CN107037853A - 一种用于光伏电池的mppt控制方法 - Google Patents

Abstract

本发明提出一种用于光伏电池的MPPT控制方法，使用遗传算法GA和变加速扰动法相结合进行光伏电池的MPPT跟踪，精确跟踪最大功率点；本发明根据光伏阵列输出特性曲线，对其采取分段扰动，根据电压变化量dU的值，选择合适的步长缩放因子和扰动步长，根据对应的电流变化量和电流变化量与电压变化量之比的值，确定扰动方向，并通过数学表达式证明了变加速扰动法的加速过程；为进一步提高跟踪精度，减少系统的跟踪时间，引入遗传算法用于建立初始搜索区间；仿真表明使用遗传算法和变加速扰动法相结合进行光伏电池的MPPT跟踪可以提高系统的稳定性和对环境的适应能力，减少在最大功率点附近的振荡。

Description

一种用于光伏电池的MPPT控制方法

技术领域

本发明涉及太阳能光伏发电技术领域，更具体地，涉及一种用于光伏电池的MPPT控制方法。

背景技术

光伏MPPT技术研究已经相对成熟，由最初的固定电压、电导增量、扰动观测三种方法，衍生出许多不同的方法，并且已广泛用到生产中。2011年第26期的《电工技术学报》中《光伏电池建模及MPPT控制策略的研究》一文针对传统扰动法的不足，提出了一种变步长控制方式，根据不同的功率变化而选择不同的步长，减小了因电压变化而造成的功率损失，但在光照强度变化时，无法做出快速判断。2014年第42期《电力系统保护与控制》中《光伏系统MPPT的扰动观测法的分析与改进》一文针对基本扰动法的振荡问题提出改进，采用变步长弱震荡法，提高了精度并消除系统振荡，但两级步长使得系统跟踪速度有所降低。

近年来，随着智能算法的发展，在优化控制方面显出越来越多的优势，国内外许多学者将智能算法应用到MPPT中。2014年第2期《IEEE Journal ofPhotovoltaics》中《AMaximum Power Point Tracking Method Based onPerturb-and-ObserveCombined WithParticleSwarm Optimization》一文提出了传统扰动法与粒子群的混合算法，将MPPT分为两步控制，第一步用定步长扰动法搜索局部最大点，第二步使用粒子群算法搜索全局最优点，粒子群算法在一定程度上减少了系统的搜索时间加快收敛速度，但在最大功率点附近仍存在许多振荡。2017年第1期《IEEE Transactions on Sustainable Energy》中《Designand Hardware Implementation of FL-MPPT Control of PV Systems Based on GA andSmall-Signal Analysis》一文中提出了模糊逻辑、遗传算法(Genetic Algorithm)与小信号模型分析相结合的新型MPPT控制技术，通过遗传算法优化模糊逻辑控制器的参数来减少系统搜索时间，提高搜索精度，但在MPP附近振荡没有明显改善。

发明内容

为了克服上述现有技术中的缺点，改善传统扰动法对外界环境适应性较差的问题，减少扰动法在稳态时最大功率处的振荡，提高系统的追踪速度，提供了一种用于光伏电池的MPPT控制方法，使用遗传算法和变加速扰动法相结合进行光伏电池的MPPT跟踪，精确跟踪最大功率点。

本发明的技术方案如下：

一种用于光伏电池的MPPT控制方法，首先对光伏电池工作电压和工作电流进行随机采样，计算出采样功率P_i，找出其中最大功率值P_max，综合考虑光伏阵列工作时受光照(S)与温度(T)的影响，建立光伏P-U特性曲线模型，根据光伏阵列输出特性曲线，在不同的区间的非线性程度，把光伏P-U特性曲线分为非线性程度弱的区间A-B段和C-D段及非线性强的区间B-C段，对系统采取分段扰动，根据电压变化量dU的值，选择合适的步长缩放因子和扰动步长，根据对应的电流变化量和电流变化量与电压变化量之比的值，确定扰动方向；并引入遗传算法用于建立初始搜索区间，使用遗传算法和变加速扰动法相结合进行光伏电池的MPPT跟踪，精确跟踪最大功率点。

进一步地，具体步骤如下：

第一步：对光伏阵列进行输出采样产生初始种群并设定初始条件，计算出采样功率P_i(i＝1,2…10)作为种群个体i的适应度，从中找出P_max作为遗传搜索的初始值，判断遗传算法是否达到终止条件，若迭代未达到，则仍采用遗传搜索，否则改用加速扰动搜索来取代遗传搜索。

第二步：采用变加速扰动法，首先根据电压变化量dU的值，选出合适的步长缩放因子和扰动步长，再根据电流变化量和电流变化量与电压变化量之比，选取正确的扰动方向；每次扰动一次后需更新电压变化量dU，选出合适的步长缩放因子和扰动步长及扰动方向；当扰动搜索连续几次功率变化接近于0，则系统搜寻到最大功率点MPP。

第三步：判断外界环境是否发生剧变，若发生剧变则可对遗传算法进行均匀变异操作，使算法重新产生初始种群，若环境变化起伏较小，则采用保留精英策略，将上代中的精英个体替换到本次搜寻中适应度最差的个体。

进一步地，所述步骤T1中的遗传算法具体包括以下步骤，令变量S，T和U作为GA的输入，输出为占空比D：

第一步.初始化；

根据光伏系统进行输出采样，以实值编码的方式创建初始种群并确定种群(N)大小，将采样功率P_i作为个体i的适应度，并按照其大小进行排序求出平均适应度和最大采样功率P_max，P_max作为遗传搜索的初始父代；

第二步.遗传操作；

1.选择：为避免遗传算法过早收敛，采用轮盘赌法对种群个体进行初步筛选，通过最佳保留策略，将当前适应度最高的个体直接复制到下一代，个体轮盘赌选择概率p_i为：

2.交叉：为提高GA搜索能力，采用均匀交叉方式对父代中的个体进行交叉操作；

3.变异：为保持种群多样性，引入放大因子A₀，采用差分变异法，将种群中任意两个体的差分向量的结果与A₀相乘加到当前t代第i个体Xⁱ(t)上，经差分变异后的个体为：

Xⁱ(t+1)＝Xⁱ(t)+A₀(X^j(t)-X^k(t))；

若外界环境变化，则采用均匀变异的方式产生初始种群；

S3.终止条件；

当GA达到最大迭代次数或功率变化量接近于0时，算法终止搜索。

进一步地，第二步中所述的变加速扰动法，根据光伏输出特性曲线在B-C段非线性程度不同的特点及电压变化量dU的值，将扰动情况分为以下几种：

情况一：电压变化量和电流变化量非常小，即|dU|≤ε且|dI|≤μ；

当电压变化量和电流变化量非常小时，可以近似认为此时电压和电流为最大功率点附近的电压和电流，那么它们的乘积即功率的变化量会更小，将是一个极小的范围，所以可认为该点为MPP；

情况二：电压变化量为0，即dU＝0；

当电压变化量为0时，该电压为最大功率点处的电压，此时则只需改变电流即可，同时还需判断电流变化量的符号，若该变化量为负值，扰动方向向左；若该变化量为正值，扰动方向向右；

情况三：当电压变化量不为0且不接近0时，即若dU≠0，则分为以下两种情况：

(1)功率变化量与电压变化量之比的绝对值很小，即|dP/dU|<e；

当功率变化量与电压变化量之比的绝对值很小，此时搜索离MPP处较近，因此采用较小的加速度，使扰动缓慢向最大功率点进行；

(2)功率变化量与电压变之比的绝对值较大，即|dP/dU|>e；

当功率变化量与电压变化量之比的绝对值较大，该区域远离MPP，因此需增加扰动速度，扰动以较快的速度进行。

更具体的，根据dU值，将扰动情况分为以下几种：

(1)|dU|≤ε且|dI|≤μ

当|dU|≤ε且|dI|≤μ时，即|dP|<e₀，可近似认为U(k+1)＝U(k)、I(k+1)＝I(k)。由于|dP|＝|dU·dI|≤ε·μ是一个极小的范围，所以可认为该点为MPP。

(2)dU＝0

若dU＝0，即U_k＝U_MPP，则只需改变电流即可，引入步长缩放因子记为α(α＝0.0001)，扰动步长记为△l，此时扰动步长△l＝αdI，则

I(k+1)＝I(k)+△l＝I(k)+αdI

dI的符号决定了扰动方向，dI<0扰动向左进行，为负扰动，dI>0扰动向右进行，为正扰动。

(3)若dU≠0，则分为以下两种情况：

1)当|dP/dU|<e时，此时搜索离MPP处较近，因此采用较小的加速度，使扰动缓慢向最大功率点进行，记步长缩放因子记为β(β＝0.1α)，扰动步长记为△l，则

2)当|dP/dU|>e时，搜索区域远离MPP，因此需增加扰动速度，扰动以较快的速度进行，记步长缩放因子记为λ(λ＝0.25α)，扰动步长记为△l，则

由于|dI/(dU*U(k))|<1，则

进一步地，第二步所述扰动方向选取分为以下两种情况：

情况一：增量电导大于负的电导值，即dI/dU>-I(k)/U(k)；

若增量电导大于负的电导值，则说明该电压小于最大功率点电压，搜索在最大功率点左侧区域，因此扰动向右侧进行；

情况二：增量电导小于负的电导值，即dI/dU<-I(k)/U(k)；

若增量电导小于负的电导值，此时电压大于最大功率点电压，搜索已越过最大功率点，因此扰动应向反方向进行。

进一步地，扰动方向选取分为以下两种情况，步骤如下：

情况一：增量电导大于负的电导值

若增量电导大于负的电导值，则说明该电压小于最大功率点电压，搜索在最大功率点左侧区域，因此扰动向右侧进行。

情况二：增量电导小于负的电导值

若增量电导小于负的电导值，此时电压大于最大功率点电压，搜索已越过最大功率点，因此扰动应向反方向进行。

更具体的，扰动方向选取有如下两种情况，

1)若dI/dU>-I(k)/U(k)，则说明U<U_M，搜索在最大功率点左侧区域，因此扰动向右侧进行；

2)若dI/dU<-I(k)/U(k)，此时U>U_M，搜索已越过最大功率点，因此扰动应向反方向进行。

与现有技术相比，本发明具有以下有益效果：

提高了MPPT的跟踪速度，，不仅在最大功率点附近振荡小，稳定性强，同时，在环境发生突变时仍具有良好的适应能力，可以快速并精确地追踪到最大功率点。当光强或温度发生变化时，该方法可以快速、精确的跟踪到最大功率点，并且跟踪精度相对较高。

附图说明

图1为光伏MPPT并网控制系统；

图2为基于GA的光伏MPPT变加速扰动法流程图；

图3为P-U特性曲线；

图4为光强变化曲线；

图5为光照变化时变步长扰动MPPT输出功率仿真波形；

图6为光照变化时变加速扰动MPPT输出功率仿真波形；

图7为光照变化时基于GA的变加速扰动MPPT输出功率仿真波形；

图8为温度变化时变步长扰动MPPT输出功率仿真波形；

图9为温度变化时变加速扰动MPPT输出功率仿真波形；

图10为温度变化时基于GA的变加速扰动MPPT输出功率仿真波形。

具体实施例

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例1

如图1所示，一种改进型光伏MPPT控制系统，该控制系统包括光伏阵列、MPPT控制器、逆变器及并网四部分组成；其中MPPT控制器前端与光伏阵列相连，实现光伏阵列的最大功率跟踪；后端与逆变器PWM电路相连，通过调节占空比实现对逆变器输入电压的控制。

如图2所示，用于光伏电池的MPPT控制方法具体实施步骤如下：

第一步：对光伏阵列进行输出采样产生初始种群并设定初始条件，计算出采样功率P_i(i＝1,2…10)作为种群个体i的适应度，从中找出P_max作为遗传搜索的初始值，判断遗传算法是否达到终止条件，若迭代未达到，则仍采用遗传搜索，否则改用加速扰动搜索来取代遗传搜索。

第二步：采用变加速扰动法，首先根据dU的值，选出合适的步长缩放因子和扰动步长，再根据其他值，选取正确的扰动方向。每次扰动一次后需更新dU，选出合适的步长缩放因子和扰动步长及扰动方向。当扰动搜索连续几次功率变化接近于0，则系统搜寻到MPP。

第三步：判断外界环境是否发生剧变，若发生剧变则可对遗传算法进行均匀变异操作，使算法重新产生初始种群，若环境变化起伏较小，则采用保留精英策略，将上代中的精英个体替换到本次搜寻中适应度最差的个体。

如图3所示，为光伏电池在标准温度和光照条件下(T＝25℃，S＝1000W/m²)输出功率和输出电压特性，点M对应于MPP，记点M的电压为UM，点M的功率为PM，则M点两侧的电压对应的功率均小于PM。为了提高光伏发电系统的发电量，有必要使光伏阵列输出功率始终处于MPP或MPP附近。

对光伏P-U特性曲线进行分段分析。在A-B及C-D段，输出功率P随电压U的变化比较明显(近似线性变化)，在B-C区域内，功率P随V的增加而变化的趋势逐渐减小；变加速扰动法在MPP附近振荡和跟踪时间都有所减少，由于A-B和C-D段呈现“线性关系”，在该两段采用GA进行智能搜索，以便建立精确的初始搜索范围，确定搜索方向；同时采用改进变步长扰动即加速扰动法搜索B-C区域，以便缩短搜索时间、减少系统振荡。

如图3所示，变加速扰动原理：根据光伏输出特性曲线在不同区间非线性程度不同的特点，对不同区间实行变加速扰动，在非线性程度弱的区间内采用大步长加速扰动，在非线性程度强的区间内采用小步长加速扰动。根据dU值，将扰动情况分为以下几种：

(1)|dU|≤ε且|dI|≤μ

当|dU|≤ε且|dI|≤μ时，即|dP|<e₀，可近似认为U(k+1)＝U(k)和I(k+1)＝I(k)；由于|dP|＝|dU·dI|≤ε·μ是一个极小的范围，所以可认为该点为MPP。

(2)dU＝0

若dU＝0，即U_k＝U_MPP，则只需改变电流即可，引入步长缩放因子记为α(α＝0.0001)，扰动步长记为△l，此时扰动步长△l＝αdI，则

I(k+1)＝I(k)+△l＝I(k)+αdI

dI的符号决定了扰动方向，dI<0扰动向左进行，为负扰动，dI>0扰动向右进行，为正扰动。

(3)若dU≠0，则分为以下两种情况：

1)当|dP/dU|<e时，

如图3所示：E-F段，此时搜索离MPP处较近，因此采用较小的加速度，使扰动缓慢向最大功率点进行，记步长缩放因子记为β(β＝0.1α)，扰动步长记为△l，则

2)当|dP/dU|>e时，

如图3所示：B-E、F-C段，该区域远离MPP，因此需增加扰动速度，扰动以较快的速度进行，记步长缩放因子记为λ(λ＝0.25α)，扰动步长记为△l，则

由于|dI/(dU*U(k))|<1，则

因此整个系统的跟踪速度都在提高。

(4)扰动方向选取

1)若dI/dU>-I(k)/U(k)，则说明U<U_M，搜索在最大功率点左侧区域，因此扰动向右侧进行；

2)若dI/dU<-I(k)/U(k)，此时U>U_M，搜索已越过最大功率点，因此扰动应向反方向进行。

遗传算法是一种智能仿生算法，在许多智能优化算法中，GA具有良好的全局搜索能力，收敛性好，鲁棒性高，为了进一步减少搜索时间，引入GA辅助系统建立初始搜索范围。令变量S，T和U作为GA的输入，输出为占空比D。其原理步骤如下：

(1)初始化

首先对光伏系统进行输出采样，以实值编码的方式创建初始种群并确定种群(N)大小，将采样功率P_i作为个体i的适应度，并按照其大小进行排序求出平均适应度和最大采样功率P_max，P_max作为遗传搜索的初始父代。

(2)遗传操作

1)选择：为避免遗传算法过早收敛，本文采用轮盘赌法对种群个体进行初步筛选，通过最佳保留策略，将当前适应度最高的个体直接复制到下一代，个体轮盘赌选择概率p_i为：

2)交叉：为提高GA搜索能力，本文采用均匀交叉方式对父代中的个体进行交叉操作。

3)变异：为保持种群多样性，引入放大因子A₀，采用差分变异法，将种群中任意两个体的差分向量的结果与A₀相乘加到当前t代第i个体Xi(t)上，经差分变异后的个体为：

Xⁱ(t+1)＝Xⁱ(t)+A₀(X^j(t)-X^k(t))

若外界环境变化，则采用均匀变异的方式产生初始种群。

(3)终止条件

当GA达到最大迭代次数MaxT或|△P|<σ时，算法终止搜索。

实施例2

利用Matlab/Simulink仿真软件搭建系统仿真模型，在Matlab中编写MPPT模块程序，仿真参数：目标函数种群大小N＝30，MaxT＝20，Pc＝0.9，Pm＝0.1，T＝25℃。

附图4为光照强度从1000W/m²下降到600W/m²再降至200W/m²的波形图，附图5、附图6及附图7为该条件下的MPPT仿真波形图，其中附图5为变步长扰动法，附图6为变加速扰动法，附图7位基于GA的变加速扰动法；可以看出，与传统扰动法相比，变加速扰动法的跟踪速度显着提高，MPP附近的系统振荡也显着降低。与变加速扰动法相比，基于GA的变加速扰动法在最大功率点附近的跟踪速度和振荡均提高。

当S＝600W/m²，温度由15℃上升到20℃，再由20℃上升到25℃时，MPPT仿真波形分别为附图8、附图9和附图10。附图8为变步长扰动法，附图9为变加速扰动法，附图10为基于GA的变加速扰动法。比较附图8、附图9、附图10可以看出，变步长扰动法的跟踪速度最慢，但振荡非常小，而变加速扰动法速度非常快，但振荡比较大。附图10中基于GA的变加速扰动法不仅振荡少，而且跟踪速度快。

本发明就传统扰动法在最大功率点附近易产生振荡及对环境适应性较差的缺点，提出了一种由遗传算法与变加速扰动法相结合的控制方法；该方法提高了MPPT的跟踪速度，不仅在最大功率点附近振荡小，同时，在环境发生突变时仍具有良好的适应能力，可以快速并精确地追踪到最大功率点。

显然，上述实施例仅仅是为清楚地说明本发明的技术方案所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。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，均应包含在本发明权利要求的保护之内。

Claims (5)

1.一种用于光伏电池的MPPT控制方法，其特征在于，首先对光伏电池工作电压和工作电流进行随机采样，计算出采样功率P_i，找出其中最大功率值P_max，综合考虑光伏阵列工作时受光照(S)与温度(T)的影响，建立光伏P-U特性曲线模型，根据光伏阵列输出特性曲线，在不同的区间的非线性程度，把光伏P-U特性曲线分为非线性程度弱的区间A-B段和C-D段及非线性程度强的区间B-C段，对系统采取分段扰动，根据电压变化量dU的值，选择合适的步长缩放因子和扰动步长，根据对应的电流变化量和电流变化量与电压变化量之比的值，确定扰动方向；并引入遗传算法用于建立初始搜索区间，使用遗传算法GA和变加速扰动法相结合进行光伏电池的MPPT跟踪，精确跟踪最大功率点。

2.根据权利要求1所述的用于光伏电池的MPPT控制方法，其特征在于，具体步骤如下：

T1.对光伏阵列进行输出采样产生初始种群并设定初始条件，计算出采样功率P_i(i＝1,2…10)作为种群个体i的适应度，从中找出P_max作为遗传搜索的初始值，判断遗传算法是否达到终止条件，若迭代未达到，则仍采用遗传搜索，否则改用变加速扰动搜索来取代遗传搜索；

T2.采用变加速扰动法，首先根据电压变化量dU的值，选出合适的步长缩放因子和扰动步长，再根据电流变化量和电流变化量与电压变化量之比，选取正确的扰动方向；每次扰动一次后需更新电压变化量dU，选出合适的步长缩放因子和扰动步长及扰动方向；当扰动搜索连续几次功率变化接近于0时，则系统搜寻到最大功率点MPP；

T3.判断外界环境是否发生剧变，若发生剧变则对遗传算法进行均匀变异操作，使算法重新产生初始种群，若环境变化起伏较小，则采用保留精英策略，将上代中的精英个体替换到本次搜寻中适应度最差的个体。

3.根据权利要求2所述的用于光伏电池的MPPT控制方法，其特征在于，所述步骤T1中的遗传算法具体包括以下步骤，令变量S，T和U作为遗传算法GA的输入，输出为占空比D：

S1.初始化；

根据光伏系统进行输出采样，以实值编码的方式创建初始种群并确定种群(N)大小，将采样功率P_i作为个体i的适应度，并按照其大小进行排序求出平均适应度和最大采样功率P_max，P_max作为遗传搜索的初始父代；

S2.遗传操作；

S21.选择：为避免遗传算法过早收敛，采用轮盘赌法对种群个体进行初步筛选，通过最佳保留策略，将当前适应度最高的个体直接复制到下一代，个体轮盘赌选择概率p_i为：

S22.交叉：为提高GA搜索能力，采用均匀交叉方式对父代中的个体进行交叉操作；

S23.变异：为保持种群多样性，引入放大因子A₀，采用差分变异法，将种群中任意两个体的差分向量的结果与A₀相乘加到当前t代第i个体Xⁱ(t)上，经差分变异后的个体为：

Xⁱ(t+1)＝Xⁱ(t)+A₀(X^j(t)-X^k(t))；

若外界环境变化，则采用均匀变异的方式产生初始种群；

S3.终止条件；

当GA达到最大迭代次数或功率变化量接近于0时，算法终止搜索。

4.根据权利要求2所述的用于光伏电池的MPPT控制方法，其特征在于，所述步骤T2中的变加速扰动法，根据光伏输出特性曲线在B-C段非线性程度不同的特点及电压变化量dU的值，将扰动情况分为以下几种：

情况一：电压变化量和电流变化量非常小，即|dU|≤ε且|dI|≤μ；

当电压变化量和电流变化量非常小时，可以近似认为此时电压和电流为最大功率点附近的电压和电流，那么它们的乘积即功率的变化量会更小，将是一个极小的范围，所以可认为该点为MPP；

情况二：电压变化量为0，即dU＝0；

当电压变化量为0时，该电压为最大功率点处的电压，此时则只需改变电流即可，同时还需判断电流变化量的符号，若该变化量为负值，扰动方向向左；若该变化量为正值，扰动方向向右；

情况三：当电压变化量不为0且不接近0时，则分为以下两种情况：

(1)功率变化量与电压变化量之比的绝对值很小，即|dP/dU|<e；

当功率变化量与电压变化量之比的绝对值很小，此时搜索离MPP处较近，因此采用较小的加速度，使扰动缓慢向最大功率点进行；

(2)功率变化量与电压变化量之比的绝对值较大，即|dP/dU|>e；

当功率变化量与电压变化量之比的绝对值较大，该区域远离MPP，因此需增加扰动速度，扰动以较快的速度进行。

5.根据权利要求2所述的用于光伏电池的MPPT控制方法，其特征在于，所述步骤T2所述扰动方向选取分为以下两种情况：

情况一：增量电导大于负的电导值，即dI/dU>-I(k)/U(k)；

若增量电导大于负的电导值，则说明该电压小于最大功率点电压，搜索在最大功率点左侧区域，因此扰动向右侧进行；

情况二：增量电导小于负的电导值，即dI/dU<-I(k)/U(k)；

若增量电导小于负的电导值，此时电压大于最大功率点电压，搜索已越过最大功率点，因此扰动应向反方向进行。