CN104965558A - 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置 - Google Patents

Abstract

一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置，所述方法包括以下步骤：a.采集光伏电池开路电压、短路电流、电池温度和空气中PM2.5浓度；b.将采集的数据输入和声搜索算法改进的BP神经网络预测模型，得到MPP电压预测值；c.通过PI控制器调节DC-DC变换器的PWM控制信号占空比，使光伏电池的实际工作电压达到MPP电压预测值；d.以MPP电压预测值为初始值，采用扰动观察法以指定的扰动步长跟踪光伏电池的最大功率。本发明还给出了相应的跟踪装置。本发明将扰动观察法与模型预测法结合在一起，同时充分考虑了雾霾天气对光伏发电的影响，既能有效改善MPPT的跟踪精度，降低静态过程的功率损失，又可以提高MPPT的跟踪速度。

Description

一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置

技术领域

本发明涉及一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置，属于发电技术领域。

背景技术

随着全球经济的发展，人类对能源的需求不断增长，开发利用可再生能源己是势在必行。据预测，到本世纪中叶，可再生能源在世界能源结构中将占到50％以上，并逐步成为人类社会基础能源的重点。太阳能是一种具有独特优势的可再生能源，其开发利用必将得到长足的发展，有可能成为本世纪后期的主导能源。

光伏发电是太阳能利用的主要形式之一。光伏发电的输出功率与外界环境和负载情况有关，并且一定的外界环境和负载情况下存在唯一的最大功率点(Maximum Power Point，MPP)。为了提高发电效率，需要在光伏电池和负载之间串联最大功率跟踪控制电路。目前，最大功率点跟踪(Maximum Power Point Tracking，MPPT)的方法有很多，如恒定电压控制法CVT，扰动观察法P&O，电导增量法INC，模型预测法等等。

恒定电压跟踪法CVT具有实现简单，可靠性高的优点，但是只能固定在最大功率点MPP附近工作，当日照强度或者温度发生变化时，并不能实时跟踪最大功率点MPP，因此存在一定的功率损失。

扰动观察法P&O的实现相对容易，但是找到的工作点只能在MPP附近振荡运行，导致部分功率的损失。此外，初始值和扰动步长对跟踪的精度和速度都有较大的影响，有时会发生误判现象。

增量电导法INC的思路与扰动观察法类似，其优点是计算相对准确，但是对测量的精度要求较高。

模型预测法是近年来刚刚兴起的最大功率跟踪方法，指利用外界环境信息直接对光伏发电最大功率点进行预测，以避免扰动观察法P&O中来回扰动所造成的功率损失。光伏电池最大功率点电压为其所吸收的辐射强度与组件温度的非线性函数。鉴于光伏电池所吸收的辐射强度与组件温度均不易直接测量，通常以光伏电池的开路电压或者短路电流近似的表征辐射强度，以环境温度代替组件温度，从而建立模型对最大功率点电压进行预测。该类方法的主要缺点在于，利用开路电压或者短路电流并不能十分精确地表征辐射强度，从而引起一定的预测误差。

随着大范围雾霾天气的出现，环境空气监测部门开始实时发布空气质量指数(Air Quality Index，简称AQI)以及其中的PM10、PM2.5等6项基本监测数据。雾霾天气将直接削弱地表辐射，给光伏发电带来了严重影响，依据中国气象局风能太阳能资源中心的最新观测实验，轻度霾可造成20％-30％的日发电量损失。重度霾可造成近70％的日发电量损失。然而现有的光伏发电最大功率跟踪方法均未考虑雾霾这一影响因素，故不可能获得理想的跟踪效果。

综上所述，现有的光伏电池最大输出功率跟踪方法存在着实时性差、跟踪精度低等不足，因此有必要加以改进。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种考虑雾霾因素的光伏发电系统最大功率跟踪方法，以提高最大功率的跟踪精度。本发明同时还给出了相应的跟踪装置。

本发明所述问题是以下述技术方案解决的：

一种考虑雾霾因素的光伏发电系统最大功率跟踪方法，所述方法包括以下步骤：

a.采集光伏电池开路电压V_oc、短路电流I_sc、电池温度T和空气中PM2.5浓度C；

b.将步骤a采集的数据输入预先训练好的和声搜索算法改进的BP神经网络预测模型，得到MPP电压的预测值V_ref；

c.通过PI控制器调节串接于光伏电池与其负载之间的DC-DC变换器的 PWM控制信号占空比，使得光伏电池的实际工作电压达到MPP电压的预测值V_ref；

d.以MPP电压的预测值V_ref为初始值，采用扰动观察法P&O以指定的扰动步长跟踪光伏电池的最大功率。

上述考虑雾霾因素的光伏发电系统最大功率跟踪方法，当扰动观察法P&O求得的扰动前后的功率变化的绝对值大于设定阈值时，重复步骤a至步骤d。

上述考虑雾霾因素的光伏发电系统最大功率跟踪方法，所述和声搜索算法改进的BP神经网络预测模型的训练样本的收集方法如下：

记某一工作环境下的参数为X(i)＝[V_oc(i),I_sc(i)，T(i)，C(i)]，其中，V_oc(i)、I_sc(i)、T(i)和C(i)分别为该工作环境下光伏电池的开路电压、短路电流、电池温度和空气中PM2.5浓度，X(i)所对应的最大功率工作点电压为V_max(i)，则可构成一对样本(X(i),V_max(i))，收集各种不同环境下的样本对，形成样本集{(X(i),V_max(i))}，样本集中的每对样本采用观察法来采集，具体过程为：

令DC-DC变换器的PWM脉冲占空比D从初始值D₀开始，以固定增量ΔD不断增加，第k次增加后测量光伏电池的工作电压V_dc(k)和工作电流I_dc(k)，计算当前输出功率P(k)：

P(k)＝V_dc(k)·I_dc(k)；

并与前一次输出功率P(k-1)进行比较，当出现P(k)＜P(k-1)时，令：

D(k)＝D₀+(k-0.5)·ΔD；

测量此时的工作电压V_dc并将其作为最大功率工作点电压V_max，然后测量光伏电池的开路电压V_oc，短路电流I_sc，电池温度T以及PM2.5浓度C，即得到一对样本(X(i),V_max(i))。

一种考虑雾霾因素的光伏发电系统最大功率跟踪装置，构成中包括MPPT控制器、DC-DC变换器、电压传感器、电流传感器、PM2.5浓度传感器、电池温度传感器和两个功率管，光伏电池的输出端依次经电流传感器、第一功率管和DC-DC变换器给负载供电，所述电压传感器并接在光伏电池的输出端，第二功率管的漏极接于电流传感器与第一功率管之间，源极接光伏电池负极，电压传感器、电流传感器、PM2.5浓度传感器和电池温度传感器的信号输出端 分别接MPPT控制器的不同输入端，所述MPPT控制器分别通过三个驱动模块控制两个功率管和DC-DC变换器。

上述考虑雾霾因素的光伏发电系统最大功率跟踪装置，构成中还包括滤波电容器，所述滤波电容器并接于DC-DC变换器的输入端。

本发明将扰动观察法与模型预测法结合在一起，同时充分考虑了雾霾天气对光伏发电的影响，该方法省去了扰动观察法的盲目试探过程而且可以设置较小的扰动步长，既能有效改善MPPT的跟踪精度，降低静态过程的功率损失，又可以提高MPPT的跟踪速度，因此可以显著地提高光伏电池的发电效率。

附图说明

下面结合附图对本发明作进一步详述。

图1为本发明的光伏发电系统最大功率跟踪装置结构示意图；

图2为BP神经网络的训练流程示意图；

图3为和声搜索算法改进的BP神经网络算法流程图；

图4为常规P&O算法流程图；

图5为本发明MPPT方法流程图；

图6为数字示波器记录的效果对比曲线。

图中各标号为：GV-光伏电池；PT-电压传感器；CT-电流传感器；T-电池温度传感器T；PM-PM2.5浓度传感器；Z-负载；C1-滤波电容器；Q1-第一功率管；Q2-第二功率管。

图中和文中各符号为：V_ref、MPP电压的预测值；V_oc、光伏电池开路电压；I_sc、光伏电池短路电流；T、电池温度；C、空气中PM2.5浓度；V_max、最大功率工作点电压。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的专利保护范围及其应用。

图1为本发明的最大功率跟踪装置结构示意图，该装置包括：MPPT控制器、电池温度传感器T、PM2.5浓度传感器PM、电压传感器PT(+HT—正极；-HT—负极；M1—测量信号输出端)、电流传感器CT(IIN—正极；IOUT—负 极；M2—测量信号输出端)、第一功率管Q1(S—源极；D—漏极；G—栅极)、第二功率管Q2(S—源极；D—漏极；G—栅极)、DC-DC变换器(电压输入正端IN+、电压输入负端IN-、脉宽调制信号输入端DRIVE、电压输出正端OUT+、电压输出负端OUT-)、滤波电容器C1、第一驱动模块、第二驱动模块和第三驱动模块。

电池温度传感器T和PM2.5浓度传感器PM与MPPT控制器连接；电压传感器PT的正极与光伏电池GV的正极连接，电压传感器PT的负极与光伏电池GV的负极连接，电压传感器PT的测量信号输出端与MPPT控制器连接；电流传感器CT的正极与光伏电池GV的正极连接，电流传感器CT的负极与第一功率管Q1的源极连接，电流传感器CT的测量信号输出端与MPPT控制器连接；第一功率管Q1的栅极经第一驱动模块接MPPT控制器，第一功率管Q1的漏极与滤波电容器C1正极连接；第二功率管Q2的源极接地、第二功率管Q2的栅极经第二驱动模块接MPPT控制器，第二功率管Q2的漏极与电流传感器CT的负极连接；滤波电容器C1的负极接地；DC-DC变换器的电压输入正端与第一功率管的漏极连接、DC-DC变换器的电压输入负端接地、DC-DC变换器的脉宽调制信号输入端经第三驱动模块接MPPT控制器、DC-DC变换器的电压输出正端与负载正端连接，DC-DC变换器的电压输出负端接地。

在实施例中，所述DC-DC变换器为反激(Flyback)电路；

所述MPPT控制器为16位数字信号控制器dsPIC33FJ16GS504；

所述输入电压传感器PT为LV-28P；

所述电流传感器CT为ACS712ELCTR-20A-T；

所述电池温度传感器T为DS18b20；

所述第一功率管Q1为IRF5210、第二功率管Q2为IRF4321；

所述第一驱动模块为复合管放大电路，第二驱动模块和第三驱动模块为MCP14E4；

所述PM2.5浓度传感器为GP2Y1010AU0F。

当第一功率管Q1、第二功率管Q2都处于关断状态时，电压传感器PT的测量信号为光伏电池的开路电压V_oc；当第一功率管Q1导通、第二功率管Q2 关断时，电压传感器PT的测量信号为光伏电池的工作电压V_dc。当第一功率管Q1关断、第二功率管Q2导通时，电流传感器CT的测量信号为光伏电池的短路电流I_sc；当第一功率管Q1导通、第二功率管Q2关断时，电流传感器CT的测量信号为光伏电池的工作电流I_dc。

实施例中，首先获取基于和声搜索算法改进的BP神经网络的预测模型，模型的输入为光伏电池的开路电压V_oc、短路电流I_sc、环境温度T空气中PM2.5浓度C，输出为最大功率点MPP电压预测值V_ref。

和声搜索算法改进的BP神经网络预测模型的获取包含收集训练样本和训练模型两部分：

(1)收集训练样本 

和声搜索算法HS改进的BP神经网络ANN预测模型的作用是根据光伏电池的工作环境预测出最大功率点MPP对应的电压预测值V_ref。光伏电池的利用率除了与光伏电池的内部特性有关，还受使用环境如辐照度E、温度T和负载等因素有关，其中光伏电池的开路电压V_oc、短路电流I_sc和空气中PM2.5浓度C可以很好地表征照射到太阳能电池板上的光照强度E。记某一工作环境下的参数为X(i)＝[V_oc(i),I_sc(i)，T(i)，C(i)]，对应最大功率工作点电压为V_max(i)，则可构成一对样本(X(i),V_max(i))。通过收集各种不同环境下的样本对，形成样本集{(X(i),V_max(i))}，就可以通过训练和声搜索算法HS改进的BP神经网络ANN预测模型拟合出它们之间的复杂关系，从而根据V_oc、I_sc、C和T来给出最大功率工作点电压预测值V_ref。

预测模型训练样本的获取采用观察法来采集。采集过程为：先驱动第一功率管Q1导通并且使第二功率管Q2关断，然后初始化DC-DC变换器的PWM脉冲占空比D以较小的初始值D₀，使其每次以微小固定增量ΔD不断增加，对于第k次，有

D(k)＝D₀+k·ΔD  (1)

其中：

D(k)为脉冲占空比第k次增长后的值。

同时，测量光伏电池的工作电压V_dc(k)和工作电流I_dc(k)，计算当前输出功 率P(k)：

P(k)＝V_dc(k)·I_dc(k)  (2)

与前一次输出功率P(k-1)比较，当出现P(k)＜P(k-1)时，认为此时的工作状态已接近最大功率点。令：

D(k)＝D₀+(k-0.5)·ΔD  (3)

测量此时的工作电压V_dc作为最大功率工作点电压V_max，然后驱动第一功率管Q1关断、第二功率管Q2关断，测量光伏电池的开路电压V_oc，然后驱动第二功率管Q2导通、第一功率管Q1关断，测量光伏电池的短路电流I_sc，并采集此时电池温度T以及空气中PM2.5浓度C，即得到一对样本(X(i),V_max(i))。实施例中，共获取2450对样本。

(2)训练模型

和声搜索算法(harmony search algorithm，HS)是一种基于音乐原理的元启发型算法，具有很强的宏观搜索能力以及寻优的全局性。BP神经网络是一种基于有监督的学习、使用非线性的可导函数作为传递函数的前馈神经网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

图2为BP神经网络的训练流程示意图。训练过程由信息的正向传播和误差的反向传播阶段组成。正向传播中，输入层各神经元接收外界输入信息，并传递给隐含层(可以是多层)进行信息处理，最后传向输出层，每一层神经元的状态只影响下一层神经元的状态。当实际输出与期望输出不符时，说明网络结构的权值还不够合理，这时进入误差的反向传播阶段，即将误差信号沿原通路逐层反传计算，按误差梯度下降的方法修正各层权值从而使误差最小。周而复始的这一学习过程，是各层权值不断调整的过程，它一直进行到网络输出误差达到期望值，或者预先设定的学习次数为止。

BP网络算法的具体步骤如下：

1)网络初始化：置所有加权系数为最小的随机数。将BP网络的各个权重w_ij和阈值θ_j初始化为介于[-1,1]中的随机数。设置最大迭代次数M和目标误差 值，网络误差平方和SSE的初值为0。

2)给定输入输出训练集x及T。

3)输入信号正向传播，计算隐含层和输出层各神经元相对于前一层i的净输入向量I_j，

I_i＝∑W_ijO_j+θ_j  (4)

$O_j=1/1+e^{-I_j}---\left(5\right)$

其中：

I_j为各神经元相对于前一层i的净输入向量；

w_ij为权值；

θ_j为阈值；

O_j为样本的期望输出。

4)计算并检验网络误差平方和SSE：

SSE＝∑(T_j-O_j)²  (6)

其中，T_j为样本的训练样本输出。判断是否满足训练结束条件，若迭代次数超过最大迭代次数M或者网络误差平方和SSE小于目标误差值，则满足训练结束条件，训练结束，否则进入5)。

5)误差反向传播：根据样本x所对应的期望输出向量O_j，计算输出层的各

神经元的误差向量ERR_j：

ERR_j＝O_j(1-O_j)(T_j-O_j)  (7) 

对从最后一个到第一个隐含层的神经元j，根据后一较高层中连接到j的所有神经元的误差加权和来计算误差向量ERR_j：

ERR_j＝O_j(1-O_j)∑_k(ERR_kw_jk)  (8) 

6)调整权值及阈值：将网络中的各个权重向量w_ij和阈值向量θ_j按照下式进行调整：

w_ij＝w_ij+aERR_jO_j  (9) 

θ_j＝θ_j+aERR_j  (10)

其中：a为学习率。

BP算法的主要缺点是训练结果受初始权值和阈值影响，不能保证权值及阈 值收敛到误差平面的全局最小点，这是因为采用梯度下降法可能产生一个误差局部最小值，即陷入局部最优问题。和声搜索算法具有全局寻优的能力，因此，首先利用和声搜索算法优化BP网络初始权值和阈值，然后再采用梯度下降法继续网络的训练。这样，可大大加快训练速度并保证训练结果为全局最优。

图3为和声搜索算法改进的BP神经网络算法流程图，具体改进算法HS-BP步骤如下：

1)初始化算法参数：算法参数包含初始化和声记忆库大小(Harmony Memory Size，HMS)、和声记忆库保留概率(Harmony Memory Considering Rate，HMCR)、微调扰动率(Pitch Adjusting Rate，PAR)、迭代次数(Iteration Number，IN)。HMS的大小是HS的一个重要参数，HS之所以具有更强的全局搜索能力，很大程度上依赖于HMS的存在，一般来说，HMS越大，找到全局最优区域的能力越强。但由于HS是多点开始的，随着HMS的增大，计算量将会变大，从而影响到达最优解的速度。HMCR是和声搜索的另一个重要因素，其取值范围是0到1之间的数，它决定每次迭代过程中新解产生的方式。在和声搜索算法中，新解产生时每个变量都依赖于HMCR，所以HMCR应取较大的值。音调微调扰动率PAR在和声搜索算法中起控制局部搜索的作用，它可使搜索逃离局部最优，其值一般取0.1至0.5之间。实施例中，取HMS＝5，HMCR＝0.9，PAR＝0.3，IN＝50。

2)和声记忆库初始化及目标函数选取：随机产生一个初始群体放入和声记忆库，这个群体中的每个个体对应神经网络的一组权值和阈值。本算法采用的目标函数是网络输出与期望输出之间的误差平方和ERR_i，该值越低表明个体越优越。

3)产生新解：新解有HMCR的概率来自HM的一个值，有1-HMCR的概率来自HM之外的任意一个值。如果新解X^new来自和声记忆库HM，要对其进行音量微调，操作如下：

X^new＝X^new+rand*bw  (11) 

其中：

rand为(0,1)之间的随机数；

bw为带宽，实施例中，取bw＝0.01。

4)更新记忆库：若新解优于记忆库中最差解，则用新解替换最差解，得到新的记忆库。

5)判断是否满足终止条件，若满足，停止迭代，输出最优解作为神经网络的初始权值和阈值，利用梯度下降法进行神经网络的训练；否则，转入3)。

图4为扰动观察法P&O的流程图，其原理是周期性地扰动太阳电池的工作电压(V+ΔV)，再比较其扰动前后的功率变化，若输出功率增加，则表示扰动方向正确，继续朝同一方向(+ΔV)扰动；若输出功率减小，则朝相反(-ΔV)方向扰动。

图5为本发明MPPT方法流程图，具体包括以下步骤：

步骤1：采集光伏电池开路电压V_oc、短路电流I_sc、电池温度T和空气中PM2.5浓度C；

步骤2：利用和声搜索算法改进的BP神经网络预测模型得出MPP电压的预测值V_ref；

步骤3：通过PI控制器调节DC-DC变换器的PWM控制信号占空比，使得光伏电池的实际工作电压迅速达到MPP电压的预测V_ref；

步骤4：以MPP电压的预测V_ref为初始值，采用扰动观察法P&O以指定的较小扰动步长跟踪光伏电池的最大功率；

步骤5：当扰动观察法P&O求得的扰动前后的功率变化的绝对值大于设定阈值Tr时，说明光伏电池的环境参数(日照强度E或电池温度T)发生了突变，重复步骤1至步骤4。实施例中，光伏电池的额定功率为235W，取Tr＝10W。

将上述方法通过C语言程序写入单片机dsPIC33FJ16GS504，输出PWM方波驱动DC-DC变换器，即可很好地跟踪最大功率点。为了验证所提方法的功效，在硬件平台上将其与常规扰动观察法进行了比较。实验时选取了同一外部环境下从开路电压(36.2V)跟踪至最大功率点电压的过程。图6为数字示波器记录的曲线，其中I_dc为光伏电池电流传感器CT输出曲线(电压-电流转换关系为0.05V/A，基值为1.25V)，为V_dc为光伏电池电压传感器PT输出曲线(电压-电压转换关系为0.1V/V，基值为0V)。

扰动观察法(小步长)实验结果如图6(a所示，最后工作电压V_dc＝28.8伏，进入稳态过程耗时约为5.2秒，稳态时振荡幅度较小；扰动观察法(大步长)实验结果如图6(b所示，可知进入稳态过程耗时缩短为1.7秒，但是稳态时振荡幅度较大。本发明提出的控制方法的结果如图6(c所示，首先通过测量光伏电池的开路电压、短路电流、环境温度以及PM2.5浓度，由BP神经模型预测出MPP点电压为28.4V，然后利用PI调节器(K_p＝0.28,K_i＝0.06)直接将工作电压V_dc调节至28.4伏，然后再开始小步长扰动观察法，仅需0.7秒便进入稳态过程，且稳态过程的振荡幅度较小。由此可知，相对于传统扰动观察法，本发明控制方法具有跟踪速度快、稳态过程振荡幅度小的优点，因而能够更有效的提高发电效率。

本发明的优势在于：当外界环境条件变化时，可以通过预测模型直接将工作电压迅速调至V_ref附近，省去了扰动观察法P&O逐步盲目的试探过程，从而大大提高了MPPT的跟踪速度；另外，当以V_ref为初值进行扰动观察法P&O以实现最大功率跟踪时,由于V_ref已经接近最大功率点MPP对应的电压，故可以设置较小的扰动步长，因此可以改善MPPT的跟踪精度，从而有效的降低静态过程的功率损失。该方法可以显著提高光伏电池的发电效率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种考虑雾霾因素的光伏发电系统最大功率跟踪方法，其特征是，所述方法包括以下步骤：

a.采集光伏电池开路电压V_oc、短路电流I_sc、电池温度T和空气中PM2.5浓度C；

b.将步骤a采集的数据输入预先训练好的和声搜索算法改进的BP神经网络预测模型，得到MPP电压的预测值V_ref；

c.通过PI控制器调节串接于光伏电池与其负载之间的DC-DC变换器的PWM控制信号占空比，使得光伏电池的实际工作电压达到MPP电压的预测值V_ref；

d.以MPP电压的预测值V_ref为初始值，采用扰动观察法P&O以指定的扰动步长跟踪光伏电池的最大功率。

2.根据权利要求1所述的考虑雾霾因素的光伏发电系统最大功率跟踪方法，其特征是，当扰动观察法P&O求得的扰动前后的功率变化的绝对值大于设定阈值时，重复步骤a至步骤d。

3.根据权利要求1或2所述的光伏发电系统最大功率跟踪方法，其特征是，所述和声搜索算法改进的BP神经网络预测模型的训练样本的收集方法如下：

记某一工作环境下的参数为X(i)＝[V_oc(i),I_sc(i)，T(i)，C(i)]，其中，V_oc(i)、I_sc(i)、T(i)和C(i)分别为该工作环境下光伏电池的开路电压、短路电流、电池温度和空气中PM2.5浓度，X(i)所对应的最大功率工作点电压为V_max(i)，则可构成一对样本(X(i),V_max(i))，收集各种不同环境下的样本对，形成样本集{(X(i),V_max(i))}，样本集中的每对样本采用观察法来采集，具体过程为：

令DC-DC变换器的PWM脉冲占空比D从初始值D₀开始，以固定增量ΔD不断增加，第k次增加后测量光伏电池的工作电压V_dc(k)和工作电流I_dc(k)，计算当前输出功率P(k)：

P(k)＝V_dc(k)·I_dc(k)

并与前一次输出功率P(k-1)进行比较，当出现P(k)＜P(k-1)时，令：

D(k)＝D₀+(k-0.5)·ΔD

测量此时的工作电压V_dc并将其作为最大功率工作点电压V_max，然后测量光伏电池的开路电压V_oc，短路电流I_sc，电池温度T以及PM2.5浓度C，即得到一对样本(X(i),V_max(i))。

4.一种考虑雾霾因素的光伏发电系统最大功率跟踪装置，其特征是，该装置构成中包括MPPT控制器、DC-DC变换器、电压传感器(PT)、电流传感器(CT)、PM2.5浓度传感器(PM)、电池温度传感器(T)和两个功率管，光伏电池(GV)的输出端依次经电流传感器(CT)、第一功率管(Q1)和DC-DC变换器给负载(Z)供电，所述电压传感器(PT)并接在光伏电池(GV)的输出端，第二功率管(Q2)的漏极接于电流传感器(CT)与第一功率管(Q1)之间，源极接光伏电池(GV)负极，电压传感器(PT)、电流传感器(CT)、PM2.5浓度传感器(PM)和电池温度传感器(T)的信号输出端分别接MPPT控制器的不同输入端，所述MPPT控制器分别通过三个驱动模块控制两个功率管和DC-DC变换器。

5.根据权利要求4所述的考虑雾霾因素的光伏发电系统最大功率跟踪装置，其特征是，构成中还包括滤波电容器(C1)，所述滤波电容器(C1)并接于DC-DC变换器的输入端。