1.适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，用改进的灰狼算法THW‑GWO‑P&O通过MPPT控制器调整Boost电路的占空比，将光伏阵列的输出功率保持在最大功率点附近，记所述光伏阵列的输入为太阳辐照度及温度，输出为电压、电流、功率、效率，包括如下步骤：S1.构建改进的灰狼算法THW‑GWO‑P&O；将传统灰狼算法GWO和最大功率跟踪结合起来，对GWO算法进行改进，通过改进收敛因子，再对加权距离、位置更新权重进行调整，形成双狼牵头的改进灰狼算法THW‑GWO，最后和传统P&O算法进行结合，形成改进的灰狼算法THW‑GWO‑P&O；所述的改进收敛因子，具体包括：S104、改进收敛因子与加权距离；GWO算法的全局和局部的搜索能力都受到参数A的影响；当| A |≤1时，狼群趋于追随头狼进行狩猎；当| A |>1时，狼群趋于分散寻找猎物，参数A随收敛因子a的大小而改变，对GWO算法进行改进，通过位置更新权重，融合GWO算法在线性变化时导致全局勘探和局部开发平衡不佳的问题；

S105、引入非线性双收敛因子，在GWO算法中，前半部分迭代的控制算法用于全局勘测最优值，后半部分迭代用于局部寻找最优值，收敛因子a虽然呈线性变化，但出现全局、局部的寻优无法达到平衡的局面；为了解决这一问题，THW‑GWO提出了一种新的方法；首先计算出狼群的平均适应度值，高于平均适应度值为捕猎狼，而低于平均适应度值则为侦察狼，根据分类确定对应的非线性双收敛因子；收敛因子的改进确保了收敛因子a1在前、后期缓慢递减、中期快速递减，在全局搜索和局部开发间达到平衡，从而提高算法的收敛速度，且使收敛因子a2从非线性递减到0，增强了侦察狼的全局勘探能力；

S106、引入全局头狼γ更新全局最优值，对GWO算法进行改进，通过引入自适应权重系数和Levy飞行策略，融合了GWO算法在线性变化时导致全局勘探和局部开发之间平衡不佳的问题；记全局头狼γ为迭代过程中的全局最优值，γ狼的工作内容是与捕猎狼进行联络，更新全局最优解、引导侦察狼搜索猎物；γ狼的位置记为Pbest，对位置进行更新，更新公式中使用了Levy飞行，且为了提高侦察狼的搜寻效率，在其Levy飞行后得到不佳位置的情况下，则不对位置进行更改，侦察狼位置重新进行了更新；

S2.设置仿真工况，设计光伏阵列在不同工况下的运行数据，其中，将工况分成均匀光照下和局部遮阴条件下，所述运行数据为光伏阵列每块单体光伏电池的不同太阳辐照度及温度；

S3.基于Matlab/Simulink中搭建光伏发电系统的仿真模型，包括光伏阵列、MPPT控制器、Boost升压电路和负载组成部分，其中光伏阵列由多个光伏电池组成，用THW‑GWO‑P&O算法通过MPPT控制器对电路占空比进行控制；

S4.以光伏阵列每块单体光伏电池的不同太阳辐照度及温度作为数据输入，及以电压、电流、功率、效率作为数据输出，运行所述光伏发电系统的仿真模型，观察THW‑GWO‑P&O算法在不同条件下实际电压、电流、功率与理想电压、电流、功率之间的差距，且对不同算法在相同、不同条件下的效率进行对比分析；S5.构建的仿真模型分别模拟了均匀光照条件和遮荫条件下的全局最大功率点跟踪，通过与P&O算法、GWO算法和THW‑GWO算法进行对比分析，验证THW‑GWO‑P&O算法在复杂光照条件下跟踪最大功率点的精度和速度。

2.如权利要求1所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤S1所述的将传统灰狼算法GWO和最大功率跟踪结合起来，包括：S101、GWO算法求取最优解，GWO算法基于搜索、包围和狩猎的原理，灰狼通过调整位置不断迭代，朝最优解的方向聚集，最终实现目标；

S102、制定GWO算法寻优规则，每次计算灰狼的适应度后，在α狼、β狼和δ狼之间进行比较，以确定新的领导者；更新过程如下：首先，将灰狼平均适应度先与α狼进行比较，如果超过则成为新头狼，否则维持不变；接着，将适应度与β狼比较，若超过则替换；若适应度不及α狼和β狼，则与δ狼比较，如超过则成为新的δ狼；灰狼的适应度若低于α狼、β狼和δ狼，则保持领导层级不变；

S103、获取全局最大功率，以光伏阵列的实时功率作为适应度函数，灰狼的位置对应占空比；随着每一轮的更新，灰狼群逐渐接近全局最大功率点；通过设定不同光伏阵列输入数据从而获取GWO算法在不同工况下的运行数据，此过程中狼α的适应度被认为是最大输出功率。

3.如权利要求2所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤S103所述的获取GWO算法在不同工况下的运行数据，具体包括：S1031、计算GWO算法效率，在当前均匀、局部遮阴光照条件下，记录GWO算法在不同条件下实际电压、电流、功率与理想电压、电流、功率之间的差距，判断效率的高低；

S1032、提取GWO算法变化特征，研究GWO算法在太阳能光伏电池处于局部遮荫的条件下，跟踪特性曲线多个峰值中存在的唯一全局最大功率点，提取理想功率和实际功率之间的变化特征。

4.如权利要求1所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤S104所述的通过位置更新权重，具体包括：采用一种新的跳出机制，避免GWO算法中引领狩猎的α狼判断错误带来的困境；当连续迭代n次，α狼的位置仍保持不变时，则让狼群进行一次Levy飞行来继续寻找其他最优解，直至算法结束。

5.如权利要求1所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤S106所述的引入自适应权重系数，包括：引入双头狼机制的自适应权重系数，GWO算法使用平均权重更新系数，但这种策略会减慢捕猎的速度；THW‑GWO算法引入了双头狼机制，它们分别负责捕猎狼和侦察狼；由于捕猎狼的目标是围杀猎物，而侦察狼的任务则是搜寻猎物；为此，THW‑GWO算法提出捕猎狼的移动权重由适应度值递减速度快慢决定的这种策略；这一策略避免灰狼个体都向α狼集中，平衡了α狼、β狼和δ狼之间的影响力，从而增强了算法的勘探能力。

6.如权利要求1所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤 S2所述的设置仿真工况，具体包括：工况一，设置在均匀光照条件下；

工况二，设置在局部遮阴条件下；

仿真信息设置，仿真时选取光伏输出功率、输出电流、输出电压和光电转换效率四个方面进行分析；MPPT跟踪效率定义为在相同环境条件下，光伏系统实际跟踪到的最大输出功率与理论上可达到的最大输出功率的比值；在Matlab/Simulink中搭建光伏发电系统的仿真模型，光伏阵列采用5×1串联结构；仿真时设置了两种仿真工况，温度始终保持在25℃，对光伏阵列在P&O、GWO、THW‑GWO、THW‑GWO‑P&O四种MPPT方法下的控制效果进行对比分析，通过S‑function模块来实现各算法的具体应用。

7.如权利要求1所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法，其特征在于，步骤S5所述的构建的仿真模型分别模拟了均匀光照条件和遮荫条件下的全局最大功率点跟踪，通过与P&O、GWO和THW‑GWO算法进行对比分析，验证THW‑GWO‑P&O算法在复杂光照条件下跟踪最大功率点的精度和速度，具体包括：S501、对算法进行初始化，初始化10只狼的位置，这些位置在0.1到1之间等距分布，表示光伏阵列的占空比；

S502、对算法进行适应度评价，选取输出功率P作为光伏阵列的适应度函数，并评估每只狼的表现；取适应度排名前三的狼，利用它们的位置信息引导其他灰狼；

S503、对算法进行位置更新，根据公式更新狼的位置，使它们向最大功率点靠近；此阶段利用THW‑GWO算法的全局搜索性能，使狼群快速收敛到最大功率点附近；

S504、对算法进行局部搜索，当达到最大迭代次数或接近MPP时，采用小步长的P&O算法进行局部搜索；P&O算法具有良好的局部搜索性能和快速收敛性能，能够在最大功率点附近实现精确的调节；此阶段使用小步长的P&O算法进行局部搜索，直到确定最准确的MPP位置；

当满足终止条件时，则输出最优值，及最优占空比。

8.适用于储能电站充电的光伏阵列的改进灰狼MPPT控制装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑7中任一项所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法。

9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑7中任一项所述的适用于储能电站充电的光伏阵列的改进灰狼MPPT控制方法。