件之一，是航天器在轨工作的唯一能量来源。在空间环境中，电池阵的工作状态会随太阳光谱、温度、电气负载等参数变化，传统空间发电系统使用的SR(串联分流调节)控制方法无法最大限度地利用能量。最大功率点跟踪(MPPT)技术可以综合考虑太阳光照面积、太阳电池阵基板温度和负载电气特性，通过控制技术实时调整太阳电池阵的工作点，使其始终在最大功率点工作，达到电池阵电力输出效率最优化的目的。MPPT控制模式相较于传统控制模式可提高功率输出20％-30％，可以有效地减小太阳电池阵的面积和重量，对我国航天发电系统的发展具有非常重要的意义。

太阳电池阵在空间服役时会受到严苛的空间环境影响。电池阵在轨运行期间，空间环境中的带电粒子会引起太阳电池的性能退化，且由于阵列中太阳电池退化程度不同，会引起太阳电池阵的非均匀性能输出。此外，当电池阵在空间服役时，当航天器散热小于太阳电池阵时，会在电池阵纵向尺度上形成温度梯度。因此，在这些因素的综合作用下，太阳电池阵会形成功率-电压(P-V)输出特性的多峰曲线，若空间发电系统无法识别出最大功率点甚至以开路状态工作时，电路中电压较低的电池串会被反向电流热击穿，使得太阳电池阵单元电路电压被钳位，致使电池阵无法正常供电。

发明内容

针对如何对太阳电池阵列在空间工作的最大功率进行快速跟踪的问题，本发明提供一种空间发电系统的最大功率点跟踪方法。

本发明的一种空间发电系统的最大功率点跟踪方法，包括：

S1、根据待测空间发电系统及其所处空间环境确定太阳能电池阵的输出电压范围和最大功率范围；

S2、将狼群初始位置随机分布在太阳能电池阵的输出电压范围内，利用神经网络灰狼算法在S1确定的最大功率范围内搜索出太阳电池阵列最大功率点，其中，神经网络灰狼算法的线性收敛系数

k表示当前迭代次数，k_max最大迭代次数，根据a(k)确定向量A_j＝2a(k)·a-a(k)，j∈[α，β，δ，…]，α，β，δ，…表示最大功率点的方案，ν为调整系数，其中1>ν>0，a表示个体和狼群的系数向量，当前狼群与最优解的间距L_p＝|A_j·X_p(k)-X(k)|，X(k)表示当前狼群的位置，X_p(k)表示目标位置向量。

作为优选，所述S1中，建立基于模糊神经网络的空间发电系统电性能输出模型，将待测空间发电系统参数及所处空间环境参数作为输入，将太阳能电池阵的输出电压范围和最大功率范围作为输出，采用待测空间发电系统的历史数据对空间发电系统电性能输出模型进行训练，利用训练完成的空间发电系统电性能输出模型获取待测空间发电系统的太阳能电池阵的输出电压范围和最大功率范围。

作为优选，待测空间发电系统参数及所处空间环境参数包括季节、轨道类型、轨道周期、环境温度、环境温度变化率、环境辐照度、环境辐照度变化率、服役时间、太阳能电池阵开路电压和短路电流。

作为优选，基于模糊神经网络的空间发电系统电性能输出模型是根据

及V_m＝n·V_oc确定的；

V_oc表示太阳电池阵的开路电压，k表示玻尔兹曼常数，T表示温度，是由环境温度确定的，q表示电荷量，I_sc表示太阳电池阵短路电流，是由辐照度确定的，I₀表示太阳电池阵暗电流，n表示最大功率点电压和开路电压的比值，V_m表示太阳电池阵列的最大功率点处的电压。

作为优选，空间发电系统电性能输出模型采用ANN网络实现。

作为优选，ANN网络包括一个输入层、四个隐藏层和一个输出层。

作为优选，采用待测空间发电系统的历史数据对空间发电系统电性能输出模型进行训练：

对空间发电系统在轨运行期间的发电历史数据和探测器收集的空间环境数据建立训练样本数据库；

采用不同输入类别下的空间发电系统电性能输出模型对太阳电池阵列的最大功率进行评估，计算太阳电池阵列在实际服役时的功率损失量P_sh，根据功率损失量P_sh，获得空间发电系统在轨服役期间的最大功率动态变化，从而获得输入对应的最大功率范围。

作为优选，S2包括：

S21、初始化种群个数N、功率值P_present、系数向量A_j、a、k_max、灰狼初始位置D_j(k)，a为[0,1]范围内的随机数，功率值P_present的初始值为0，每个种群对应一个最大功率点的方案，j＝1,2,3…N；

S22、将狼群初始位置D_j(k)随机分布在太阳能电池阵的输出电压范围内，并将种群的功率搜寻范围固定在S1确定的开路电压范围内，并对太阳能电池阵的最大功率P_max、最大功率点电压V_m和电流I_m进行采集；

S23：k＝1，对V_m和I_m进行乘积，获得的乘积结果结合太阳能电池阵的最大功率P_max，确定D_j(k)的解，若是只有唯一解，将该解对应功率记为P(D_α)，转入S28，若解不唯一，按照解的优劣对相应种群进行排序：α，β，δ，…，确定α，β，δ，…对应的位置向量X_α(k)、X_β(k)、X_δ(k)…，确定猎物与种群的初始距离

K₁、K₂和K₃…表示已知系数，并根据α，β，δ，…的位置向量X_α(k)、X_β(k)、X_δ(k)…，并更新狼群的位置

m表示当前解的数量；根据X(k+1)计算当前狼群与最优解的间距L_p，k＝k+1，转入S24；

S24、根据当前狼群与最优解的间距L_p，种群对猎物包围后，缩小狩猎圈，更新猎物与种群的距离D_α(k)…，记录最大功率点功率P(D_α)；

S25、确定系数向量A_j，j∈[α…]，若系数向量A_j的绝对值大于1时，则更新X(k+1)及L_p，转入S27，否则，P_present＝P(D_α)，P_present表示当前迭代次数下的最大功率值，转入S26；

S26、判断|P_present-P_previous|＞ξ₁，其中ξ₁为限制因子，P_previous是上一代迭代的最大功率值，若是，则利用线性收敛系数更新系数向量A_j，转入S27，若否，则认为达到MPPT，并停止迭代，并记录最大功率点功率P(D_α)，转入S28；

S27、判断k是否达到最大迭代次数k_max，若是，记录最大功率点功率P(D_α)，若否，k＝k+1，判断返回S24；

S28、灰狼找到最合适的功率P(D_α)为太阳电池阵列最大功率点，终止迭代并输出全局最优值P(D_α)。

本发明的有益效果，本发通过计算不同时期太阳电池在空间环境中的性能退化规律及太阳电池电输出性能受空间温度的规律进行深度学习，实现对太阳电池阵列在空间工作的最大功率进行快速跟踪，并通过控制电路与最大功率点跟踪(MPPT)跟踪算法对最大功率点电压进行控制，在提升空间发电系统的输出功率的同时防止反向电流热击穿太阳电池，提升太阳电池阵列的可靠性。

附图说明

图1为太阳电池阵在轨环境下的P-V曲线变化；

图2使用本发明方法的最大工点跟踪方法仿真结果，横坐标表示时间，纵坐标表示功率；

图3为太阳电池阵输出电压曲线，横坐标表示时间，纵坐标表示输出电压。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本实施方式的空间发电系统的最大功率点跟踪方法，包括：

步骤1、根据待测空间发电系统及其所处空间环境确定太阳能电池阵的输出电压范围和最大功率范围；

步骤2、将狼群初始位置随机分布在太阳能电池阵的输出电压范围内，利用神经网络灰狼算法在步骤1确定的最大功率范围内搜索出太阳电池阵列最大功率点，其中，神经网络灰狼算法的线性收敛系数

k表示当前迭代次数，k_max最大迭代次数，根据a(k)确定向量A_j＝2a(k)·a-a(k)，j∈[α，β，δ，…]，α，β，δ，…表示最大功率点的方案，ν为调整系数，其中1>ν>0，a表示个体和狼群的系数向量，当前狼群与最优解的间距L_p＝|A_j·X_p(k)-X(k)|，X(k)表示当前狼群的位置，X_p(k)表示目标位置向量。

本实施方式采用可调节非线性收敛因子搜索策略，使其具有高动态变化条件下的全局搜索能力，能够准确并快速确定空间发电系统的最大功率，有效地提升空间发电系统的电性能输出效率。

本实施方式的步骤1中，建立基于模糊神经网络的空间发电系统电性能输出模型，将待测空间发电系统参数及所处空间环境参数作为输入，将太阳能电池阵的输出电压范围和最大功率范围作为输出，采用待测空间发电系统的历史数据对空间发电系统电性能输出模型进行训练，利用训练完成的空间发电系统电性能输出模型获取待测空间发电系统的太阳能电池阵的输出电压范围和最大功率范围。待测空间发电系统参数及所处空间环境参数包括季节、轨道类型、轨道周期、环境温度、环境温度变化率、环境辐照度、环境辐照度变化率、服役时间、太阳能电池阵开路电压和短路电流。

本实施方式针对发电系统参数及所处空间环境参数历史样本，建立基于模糊神经网络的空间发电系统电性能输出模型，根据模型统计出空间太阳电池阵列在不同季节或不同轨道下的功率输出值。由于空间发电系统受空间环境影响，将温度、辐照度、服役时间等参数输入神经网络模型，获得太阳能电池阵输出功率与轨道周期、季节、服役时间的退化模型，更新太阳能电池阵的电压、电流、功率等电性能参数的动态输出范围，从而提升空间发电系统最大功率点跟踪的最大功率精度和收敛速度。

本实施方式通过传感器采集光伏阵列在工作期间温度T和温度变化率ΔT或辐照W和辐照变化率ΔW，航天器在轨运行时，太阳能电池阵辐照时间、温度等参数呈周期性变化，记录太阳能电池阵辐照周期，确定太阳能电池阵在轨辐照期间性能输出的参数。将空间发电系统在轨服役期间的环境参数变化率带入空间发电系统电性能输出模型，空间发电系统电性能输出模型是根据

及V_m＝n·V_oc确定的V_oc表示太阳电池阵的开路电压，k表示玻尔兹曼常数，T表示温度，是由环境温度确定的，q表示电荷量，I_sc表示太阳电池阵短路电流，是由辐照度确定的，I₀表示太阳电池阵暗电流，n表示最大功率点电压和开路电压的比值，V_m表示太阳电池阵列的最大功率点处的电压。

计算出太阳能电池阵在轨输出电压范围U₁-U₂和输出功率范围P₁-P₂，太阳能电池阵在搜索最大功率点时需对电压进行限制，若搜索时不对电压进行限制可能会导致太阳能电池阵反向充电，烧毁电池。计算太阳电池阵列的最大功率点电压和开路电压的比值n＝V_m/V_oc，并根据光伏阵列的电压输出和电流输出范围，确定太阳能电池阵在轨期间的最大功率范围。

本实施方式中空间发电系统电性能输出模型采用ANN网络实现。ANN网络形成一个输入层，四个隐藏层和一个输出层。太阳能电池阵开路电压、短路电流、温度、辐照度、服役时间、季节、轨道周期、轨道类型等数据被用作输入数据，太阳能电池阵输出电压和功率用作输出数据。首先对空间发电系统在轨运行期间的发电历史数据和探测器收集的太阳辐照度、温度、短路电流、开路电压等参数建立训练样本数据库，采用模糊神经网络建立空间太阳电池阵列发电模型，最用采用不同类别下的模型对太阳电池阵列的输出功率进行评估，输入样本x＝[x₁,x₂,…x_I]，依次为辐照度、温度、服役时间...，设置神经网络误差函数，计算太阳电池阵列在实际服役时的功率损失量P_sh，根据功率损失值，可以获得空间发电系统在轨服役期间的最大功率动态变化，从而更加精确的获得不同季节、不同轨道、不同服役时间下的太阳能电池阵最大功率输出区间。

本实施方式的步骤2包括：

步骤21、初始化种群个数N、功率值P_present、系数向量A_j、a、k_max、灰狼初始位置D_j(k)，a为[0,1]范围内的随机数，功率值P_present的初始值为0，每个种群对应一个最大功率点的方案，j＝1,2,3…N；

步骤22、将狼群初始位置D_j(k)随机分布在太阳能电池阵的输出电压范围内，并将种群的功率搜寻范围固定在S1确定的开路电压范围内，并对太阳能电池阵的最大功率P_max、最大功率点电压V_m和电流I_m进行采集；

步骤23：k＝1，对V_m和I_m进行乘积，获得的乘积结果结合太阳能电池阵的最大功率P_max，确定D_j(k)的解，若是只有唯一解，将该解对应功率记为P(D_α)，转入S28，若解不唯一，按照解的优劣对相应种群进行排序：α，β，δ，…，确定α，β，δ，…对应的位置向量X_α(k)、X_β(k)、X_δ(k)…，确定猎物与种群的初始距离

K₁、K₂和K₃…表示已知系数，并根据α，β，δ，…的位置向量X_α(k)、X_β(k)、X_δ(k)…，并更新狼群的位置

m表示当前解的数量；根据X(k+1)计算当前狼群与最优解的间距L_p，k＝k+1，转入S24；

步骤24、根据当前狼群与最优解的间距L_p，种群对猎物包围后，缩小狩猎圈，更新猎物与种群的距离D_α(k)…，记录最大功率点功率P(D_α)；

步骤25、确定系数向量A_j，j∈[α…]，若系数向量A_j的绝对值大于1时，则更新X(k+1)及L_p，转入S27，否则，P_present＝P(D_α)，P_present表示当前迭代次数下的最大功率值，转入步骤26；

其中系数向量A_j大于1时，狼群开始搜索猎物，即开始前期全局搜索，当系数向量A_j小于1时，狼群开始捕食猎物，即开始在进行局部寻优阶段。

P_present是当前迭代步骤的最大功率，P_previous是上一次迭代最大功率结果，用当前迭代最大功率与上一次迭代最大功率结果相减，若绝对值大于限制因子，则认为电池阵未达到最大功率；若绝对值小于等于限制因子，则认为达到最大功率，这样做可以有效减少计算时间，因为最大功率点随环境变化还有可能具有小范围的波动，使用该方法可以提升搜索效率；

步骤26、判断|P_present-P_previous|＞ξ₁，其中ξ₁为限制因子，P_previous是上一代迭代的最大功率值，若是，则利用线性收敛系数更新系数向量A_j，转入步骤27，若否，则认为达到MPPT，并停止迭代，并记录最大功率点功率P(D_α)，转入步骤28；

步骤27、判断k是否达到最大迭代次数k_max，若是，记录最大功率点功率P(D_α)，若否，k＝k+1，判断返回步骤24；

步骤28、灰狼找到最合适的功率P(D_α)为太阳电池阵列最大功率点，终止迭代并输出全局最优值P(D_α)。

本实施方式通过对空间发电系统的环境参数进行判断和预设定，确定太阳电池阵列各串列的辐照强度分布，还对太阳能电池阵所受的温度变化率和温度变化范围进行确定，将温度变化率和变化范围输入算法程序，获得太阳能电池阵各电池串的电压、电流、功率的输出范围。在太阳能电池阵电压和功率输出范围内，通过对太阳能电池阵工作电压进行限制并在功率输出范围内使用改进粒子群算法，实现对发电系统的最大功率点进行快速搜索的同时，限制太阳能电池阵的输出电压，防止反向电压击穿电池串，有效的提升了空间发电系统的可靠性。

实施例

空间环境会对太阳电池造成累积式损伤，从而降低太阳电池阵列的输出功率。太阳电池在空间环境中的整个服役周期所面临的辐射水平取决于任务的类型。通常，地球静止轨道任务(GEO)持续15年，带电粒子辐射环境对太阳电池造成的损伤相当于1-MeV电子1×10¹⁵e/cm²的注量所造成的损害，对于在较低高度持续约10年的近地轨道(LEO)任务，等效注量要低5至10倍，得到不同注量下1MeV电子辐照后太阳电池P-V曲线，可以观察到1MeV电子对电池造成的损伤为均匀损伤，对太阳电池建立等效关系，均匀损伤时开路电压V_oc和最大功率点V_m具有等效关系V_m≈0.9V_oc，因此为了防止太阳电池阵列电压过大造成反向击穿，对不同轨道寿命时太阳能电池阵的开路电压和最大功率点进行监测，对当前太阳能电池阵输出电压V_oc进行记录，并MPPT控制时电压范围。实现该算法由以下几个步骤组成：

首先初始设置条件，设置初始参考电压值应略高于42V总线电压，可以设置为45V。第二步对太阳能电池阵输出电压进行采集，并对电压进行限制，为了防止太阳能电池阵反向击穿，设置电压不超过1.05V_oc。第三步采用本实施方式的方法对太阳太阳能电池阵的全局最大功率点进行搜索。结束条件:无论辐照和温度是否均匀，当参考电压大于PV阵列开路电压的90％时，搜寻停止，并输出太阳电池阵列最大功率P_max。图3为基于本实施方式方法的太阳电池阵列在服役期间的电压输出曲线，结果表明使用该方法可有效控制太阳能电池阵MPPT控制时电压区间。通过对太阳能电池阵电压的限制，可以防止反向电压击穿太阳电池串，对太阳能电池阵造成性能退化甚至失效。此外，使用该方法的MPPT控制可有效地减少太阳能电池阵的电压输出纹波，表明该发明可以有效地提升了空间发电系统的可靠性与稳定性。

利用神经网络灰狼算法在确定的最大功率范围内搜索出太阳电池阵列最大功率点的过程包括：

对MPPT控制方法进行初始化，将狼群位置随机分布在太阳能电池阵的输出电压范围内。启动时，灰狼控制器用于捕捉太阳电池阵列在不同空间环境条件下的全局最大功率点。对数据进行迭代更新，获得每次迭代狼群与最优解的距离，并根据迭代次数进行更新，获得每次迭代的历史最优值和全局最优值；

当系数向量A_j小于1时，对最大功率值进行收敛，记录当前迭代步骤的最大功率P_present并与上一次最大功率结果P_previous进行比较，若其差值的绝对值小于总功率的0.05倍时判定发电系统达到全局最优值，停止迭代并输出全局最优值。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (10)

1.空间发电系统的最大功率点跟踪方法，其特征在于，所述方法包括：

S1、根据待测空间发电系统及其所处空间环境确定太阳能电池阵的输出电压范围和最大功率范围；

S2、将狼群初始位置随机分布在太阳能电池阵的输出电压范围内，利用神经网络灰狼算法在S1确定的最大功率范围内搜索出太阳电池阵列最大功率点，其中，神经网络灰狼算法的线性收敛系数

k表示当前迭代次数，k_max最大迭代次数，根据a(k)确定向量A_j＝2a(k)·a-a(k)，j∈[α，β，δ，…]，α，β，δ，…表示最大功率点的方案，ν为调整系数，其中1>ν>0，a表示个体和狼群的系数向量，当前狼群与最优解的间距L_p＝|A_j·X_p(k)-X(k)|，X(k)表示当前狼群的位置，X_p(k)表示目标位置向量。

2.根据权利要求1所述的空间发电系统的最大功率点跟踪方法，其特征在于，所述S1中，建立基于模糊神经网络的空间发电系统电性能输出模型，将待测空间发电系统参数及所处空间环境参数作为输入，将太阳能电池阵的输出电压范围和最大功率范围作为输出，采用待测空间发电系统的历史数据对空间发电系统电性能输出模型进行训练，利用训练完成的空间发电系统电性能输出模型获取待测空间发电系统的太阳能电池阵的输出电压范围和最大功率范围。

3.根据权利要求2所述的空间发电系统的最大功率点跟踪方法，其特征在于，待测空间发电系统参数及所处空间环境参数包括季节、轨道类型、轨道周期、环境温度、环境温度变化率、环境辐照度、环境辐照度变化率、服役时间、太阳能电池阵开路电压和短路电流。

4.根据权利要求2所述的空间发电系统的最大功率点跟踪方法，其特征在于，基于模糊神经网络的空间发电系统电性能输出模型是根据

及V_m＝n·V_oc确定的；

V_oc表示太阳电池阵的开路电压，k表示玻尔兹曼常数，T表示温度，是由环境温度确定的，q表示电荷量，I_sc表示太阳电池阵短路电流，是由辐照度确定的，I₀表示太阳电池阵暗电流，n表示最大功率点电压和开路电压的比值，V_m表示太阳电池阵列的最大功率点处的电压。

5.根据权利要求1所述的空间发电系统的最大功率点跟踪方法，其特征在于，空间发电系统电性能输出模型采用ANN网络实现。

6.根据权利要求5所述的空间发电系统的最大功率点跟踪方法，其特征在于，ANN网络包括一个输入层、四个隐藏层和一个输出层。

7.根据权利要求1所述的空间发电系统的最大功率点跟踪方法，其特征在于，采用待测空间发电系统的历史数据对空间发电系统电性能输出模型进行训练：

对空间发电系统在轨运行期间的发电历史数据和探测器收集的空间环境数据建立训练样本数据库；

采用不同输入类别下的空间发电系统电性能输出模型对太阳电池阵列的最大功率进行评估，计算太阳电池阵列在实际服役时的功率损失量P_sh，根据功率损失量P_sh，获得空间发电系统在轨服役期间的最大功率动态变化，从而获得输入对应的最大功率范围。

8.根据权利要求1所述的空间发电系统的最大功率点跟踪方法，其特征在于，S2包括：

S21、初始化种群个数N、功率值P_present、系数向量A_j、a、k_max、灰狼初始位置D_j(k)，a为[0,1]范围内的随机数，功率值P_present的初始值为0，每个种群对应一个最大功率点的方案，j＝1,2,3…N；

S22、将狼群初始位置D_j(k)随机分布在太阳能电池阵的输出电压范围内，并将种群的功率搜寻范围固定在S1确定的开路电压范围内，并对太阳能电池阵的最大功率P_max、最大功率点电压V_m和电流I_m进行采集；

S23：k＝1，对V_m和I_m进行乘积，获得的乘积结果结合太阳能电池阵的最大功率P_max，确定D_j(k)的解，若是只有唯一解，将该解对应功率记为P(D_α)，转入S28，若解不唯一，按照解的优劣对相应种群进行排序：α，β，δ，…，确定α，β，δ，…对应的位置向量X_α(k)、X_β(k)、X_δ(k)…，确定猎物与种群的初始距离

K₁、K₂和K₃…表示已知系数，并根据α，β，δ，…的位置向量X_α(k)、X_β(k)、X_δ(k)…，并更新狼群的位置

m表示当前解的数量；根据X(k+1)计算当前狼群与最优解的间距L_p，k＝k+1，转入S24；

S24、根据当前狼群与最优解的间距L_p，种群对猎物包围后，缩小狩猎圈，更新猎物与种群的距离D_α(k)…，记录最大功率点功率P(D_α)；

S25、确定系数向量A_j，j∈[α…]，若系数向量A_j的绝对值大于1时，则更新X(k+1)及L_p，转入S27，否则，P_present＝P(D_α)，P_present表示当前迭代次数下的最大功率值，转入S26；

S26、判断|P_present-P_previous|＞ξ₁，其中ξ₁为限制因子，P_previous是上一代迭代的最大功率值，若是，则利用线性收敛系数更新系数向量A_j，转入S27，若否，则认为达到MPPT，并停止迭代，并记录最大功率点功率P(D_α)，转入S28；

S27、判断k是否达到最大迭代次数k_max，若是，记录最大功率点功率P(D_α)，若否，k＝k+1，判断返回S24；

S28、灰狼找到最合适的功率P(D_α)为太阳电池阵列最大功率点，终止迭代并输出全局最优值P(D_α)。

9.一种计算机可读的存储设备，所述存储设备存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至8任一所述空间发电系统的最大功率点跟踪方法。

10.一种空间发电系统的最大功率点跟踪方法装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至8任一所述空间发电系统的最大功率点跟踪方法。

Images