CN103353716B - 可实现光伏阵列重构的拓扑结构及最大功率点求解方法 - Google Patents

Abstract

本发明公开了一种可实现光伏阵列重构的拓扑结构及最大功率点求解方法。该方法为了增强光伏阵列应对复杂环境变化的能力，首先建立局部阴影下可实现光伏阵列拓扑重构的模型；而后通过改进果蝇算法求解各种拓扑结构下的全局最大功率点，并选取对应最大输出功率的模型作为最优化拓扑结构；最后考虑实际工况的要求，确定满足约束条件的光伏阵列优化拓扑结构。通过以上算法设计，可以增强局部阴影下光伏阵列的输出功率，同时满足各种不同的工况需求。

Description

可实现光伏阵列重构的拓扑结构及最大功率点求解方法

技术领域

本发明属于最优控制和最优化方法研究领域，具体应用于光伏发电系统中，解决阴影情况下输出最大功率的方法。

背景技术

光伏发电系统中，容易受到浮云、建筑、树木等造成的遮阴影响。遮阴现象会给光伏系统带来诸多问题，例如输出功率急剧减小、热斑效应、最大功率点寻优技术失效等。光伏模块输出电压只有几十伏，输出功率只有数百瓦，通常需要串、并联组合以满足实际使用的电压和功率等级要求，加剧了遮阴的影响。因此，如何削弱遮阴影响已成为光伏发电技术的热点研究内容。

为了保证光伏发电系统的运行效率，在系统设计时有必要根据实际安装条件，考虑阴影的影响，对光伏阵列结构进行优化。同时根据局部阴影条件下的特性曲线可知，输出功率出现多个局部极大值，常规的光伏阵列最大功率点寻优算法在局部阴影条件下时可能失效，陷入局部极大值，并未实现真正的最大功率点求解。

发明内容

发明目的：从光伏阵列的结构出发，仿真研究了在遮阴影响下不同光伏阵列输出特性的变化情况，本发明建立局部阴影下可实现光伏阵列拓扑重构的模型，以减弱遮阴影响。在此基础上，提出了改进果蝇算法求解各种拓扑结构下的全局最大功率点，并确定满足约束条件的光伏阵列优化拓扑结构。

技术方案：为实现上述发明目的，本发明采用以下技术方案：包括四块光伏阵列、六个二极管和六个可控开关：其中，四块光伏阵列按串联模式连接，且相邻两个光伏阵列之间分别串接有可控开关；另外三个可控开关分别跨接在中间两个光伏阵列上；所述二极管分为两支路，其中一支路从上至下分别跨接在每个光伏阵列和可控开关组成的整体上，共计3个；另一支路从下至上分别跨接在每个可控开关和光伏阵列组成的整体上，共计3个。

本发明另一目的是提供一种基于上述拓扑结构的改进型果蝇算法求解最大功率点的方法，包括以下步骤：

第一步、算法的初始化：设置初始果蝇群体的位置、种群数量、迭代次数和迭代步进值；

第二歩、种群评价：

在对各参数进行初始化后，计算每个果蝇对应目标函数的适应值，其中所述目标函数为光伏阵列输出的总功率，适应度函数通过公式(1)和(2)表示：

${\mathrm{Smell}}_{i,j}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\{I_j\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{PVprog}(I_j,{\mathrm{Sun}}_i,T_i)\}---\left(1\right)$

$\mathrm{PVprog}(I,\mathrm{Sun},T)=1.1103\×\log \left(\frac{3.8\×\mathrm{Sun}-I+2.2\×{10}^{-8}}{2.2\×{10}^{-8}}\right)-0.2844\×I---\left(2\right)$

其中，Smell_i,j为整个光伏阵列的输出功率值，即目标函数；PVprog(I,Sun,T)为单个阵列的输出电压值；Sun_i和T_i分别表示第i个光伏阵列的光照强度和温度；I_j表示第j个支路上流过的电流值；n和m分别为串联和并联支路数；I，Sun和T分别表示电流、光照强度和温度值；

通过调用一个适应度函数计算功率值的大小，该函数实质上包含了每个模块的电流电压公式并将它们加和形成总的系统的功率输出；

第三歩、比较确定个体和全局适应度及极值

比较单个果蝇当前适应度值和历史最好适应度值的大小，如果当前适应度值较大，则更新果蝇的适应度值；每个果蝇的最佳适应度值都确定后，相互比较以确定全局的最佳适应度值；

第四步、更新果蝇的位置；

第五步、检查结束条件，若满足，结束寻优，并输出最优解的范围；否则转至第二步重复进行，结束条件为寻优达到最大进化代数。

有益效果：与现有技术相比，本发明具有以下优点：通过研究不同光伏阵列结构对阴影的不同适应情况，提出了可实现光伏阵列的重构模型，从而保证光伏阵列在局部被阴影遮挡情况下，能够尽可能降低功率损失并将多峰值功率输出曲线转变成单峰值曲线；同时提出改进果蝇算法来克服传统最大功率点寻优算法易陷入局部最优的不足，增强了求解算法对外界环境变化的适应能力；最后为了适应不同工况下的需求，结合输出功率和电流的约束条件采取最佳的结构来优化光伏阵列的输出性能。

附图说明

图1为本发明所述可实现光伏阵列重构的拓扑结构图；

图2为本发明所述改进型果蝇算法的寻找最大共v领点的流程示意图；

图3为本发明所述光伏针榴重构下的功率变化曲线；

图4为本发明改进型果蝇算法和电导增量法分别求解最大功率点的结果对比图；

图5为定义的6种不同的拓扑结构；

图6为三种不同光照情况下的光伏阵列拓扑结构选择过程。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，给出了可实现光伏阵列的重构拓扑结构图，其中包括：光伏阵列、二极管、可控开关等。根据不同的光照强度下输出最大功率的原则选择最佳的拓扑结构并以此来控制可控开关的通断，改变了原先的光伏阵列的连接结构。

如图2所示，给出了改进果蝇算法的求解最大功率点的流程图。果蝇最优化算法(Fly Optimization Algorithm，简称FOA)是一种基于果蝇觅食行为而推演出的寻求全局最优化的新方法。

果蝇群体搜索全局最优的步骤如下：

(1)算法的初始化

设置初始果蝇群体的位置、种群数量、迭代次数和迭代步进值。

(2)种群评价

在对各种参数进行初始化后，计算每个果蝇对应目标函数的适应值。目标函数为光伏阵列输出的总功率，适应度函数的表达式为：

${\mathrm{Smell}}_{i,j}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\{I_j\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{PVprog}(I_j,{\mathrm{Sun}}_i,T_i)\}---\left(1\right)$

$\mathrm{PVprog}(I,\mathrm{Sun},T)=1.1103\×\log \left(\frac{3.8\×\mathrm{Sun}-I+2.2\×{10}^{-8}}{2.2\×{10}^{-8}}\right)-0.2844\×I---\left(2\right)$

其中，为光伏阵列的输出特性函数，给定温度为25°。

通过调用一个适应度函数计算功率值的大小，该函数实质上包含了每个模块的电流电压公式并将它们加和形成总的系统的功率输出。

(3)比较确定个体和全局适应度及极值

比较单个果蝇当前适应度值和历史最好适应值的大小，如果是当前适应值较大，那么更新果蝇的适应度值。每个果蝇的最好适应功率值都确定后相互比较以确定全局的最好适应度值。

(4)更新果蝇的位置。

(5)检查结束条件，若满足，结束寻优，输出最优解的范围；否则转至(2)，结束条件为寻优达到最大进化代数。

为了使该算法在求解全局最大值的收敛速度更快，尽可能避免陷入局部最优，本文对该算法提出了适当的改进。将果蝇算法群体分成两部分，一部分果蝇在群体找到的最优解附近小范围搜索，以求找到下一个更优的解；另外一部分果蝇在更大范围内搜索最优解，尽量避免寻优过程陷入局部最优。

考虑不同的重构模型会输出同样大小的功率，但是输出电压、输出电流会各不相同。而电压、电流的大小关系到光伏发电系统能否满足多种工况下的需求，因此结合以上特性，可以确定适合于光伏阵列的能量管理策略：为确保系统输出稳定性的条件下，输出功率满足设定要求，尽量减少输出电流。而由前述讨论可知，光伏阵列串联增加开路电压；光伏阵列并联则增加短路电流。并联方式光伏阵列输出电压较低，使得直流母线流过大电流，损耗加大。所以需要考虑尽可能降低并联支路的数目来减少电流输出。根据上述能量管理策略，并考虑独立发电光伏阵列的运行特性，研究适用于光伏阵列重构模型的优化配置约束条件：

P≥(1-β)P_max  (3)

I≤(1-2β)I_max  (4)

上式中：P为在最大功率点处的实际输出功率；I为在最大功率点处的实际输出电流，β为设定的安全裕度约束值。

实施例：

将本发明提出的一种局部阴影下光伏阵列优化重构方法，实施于如下光伏系统：

采用尚德公司的50W光伏阵列参数进行建模仿真，相关参数为：P_m＝170W、V_oc＝50V、I_sc＝4A、V_m＝45V、I_m＝3.7A，以上参数为T＝25℃，S＝1000W/m²时的特性参数。

在图1中，给出了初始时光伏阵列处于均匀光照强度1000W/m²，然后由于遮阴影响，模块光照强度发生改变，S_PV1＝S_PV3＝1000W/m²、S_PV2＝S_PV4＝600W/m²。

在图3中，给出了光伏阵列重构下的功率变换曲线；其中，曲线1是在均匀光照下串联光伏阵列的曲线图；曲线2是非均匀光照下串联光伏阵列的曲线图；曲线3是非均匀光照下两并两串光伏阵列的曲线图。在光照发生改变后，光伏阵列输出最大功率由605W迅速降至260W，输出P-U状态A点转移至B点。光伏阵列经过重构后，输出最大功率由260W提高到440W，输出U-P状态由B点转移至C点。重构后，光伏阵列最大输出功率增加了180W。

在图4中，给出了改进果蝇算法和电导增量法分别求解最大功率点的结果对比图。采用常规的电导增量法，在光伏阵列发生阴影遮挡时出现多峰输出的情况下，不具备辨识多个功率极值点的功能，容易错误地陷入了局部极小值点，造成功率的损失；而采用改进果蝇算法，不仅能够快速的稳定在最大功率点处，同时能够实现全局最优化搜索，避免了陷入局部极值点。

在图5中，给出了考虑约束条件下的最优输出结构的选择过程。设定β＝20％，在t＝0s时刻，以光照强度S_PV1＝1000W/m²、S_PV2＝800W/m²、S_PV3＝600W/m²、S_PV4＝400W/m²；在t＝0.4s时刻，以光照强度S_PV1＝600W/m²、S_PV2＝600W/m²、S_PV3＝100W/m²、S_PV4＝600W/m²；在t＝0.7s时刻，以光照强度S_PV1＝1000W/m²、S_PV2＝300W/m²、S_PV3＝200W/m²、S_PV4＝100W/m²；同时分别定义：图6(a)为结构1；图6(b)为结构2；图6(c)为结构3；图6(d)为结构4；图6(e)为结构5；图6(f)为结构6，仿真研究上述6种结构输出功率特性曲线。通过控制开关s1～s6的通断路，实现不同光伏阵列的串并联结构；其中，结构1：s1～s3通路，s4～s6断路；结构2：s1～s6断路；结构3：s1、s4和s5通路，s2、s3和s6断路；结构4：s1、s2和s5通路，s3、s4和s6断路；结构5：s1、s3和s5通路，s2、s4和s6断路；结构6：s4～s6通路，s1～s3断路。为若仅考虑输出功率最大的原则，则三个阶段分别选择结构4、结构1和结构5；但是若考虑了上述约束条件，则三个阶段分别选择结构4、结构1和结构4。从仿真结果可知，虽然输出功率损失10.7％，但是输出电流却能够降低了59.6％，使得光伏阵列能够满足实际对电压要求较高的工作环境。

Claims (2)

1.一种基于可实现光伏阵列重构的拓扑结构的改进型果蝇算法最大功率点的求解方法，所述拓扑结构包括四块光伏阵列、六个二极管和六个可控开关：其中，四块光伏阵列按串联模式连接，且相邻两个光伏阵列之间分别串接有可控开关；另外三个可控开关分别跨接在中间两个光伏阵列上；所述二极管分为两支路，其中一支路从上至下分别跨接在每个光伏阵列和可控开关组成的整体上，共计3个；另一支路从下至上分别跨接在每个可控开关和光伏阵列组成的整体上，共计3个；其特征在于包括以下步骤：

第一步、算法的初始化：设置初始果蝇群体的位置、种群数量、迭代次数和迭代步进值；

第二歩、种群评价：

在对各参数进行初始化后，计算每个果蝇对应目标函数的适应值，其中所述目标函数为光伏阵列输出的总功率，适应度函数通过公式(1)和(2)表示：

${\mathrm{Smell}}_{i,j}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\{I_j\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{PVprog}(I_j,{\mathrm{Sun}}_i,T_i)\}---\left(1\right)$

$\mathrm{PVprog}(I,\mathrm{Sun},T)=1.1103\×\log \left(\frac{3.8\×\mathrm{Sun}-I+2.2\×{10}^{-8}}{2.2\×{10}^{-8}}\right)-0.2844\×I---\left(2\right)$

其中，Smell_i,j为整个光伏阵列的输出功率值，即目标函数；PVprog(I,Sun,T)为单个阵列的输出电压值；Sun_i和T_i分别表示第i个光伏阵列的光照强度和温度；I_j表示第j个支路上流过的电流值；n和m分别为串联和并联支路数；I，Sun和T分别表示电流、光照强度和温度值；

通过调用一个适应度函数计算功率值的大小，该函数实质上包含了每个模块的电流电压公式并将它们加和形成总的系统的功率输出；

第三歩、比较确定个体和全局适应度及极值

比较单个果蝇当前适应度值和历史最好适应度值的大小，如果当前适应度值较大，则更新果蝇的适应度值；每个果蝇的最佳适应度值都确定后，相互比较以确定全局的最佳适应度值；

第四步、更新果蝇的位置；

第五步、检查结束条件，若满足，结束寻优，并输出最优解的范围；否则转至第二步重复进行，结束条件为寻优达到最大进化代数。

2.根据权利要求1所述改进型果蝇算法最大功率点的求解方法，其特征在于：所述最大功率点求解方法适用于光伏阵列重构模型的优化配置约束条件如下：

P≥(1-β)P_max               (3)

I≤(1-2β)I_max              (4)

式中：P为在最大功率点处的实际输出功率；I为在最大功率点处的实际输出电流，β为设定的安全裕度约束值。