CN108334152A - 一种局部阴影下光伏阵列最大功率点预测优化控制方法 - Google Patents
一种局部阴影下光伏阵列最大功率点预测优化控制方法 Download PDFInfo
- Publication number
- CN108334152A CN108334152A CN201810049596.2A CN201810049596A CN108334152A CN 108334152 A CN108334152 A CN 108334152A CN 201810049596 A CN201810049596 A CN 201810049596A CN 108334152 A CN108334152 A CN 108334152A
- Authority
- CN
- China
- Prior art keywords
- maximum power
- power point
- photovoltaic array
- voltage
- maximum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Control Of Electrical Variables (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种局部阴影下光伏阵列最大功率点预测优化控制方法,包括以步骤:S1:结合光伏阵列的电流‑电压特性曲线和质点平抛运动轨迹的相似性,构建光伏阵列运动学平抛模型;S2:采用改进的粒子群算法对光伏阵列运动学平抛模型求解,获取最大功率点、最大功率点处的电压和最大功率点所在的电压范围;S3:采用电压闭环控制法或指数变步长电导增量法对最大功率点进行寻优,获取控制信号;S4:采用获取的控制信号控制Boost电路导通和关断,实现光伏阵列最大输出功率的实时控制。与现有技术相比,本发明具有实现最大功率点全局寻优、提高光伏发电系统的效率等优点。
Description
技术领域
本发明涉及光伏发电技术领域,尤其是涉及一种局部阴影下光伏阵列最大功率点预测优化控制方法。
背景技术
能源在创造新机遇和促进经济增长方面扮演着极其重要的角色,同时世界经济的发展和人口的增长反过来助长了世界能源需求量。我国能源结构的核心问题表现在:一是能源结构以煤为主,在我国一次能源生产与消费构成中,煤炭比例超过2/3;二是石油安全问题日趋显著,到2020年,石油的对外依存度将达到60%,我国能源安全尤其是石油安全问题越来越突出;三是煤烟型污染已经给生态环境带来严重问题,而电力、建材、冶金、化工等能源消费密集的行业又是我国的支柱产业,它们占大气污染的70%以上。由此可见,优化能源结构势在必行,缓慢增添绿色可再生能源的比例,减少化石能源的使用。
太阳能光伏发电被认为是当前世界上最具有发展前景的新能源技术,各发达国家均投入巨额资金竞相研究开发,并积极推进产业化进程,大力开拓市场应用。但是光伏发电产业在发展中也遇到了许多问题:
(1)光伏电池成本高昂;
(2)光电转化效率较低;
(3)局部遮挡的危害。
最大功率点跟踪是降低发电成本、提高发电效率最直接有效的方法,现有的大部分最大功率点跟踪方法的应用前提都是光伏阵列受到的光照均匀,而忽略了在现实生活中,光伏阵列被遮挡的概率很大。当光伏阵列被局部遮挡时,使得传统的最大功率点跟踪方法容易陷入局部最优难以搜寻到全局最优。
扰动观察法和电导增量法是较早应用在光伏发电系统中的最大功率跟踪方法,被称为传统最大功率跟踪方法。扰动观察法控制思路简单,实现较为方便,可实现对最大功率点的跟踪,提高系统的利用效率。但是由于扰动观察法仅以光伏电池前后两次的输出功率为对象进行研究,没有考虑外部环境条件变化对光伏阵列前后两次输出功率的影响,在使用的过程中容易出现方法的“误判”,“误判”增加了跟踪时间,降低了光伏阵列的输出效率,严重时导致跟踪的失效,使该方法不能准确地跟踪到最大输出功率。
电导增量法跟踪精度较高,控制效果好,不受功率时间曲线的影响。但该方法对传感器有较高的要求,同时步长的选取也将影响算法的性能,在外界环境条件变化较快的情况下也会出现“误判”。
近年来,随着智能算法的不断完善,遗传算法、模糊控制算法和神经网络算法等被引入到光伏发电系统的最大功率跟踪控制中。这些算法的使用,有效地提高了最大功率跟踪的精度,减少了能量损耗。但智能算法往往存在控制参数多,控制思想复杂,对硬件的要求高的缺点,这在一定程度上制约了这些算法的工程实践应用,并且随着光伏阵列的运行环境变得越来越复杂,由于建筑物、树木的遮挡或灰尘等造成光伏阵列表面受到的光照强度不均匀的情况时常发生,此时,光伏阵列的功率-电压特性曲线将出现多个峰值。部分智能算法和传统最大功率跟踪方法一样,缺乏全局寻优的能力,仅仅适用于单峰值最大功率跟踪系统,当对多峰值系统进行跟踪时,会造成跟踪失效。因此,研究一种具有全局寻优特性的最大功率跟踪方法对于提高光伏发电系统的效率十分关键。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种局部阴影下光伏阵列最大功率点预测优化控制方法。
本发明的目的可以通过以下技术方案来实现:
一种局部阴影下光伏阵列最大功率点预测优化控制方法,该方法包括以下步骤:
步骤一、结合光伏阵列电流-电压(I-U)特性曲线和质点平抛运动轨迹的相似性,构建光伏阵列的运动学平抛模型。光伏阵列的运动学平抛模型可在任意光照或温度的环境条件下进行光伏功率建模,并在环境变化时可实现计算修正。
当环境变化时,模型的修正公式如下所示:
式中:ΔT为温度的变化量;ΔS为光照强度的变化量;Tref为参考温度,Tref=25℃;Sref为参考光照强度,Sref=1000W/m2;Isc为当前光伏电池的短路电流;Uoc为当前光伏电池的开路电压;Im为当前光伏电池的最大电流;Um为当前光伏电池的最大电压;e为自然对数的底数,其值约为2.71828;系数a=0.0025/℃;系数b=0.5/(W/m2);系数c=0.00288/℃;Iscref为参考光照强度和温度条件下的光伏电池短路电流;Uocref为参考光照强度和温度条件下的光伏电池开路电压;Imref为参考光照强度和温度条件下的光伏电池最大电流;Umref为参考光照强度和温度条件下的光伏电池最大电压。
步骤二、采用改进的粒子群算法对光伏阵列的运动学平抛模型进行求解,获取最大功率点、最大功率点处的电压和最大功率点所在的电压范围。
普通的粒子群算法中,一般随机初始化粒子的位置;适应度函数根据具体目标要求设定,粒子的优劣则根据适应度值评价,进而更新粒子的速度和位置。粒子的更新基于两个“最优值”,个体最优值Pbest代表粒子本身经历的最优位置,全局最优值Gbest代表种群中所有粒子经历的最优位置。粒子的速度和位置的更新公式如下:
式中:κ为迭代次数;ω为惯性权重;r1、r2为[0,1]上的均匀随机数;c1为自身认知因子;c2为社会认知因子;Pbest为个体最优解;Gbest为全局最优解。
本发明中改进的粒子群算法的目标函数为实时采集的光伏阵列输出功率,粒子的位置为光伏阵列的输出电压,通过迭代找到光伏阵列的最大功率点的位置。普通粒子群算法虽然具有良好的全局搜索能力,由于它本身具有随机性,造成在多峰值寻优时可能会陷入局部最优,为了避免普通粒子群算法陷入局部最优故对粒子群算法进行了如下改进:
(1)粒子初始位置的选择
将前N个粒子的初始位置设置为n×0.84×Uoc,其中n=1........N,N为光伏阵列的串联个数;Uoc为开路电压;其余粒子的初始位置在工作电压内随机设置。
(2)参数的调整
参数自身认知因子c1、社会认知因子c2和惯性权重ω的选择对于算法的收敛速度以及精度有很大的影响,ω主要用于平衡粒子在全局搜索和局部搜索之间的关系,在算法的初始阶段,较大的能够防止算法陷入局部最优;在算法的后期,较小的ω能够提升收敛速度,并使收敛更加平稳。故合适的ω的取值,可以使粒子群算法的收敛速度加快,精度提高。本发明采用线性调整的自寻优惯性权重如式所示:
式中:κ为迭代次数;ωmax为最大惯性权重,取0.9;ωmin为最小惯性权重,取0.4;M为最大迭代次数。
对于c1和c2,在进化上,c1相对越大,粒子行为越独立,“分散”现象越明显,算法进化速度越慢;c2相对越大,粒子群体意识越强,“群聚”现象越明显,算法进化速度越快。故将二者调整为c1先大后小,c2先小后大,即如下式所示:
式中:κ为迭代次数;c1final为最小自身认知因子,取0.5;c1initial为最大自身认知因子,取2;c2final为最大社会认知因子,取2;c2initial为最小社会认知因子,取0.5。
(3)为避免普通粒子群算法陷入局部最优,每五代进行一次筛选,当前迭代完成后若某个粒子位置到当前代全局最优解的距离超出给定的区域,则把当前代全局最优解的值赋值给该粒子,在寻优过程中加入了筛选的环节,对粒子的更新过程进行了干预,逐步缩小粒子的有效寻优范围,在避免寻优失效的同时,缩短算法的运行时间。
步骤三、根据当前的光伏阵列对最大功率控制的要求,采用电压闭环控制法或指数变步长电导增量法对获取的最大功率点进行寻优,获取相应的控制信号。若要获取无振荡的最大功率点,则采用电压闭环控制法,若要快速收敛获取最大功率点,则采用指数变步长电导增量法。两种方法的具体内容为:
(一)采用电压闭环控制法对预测到的电压进行补偿:
将预测到的最大功率点处的电压与光伏阵列的实际电压做差值,通过电压闭环产生修正值,用该修正值对预测到的电压进行补偿,具体包括:
11)对预测得到的最大功率点处的电压与光伏阵列的实际电压做差值,并将该差值与上一时刻的差值比较,获取控制量;
12)将获取的控制量与定步长相乘,对得到的乘积与三角波信号进行比较,获取控制信号,对最大功率进行跟踪,保证稳定的稳态功率输出,提高光伏阵列发电效率。
(二)采用指数变步长电导增量法进行小范围寻优:
对预测得到的最大功率点所在的电压范围,利用指数变步长电导增量法进行再次寻优,在最大功率点所在的电压范围内进行最大功率跟踪,具体包括:
21)对预测得到的最大功率点所在的电压范围进行再次寻优,获取扰动步长后,将参考占空比与扰动步长相加,获取控制步长;
22)对获取的控制步长与三角波进行比较,获取控制信号,提高收敛速度,进而提高光伏阵列发电效率。
步骤四、利用获取的控制信号控制Boost电路的导通和关断,从而使外部电路的等效电阻实时等于光伏阵列的内阻,在任意条件下做到光伏发电系统的内外阻抗匹配,实现光伏阵列最大输出功率的实时控制。
与现有技术相比,本发明具有以下优点:
一、本发明建立了光伏阵列运动学平抛模型,该模型可以进行任意光照或温度的环境条件下的光伏阵列建模,且该模型的误差在工程精度要求范围内,该模型求解过程计算量小,并在环境变化时可实现计算修正;
二、本发明采用改进的粒子群算法对光伏阵列运动学平抛模型求解,改进的粒子群算法的收敛速度快,且可以稳定地收敛到最大功率点;
三、本发明对模型预测获取的结果进行了不同的寻优方式来获取控制信号;本发明采用电压闭环控制的方法,利用模型预测得到的最大功率点处的电压,实现最大功率点的定位,施以电压闭环进行修正补偿,从而达到稳定的稳态功率输出;本发明还可采用指数变步长电导增量法对模型预测得到的最大功率点处的电压范围进行再次寻优,实现大范围预测后的小范围寻优模式,达到提高收敛速度和光伏发电效率的目的。
附图说明
图1为光伏电池输出特性曲线,其中,图1(a)为不同温度下的光伏电池I-U特性曲线,图1(b)为不同温度下光伏阵列P-U特性曲线,图1(c)为不同光照下的光伏电池I-U特性曲线,图1(d)为不同光照下的光伏阵列P-U特性曲线;
图2为一种局部阴影下光伏阵列最大功率点预测优化控制方法的流程图;
图3为根据光伏电池I-U曲线构建光伏阵列运动学平抛模型的原理图;
图4为普通粒子群算法和改进的粒子群算法的最大功率点更新轨迹仿真结果对比图,其中,图4(a)为普通粒子群算法的最大功率点更新轨迹仿真结果图,图4(b)为改进的粒子群算法的最大功率点更新轨迹仿真结果图;
图5为本发明实施例的局部阴影下光伏阵列最大功率点控制仿真模型图;
图6为本发明实施例中三种方法在均匀光照条件下的光伏输出功率对比图,其中,图6(a)为本发明模型预测+电压闭环控制方法在均匀光照条件下的光伏输出功率图,图6(b)为本发明模型预测+指数变步长电导增量法在均匀光照条件下的光伏输出功率图,图6(c)为现有指数变步长电导增量法在均匀光照条件下的光伏输出功率图;
图7为本发明实施例中三种方法在光照1条件下的光伏输出功率对比图,其中,图7(a)为本发明模型预测+电压闭环控制方法在光照1条件下的光伏输出功率图,图7(b)为本发明模型预测+指数变步长电导增量法在光照1条件下的光伏输出功率图,图7(c)为现有指数变步长电导增量法在光照1条件下的光伏输出功率图;
图8为本发明实施例中三种方法在光照2条件下的光伏输出功率对比图,其中,图8(a)为本发明模型预测+电压闭环控制方法在光照2条件下的光伏输出功率图,图8(b)为本发明模型预测+指数变步长电导增量法在光照2条件下的光伏输出功率图,图8(c)为现有指数变步长电导增量法在光照2条件下的光伏输出功率图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
图1为光伏阵列的输出特性曲线,由图1可以看出,光伏电池的输出特性受环境条件的影响,具有很强的非线性,在均匀光照条件下光伏电池存在唯一的最大功率点,在局部阴影条件下光伏电池的P-U特性曲线呈现多峰值状,即光照强度增加时:电流增加,电压略大突变前,功率增加;温度增加时:电流略大于突变前,电压减小,功率减小,从而导致最大功率点是非线性变化的。
本发明涉及一种局部阴影下光伏阵列最大功率点预测优化控制方法,如图2所示,包括以下步骤:
步骤一、结合光伏阵列的电流-电压特性曲线和质点平抛运动轨迹的相似性,构建光伏阵列的运动学平抛模型;
如图3所示,将横坐标U看作质点的运动时间,纵坐标电流I看作是质点在竖直方向上的位移,则光伏电池的I-U特性曲线看作是质点从点(0,Isc)的位置平抛出去的运动曲线轨迹。质点的平抛运动空间中,存在三个不同的重力场g0=0、g1、g2。三个重力场的分界线为U=xUm与U=Um。根据物理学上的相关原理,可得出I-U特性曲线的运动学模型,如下式所示:
其中:
式中,Um为前光伏电池的最大电压;Isc为当前光伏电池的短路电流。
当环境变化时,模型的修正公式如下所示:
式中:ΔT为温度的变化量;ΔS为光照强度的变化量;Tref为参考温度,Tref=25℃;Sref为参考光照强度,Sref=1000W/m2;Isc为当前光伏电池的短路电流;Uoc为当前光伏电池的开路电压;Im为当前光伏电池的最大电流;Um为前光伏电池的最大电压;e为自然对数的底数,其值约为2.71828;系数a=0.0025/℃;系数b=0.5/(W/m2);系数c=0.00288/℃;Iscref为参考光照强度和温度条件下的光伏电池短路电流;Uocref为参考光照强度和温度条件下的光伏电池开路电压;Imref为参考光照强度和温度条件下的光伏电池最大电流;Umref为参考光照强度和温度条件下的光伏电池最大电压。
步骤二、采用改进的粒子群算法对光伏阵列运动学平抛模型求解,获取最大功率点、最大功率点处的电压和最大功率点所在的电压范围;
本发明采用的改进的粒子群算法的目标函数为实时采集的光伏阵列输出功率,粒子的位置为光伏阵列的输出电压,通过迭代找到光伏阵列的最大功率点的位置。本发明对粒子群算法进行了如下改进:
(1)粒子初始位置的选择
本实施例采用的光伏阵列为3个10×20的光伏阵列串联成的光伏阵列形式,设置粒子的个数为每个光伏阵列中光伏电池的个数10,将前3个粒子的初始位置设置为n×0.84×Uoc,其中n=1,2,3,Uoc为开路电压,其余粒子的初始位置在工作电压内随机设置。
(2)参数的调整
本发明采用线性调整的自寻优惯性权重ω如式所示:
式中,κ为迭代次数;ωmax为最大惯性权重,取0.9;ωmin为最小惯性权重,取0.4;M为最大迭代次数。
本发明采用自寻优所调整的自身认知因子c1和社会认知因子c2如式所示:
式中:κ为迭代次数;c1final为最小自身认知因子,取0.5;c1initial为最大自身认知因子,取2;c2final为最大社会认知因子,取2;c2initial为最小社会认知因子,取0.5。
(3)筛选调整
为了避免普通粒子群算法陷入局部最优,每五代进行一次筛选,当前迭代完成后若某个粒子位置到当前代全局最优解的距离超出给定的区域,则把当前代全局最优解的值赋值给该粒子,在寻优过程中加入了筛选的环节,对粒子的更新过程进行了干预,逐步缩小粒子的有效寻优范围,在避免寻优失效的同时,缩短算法的运行时间。
本实施例将改进的粒子群算法与普通粒子群算法进行了仿真对比,由图4可以发现:普通粒子群算法收敛速度慢且陷入了局部最大功率点;改进的粒子群算法的收敛速度快,且可以稳定地收敛到全局最大功率点,为优化最大功率点的完整性,对输出功率利用相关控制进行再次寻优。
步骤三、采用电压闭环控制法或指数变步长电导增量法对最大功率点进行寻优,获取占空比;
采用电压闭环控制法时,将预测到的最大功率点处的电压与光伏阵列的实际电压做差值,将该差值与上一时刻的差值进行比较,获取控制量后,将得到的控制量与定步长相乘,再将乘积与三角波作比,获取对最大功率跟踪的控制信号,用于实现最大功率跟踪,保证稳定的稳态功率输出,提高光伏阵列发电效率;
采用指数变步长电导增量法时,对预测得到的最大功率点所在的电压范围,利用指数变步长电导增量法进行再次寻优,获取扰动步长,将扰动步长与参考占空比相加,并将结果与三角波进行比较,获取对最大功率跟踪的控制信号,即利用大范围预测、小范围再次寻优的模式,提高收敛速度,提高光伏阵列发电效率。
步骤四、利用获取的控制信号控制Boost电路的导通和关断,实现光伏阵列最大输出功率的实时控制。
为证明本发明优化控制方法的有效性,本实施例搭建了光伏阵列最大功率点控制仿真模型,如图5所示,并对本发明两种优化控制方法以及现有指数变步长电导增量法的控制效果进行了仿真对比验证。具体验证过程如下:
第一种情况:三个光伏阵列处于相同温度:
温度:T1=T2=T3=25℃;
均匀光照:S1=S2=S3=1000W/m2;
光照1:S1=1000W/m2、S2=S3=800W/m2;
光照2:S1=1000W/m2、S2=800W/m2、S3=200W/m2;
第二种情况:三个光伏阵列处于相同光照强度:
S1=S2=S3=1000W/m2;
温度1:T1=50℃、T2=50℃、T3=50℃;
温度2:T1=50℃、T2=25℃、T3=25℃;
温度3:T1=50℃、T2=25℃、T3=15℃。
图6为本发明模型预测+电压闭环控制、模型预测+指数变步长电导增量法和现有指数变步长电导增量法在均匀光照条件下的对比图。通过图6分析发现:模型预测+电压闭环控制收敛到最大功率点速度比指数变步长电导增量法稍微慢,但是其在最大功率点附近没有振荡;模型预测+指数变步长电导增量法收敛速度快于模型预测+电压闭环控制,但是其在最大功率点附近存在比指数变步长电导增量法小的振荡,振荡产生的原因是步长扰动的不连续性;指数变步长电导增量法可以很快地收敛到全局最大功率点,但是在最大功率点附近振荡严重。
图7为本发明模型预测+电压闭环控制、模型预测+指数变步长电导增量法和现有指数变步长电导增量法在光照1条件下的对比图。通过对图7分析可以得出:三个光伏阵列在不同光照条件下:模型预测+电压闭环控制收敛到最大功率点速度比指数变步长电导增量法稍微慢,但是其在最大功率点附近没有振荡;模型预测+指数变步长电导增量法收敛速度快于模型预测+电压闭环控制,但是其在最大功率点附近存在比指数变步长电导增量法小的振荡,振荡产生的原因是因为步长扰动的不连续性;指数变步长电导增量法虽然可以很快地收敛到全局最大功率点且收敛速度比在均匀光照条件下还要快,但是在最大功率点附近振荡严重。
图8为本发明模型预测+电压闭环控制、模型预测+指数变步长电导增量法和现有指数变步长电导增量法在光照2条件下的对比图。通过对图8进行分析可以得出:模型预测+电压闭环控制收敛到最大功率点速度比指数变步长电导增量法稍微慢,但是其在最大功率点附近没有振荡;模型预测+指数变步长电导增量法收敛速度快于模型预测+电压闭环控制,但是其在最大功率点附近存在比指数变步长电导增量法小的振荡,振荡产生的原因是因为步长扰动的不连续性;现有指数变步长电导增量法虽然可以很快地收敛到全局最大功率点但是其在最大功率点附近振荡严重。
第一种情况各种方法的效率ηMPPT和收敛时间t如表1所示:
表1第一种情况三种方法寻优仿真结果对比
其中,效率ηMPPT的表达式为:
式中,PMPPT为采用各方法最大功率跟踪控制后寻优的最大功率值,P实际为光伏阵列的实际最大功率测量值。根据表1可知,三个光伏阵列在相同温度条件下:模型预测+电压闭环控制和模型预测+指数变步长电导增量法能快速稳定地实现全局最大功率点跟踪,有效地提高了光伏阵列发电效率;现有指数变步长电导增量法能快速地收敛到全局最大功率点但是稳态功率振荡严重,使光伏发电效率得不到提高。因此模型预测+电压闭环控制和模型预测+指数变步长电导增量法能对不同光照条件下的光伏阵列进行最大功率点跟踪。
针对第二种情况三个光伏阵列在相同光照条件下各种方法的收敛时间t以及效率ηMPPT如表2所示:
表2第二种情况三种方法寻优仿真结果对比
根据表2可知,在相同光照条件下:模型预测+电压闭环控制和模型预测+指数变步长电导增量法能快速稳定地实现全局最大功率点跟踪,有效地提高了光伏阵列的发电效率;现有指数变步长电导增量法能快速地收敛到全局最大功率点但是稳态功率振荡严重,使光伏发电效率得不到提高。因此,模型预测+电压闭环控制和模型预测+指数变步长电导增量法在相同光照条件下也能实现光伏阵列的最大功点跟踪。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,该方法包括以下步骤:
S1:结合光伏阵列的电流-电压特性曲线和质点平抛运动轨迹的相似性,构建光伏阵列运动学平抛模型;
S2:采用改进的粒子群算法对光伏阵列运动学平抛模型求解,获取最大功率点、最大功率点处的电压和最大功率点所在的电压范围;
S3:采用电压闭环控制法或指数变步长电导增量法对最大功率点进行寻优,获取控制信号;
S4:采用获取的控制信号控制Boost电路导通和关断,实现光伏阵列最大输出功率的实时控制。
2.根据权利要求1所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的步骤S1中,光伏阵列运动学平抛模型的表达式为:
式中:ΔT为温度的变化量;ΔS为光照强度的变化量;Tref为参考温度,Tref=25℃;Sref为参考光照强度,Sref=1000W/m2;Isc为当前光伏电池的短路电流;Uoc为当前光伏电池的开路电压;Im为当前光伏电池的最大电流;Um为前光伏电池的最大电压;a、b、c为系数;Iscref为参考光照强度和温度条件下的光伏电池短路电流;Uocref为参考光照强度和温度条件下的光伏电池开路电压;Imref为参考光照强度和温度条件下的光伏电池最大电流;Umref为参考光照强度和温度条件下的光伏电池最大电压。
3.根据权利要求1所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的步骤S3中,采用电压闭环控制法对最大功率点进行寻优的具体内容包括:
(a1)对预测得到的最大功率点处的电压与光伏阵列的实际电压做差值,并将该差值与上一时刻的差值比较,获取控制量;
(a2)将获取的控制量与定步长相乘,对得到的乘积与三角波信号进行比较,获取控制信号。
4.根据权利要求1所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的步骤S3中,采用指数变步长电导增量法对最大功率点进行寻优的具体内容包括:
(b1)对预测得到的最大功率点所在的电压范围进行再次寻优,获取扰动步长后,将参考占空比与扰动步长相加,获取控制步长;
(b2)对获取的控制步长与三角波进行比较,获取控制信号。
5.根据权利要求1所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的改进的粒子群算法包括粒子初始位置选择的改进,所述的粒子初始位置选择的改进过程为:
将前N个粒子的初始位置设置为n×0.84×Uoc;其余粒子的初始位置在工作电压内随机设置;其中,n=1........N,N为光伏阵列的串联个数,Uoc为开路电压。
6.根据权利要求4所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的改进的粒子群算法还包括参数的调整,所述的参数的调整包括自身认知因子c1、社会认知因子c2以及惯性权重ω的调整;
所述的自身认知因子c1和社会认知因子c2调整为:
式中:κ为迭代次数;M为最大迭代次数;c1final为最小自身认知因子;c1initial为最大自身认知因子;c2final为最大社会认知因子;c2initial为最小社会认知因子;
所述的惯性权重ω调整为:
式中:ωmax为最大惯性权重;ωmin为最小惯性权重;κ为迭代次数;M为最大迭代次数。
7.根据权利要求2所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的系数a=0.0025/℃;系数b=0.5/(W/m2);系数c=0.00288/℃。
8.根据权利要求3所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的定步长为0.01。
9.根据权利要求6所述的一种局部阴影下光伏阵列最大功率点预测优化控制方法,其特征在于,所述的最小自身认知因子c1final为0.5,所述的最大自身认知因子c1initial为2,所述的最大社会认知因子c2final为2,所述的最小社会认知因子c2initial为0.5,所述的最大惯性权重ωmax为0.9,所述的最小惯性权重ωmin为0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049596.2A CN108334152A (zh) | 2018-01-18 | 2018-01-18 | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810049596.2A CN108334152A (zh) | 2018-01-18 | 2018-01-18 | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334152A true CN108334152A (zh) | 2018-07-27 |
Family
ID=62925248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810049596.2A Pending CN108334152A (zh) | 2018-01-18 | 2018-01-18 | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334152A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101071A (zh) * | 2018-07-26 | 2018-12-28 | 上海电力学院 | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 |
CN109508061A (zh) * | 2018-12-27 | 2019-03-22 | 广东电网有限责任公司 | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 |
CN110007710A (zh) * | 2019-03-15 | 2019-07-12 | 湖南工业大学 | 一种基于电导增量法的改进型mppt控制策略方法 |
CN111399584A (zh) * | 2020-03-26 | 2020-07-10 | 湖南工业大学 | 一种局部阴影光伏系统的复合mppt控制算法 |
CN111596718A (zh) * | 2020-05-19 | 2020-08-28 | 中铁电气化局集团有限公司 | 光伏发电控制方法、装置、计算机设备和存储介质 |
CN111611710A (zh) * | 2020-05-21 | 2020-09-01 | 上海电机学院 | 一种光伏电池等效建模方法 |
CN112947665A (zh) * | 2021-02-26 | 2021-06-11 | 大连海事大学 | 光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法 |
CN114661088A (zh) * | 2022-03-08 | 2022-06-24 | 重庆邮电大学 | 不均匀光照下的光伏mppt控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833602A (zh) * | 2010-04-26 | 2010-09-15 | 重庆大学 | 一种硅太阳能电池工程用数学模型的建模方法 |
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
-
2018
- 2018-01-18 CN CN201810049596.2A patent/CN108334152A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833602A (zh) * | 2010-04-26 | 2010-09-15 | 重庆大学 | 一种硅太阳能电池工程用数学模型的建模方法 |
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
Non-Patent Citations (6)
Title |
---|
傅望等: "局部阴影条件下光伏阵列数学模型研究", 《计算机仿真》 * |
张慧慧: "直流微电网建模与控制策略研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
徐锦举: "局部阴影条件下光伏微网系统控制仿真研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
梁创霖等: "一种光伏发电变周期变步长MPPT优化算法", 《电力电子技术》 * |
盛四清: "基于功率预测的新型变步长电导增量法最大功率点跟踪策略", 《电力系统保护与控制》 * |
赵云凤等: "光伏发电非线性补偿最大功率跟踪研究", 《可再生能源》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101071A (zh) * | 2018-07-26 | 2018-12-28 | 上海电力学院 | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 |
CN109508061A (zh) * | 2018-12-27 | 2019-03-22 | 广东电网有限责任公司 | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 |
CN110007710A (zh) * | 2019-03-15 | 2019-07-12 | 湖南工业大学 | 一种基于电导增量法的改进型mppt控制策略方法 |
CN111399584A (zh) * | 2020-03-26 | 2020-07-10 | 湖南工业大学 | 一种局部阴影光伏系统的复合mppt控制算法 |
CN111596718A (zh) * | 2020-05-19 | 2020-08-28 | 中铁电气化局集团有限公司 | 光伏发电控制方法、装置、计算机设备和存储介质 |
CN111596718B (zh) * | 2020-05-19 | 2021-07-13 | 中铁电气化局集团有限公司 | 光伏发电控制方法、装置、计算机设备和存储介质 |
CN111611710A (zh) * | 2020-05-21 | 2020-09-01 | 上海电机学院 | 一种光伏电池等效建模方法 |
CN112947665A (zh) * | 2021-02-26 | 2021-06-11 | 大连海事大学 | 光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法 |
CN114661088A (zh) * | 2022-03-08 | 2022-06-24 | 重庆邮电大学 | 不均匀光照下的光伏mppt控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334152A (zh) | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 | |
Hu et al. | An improved particle swarm optimization algorithm suitable for photovoltaic power tracking under partial shading conditions | |
CN106527570B (zh) | 一种光伏阵列多峰最大功率群搜索优化跟踪方法 | |
CN109814651B (zh) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 | |
CN109101071A (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
CN109768573A (zh) | 基于多目标差分灰狼算法的配电网无功优化方法 | |
CN105930918B (zh) | 应用于多峰mppt的整体分布-粒子群优化算法 | |
CN108398982B (zh) | 一种局部阴影下光伏阵列的最大功率跟踪方法 | |
CN106712075A (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
Yuan et al. | MPPT of PV system under partial shading condition based on adaptive inertia weight particle swarm optimization algorithm | |
CN107193320A (zh) | 一种基于分子动理论优化算法的局部阴影光伏列阵mppt控制 | |
CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
CN106155170B (zh) | 一种太阳能电池最大功率跟踪控制方法 | |
Arabi Nowdeh et al. | A new hybrid moth flame optimizer-perturb and observe method for maximum power point tracking in photovoltaic energy system | |
CN108594927A (zh) | 一种基于随机蛙跳全局搜索算法的局部阴影光伏阵列mppt控制 | |
Azab | Optimal power point tracking for stand-alone PV system using particle swarm optimization | |
CN108803771A (zh) | 基于自适应模糊控制的最大功率点跟踪方法 | |
CN111338420B (zh) | 一种模拟空间太阳能电站的功率寻优控制方法 | |
Sun et al. | The prediction of building heating and ventilation energy consumption base on adaboost-bp algorithm | |
CN107546755A (zh) | 基于功率灵敏度分析的孤岛微网系统频率和电压调节方法 | |
Nair et al. | An efficient maximum power point tracking in hybrid solar and wind energy system: a combined MDA-RNN technique | |
CN112596575B (zh) | 一种基于npso算法与分等级自动重启的最大功率点跟踪方法 | |
CN108594926A (zh) | 一种基于改进花授粉的全局最大功率点跟踪算法 | |
CN112631365A (zh) | 一种基于scasl的光伏发电多峰值mppt控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |