CN105938381A - 一种基于模糊概率的光伏电池的最大功率点的跟踪方法 - Google Patents

Abstract

本发明公开了一种基于模糊概率的光伏电池的最大功率点的跟踪方法。所述跟踪方法包括：以ε为采样间隔，获得N个采样点[u_i,P(u_i)]，i为小于等于N的正整数；其中，ε为0.05U_OC/N_s～0.5U_OC/N_s，U_OC为光伏电池的开路电压，N_s为光伏电池的串联数；通过构造扩散函数f_D和隶属度函数f_M，求取概率函数Pro(i)，对概率函数Pro(i)的结果从大到小排序，并依次选取排序靠前的概率对应的X_i的并集作为最大功率点的搜索范围，使得所述排序靠前的概率函数Pro(i)之和大于等于概率阈值δ；在所述最大功率点搜索范围中，求得最大功率点[u_MPP,P(u_MPP)]。通过本发明，解决了多极值情况下，全局扫描法需要密集采样的缺陷，具有跟踪速度快、环境适应性好的优势。

Description

一种基于模糊概率的光伏电池的最大功率点的跟踪方法

技术领域

本发明属于光伏发电技术领域，更具体地，涉及一种基于模糊概率的光伏电池的最大功率点的跟踪方法。

背景技术

光伏发电作为可再生的清洁能源，因其低污染、低噪音、储量丰富等优点，得到广泛的运用。但光伏电池输出能量不稳定、转换效率低。因此需要通过最大功率点的跟踪，以便控制接口变换器，使得光伏电池能连续稳定的向电网输出最大功率。

由于光伏发电系统向电网输送的功率随着光照强度、环境温度、输出阻抗及负载的变化而变化，其输出特性表现出强烈的非线性且存在多极值的情况。在局部阴影下(即光伏电池受到周围建筑物、树木或飞行物的遮挡而能量输出能力降低)时，精确快速的跟踪最大功率点是比较困难的。如图1是光伏电池在局部阴影下的输出功率曲线，其中虚线表示光伏电池输出电流，实线表示光伏电池输出功率，可见，局部阴影情况下光伏输出曲线呈现多峰值，光伏电池输出功率随着电压的变化并不规律。

在现有技术中，最大功率点的跟踪方法(Maximum Power Point Tracking,MPPT)有很多，但皆不完善；其中，全局扫描法能比较精确的跟踪全局最大功率点，但该方法采用全局搜索，需要密集采样的多个采样点，导致其跟踪速度较慢；而两步法的基本思想是引入等效负载并将工作点移到负载曲线与光伏I-U曲线的交点，随后用常规单峰MPPT搜索最大功率点；虽然该方法的计算速度较快，但是当最大功率点位于I-U曲线中斜率大于等效负载曲线时，该方法将不能获得准确的最大功率点。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模糊概率的光伏电池的最大功率点的跟踪方法，其目的在于以少量的采样点构造概率函数，用于解决现有技术中跟踪速度较慢、最大功率点获取不准确的缺陷。

为实现上述目的，按照本发明的一个方面，提供了一种基于模糊概率的光伏电池的最大功率点的跟踪方法，包括以下步骤：

S1.以ε为采样间隔，(0,U_OC]为采样区间，对光伏电池的输出电压u及其对应的输出功率P(u)进行采样，获得N个采样点[u_i,P(u_i)]，其中，i为采样点的序号，i为小于等于N的正整数，u_i为采样点的输出电压，P(u_i)为采样点的输出功率；ε为0.05U_OC/N_s～0.5U_OC/N_s，U_OC为光伏电池的开路电压，N_s为光伏电池的串联数；

S2.根据采样点[u_i,P(u_i)]，采样间隔ε，采样点的数量N，常数k，u_i的邻域X_i，光伏电池的开路电压U_OC，集值化的模糊隶属函数以及扩散因子获得最大功率点的概率函数其中，max(·)表示取最大值，exp(·)表示以自然常数e为底的指数函数；

S3.以概率函数Pro(i)的值从高到低为优先级，依次选取概率函数Pro(i)的值进行相加获得概率和，并当相加得到的概率和大于等于概率阈值δ时，选取的所述概率函数Pro(i)对应的X_i的并集作为最大功率点搜索区间；

S4.以所述最大功率点搜索区间作为采样区间，进行二次采样，并在所述二次采样的采样点中选取输出功率最大的采样点，该采样点则为最大功率点[u_MPP,P(u_MPP)]。

优选地，N为int()表示向上取整。

作为进一步优选地，当i＝1时，u_i＝U_OC，否则u_i+1＝u_i－ε。

优选地，所述步骤S2具体包括如下子步骤：

S21.根据采样点[u_i,P(u_i)]，采样间隔ε，采样点的数量N，常数k，u_i的邻域X_i，光伏电池的开路电压U_OC以及幅值因子获得模糊隶属函数

S22.根据模糊隶属函数f_Mi(u)以及扩散因子获得扩散函数

S23.根据扩散函数f_D(u,u_i)，获得集值化的模糊隶属函数

S24.根据集值化的模糊隶属函数f_M(u)，获得最大功率点的概率函数

优选地，步骤S2中所述的k为10～100。

优选地，当i＝1时，X_i为(u_i－ε/2,U_OC)，i＝N时，X_i为(0,u_i+ε/2)，否则X_i为(u_i－ε/2,u_i+ε/2)。

优选地，所述步骤S3中的概率阈值δ为85％～95％。

优选地，步骤S4中所述二次采样的采样间隔ξ为ε/100～ε/10。

优选地，在所述步骤S4之后还包括步骤S5：控制光伏电池的输出电压为u_MPP，使得所述光伏电池的输出功率保持为P(u_MPP)。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1、本发明利用了采样点的功率越大，最大功率点位于该采样点的邻域的概率的越大的原理，将模糊数学和概率论相结合，首先比较采样点属于最大功率点邻域的概率分布Pro(i)，进而在Pro(i)对应的X_i的并集中，获得最大功率点[u_MPP,P(u_MPP)]；利用该方法，减少了总的采样点数，从而加快了采样和计算速度，加快了局部阴影下最大功率点的跟踪速度；

2、根据光伏电池的性质，选取采样间隔ε为0.05U_OC/N_s～0.5U_OC/N_s，使得初始采样时仅需约8～80个采样点，提高了计算效率；在获得了最大功率点邻域后，再进一步选取最大功率点，提高了计算精度。

3、可根据光伏电池自身的性质，对概率阈值δ或k等常数进行调整，以进一步提高计算效率。

附图说明

图1是光伏电池在局部阴影下的输出功率曲线；

图2是随机环境下光伏最大功率点分布曲线；

图3是随机环境下光伏极大值点分布曲线；

图4是本发明实施例1双级式光伏并网电路；

图5是本发明实施例1中的光伏最大功率点；

图6是本发明实施例1最大功率点位于采样点邻域的概率柱状图；

图7是本发明实施例1模糊概率算法仿真图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

现有技术中，通常采用全局扫描法在输出电压的整个定义域内进行密集采样，进而获得最大功率点，然而该方法计算速度较慢。图2和图3分别为随机环境下光伏最大功率点分布曲线以及极大值点的分布曲线；从图上可以看出，光伏电池在不同光强等级和局部阴影情况下的最大功率点主要分布在几个比较集中的区域。因此只需要获得该区域作为最大功率点的搜索范围，并在最大功率点的搜索范围内进一步密集采样，即可减少采样点的数量，加快采样速度。

本发明提供了一种基于模糊概率的光伏电池的最大功率点的跟踪方法，所述跟踪方法包括以下步骤：

S1.控制光伏电池的输出电压u，对的光伏电池的输出功率P(u)进行采样，采样空间S＝{(u,P(u))|0≤u≤U_OC,p＝P(u)}，其中U_OC为开路电压，采样点为[u_i,P(u_i)]，当i＝1时，u_i＝U_OC，否则u_i+1＝u_i－ε，ε为采样间隔，i为小于等于N的正整数，采样点集合E则为{[u₁,P(u₁)]，[u₂,P(u₂)]，…，[u_N,P(u_N)]}；

不同于全局扫描法，该方法仅需要精度要求下的采样点，其中采样点数目N必须大于为了保证精度，N可为向上取整或向下取整后+1；其中，采样间隔ε是指能够将两个极大值点区分开来的最小采样间距，设光伏电池串联数目为N_s，极大值点通常分布在附近，其中m为整数，且1≤m≤N_s；根据实际情况，ε可取0.05U_OC/Ns～0.5U_OC/Ns之间；精度要求越高，所需采样点越多，采样速度越慢；

S21.构造采样点上的模糊隶属函数所述模糊隶属函数表示最大功率点属于采样点的邻域的隶属度，即，采样点的输出功率越大，最大功率点位于该采样点的邻域的隶属度越高；其中，幅值因子k为模糊隶属函数的陡峭程度，max(·)表示取最大值，exp(·)表示以自然常数e为底的指数函数；当光伏电池的输出功率的极大值点较多，最大功率点可能需要在多个不同的采样点的邻域进行进一步搜索时，k可取较小值，当光伏电池的输出功率的极大值点较少，最大功率点仅需在少数较集中的采样点的邻域进行进一步搜索时，k可取较大值；通常对于本发明，k为10～100；

S22.令扩散函数所述扩散函数用于将采样点的模糊隶属函数集值化；其中，扩散因子

S23.令集值化的模糊隶属函数集值化的模糊隶属函数f_M(u)表示最大功率点在采样空间S上任意一点的概率；

S24.令概率函数其中，X_i为u_i的邻域，通常指的包括u_i在内的开区间；例如，可以当i＝1时，X_i为(u_i－ε/2,U_OC)，i＝N时，X_i为(0,u_i+ε/2)，否则X_i为(u_i－ε/2,u_i+ε/2)；概率函数Pro(i)表示最大功率点在u_i的邻域X_i上的概率；

S3.以概率函数Pro(i)的值的从高到低为优先级，依次选取概率函数Pro(i)进行相加获得概率和，并当相加得到的概率和大于等于概率阈值δ时，选取所述概率函数Pro(i)的值对应的X_i的并集作为最大功率点搜索范围；概率阈值δ设置得越高，后续步骤的搜索范围越大，所需采样点数目越多，从而计算速度也较慢，但其计算精度也较高；通常概率阈值δ为85％～95％；

S4.令u_j∈所述最大功率点搜索范围，以ξ为采样间隔，在所述最大功率点搜索范围内重新获取采样点[u_j，P(u_j)]，j为正整数，对应maxP(u_j)时的u_j为u_MPP，ξ为ε/100～ε/10，则最大功率点为[u_MPP,P(u_MPP)]。

通过以上步骤可以看出，在步骤S1中，仅需要全局扫描法约10％的采样点，而通过步骤S2～S3，将需要搜索的区域减少到了原有的20％～30％，在步骤S4中，则利用全局扫描法约10％～20％的采样点进一步搜索获得最大功率点；本方法仅需全局扫描法约30％左右的采样点，而搜索精度与全局扫描法基本相同，从而提高了计算速度。

实施例1

图4为实施例1基于模糊概率的光伏电池的最大功率点的跟踪方法的电路，包括依次连接的光伏电池PV、电容C₁、Boost电路以及逆变电路；图1中虚线框内为控制模块，包括依次连接的A/D转换器、PI控制器、MPPT控制器以及比较器；其中，A/D转换器的输入端作为控制模块的输入端，所述比较器的输出端作为所述控制模块的输出端；所述A/D转换器用于获得光伏电池的电压u以及对应的电流i，MPPT控制器用于控制采样并计算最大功率点，PI控制器用于对MPPT模块输出的参考电压u_ref与输出电压u作差获得误差信号，比较器用于将误差信号与载波比较后输出PWM波。

光伏电池的在局部阴影下，其最大功率明显偏离原有的最大功率(如改变率达到10％～20％)，则需要控制电路对最大功率点进行跟踪。

本实施例的基于模糊概率的光伏电池的最大功率点的跟踪方法包括以下步骤：

S1.由光伏电池开路电压U_OC和光伏电池的串联数N_s确定采样点压u_i和采样点个数N，i为小于等于N的正整数；在本实施例中，由于N_s＝4，为了满足测试精度，U_OC≈160V，比160V略小，ε可取0.05U_OC/Ns～0.5U_OC/Ns，为了达到精度要求令ε＝10V，从而分别获得的采样电压u_i＝U_OC－(i－1)×ε；此处仅仅需要16个采样点就可以确定，即N＝16，节约了大量的搜索时间，如图6所示。

令i＝1，电压参考值u_ref＝u_i，MPPT控制器将u_ref信号输出，并依次通过PI控制器、比较器，获得PWM波，从而控制boost电路对光伏电池的电压u和电流i进行采样，电压u和电流i经过A/D转换器转换为数字信号，并输入MPPT控制器，完成一个控制周期后令i＝i+1，重复上述步骤，直至获得采样点集合E为{(u₁,p₁),(u₂,p₂)…(u_N,p_N)}；

S2.MPPT控制器根据扩散函数f_D，将稀疏的采样信息集值化，对于每一个采样点，扩散函数如图5中的正态曲线是每一个采样点的扩散函数，且每一个采样点的扩散因子其中最小扩散因子可以表示为这样可以保证扩散函数至少扩散一个采样周期；

其中，模糊隶属函数为k是模糊隶属函数的陡峭程度，k太小会使得S4中遍历法需要搜索的范围变大，降低搜索速度，而k过大则容易遗漏功率的极大值点，此处k＝80；

$A=\frac{2N}{\sqrt{2\mathrm{\π}}\·U_{OC}\·max\[\exp (k\·\frac{N}{U_{oc}/\mathrm{\ϵ}}\·\frac{P\left(u_i\right)}{max\left(P\right(u_i\left)\right)})\]};$

将扩散函数在定义域内进行加总，得集值化后的模糊函数

令集值化的模糊隶属函数即将某一区域的隶属度函数值加总归一化后计算概率，仿真结果收敛概率；其中，X_i为u_i的邻域；即当i＝1时，X_i为(u_i－ε/2,U_OC)，i＝N时，X_i为(0,u_i+ε/2)，否则X_i为(u_i－ε/2,u_i+ε/2)；

S3.对概率函数的值从大到小排序，并依次选取排序靠前的概率函数Pro(i)对应的X_i的并集作为最大功率点搜索范围，排序靠前的概率函数Pro(i)的值之和为概率和，使得所述排序靠前的概率和≥概率阈值90％；如图6所示，此处排序靠前的概率函数Pro(i)依次为Pro(11)、Pro(10)以及Pro(12)，Pro(11)+Pro(10)+Pro(12)＝0.916；

S4.在Pro(11)、Pro(10)以及Pro(12)对应的X_i的并集内，即X₁₀∪X₁₁∪X₁₂内，以0.1V为采样间隔，重新获取采样点[u_j，P(u_j)]，遍历法求取maxP(u_j)，对应maxP(u_j)时的u_j为u_MPP，如图7所示，u_MPP，i_MPP和p_MPP分别为最大功率点的电压、电流和功率，u_MPP＝104.8V；在本实施例中，0时刻开始第一次采样，t₁时刻完成步骤S2，t₂时刻完成步骤S4，即仅需0.113秒，按照本发明方法即可获得最大功率点；

S5.令电压参考值u_ref＝u_MPP，u_ref依次通过PI控制器、比较器，获得PWM波，从而控制boost电路对光伏电池的电压输入至PI控制器，PI控制器根据u_ref和光伏电池的电压u生成PWM波，输出至boost电路，从而对光伏电池的电压u进行调节，使得光伏电池保持最大功率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于模糊概率的光伏电池的最大功率点的跟踪方法，其特征在于，包括以下步骤：

S1.以ε为采样间隔，(0,U_OC]为采样区间，对光伏电池的输出电压u及其对应的输出功率P(u)进行采样，获得N个采样点[u_i,P(u_i)]，其中，i为采样点的序号，i为小于等于N的正整数，u_i为采样点的输出电压，P(u_i)为采样点的输出功率；ε为0.05U_OC/N_s～0.5U_OC/N_s，U_OC为光伏电池的开路电压，N_s为光伏电池的串联数；

S2.根据采样点[u_i,P(u_i)]，采样间隔ε，采样点的数量N，常数k，u_i的邻域X_i，光伏电池的开路电压U_OC，集值化的模糊隶属函数

以及扩散因子

获得最大功率点的概率函数

$\mathrm{Pro}\left(i\right)=\frac{f_M\left(u\right)}{{\∫}_{u\∈X_i}{f}_M\left(u\right)\mathrm{du}};$

S3.以概率函数Pro(i)的值从高到低为优先级，依次选取概率函数Pro(i)的值进行相加获得概率和，并当相加得到的概率和大于等于概率阈值δ时，选取的所述概率对应的X_i的并集作为最大功率点搜索范围；

S4.以所述最大功率点搜索范围作为采样区间，进行二次采样，并在所述二次采样的采样点中选取输出功率最大的采样点，该采样点则为最大功率点[u_MPP,P(u_MPP)]。

2.如权利要求1所述的跟踪方法，其特征在于，N为表示向上取整。

3.如权利要求2所述的跟踪方法，其特征在于，当i＝1时，u_i＝U_OC，否则u_i+1＝u_i－ε。

4.如权利要求1所述的跟踪方法，其特征在于，所述步骤S2具体包括如下子步骤：

S21.根据采样点[u_i,P(u_i)]，采样间隔ε，采样点的数量N，常数k，u_i的邻域X_i，光伏电池的开路电压U_OC以及幅值因子

获得模糊隶属函数

$f_{\mathrm{Mi}}\left(u\right)=\mathrm{Aexp}(k\·\frac{N}{U_{\mathrm{OC}}/\mathrm{\ϵ}}\·\frac{P\left(u_i\right)}{\max \left(P\left(u_i\right)\right)});$

S22.根据模糊隶属函数f_Mi(u)以及扩散因子获得扩散函数

S23.根据扩散函数f_D(u,u_i)，获得集值化的模糊隶属函数

$f_M\left(u\right)=\underset{i=1}{\overset{i=N}{\Σ}}{f}_D(u,u_i)=\underset{i=1}{\overset{i=N}{\Σ}}\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}\exp (-\frac{(u-u_i)}{2{{\mathrm{\σ}}_i}^2});$

S24.根据集值化的模糊隶属函数f_M(u)，获得概率函数

$\mathrm{Pr}o\left(i\right)=\underset{u\∈X_i}{\Σ}\frac{f_M\left(u\right)}{\∫f_M\left(u\right)du}.$

5.如权利要求1所述的跟踪方法，其特征在于，步骤S2中所述的k为10～100。

6.如权利要求1所述的跟踪方法，其特征在于，所述步骤S2中，当i＝1时，X_i为(u_i－ε/2,U_OC)，i＝N时，X_i为(0,u_i+ε/2)，否则X_i为(u_i－ε/2,u_i+ε/2)。

7.如权利要求1所述的跟踪方法，其特征在于，所述步骤S3中的概率阈值δ为85％～95％。

8.如权利要求1所述的跟踪方法，其特征在于，步骤S4中所述二次采样的采样间隔ξ为ε/100～ε/10。

9.如权利要求1所述的跟踪方法，其特征在于，在所述步骤S4之后还包括步骤S5：控制光伏电池的输出电压为u_MPP。