CN106155170A - 一种太阳能电池最大功率跟踪控制方法 - Google Patents

Abstract

本发明公开了一种太阳能电池最大功率跟踪控制方法，步骤包括：步骤1、对期望输出电压进行初始化；步骤2、对初始化期望输出电压的性能进行评价；步骤3、对粒子群和算法参数进行初始化；步骤4、选出适应值最大的粒子进行保留；步骤5、进行粒子群迭代；步骤6、对粒子适应值进行评价，更新个体历史最优解位置和全局最优解位置；步骤7、待所有3个粒子收敛到某一点附近时，即认为此时搜索到最大功率点，结束搜索；否则，返回步骤4重新搜索。本发明的方法，计算过程简单，准确率高，便于推广应用。

Description

一种太阳能电池最大功率跟踪控制方法

技术领域

本发明属于太阳能发电控制技术领域，应用在光照不均匀的情况下，具体涉及一种太阳能电池最大功率跟踪控制方法。

背景技术

太阳能是一种绿色能源，具有无污染、无噪声、资源丰富等优点。作为最具前景的发电技术之一，太阳能发电已经得到广泛的应用。为充分利用太阳能电池的发电能力，一般控制其工作在最大功率点处，这就是最大功率点跟踪控制(MPPT，Maximum Power PointTracking)。要实现最大功率跟踪控制，一般在太阳能电池(组)后面接一个DC/DC变换器实现阻抗变换，调节输出功率，对DC/DC变换器采用扰动观察法或者增量电导法实现最大功率跟踪控制，这些方法本质上仍然是爬山方法，即给定一个占空比初值，然后改变占空比，使其向输出功率变大的方向变化，直到功率不再增大为止。

光照均匀情况下，太阳能电池具有唯一最大功率点，其功率-电压曲线(P-U曲线)如图1所示，传统的方法如扰动观察法或增量电导方法都能够达到比较理想效果。但是在光照不均匀的情况下，比如云团飘过时太阳能电池局部被遮挡，其功率-电压曲线(P-U曲线)将呈现出如图2所示的多峰特性，此时，常规的MPPT方法，如扰动观察法、增量电导法都容易陷入局部峰值，无法得到最大发电功率。

发明内容

本发明的目的是提供了一种太阳能电池最大功率跟踪控制方法，解决现有技术在光照不均匀时，常规算法失效的问题。

本发明采用的技术方案是，一种太阳能电池最大功率跟踪控制方法，按照以下步骤实施：

步骤1、对期望输出电压进行初始化；

步骤2、对初始化期望输出电压的性能进行评价

采用步骤1初始化的期望输出电压为太阳能电池组的输出电压值，控制太阳能电池组连接的DC/DC变换器，采用闭环PI控制方法，使太阳能电池组输出电压达到目标值，记录稳态时每个期望输出电压值对应的太阳能电池组输出功率为P_i＝V_in×I_in和对应的DC/DC变换器的占空比为D_i，V_in和I_in分别表示DC/DC变换器的输入电压及输入电流值，当2≤N≤5时，取值范围i＝1,2,...2N+1；当N>5时，取值范围i＝1,2,...N；

步骤3、对粒子群和算法参数进行初始化

利用步骤2中各个初始化目标电压对应的输出功率计算平均功率值P_mean；

步骤4、选出适应值最大的粒子进行保留

选取适应值最大的粒子，不参与步骤5中的位置和速度更新，称为最优保留策略；

步骤5、进行粒子群迭代；

步骤6、对粒子适应值进行评价，更新个体历史最优解位置P_{best_l}和全局最优解位置X_best；

步骤7、待所有3个粒子收敛到某一点附近时，i≠j，ε为一个设定的小正数，即认为此时搜索到最大功率点，结束搜索，将X_best作为DC/DC变换器的占空比D；

否则，返回步骤4，重新搜索。

本发明的有益效果是，与其它粒子群算法相比，该方法能够更快地找到全局最大功率点，同时降低了陷入局部极小的概率，该方法创新点主要体现在以下三个方面：

1)在太阳能电池数目满足2≤N≤5时，采用2N+1初始电压进行迭代，避免了现有方法采用N个粒子进行迭代，粒子太少，无法得到比较理想的分布，使得陷入局部极小的概率增大的问题；

2)在第一代初始2N+1或N给粒子(输出电压值)后，只有适应值大于平均适应值的粒子之间插入部分新占空比后，经过评估后，得到3个粒子作为粒子初始值，后面迭代粒子群的规模是3个粒子，而不是现有方法的N个粒子进行迭代，提高了算法效率；

3)最优保留策略，上一代最优粒子不进入下一次迭代，节省了迭代时间，进一步提高了算法效率。

附图说明

图1是光照均匀情况下的太阳能电池P-U曲线；

图2是阴影遮挡情况下的太阳能电池P-U双峰曲线；

图3是现有技术DC/DC(boost)变换器基本拓扑图；

图4是本发明方法的工作流程图；

图5是两块太阳能电池串联产生两个峰的原理图；

图6本发明方法对3块太阳能电池串联出现3个峰时电压初始化结果；

图7是本发明方法对图6曲线(3个峰)的实验结果；

图8是对比方法一对图6曲线(3个峰)的实验结果；

图9是对比方法二对图6曲线(3个峰)的实验结果；

图10是本发明方法对2块电池2个峰的P-U曲线；

图11是本发明方法对3块电池3个峰的实验结果；

图12是本发明方法对4块电池4个峰的P-U曲线；

图13是本发明方法对4块电池4个峰的实验结果；

图14是本发明方法对6块电池5个峰的P-U曲线

图15是本发明方法对6块电池5个峰的实验结果。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一、多峰产生的原因分析

以两块太阳能电池串联为例，当两块电池受到的光照强度不同时，如图5，两块电池的输出电流大小不同，输出电压几乎相等，两块电池串联到一起，受到的光照强度不同时就会出现P-U曲线多峰。假设PV₂受到遮挡光照强度低，则PV₁输出电流i_pv1大于PV₂输出电流i_pv2。图5中显示了电池组的输出电流曲线，当阵列电流i_str小于i_pv2，电池板PV₁、PV₂均处于工作状态，输出总电压为PV₁和PV₂输出电压相加值。当阵列电流i_str大于i_pv2，PV₂会消耗能量，为了防止热量集聚烧毁电池板，每块电池在生产时会并联一个二极管，此时二极管D_P2导通，电池板PV₂不提供能量，输出电压为PV₁的电压。已知单块太阳能电池最大功率点电压V_m≈0.8V_oc，其中V_oc为电池的开路电压。在图5中可看到V_oc≈V_{oc_array}/2，V_m1≈0.8*V_oc，V_m2≈1.8*V_oc，由此特性可以在初始化时直接计算出可能出现最大功率的目标电压。

二、太阳能电池及boost变换器数学模型

(1)建立太阳能电池的数学模型

在任意太阳辐射强度R和环境温度T_a条件下，太阳能电池温度T_c的表达式为：

T_c＝T_a+t_c·R， (5)

式中，t_c为太阳能电池的温度系数，单位为℃·m²/w；R为太阳辐射强度，单位为w/m²；T_a为环境温度，单位为℃；T_c为太阳能电池温度，单位为℃，

假设在参考条件下，R_ref＝1000w/m²，T_ref＝25℃分别为参考日照强度和参考电池温度，相关技术参数分别包括：短路电流I_sc、开路电压V_OC、最大功率点电流I_m、最大功率点电压V_m、最大功率点P_m，太阳能电池电压为V，其对应点电流为I时，表达式为：

$I=I_{sc}(1-C_1(e^{\frac{V}{C_2{V}_{OC}}}-1)),---\left(6\right)$

其中，

$C_1=(1-\frac{I_m}{I_{sc}})e^{-\frac{V_m}{C_2\·V_{oc}}},---\left(7\right)$

$C_2=(\frac{V_m}{V_{oc}}-1)\·{\ln }^{-1}(1-\frac{I_m}{I_{sc}}),---\left(8\right)$

当太阳辐射和温度变化时，则有：

$I=I_{sc}(1-C_1(e^{\frac{V-\mathrm{\Δ}V}{C_2{V}_{OC}}}-1\left)\right)+\mathrm{\Δ}I,---\left(9\right)$

其中，

$\mathrm{\Δ}I=\mathrm{\α}\·\frac{R}{R_{ref}}\mathrm{\Δ}T+(\frac{R}{R_{ref}}-1)I_{SC},---\left(10\right)$

ΔV＝-β·ΔT-R_s·ΔI， (11)

ΔT＝T_c-T_ref， (12)

其中α为在参考照度下电流变化的温度系数，单位为A/℃；β为参考照度下电压变化的温度系数，单位为V/℃；R_s为太阳能电池的串联电阻，单位为Ω；实施例中的参数设置为α＝0.0748V/℃、β＝0.001512A/℃、R_s＝0.2Ω；

(2)建立boost电路数学模型

参照图3，根据能量守恒原理，在电感电流连续工作模式下建立boost电路数学模型如下：

$\left\{\begin{array}{c}{I}_L=I-c_1\frac{dV}{dt}\\ I_b=(1-D)I_L-c_2\frac{{\mathrm{dV}}_b}{dt}\\ V=(1-D)V_b+L\frac{{\mathrm{dI}}_L}{dt}\end{array}\right.\⇒\left\{\begin{array}{c}\frac{dV}{dt}=\frac{1}{c_1}(I-I_L)\\ \frac{{\mathrm{dV}}_b}{dt}=\frac{1}{c_2}\[(1-D)I_L-I_b\]\\ \frac{{\mathrm{dI}}_L}{dt}=\frac{1}{L}\[(1-D)V_b-V\]\end{array}\right.---\left(13\right)$

三、采用改进粒子群算法

采用粒子群算法，克服了常规方法在不均匀光照条件下，即存在多个功率峰值情况下，易陷入局部功率峰值的问题，并对基本粒子群算法进行改进，提升了最大功率点的搜索速度，获得了良好的效果。3块(2≤N≤5)太阳能电池串联，多峰P-U曲线如图6所示。以下结合相关附图以3块太阳能电池串联为例对本发明进行详细说明。

参照图4，基于上述的理论，本发明的太阳能电池最大功率跟踪控制方法，按照以下步骤具体实施：

步骤1、对期望输出电压进行初始化

将N块太阳能电池串联，当N≥2，最多可能出现N个功率峰值；

当2≤N≤5时，初始化2N+1个期望输出电压；

当N>5时，初始化N个期望输出电压，

首先根据太阳能电池组开路输出电压U_{oc_array}，计算得到单块太阳能电池的输出电压U_oc≈U_{oc_array}/N，

当2≤N≤5时具体的方法是第1个初始期望输出电压为U₁＝0.4U_oc，第i个初始期望输出电压为U_i＝0.8U_oc+0.5(i-2)U_oc，i＝2,...2N，第2N+1个初始期望输出电压为(N-0.1)U_oc；

当N>5时，第i个初始期望输出电压为U_i＝(i-1)U_oc+0.8U_oc，i＝1,2,...N；

实施例选取N＝3，则初始化目标电压个数2N+1＝7，用占空比D＝0控制变换器，得到U_{oc_array}＝64V，U_oc＝U_{oc_array}/3＝21.3V，各个粒子(期望输出电压)位置分别为：

X₁＝0.4U_oc＝8.52V；X₂＝0.8U_oc＝17.04V；X₃＝1.3U_oc＝27.69V；

X₄＝1.8U_oc＝38.34V；X₅＝2.3U_oc＝48.09V；X₆＝2.8U_oc＝59.64V；

X₇＝2.9U_oc＝61.77V，如图6所示；

步骤2、对初始化期望输出电压的性能进行评价

采用步骤1初始化的期望输出电压为太阳能电池组的输出电压值，控制太阳能电池组连接的DC/DC变换器，采用闭环PI控制方法，使太阳能电池组输出电压达到目标值，记录稳态时每个期望输出电压值对应的太阳能电池组输出功率为P_i＝V_in×I_in和对应的DC/DC变换器(图3)的占空比为D_i，V_in和I_in分别表示DC/DC变换器的输入电压及输入电流值(对应太阳能电池组的输出电压和输出电流值)，当2≤N≤5时，取值范围i＝1,2,...2N+1；当N>5时，取值范围i＝1,2,...N；

实施例选取N＝3，则i＝7，仿真得到从给定期望输出电压到太阳能电池组功率稳态输出，PI调节器所用时间为0.3s，测量得到：P₁＝60.64W；P₂＝120.9W；P₃＝168.1W；P₄＝183.8W；P₅＝205W；P₆＝170.2W；P₇＝75.39W；

步骤3、对粒子群和算法参数进行初始化

利用步骤2中各个初始化目标电压对应的输出功率计算平均功率值P_mean，当2≤N≤5时，采用公式(1)计算：

$P_{mean}=\left(\underset{1}{\overset{2N+1}{\Σ}}{P}_i\right)/(2N+1),---\left(1\right)$

当N>5时，采用公式(2)计算：

$P_{mean}=\left(\underset{1}{\overset{N}{\Σ}}{P}_i\right)/N,---\left(2\right)$

取输出功率大于平均功率的初始化电压值对应的占空比记为d_j，占空比d_j按数值从小到大的顺序排列，即满足d_j≥d_j-1，j＝2,...,n；

将每个d_j对应的输出功率记为P_new(2(j-1)+1)，此处P_new(2(j-1)+1)表示集合P_new的第(2(j-1)+1)个元素，在每两个相邻占空比之间增加一个新的占空比，得到占空比集合：

D_new＝{d₁,d₁+(d₂-d₁)r₁,d₂,...,d_n-1+(d_n-d_n-1)r_n-1,d_n}，

其中r_k为[0,1]之间的随机数，k＝1,2,...,n-1；

将占空比集合中新增加的占空比D_new(2k)分别作为太阳能电池组后面连接的DC/DC变换器占空比，得到采用该占空比时太阳能电池组的稳态输出功率记为P_new(2k)，k＝1,2,...,n-1；

取m是集合P_new中最大值对应的下标，表示第g代时第i个粒子的适应值，则 对应的适应值，取至此得到3个初始化粒子的位置，该3个初始化粒子对应的适应值分别为

设3个初始化粒子的初始速度均为0，迭代过程中最大速度限制为0.2，惯性权重ω＝0.3，学习因子c₁＝1，学习因子c₂＝2，当前迭代次数设为g＝0；初始化个体历史最优解位置P_{best_l}为第l个粒子的当前位置，l＝1,2,3，即个体历史最优适应值 全局最优解位置X_best设为全局最优适应值G_max为

实施例选取N＝3，由式(1)计算得步骤2功率均值P_mean＝151W，如图6，取高于平均适应值P_mean的粒子对应的占空比d，得到占空比分别为d₁＝0.8143，d₂＝0.7743，d₃＝0.7254，d₄＝0.6208，n＝4；在每两个占空比之间再加入一个占空比，需要再加入3个新的占空比如下：

d₂+(d₁-d₂)*r₁＝0.7956；d₃+(d₂-d₃)*r₂＝0.7303；d₄+(d₃-d₄)*r₃＝0.6465；

得D_new＝[d₁，d₂+(d₁-d₂)*r₁，d₂，d₃+(d₂-d₃)*r₂，d₃，d₄+(d₃-d₄)*r₃，d₄]＝[0.8143，0.7956，0.7743，0.7303，0.7254，0.6465，0.6208]，

用增加的三个新的占空比分别控制DC/DC变换器，设从给定占空比到功率稳态输出所需时间为0.1s；求得新增加占空比对应的功率，再选取其中适应值最好的粒子，称为

初始速度V₁、V₂、V₃均为0，迭代过程中最大速度限制为0.2，惯性权重ω＝0.3，学习因子c₁＝1，学习因子c₂＝2，不设置最大迭代次数，当前迭代次数g＝0；则有J_1max＝207.1；J_2max＝168.1；J_3max＝170.2；G_max＝J_1max＝207.1。

步骤4、选出适应值最大的粒子进行保留

选取适应值最大的粒子，不参与步骤5中的位置和速度更新，称为最优保留策略；

步骤5、进行粒子群迭代

除适应值最大的粒子外，将其余两个粒子根据粒子群算法的位置按照公式(3)、(4)更新速度V_l ^g+1和位置表达式如下：

$V_l^{g+1}={\mathrm{\ωV}}_l^g+c_1{r}_1(P_{best\_l}-X_l^g)+c_2{r}_2(X_{best}-X_l^g),---\left(3\right)$

$X_l^{g+1}=X_l^g+V_l^{g+1},---\left(4\right)$

其中，g为迭代次数；V_l ^g为粒子l在第g次迭代时的速度；为粒子l在第l次迭代时的位置；X_best是全局最优解位置；ω为惯性权重；c₁、c₂均为学习因子，c₁对应自身学习部分，c₂对应社会学习部分；r₁和r₂均为[0,1]之间的随机数；P_{best_l}是个体l的历史最优解位置；迭代过程中g＝g+1；

对于上述的实施例，本步骤得到两个新的粒子占空比，分别记为

步骤6、对粒子适应值进行评价，更新个体历史最优解位置P_{best_l}和全局最优解位置X_best，

把3个粒子位置作为太阳能电池组连接的DC-DC变换器的占空比，记录其对应的太阳能电池组稳态输出功率值 表示粒子l在第g次迭代时的适应值，l＝1,2,3，

6.1)更新个体历史最优解位置P_{best_l}

对于当前第g代中的第l个粒子，比较其对应的适应值与其自身历史最优位置对应的适应值，如果该粒子的适应值大于该粒子的历史最优位置对应的适应值，那么用该粒子的适应值替换个体历史最优适应值，同时将该粒子位置设为个体历史最优位置，具体过程是：若则 其中J_lmax表示粒子l的个体历史最优适应值，l＝1,2,3；

6.2)更新全局最优解位置X_best

比较当前种群中所有l个粒子历史最优适应值，取其中最大的为全局最优适应值，同时将适应值最大的粒子位置设为全局最优解位置，即m为最大历史适应值对应的下标，X_best＝P_{best_m}；

对于上述的实施例3个新粒子，在上一代中的适应值最高，不参与迭代；在本代g＝1时，均高于个体历史最优适应值；更新个体历史最优适应值J_1max＝207.1，J_2max＝171.5，J_3max＝175.7，同时更新个体历史最优解位置P_{best_1}＝0.6465，P_{best_2}＝0.6304，P_{best_3}＝0.6357；更新全局最优适应值G_max＝J_1max＝207.1，同时更新全局最优解位置X_best＝P_{best_1}＝0.6465。

步骤7、待所有3个粒子收敛到某一点附近时，i，j∈[1,2,3]，i≠j，ε为一个设定的小正数，在此ε＝0.5，即3个粒子之间功率误差小于0.5W时，即认为此时搜索到最大功率点，结束搜索，将X_best作为DC/DC变换器的占空比D；

否则，返回步骤4，重新搜索。

上述的实施例中，最终所有粒子在程序运行第3代时收敛至d＝0.708，则最大功率为217W，实验结果如图7。

对比实验

图8、图9为两种现有技术基于粒子群的MPPT方法的实验结果。

对比方法一

[朱艳伟，石新春，但扬清等.粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J].中国电机工程学报.2012，32(4)：42-48.]提出串联N块太阳能电池初始化N个粒子，并按照P-U特性把粒子位置初始化到最大功率点附近，该方法的缺点是串联太阳能电池个数多时，种群数量太大，收敛时间长，串联电池数量少时，粒子数少，容易陷入局部极小，对图6多峰情况实验结果如图8所示。

对比方法二

[V Phimmasone,Y Kondo,N Shiota,M Miyatake.The EffectivenessEvaluation of the newly Improved PSO-based MPPT Controlling Multiple PVArrays[C].in Proceedings of 1st International Future Energy ElectronicsConference,2013:81-86]文献提出一种IR-PSO(Initialization and Repulsion PSO)方法，其主要创新是在粒子群进化公式(3)中加入排斥项，公式(3)变为式(14)：

$v_i^{n+1}={\mathrm{\ωv}}_i^n+c_1{r}_1(P_i^n-s_i^n)+c_2{r}_2(G^n-s_i^n)-\frac{c_3{r}_3({\mathrm{centx}}_i-x_i^k)}{|{\mathrm{centx}}_i-x_i^k{|}^3+d},---\left(14\right)$

排斥项中c₃为权重系数，取正常数，r₃为0-1之间的随机数；d是一个很小的常数确保排斥项分母不为0，centx是所有粒子的中心位置，通过下式计算得到：

${\mathrm{cent}}^k=\underset{i=1}{\overset{N}{\Σ}}\frac{s_i^k}{N},---\left(15\right)$

其他按照标准粒子群方法迭代，该方法对图6多峰情况实验结果如图9所示。

最大功率点跟踪有几项重要指标，包括收敛时间、跟踪精度、成功概率，设经过k次适应值评价跟踪到最大功率点，收敛时间T的计算方法是：

当2≤N≤5，T＝(2N+1)*0.3+(k-(2N+1))*0.1，其中的2N+1为初始化目标电压个数，k-(2N+1)是粒子为占空比时的适应值评价次数；

当6≤N，T＝N*0.3+(k-N)*0.1，其中的N为初始化目标电压个数，k-N是粒子为占空比时的适应值评价次数。

对比方法一与对比方法二均采用PI调节的方法，取值T＝k*0.3；跟踪精度以最终跟踪到的最大功率点做对比；跟踪成功概率，同一种方法对同一多峰连续运行1000次，确定跟踪成功概率。以下是采用不同方法跟踪图6中最大功率点的实验结果。

表1、本发明方法与现有控制方法收敛时间(s)比较

	实验一	实验二	实验三	实验四	实验五	平均值
							本发明方法	3.1	3.4	3.4	3.6	3.1	3.32
对比方法一	5.4	5.1	6	3.6	4.2	4.86
							对比方法二	6.6	6	5.7	5.7	6.3	6.06

表2、本发明方法与现有方法搜索精度(跟踪到的最大功率(W))比较

	实验一	实验二	实验三	实验四	实验五	平均值
							本发明方法	217	217	217	217	217	217
对比方法一	217	217	217	217	217	217
							对比方法二	217	217	217	217	217	217

表3、本发明方法与现有控制方法跟踪成功概率比较

方法	本发明方法	对比方法一	对比方法二
				跟踪成功概率	99％	82％	87％

从以上对比实验能够看出，在收敛时间上本发明方法明显快于其他两种方法，在搜索精度上三种方法均能准确的找到最大功率点，跟踪成功的概率本发明方法明显高于其他两种对比方法。

为了充分验证本发明方法的高效性，以下分别以串联2块电池2个峰、串联4块电池4个峰和串联6块电池5个峰为例，进行分析比较，其中的图10、图12、图14分别为阴影下的多峰P-U曲线；其中的图11、图13、图15分别为实验结果；其中的表4、表5、表6中的结果是通过1000次仿真实验结果得到的概率和平均值。

表4、2块太阳能电池串联2个峰曲线实验结果对比

	收敛时间(s)	功率(W)	搜索成功概率
				本发明方法	2.9	204.4	98％
对比方法一	3.0	204.4	64％
				对比方法二	3.0	204.4	78％

表5、4块太阳能电池串联4个峰曲线实验结果对比

	收敛时间(s)	功率(W)	搜索成功概率
				本发明方法	4.1	234.8	100％
对比方法一	4.8	234.8	92％
				对比方法二	4.5	234.8	93％

表6、6块太阳能电池串联5个峰曲线实验结果对比

	收敛时间(s)	功率(W)	搜索成功概率
				本发明方法	3.1	337.7	100％
对比方法一	10.2	337.7	100％
				对比方法二	9.7	337.7	100％

从以上对比实验结果可以看出，相对于其它两种方法，本发明方法具有较明显的优势。对比方法一，当串联电池板个数少时，该方法能快速收敛，但是跟踪成功的概率低，随着电池板个数增多收敛速度降低，这就导致该方法实用性变差。对比方法二，加入排斥项，一定程度上加快收敛速度，避免陷入局部最优，同时又使曲线产生了不必要的振荡，会降低IGBT的使用寿命，当串联电池板个数少时可以快速收敛，当电池组数量增多时同样会有收敛慢的问题。

本发明方法从仿真结果看，电池板个数较少时可快速跟踪到最大功率点且跟踪成功概率高于两种对比方法。随着电池板个数增加，需要初始化的目标电压个数增多，两种对比方法收敛速度明显下降，本发明方法依旧可在3s左右跟踪到最大功率点，收敛速度不受串联电池板个数N影响。从迭代波形来看，迭代过程中波形变化幅度小，寻优波形没有大范围的振荡。多次实验结果证明，在不同的阴影下，寻优波形基本一致，证明本发明方法的稳定性高、适应性强。同时，收敛速度快，跟踪到的功率精度高，且应用电路简单易于实现，提高了太阳能电池的能源利用率，适合在实际工程中应用。

Claims (6)

1.一种太阳能电池最大功率跟踪控制方法，其特征在于，按照以下步骤实施：

步骤1、对期望输出电压进行初始化；

步骤2、对初始化期望输出电压的性能进行评价

采用步骤1初始化的期望输出电压为太阳能电池组的输出电压值，控制太阳能电池组连接的DC/DC变换器，采用闭环PI控制方法，使太阳能电池组输出电压达到目标值，记录稳态时每个期望输出电压值对应的太阳能电池组输出功率为P_i＝V_in×I_in和对应的DC/DC变换器的占空比为D_i，V_in和I_in分别表示DC/DC变换器的输入电压及输入电流值，当2≤N≤5时，取值范围i＝1,2,...2N+1；当N>5时，取值范围i＝1,2,...N；

步骤3、对粒子群和算法参数进行初始化

利用步骤2中各个初始化目标电压对应的输出功率计算平均功率值P_mean；

步骤4、选出适应值最大的粒子进行保留

选取适应值最大的粒子，不参与步骤5中的位置和速度更新，称为最优保留策略；

步骤5、进行粒子群迭代；

步骤6、对粒子适应值进行评价，更新个体历史最优解位置P_{best_l}和全局最优解位置X_best；

步骤7、待所有3个粒子收敛到某一点附近时，i，j∈[1,2,3]，i≠j，ε为一个设定的小正数，即认为此时搜索到最大功率点，结束搜索，将X_best作为DC/DC变换器的占空比D；

否则，返回步骤4，重新搜索。

2.根据权利要求1所述的太阳能电池最大功率跟踪控制方法，其特征在于，所述步骤1中，具体步骤是，

将N块太阳能电池串联，当N≥2，最多可能出现N个功率峰值；

当2≤N≤5时，初始化2N+1个期望输出电压；

当N>5时，初始化N个期望输出电压，

首先根据太阳能电池组开路输出电压U_{oc_array}，计算得到单块太阳能电池的输出电压U_oc≈U_{oc_array}/N，

当2≤N≤5时具体的方法是第1个初始期望输出电压为U₁＝0.4U_oc，第i个初始期望输出电压为U_i＝0.8U_oc+0.5(i-2)U_oc，i＝2,...2N，第2N+1个初始期望输出电压为(N-0.1)U_oc；

当N>5时，第i个初始期望输出电压为U_i＝(i-1)U_oc+0.8U_oc，i＝1,2,...N。

3.根据权利要求1所述的太阳能电池最大功率跟踪控制方法，其特征在于，所述步骤3中，具体步骤是，

利用步骤2中各个初始化目标电压对应的输出功率计算平均功率值P_mean，当2≤N≤5时，采用公式(1)计算：

$P_{mean}=\left(\underset{1}{\overset{2N+1}{\mathrm{\Σ}}}{P}_i\right)/(2N+1),---\left(1\right)$

当N>5时，采用公式(2)计算：

$P_{mean}=\left(\underset{1}{\overset{N}{\Σ}}{P}_i\right)/N,---\left(2\right)$

取输出功率大于平均功率的初始化电压值对应的占空比记为d_j，占空比d_j按数值从小到大的顺序排列，即满足d_j≥d_j-1，j＝2,…,n；

将每个d_j对应的输出功率记为P_new(2(j-1)+1)，此处P_new(2(j-1)+1)表示集合P_new的第(2(j-1)+1)个元素，在每两个相邻占空比之间增加一个新的占空比，得到占空比集合：

D_new＝{d₁,d₁+(d₂-d₁)r₁,d₂,...,d_n-1+(d_n-d_n-1)r_n-1,d_n}，

其中r_k为[0,1]之间的随机数，k＝1,2,...,n-1；

将占空比集合中新增加的占空比D_new(2k)分别作为太阳能电池组后面连接的DC/DC变换器占空比，得到采用该占空比时太阳能电池组的稳态输出功率记为P_new(2k)，k＝1,2,...,n-1；

取m是集合P_new中最大值对应的下标，表示第g代时第i个粒子的适应值，则 对应的适应值，取至此得到3个初始化粒子的位置，该3个初始化粒子对应的适应值分别为

4.根据权利要求1所述的太阳能电池最大功率跟踪控制方法，其特征在于，所述步骤5中，具体步骤是，

除适应值最大的粒子外，将其余两个粒子根据粒子群算法的位置按照公式(3)、(4)更新速度和位置表达式如下：

$V_l^{g+1}={\mathrm{\ωV}}_l^g+c_1{r}_1(P_{best\_l}-X_l^g)+c_2{r}_2(X_{best}-X_l^g),---\left(3\right)$

$X_l^{g+1}=X_l^g+V_l^{g+1},---\left(4\right)$

其中，g为迭代次数；为粒子l在第g次迭代时的速度；为粒子l在第l次迭代时的位置；X_best是全局最优解位置；ω为惯性权重；c₁、c₂均为学习因子，c₁对应自身学习部分，c₂对应社会学习部分；r₁和r₂均为[0,1]之间的随机数；P_{best_l}是个体l的历史最优解位置；迭代过程中g＝g+1。

5.根据权利要求1所述的太阳能电池最大功率跟踪控制方法，其特征在于，所述步骤6中，具体步骤是，

把3个粒子位置作为太阳能电池组连接的DC-DC变换器的占空比，记录其对应的太阳能电池组稳态输出功率值 表示粒子l在第g次迭代时的适应值，l＝1,2,3，

6.1)更新个体历史最优解位置P_{best_l}

对于当前第g代中的第l个粒子，比较其对应的适应值与其自身历史最优位置对应的适应值，如果该粒子的适应值大于该粒子的历史最优位置对应的适应值，那么用该粒子的适应值替换个体历史最优适应值，同时将该粒子位置设为个体历史最优位置，具体过程是：若则 其中J_lmax表示粒子l的个体历史最优适应值，l＝1,2,3；

6.2)更新全局最优解位置X_best

比较当前种群中所有l个粒子历史最优适应值，取其中最大的为全局最优适应值，同时将适应值最大的粒子位置设为全局最优解位置，即m为最大历史适应值对应的下标，X_best＝P_{best_m}。

6.根据权利要求1所述的太阳能电池最大功率跟踪控制方法，其特征在于，所述步骤7中，ε＝0.5。