本发明涉及波浪发电技术领域，更具体的，涉及一种基于模拟退火粒子群算法的波浪发电方法。
背景技术：
我国的波浪能资源十分丰富，大规模发展波浪发电技术，对解决我国能源紧缺和保护生态环境意义重大，最大波浪能捕获控制，是波浪发电研究的关键技术之一，目前的波浪发电装置一般采用最大功率点追踪控制技术(MPPT)。随着智能优化算法的发展与成熟，智能优化算法的思想与MPPT控制结合，可提升MPPT控制策略的适应性。粒子群优化算法是一种有效的目标优化工具，已较多应用于光伏电池阵列和风力发电系统的最大功率点跟踪控制。但传统粒子群优化算法中，若某粒子发现一个当前最优位置，其它粒子将迅速向其靠拢，粒子群就无法在解空间内重新搜索，如果该位置为局部最优点，算法就陷入局部最优，出现了早熟收敛现象。
技术实现要素：
本发明为克服现有的传统粒子群算法易使波浪发电装置的波浪能捕获率陷入局部最优值的技术缺陷，提供一种基于模拟退火粒子群算法的波浪发电方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于模拟退火粒子群算法的波浪发电方法，包括以下步骤：
S1：根据直驱型波浪发电装置，搭建波浪发电装置的数学模型；
S2：通过波浪发电装置数学模型输出功率进行分析，得到波浪能捕获率；
S3：根据波浪能捕获率，计算得到波浪发电装置的模拟退火粒子群算法；
S4：对模拟退火粒子群算法进行仿真模拟，完成模拟退火粒子群算法的波浪能最优解的捕获。
其中，所述步骤S1包括以下步骤：
S11：直驱型波浪发电装置包括浮子、质量块、弹簧和发电机，直驱型波浪发电装置运动方程为：
式中，m为直驱型波浪发电装置的总质量；x为垂直方向上偏离平衡位置的位移；fe(t)为波浪激励力，表示入射波作用于浮子上的力；fr(t)为辐射力，与浮子振荡产生的辐射波有关；fb(t)为浮子在水中的静浮力；fv(t)和ff(t)是粘滞力和摩擦力；fg(t)为直线电机的电磁力，t为时间；
S12：所述浮子采用圆柱形浮子，故有：
fb(t)＝-Kx(t)+mg＝-ρgSx(t)+mg；
式中，ρ为水的密度，g为重力加速度，S为浮子有效横截面积；
S13：圆柱形浮子随波浪振荡时会产生辐射波，幅射波与海水相互作用会产生辐射力，辐射力fr(t)表示为：
式中，ma和Ra分别表示因辐射力产生的附加质量和附加阻尼；
S14：根据步骤S11、S12、S13，得到直驱波浪发电装置数学模型为：
其中，所述步骤S2具体为：
S21：直线电机的电磁力表示为速度和位移的线性组合，具体为：
式中，Rg和Kg分别为反映直线电机吸收有功功率能力的阻尼系数和吸收无功功率能力的弹性系数；
整理得：
忽略直线电机自身的电磁损耗，则输出的瞬时功率Pg(t)为：
S22：对直驱波浪发电装置数学模型进行傅里叶变换，得：
将s＝jω代入，有：
直驱波浪发电装置的平均功率Pg(ω)即为其复功率的实部，即：
S22：平均功率Pg(ω)计算式进行化简，得直驱波浪发电装置的平均功率Pg为：
S23：根据步骤S22得到的平均功率，得到直驱波浪发电装置的平均功率最大值Pgmax为：
在一定频率下，参数Fe、ω、Ra、K、ma、m均为常数，对平均功率Pg进行标准化处理，得：
式中，Rg的取值范围为(0,+∞)；Kg的取值范围为(-∞，+∞)；
S24：通过标准化处理的平均功率Pg，得到Pg与Rg、Kg的曲线图；其中，在一定频率下，Pg是关于Rg、Kg的单峰值函数，一个波浪频率仅对应唯一的一组二维变量使得输出功率最大；
平均功率Pg式中，附加阻尼Ra是波浪频率的非线性函数，波浪力Fe用余弦函数表示，其频率及相位与波浪运动相同，一定频率下Ra和Fe的数值是固定的；利用模拟退火粒子群算法，在不同的频率下通过迭代计算，得到波浪能捕获率η的最大值，为：
其中，在所述步骤S3中，所述模拟退火粒子群算法的计算步骤具体为：
S31：随机初始化种群和速度；
S32：评价新生粒子，计算适应度值，得到计算每个粒子当前位置的适应值，初始化个体极值Pbest，并将Pbest中的最优适应度值存储于全局极值Gbest中；
S33：初始温度设置：确定初始温度T，具体为：
式中fitness(Gbest)为群体中最优粒子的适应度值；
S34：加入模拟退火影响后的适配值计算，进行粒子速度与位置的更新：计算当前温度下各粒子的适配值，即替代全局最优解的概率，具体为：
式中，p(i)＝fitness(Xi)为每个粒子的适应值；
速度与位置的更新：比较pBet和Comfit(i)值的大小，Comfit(i)的值由下式计算：
式中，pBet为[0,1]的随机数，pBet小于等于Comfit(i)，将对应的xi赋值给pg_plus，从而确定全局最优的某个替代值pg_plus，更新各个粒子的速度和位置，具体为：
vi+1＝ksi*(vi+c1*rand*(Pbest-xi)
+c2*rand*(pg_plus-xi))；
xi+1＝xi+vi+1；
式中，c1和c2为调节因子，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子飞向全局最优替代值方向的步长，rand[0,1]的随机数，ksi为压缩因子，其表示为：
C＝c1+c2；
S35：计算适应度值，更新个体极值和群体极值；
S36：退温操作：按照下式进行退温操作：
T＝T*0.5；
S37：根据预先设定的运算精度或者程序迭代次数，判断迭代是否达到终止条件，若是，则结束；若否，执行步骤S34。
其中，所述步骤S4采用Matlab/Simulink仿真模型仿真模型进行仿真。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种基于模拟退火粒子群算法的波浪发电方法，通过将模拟退火粒子群算法应用于波浪发电装置的最大功率点跟踪控制，使粒子以概率方式进行搜索，可有效解决传统粒子群算法易陷于局部收敛问题，提高算法的全局搜索能力，增加搜索过程的灵活性；该算法最大功率跟踪控制速度快，波浪能捕获率高。
附图说明
图1为本发明的方法流程图。
图2为模拟退火粒子群算法流程图。
图3为波浪周期为1s，采用模拟退火粒子群算法及采用基本粒子群算法捕获率曲线的对照图；
图4为波浪周期为2s，采用模拟退火粒子群算法及采用基本粒子群算法捕获率曲线的对照图；
图5为波浪周期为3s，采用模拟退火粒子群算法及采用基本粒子群算法捕获率曲线的对照图；
图6为波浪周期为4s，采用模拟退火粒子群算法及采用基本粒子群算法捕获率曲线的对照图；
图7为波浪周期为5s，采用模拟退火粒子群算法及采用基本粒子群算法捕获率曲线的对照图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于模拟退火粒子群算法的波浪发电方法，包括以下步骤：
S1：根据直驱型波浪发电装置，搭建波浪发电装置的数学模型；
S2：通过波浪发电装置数学模型输出功率进行分析，得到波浪能捕获率；
S3：根据波浪能捕获率，计算得到波浪发电装置的模拟退火粒子群算法；
S4：对模拟退火粒子群算法进行仿真模拟，完成模拟退火粒子群算法的波浪能最优解的捕获。
更具体的，所述步骤S1包括以下步骤：
S11：直驱型波浪发电装置包括浮子、质量块、弹簧和发电机，直驱型波浪发电装置运动方程为：
式中，m为直驱型波浪发电装置的总质量；x为垂直方向上偏离平衡位置的位移；fe(t)为波浪激励力，表示入射波作用于浮子上的力；fr(t)为辐射力，与浮子振荡产生的辐射波有关；fb(t)为浮子在水中的静浮力；fv(t)和ff(t)是粘滞力和摩擦力；fg(t)为直线电机的电磁力，t为时间；
S12：所述浮子采用圆柱形浮子，故有：
fb(t)＝-Kx(t)+mg＝-ρgSx(t)+mg；
式中，ρ为水的密度，g为重力加速度，S为浮子有效横截面积；
S13：圆柱形浮子随波浪振荡时会产生辐射波，幅射波与海水相互作用会产生辐射力，辐射力fr(t)表示为：
式中，ma和Ra分别表示因辐射力产生的附加质量和附加阻尼；
S14：根据步骤S11、S12、S13，得到直驱波浪发电装置数学模型为：
更具体的，所述步骤S2具体为：
S21：直线电机的电磁力表示为速度和位移的线性组合，具体为：
式中，Rg和Kg分别为反映直线电机吸收有功功率能力的阻尼系数和吸收无功功率能力的弹性系数；
整理得：
忽略直线电机自身的电磁损耗，则输出的瞬时功率Pg(t)为：
S22：对直驱波浪发电装置数学模型进行傅里叶变换，得：
将s＝jω代入，有：
直驱波浪发电装置的平均功率Pg(ω)即为其复功率的实部，即：
S22：平均功率Pg(ω)计算式进行化简，得直驱波浪发电装置的平均功率Pg为：
S23：根据步骤S22得到的平均功率，得到直驱波浪发电装置的平均功率最
大值Pgmax为：
在一定频率下，参数Fe、ω、Ra、K、ma、m均为常数，对平均功率Pg进
行标准化处理，得：
式中，Rg的取值范围为(0,+∞)；Kg的取值范围为(-∞，+∞)；
S24：通过标准化处理的平均功率Pg，得到Pg与Rg、Kg的曲线图；其中，在一定频率下，Pg是关于Rg、Kg的单峰值函数，一个波浪频率仅对应唯一的一组二维变量使得输出功率最大；
平均功率Pg式中，附加阻尼Ra是波浪频率的非线性函数，波浪力Fe用余弦函数表示，其频率及相位与波浪运动相同，一定频率下Ra和Fe的数值是固定的；利用模拟退火粒子群算法，在不同的频率下通过迭代计算，得到波浪能捕获率η的最大值，为：
更具体的，如图2所示，在所述步骤S3中，所述模拟退火粒子群算法的计算步骤具体为：
S31：随机初始化种群和速度；
S32：评价新生粒子，计算适应度值，得到计算每个粒子当前位置的适应值，初始化个体极值Pbest，并将Pbest中的最优适应度值存储于全局极值Gbest中；
S33：初始温度设置：确定初始温度T，具体为：
式中fitness(Gbest)为群体中最优粒子的适应度值；
S34：加入模拟退火影响后的适配值计算，进行粒子速度与位置的更新：计算当前温度下各粒子的适配值，即替代全局最优解的概率，具体为：
式中，p(i)＝fitness(Xi)为每个粒子的适应值；
速度与位置的更新：比较pBet和Comfit(i)值的大小，Comfit(i)的值由下式计算：
式中，pBet为[0,1]的随机数，pBet小于等于Comfit(i)，将对应的xi赋值给pg_plus，从而确定全局最优的某个替代值pg_plus，更新各个粒子的速度和位置，具体为：
vi+1＝ksi*(vi+c1*rand*(Pbest-xi)
+c2*rand*(pg_plus-xi))；
xi+1＝xi+vi+1；
式中，c1和c2为调节因子，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子飞向全局最优替代值方向的步长，rand[0,1]的随机数，ksi为压缩因子，其表示为：
C＝c1+c2；
S35：计算适应度值，更新个体极值和群体极值；
S36：退温操作：按照下式进行退温操作：
T＝T*0.5；
S37：根据预先设定的运算精度或者程序迭代次数，判断迭代是否达到终止条件，若是，则结束；若否，执行步骤S34。
更具体的，所述步骤S4采用Matlab/Simulink仿真模型仿真模型进行仿真。
在具体实施过程中，建立了小型波浪发电装置的Matlab/Simulink仿真模型，主要参数设置如下：辐射力阻尼系数Ra＝300N·S/m，动子质量m＝45kg，附加质量ma＝0kg，浮子系数K＝800N·S/m；波浪能捕获率可用来评价波浪发电装置性能，捕获率越高，装置从波浪中吸收的能量越多，如图3、图4、图5、图6、图7所示，虚线为采用基于模拟退火粒子群算法的捕获率曲线，实线为采用基本粒子群算法的曲线，模拟退火粒子群算法的寻优速度快，到达最大捕获率所需的迭代次数较少，虚线明显优于实线。
实施例2
在具体实施过程中，如表1、表2所示，得到两类算法下捕获的理论值与实际值和误差，可见，与传统粒子群算法相比，采用基于模拟退火的粒子群算法的波浪能捕获率明显提高，降低了波浪能损失。
表1采用传统粒子群算法的波浪能捕获率
表2采用模拟退火粒子群算法的波浪能捕获率
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。