1.基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于包括以下步骤：步骤1：搭建光伏发电系统仿真模型；

步骤2：对于DE算法，缩放因子F采用自适应取值；对于GWO算法，改进参数向量A；

步骤2中，对于标准的差分进化DE算法，缩放因子F由固定的取值变为自适应取值，缩放因子F计算式为： 式中，tmax是最大迭代次数；Fmax和Fmin是最大和最小的缩放因子，t是当前迭代次数；

对于标准的灰狼优化GWO算法，参数向量A是影响算法的搜索能力的重要参数，当|A|>1时，算法倾向全局搜索，|A|<1,算法倾向局部搜索；参数向量A的值取决于a；改进参数向量A，增强GWO算法的开发能力，采用自然指数衰减法，计算式为： b是衰减系数、t是当前迭代数、ε是衰减因子；

步骤3：构建基于DE算法和GWO算法的混合算法；

步骤4：通过步骤1搭建的光伏发电系统仿真模型，验证步骤3构建的混合算法在不同的遮影条件下的跟踪性能，分析混合算法的跟踪效率；

DE‑GWO算法的具体步骤如下：

S3.1、DE‑GWO算法候选解的初始化：

DE算法种群的初始化表达式为：

式中，DE代表附属层个体； 是附属层中群体的初始值；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代数；

是附属层第一组中第一个个体的初始值；

GWO算法种群的初始化表达式为：

式中，GWO代表主层灰狼；i是代表主层灰狼的序号，i＝(1,2,3,…,M)； 是主层中狼群的初始值；t是当前迭代数；

更新每头灰狼的位置；每头灰狼在迭代后都需要与以历史位置进行比较，使得每头灰狼能够一直保证个体最优；

在光伏发电系统仿真模型中利用测量模块，测量光伏阵列的输出电流和输出电压，得到当前占空比的光伏阵列在当前时刻的输出功率，在光伏发电系统仿真模型中利用模块量输出电压V和输出电流I的信号，计算式为P＝IV；光伏阵列的输出功率作为适应值函数fit(·)的判断；

S3.2、基于DE‑GWO算法占空比的全局搜索：

附属群体利用DE算法寻找全局最优位置，首先对附属群体进行变异操作，表达式为：式中，DE代表附属层个体；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)；t是当前迭代次数； 是附属层第i组附属群体中第j个变异个体， 是附属层中的最优解；F是缩放因子，r1、r2、r3和r4是附属层群体矩阵中随机坐标值，t是当前迭代次数；

在应用到MPPT模块中时，不考虑交叉操作，变异的粒子进行一对一的选择，计算式为：式中，DE代表附属层个体；t是当前迭代次数；i是主层狼群的序号，i＝(1,2,3,…,M)；j是附属层每组附属群体内个体序号，j＝(1,2,3,…,N)； 是附属层第i组附属群体中第j个变异个体； 是附属层第i组附属群体中第j个个体； 是 对应的光伏系统功率，作为算法的适应值； 是 对应的光伏系统功率，作为算法的适应值；

缩放因子的取值策略为自适应收缩，能够根据DE‑GWO算法的迭代次数，自适应地调整缩放因子的取值，由下式表示；

式中，tmax是最大迭代次数；t是当前迭代次数；F是缩放因子的取值；Fmax和Fmin分别是缩放因子的上限和下限；

S3.3、DE‑GWO算法的更替操作：

DE‑GWO算法以分层形式结合，主层包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，每头主层灰狼均匀附属着一组N个个体，附属层共包含MN个个体，这些个体按照DE算法的策略进行寻优；每一次的迭代中，每组附属层的个体不仅完成自身的位置更新，也参与主层灰狼的位置更新；附属层的群体数量充足，能避免错过全局最优值，能够专注于探索，发挥DE算法的优势；主层中灰狼被附属层每组最优解更替后，运用GWO算法的优势专注于开发，并反哺回附属层；

当灰狼的位置与各组附属层群体最优位置满足下式时，更替每头灰狼的位置，式中，DE代表附属层个体；GWO代表主层灰狼；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代数； 是主层中第i头灰狼的位置； 是附属层中第i组附属群体的最优解； 是 对应的光伏系统功率，作为算法的适应值； 是

对应的光伏系统功率，作为算法的适应值；

S3.4、基于DE‑GWO算法占空比的局部搜索：

狼群在附属群体的基础上，利用GWO算法的优势专注于开发，狼群的捕猎过程由α狼引导，β狼和δ狼加入捕猎过程，并帮助α狼进行决策和行动，在每一次捕猎行为中，α、β和δ狼的位置由狼群中最优的三个位置更替，狼群中的每一头灰狼都要根据α、β和δ狼的位置进行更新，计算式为：式中，DE代表附属层个体；GWO代表主层灰狼；D是灰狼与猎物之间的距离；i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数； 和 分别是第t次迭代时主层中猎物与灰狼的位置；

式中， 和 分别是 受α、β和δ狼决策的狩猎位置向量；A、C是参数向量； 是第i头灰狼的位置；

A、C是参数向量，表达式为：

A＝2ar1‑a；C＝2r2

式中，r1和r2是[0,1]间的随机量；a是依迭代数线性地从2递减至0的收敛因子；

对a的取值采用自然指数衰减法，由下式表示：

式中，b是0.6的衰减系数；t是当前迭代次数；tmax是最大迭代次数；ε是衰减因子；

S3.5、DE‑GWO算法的反哺操作：

在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体；因此，将主层灰狼的位置反哺回附属层个体，反哺包含两个内容，表达式如下：式中，i是主层狼群的序号，i＝(1,2,3,…，M)；t是当前迭代次数； 是第t+1次迭代时第i组附属群体中最差个体； 是第t+1次迭代时主层狼群中第i头灰狼的位置；

是第t+1次迭代时附属群体中最优个体； 是第t+1次迭代时主层狼群中的最优位置。

2.根据权利要求1所述基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤1中，应用MATLAB/Simulink软件，搭建光伏发电系统仿真模型，该仿真模型包括：光伏阵列、DC‑DC升压变换器、负载、MPPT算法模块；设置的负载为阻性负载。

3.根据权利要求1所述基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤3中，将DE算法和GWO算法通过更替反哺操作构建DE‑GWO算法，将DE‑GWO算法应用S‑Function函数编写为MPPT模块，该模块的输入量为光伏阵列的输出电流和电压，输出量为控制DC‑DC升压变换器的占空比，将占空比作为个体的位置，占空比在DC‑DC升压变换器中的取值为0到1，初始群体的位置在[0，1]之间均匀分布。

4.根据权利要求1所述基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤3中，当光照条件或遮影发生突变时，以功率变换量为依据设置重启条件为式中，Pn是当前时刻光伏系统的输出功率，Pm是最大功率；当ΔP>0.05时，重启算法。

5.根据权利要求1所述基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤4中，由DE‑GWO混合算法模块发出控制Boost电路的占空比D，将占空比D输入PWM脉冲信号发生模块生成PWM脉冲信号，通过Boost阻抗变化电路来实现最大功率点跟踪。

6.根据权利要求1所述基于DE‑GWO算法的光伏最大功率点跟踪方法，其特征在于：所述步骤4中，仿真包含两个仿真：静态遮影下的仿真和变遮影下的仿真，静态遮影下的仿真能够验证所提出的算法在多种部分遮影下的有效性，变遮影下的仿真能够验证算法在动态情况下的有效性。

7.用于光伏最大功率点跟踪的DE‑GWO算法，其特征在于：以分层形式结合，主层模型包含M头灰狼，灰狼种群按照GWO算法的策略进行寻优，主层的最优解会反哺附属层，指导附属层群体的寻优；每头主层灰狼均匀附属着一组N个个体，附属层模型共包含MN个个体，这些个体按照DE算法的策略进行寻优，各组的最优解会更替主层灰狼的位置；主层中灰狼被附属层每组最优解更替，计算式为 式中， 是第t次迭代的主层中第i头灰狼的位置； 是第t+1次迭代的第i组附属群体的最优解；t是当前的迭代次数；fit(·)是问题的适应度函数，由光伏阵列的输出功率作为适应度判断；

在主层狼群经过GWO算法经历第t次迭代后，第t+1次迭代的灰狼的适应值必然优于所附属的群体；因此，将主层灰狼的位置反哺回附属层个体，计算式为 和式中， 是每组附属群体中最差个体； 是附属层中最优个体； 是主层狼群中第i头灰狼的位置； 是主层中狼群最优位置；

当光照条件或遮影发生突变时，重启算法，以功率变换量为依据设置重启条件为式中，Pn是当前时刻光伏系统的输出功率，Pm是最大功率；当ΔP>0.05时，重启算法。