CN104267778B - 一种基于功率微分的光伏发电最大功率点跟踪方法 - Google Patents

Abstract

本发明公开了一种基于功率微分的光伏发电最大功率点跟踪方法，本发明将Boost电路的占空比作为控制变量，首先通过对功率微分绝对值及其前后采样时刻的关系判定找到最大功率点附近区域所对应的占空比区间，再采用改进量子遗传算法寻优求得最优占空比，并将其输出给Boost电路以实现对最大功率点的跟踪。与现有技术相比，该发明具有搜索速度快，能克服外界环境发生剧烈变化时产生的误判和跟踪失效的问题。

Description

一种基于功率微分的光伏发电最大功率点跟踪方法

技术领域

本发明涉及光伏发电技术，尤其是光伏电池最大功率点跟踪技术领域。

背景技术

太阳能是当前世界上最清洁、最现实、大规模开发利用最有前景的可再生能源之一。其中太阳能光伏利用受到世界各国的普遍关注，太阳能电池在工作时，随着日照强度、环境温度的不同，其端电压将发生变化，使输出功率也产生很大变化，故太阳能电池本身是一种极不稳定的电源。如何能在不同日照、温度的条件下输出尽可能多的电能，提高系统的效率，这就在理论上和实践上提出了太阳能电池阵列的最大功率点跟踪问题，最大功率点跟踪环节是光伏发电系统的关键技术之一，此环节影响着整个系统的控制精度和光电转化效率，对降低发电成本、推进光伏发电技术深入发展具有重大意义。

目前很多的最大功率点跟踪方法都是基于扰动观察法衍生出来的，扰动观察法具有控制策略简单，容易实现，对参数检测的精度要求也不是很高，在日照变化不是很剧烈的情况下有较好的控制效果等优点。但该方法有一较明显的缺点，即需要始终判断对电压加以干扰的系统是否工作在最大功率点处。因此即使是在稳态时，系统工作电压也不能稳定在一个特定值上，由此不可避免地会造成一定功率的损失。

发明内容

本发明的目的就是为了解决上述现有技术存在的缺陷而提供一种跟踪速度快，能够有效克服外界环境发生剧烈变化时产生的误判和跟踪失效的基于功率微分的光伏发电最大功率点跟踪方法，该方法在系统初始阶段通过对不同采样时刻功率微分绝对值P′(k-1)、P′(k)、P′(k+1)的关系判断追踪到最大功率点附近，而后引用改进量子遗传算法实现对最大功率点的跟踪。

本发明的目的可以通过以下技术方案来实现：

一种基于功率微分的光伏发电最大功率点跟踪方法，具体包含以下步骤：

(1)调节占空比D使其在[0,1]区间内作连续的改变，实时采集占空比D(k)(k＝1,2,…,N)和功率P(k)的值并以数据阵列的形式保存，其中N为正整数，ΔD为实数，满足ΔD≤0.05且能被1整除。

(2)由步骤(1)所得占空比D(k)和功率P(k)值计算功率微分绝对值P′(k)的大小并以数据阵列的形式保存。

(3)根据步骤(2)所得的功率微分绝对值P′(k)和占空比D(k)数据阵列，求出功率微分绝对值P′(k)的两个极大值及其对应的最小占空比D_min和最大占空比D_max。

(4)在步骤(3)所得区间[D_min,D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比。

(5)将步骤(4)所得最优占空比信号输出给Boost控制电路，由该电路控制光伏阵列使其工作在最大功率点。

其中步骤(2)中由步骤(1)所得D(k)和P(k)值计算功率微分绝对值P′(k)的大小并以数据阵列的形式保存的具体步骤为：

(2a)k＝1时，P′(k)＝0；

(2b)令k＝k+1，如果k>N则转步骤(2d)，否则计算的大小，其中：|·|表示求绝对值；

(2c)转步骤(2b)；

(2d)以数据阵列的形式保存功率微分绝对值P′(k)。

进一步，步骤(3)中根据步骤(2)所得的P′(k)和D(k)数据阵列，求出功率微分绝对值P′(k)的两个极大值及其对应的最小占空比D_min和最大占空比D_max的具体步骤为：

(3a)初始化，令k＝1，D_min＝0，D_max＝0，l_min＝0，l_max＝0，flag＝0，其中，l和flag均为非负整数，l_min为l的最小值，l_max为l的最大值；

(3b)令k＝k+1，如果k>N或flag>2，转步骤(3h)；

(3c)若P′(k)>P′(k-1)且P′(k)>P′(k+1)，则flag＝flag+1；

(3d)若flag＝0，转步骤(3f)；

(3e)若flag＝1，则D_min＝D(k)，l_min＝k，转步骤(3f)；

(3f)转步骤(3b)；

(3g)若flag＝2，则D_max＝D(k)，l_max＝k；

(3h)保存D_min和D_max的值。

进一步，步骤(4)在步骤(3)所得区间[D_min,D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比的具体步骤为：

(4a)从数据阵列中读入P′(k)和D(k)的值；

(4b)设置量子遗传算法种群规模popsize，运行总代数gen，运行代数g＝1，变异概率p_m，其中，popsize，gen,g为正整数，p_m为实数；

(4c)种群初始化：随机产生一个种群规模为popsize的量子种群，量子染色体的长度为m，其中m为正整数，并将全部染色体的量子概率幅初始化为

(4d)种群测量：对每个个体进行一次坍塌测量，使每个个体从不确定的概率状态转换为确定状态，即观测态。测量方法是：随机产生[0,1]之间的一个数，若随机数大于量子概率幅的平方，则测量值为1；反之，测量值为0；

(4e)计算个体适应度，并对测量值进行适应度评估，记录最优适应度值的个体为下一步进化的目标值；其中：个体适应度J采用以下公式计算：

$J=\underset{k=l_{\min }}{\overset{l_{\max }}{\mathrm{\Σ}}}{(P^{\′}\left(k\right)-\hat{y}\left(k\right))}^2---\left(1\right)$

其中：

$\hat{y}\left(k\right)={\mathrm{aD}}^2\left(k\right)+\mathrm{bD}\left(k\right)+c,(k=l_{\min },l_{\min }+1,\·\·\·,l_{\max })---\left(2\right)$

(4f)对步骤(4e)所得最优个体进行混沌搜索，如果所得个体适应度值小于原最优适应度值，则更新最优个体和对应的适应度值；

(4g)令g＝g+1，如果g>gen，则转步骤(4k)；

(4h)种群更新，利用量子旋转门对个体实施调整，得到新的种群；

(4i)种群变异，对每个个体产生一个(0,1)之间的随机数r，若r<p_m，则对该个体进行量子变异操作；

(4j)返回步骤(4d)；

(4k)输出最优个体及其适应度值；

(4l)由步骤(4k)所得最优个体计算并输出对应的最优占空比。

其中，步骤(4h)中种群更新，利用量子旋转门对个体实施调整所采用的方法为动态调整量子门旋转角的方法，其调整公式为：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]---\left(3\right)$

其中，(α_i,β_i)^T代表染色体中的第i个量子比特，i为正整数，(α_i′,β_i′)^T代表更新后的量子比特，θ_i为旋转角，可由下面公式求得：

θ_i＝s(α_iβ_i)Δθ_i(4)

其中，s(α_iβ_i)是θ_i的符号，Δθ可表示为：

Δθ＝Δθ_max-(Δθ_max-Δθ_min)·f(5)

其中，Δθ_max、Δθ_min分别为Δθ取值范围内的最大值和最小值，

$f=1-{\log }_2(1+\frac{f_{\mathrm{best}}}{f_x})---\left(6\right)$

其中，f_x为当前个体的适应度值，f_best为已搜索到的最优个体的适应度值。

附图说明

图1是本发明的光伏电池的功率占空比P-D特性曲线及功率微分绝对值P′-D的特性曲线图。

图2是本发明的基于功率微分的光伏发电最大功率点跟踪方法的总流程图。

图3为本发明的改进量子遗传算法的流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

一种基于功率微分的光伏发电最大功率点跟踪方法，具体包含以下步骤：

(1)调节占空比D使其在[0,1]区间内作连续的改变，实时采集占空比D(k)(k＝1,2,…,N)和功率P(k)的值并以数据阵列的形式保存，其中N为正整数，ΔD为实数，满足ΔD≤0.05且能被1整除。

(2)由(1)所得D(k)和P(k)值计算功率微分绝对值P′(k)的大小并以数据阵列的形式保存。

(3)根据步骤(2)所得的P′(k)和D(k)数据阵列，求出P′(k)的两个极大值及其对应的最小占空比D_min和最大占空比D_max。

(4)在步骤(3)所得区间[D_min,D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比。

(5)将步骤(4)所得最优占空比信号输出给Boost控制电路，由该电路控制光伏阵列使其工作在最大功率点。

步骤(1)中占空比步长大小应设置为能被1整除。步长过大，则会导致采集的数据量过多，计算过于繁琐，追踪速度慢；步长太小，则会导致拟合误差太大，不能准确的追踪到最大功率点，本发明中ΔD优选为0.01。

其中步骤(2)中由步骤(1)所得D(k)和P(k)值计算功率微分绝对值P′(k)的大小并以数据阵列的形式保存的具体步骤为：

(2a)k＝1时，P′(k)＝0；

(2b)令k＝k+1，如果k>N则转步骤(2d)，否则计算的大小，其中：|·|表示求绝对值；

(2c)转步骤(2b)；

(2d)以数据阵列的形式保存P′(k)。

如图1所示，功率微分绝对值曲线所呈现的特性是“双峰特性”，两处功率微分绝对值的极大值所包含的区间即为最大功率点的附近区域，为求得该两处极大值所对应的占空比，可先对功率及占空比采样从而得到与占空比相对应的功率微分的绝对值大小，然后通过对不同采样时刻功率微分绝对值P′(k-1)、P′(k)、P′(k+1)的关系判断即可得到该两处极大值所对应的占空比。步骤(3)中根据步骤(2)所得的P′(k)和D(k)数据阵列，求出P′(k)的两个极大值及其对应的最小占空比D_min和最大占空比D_max的具体步骤为：

(3a)初始化，令k＝1，D_min＝0，D_max＝0，l_min＝0，l_max＝0，flag＝0，其中，l和flag均为非负整数，l_min为l的最小值，l_max为l的最大值；

(3b)令k＝k+1，如果k>N或flag>2，转步骤(3h)；

(3c)若P′(k)>P′(k-1)且P′(k)>P′(k+1)，则flag＝flag+1；

(3d)若flag＝0，转步骤(3f)；

(3e)若flag＝1，则D_min＝D(k)，l_min＝k，转步骤(3f)；

(3f)转步骤(3b)；

(3g)若flag＝2，则D_max＝D(k)，l_max＝k；

(3h)保存D_min和D_max的值。

由图1可知功率微分绝对值曲线在[D_min,D_max]区间段近似为一开口向上的抛物线，最大功率点所对应的占空比即为该抛物线最低点时所对应的占空比，可设该抛物线的表达式为为确定最优拟合曲线所对应的a,b,c的值，可采用改进量子遗传算法来进行求解。量子遗传算法较遗传算法而言具有搜索范围更广、适应性更强、效率更高等特点。步骤(4)在步骤(3)所得区间[D_min,D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比所采用的方法为改进量子遗传算法，具体步骤为：

(4a)从数据阵列中读入P′(k)和D(k)的值；

(4b)设置量子遗传算法种群规模popsize，运行总代数gen，运行代数g＝1，变异概率p_m，其中，popsize，gen,g为正整数，p_m为实数；

(4c)种群初始化：随机产生一个种群规模为popsize的量子种群，量子染色体的长度为m，其中m为正整数，并将全部染色体的量子概率幅初始化为

(4d)种群测量：对每个个体进行一次坍塌测量，使每个个体从不确定的概率状态转换为确定状态，即观测态。测量方法是：随机产生[0,1]之间的一个数，若随机数大于量子概率幅的平方，则测量值为1；反之，测量值为0；

(4e)计算个体适应度，并对测量值进行适应度评估，记录最优适应度值的个体为下一步进化的目标值；其中：个体适应度J采用以下公式计算：

$J=\underset{k=l_{\min }}{\overset{l_{\max }}{\mathrm{\&Sigma;}}}{(P^{\&prime;}\left(k\right)-\hat{y}\left(k\right))}^2---\left(1\right)$

其中：

$\hat{y}\left(k\right)={\mathrm{aD}}^2\left(k\right)+\mathrm{bD}\left(k\right)+c,(k=l_{\min },l_{\min }+1,\&CenterDot;\&CenterDot;\&CenterDot;,l_{\max })---\left(2\right)$

(4f)对步骤(4e)所得最优个体进行混沌搜索，如果所得个体适应度值小于原最优适应度值，则更新最优个体和对应的适应度值；

(4g)令g＝g+1，如果g>gen，则转步骤(4k)；

(4h)种群更新，利用量子旋转门对个体实施调整，得到新的种群；

(4i)种群变异，对每个个体产生一个(0,1)之间的随机数r，若r<p_m，则对该个体进行量子变异操作；

(4j)返回步骤(4d)；

(4k)输出最优个体及其适应度值；

(4l)由步骤(4k)所得最优个体计算并输出对应的最优占空比。

其中，步骤(4h)中种群更新，利用量子旋转门对个体实施调整所采用的方法为动态调整量子门旋转角的方法，其调整公式为：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]---\left(3\right)$

其中，(α_i,β_i)^T代表染色体中的第i个量子比特，i为正整数，(α_i′,β_i′)^T代表更新后的量子比特，θ_i为旋转角，可由下面公式求得：

θ_i＝s(α_iβ_i)Δθ_i(4)

其中，s(α_iβ_i)是θ_i的符号，Δθ可表示为：

Δθ＝Δθ_max-(Δθ_max-Δθ_min)·f(5)

上式中，Δθ_max、Δθ_min分别为Δθ取值范围内的最大值和最小值，

$f=1-{\log }_2(1+\frac{f_{\mathrm{best}}}{f_x})---\left(6\right)$

其中，f_x为当前个体的适应度值，f_best为已搜索到的最优个体的适应度值。

通过改进量子遗传算法可求得适应度函数的最小值，即可得到采样值与拟合曲线误差最小时的最优个体，从而能求得最优占空比。

本发明步骤(4h)中种群更新，利用量子旋转门对个体实施调整所采用的方法为动态调整量子门旋转角的方法。传统的量子遗传算法的量子旋转角是通过查表方式获取的，该方式提供的旋转角是非连续、离散的，这样就造成对解空间进行搜索时，可能会存在跳跃性和片面性的问题。为了克服通过查表获得旋转角的缺点，本发明提出了一种根据当前解与最优解的适应度值的关系，动态调整量子门旋转角θ的大小，采用一种实时变化的调整旋转角策略。该调整策略实现了粗搜索和细搜索的结合，粗搜索方式用于较广范围内的搜索；而细搜索则是在个体的适应度值与最优个体的适应度值的比值到某一范围时，进行精细搜索，有效地提高了搜索效率和搜索精度。在运算初期，当前个体的适应度值与最优个体的适应度值相差较大时，应选择较大的Δθ值；反之，当前个体的适应度值与最优个体的适应度值相接近时，应选择较小的Δθ值，以实现精细搜索，Δθ_min和Δθ_max的取值分别优选为：0.001π和0.05π

本发明步骤(4f)中，将混沌搜索技术融入改进量子遗传算法，利用混沌搜索的随机性、遍历性来提高算法在局部区域的细搜能力，提高改进算法的寻优精度。

本发明为防止改进算法陷入局部极值，在步骤(4i)中在改进算法中引入了变异操作。通过变异操作，既能增加种群的多样性，又能防止早熟收敛和增大搜索到最优解的能力。

本发明所采用的改进量子遗传算法中参数的设置为：种群规模popsize优选为30，总迭代次数gen为100～1000，优选为200，变异概率p_m为0.05～0.25，优选为0.1，量子染色体长度优选为30。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (5)

1.一种基于功率微分的光伏发电最大功率点跟踪方法，其特征在于包含以下步骤：

(1a)调节占空比D使其在[0,1]区间内作连续的改变，实时采集占空比D(k),k＝1,2,…,N和功率P(k)的值并以数据阵列的形式保存，其中N为正整数，ΔD为实数，满足ΔD≤0.05且能被1整除；

(1b)由(1a)所得占空比D(k)和功率P(k)值计算功率微分绝对值P′(k)的大小并以数据阵列的形式保存；

(1c)根据步骤(1b)所得的功率微分绝对值P′(k)和占空比D(k)数据阵列，求出功率微分绝对值P′(k)的两个极大值及其对应的最小占空比D_min和最大占空比D_max；

(1d)在步骤(1c)所得区间[D_min,D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比；

(1e)将步骤(1d)所得最优占空比信号输出给Boost控制电路，由Boost控制电路控制光伏阵列使其工作在最大功率点。

2.根据权利要求1所述的一种基于功率微分的光伏发电最大功率点跟踪方法，其特征在于，所述的步骤(1b)中计算功率微分绝对值P′(k)的大小并以数据阵形的形式保存的具体步骤为：

(2a)k＝1时，P′(k)＝0；

(2b)令k＝k+1，如果k＞N则转步骤(2d)，否则，计算的大小，其中：|·|表示求绝对值；

(2c)转步骤(2b)；

(2d)以数据阵列的形式保存P′(k)。

3.根据权利要求1所述的一种基于功率微分的光伏发电最大功率点跟踪方法，其特征在于，所述的步骤(1c)中求出P′(k)的两个极大值及其所对应的最小占空比D_min和最大占空比D_max的具体步骤为：

(3a)初始化，令k＝1，D_min＝0，D_max＝0，l_min＝0，l_max＝0，flag＝0，其中，l和flag为非负整数，l_min为l的最小值，l_max为l的最大值；

(3b)令k＝k+1，如果k＞N或flag＞2，转步骤(3h)；

(3c)若P′(k)＞P′(k-1)且P′(k)＞P′(k+1)，则flag＝flag+1；

(3d)若flag＝0，转步骤(3f)；

(3e)若flag＝1，则D_min＝D(k)，l_min＝k，转步骤(3f)；

(3f)转步骤(3b)；

(3g)若flag＝2，则D_max＝D(k)，l_max＝k；

(3h)保存D_min和D_max的值。

4.根据权利要求1所述的一种基于功率微分的光伏发电最大功率点跟踪方法，其特征在于，所述步骤(1d)在步骤(1c)所得区间[D_min，D_max]内寻优求得功率微分绝对值P′(k)的最小值及其所对应的最优占空比所采用的方法为改进量子遗传算法，其具体步骤为：

(4a)从数据阵列中读入P′(k)和D(k)的值；

(4b)设置量子遗传算法种群规模popsize，运行总代数gen，运行代数g＝1，变异概率p_m，其中，popsize，gen,g为正整数，p_m为实数；

(4c)种群初始化：随机产生一个种群规模为popsize的量子种群，量子染色体的长度为m，其中m为正整数，并将全部染色体的量子概率幅初始化为

(4d)种群测量：对每个个体进行一次坍塌测量，使每个个体从不确定的概率状态转换为确定状态，即观测态，测量方法是：随机产生[0,1]之间的一个数，若随机数大于量子概率幅的平方，则测量值为1；反之，测量值为0；

(4e)计算个体适应度，并对测量值进行适应度评估，记录最优适应度值的个体为下一步进化的目标值；其中：个体适应度J采用以下公式计算：

$J=\underset{k=l_{\min }}{\overset{l_{\max }}{\&Sigma;}}{\left(P^{\&prime;}\right(k)-\hat{y}(k\left)\right)}^2---\left(1\right)$

其中：

$\begin{array}{cc}\hat{y}\left(k\right)={\mathrm{aD}}^2\left(k\right)+bD\left(k\right)+c& k=l_{\min },l_{\min }+1,...,l_{\max }\end{array}---\left(2\right)$

(4f)对步骤(4e)所得最优个体进行混沌搜索，如果所得个体适应度值小于原最优适应度值，则更新最优个体和对应的适应度值；

(4g)令g＝g+1，如果g＞gen，则转步骤(4k)；

(4h)种群更新，利用量子旋转门对个体实施调整，得到新的种群；

(4i)种群变异，对每个个体产生一个(0,1)之间的随机数r，若r＜p_m，则对该个体进行量子变异操作；

(4j)返回步骤(4d)；

(4k)输出最优个体及其适应度值；

(4l)由步骤(4k)所得最优个体计算并输出对应的最优占空比。

5.根据权利要求4所述的一种基于功率微分的光伏发电最大功率点跟踪方法，其特征在于，所述步骤(4h)中种群更新，利用量子旋转门对个体实施调整所采用的方法为动态调整量子门旋转角的方法，其调整公式为：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]---\left(3\right)$

其中，(α_i,β_i)^T代表染色体中的第i个量子比特，i为正整数，(α′_i,β′_i)^T代表更新后的量子比特，θ_i为旋转角，可由下面公式求得：

θ_i＝s(α_iβ_i)Δθ_i(4)

其中，s(α_iβ_i)是θ_i的符号，Δθ可表示为：

Δθ＝Δθ_max-(Δθ_max-Δθ_min)·f(5)

其中，Δθ_max、Δθ_min分别为Δθ取值范围内的最大值和最小值，

$f=1-{\log }_2(1+\frac{f_{best}}{f_x})---\left(6\right)$

其中，f_x为当前个体的适应度值，f_best为已搜索到的最优个体的适应度值。