CN104317348B - 基于粒子群算法的光伏电池板最大功率跟踪方法及系统 - Google Patents

Abstract

本发明公开了一种基于粒子群算法的光伏电池板最大功率跟踪方法，首先设置功率初始值以及确定粒子位置的初始位置和粒子个数；然后以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；最后通过各粒子最优值的比较选出最大值作为粒子群的群最优值并输出；本发明根据粒子群算法获取光伏电池板的输出电压，PWM的占空比作为粒子的更新速度，电池板的输出功率作为判断粒子位置的目标函数；以粒子更新速度作为输出对Boost电路的开关管进行PWM调制，得出更新后的粒子位置，选出优化值对粒子的更新指出方向；搜索粒子的最优值，实现了MPPT目标。该跟踪方法智能化程度高，跟踪精度高，电池板能跟踪到最大功率值点而不陷入局部最优。

Description

基于粒子群算法的光伏电池板最大功率跟踪方法及系统

技术领域

本发明涉及光伏电池控制领域，特别涉及一种基于粒子群算法的光伏电池板最大功率跟踪方法及系统。

背景技术

光伏电池板的输出功率会随着输出电压的增大先逐渐增大再减小，为了使光伏电池板的输出功率最大，就必须对输出电压进行跟踪使其工作在最大功率点处。经过多年来国内外的相关研究，实际最大功率跟踪(MaximumPowerPointTracking，MPPT)中，应用较为普遍的有恒压跟踪法、扰动观察法、电导增量法、模糊控制法和粒子群算法(particleswarmoptimization，PSO)等。

扰动观察法(PerturbandObvserve,P&O)；此方法是通过扰动改变电池板的输出电压，然后观察不同电压下的电池板输出功率P和(P+△P)，比较其大小关系后确定电池板应该工作在电压U还是(U+△U)处才能使功率最大。当(P+△P)>P时，按照扰动的方向进行跟踪；当(P+△P)<P时，按照扰动的反方向进行跟踪；通过前后时刻大小比较确定下一时刻的方向，目标是找到最大值，但是当扰动步长太大时会产生剧烈震荡，步长太小会使跟踪速度变慢。虽然在专利CN201410225403中控制了跟踪步长，但在快速变化的外界环境下光照强度的变化会使P-V曲线出现多峰值现象，会使扰动观察法出现误跟踪；如图1的P-V曲线所示，图1为变化光照强度下的电池板P-V曲线；图1中，在跟踪过程中的M点，光照强度增大，此时的P-V曲线为NB段。当跟踪到B点是光照强度突然变小，此时的扰动观察法还是会跟踪到B点而不是A点。如果B点比A点高度高，则跟踪正确，如果A点比B点高就出现了误跟踪。

其中恒压法是取统计过程中的最大功率对应电压值，由于不能根据一天中的光照强度变化所以误差较大。扰动观察法应用简单，但跟踪效率不高，甚至有时候会出现跟踪错误。虽然模糊控制法在跟踪准确性上有所提高，但跟踪速度无法摆脱方法原理限制。

因此需要一种智能化程度高、跟踪精度高的光伏电池板的输出功率跟踪方法及系统。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种智能化程度高、跟踪精度高的光伏电池板的输出功率跟踪方法及系统。

本发明的目的之一是提出一种基于粒子群算法的光伏电池板最大功率跟踪方法；本发明的目的之二是提出一种基于粒子群算法的光伏电池板最大功率跟踪系统。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的基于粒子群算法的光伏电池板最大功率跟踪方法，包括以下步骤：

S1：调整电池板负载与电池板内阻相匹配；

S2：从电池板输出功率值中选取一个小于最大输出功率的功率值，作为与迭代后所计算的适应度作比较的功率初始值，赋给控制器中的功率参数Pmax；

S3：在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数，分别赋给控制器中的参数；

S4：以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

S5：通过各粒子最优值的比较选出最大值作为粒子群的群最优值与功率参数Pmax的值比较，将较大者赋给功率参数Pmax；

S6：功率参数Pmax对应值即为粒子群跟踪到的电池板最大功率；

S7：将粒子速度、粒子位置、粒子最优值和粒子群最优值代入以下迭代公式计算出新的粒子速度和位置：

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

w为惯性权重因子；

p_id是D维空间中第d维的粒子i的最优值；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

c₁、c₂为学习因子；

r₁、r₂为随机数r₁,r₂∈[0,1]；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；

S8：根据更新前后粒子位置差值控制PWM信号,当更新前后差值为正,则减小PWM信号占空比，反之则增大；

S9：由新的粒子位置即电池板输出电压来计算出粒子最优值和粒子群最优值：

$I=I_{\mathrm{ph}}-I_s\&CenterDot;(e^{\frac{(V+I\&CenterDot;R_s)\&CenterDot;q}{\mathrm{akT}}}-1)-\frac{(V+I\&CenterDot;R_s)}{R_{\mathrm{sh}}};$

其中，P＝V×I为优值；从各优值中选出最大值即为粒子群最优值；

V和I分别是电池板输出电压和电流，R_s为串联电阻的阻值，R_sh为并联电阻的阻值；a是二极管的理想常数，k表示波尔兹曼常数，q表示电荷量常数，T表示热力学温度，I_s表示二极管的饱和电流，I_sc表示电池板的短路电流，I_r0表示参考光照强度，I_r表示当前光照强度；

S10：重复循环步骤S5～S9，直到预设定的迭代次数。

进一步，所述粒子最优值按以下公式来进行：

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，i表示第i个粒子，N表示总的粒子数。

进一步，所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;(f_g\left(t\right)-f_i\left(t\right))}{f_g\left(t\right)-\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子。

进一步，所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

进一步，所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的基于粒子群算法的光伏电池板最大功率跟踪系统，包括电池板、控制器、AD转换芯片、Boost电路、PWM模块和蓄电池；

所述电池板的输出端与Boost电路的输入端连接；

所述PWM模块连接在控制器和Boost电路中的开关管之间；

所述AD转换芯片连接在控制器和Boost电路的输入端之间；

所述Boost电路和蓄电池连接；

所述电池板，用于将太阳能转换为电能；

所述控制器，用于根据粒子群算法获得计算结果并调整电池板负载；

所述AD转换芯片，用于检测电池板输出电信号；

所述Boost电路，用于充当电池板的负载；

所述PWM模块，用于控制Boost电路，以频率大小调整Boost电路的等效负载；

所述蓄电池，用于存储光伏电池板产生的电能。

进一步，所述Boost电路包括电感L、开关管、二极管D、电容C和电阻R；

所述电感L、开关管串联后连接在电池板的输出端；

所述二极管D连接在电感L与开关管连接点和蓄电池之间；

所述电容C和电阻R分别与蓄电池两端并联。

进一步，所述控制器包括初始值设置单元、粒子初始值单元、粒子位置更新单元、群最优值生成单元和输出单元；

所述初始值设置单元，用于从电池板输出功率值中选取一个小于最大输出功率Pmax的功率作为功率初始值；

所述粒子初始值单元，用于在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数；

所述粒子位置更新单元，用于以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

所述群最优值生成单元，用于通过各粒子最优值的比较选出最大值作为粒子群的群最优值；

所述输出单元，用于输出群最优值作为电池板的最大功率。

进一步，所述粒子最优值按以下公式来进行：

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，w为惯性权重因子；c₁，c₂为学习因子；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

p_id是D维空间中第d维的粒子i的最优值；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；

所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;(f_g\left(t\right)-f_i\left(t\right))}{f_g\left(t\right)-\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子；

所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

进一步，所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。

本发明的有益效果在于：本发明根据粒子群算法将光伏电池板的输出电压，即Boost电路的输入端电压作为粒子的位置，PWM的占空比作为粒子的更新速度，电池板的输出功率作为判断粒子位置的目标函数；每次将电池板的输出电压送入跟踪系统中，经过粒子群算法的更新，以粒子更新速度作为输出对Boost电路的开关管进行PWM调制，得出更新后的粒子位置，即电池板新的输出电压。以电池板更新前后的输出功率作为目标函数，选出优化值对粒子的更新指出方向；重复循环搜索到粒子的最优值，实现了MPPT目标。该跟踪方法智能化程度高，跟踪精度高，电池板能跟踪到最大功率值点而不陷入局部最优。

本发明摒弃了基于时间点分析的方法，从电池板工作一整天,光照强度不断变化的整个时间段的角度进行了分析，通过模拟电池板工作过程中的环境变化来实时检测，达到电池板在当前环境中输出最大功率的状态。对跟踪系统中的学习因子进行了优化，有效避免粒子陷入局部最优，也就是说在不平衡光照位置出现变动的时候，跟踪系统不容易跳出原有环境来更新最优值。根据公式和更新每次迭代的学习因子作为控制变量，来代入粒子位置和速度的迭代公式中,以得出更准确的粒子更新位置,这样也就可以更准确的跟踪最优值，可以使粒子群在变化环境中跟踪到当前最大功率值，而不陷入局部最优。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为变化光照强度下的电池板P-V曲线；

图2为动态惯性权值和可更新学习因子PSO算法跟踪电池板不同光照强度下的最大功率；

图3为基于粒子群算法的光伏电池板最大功率跟踪方法实施例1流程图；

图4为基于粒子群算法的光伏电池板最大功率跟踪方法实施例2流程图；

图5为光伏电池板最大功率跟踪系统框图；

图6为光伏电池板最大功率跟踪系统Boost电路图；

图7为基于粒子群算法的光伏电池板最大功率跟踪系统控制器原理框图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

实施例1

本实施例提供了一种基于粒子群算法的光伏电池板最大功率跟踪方法，包括以下步骤：

S1：调整电池板负载与电池板内阻相匹配；

S2：从电池板输出功率值中选取一个小于最大输出功率的功率值，作为与迭代后所计算的适应度作比较的功率初始值，赋给控制器中的功率参数Pmax；

S3：在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数，分别赋给控制器中的参数；

S4：以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

S5：通过各粒子最优值的比较选出最大值作为粒子群的群最优值与功率参数Pmax的值比较，将较大者赋给功率参数Pmax；

S6：功率参数Pmax对应值即为粒子群跟踪到的电池板最大功率；

S7：将粒子速度、粒子位置、粒子最优值和粒子群最优值代入迭代公式(1)和(2)

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))式(1)

x_id(t+1)＝x_id(t)+v_id(t+1)式(2)

计算出新的粒子速度和位置；

S8：根据更新前后粒子位置差值控制PWM信号,当更新前后差值为正,则减小PWM信号占空比,反之则增大,这样来调整电池板负载电路,使电池板输出跟踪更新优值；

S9：由新的粒子位置即电池板输出电压来计算出粒子最优值和粒子群最优值,

$I=I_{\mathrm{ph}}-I_s\&CenterDot;(e^{\frac{(V+I\&CenterDot;R_s)\&CenterDot;q}{\mathrm{akT}}}-1)-\frac{(V+I\&CenterDot;R_s)}{R_{\mathrm{sh}}}$ 其中, $I_{\mathrm{ph}}=I_{\mathrm{sc}}\&CenterDot;\frac{I_r}{I_{r0}},$ P＝V×I即为优值；从各优值中选出最大值即为粒子群最优值；

V和I分别是电池板输出电压和电流，串联电阻R_s一般为几欧，并联电阻R_sh一般取值从几百欧到几千欧，a是二极管的理想常数一般取值在1～2之间，k表示波尔兹曼常数通常大小取值1.38×10^-23J/K，q表示电荷量常数通常取值1.6×10^-19，T表示热力学温度也叫绝对温度，I_s表示二极管的饱和电流可通过测量得到；

S10：重复循环步骤S5～S9，直到预设定的迭代次数。

所述粒子最优值按以下公式来进行：

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，w为惯性权重因子；c₁，c₂为学习因子；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

p_id是D维空间中第d维的粒子i的最优值；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值。

所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;(f_g\left(t\right)-f_i\left(t\right))}{f_g\left(t\right)-\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子。

所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。

本实施例还提供了一种基于粒子群算法的光伏电池板最大功率跟踪系统，包括电池板、控制器、AD转换芯片、Boost电路、PWM模块、蓄电池；

所述电池板的输出端与Boost电路的输入端连接；

所述PWM模块连接在控制器和Boost电路中的开关管之间；

所述AD转换芯片连接在控制器和Boost电路的输入端之间；

所述Boost电路和蓄电池连接；

所述电池板、控制器、AD转换芯片、Boost电路、PWM模块和蓄电池，用于通过检测由太阳能转换的电能信号，对检测的电压信号根据粒子群算法进行迭代，由迭代前后的变化值来调整电池板负载，使电池板能输出最大功率，这样来达到最高效利用太阳能的目的；

所述电池板，用于将太阳能转换为电能；

所述控制器，用于实现粒子群算法，并根据计算结果调整电池板负载；

所述AD转换芯片，用于检测电池板输出电信号；

所述Boost电路，用于充当电池板的负载；

所述PWM模块，用于控制Boost电路，以频率大小调整Boost电路的等效负载；

所述蓄电池，用于存储光伏电池板产生的电能。

所述Boost电路包括电感L、开关管、二极管D、电容C和电阻R；

所述电感L、开关管串联后连接在电池板的输出端；

所述二极管D连接在电感L与开关管连接点和蓄电池之间；

所述电容C和电阻R分别与蓄电池两端并联。

所述控制器包括初始值设置单元、粒子初始值单元、粒子位置更新单元、群最优值生成单元和输出单元；

所述初始值设置单元，用于从电池板输出功率值中选取一个小于最大输出功率Pmax的功率作为功率初始值；

所述粒子初始值单元，用于在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数；

所述粒子位置更新单元，用于以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

所述群最优值生成单元，用于通过各粒子最优值的比较选出最大值作为粒子群的群最优值；

所述输出单元，用于输出群最优值作为电池板的最大功率。

所述粒子最优值按以下公式来进行：

v_id(t+1)＝w·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，w为惯性权重因子；c₁，c₂为学习因子；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

p_id是D维空间中第d维的粒子i的最优值；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；

所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;(f_g\left(t\right)-f_i\left(t\right))}{f_g\left(t\right)-\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子；

所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。

实施例2

如图1-图7所示，本发明提供的基于粒子群算法的光伏电池板最大功率跟踪方法，根据每个个体的最优值和整个群体的最优值来调整粒子的运动方向和大小，所以它可以在最优值的指引下做出快速反应，更新迭代到最优值。

在光伏电池板的最大功率跟踪过程中，在0～Voc之间分散取几个值以作粒子个数，将电压取值作为粒子位置的初始值。在一维空间中以每个粒子初始位置对应的功率值作为对应粒子的最优值，通过各粒子最优值的比较选出最大值作为粒子群的最优值，也就是跟踪到的光伏电池板的最大功率。

动态调整惯性权重w，根据每个粒子的具体位置，调整跟踪步长使其快速达到最优值。每个粒子的w值更新如式(3)所示：

$w_i=\frac{m\&CenterDot;(f_g\left(t\right)-f_i\left(t\right))}{f_g\left(t\right)-\frac{1}{n}\&CenterDot;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{f}_i\left(t\right)}$ 式(3)

式(3)中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数，f_g(t)为全局最优值所对应的适应度，f_i(t)为第i个粒子的适应度，N为粒子群中的粒子数，i为第i个粒子。

同时更新学习因子c₁、c₂，使得粒子在更新的过程中自我总结能力c₁逐渐弱化，向粒子群学习的能力c₂逐渐增强。每次迭代中c₁、c₂的更新如式(4)、(5)所示：

$c_1=2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2})$ 式(4)

$c_2=2-2\&times;\cos (\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2})$ 式(5)

式(4)、(5)中j表示当前迭代次数，n表示总共迭代次数。

采用前面动态惯性权值和不断更新学习因子的PSO方法，电池板跟踪最大功率效果如图2所示，图2为动态惯性权值和可更新学习因子PSO算法跟踪电池板不同光照强度下的最大功率；经计算以理论光照强度1000W/m²为参考的情况下，当前光照强度为300W/m²时，Pmax值为13.9713；光照强度600W/m²时，Pmax值为27.9662；光照强度1000W/m²时，Pmax值为45.0665。

对应图2，1～30的最后10次迭代，31～60的最后10次迭代，61～100的最后10次迭代后，搜索到的最优功率值如表1所示：

表1动态惯性权值和学习因子的PSO算法跟踪变化光强下的最大功率值

从表1中的数据可以看出，在300W/m²的光照强度下的1～30次迭代后，在1000W/m²的光照强度下的31～60次迭代后，和在600W/m²的光照强度下的61～100次迭代后，粒子群都可以寻找到最优值，电池板也能跟踪到最大功率值点而不陷入局部最优。

采用粒子群算法的光伏电池板最大功率跟踪过程如图3所示，图3为基于粒子群算法的光伏电池板最大功率跟踪流程图，如图3，跟踪到的Pmax即为电池板的最大功率值。

在实现MPPT的时候，是通过调整电池板所带负载来进行跟踪的。只有当所接负载与电池板内阻相匹配时电池板才能达到最大功率。通过PWM控制DC-DC电路可以调节电池板所接等效负载，来达到MPPT的效果。采用Boost斩波电路，因为在能量守恒的条件下输出电压升高，输出电流就会降低，可以降低传输过程中电能的损耗。其最大功率跟踪结构如图4所示，图4光伏电池板最大功率跟踪结构图；图4中，控制器通过检测由AD转换芯片传输过来的电池板输出信号，控制PWM的占空比，使电池板的等效负载达到匹配值。

Boost电路的输入端电压和电流值作为MPPT系统的输入信号。根据粒子群算法将光伏电池板的输出电压，也就是Boost电路的输入端电压作为粒子的位置，PWM的占空比作为粒子的更新速度，电池板的输出功率作为判断粒子位置的目标函数。每次将电池板的输出电压送入跟踪系统中，经过粒子群算法的更新，以粒子更新速度作为输出对Boost电路的开关管进行PWM调制，得出更新后的粒子位置，即电池板新的输出电压。以电池板更新前后的输出功率作为目标函数，选出优化值对粒子的更新指出方向。这样依次进行下去就可以搜索到粒子的最优值，也就实现了MPPT目标。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明所限定的精神和范围。

Claims (9)

1.基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：包括以下步骤：

S1：调整电池板负载与电池板内阻相匹配；

S2：从电池板输出功率值中选取一个小于最大输出功率的功率值，作为与迭代后所计算的适应度作比较的功率初始值，赋给控制器中的功率参数Pmax；

S3：在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数，分别赋给控制器中的参数；

S4：以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

S5：通过各粒子最优值的比较选出最大值作为粒子群的群最优值与功率参数Pmax的值比较，将较大者赋给功率参数Pmax；

S6：功率参数Pmax对应值即为粒子群跟踪到的电池板最大功率；

S7：将粒子速度、粒子位置、粒子最优值和粒子群最优值代入以下迭代公式计算出新的粒子速度和位置：

v_id(t+1)＝w_i·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

其中，v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

w_i为惯性权重因子；

p_id是D维空间中第d维的粒子i的最优值；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

c₁、c₂为学习因子；

r₁、r₂为随机数r₁,r₂∈[0,1]；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；

S8：根据更新前后粒子位置差值控制PWM信号,当更新前后差值为正,则减小PWM信号占空比，反之则增大；

S9：由新的粒子位置即电池板输出电压来计算出粒子最优值和粒子群最优值：

$I=I_{ph}-I_s\&CenterDot;(e^{\frac{\left(V+I\&CenterDot;R_s\right)\&CenterDot;q}{akT}}-1)-\frac{(V+I\&CenterDot;R_s)}{R_{sh}};$

其中，P＝V×I为优值；从各优值中选出最大值即为粒子群最优值；I_ph表示光生电流；

V和I分别是电池板输出电压和电流，R_s为串联电阻的阻值，R_sh为并联电阻的阻值；a是二极管的理想常数，k表示波尔兹曼常数，q表示电荷量常数，T表示热力学温度，Is表示二极管的饱和电流，I_sc表示电池板短路电流，I_r0表示参考光照强度，I_r表示当前光照强度；

S10：重复循环步骤S5～S9，直到预设定的迭代次数。

2.根据权利要求1所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：所述粒子最优值按以下公式来进行：

v_id(t+1)＝w_i·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，i表示第i个粒子，N表示总的粒子数；D表示空间维度数。

3.根据权利要求2所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;\left(f_g\right(t)-f_i(t\left)\right)}{f_g\left(t\right)-\frac{1}{N}\&CenterDot;\underset{i=1}{\overset{N}{\&Sigma;}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子。

4.根据权利要求2所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;cos(\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;cos(\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

5.根据权利要求1所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。

6.基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在于：包括电池板、控制器、AD转换芯片、Boost电路、PWM模块和蓄电池；

所述电池板的输出端与Boost电路的输入端连接；

所述PWM模块连接在控制器和Boost电路中的开关管之间；

所述AD转换芯片连接在控制器和Boost电路的输入端之间；

所述Boost电路和蓄电池连接；

所述电池板，用于将太阳能转换为电能；

所述控制器，用于根据粒子群算法获得计算结果并调整电池板负载；

所述AD转换芯片，用于检测电池板输出电信号；

所述Boost电路，用于充当电池板的负载；

所述PWM模块，用于控制Boost电路，以频率大小调整Boost电路的等效负载；

所述蓄电池，用于存储光伏电池板产生的电能；

所述控制器包括初始值设置单元、粒子初始值单元、粒子位置更新单元、群最优值生成单元和输出单元；

所述初始值设置单元，用于从电池板输出功率值中选取一个小于最大输出功率Pmax的功率作为功率初始值；

所述粒子初始值单元，用于在0～电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒子个数；

所述粒子位置更新单元，用于以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；

所述群最优值生成单元，用于通过各粒子最优值的比较选出最大值作为粒子群的群最优值；

所述输出单元，用于输出群最优值作为电池板的最大功率。

7.根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在于：所述Boost电路包括电感L、开关管、二极管D、电容C和电阻R；

所述电感L、开关管串联后连接在电池板的输出端；

所述二极管D连接在电感L与开关管连接点和蓄电池之间；

所述电容C和电阻R分别与蓄电池两端并联。

8.根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在于：所述粒子最优值按以下公式来进行：

v_id(t+1)＝w_i·v_id(t)+c₁·r₁·(p_id(t)-x_id(t))+c₂·r₂·(p_gd(t)-x_id(t))；

x_id(t+1)＝x_id(t)+v_id(t+1)；

i∈(1,2,...,N)，d∈(1,2,...,D)，r₁,r₂∈[0,1]；

其中，w_i为惯性权重因子；c₁，c₂为学习因子；D表示空间维度数；

x_id是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；

v_id是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；

p_id是D维空间中第d维的粒子i的最优值；

p_gd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；

所述惯性权重因子按以下公式来进行：

$w_i=\frac{m\&CenterDot;\left(f_g\left(t\right)-f_i\left(t\right)\right)}{f_g\left(t\right)-\frac{1}{N}\&CenterDot;\underset{i=1}{\overset{N}{\&Sigma;}}{f}_i\left(t\right)};$

式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取0～1之间的随机数；

f_g(t)为全局最优值所对应的适应度；

f_i(t)为第i个粒子的适应度；

N为粒子群中的粒子数；

i为第i个粒子；

所述学习因子c₁、c₂按以下公式来进行：

$c_1=2\&times;cos(\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

$c_2=2-2\&times;cos(\frac{j}{n}\&times;\frac{\mathrm{\&pi;}}{2});$

式中，j表示当前迭代次数，n表示总共迭代次数。

9.根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在于：所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。