CN106527570A - 一种光伏阵列多峰最大功率群搜索优化跟踪方法 - Google Patents

Abstract

本发明公开了一种光伏阵列多峰最大功率群搜索优化跟踪方法，包括以下步骤：测量光伏阵列的输出电压、输出电流，根据光伏阵列组件及阴影情况得到峰值数目n；调用IGSO算法，对光伏最大功率所对应电压进行跟踪；脉冲发生器根据所得电压，产生PWM信号使光伏阵列运行于更新后的阵列电压点，为光伏阵列最大输出功率；当功率变化率大于0.015时，重启搜索过程。本发明提出的基于IGSO在光伏阵列MPPT问题的跟踪方法，根据阵列结构设置IGSO算法中的成员生产者个数，提高了跟踪效率；根据最大功率点与电压之间的规律关系，改进了初始位置与搜索策略并略去漫游者，避免陷入局部极值点，提高了算法的精度与稳定性。

Description

一种光伏阵列多峰最大功率群搜索优化跟踪方法

技术领域

本发明涉及光伏发电领域，特别涉及一种光伏阵列多峰最大功率群搜索优化跟踪方法。

背景技术

光伏发电具有储量巨大、取之不尽、安全便利等特点，因此成为目前世界各国普遍关注和重点发展的新兴产业。但光伏发电在发展中也有许多问题亟需解决，其中包括选择合适的光伏阵列多峰最大功率跟踪(Maximum Power Point Tracking,MPPT)算法提高光伏系统效率。

光伏阵列的最大功率点跟踪是指在太阳光照强度、外界温度等外界环境条件发生变化时，系统通过改变光伏电池阵列的输出电流或电压等方法，使阵列始终在最大功率点上工作。常规的MPPT算法(如爬山法、扰动观察法等)对于单峰功率具有较好的跟踪控制效果，然而在局部阴影情况下，光伏阵列的功率-电压(P-U)曲线呈现为多个功率极值点的多峰问题，导致常规的MPPT算法容易陷入局部极值点。人工智能方法(如神经网络、粒子群法等)对局部阴影情况时有一定效果，但神经网络法对于不同的光伏阵列系统需要进行长时间有针对性的训练；粒子群法可以提高结果的精度，但实现过程较为复杂，且会导致硬件设备成本的增加。

功率跟踪中群搜索算法(Group Search Optimization,GSO)是一种模拟动物觅食行为的优化算法。GSO算法中，每一代的成员分成生产者(Producer)、觅食者(Scroungers)、漫游者(Rangers)三组，其中生产者通常为一个，觅食者占每代成员总数的比例为80％，其余为漫游者。其成员具体特性是：

成员一：生产者是每一代中拥有最好适应度函数的成员，它也是觅食者的风向标，负责引领觅食者进行搜索。另一方面，生产者根据扫描搜索机理在三个方向进行搜索，满足式(1)：

式中，分别代表生产者向正前方、右侧和左侧搜索后的位置，(k代表第k代生产者，P_r表示生产者)代表第k代生产者的位置，l_Pr-max代表生产者的最大搜索距离，代表第k代生产者的头角度，θ_max为最大搜索角度，r₁是平均值为0、标准差为1的正态随机数，r₂是均匀分布于(0，1)内的n-1维向量，是由头角度确定的搜索方向，它根据通过笛卡尔坐标变换获得。

生产者如果经过扫描搜索找到了更好的目标函数值，则第k+1代进入该位置，否则，保持在原有的位置，扫描结束后进行一次迭代。即此时第k+1代生产者位置满足式(2)：

式中，max代表取括号内的最佳位置。

根据第k代生产者的头角度下一代(k+1代)生产者的头角度根据式(3)移动到一个新的角度

式中，α_max是最大旋转角度。

如果经过a代之后，生产者依然没有找到更好的资源，那么第a代之后头角度恢复到a代之前的值即有式(4)：

式中，a为算法使用者自行确定的一个常量。

成员二：觅食者认为在它与生产者之间的范围可以找到食物，因此跟着生产者后面搜索，具有趋优性，第k+1代觅食者的位置(k+1代表第k+1代觅食者，s代表觅食者)由第k代位置，利用式(5)获得：

式中，代表第k代觅食者的位置，操作符代表Hadamard乘法或者Schur乘法，r₃是均匀分布于(0，1)内的n维向量。

GSO算法为了模拟觅食者其他的觅食行为，在使觅食者趋优的同时，随机旋转头角度。根据第k代觅食者的头角度下一代(k+1代)觅食者的头角度按照式(6)移动到一个新的角度

成员三：漫游者不采用生产者和觅食者的信息，在环境中随机行走，当发现最优解时漫游者转换为生产者，这是寻找未知资源最有效的方式之一。其中第k+1代漫游者的位置(k+1代表第k+1代漫游者，r代表漫游者)由第k代漫游者位置利用式(7)搜索方式来寻找食物：

式中，l_r代表漫游者一个随机移动距离，l_r-max代表漫游者的最大搜索距离，代表第k代漫游者的头角度，代表第k代漫游者随机行走的方向。

发明内容

为了解决上述技术问题，本发明提供一种不易陷入局部最优、在无阴影和有阴影下均能有效追踪到最大功率点的光伏阵列多峰最大功率群搜索优化跟踪方法。

本发明解决上述问题的技术方案是：一种光伏阵列多峰最大功率群搜索优化跟踪方法，包括以下步骤：

步骤1：测量光伏阵列的输出电压、输出电流，根据光伏阵列组件及阴影情况得到峰值数目n。

步骤2：调用IGSO算法，对光伏最大功率所对应电压进行跟踪。

步骤3：脉冲发生器根据所得电压，产生PWM信号使光伏阵列运行于更新后的阵列电压点，为光伏阵列最大输出功率。

步骤4：当功率变化率Δp大于0.015时，重启搜索过程，返回步骤1。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2具体包括

2-1：建立光伏最大功率跟踪模型：

2-2：光伏最大功率所对应电压搜索：

2-2-1：种群初始化：生成包含与多峰峰数相同的n个生产者的初始种群，最大迭代次数为N，设置生产者初始位置；

2-2-2：进入生产者循环：进入第i个生产者Pr_i(1≤i≤n)的搜索循环，设定第i个生产者Pr_i会在(i-1)×U_{oc_module}至i×U_{oc_module}的范围搜索，其中U_{oc_module}为组件开路电压，此时第i个生产者Pr_i的位置为采用生产者搜索策略进行搜索；

2-2-3：搜索第i个生产者第k+1代后的最佳位置

2-2-4：搜索第k+1代最终全局位置X_Pr：执行完各个生产者的最大功率点搜索循环后，确定该代生产者的最终位置；

2-2-5：获得各代最终位置：完成N次迭代或达到收敛条件后得到各代生产者的最终位置；

2-2-6：获得全局最终电压：得到全局最终位置所对应的电压。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-1中，根据光伏阵列特性以及利用群搜索GSO优化算法包含生产者、觅食者、漫游者的成员特征，目标函数为阵列的输出功率，生产者、觅食者位置代表阵列输入电压值。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-2-1中，改变生产者初始位置初始化的方式为：第1个生产者Pr₁的初始位置选为0.7U_{OC_module}，第2个生产者Pr₂的初始位置则选为0.7U_{OC_module}+0.8U_{OC_module}，以此类推，即第i个生产者的初始位置选为0.7U_{OC_module}+0.8(i-1)U_{OC_module}，第n个生产者Pr_n可初始化为0.8U_{OC_array}，生产者的搜索范围为0～U_{OC_array}。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-2-2中，生产者搜索策略满足下式：

式中，代表第i个生产者Pr_i第k次迭代时的位置；代表第i个生产者Pr_i在中间、右边，左边三个方向，第k+1代后所处的位置；l_Pr-max代表生产者最大搜索距离，考虑到第i个生产者Pr_i会在(i-1)×U_{OC_module}至i×U_{OC_module}的范围内搜索，l_Pr-max设定为|U_{OC_module}|；r₁是(0，1)之间的随机数。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-2-3中，最佳位置的搜索策略满足下式；

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-2-4中，第k+1代最终全局位置X_Pr的搜索策略满足下式：

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤2-2-5中，收敛条件是指|P_k-P_k-1|≤ε,ε＝0.01，其中P_k代表第k次迭代功率值；完成N次迭代的判断方法是：令k＝k+1后，判断k是否小于或等于最大迭代次数为N，若是，则没有完成N次迭代，返回步骤2-2-1，若不是，则完成N次迭代，进入步骤3。

上述光伏阵列多峰最大功率群搜索优化跟踪方法，所述步骤4中，功率变化率Δp的计算公式为：

式中P_real为阵列运行于最大功率点的实时输出功率，P_m为最大功率。

本发明的有益效果在于：本发明针对光伏MPPT实际特性，提出了基于IGSO在光伏阵列MPPT问题的优化方案。根据最大功率点与电压之间的规律关系，改进了初始设置与搜索策略，避免陷入局部极值点，提高了算法的精度与稳定性。其改进具体是：

1、调整生产者的数目，与多峰峰数相同。对于并联了n条支路，每条支路中组件数为m的光伏阵列(记阵列规模为m×n)，假设阵列中支路组件阴影情况均不相同，因此有n种不同的阴影情况，通常会出现n个功率峰值点，所以增加生产者的数目，设置生产者数目与多峰峰数相同，既能保证对可能的峰值点的全部搜索，提高跟踪效率，又不易陷入局部最优。

2、改变生产者初始位置初始化的方式。好的初始位置，能加快生产者搜索速度，又能确保搜索不会陷入局部极值点，最终能获得全局最大功率点。

3、简化生产者的搜索策略。IGSO应用在光伏阵列多峰MPPT中，生产者搜索电压后可根据光伏阵列输出的P-U特性曲线函数，计算得到当前位置的功率值，无需进行头角度变换。

4、略去漫游者。根据多峰光伏阵列的实际特性，新定义的生产者在数目和初始位置定义好后，能避免陷入局部最优，因此省略漫游者以及由漫游者来发展为生产者的过程，提高算法收敛速度，从而更快的找到光伏阵列多峰最大功率点。

附图说明

图1为本发明的流程图。

图2为图1中改进群搜索优化算法的具体流程图。

图3为基于Boost最大功率跟踪系统的电路结构图。

图4为本发明实施例中无阴影情况光伏阵列P-U曲线。

图5为本发明实施例中无阴影情况仿真跟踪效果图。

图6为本发明实施例中阴影情况1光伏阵列P-U曲线。

图7为本发明实施例中阴影情况1情况仿真跟踪效果图。

图8为本发明实施例中阴影情况2光伏阵列P-U曲线。

图9为本发明实施例中阴影情况2情况仿真跟踪效果图。

图10为本发明实施例中阴影情况3光伏阵列P-U曲线。

图11为本发明实施例中阴影情况3情况仿真跟踪效果图。

图12为本发明实施例中阴影情况3情况电压跟踪过程。

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、图2所示，一种光伏阵列多峰最大功率群搜索优化跟踪方法，包括以下步骤：

步骤1：测量光伏阵列的输出电压、输出电流，根据光伏阵列组件及阴影情况得到峰值数目n；

图3所示的电路为基于Boost最大功率跟踪系统的电路结构图，电路中所用参数为：R1＝0.02Ω，L1＝0.02H，C1＝2000μF，C2＝3500μF，并使用R2＝20Ω的电阻作为负载接入电路。

步骤2：调用IGSO算法，对光伏最大功率所对应电压进行跟踪。

步骤2具体包括：

2-1：建立光伏最大功率跟踪模型：根据光伏阵列特性以及利用群搜索GSO优化算法包含生产者、觅食者、漫游者的成员特征，目标函数为阵列的输出功率，生产者、觅食者位置代表阵列输入电压值。

2-2：光伏最大功率所对应电压搜索：

2-2-1：种群初始化：生成包含与多峰峰数相同的n个生产者的初始种群，最大迭代次数为N，设置生产者初始位置；

改变生产者初始位置初始化的方式为：第1个生产者Pr₁的初始位置选为0.7U_{OC_module}，第2个生产者Pr₂的初始位置则选为0.7U_{OC_module}+0.8U_{OC_module}，以此类推，即第i个生产者的初始位置选为0.7U_{OC_module}+0.8(i-1)U_{OC_module}，第n个生产者Pr_n可初始化为0.8U_{OC_array}，生产者的搜索范围为0～U_{OC_array}。

2-2-2：进入生产者循环：进入第i个生产者Pr_i(1≤i≤n)的搜索循环，设定第i个生产者Pr_i会在(i-1)×U_{oc_module}至i×U_{oc_module}的范围搜索，其中U_{oc_module}为组件开路电压，此时第i个生产者Pr_i的位置为采用生产者搜索策略进行搜索；生产者搜索策略满足下式：

式中，代表第i个生产者Pr_i第k次迭代时的位置；代表第i个生产者Pr_i在中间、右边，左边三个方向，第k+1代后所处的位置；l_Pr-max代表生产者最大搜索距离，考虑到第i个生产者Pr_i会在(i-1)×U_{OC_module}至i×U_{OC_module}的范围内搜索，l_Pr-max设定为|U_{OC_module}|；r₁是(0，1)之间的随机数。

2-2-3：搜索第i个生产者第k+1代后的最佳位置最佳位置的搜索策略满足下式；

2-2-4：搜索第k+1代最终全局位置X_Pr：执行完各个生产者的最大功率点搜索循环后，确定该代生产者的最终位置；第k+1代最终全局位置X_Pr的搜索策略满足下式：

2-2-5：获得各代最终位置：完成N次迭代或达到收敛条件后得到各代生产者的最终位置；

收敛条件是指|P_k-P_k-1|≤ε,ε＝0.01其中P_k代表第k次迭代功率值；完成N次迭代的判断方法是：令k＝k+1后，判断k是否小于或等于最大迭代次数为N，若是，则没有完成N次迭代，返回步骤2-2-1，若不是，则完成N次迭代，进入步骤3。

当跟踪得到的最大功率点不收敛时，即光伏阵列输出功率在震荡变化，因而需要重新启动IGSO算法对光伏电压最优值进行搜索，使系统稳定工作在新的最大功率点，即返回步骤2-2-1。

2-2-6：获得全局最终电压：得到全局最终位置所对应的电压。

步骤3：脉冲发生器根据所得电压，产生PWM信号使光伏阵列运行于更新后的阵列电压点，为光伏阵列最大输出功率；

步骤4：当功率变化率Δp大于0.015时，重启搜索过程，返回步骤1。功率变化率Δp的计算公式为：

式中P_real为阵列运行于最大功率点的实时输出功率，P_m为最大功率。

根据监测发现，当光照强度每分钟变化不大于20W/m²，其对应阵列输出功率变化率Δp为0.015，故当光照强度和环境温度稳定不变化时功率变化率Δp均应小于0.015，因此本发明设定突变重启条件为Δp>0.015。

本发明实施例如下：

光伏阵列仿真以{4×3}阵列为例，采用如表1所示参数的太阳能电池组件，不同阴影情况仿真设定见表2，表中所有阴影情况组件温度均设定为25℃。

表1光伏组件的主要规格表

表2不同阴影情况仿真设定

为了验证基于改进群搜索优化算法(IGSO)的光伏阵列多峰最大功率点跟踪方法的优化效果，本发明基于Matlab软件进行仿真。

无阴影情况时，设置光伏阵列的子串全由接受太阳辐射为1kW/m²和温度为25℃的光伏电池组成，阵列的P-U曲线如图4所示，实际最大功率为2003.50W。使用IGSO仿真得到跟踪效果如图5所示，跟踪得到最大功率点输出功率为2003.41W，与实际最大功率相差0.09W，相对误差为0.0045％。证明在无阴影情况下，本发明提出的改进群IGSO能够准确地跟踪光伏阵列最大输出功率点。

第1种阴影情况时，设置光伏阵列的子串由10块接受太阳辐射为1kW/m²和温度为25℃，以及2块接受太阳辐射为0.7kW/m²和温度为25℃的光伏电池组成,阵列的P-U曲线如图6所示，实际最大功率为1535.10W。使用IGSO仿真得到跟踪效果如图7所示，跟踪得到最大功率点输出功率为1533.64W，与实际最大功率相差1.46W，相对误差为0.0951％。证明在第1种阴影情况下，本发明提出的IGSO法能够较为准确地跟踪光伏阵列最大输出功率点。

第2种阴影情况时，设置光伏阵列的子串由8块接受太阳辐射为1kW/m²和温度为25℃，2块接受太阳辐射为0.6kW/m²和温度为25℃以及2块接受太阳辐射为0.3kW/m²和温度为25℃的光伏电池组成，阵列的P-U曲线如图8所示，实际最大功率为1073.80W。使用IGSO仿真得到的跟踪效果图如图9所示，跟踪到的最大功率点输出功率为1076.80W，与实际最大功率相差1.63W，相对误差为0.1514％。证明在第2种阴影情况下，本发明提出的IGSO能够较为准确地跟踪光伏阵列最大输出功率点。

第3种阴影情况时，设置光伏阵列的子串都由7块接受太阳辐射为1kW/m²和温度为25℃，2块接受太阳辐射为0.7kW/m²和温度为25℃，2块接受太阳辐射为0.5kW/m²和温度为25℃以及1块接受太阳辐射为0.3kW/m²和温度为25℃的光伏电池组成，阵列的P-U曲线如图10所示，实际最大功率为871.13W。使用IGSO仿真得到的跟踪效果图如图11所示，跟踪到的最大功率点输出功率为868.24W，与实际最大功率相差2.89W，相对误差为0.3318％。证明在第3种阴影情况下，本发明提出的IGSO能够较为准确地跟踪光伏阵列最大输出功率点。

本发明以第3种阴影情况(四峰)时的电压跟踪过程为例的具体跟踪过程，如图12所示。跟踪过程中的初始电压值为117.85V，当时间为0.17s时搜索电压值波动小于0.001V认为此时搜索电压值收敛，电压值为65.023V满足生产者搜索电压范围，此时对应电压值为868.24W。

从有无阴影的跟踪效果图可以看出IGSO能很好的搜索到最大功率点，并且从有无阴影情况不同多峰情况下跟踪效果图可以看出该算法在光伏阵列最大功率点搜索中具有良好的收敛稳定性。

为了验证本发明所提IGSO方法的有效性，将本文方法与粒子群优化算法(Particle Swarm Optimization，PSO)进行了比较，仿真对比了统计绝对误差、相对误差以及运行时间的均值，结果如表3所示。

表3两种算法在不同阴影情况仿真结果对比

从表3中可以看出，误差方面，IGSO算法的绝对误差和相对误差在不同峰数时均优于PSO算法；且在无阴影和双峰情况下具有更为明显的优势，可见IGSO算法能更精确的寻得最大功率点。在运行和收敛时间方面，随着峰数的增加，IGSO算法运行和收敛时间增加缓慢，可以迅速地追踪到光伏阵列的最大功率点。由此可见，IGSO算法简单，匹配局部阴影下光伏MPPT问题，具有良好的寻优效果，不易陷入局部最优，运行与收敛速度较快，并具有较高的精度与稳定性。

Claims (9)

1.一种光伏阵列多峰最大功率群搜索优化跟踪方法，包括以下步骤：

步骤1：测量光伏阵列的输出电压、输出电流，根据光伏阵列组件及阴影情况得到峰值数目n；

步骤2：调用IGSO算法，对光伏最大功率所对应电压进行跟踪；

步骤3：脉冲发生器根据所得电压，产生PWM信号使光伏阵列运行于更新后的阵列电压点，为光伏阵列最大输出功率；

步骤4：当功率变化率Δp大于0.015时，重启搜索过程，返回步骤1。

2.根据权利要求1所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2具体包括

2-1：建立光伏最大功率跟踪模型：

2-2：光伏最大功率所对应电压搜索：

2-2-1：种群初始化：生成包含与多峰峰数相同的n个生产者的初始种群，最大迭代次数为N，设置生产者初始位置；

2-2-2：进入生产者循环：进入第i个生产者Pr_i(1≤i≤n)的搜索循环，设定第i个生产者Pr_i会在(i-1)×U_{oc_module}至i×U_{oc_module}的范围搜索，其中U_{oc_module}为组件开路电压，此时第i个生产者Pr_i的位置为采用生产者搜索策略进行搜索；

2-2-3：搜索第i个生产者第k+1代后的最佳位置

2-2-4：搜索第k+1代最终全局位置X_Pr：执行完各个生产者的最大功率点搜索循环后，确定该代生产者的最终位置；

2-2-5：获得各代最终位置：完成N次迭代或达到收敛条件后得到各代生产者的最终位置；

2-2-6：获得全局最终电压：得到全局最终位置所对应的电压。

3.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-1中，根据光伏阵列特性以及利用群搜索GSO优化算法包含生产者、觅食者、漫游者的成员特征，目标函数为阵列的输出功率，生产者、觅食者位置代表阵列输入电压值。

4.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-2-1中，改变生产者初始位置初始化的方式为：第1个生产者Pr₁的初始位置选为0.7U_{OC_module}，第2个生产者Pr₂的初始位置则选为0.7U_{OC_module}+0.8U_{OC_module}，以此类推，即第i个生产者的初始位置选为0.7U_{OC_module}+0.8(i-1)U_{OC_module}，第n个生产者Pr_n可初始化为0.8U_{OC_array}，生产者的搜索范围为0～U_{OC_array}。

5.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-2-2中，生产者搜索策略满足下式：

$\left\{\begin{array}{c}{X}_z^{i,k+1}=X_z^{i,k}\\ X_l^{i,k+1}=X_z^{i,k}-r_1{l}_{\mathrm{Pr}-\max }\\ X_r^{i,k+1}=X_z^{i,k}+r_1{l}_{\mathrm{Pr}-\max }\end{array}\right.$

式中，代表第i个生产者Pr_i第k次迭代时的位置；代表第i个生产者Pr_i在中间、右边，左边三个方向，第k+1代后所处的位置；l_Pr-max代表生产者最大搜索距离，考虑到第i个生产者Pr_i会在(i-1)×U_{OC_module}至i×U_{OC_module}的范围内搜索，l_Pr-max设定为|U_{OC_module}|；r₁是(0，1)之间的随机数。

6.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-2-3中，最佳位置的搜索策略满足下式；

$X_{\mathrm{Pr}}^{i,k+1}=\max \left(X_z^{i,k+1},X_l^{i,k+1},X_r^{i,k+1}\right).$

7.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-2-4中，第k+1代最终全局位置X_Pr的搜索策略满足下式：

$X_{\mathrm{Pr}}=\underset{1\≤i\≤n}{max}\left(X_{\mathrm{Pr}}^{i,k+1}\right).$

8.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤2-2-5中，收敛条件是指|P_k-P_k-1|≤ε,ε＝0.01其中P_k代表第k次迭代功率值；完成N次迭代的判断方法是：令k＝k+1后，判断k是否小于或等于最大迭代次数为N，若是，则没有完成N次迭代，返回步骤2-2-1，若不是，则完成N次迭代，进入步骤3。

9.根据权利要求2所述的光伏阵列多峰最大功率群搜索优化跟踪方法，其特征在于：所述步骤4中，功率变化率Δp的计算公式为：

$\mathrm{\Δ}p=\frac{|P_{real}-P_m|}{P_m}$

式中P_real为阵列运行于最大功率点的实时输出功率，P_m为最大功率。