CN105183069A - 一种局部阴影下多峰值光伏最大功率跟踪控制方法 - Google Patents

Abstract

本发明公开了一种局部阴影下多峰值光伏最大功率跟踪控制方法，包括如下步骤：将光伏电池进行串并联，形成光伏阵列，建立该光伏阵列局部阴影下数学模型；根据所建立的数学模型得出该光伏阵列在遮挡下出现双峰的P-V和I-V输出特性曲线；将建立的数学模型作为目标函数，利用改进的果蝇优化方法进行优化，找到该光伏阵列最大功率功率点，本发明采用改进的果蝇优化方法在多峰函数寻找最优值收敛速度极快，避免了陷入局部最大值、造成判断失误，能够实现快速、精确地得到光伏阵列最大功率点。

Description

一种局部阴影下多峰值光伏最大功率跟踪控制方法

技术领域

本发明涉及一种光伏最大功率跟踪控制方法，特别是涉及一种局部阴影下多峰值光伏最大功率跟踪控制方法。

背景技术

随着光伏发电系统在世界范围内的广泛应用，光伏发电系统也渐渐暴露出了许多问题，其中比较突出的问题主要是光伏电池工作效率偏低，光伏电池不能完全的发挥其效能。为解决该些问题，则需要良好的控制算法，特别是光伏最大功率跟踪控制算法。通过光伏最大功率跟踪控制算法能使光伏电池一直工作在最大功率点，实现功率的最大输出，提升整个系统的效率。传统追踪单一峰值点的方法有：间歇扫描法、扰动观察法、电导增量法、定电压跟踪、模糊控制法、动态阻抗匹配法、最优梯度法、短路电流结合扰动观察法等，然而上述方法对局部阴影下出现多峰值光伏最大功率跟踪都已经失效。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种局部阴影下多峰值光伏最大功率跟踪控制方法，其采用改进的果蝇优化方法在多峰函数寻找最优值收敛速度极快，避免了陷入局部最大值、造成判断失误，能够实现快速、精确地得到光伏阵列最大功率点。

为达上述及其它目的，本发明提出一种局部阴影下多峰值光伏最大功率跟踪控制方法，包括如下步骤：

步骤一，将光伏电池进行串并联，形成光伏阵列，建立该光伏阵列局部阴影下数学模型；

步骤二，根据所建立的数学模型得出该光伏阵列在遮挡下出现双峰的P-V和I-V输出特性曲线；

步骤三，将建立的数学模型作为目标函数，利用改进的果蝇优化方法进行优化，找到该光伏阵列最大功率功率点。

进一步地，于步骤一中，将两个有同样光照和温度串联的子串在遮挡式相同情况下进行并联。

进一步地，单个子串的电流方程用如下分段函数表达式表示：

$I_i=\left\{\begin{array}{cc}{I}_{sc1}(1-C_1(e^{\frac{U/N_{S_1}}{C_2{U}_{oc1}}}-1\left)\right)& I_{sc2}\≤I\≤I_{sc1}\\ I_{sc2}(1-C_1(e^{\frac{U/N_{S_2}}{C_2{U}_{oc2}}}-1\left)\right)& 0\≤I\≤I_{sc2}\end{array}\right.$

其中，I_sc1代表流过子串S₁的电流；I_sc2代表流过子串S₂的电流；I_i代表流过单个子串的电流；代表S₁的电压；代表S₂的电压；代表S₁光照强度下的光伏组件个数，代表S₂光照强度下的光伏组件个数。

进一步地，步骤三进一步包括：

步骤1.1，对果蝇群体位置进行初始化；

步骤1.2，获取电压和功率的随机搜索坐标；

步骤1.3，计算光伏电压和功率当前位置和原点之间的距离Di，并计算味道浓度判定值Si；

步骤1.4，将各个味道浓度判定值代入味道浓度判定函数，并找出群体最优果蝇位置和最优值，并将味道浓度判定值代入最大值判定函数Fuction中，寻找出光伏阵列当前位置的最大值；

步骤1.5，保留光伏阵列当前最大值和与其对应的电压和功率坐标，这时果蝇群体通过自身的视觉对食物源进行定位，之后飞向最大值所在的位置；

步骤1.6，进入迭代寻优，重复迭代步骤1.2-1.4，同时判断最大值是否大于前一迭代局部最大值；若成立，则执行步骤1.5。

进一步地，于步骤1.2中，设定电压和功率搜索方向为随机函数rand()，产生一个[0，1]的步长。

进一步地，Di和Si由下式获得：

$D_i=\frac{1}{\sqrt{X^2+Y^2}}$

$S_i=\frac{1}{D_i}$

其中，(X，Y)为步骤1.2中的随机搜索坐标。

进一步地，于步骤1.3中，将S_i自变量进行归一化后计算。

进一步地，当迭代结束找到最大功率值时进行反归一化，将电压和功率坐标值反归一化为真实值。

进一步地，在迭代过程中采用新的坐标

Xi＝InitX_axis+K*rand()-β

Yi＝InitX_axis+K*rand()-β

其中K为常数，范围在[0,1]内，

进一步地，步骤1.6中，当得出果蝇每个个体最优值进行比较，得出最大值，设定一个误差值E_error，当最大值与理论值差值的绝对值小于E_error时，即|Smellbest-P_max|＜E_error并且到达最大迭代次数，则停止迭代。

与现有技术相比，本发明一种局部阴影下多峰值光伏最大功率跟踪控制方法采用改进的果蝇优化方法在多峰函数寻找最优值收敛速度极快，避免了陷入局部最大值、造成判断失误，能够实现快速、精确地得到光伏阵列最大功率点。

附图说明

图1为本发明一种光伏最大功率跟踪控制方法的步骤流程图；

图2为本发明较佳实施例中两个子串并联的光伏阵列结构图；

图3为局部阴影下伏阵列的I-U特性曲线；

图4为局部阴影下伏阵列的P-U特性曲线；

图5为果蝇群体迭代搜索食物示意图

图6为局部阴影下多峰跟踪过程；

图7为本发明较佳实施例之改进的果蝇优化方法的跟踪流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种局部阴影下多峰值光伏最大功率跟踪控制方法的步骤流程图。如图1所示，本发明一种局部阴影下多峰值光伏最大功率跟踪控制方法，包括如下步骤：

步骤101，将光伏电池进行串并联，形成一定规模的光伏阵列，建立光伏阵列局部阴影下数学模型。

将光伏电池进行串并联后，形成一定规模的光伏阵列，将两个有同样光照和温度串联的子串在遮挡式相同情况下进行并联，如图2所示。光伏阵列这种遮挡条件下光伏阵列的的输出分段电流如表达式1所示，(其中S1表示阴影遮挡的光伏组件，S2表示正常的光伏组件)，在非均匀光照强度下，S2子串产生的电流Isc1大于S1子串产生的电流Isc2。在图1遮挡条件下单个子串的电流方程可以用分段函数表达式(公式1)表示：

$I_i=\left\{\begin{array}{cc}{I}_{sc1}(1-C_1(e^{\frac{U/N_{S_1}}{C_2{U}_{oc1}}}-1\left)\right)& I_{sc2}\≤I\≤I_{sc1}\\ I_{sc2}(1-C_1(e^{\frac{U/N_{S_2}}{C_2{U}_{oc2}}}-1\left)\right)& 0\≤I\≤I_{sc2}\end{array}\right.$ (公式1)

式中I_sc1代表阴影图2中流过S₁的电流；I_sc2代表阴影图2中流过S₂的电流；I_i代表流过单个子串的电流；代表S₁的电压；代表S₂的电压；代表S₁光照强度下的光伏组件个数，代表S₂光照强度下的光伏组件个数。

步骤102，根据所建立的数学模型得出光伏阵列在遮挡下出现双峰的P-V和I-V输出特性曲线。

具体地，由公式(1)得到光伏阵列的双峰输出特性曲线。如图3和图4所示。

步骤103，将建立的数学模型作为目标函数，利用改进的果蝇优化方法进行优化，找到光伏阵列最大功率功率点。

具体地，在步骤103中，将公式(1)带入改进的果蝇优化方法中，找到光伏阵列最大功率功率点。在本发明中，果蝇优化方法的搜索原理图如图5所示，其具体步骤为：

步骤一，首先对果蝇群体位置进行初始化，设置果蝇种群规模，初始位置和迭代次数，初始化结果为InitX_axis；InitY_axis(X代表电压值，Y代表功率值)。

步骤二，获取电压和功率的随机搜索坐标。设定电压和功率搜索方向为随机函数rand()，产生一个[0，1]的步长，则电压和功率的随机搜索坐标便可以通过下面的公式获得:

Xi＝InitX_axis+10*rand()(2)

Yi＝InitY_axis+10*rand()(3)

步骤三，计算光伏电压和功率当前位置和原点之间的距离Di，并计算味道浓度判定值Si。由于味道浓度判定值位置不可知，因此需要估计光伏电压和功率当前位置和原点之间的距离Di，之后计算味道浓度判定值Si，Si等于距离Di的倒数。

$D_i=\frac{1}{\sqrt{X^2+Y^2}}---\left(4\right)$

$S_i=\frac{1}{D_i}---\left(5\right)$

经过公式(4)和(5)将味道浓度判定值Si变的很小，这时将味道浓度作为判定函数，找到最优值很慢，因此在横纵坐标迭代区间进行缩小，将电压和功率值分别归一化为无量纲的数值，将其范围归一化到(0,1)区间，即将上式的步骤三中由Xi和Yi计算得到的S_i自变量进行归一化，即

S_i1＝S_i*Voc(6)

替代步骤三中的(5)进行计算。

在精度不减小的条件下，为了进一步加快搜索范围，优化的的果蝇算法采用变步长进行搜索迭代。

步骤四，将各个味道浓度判定值代入味道浓度判定函数Fitness(或适应值函数)，并找出群体最优果蝇位置和最优值，将Si代入最大值判定函数Function中，寻找出光伏阵列当前位置的最大值。其中，

$Fitness\left(S_{i1}\right)={\mathrm{UI}}_{{\mathrm{sc}}_i}(1-C_1(e^{\frac{U}{N_{Si}{C}_2{U}_{{\mathrm{oc}}_i}}}-1\left)\right)---\left(7\right)$

Smell(i)＝Function(S_i1)(8)

光伏阵列最大值则由下式获得：

[bestSmellbestIndex]＝max(Smelli)(9)

步骤五，保留光伏阵列当前最大值和与其对应的电压和功率坐标，这时果蝇群体通过自身的视觉对食物源进行定位，之后飞向最大值所在的位置。

Smellbest＝bestSmell(10)

U_axis＝X(bestIndex)(11)

P_axis＝Y(bestIndex)(12)

步骤六，进入迭代寻优，重复迭代步骤二-六，同时判断最大值是否大于前一迭代局部最大值；若成立，则执行步骤五。

较佳的，当迭代结束，找到最大功率值时进行反归一化，将电压和功率坐标值反归一化为真实值。将步骤五中的(11)进行改写为

U_axis1＝U_axis/Voc(13)

依照这个思路，使得果蝇算法得到优化。

在迭代过程中采用新的坐标

Xi＝InitX_axis+K*rand()-β(14)

Yi＝InitX_axis+K*rand()-β(15)

其中K为常数，范围在[0,1]内，

当得出果蝇每个个体最优值进行比较，得出最大值，设定一个误差值E_error，当最大值与理论值差值的绝对值小于E_error时，即|Smellbest-P_max|＜E_error并且到达最大迭代次数，则停止迭代。

从上述步骤可发现果蝇优化方法只需设定种群规模群、搜索半径和种群繁衍代数，其参数设定方便，容易实现。具体流程图如图6和图7所示。

综上所述，本发明一种局部阴影下多峰值光伏最大功率跟踪控制方法采用改进的果蝇优化方法在多峰函数寻找最优值收敛速度极快，避免了陷入局部最大值、造成判断失误，能够实现快速、精确地得到光伏阵列最大功率点。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种局部阴影下多峰值光伏最大功率跟踪控制方法，包括如下步骤：

步骤一，将光伏电池进行串并联，形成光伏阵列，建立该光伏阵列局部阴影下数学模型；

步骤二，根据所建立的数学模型得出该光伏阵列在遮挡下出现双峰的P-V和I-V输出特性曲线；

步骤三，将建立的数学模型作为目标函数，利用改进的果蝇优化方法进行优化，找到该光伏阵列最大功率功率点。

2.如权利要求1所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：于步骤一中，将两个有同样光照和温度串联的子串在遮挡式相同情况下进行并联。

3.如权利要求2所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于，单个子串的电流方程用如下分段函数表达式表示：

$I_i=\left\{\begin{array}{cc}{I}_{sc1}(1-C_1(e^{\frac{U/N_{S_1}}{C_2{U}_{oc1}}}-1\left)\right)& I_{sc2}\≤I\≤I_{sc1}\\ I_{sc2}(1-C_1(e^{\frac{U/N_{S_2}}{C_2{U}_{oc2}}}-1\left)\right)& 0\≤I\≤I_{sc2}\end{array}\right.$

其中，I_sc1代表流过子串S₁的电流；I_sc2代表流过子串S₂的电流；I_i代表流过单个子串的电流；代表S₁的电压；代表S₂的电压；代表S₁光照强度下的光伏组件个数，代表S₂光照强度下的光伏组件个数。

4.如权利要求1所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于，步骤三进一步包括：

步骤1.1，对果蝇群体位置进行初始化；

步骤1.2，获取电压和功率的随机搜索坐标；

步骤1.3，计算光伏电压和功率当前位置和原点之间的距离Di，并计算味道浓度判定值Si；

步骤1.4，将各个味道浓度判定值代入味道浓度判定函数，并找出群体最优果蝇位置和最优值，并将味道浓度判定值代入最大值判定函数Fuction中，寻找出光伏阵列当前位置的最大值；

步骤1.5，保留光伏阵列当前最大值和与其对应的电压和功率坐标，这时果蝇群体通过自身的视觉对食物源进行定位，之后飞向最大值所在的位置；

步骤1.6，进入迭代寻优，重复迭代步骤1.2-1.4，同时判断最大值是否大于前一迭代局部最大值；若成立，则执行步骤1.5。

5.如权利要求4所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：于步骤1.2中，设定电压和功率搜索方向为随机函数rand()，产生一个[0，1]的步长。

6.如权利要求5所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于，Di和Si由下式获得：

$D_i=\frac{1}{\sqrt{X^2+Y^2}}$

$S_i=\frac{1}{D_i}$

其中，(X，Y)为步骤1.2中的随机搜索坐标。

7.如权利要求6所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：于步骤1.3中，将S_i自变量进行归一化后再计算。

8.如权利要求7所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：当迭代结束找到最大功率值时进行反归一化，将电压和功率坐标值反归一化为真实值。

9.如权利要求8所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：在迭代过程中采用新的坐标

Xi＝InitX_axis+K*rand()-β

Yi＝InitX_axis+K*rand()-β

其中K为常数，范围在[0,1]内， $\mathrm{\β}=\frac{Smellbest-bestSmell}{bestSmell}.$

10.如权利要求9所述的一种局部阴影下多峰值光伏最大功率跟踪控制方法，其特征在于：步骤1.6中，当得出果蝇每个个体最优值进行比较，得出最大值，设定一个误差值E_error，当最大值与理论值差值的绝对值小于E_error时，即|Smellbest-P_max|＜E_error并且到达最大迭代次数，则停止迭代。