CN106094970A - 一种基于粒子群全局优化和电导增量法的mppt控制方法 - Google Patents

Abstract

一种基于粒子群全局优化和电导增量法的MPPT控制方法，它包括以下步骤：(1)利用粒子群全局优化方法对光伏阵列的输出功率进行全局跟踪，搜索得到近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；(2)根据上述采样得到的光伏阵列的电压和电流，采用电导增量法调节跟踪速度并最终跟踪到最大功率点。本发明利用粒子群算法进行全局跟踪；采用电导增量法进行后期的优化，克服了它在光伏阵列局部遮阴情况下跟踪最大功率点过程中的缺陷。

Description

一种基于粒子群全局优化和电导增量法的MPPT控制方法

技术领域

本发明属于光伏发电技术领域。，尤其是一种基于粒子群全局优化和电导增量法的MPPT控制方法。

背景技术

目前，最大功率点跟踪(MPPT)控制方法是提高光伏系统发电效率的关键技术之一。然而，由于光伏电池的输出具有非线性特点，光伏系统输出的最大功率点在不同外界环境条件下总会不断发生变化，有一些MPPT算法并不能实时的跟踪到最大功率点，这必然会造成系统功率的损失和工作效率的下降。为此必须实现光伏发电系统的最大功率点跟踪控制，以便在任何环境条件下都能够获得最大功率输出。

然而，在实际情况下，当光伏阵列遇到局部阴影时其阵列的P-V特性曲线就会呈现出多峰值。此时，如果采用传统的MPPT算法如扰动观测法、电导增量法等就很容易跟踪到局部最大值点而非全局最大值点，从而造成功率的损失。鉴于此，近些年来关于局部阴影下的光伏阵列特性和处理多峰值问题的MPPT算法已经有了相关的理论研究。有将电流控制和扰动观测法结合的MPPT算法和一种优化最大功率点跟踪算法，虽然两方法可以实现较为精确的跟踪，但实现起来比较麻烦。

发明内容

本发明的目的是为解决在多峰值情况下跟踪全局最大功率点不准确的问题，提出一种基于粒子群全局优化的电导增量法MPPT算法。

本发明的技术方案是：

一种基于粒子群全局优化和电导增量法的MPPT控制方法，它包括以下步骤：

(1)利用粒子群全局优化方法对光伏阵列的输出功率进行全局跟踪，搜索得到近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；

(2)根据上述采样得到的光伏阵列的电压和电流，采用电导增量法调节跟踪速度并最终跟踪到最大功率点。

本发明的步骤(1)具体为：

(1-1)对光伏阵列的输出功率采用粒子群全局优化方法进行搜索，采用下式进行更新迭代，得到当前迭代时的粒子i的个体最优速度和位置；

$\left\{\begin{array}{c}{v}_i^{k+1}={\mathrm{wv}}_i^k+c_{1}rand\left(\right)(P_g^k-x_i^k)+c_{2}rand\left(\right)(P_i^k-x_i^k)\\ x_i^{k+1}=x_i^k+v_i^{k+1}\end{array}\right.$

其中：i表示输出功率点的序号即粒子的序号；k表示迭代的次数；表示粒子i在第k次迭代时的个体最优速度；表示粒子i在第k次迭代时的个体最优位置；w表示惯性权重，非负数，用于调节搜索范围；C₁、C₂表示加速度常数，rand()表示随机函数，取值范围[0，1]；表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置；

(1-2)针对当前次迭代结果，采用下述公式计算鉴定值

$r_i^k=\frac{f\left(P_i^k\right)}{f\left(P_g^k\right)}\×100\%$

其中：代表粒子i的个体最优位置所对应的光伏阵列的输出电压，代表全局最优位置所对应的光伏阵列的输出电压；用来评判粒子的好坏，值越大，表明粒子越好，越接近实际的全局最优值，反之，距离越远；

(1-3)、将鉴定值与评判值α比较，采用下述公式获取粒子i在第k+1次迭代时的个体最优位置，该位置对应的功率点在全局最大功率点的附近，将其作为近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；

$x_i^{k+1}=\left\{\begin{array}{cc}{x}_i^k+v_i^{k+1}& r_i^k\&GreaterEqual;\&part;\\ P_i^k& r_i^k<\&part;\end{array}\right.$

其中：i表示某个粒子的序号，k表示迭代次数，表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置。

(1-4)当迭代次数达到预设的最大迭代次数或者步骤(1-3)获取的光伏阵列的输出电压小于光伏阵列的开路电压Uarray的5％时，终止迭代过程，搜索结束，得到最优解，否则返回重新更新粒子的速度和位置。

本发明的步骤(1-1)中：惯性权重采用下述公式进行设置：

$w=w_{max}-\frac{k(w_{max}-w_{min})}{k_{\max }}$

其中w_max的范围是0.8-0.9，w_min的范围是0.4-0.5；k为当前迭代次数，k_max为最大迭代次数，k_max的范围是80-200。

本发明的w_max是0.9，w_min的范围是0.4；k_max的范围是200。

本发明的步骤(1-1)中：C₁、C₂的范围是0.5-0.7，优选0.6；步骤(1-1)中，首先对粒子搜索范围进行设置，将近似的全局最大功率点的搜索范围设置在峰值电压处，所述的峰值电压范围是：0.8_Umodule-0.8_Uarray，其中Umodule表示光伏模块的开路电压；Uarray表示光伏阵列的开路电压。

本发明的步骤(1-3)中，α设定的范围是0.5-0.7，优选0.6。

本发明中，当局部阴影情况发生改变时，光伏阵列的输出特性也随之发生变化，这时就重新启动粒子群全局优化方法。

本发明的步骤(2)具体为：对于步骤(1)获取的近似的全局最大功率点，对该采样点的功率和电压进行求导运算，当时，光伏阵列工作在实际全局最大功率点MPP的左侧，这时增加光伏阵列的参考电压；同理，当时，光伏阵列工作在实际的全局最大功率点MPP的右侧，这时减小光伏阵列的参考电压，直到获取实际的全局最大功率点。(在电导增量法中扰动步长为定值，其大小的选取要兼顾光伏系统的跟踪速度和控制精度。由于粒子群所跟踪到的全局最大功率点已基本确定，所以扰动步长应适当选取一个较小的值，从而提高最大功率点的稳定性。)

本发明的有益效果：

本发明是基于电导增量法优化的粒子群全局MPPT算法，主要是为解决在光伏阵列在局部遮阴情况下跟踪出现误判，不能跟踪到全局最大功率点。本发明利用粒子群算法进行全局跟踪；采用电导增量法进行后期的优化，克服了它在光伏阵列局部遮阴情况下跟踪最大功率点过程中的缺陷。首先采用粒子群算法进行全局跟踪搜索到全局最大功率点的附近，采样此时光伏阵列的输出电压、电流和功率。然后利用电导增量法，将采样得到的光伏阵列的电压和电流输入电导增量法模块，此时就相当于在单峰值情形下进行最大功率点跟踪。最终使系统稳定在全局最大功率点处。其控制算法主要由两部分组成，第一部分是采用粒子群算法进行全局搜索，第二部分是利用电导增量法进行全局优化，采用电导增量法能够进行精确化，提高跟踪精度。

附图说明

图1为本发明中8*4光伏阵列的遮阴示意图。

图2为本发明中8*4光伏阵列在两种遮阴情况下的P-U输出曲线。

图3为本发明算法流程图。

图4为本发明算法的仿真模型。

图5为本发明算法与其他算法仿真输出情况对比。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，一种基于粒子群全局优化和电导增量法的MPPT控制方法，它包括以下步骤：

(1)利用粒子群全局优化方法对光伏阵列的输出功率进行全局跟踪，搜索得到近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流，具体为；

(1-1)对光伏阵列的输出功率采用粒子群全局优化方法进行搜索，采用下式进行更新迭代，得到当前迭代时的粒子i的个体最优速度和位置；

$\left\{\begin{array}{c}{v}_i^{k+1}={\mathrm{wv}}_i^k+c_{1}rand\left(\right)(P_g^k-x_i^k)+c_{2}rand\left(\right)(P_i^k-x_i^k)\\ x_i^{k+1}=x_i^k+v_i^{k+1}\end{array}\right.$

其中：i表示输出功率点的序号即粒子的序号；k表示迭代的次数；表示粒子i在第k次迭代时的个体最优速度；表示粒子i在第k次迭代时的个体最优位置；w表示惯性权重，非负数，用于调节搜索范围；C₁、C₂表示加速度常数，rand()表示随机函数，取值范围[0，1]；表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置；

惯性权重采用下述公式进行设置：

$w=w_{max}-\frac{k(w_{max}-w_{min})}{k_{\max }}$

其中w_max的范围是0.8-0.9，w_min的范围是0.4-0.5；k为当前迭代次数，k_max为最大迭代次数，k_max的范围是80-200；w_max是0.9，w_min的范围是0.4；k_max的范围是200；C₁、C₂的范围是0.5-0.7，优选0.6。

为优化搜索范围，在步骤(1-1)中，首先对粒子搜索范围进行设置，将近似的全局最大功率点的搜索范围设置在峰值电压处，所述的峰值电压范围是：0.8_Umodule-0.8_Uarray，其中Umodule表示光伏模块的开路电压；Uarray表示光伏阵列的开路电压。

(1-2)针对当前次迭代结果，采用下述公式计算鉴定值

$r_i^k=\frac{f\left(P_i^k\right)}{f\left(P_g^k\right)}\&times;100\%$

其中：代表粒子i的个体最优位置所对应的光伏阵列的输出电压，代表全局最优位置所对应的光伏阵列的输出电压；用来评判粒子的好坏，值越大，表明粒子越好，越接近实际的全局最优值，反之，距离越远；

(1-3)、将鉴定值与评判值α比较，采用下述公式获取粒子i在第k+1次迭代时的个体最优位置，该位置对应的功率点在全局最大功率点的附近，将其作为近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；

$x_i^{k+1}=\left\{\begin{array}{cc}{x}_i^k+v_i^{k+1}& r_i^k\&GreaterEqual;\&part;\\ P_i^k& r_i^k<\&part;\end{array}\right.$

其中：i表示某个粒子的序号，k表示迭代次数，表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置；本发明的步骤(1-3)中，α设定的范围是0.5-0.7，优选0.6。

(1-4)当迭代次数达到预设的最大迭代次数或者步骤(1-3)获取的光伏阵列的输出电压小于光伏阵列的开路电压Uarray的5％时，终止迭代过程，搜索结束，得到最优解，否则返回重新更新粒子的速度和位置。

(2)对于步骤(1)获取的近似的全局最大功率点，对该采样点的功率和电压进行求导运算，当时，光伏阵列工作在实际全局最大功率点MPP的左侧，这时增加光伏阵列的参考电压；同理，当时，光伏阵列工作在实际的全局最大功率点MPP的右侧，这时减小光伏阵列的参考电压，直到获取实际的全局最大功率点。(在电导增量法中扰动步长为定值，其大小的选取要兼顾光伏系统的跟踪速度和控制精度。由于粒子群所跟踪到的全局最大功率点已基本确定，所以扰动步长应适当选取一个较小的值，从而提高最大功率点的稳定性。)

本发明中，当局部阴影情况发生改变时，光伏阵列的输出特性也随之发生变化，这时就重新启动粒子群全局优化方法。

具体实施时：

如图1所示，深色的为被严重遮阴的光伏模块，其对应的光照强度300W/m²；灰色的次之，其对应的光照强度500W/m²；白色的未被遮阴，其对应的光照强度1000W/m²。

如图2所示，由于串联模块的光照强度不同导致输出电压产生多峰，造成总的输出功率产生多个极值点。由图可以看出该仿真图有3个峰值点。但其中有一个才是全局最大值点，其余两个均为局部最大值点。

如图3所示，为整个发明所用算法的流程图。其控制算法主要由两部分组成，第一部分是采用粒子群算法进行全局搜索，第二部分是利用电导增量法进行全局优化。

如图4所示，对本发明所提的8*4光伏阵列在局部阴影情况下最大功率点跟踪进行建模。粒子群算法模块采用matlab语言进行编写，本文选取了100个粒子的种群，迭代50次；电导增量法模块扰动电压根据光伏阵列的输出特性选取一个较小的值。主电路采用boost拓扑，假设外部负载为纯电阻，其大小为10Ω并忽略电路本身的阻抗，通过改变IGBT的占空比来实现全局最大功率点跟踪。Boost电路的输入和输出电容为0.3mF，输出滤波电感为0.008H。

如图5所示，为三种算法在两种不同局部阴影情况下的仿真结果。分别将本发明所述的三种算法在局部阴影情况下从0.2s时由情况1突变到情况2进行仿真。结合图2及如下仿真图形可以看出，单独使用粒子群算法无法精确跟踪到最大功率点，只是追踪到了全局最大功率点的附近，这就造成了光伏阵列输出功率的损失；在与粒子群算法相比较后，可以明显的看出来本文所提的算法在0.2s光照强度发生突变时，通过将粒子群算法和电导增量法相结合，经过两算法前后相互的运算后，到0.25s附近达到稳定，不仅可以精确跟踪到全局最大功率点，而且跟踪效率也比较好，并且在局部阴影情况发生突变时，本文所提方法可以追逐到全局最大功率点；电导增量法只是跟踪到了局部最大功率点。由此可以看出，本文所提的方法不但可以跟踪到全局最大功率点，而且具有一定的精确性和有效性。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (9)

1.一种基于粒子群全局优化和电导增量法的MPPT控制方法，其特征是它包括以下步骤：

(1)利用粒子群全局优化方法对光伏阵列的输出功率进行全局跟踪，搜索得到近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；

(2)根据上述采样得到的光伏阵列的电压和电流，采用电导增量法调节跟踪速度并最终跟踪到最大功率点。

2.根据权利要求1所述的基于粒子群全局优化和电导增量法的MPPT控制方法，其特征是所述的步骤(1)具体为：

(1-1)对光伏阵列的输出功率采用粒子群全局优化方法进行搜索，采用下式进行更新迭代，得到当前迭代时的粒子i的个体最优速度和位置；

$\left\{\begin{array}{c}{v}_i^{k+1}={\mathrm{wv}}_i^k+c_{1}rand\left(\right)\left(P_g^k-x_i^k\right)+c_{2}rand\left(\right)\left(P_i^k-x_i^k\right)\\ x_i^{k+1}=x_i^k+v_i^{k+1}\end{array}\right.$

其中：i表示输出功率点的序号即粒子的序号；k表示迭代的次数；表示粒子i在第k次迭代时的个体最优速度；表示粒子i在第k次迭代时的个体最优位置；w表示惯性权重，非负数，用于调节搜索范围；C₁、C₂表示加速度常数，rand()表示随机函数，取值范围[0，1]；表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置；

(1-2)针对当前次迭代结果，采用下述公式计算鉴定值

$r_i^k=\frac{f\left(P_i^k\right)}{f\left(P_g^k\right)}\&times;100\%$

其中：代表粒子i的个体最优位置所对应的光伏阵列的输出电压，代表全局最优位置所对应的光伏阵列的输出电压；用来评判粒子的好坏，值越大，表明粒子越好，越接近实际的全局最优值，反之，距离越远；

(1-3)、将鉴定值与评判值α比较，采用下述公式获取粒子i在第k+1次迭代时的个体最优位置，该位置对应的功率点在全局最大功率点的附近，将其作为近似的全局最大功率点，采样该时刻下光伏阵列的输出电压和电流；

$x_i^{k+1}=\left\{\begin{array}{cc}{x}_i^k+v_i^{k+1}& r_i^k\&GreaterEqual;\&part;\\ P_i^k& r_i^k<\&part;\end{array}\right.$

其中：i表示某个粒子的序号，k表示迭代次数，表示某个粒子i到k次迭代为止时的个体最优位置，表示所有粒子到第k次迭代为止时的全局最优位置。

(1-4)当迭代次数达到预设的最大迭代次数或者步骤(1-3)获取的光伏阵列的输出电压小于光伏阵列的开路电压Uarray的5％时，终止迭代过程，搜索结束，得到最优解，否则返回重新更新粒子的速度和位置。

3.根据权利要求2所述的基于粒子群全局优化和电导增量法的MPPT控制方法，其特征是所述的步骤(1-1)中：惯性权重采用下述公式进行设置：

$w=w_{max}-\frac{k(w_{max}-w_{min})}{k_{\max }}$

其中w_max的范围是0.8-0.9，w_min的范围是0.4-0.5；k为当前迭代次数，k_max为最大迭代次数，k_max的范围是80-200。

4.根据权利要求3所述的基于粒子群全局优化和电导增量法的MPPT控制方法，其特征是w_max是0.9，w_min的范围是0.4；k_max的范围是200。

5.根据权利要求2所述的基于粒子群全局优化和电导增量法的MPPT控制方法，其特征是所述的步骤(1-1)中：C₁、C₂的范围是0.5-0.7，优选0.6。

6.根据权利要求1所述的一种粒子群与电导增量法结合的光伏发电MPPT，其特征是所述的步骤(1-1)中，首先对粒子搜索范围进行设置，将近似的全局最大功率点的搜索范围设置在峰值电压处，所述的峰值电压范围是：0.8_Umodule-0.8_Uarray，其中Umodule表示光伏模块的开路电压；Uarray表示光伏阵列的开路电压。

7.根据权利要求1所述的一种粒子群与电导增量法结合的光伏发电MPPT，其特征是步骤(1-3)中，α设定的范围是0.5-0.7，优选0.6。

8.根据权利要求1所述的一种粒子群与电导增量法结合的光伏发电MPPT，其特征是当局部阴影情况发生改变时，光伏阵列的输出特性也随之发生变化，这时就重新启动粒子群全局优化方法。

9.根据权利要求1所述的一种粒子群与电导增量法结合的光伏发电MPPT，其特征是所述的步骤(2)具体为：对于步骤(1)获取的近似的全局最大功率点，对该采样点的功率和电压进行求导运算，当时，光伏阵列工作在实际全局最大功率点MPP的左侧，这时增加光伏阵列的参考电压；同理，当时，光伏阵列工作在实际的全局最大功率点MPP的右侧，这时减小光伏阵列的参考电压，直到获取实际的全局最大功率点。