粒子群算法MPPT追踪最大功率点：清晰代码注释，含阴影光照仿真与负载变化迭代优化

[1]粒子群算法mppt(四个粒子)，代码注释清晰， [2]含有两个仿真模型，一个模型是查看自己所设置的阴影光照下对应的最大功率点，另一个模型则是用粒子群算法来追踪最大功率点。 其他详情可见图。 [3]负载变化也能实现最大功率点追踪，能够看到迭代次数，占空比趋于稳定的一个值

粒子群这玩意儿搞MPPT是真有意思，前两天在光伏系统里折腾了个四粒子版本的代码。咱先看核心部分——粒子群算法的迭代逻辑。下面这段代码直接把粒子群的运动规律写活了：

class Particle: def __init__(self): self.position = np.random.uniform(0,0.8) # 初始位置随机，对应占空比0-0.8 self.velocity = 0 self.best_pos = self.position self.best_power = 0 # PSO参数 particles = [Particle() for _ in range(4)] # 四个活蹦乱跳的粒子 global_best_pos = 0 w = 0.6 # 惯性权重，相当于粒子运动的"惯性"

这里有个小技巧，占空比范围限制在0-0.8是考虑到实际电路中的占空比限制。适应度计算直接拿电压电流传感器读数相乘：

def update_power(particle): duty = particle.position inverter.set_duty(duty) # 设置硬件PWM占空比 time.sleep(0.001) # 等电路稳定 v, i = sensor.read() # 读取实时数据 return v * i # 功率作为适应度

仿真模型这边，先搞了个静态特性扫描。通过扫遍所有占空比找最大功率点，这相当于给粒子群算法提供参考答案：

% 光伏阵列特性扫描 for duty = 0:0.01:0.8 set_duty(duty); pause(0.1); power = v * i; if power > max_power max_power = power; end end

动态追踪模型才是重头戏。粒子们在迭代中不断逼近最大点的过程，就像猎犬追兔子似的。看这段更新逻辑：

for particle in particles: current_power = update_power(particle) if current_power > particle.best_power: particle.best_power = current_power particle.best_pos = particle.position # 更新个体最优 if current_power > global_best_power: global_best_power = current_power global_best_pos = particle.position # 更新群体最优 # 速度更新公式（核心中的核心！） particle.velocity = w*particle.velocity + c1*random()*(particle.best_pos - particle.position) + c2*random()*(global_best_pos - particle.position) particle.position += particle.velocity # 位置更新

负载突变时的处理最见功力。当检测到功率变化超过阈值时，算法会重新初始化粒子位置，相当于让猎犬们重新闻味儿：

if abs(current_power - last_power) > threshold: print("负载突变！重新初始化粒子") for p in particles: p.position = np.random.uniform(0,0.8) p.best_pos = p.position last_power = current_power

实际跑起来的仿真曲线特别有意思。刚开始粒子们到处乱窜，占空比变化跟过山车似的。迭代到第15次左右，四个占空比数值开始往0.56附近收敛，功率曲线也稳稳地趴在了最高点。这时候就算故意给负载加个阶跃扰动，算法也能在5个迭代周期内重新锁定新位置。

有个坑得提醒：惯性权重w别设太大，不然粒子冲过头半天收敛不了。但太小了又容易陷入局部最优，调参时得拿着仿真结果反推参数，这过程跟老中医把脉似的，全靠经验积累。