基于强化学习的协同混合进化算法，用于动态导航遮挡条件下的多角度舰载光伏系统最大功率点跟踪（MPPT）

《Renewable Energy》：A Reinforcement Learning-based Synergistic Hybrid Evolutionary Algorithm for Multi-Angle Shipboard Photovoltaic System MPPT under Dynamic Navigational Shading

船舶光伏系统的动态部分遮阴条件下，现有MPPT算法因固定搜索策略难以适应全局峰值漂移，导致跟踪迟缓或局部最优。本文提出协同混合进化算法（SHEA），通过强化学习驱动的动态算子调度策略，实时平衡全局探索与局部优化：外层遗传算法实现广域搜索，内层基于二次插值的粒子群优化（QI-PSO）结合物理模型预测实现高精度局部收敛。参数自适应机制与种群多样性深度耦合，减少固定经验参数依赖。仿真表明，SHEA在标准、部分遮阴及真实船舶条件下均优于P&O、GA、PSO、GWO等算法，稳态跟踪效率达99.61%，累积能量提升11.76%。

　　

向麒麟|徐立杰|袁成清

中国厦门集美大学海洋工程学院船舶与海洋工程研究所，省级重点实验室，邮编361021

摘要

船载光伏系统，尤其是多角度安装的系统，由于航行和结构障碍物的影响，会面临动态且复杂的局部遮挡条件，导致功率-电压曲线呈现多峰特性。现有的最大功率点跟踪算法由于其固定的搜索策略，往往难以适应这些曲线上不断变化的全球峰值，从而导致跟踪缓慢或陷入局部最优解。为了解决这个问题，本文提出了一种协同混合进化算法。该算法通过基于强化学习“多臂老虎机”模型的顶层自适应操作符调度策略，智能地平衡全局探索和局部利用。该策略动态管理基于二次插值的粒子群优化操作符（将物理模型与群体智能相结合以实现高精度局部收敛）以及遗传算法操作符（用于全局探索）。此外，其核心内部参数由种群多样性驱动，减少了对固定经验参数的依赖。使用实际船载数据在标准条件、部分遮挡条件和真实世界运行条件下的仿真表明，所提出的方法优于广泛使用的扰动-观察（Perturb and Observe）方法和其他主流智能优化算法。在真实世界的动态条件下，其跟踪效率高达99.61%，并且与扰动-观察方法相比，累计能量产出提高了11.76%。

引言

在全球应对气候变化和推进能源转型的背景下，向清洁和可再生能源转型已成为全球共识和核心战略[1]，[2]。在此背景下，国际海事组织（IMO）为航运业制定了严格的温室气体减排目标。这促使航运业积极探索包括光伏（PV）技术在内的船上可再生能源解决方案，以减少燃料消耗和碳排放[3]，[4]。与陆地光伏系统相比，船载光伏不仅提供清洁的辅助动力并降低运营成本，还是航运业绿色转型的重要途径。然而，作为移动平台，船舶面临独特的挑战，如空间有限、持续振动、盐雾腐蚀和航行姿态变化，这些因素对光伏系统的可靠性、耐用性和发电效率提出了更高的要求[5]。光伏系统的有效发电能力和整体能量转换效率在很大程度上取决于其最大功率点跟踪（MPPT）控制器的性能[6]。MPPT技术的主要任务是不断调整光伏系统的运行点，以确保其在不同环境条件下始终输出最大可用功率。这对于最大化能量产出和提高系统的整体效率和经济可行性至关重要[7]，[8]。

由于光伏发电对环境条件的依赖性以及传统系统占据宝贵的甲板空间，船载光伏的应用主要限于小型近海船舶，而非大型远洋船舶[9]。传统的船载光伏系统通常安装在开放的甲板上。为了提高空间效率并考虑货物和安装空间的限制，正在兴起一种新的技术路径，即在船舶的不同方向和倾斜角度上进行多角度光伏安装，例如用半透明光伏窗户替代传统的舷窗[10]，[11]。然而，这种多角度安装方法对MPPT技术提出了更严重和独特的挑战。由于每个光伏模块的空间方向不同，它们在一天中的大部分时间接收到的太阳辐射都是不均匀的[12]。这种固有的不均匀性由安装布局决定，并受到太阳连续运动、船舶自身转向操作以及桅杆和雷达等上层建筑投射的移动阴影的影响，使整个光伏阵列经常处于动态、复杂且不可预测的局部遮挡（PSC）条件下[13]。此外，船舶因波浪而产生的摇摆和俯仰会导致功率-电压（P-V）曲线上的全局最大功率点（GMPP）频繁变化[14]。显然，多角度光伏安装带来的苛刻和动态运行条件要求MPPT算法具有更快的响应速度、适应性和强大的全局跟踪能力。

目前，MPPT算法研究已分为两个主要分支：传统算法和智能优化算法。传统方法，如扰动-观察（P&O）和增量电导（INC），由于其实现简单和响应迅速，在均匀辐照条件下表现优异[15]，[16]，[17]。然而，在船载光伏应用中常见的PSC条件下，光伏阵列的P-V特性曲线呈现出具有多个局部最大功率点（LMPP）和单个GMPP的复杂轮廓[18]。在这种情况下，传统算法基于局部梯度的搜索特性使其容易陷入LMPP，导致显著的功率损失[19]，[20]。为了克服这一根本限制，研究人员引入了元启发式智能优化算法，如粒子群优化（PSO）、遗传算法（GA）和灰狼优化（GWO）[21]，[22]，[23]。凭借其固有的全局搜索能力，这些算法在多峰P-V曲线上定位GMPP方面显示出巨大潜力。为了进一步提高性能，学术界对这些基本智能优化算法进行了许多改进。例如，一项研究改进了PSO的更新策略，构建了混合粒子群优化（HPSO）算法，经验证在PSC条件下，该算法在收敛速度和稳定性方面具有优势，并显著提高了系统效率[24]。另一项研究将混沌映射理论与灰狼优化算法（LGWO）结合，利用混沌序列的遍历性质增强了算法的全局搜索能力，从而有效避免了局部最优解并实现了快速收敛和高效跟踪[25]。同样，研究人员还探索了混合进化算法（HEA），包括将两种元启发式算法（如海洋捕食者算法（MPA）与GWO结合以增强局部搜索，或将元启发式算法（如沙蚕群算法（SSA）与传统算法（如P&O）结合[26]，[27]。尽管有效，但这些HEA通常依赖于静态的、预先确定的策略，例如将算法融合为单一的固定操作符或在固定迭代次数后切换它们。此外，为了解决智能优化算法性能依赖于参数调整的问题，另一项研究开创了一种元优化策略，构建了一个双层优化框架。使用外层GWO自动寻找并确定内层PSO的最优超参数，然后由内层PSO执行MPPT任务。与标准PSO相比，该方法在真实辐照条件下的能量产出显著增加[28]。尽管像元优化这样的先进方法已经开始探索参数调整问题，但大多数智能优化算法仍然面临需要通过反复试错来调整控制参数的挑战，难以在全局探索和局部利用之间实现理想的动态平衡[29]，[30]。

面对多角度光伏系统特有的连续且快速变化的PSC条件，这些算法的固定搜索策略难以实时调整以匹配环境动态，可能导致跟踪响应缓慢甚至完全无法跟踪全局峰值。为了解决这个问题，本文提出了一种新的MPPT方法，称为协同混合进化算法（SHEA）。SHEA的架构旨在实现更高层次的智能和适应性。其核心思想是建立一个多层次的智能协作框架，通过动态调度两个功能互补的操作符，实现全局探索和局部利用之间的智能实时平衡，从而实现快速和高精度的MPPT。此外，为了减少对经验参数的依赖，该算法结合了一个与其实时状态深度耦合的多维内部参数适应机制。最后，本文通过基于实际船载数据的仿真验证了该算法在真实、复杂和动态PSC条件下的跟踪性能。

本文的其余部分组织如下：第2节详细介绍了所提出的协同混合进化算法。第3节描述了船载多角度光伏应用场景的建模。第4节通过基于实际船载数据的仿真，在标准条件、各种PSC情况和真实运行条件下，对SHEA的性能进行了全面的比较验证和讨论。最后，第5节总结了本文。

部分摘录

提出的SHEA

为有效解决多角度光伏系统在动态和复杂PSC条件下面临的全局最大功率点跟踪问题，本文提出了一种名为协同混合进化算法（SHEA）的新MPPT方法。SHEA的核心设计理念是通过采用基于强化学习的顶层智能调度机制，实现算法全局探索和局部利用之间的智能和动态平衡

船载多角度光伏系统的建模

为了全面和系统地验证第2节提出的SHEA算法的性能，本节构建了一个船载多角度光伏应用的仿真模型。该模型基于MATLAB/Simulink平台构建，其结构如图2所示。模型包括一个光伏阵列、一个Buck型DC/DC转换器、一个MPPT控制器和一个电池负载。光伏阵列的输出电压$$作为Buck转换器的输入，而其输出

结果与讨论

为了全面评估第2节提出的SHEA算法的性能，本节将利用第3节构建的仿真平台，在三个逻辑渐进的案例中对其进行测试。测试将比较SHEA与其他四种算法（即P&O、GA、PSO和GWO）在标准测试条件、逐步变化的PSC条件以及基于实际船载数据的真实运行条件下的性能，并深入讨论结果。

结论

本文提出了一种名为协同混合进化算法（SHEA）的新MPPT方法，全面的仿真结果证明了其在动态和复杂局部遮挡条件（PSC）下的优越性。其创新的QI-PSO混合操作符通过结合物理模型预测和群体智能指导，显著提高了算法的收敛速度和最终精度，在所有测试案例中表现出最低的稳态功率波动

CRediT作者贡献声明

向麒麟：撰写——原始草稿、可视化、验证、方法论、调查、数据整理。徐立杰：资源获取、方法论、资金筹集。袁成清：监督、概念化

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本研究工作得到了国家自然科学基金（52201410）、厦门市自然科学基金（3502Z20227058）和福建省自然科学基金（2022J05152）的支持。