CN106126887A - 一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法 - Google Patents

Abstract

本发明公开了一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，工程中常采用四个参数的U‑I光伏电池模型，当光伏阵列由均匀光照变为局部遮挡时，首先对局部阴影条件下光伏阵列分解，然后利用实测数据对分解后的新光伏阵列进行四个参数的辨识，最后根据光伏阵列的U‑I函数，计算出新光伏阵列的各个最大功率点，比较后可获得全局最大功率点，从而实现全局最大功率点跟踪。本发明提供的追踪方法实用性较强，通过对局部阴影条件下光伏阵列分解，有效地解决了传统最大功率点追踪易陷入局部最优的问题，准确地实现最大功率输出，为光伏阵列的多峰值最大功率点追踪提供了新的方法。

Description

一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法

技术领域

本发明涉及一种多峰值光伏阵列最大功率点跟踪方法，特别涉及一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法。

背景技术

面对日趋严重的能源危机问题，太阳能作为可再生能源发挥着越来越重要的作用。光伏发电作为当前利用太阳能的主要方式之一，其开发和利用得到不断的发展。为了提高光伏发电系统的光电转换效率，应使光伏组件动态地工作在最大功率点附近，并匹配合适的MPPT算法找到最大功率点。理想状态下，可认为光伏组件内部的每个光伏电池都工作在相同的环境，其输出是完全相等的，因此光伏组件在日照强度以及工作温度恒定的情况下，其P-U特性曲线存在唯一的最大功率点。

然而在局部阴影条件下，失配的电池不但对组件输出没有贡献，而且会消耗其余电池产生的能量，导致局部过热，产生热斑效应。当若干个光伏组件串联成光伏阵列时，为了避免产生“热斑”，需要在光伏组件两端并联旁路二极管，当某组件被遮挡时，该旁路二极管导通，使组件的输出特性发生较大变化，显示出多峰值特性。局部阴影下P-U曲线的多峰值特性使系统对最大功率点的跟踪造成了一定的干扰，常规的MPPT算法会使系统陷于局部峰值而无法跟踪到真正的最大功率点，降低了光伏组件对光能的利用率，导致系统的输出功率大幅度降低，造成资源浪费。

发明内容

针对局部阴影下常规的MPPT算法会使系统陷于局部峰值而无法跟踪到真正的最大功率点的问题，本发明提供一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，将其用于多峰值光伏阵列的最大功率点跟踪中，可解决传统跟踪方法中容易存在振荡和陷入局部最优的问题，使系统能够准确地跟踪到全局最大功率点，为多峰值的最大功率点追踪提供了一个新的思路。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，具体步骤如下：

步骤1：对光伏阵列是否出现部分遮挡进行判定，若未出现部分遮挡，功率跟踪模块采用电导增量法进行最大功率跟踪；若出现部分遮挡，转至步骤2；

步骤2，采用四个参数的U-I光伏电池模型对光伏阵列进行分解，其中，四个参数分别为光生电流、反向饱和电流、二极管理想因子、电池串联内阻，具体为：

201，通过光照强度与温度传感器检测光伏阵列受遮挡数目N₁；

202，根据光伏阵列的分解个数N₂与受遮挡数目的关系式：N₂＝N₁，确定光伏阵列的分解个数N₂；

203，分解后新的光伏阵列表达式为：

$\left\{\begin{array}{c}{I}_{array}^1=I_{ph}^1-I_0^1\{\exp \[\frac{q(V_{array}^1+I_{array}^1{R}_s^1)}{nkT}\]-1\},(0\≤I_{array}^1\≤I_{sc}^1)\\ I_{array}^2=I_{ph}^2-I_0^2\{\exp \[\frac{q(V_{array}^2+I_{array}^2{R}_s^2)}{nkT}\]-1\},(0\≤I_{array}^2\≤I_{sc}^2)\\ .\\ .\\ .\\ I_{array}^{N_2}=I_{ph}^{N_2}-I_0^{N_2}\{\exp \[\frac{q(V_{array}^{N_2}+I_{array}^{N_2}{R}_s^{N_2})}{nkT}\]-1\},(0\≤I_{array}^{N_2}\≤I_{sc}^{N_2})\end{array}\right.$

其中，i＝{1,2,…,N₂}，为第i个新光伏阵列的电流，为第i个新光伏阵列的光生电流，其值与光照的辐射强度成正比关系；I₀ ⁱ为作用在第i个新光伏阵列的PN结上的反向饱和电流；q为单位电子电荷，q＝1.6×10^-19C；n为二极管影响因子；k是玻耳兹曼常数，k＝1.38×10^-23J/K；T为绝对温度，为第i个新光伏阵列的电压，R_s ⁱ为第i个新光伏阵列的等效串联内阻，I_sc ⁱ为第i个新光伏阵列的短路电流，近似认为光生电流I_ph ⁱ和短路电流I_sc ⁱ相等；

步骤3，采用实测数据对分解后新的光伏阵列进行四个参数的辨识；

步骤4，将步骤3中辨识得到的四个参数代入分解后新的光伏阵列表达式中，得到分解后新的光伏阵列的U-I函数；

步骤5，根据步骤4得到的分解后新的光伏阵列的U-I函数，计算第i个新光伏阵列的最大功率点中功率值最大的即为全局最大功率点，从而完成多峰值光伏阵列最大功率点跟踪。

作为本发明的进一步优化方案，步骤3中采用实测数据对分解后新的光伏阵列进行四个参数的辨识，具体为：

301，测量分解后新的光伏阵列在不同工况下的最大功率点处电压值、电流值，并记录多组实测数据；

302，根据方程组

结合301中光伏阵列在任意三组不同工况下的最大功率点处电压值和电流值，计算出第i个新光伏阵列的一组I_ph ⁱ、R_s ⁱ、n参数值；其中，V_m0 ⁱ、I_m0 ⁱ是第i个新光伏阵列在标准工况下最大功率点处电压值、电流值；V_m1 ⁱ、I_m1 ⁱ、V_m2 ⁱ、I_m2 ⁱ、V_m3 ⁱ、I_m3 ⁱ分别为第i个新光伏阵列在三组不同工况下的最大功率点处电压值、电流值；a_j、b_j、c_j均为参数换算系数，j＝1,2,3，且 S_ref、T_ref分别为标准工况下的入射光强和工作温度，S_j、T_j分别为在不同工况下的光照强度和温度，β约等于0.217；V_th ⁱ为在标准工况下的模型常数，V_th1 ⁱ、V_th2 ⁱ、V_th3 ⁱ为三组不同工况下的模型常数，且V_thj ⁱ＝kT_j/q；

303，根据302中得到的第i个新光伏阵列的一组I_ph ⁱ、R_s ⁱ、n参数值，利用第i个新光伏阵列在标准工况下最大功率点处电压值V_m0 ⁱ、电流值I_m0 ⁱ以及公式计算出相应第i个新光伏阵列的I₀ ⁱ参数值；

304，根据301中测量的多组实测数据重复进行步骤302～303，求解出多组第i个新光伏阵列的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ参数值，结合多组参数值获得I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解范围；

305，基于遗传算法或模拟退火遗传算法对光伏阵列的参数进行辨识，得到一组优化的第i个新光伏阵列的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ参数值。

作为本发明的进一步优化方案，步骤305中基于遗传算法对光伏阵列的参数进行辨识，具体如下：

(1)根据304中得到的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解范围，初始化遗传算法的控制参数；

(2)对I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解进行编码，根据经过编码的参数可行解随机产生N组初始解，其中每组初始解中均包括I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ，N组初始解构成一个初始种群，以这N组初始解作为初始点开始迭代；

(3)定义适应度函数其中，目标函数P_k ⁱ为第i个新光伏阵列第k次实际测量的功率值，为第i个新光伏阵列第k次依据辨识出的参数值求得的功率值；m为测量数据的个数；

(4)将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，将通过代入适应度函数F中进行迭代计算得到的解与设定的终止条件最大进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化。

作为本发明的进一步优化方案，上述步骤(2)中采用实数编码方式对I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解进行编码。

作为本发明的进一步优化方案，步骤(3)中的计算公式为 其中，I_k ⁱ为第i个依据辨识出参数值的新光伏阵列第k次所取的实际电流测量值,V_k ⁱ为第i个依据辨识出参数值的新光伏阵列依据第k次测得的电流值计算得到的电压值。

作为本发明的进一步优化方案，所述光伏阵列中串联的光伏单元受到不同光照，但是并联同行的组件所受光照强度相同。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明可解决传统跟踪方法中容易存在振荡和陷入局部最优的问题，使系统能够准确地跟踪到全局最大功率点，为多峰值的最大功率点追踪提供了一个新的思路。

附图说明

图1是本发明的方法流程图。

图2是两个光伏组件串联等效电路图。

图3是两个光伏电池单串拆分示意图。

图4是3×3的光伏阵列在局部阴影条件下的示意图。

图5是3×3的光伏阵列拆分示意图。

图6是遗传算法参数辨识流程图。

图7是局部阴影3×3的光伏阵列与分解后阵列的P-V特性曲线比较。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

为了更好的说明本发明方案，下面通过在Matlab/Simulink建立系统的仿真模型并结合附图，说明本发明的具体实施方式。

本发明中基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，如图1所示，在局部阴影条件下光伏阵列分解为若干个光伏阵列，此时分解后的光伏阵列即可以满足在光照均匀情况下的模型。

步骤1：光伏阵列未出现部分遮挡时功率控制器的设计

光伏阵列未出现部分遮挡时，功率跟踪模块采用传统的算法进行最大功率跟踪。

步骤2：光伏阵列出现部分遮挡时光伏阵列的分解

本发明采用光伏电池工程应用中简化的数学模型(U-I光伏电池模型)进行分解，模型包含光生电流I_ph、反向饱和电流I_o、二极管理想因子n、电池串联内阻R_s四个参数。本发明假设光伏阵列串联的光伏单元受到不同光照，但是并联同行的组件所受光照强度相同；本发明假设光伏阵列串联的光伏单元受到不同光照，当并联每串中光照强度的顺序不一致时，同样可以应用上述拆分。且，本发明分解过程中忽略模型中旁路二级管的导通压降。

分解后新的光伏阵列的数学表达式如下：

$\left\{\begin{array}{c}{I}_{array}^1=I_{ph}^1-I_0^1\{\exp \[\frac{q(V_{array}^1+I_{array}^1{R}_s^1)}{n^{1}kT}\]-1\},(0\≤I_{array}^1\≤I_{sc}^1)\\ I_{array}^2=I_{ph}^2-I_0^2\{\exp \[\frac{q(V_{array}^2+I_{array}^2{R}_s^2)}{n^{2}kT}\]-1\},(0\≤I_{array}^2\≤I_{sc}^2)\\ .\\ .\\ .\\ I_{array}^{N_2}=I_{ph}^{N_2}-I_0^{N_2}\{\exp \[\frac{q(V_{array}^{N_2}+I_{array}^{N_2}{R}_s^{N_2})}{n^{N_2}kT}\]-1\},(0\≤I_{array}^{N_2}\≤I_{sc}^{N_2})\end{array}\right.$

由于二极管影响因子受光照强度与温度的环境因素影响较小，故可认为n是一个固定值，即故分解后新的光伏阵列的数学表达式可简化为：

$\left\{\begin{array}{c}{I}_{array}^1=I_{ph}^1-I_0^1\{\exp \[\frac{q(V_{array}^1+I_{array}^1{R}_s^1)}{nkT}\]-1\},(0\≤I_{array}^1\≤I_{sc}^1)\\ I_{array}^2=I_{ph}^2-I_0^2\{\exp \[\frac{q(V_{array}^2+I_{array}^2{R}_s^2)}{nkT}\]-1\},(0\≤I_{array}^2\≤I_{sc}^2)\\ .\\ .\\ .\\ I_{array}^{N_2}=I_{ph}^{N_2}-I_0^{N_2}\{\exp \[\frac{q(V_{array}^{N_2}+I_{array}^{N_2}{R}_s^{N_2})}{nkT}\]-1\},(0\≤I_{array}^{N_2}\≤I_{sc}^{N_2})\end{array}\right.$

其中，N₂为光伏阵列的分解个数，且N₂＝N₁，N₁为通过光照强度与温度传感器检测光伏阵列受遮挡数目；i＝{1,2,…,N₂}，为第i个新光伏阵列的电流，为第i个新光伏阵列的光生电流，其值与光照的辐射强度成正比关系；I₀ ⁱ为作用在第i个新光伏阵列的PN结上的反向饱和电流；q为单位电子电荷，q＝1.6×10^-19C；n为二极管影响因子；k是玻耳兹曼常数，k＝1.38×10^-23J/K；T为绝对温度，为第i个新光伏阵列的电压，R_s ⁱ为第i个新光伏阵列的等效串联内阻，I_sc ⁱ为第i个新光伏阵列的短路电流，近似认为光生电流I_ph ⁱ和短路电流I_sc ⁱ相等。

如图2所示的单串光伏电路图中，D₂和D₄是电池的旁路二级管，通常同一块光伏板中各个光伏电池的参数是一致的。当光照强度均匀时，电池1和电池2具有相同的输出电流，旁路二级管D₂和D₄是处于断路状态。此时，输出曲线I-V是一个单膝型，P-V是一个单峰型。当光照强度不均匀时，此时有可能两个电池的工作状态不一样，旁路二级管D₂和D₄有可能闭合，此时可以等效为如图3所示的第一和第二两部分。

多串并联的光伏阵列在局部阴影条件下，同样可以对其拆分。本发明实施例以3×3的光伏阵列为例进行说明。图4所示的是一个3×3的光伏阵列在局部阴影条件下的示意图，每串具有3种不同光照，且同行组件的光照强度是相等的。这样可以把其如图5所示拆分为3个部分，第一部分是每串光照最强组件组成的新阵列；第二部分是光照次强组件和光照最强组件组成的光伏阵列，此时所有组件的光照强度应与光照次强的光照强度保持一致；第三部分是由所有光伏组件组成的光伏阵列，此时所有组件的光照强度要与光照最弱组件的光强保持一致。

需要注意的是，因为在单串光伏阵列中，光照强度顺序的改变是不会影响该串的输出，所以在光伏阵列中，即使每串中光照强度的顺序不一致，同样可以应用上述拆分。

此时如图5所示分解后三个新的光伏阵列的数学表达式如下：

$\left\{\begin{array}{c}{I}_{array}^1=I_{ph}^1-I_0^1\{\exp \[\frac{q(V_{array}^1+I_{array}^1{R}_s^1)}{nkT}\]-1\},(0\≤I_{array}^1\≤I_{sc}^1)\\ I_{array}^2=I_{ph}^2-I_0^2\{\exp \[\frac{q(V_{array}^2+I_{array}^2{R}_s^2)}{nkT}\]-1\},(0\≤I_{array}^2\≤I_{sc}^2)\\ I_{array}^3=I_{ph}^3-I_0^3\{\exp \[\frac{q(V_{array}^3+I_{array}^3{R}_s^3)}{nkT}\]-1\},(0\≤I_{array}^3\≤I_{sc}^3)\end{array}\right.$

步骤3：光伏阵列局部阴影下最大功率点跟踪

根据步骤2，把光伏阵列分解为几个光照均匀的光伏阵列，其最大功率点跟踪过程包括：

步骤301：分解后新的光伏阵列四个参数的辨识：

本发明采用实测数据进行新光伏阵列的参数辨识，需要用到的方程如下：

$\left\{\begin{array}{c}\frac{{V_{m1}}^i}{{I_{m1}}^i}({a_1}^i{I_{ph}}^i-{I_{m1}}^i)={b_1}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-n^i{V_{th}}^i\]-{c_1}^i{R_s}^i{I_{m1}}^i+n^i{V_{th1}}^i\\ \frac{{V_{m2}}^i}{{I_{m2}}^i}({a_2}^i{I_{ph}}^i-{I_{m2}}^i)={b_2}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-n^i{V_{th}}^i\]-{c_2}^i{R_s}^i{I_{m2}}^i+n^i{V_{th2}}^i\\ \frac{{V_{m3}}^i}{{I_{m3}}^i}({a_3}^i{I_{ph}}^i-{I_{m3}}^i)={b_3}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-n^i{V_{th}}^i\]-{c_3}^i{R_s}^i{I_{m3}}^i+n^i{V_{th3}}^i\end{array}\right.,(i=1,2,3)$

由于二极管影响因子受光照强度与温度的环境因素影响较小，故可认为n是一个固定值，即故上述方程可简化为：

$\left\{\begin{array}{c}\frac{{V_{m1}}^i}{{I_{m1}}^i}({a_1}^i{I_{ph}}^i-{I_{m1}}^i)={b_1}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-{{\mathrm{nV}}_{th}}^i\]-{c_1}^i{R_s}^i{I_{m1}}^i+{{\mathrm{nV}}_{th1}}^i\\ \frac{{V_{m2}}^i}{{I_{m2}}^i}({a_2}^i{I_{ph}}^i-{I_{m2}}^i)={b_2}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-{{\mathrm{nV}}_{th}}^i\]-{c_2}^i{R_s}^i{I_{m2}}^i+{{\mathrm{nV}}_{th2}}^i\\ \frac{{V_{m3}}^i}{{I_{m3}}^i}({a_3}^i{I_{ph}}^i-{I_{m3}}^i)={b_3}^i\[\frac{{V_{m0}}^i}{{I_{m0}}^i}({I_{ph}}^i-{I_{m0}}^i)+{R_s}^i{I_{m0}}^i-{{\mathrm{nV}}_{th}}^i\]-{c_3}^i{R_s}^i{I_{m3}}^i+{{\mathrm{nV}}_{th3}}^i\end{array}\right.$

式中，V_m0 ⁱ、I_m0 ⁱ是第i个新光伏阵列在标准工况下最大功率点处电压值、电流值；V_m1 ⁱ、I_m1 ⁱ、V_m2 ⁱ、I_m2 ⁱ、V_m3 ⁱ、I_m3 ⁱ分别为第i个新光伏阵列在三组不同工况下的最大功率点处电压值、电流值；a_j、b_j、c_j均为参数换算系数，j＝1,2,3，且 S_ref、T_ref分别为标准工况下的入射光强和工作温度，S_j、T_j分别为在不同工况下的光照强度和温度，β约等于0.217；V_th ⁱ为在标准工况下的模型常数，V_th1 ⁱ、V_th2 ⁱ、V_th3 ⁱ为三组不同工况下的模型常数，且V_thj ⁱ＝kT_j/q。

在实测数据中任意选取三组不同工况下的V_m1 ⁱ、I_m1 ⁱ、V_m2 ⁱ、I_m2 ⁱ、V_m3 ⁱ、I_m3 ⁱ，便可以解出第i个新光伏阵列的一组I_ph ⁱ、R_s ⁱ、n参数值。把求解出来的一组参数值和在标准工况下最大功率点处电压值V_m0 ⁱ、电流值I_m0 ⁱ代入公式中，便可以解出相应的第i个新光伏阵列的I₀ ⁱ参数值。

步骤302：步骤301中求解出新光伏阵列的四个参数可能存在误差，需要利用遗传算法或模拟退火遗传算法对参数进行辨识优化，提高准确度，然后求解出精确的四个参数I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ。

首先，根据多组实测数据重复进行步骤301，求解出多组I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ参数值，结合多组参数值获得I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解范围。

然后，基于遗传算法的参数辨识流程如图6所示，具体的步骤如下：

(1)初始化控制参数

为了维持精度，本文采用实数编码方式对I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解进行编码。对最大进化代数MAXGEN、交叉概率P_c和变异概率P_m等参数根据实际情况及经验进行初始化设定。

(2)初始化种群

根据经过编码的参数可行解随机产生N组初始解，其中每组初始解中均包括I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ，N组初始解构成一个初始种群，以这N组初始解作为初始点开始迭代。

(3)适应度值评价检测

定义适应度函数其中，目标函数P_k ⁱ为第i个新光伏阵列第k次实际测量的功率值，为第i个新光伏阵列第k次依据辨识出的参数值求得的功率值；m为测量数据的个数。的计算公式为其中，I_k ⁱ为第i个依据辨识出参数值的新光伏阵列第k次所取的实际电流测量值,V_k ⁱ为第i个依据辨识出参数值的新光伏阵列依据第k次测得的电流值计算得到的电压值。

(4)将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，将通过代入适应度函数F中进行迭代计算得到的解与设定的终止条件最大进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化。

步骤303：分解后新光伏阵列的最大功率点求解：将步骤302得到的四个参数代入分解后三个新的光伏阵列的数学表达式中，得到分解后新的光伏阵列的U-I函数，进一步得到分解后新的光伏阵列的P-I函数，具体为：

$\left\{\begin{array}{c}{P_{array}}^1={U_{array}}^1{I}_{array}^1={{\mathrm{nI}}_{array}}^1{V_{th}}^1\[\ln \left(\frac{{I_{ph}}^1+{I_0}^1-{I_{array}}^1}{{I_0}^1}\right)+1\]-{\left({I_{array}}^1\right)}^2{R_s}^1,(0\≤I_{array}^1\≤I_{sc}^1)\\ {P_{array}}^2={U_{array}}^2{I}_{array}^2={{\mathrm{nI}}_{array}}^2{V_{th}}^2\[\ln \left(\frac{{I_{ph}}^2+{I_0}^2-{I_{array}}^2}{{I_0}^2}\right)+1\]-{\left({I_{array}}^2\right)}^2{R_s}^2,(0\≤I_{array}^2\≤I_{sc}^2)\\ .\\ .\\ .\\ {P_{array}}^{N_2}={U_{array}}^{N_2}{I}_{array}^{N_2}={{\mathrm{nI}}_{array}}^{N_2}{V_{th}}^{N_2}\[\ln \left(\frac{{I_{ph}}^{N_2}+{I_0}^{N_2}-{I_{array}}^{N_2}}{{I_0}^{N_2}}\right)+1\]-{\left({I_{array}}^{N_2}\right)}^2{R_s}^{N_2},(0\≤I_{array}^{N_2}\≤I_{sc}^{N_2})\end{array}\right.$

此时P是关于I的函数，上述方程组可简写为：进一步，由即可以求解出最大功率点处电流I_m，然后依次可求解出分解后新光伏阵列的最大功率点P_array ⁱ(i＝1…N₂)。

步骤304：比较P_array ⁱ(i＝1…N₂)，功率值最大的即为全局最大功率点，从而完成多峰值光伏阵列最大功率点跟踪。

实施示例：

为了更好地说明跟踪方法的有效性，本发明以3×3的光伏阵列为例进行说明，其光照强度分布如表1所示。

表1 3×3光伏阵列的光照强度分布

组别	第一串	第二串	第三串
				第一行	1000W/m2	1000W/m2	1000W/m2
第二行	800W/m2	800W/m2	800W/m2
				第三行	600W/m2	600W/m2	600W/m2

本发明采用多晶硅电池的参数为R_s＝1.08Ω，I₀＝0.922×10^-12A，I_ph＝4.285A，n＝55.51。在辨识过程中，采用的实测数据如表2，参数设定值和辨识值如表3。

表2辨识过程中用到的已知数据列表

表3标况条件下参数设定值和辨识值列表

参数	Rs/Ω	I0/A	Iph/A	n
					设定值	1.08	0.922×10-12	4.285	55.51
辨识值	0.976	0.852×10-12	4.269	52.64
					误差	8.60％	7.50％	0.37％	5.49％

从表3可以看出实测数据辨识出来的四个参数误差较大，需要使用遗传算法优化。经过遗传算法优化后，求解出各个阵列四个参数的准确解如表4。

表4分解后新光伏电池参数设定值和辨识值列表

参数	Rs/Ω	I0/A	Iph/A	n
					第一阵列	0.3013	3.0680×10-14	15.6432	51.3893
第二阵列	0.7533	3.1824×10-14	15.2719	103.72124
					第三阵列	0.9628	3.1093×10-14	15.8717	155.0837

图7为局部阴影光伏阵列与分解后阵列的P-V特性曲线比较，从图中可以看出，经过遗传算法优化后，分解后阵列的P-V与实际的局部阴影下光伏阵列十分接近。

表4中辨识出来的3个阵列参数，经过步骤303处理后，可以依次求解出3个最大功率点如表5所示，将分解后阵列新参数计算出的最大功率点值和原来的最大功率点相比较，误差维持在5％以内，在合理的误差范围内，两者大小相同。

表5本发明辨识的最大功率点误差

	第一个最大功率点	第二个最大功率点	第三个最大功率点
				原光伏阵列	503.8465	843.5255	1049.7
分解后阵列	516.3886	878.3544	1034.8
				误差	2.48％	4.12％	1.42％

通过上述实施方式可以验证，对光伏阵列的分解是可行的。随机选取4个实测数据有误差，通过用遗传算法优化，可以得到较为准确的参数。通过这种方法，可以准确的找到局部阴影情况下光伏阵列的各个最大功率点，解决了传统跟踪方法容易存在振荡和陷入局部最优的问题，使系统能够准确地跟踪到全局最大功率点，为多峰值的最大功率点追踪提供了一个新的思路，技术方案可行，实施途径简明且安全可靠。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，包括以下步骤：

步骤1：对光伏阵列是否出现部分遮挡进行判定，若未出现部分遮挡，功率跟踪模块采用电导增量法进行最大功率跟踪；若出现部分遮挡，转至步骤2；

步骤2，采用四个参数的U-I光伏电池模型对光伏阵列进行分解，其中，四个参数分别为光生电流、反向饱和电流、二极管理想因子、电池串联内阻，具体为：

201，通过光照强度与温度传感器检测光伏阵列受遮挡数目N₁；

202，根据光伏阵列的分解个数N₂与受遮挡数目的关系式：N₂＝N₁，确定光伏阵列的分解个数N₂；

203，分解后新的光伏阵列表达式为：

$\left\{\begin{array}{c}{I}_{array}^1=I_{ph}^1-I_0^1\left\{\exp \[\frac{q\left(V_{array}^1+I_{array}^1{R}_s^1\right)}{nkT}\]-1\right\},\left(0\≤I_{array}^1\≤I_{sc}^1\right)\\ I_{array}^2=I_{ph}^2-I_0^2\left\{\exp \[\frac{q\left(V_{array}^2+I_{array}^2{R}_s^2\right)}{nkT}\]-1\right\},\left(0\≤I_{array}^2\≤I_{sc}^2\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ I_{array}^{N_2}=I_{ph}^{N_2}-I_0^{N_2}\left\{\exp \[\frac{q\left(V_{array}^{N_2}+I_{array}^{N_2}{R}_s^{N_2}\right)}{nkT}\]-1\right\},\left(0\≤I_{array}^{N_2}\≤I_{sc}^{N_2}\right)\end{array}\right.$

其中，i＝{1,2,…,N₂}，为第i个新光伏阵列的电流，为第i个新光伏阵列的光生电流，其值与光照的辐射强度成正比关系；I₀ ⁱ为作用在第i个新光伏阵列的PN结上的反向饱和电流；q为单位电子电荷，q＝1.6×10^-19C；n为二极管影响因子；k是玻耳兹曼常数，k＝1.38×10^-23J/K；T为绝对温度，为第i个新光伏阵列的电压，R_s ⁱ为第i个新光伏阵列的等效串联内阻，I_sc ⁱ为第i个新光伏阵列的短路电流，近似认为光生电流I_ph ⁱ和短路电流I_sc ⁱ相等；

步骤3，采用实测数据对分解后新的光伏阵列进行四个参数的辨识；

步骤4，将步骤3中辨识得到的四个参数代入分解后新的光伏阵列表达式中，得到分解后新的光伏阵列的U-I函数；

步骤5，根据步骤4得到的分解后新的光伏阵列的U-I函数，计算第i个新光伏阵列的最大功率点P_array ⁱ(i＝1…N₂)，中功率值最大的即为全局最大功率点，从而完成多峰值光伏阵列最大功率点跟踪。

2.根据权利要求1所述的一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，步骤3中采用实测数据对分解后新的光伏阵列进行四个参数的辨识，具体为：

301，测量分解后新的光伏阵列在不同工况下的最大功率点处电压值、电流值，并记录多组实测数据；

302，根据方程组

结合301中光伏阵列在任意三组不同工况下的最大功率点处电压值和电流值，计算出第i个新光伏阵列的一组I_ph ⁱ、R_s ⁱ、n参数值；其中，V_m0 ⁱ、I_m0 ⁱ是第i个新光伏阵列在标准工况下最大功率点处电压值、电流值；V_m1 ⁱ、I_m1 ⁱ、V_m2 ⁱ、I_m2 ⁱ、V_m3 ⁱ、I_m3 ⁱ分别为第i个新光伏阵列在三组不同工况下的最大功率点处电压值、电流值；a_j、b_j、c_j均为参数换算系数，j＝1,2,3，且 S_ref、T_ref分别为标准工况下的入射光强和工作温度，S_j、T_j分别为在不同工况下的光照强度和温度，β约等于0.217；V_th ⁱ为在标准工况下的模型常数，V_th1 ⁱ、V_th2 ⁱ、V_th3 ⁱ为三组不同工况下的模型常数，且V_thj ⁱ＝kT_j/q；

303，根据302中得到的第i个新光伏阵列的一组I_ph ⁱ、R_s ⁱ、n参数值，利用第i个新光伏阵列在标准工况下最大功率点处电压值V_m0 ⁱ、电流值I_m0 ⁱ以及公式计算出相应第i个新光伏阵列的I₀ ⁱ参数值；

304，根据301中测量的多组实测数据重复进行步骤302～303，求解出多组第i个新光伏阵列的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ参数值，结合多组参数值获得I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解范围；

305，基于遗传算法或模拟退火遗传算法对光伏阵列的参数进行辨识，得到一组优化的第i个新光伏阵列的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ参数值。

3.根据权利要求2所述的一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，步骤305中基于遗传算法对光伏阵列的参数进行辨识，具体如下：

(1)根据304中得到的I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解范围，初始化遗传算法的控制参数；

(2)对I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解进行编码，根据经过编码的参数可行解随机产生N组初始解，其中每组初始解中均包括I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ，N组初始解构成一个初始种群，以这N组初始解作为初始点开始迭代；

(3)定义适应度函数其中，目标函数P_k ⁱ为第i个新光伏阵列第k次实际测量的功率值，为第i个新光伏阵列第k次依据辨识出的参数值求得的功率值；m为测量数据的个数；

(4)将初始种群中的N组初始解随机组队后，进行选择、交叉和变异的遗传操作，将通过代入适应度函数F中进行迭代计算得到的解与设定的终止条件最大进化代数进行比较，当满足终止条件，则输出每个参数的最优值；否则，继续进行迭代优化。

4.根据权利要求3所述的一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，步骤(2)中采用实数编码方式对I_ph ⁱ、R_s ⁱ、n、I₀ ⁱ的可行解进行编码。

5.根据权利要求3所述的一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，步骤(3)中的计算公式为其中，I_k ⁱ为第i个依据辨识出参数值的新光伏阵列第k次所取的实际电流测量值,V_k ⁱ为第i个依据辨识出参数值的新光伏阵列依据第k次测得的电流值计算得到的电压值。

6.根据权利要求1所述的一种基于参数辨识的多峰值光伏阵列最大功率点跟踪方法，其特征在于，所述光伏阵列中串联的光伏单元受到不同光照，但是并联同行的组件所受光照强度相同。