CN109245092B - 基于优化模型预测算法结合变步长扰动控制的mppt方法 - Google Patents

基于优化模型预测算法结合变步长扰动控制的mppt方法 Download PDF

Info

Publication number
CN109245092B
CN109245092B CN201811138784.9A CN201811138784A CN109245092B CN 109245092 B CN109245092 B CN 109245092B CN 201811138784 A CN201811138784 A CN 201811138784A CN 109245092 B CN109245092 B CN 109245092B
Authority
CN
China
Prior art keywords
source network
value
output
voltage
photovoltaic system
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.)
Active
Application number
CN201811138784.9A
Other languages
English (en)
Other versions
CN109245092A (zh
Inventor
王安娜
唐爱博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201811138784.9A priority Critical patent/CN109245092B/zh
Publication of CN109245092A publication Critical patent/CN109245092A/zh
Application granted granted Critical
Publication of CN109245092B publication Critical patent/CN109245092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J3/383—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
    • H02M3/00—Conversion of dc power input into dc power output
    • H02M3/02—Conversion of dc power input into dc power output without intermediate conversion into ac
    • H02M3/04—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters
    • H02M3/10—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode
    • H02M3/145—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal
    • H02M3/155—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only
    • H02M3/156—Conversion of dc power input into dc power output without intermediate conversion into ac by static converters using discharge tubes with control electrode or semiconductor devices with control electrode using devices of a triode or transistor type requiring continuous application of a control signal using semiconductor devices only with automatic control of output voltage or current, e.g. switching regulators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Abstract

本发明提供一种基于优化模型预测算法结合变步长扰动控制的MPPT方法，新能源发电技术领域。该方法首先构建光伏电池模型，并根据光伏电池模型得到光伏电池的输出电流；再构建Z源网络模型并计算Z源网络的升压因子；然后确定光伏电池的输出功率P和输出电压U与Z源网络的开关器件占空比D之间的函数关系；建立Z源网络的拓扑状态空间方程；最后采用优化模型预测算法结合变步长占空比扰动控制的方法实现光伏系统最大功率点跟踪。本发明提供的基于优化模型预测算法结合变步长扰动控制的MPPT方法，保证了光伏系统最大功率点跟踪的稳定性，在外界条件(光照、温度)突变时能保证追踪的稳定性，不会出现误判现象，从而保证了光伏系统长期稳定的功率输出。

Description

基于优化模型预测算法结合变步长扰动控制的MPPT方法
技术领域
本发明涉及新能源发电技术领域，尤其涉及一种基于优化模型预测算法结合变步长扰动控制的MPPT方法。
背景技术
石油、煤炭等常规化能源的日益枯竭，能源危机问题受到全世界各国的普遍关注。作为应对能源危机和保护环境的有效手段之一，新能源(可再生能源)的开发和应用成为各国未来可持续发展的必然选择。光伏系统并网发电(利用太阳能发电并将该电能并网)成为主要应用形式之一。
然而目前最大的问题就是光伏系统的最大功率点跟踪(Max Power PointTrackin其，即MPPT)响应速率问题。传统的最大功率点跟踪方法有扰动观测法，电导增量法等，这些方法虽然收敛较快，但是在外界条件(光照，温度)突变时，容易出现误判的现象，这会破坏光伏系统的稳定性，同时这些非智能算法也会陷入局部极值点。而粒子群，蚁群。模拟退火等智能算法最然拥有通用性强的特点，但是由于迭代次数较多，计算量大，这会导致收敛速度减慢。同时传统的BOOST电路的升压比受到很大的限制，无法实现高增益的升压转换。Z源拓扑同BOOST电路相比可以实现高增益的电压转换，可满足光伏系统大范围的直流升压需求。
模型预测控制方法是一种特殊的控制方法，它的当前控制动作是在每一个采样周期内，通过计算评估函数的最小值而获得，具有稳态优化，多变量集成控制的优点，但容易受到开关频率和开关损耗的限制，使得算法跟踪的速度和准确性下降。
占空比扰动控制是通过光伏系统输出功率P主输出电压U主以及开关元件占空比D之间确定的函数关系式来进行的，但扰动控制会导致系统收敛速度变慢。同时会使得光伏系统在最大功率点附近出现较大震荡，当外界条件突变时容易出现误判，导致光伏系统退出运行。
因此在实际的光伏发电工程应用中需要采用一个响应速度快，收敛效果好的MPPT方法，进而提高光伏能量的利用率。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于优化模型预测算法结合变步长扰动控制的MPPT方法，实现光伏系统的最大功率点跟踪。
为解决上述技术问题，本发明所采取的技术方案是：基于优化模型预测算法结合变步长扰动控制的MPPT方法，包括以下步骤：
步骤1、构建Z源网络模型，并计算Z源网络的升压因子；
步骤1.1、构建Z源网络模型；
所述Z源网络模型包括直流电压源Ug，数值上等于光伏系统输出电压，输入二极管D1,输出二极管D2，电容电感网络，开关元件Q和输出电路；所述电容电感网络包括两个电容C1,C2和两个电感L1,L2，所述输出电路由滤波电容C3和负载电阻R0并联组成；所述直流电源Ug通过输入二极管D1与电容电感网络连接；开关元件Q与电容电感网络相连，并通过输出二极管D2与输出电路连接；
步骤1.2、计算Z源网络的升压因子；
当Z源网络的开关Q导通时有；
UL＝UC,Ug＝2UC,US＝0,IL＝IC
其中，UL为Z源网络中两个电感L1,L2两端的电压，Uc为Z源网络中两个电容C1,C2两端的电压，电感L1,L2两端的电压相等均为UL，电容C1,C2两端电压相等均为UC；Ug为光伏系统输出电压，Us为Z源网络开关元件Q两端电压，IL为流过Z源网络中两个电感L1,L2的电流，IC为Z源网络中流过两个电容C1,C2的电流，流过电容C1,C2的电流相等均为IC；流过电感L1,L2的电流相等均为IL；
当Z源网络的开关Q关断时有：
UL＝Ug-UC
US＝UC-UL＝2UC-Ug
当Z源网络的开关器件Q导通时间为T0主总周期为T1时，由稳态电感磁通守恒，Z源网络的电感L1,L2两端的平均电压为零，如下公式所示：
Figure BDA0001815290890000021
其中，
Figure BDA0001815290890000022
为Z源网络电感电压平均值，并有
Figure BDA0001815290890000023
为电感L1两端电压平均值，
Figure BDA0001815290890000024
为电感L2两端电压平均值；
由开关器件的占空比
Figure BDA0001815290890000025
进而得出，
Figure BDA0001815290890000031
同时有
Figure BDA0001815290890000032
因此，得到Z源网络的升压因子为
Figure BDA0001815290890000033
步骤2、确定光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件Q的占空比D之间的函数关系；
在Z源网络的输入功率与输出功率平衡的前提下，得到光伏系统的输出功率P如下公式所示：
Figure BDA0001815290890000034
其中，U0为Z源网络的输出直流电压主R0为Z源网络输出电路的负载电阻；
由Z源网络的输出直流电压
Figure BDA0001815290890000035
进一步得到光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件占空比D之间的函数关系，如下公式所示：
Figure BDA0001815290890000036
步骤3、根据Z源网络开关导通及关断时的等效电路，得到Z源网络开关导通及关断时的状态方程，进而建立Z源网络的拓扑状态空间方程，并进行离散化表示；
当Z源网络开关Q导通时，Z源网络的状态方程如下公式所示：
Figure BDA0001815290890000041
Figure BDA0001815290890000042
其中，L为Z源网络中两个电感L1,L2的电感值，C为Z源网络中两个电容C1,C2的电容值，并有电感L1,L2的值相等均为L，电容C1,C2的值相等均为C，C′为Z源网络连接的输出电路中的滤波电容C3的电容值，
Figure BDA0001815290890000043
分别为流过Z源网络的电感L1,L2的电流值，
Figure BDA0001815290890000044
分别为电容C1,C2,C3两端电压值；
当Z源网络开关Q关断时，Z源网络的状态方程如下公式所示：
Figure BDA0001815290890000045
Figure BDA0001815290890000051
设定Z源网络的开关导通时间为DT1，关断时间为(1-D)T1主且A＝D*A1+(1-D)A2，则Z源网络总的状态方程为：
Figure BDA0001815290890000052
Figure BDA0001815290890000053
离散化得：
Figure BDA0001815290890000061
Figure BDA0001815290890000062
Figure BDA0001815290890000063
Figure BDA0001815290890000064
其中，Ug(K)为第K个采样时刻的直流电源的电压值，
Figure BDA00018152908900000614
分别为第K个采样时刻的流过Z源网络两个电感L1,L2的电流值，
Figure BDA00018152908900000615
分别为第K个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure BDA00018152908900000616
为第K个采样时刻Z源网络输出电路的滤波电容C3的电压值；Ug(K+1)为第K+1个采样时刻的直流电源的电压值，
Figure BDA00018152908900000617
分别为第K+1个采样时刻流过Z源网络两个电感的L1,L2电流值，
Figure BDA00018152908900000618
分别为第K+1个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure BDA00018152908900000715
为第K+1个采样时刻Z源网络输出电路的滤波电容C3的电压值；A,A1,A2,B均为系数矩阵；K＝0,1,2...为采样时刻，△T为采样间隔；
步骤4、采用优化模型预测算法结合变步长占空比扰动控制方法实现光伏系统最大功率点跟踪；
步骤4.1、建立优化模型预测算法的评估函数，如下公式所示：
Figure BDA0001815290890000072
其中，
Figure BDA0001815290890000073
分别为光伏系统输出达到最大功率点时的Z源网络中流过电感L1,L2的电流值，
Figure BDA0001815290890000074
分别为光伏系统输出达到最大功率点时Z源网络中两个电容C1,C2两端的电压值，
Figure BDA0001815290890000075
为光伏系统输出达到最大功率点时，Z源网络输出电路滤波电容C3两端的电压值，ωA,ωBωC,ωD,ωE,ωF均为参数调整因子，△i为开关器件在预测状态改变前后集电极电流值的差值，△v为开关器件的集电极与发射极之间电压值的差值，λ为权重系数；
步骤4.2、基于优化模型预测算法计算评估函数的最小值及评估函数取得最小值时的占空比值D(K)；
将Ug(K),
Figure BDA00018152908900000716
作为模型预测算法输入变量，并通过以下公式:
Figure BDA00018152908900000711
计算得到K+1时刻Ug(K+1),
Figure BDA00018152908900000712
的值；将Ug(K+1),
Figure BDA00018152908900000713
带入评估函数J(K+1)的公式中：
Figure BDA00018152908900000714
计算评估函数的最小值J(K+1)，以及对应的占空比D(K)的值；
步骤4.3、将计算的评估函数值J(K+1)与评估函数精度η进行比较，若J(K+1)≤η,且迭代次数小于最大迭代次数X时，执行步骤4.4；若J(K+1)>η，且迭代次数小于最大迭代次数X时，执行步骤4.2，重新采样计算；若J(K+1)>η，且迭代次数达到最大迭代次数X，执行步骤4.5；
步骤4.4、计算K时刻光伏系统输出的功率P(K)与光伏系统输出的最大功率Pmax之间的误差，并将误差|P(K)-Pmax|与光伏系统输出功率与光伏系统输出最大功率之间的精度差ξ进行比较，若|P(K)-Pmax|≤ξ，则满足误差要求，即此时的占空比D(K)值为最优占空比值，并利用最优占空比值调整Z源网络；若|P(K)-Pmax|>ξ主则不满足误差要求，执行步骤4.5；
步骤4.5、采用占空比扰动控制方法进行占空比优化调整，使光伏系统达到最大功率点；
步骤4.5.1、将步骤4.2基于优化模型预测算法计算得到的占空比D(K)值作为变步长占空比扰动控制的初始值Drd(0)；
步骤4.5.2、比较占空比扰动前后光伏系统输出功率的大小关系，若P(V+1)＝P(V)，则执行步骤4.5.4，否则执行步骤4.5.3；
步骤4.5.3、若P(V+1)>P(V),则当Ug(V)<Ug(V+1)时，Drd(V+1)＝Drd(V)-△Drd，当Ug(V)>Ug(V+1)时，Drd(V+1)＝Drd(V)+△Drd；
若P(V+1)<P(V)，当Ug(V)<Ug(V+1)时，Drd(V+1)＝Drd(V)+△Drd，当Ug(V)>Ug(V+1)时，Drd(V+1)＝Drd(V)-△Drd；
其中，△Drd为占空比的步长变化量，
Figure BDA0001815290890000081
M为变步长速度因子；P(V)为V时刻光伏系统的输出功率值，P(V+1)为V+1时刻光伏系统的输出功率值；Ug(V)为V时刻光伏系统的输出电压值，Ug(V+1)为V+1时刻光伏系统输出的电压值，Drd(V)为V时刻的占空比值，Drd(V+1)为V+1时刻的占空比值，V＝1.2.3.....为采样时刻；
以新的占空比值Drd(V+1)进行下一时刻的采样计算，并重新执行步骤4.5.2；
步骤4.5.4、若P(V+1)＝P(V)，Drd(V+1)＝Drd(V)，利用最优占空比值调整Z源网络，使光伏系统输出达到最大功率点。
采用上述技术方案所产生的有益效果在于：本发明提供的基于优化模型预测算法结合变步长扰动控制的MPPT方法，在光伏系统中，使用Z源网络拓扑结构代替BOOST拓扑结构，可以获得更高的电压增益，同时在模型预测控制算法的评估函数中添加了开关损耗的补偿项，减小了算法的误差，并将模型预测算法与变步长占空比扰动控制相结合，充分利用了优化模型预测算法的全局搜索和变步长扰动控制的局部搜索能力，保证了光伏系统最大功率点跟踪的稳定性，在外界条件(光照、温度)突变时能保证追踪的稳定性，不会出现误判现象，从而保证了光伏系统长期稳定的功率输出。
附图说明
图1为本发明实施例提供的基于优化模型预测算法结合变步长扰动控制的MPPT方法的流程图；
图2为本发明实施例提供的Z源网络拓扑结构示意图；
图3为本发明实施例提供的Z源网络中的开关导通时的等效电路图；
图4为本发明实施例提供的Z源拓扑中的开关关断时的等效电路图；
图5为本发明实施例提供的Z源网络拓扑结构和BOOST拓扑结构的升压因子比较曲线图；
图6为本发明实施例提供的光伏电池的输出电压此和开关器件占空比D之间关系波形图；
图7为本发明实施例提供的光伏电池的输出功率P和开关器件占空比之间的关系波形图；
图8为本发明实施例提供的优化模型预测算法结合占空比扰动控制的MPPT方法的仿真结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
基于优化模型预测算法结合变步长扰动控制的MPPT方法，如图1所示，包括以下步骤：
步骤1、构建Z源网络模型，并计算Z源网络的升压因子；
步骤1.1、构建Z源网络模型；
所述Z源网络模型如图2所示包括直流电压源Ug，数值上等于光伏系统输出电压，输入二极管D1,输出二极管D2，电容电感网络，开关元件Q和输出电路；所述电容电感网络包括两个电容C1,C2和两个电感L1,L2，所述输出电路由滤波电容C3和负载电阻R0并联组成；所述直流电源Ug通过输入二极管D1与电容电感网络连接；开关元件Q与电容电感网络相连，并通过输出二极管D2与输出电路连接；
步骤1.2、计算Z源网络的升压因子；
当Z源网络的开关导通时如图3所示有：
UL＝UC,Ug＝2UC,US＝0,IL＝IC
其中，UL为Z源网络中两个电感L1,L2两端的电压，Uc为Z源网络中两个电容C1,C2两端的电压，电感L1,L2两端的电压相等均为UL，电容C1,C2两端电压相等均为UC，Ug为光伏系统输出电压，Us为Z源网络开关元件Q两端电压，IL为流过Z源网络中两个电感L1,L2的电流，IC为Z源网络中流过两个电容C1,C2的电流，流过电容C1,C2的电流相等均为IC；流过电感L1,L2的电流相等均为IL。
当Z源网络的开关关断时如图4所示有：
UL＝Ug-UC
US＝UC-UL＝2UC-Ug
当Z源网络的开关器件Q导通时间为T0主总周期为T1时，由稳态电感磁通守恒，Z源网络的电感L1,L2两端的平均电压为零，如下公式所示：
Figure BDA0001815290890000101
其中，
Figure BDA0001815290890000102
为Z源网络电感电压平均值，并有
Figure BDA0001815290890000103
为电感L1两端电压平均值，
Figure BDA0001815290890000104
为电感L2两端电压平均值；
由开关器件的占空比
Figure BDA0001815290890000105
进而得出，
Figure BDA0001815290890000106
同时有
Figure BDA0001815290890000107
因此，得到Z源网络的升压因子为
Figure BDA0001815290890000111
本实施例中，BOOST电路的升压因子为
Figure BDA0001815290890000112
Z源网络的升压因子为
Figure BDA0001815290890000113
Z源网络模型和BOOST电路的升压因子比较曲线如图5所示，从图中可以看出，当D<0.5时，Z源网络可以输出任意直流电压值。
步骤2、确定光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件Q的占空比D之间的函数关系；
在Z源网络的输入功率与输出功率平衡的前提下，得到光伏系统的输出功率P如下公式所示：
Figure BDA0001815290890000114
其中，U0为Z源网络的输出直流电压主R0为Z源网络输出电路的负载电阻；
由Z源网络的输出直流电压
Figure BDA0001815290890000115
进一步得到光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件占空比D之间的函数关系，如下公式所示：
Figure BDA0001815290890000116
本实施例中，光伏系统输出功率P和输出电压Ug与Z源网络的开关器件Q的占空比D之间的函数关系如图6和图7所示。
步骤3、根据如图3和图4所示的Z源网络开关导通及关断时的等效电路，得到Z源网络开关导通及关断时的状态方程，进而建立Z源网络的拓扑状态空间方程，并进行离散化表示；
当Z源网络开关导通时，由基尔霍夫定律得：
Figure BDA0001815290890000121
Figure BDA0001815290890000122
Figure BDA0001815290890000123
Figure BDA0001815290890000124
Figure BDA0001815290890000125
其中，L为Z源网络中两个电感L1,L2的电感值，C为Z源网络中两个电容C1,C2的电容值，并有电感L1,L2的值相等均为L；电容C1,C2的值相等均为C；C′为Z源网络连接的输出电路中的滤波电容C3的电容值，
Figure BDA0001815290890000126
分别为流过Z源网络的电感L1,L2的电流值，
Figure BDA0001815290890000127
分别为电容C1,C2,C3两端电压值；
由以上的五个式子列出开关导通状态下，Z源网络的状态方程如下公式所示：
Figure BDA0001815290890000128
Figure BDA0001815290890000129
当Z源网络开关关断时，Z源网络中的电压、电流和电容有如下关系式：
Figure BDA0001815290890000131
Figure BDA0001815290890000132
且有：
Figure BDA0001815290890000133
Figure BDA0001815290890000134
Figure BDA0001815290890000135
进而得到Z源网络开关关断时的状态方程，如下公式所示：
Figure BDA0001815290890000136
Figure BDA0001815290890000137
设定Z源网络的开关导通时间为DT1，关断时间为(1-D)T1主且A＝D*A1+(1-D)A2，则Z源网络总的状态方程为：
Figure BDA0001815290890000141
Figure BDA0001815290890000142
离散化得：
Figure BDA0001815290890000143
Figure BDA0001815290890000144
Figure BDA0001815290890000151
Figure BDA0001815290890000152
其中，Ug(K)为第K个采样时刻的直流电源的电压值，
Figure BDA0001815290890000153
分别为第K个采样时刻的流过Z源网络两个电感L1,L2的电流值，
Figure BDA0001815290890000154
分别为第K个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure BDA0001815290890000155
为第K个采样时刻Z源网络输出电路的滤波电容C3的电压值；Ug(K+1)为第K+1个采样时刻的直流电源的电压值，
Figure BDA0001815290890000156
分别为第K+1个采样时刻流过Z源网络两个电感的L1,L2电流值，
Figure BDA0001815290890000157
分别为第K+1个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure BDA0001815290890000158
为第K+1个采样时刻Z源网络输出电路的滤波电容C3的电压值；A,A1,A2,B均为系数矩阵；K＝0,1,2...为采样时刻，△T为采样间隔。
步骤4、采用优化模型预测算法并结合变步长占空比扰动控制方法实现光伏系统最大功率点跟踪，具体方法为：
步骤4.1、建立优化模型预测算法的评估函数，如下公式所示：
Figure BDA0001815290890000159
其中，
Figure BDA00018152908900001510
分别为光伏系统输出达到最大功率点时的Z源网络中流过电感L1,L2的电流值，
Figure BDA00018152908900001511
分别为光伏系统输出达到最大功率点时Z源网络中两个电容C1,C2两端的电压值，
Figure BDA00018152908900001512
为光伏系统输出达到最大功率点时，Z源网络输出电路滤波电容C3两端的电压值，ωA,ωBωC,ωD,ωE,ωF均为参数调整因子，△i为开关器件在预测状态改变前后集电极电流值的差值，△v为开关器件的集电极与发射极之间电压值的差值，λ为权重系数；
步骤4.2、基于优化模型预测算法计算评估函数的最小值及评估函数取得最小值时的占空比值D(K)；
将Ug(K),
Figure BDA0001815290890000161
作为模型预测算法输入变量，并通过以下公式:
Figure BDA0001815290890000162
计算得到K+1时刻Ug(K+1),
Figure BDA0001815290890000163
的值；将Ug(K+1),
Figure BDA0001815290890000164
带入评估函数J(K+1)的公式中：
Figure BDA0001815290890000165
计算评估函数的最小值J(K+1)，以及对应的占空比D(K)的值；
步骤4.3、将计算的评估函数值J(K+1)与评估函数精度η进行比较，若J(K+1)≤η,且迭代次数小于最大迭代次数X时，执行步骤4.4；若J(K+1)>η，且迭代次数小于最大迭代次数X时，执行步骤4.2，重新采样计算；若J(K+1)>η，且迭代次数达到最大迭代次数X，执行步骤4.5；
步骤4.4、计算K时刻光伏系统输出的功率P(K)与光伏系统输出的最大功率Pmax之间的误差|P(K)-Pmax|，并将误差|P(K)-Pmax|与光伏系统输出功率与光伏系统输出最大功率之间的精度差ξ进行比较，若|P(K)-Pmax|≤ξ，则满足误差要求，即此时的占空比D(K)值为最优占空比值，并利用最优占空比值调整Z源网络；若|P(K)-Pmax|>ξ主则不满足误差要求，执行步骤4.5；
步骤4.5、采用占空比扰动控制方法进行占空比优化调整，使光伏系统达到最大功率点；
步骤4.5.1、将优化模型预测算法计算得到的占空比D(K)值作为变步长占空比扰动控制的初始值Drd(0)；
步骤4.5.2、比较占空比扰动前后光伏系统输出功率的大小关系，若P(V+1)＝P(V)，则执行步骤4.5.4，否则执行步骤4.5.3；
步骤4.5.3、若P(V+1)>P(V),则当Ug(V)<Ug(V+1)时，Drd(V+1)＝Drd(V)-△Drd，当Ug(V)>Ug(V+1)时，Drd(V+1)＝Drd(V)+△Drd；
若P(V+1)<P(V)，当Ug(V)<Ug(V+1)时，Drd(V+1)＝Drd(V)+△Drd，当Ug(V)>Ug(V+1)时，Drd(V+1)＝Drd(V)-△Drd；
其中，△Drd为占空比的步长变化量，
Figure BDA0001815290890000171
M为变步长速度因子；P(V)为V时刻光伏系统的输出功率值，P(V+1)为V+1时刻光伏系统的输出功率值；Ug(V)为V时刻光伏系统的输出电压值，Ug(V+1)为V+1时刻光伏系统输出的电压值，Drd(V)为V时刻的占空比值，Drd(V+1)为V+1时刻的占空比值，V＝1.2.3.....为采样时刻；
以新的占空比值Drd(V+1)进行下一时刻的采样计算，并重新执行步骤4.5.2；
步骤4.5.4、若P(V+1)＝P(V)，Drd(V+1)＝Drd(V)，利用最优占空比值调整Z源网络，使光伏系统输出达到最大功率点。
本实施例中，采用优化模型预测算法结合变步长占空比扰动控制的方法实现光伏系统最大功率点跟踪的仿真结果如图8所示。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于优化模型预测算法结合变步长扰动控制的MPPT方法，其特征在于：包括以下步骤：
步骤1、构建Z源网络模型，并计算Z源网络的升压因子；
步骤2、确定光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件Q的占空比D之间的函数关系；
步骤3、根据Z源网络开关导通及关断时的等效电路，得到Z源网络开关导通及关断时的状态方程，进而建立Z源网络的拓扑状态空间方程，并进行离散化表示；
步骤4、采用优化模型预测算法并结合变步长占空比扰动控制方法实现光伏系统最大功率点跟踪，具体方法为：
步骤4.1、建立优化模型预测算法的评估函数；
步骤4.2、基于优化模型预测算法计算评估函数的最小值及评估函数取得最小值时的占空比值；
步骤4.3、将计算的评估函数最小值与评估函数精度进行比较，若评估函数最小值小于等于评估函数精度，且迭代次数小于最大迭代次数，则执行步骤4.4；若评估函数最小值大于评估函数精度，且迭代次数小于最大迭代次数，则执行步骤4.2，重新采样计算；若评估函数最小值大于评估函数精度，且迭代次数达到最大迭代次数，则执行步骤4.5；
步骤4.4、计算K时刻光伏系统输出的功率P(K)与光伏系统输出的最大功率Pmax之间的误差|P(K)-Pmax|，并将误差|P(K)-Pmax|与光伏系统输出功率与光伏系统输出最大功率之间的精度差ξ进行比较，若|P(K)-Pmax|≤ξ，则满足误差要求，即此时的占空比D(K)值为最优占空比值，并利用最优占空比值调整Z源网络；若|P(K)-Pmax|＞ξ,则不满足误差要求，执行步骤4.5；
步骤4.5、采用占空比扰动控制方法进行占空比优化调整，使光伏系统达到最大功率点；
所述步骤1的具体方法为：
步骤1.1、构建Z源网络模型；
所述Z源网络模型包括直流电压源Ug，数值上等于光伏系统输出电压，输入二极管D1,输出二极管D2，电容电感网络，开关元件Q和输出电路；所述电容电感网络包括两个电容C1,C2和两个电感L1,L2，所述输出电路由滤波电容C3和负载电阻R0并联组成；所述直流电源Ug通过输入二极管D1与电容电感网络连接；开关元件Q与电容电感网络相连，并通过输出二极管D2与输出电路连接；
步骤1.2、计算Z源网络的升压因子；
当Z源网络的开关Q导通时有：
UL＝UC,Ug＝2UC,US＝0,IL＝IC
其中，UL为Z源网络中两个电感L1,L2两端的电压，Uc为Z源网络中两个电容C1,C2两端的电压，电感L1,L2两端的电压相等均为UL，电容C1,C2两端电压相等均为UC；Ug为光伏系统输出电压，Us为Z源网络开关元件Q两端电压，IL为流过Z源网络中两个电感L1,L2的电流，IC为Z源网络中流过两个电容C1,C2的电流，流过电容C1,C2的电流相等均为IC；流过电感L1,L2的电流相等均为IL；
当Z源网络的开关Q关断时有：
UL＝Ug-UC
US＝UC-UL＝2UC-Ug
当Z源网络的开关器件Q导通时间为T0,总周期为T1时，由稳态电感磁通守恒，Z源网络的电感L1,L2两端的平均电压为零，如下公式所示：
Figure FDA0002939164530000021
其中，
Figure FDA0002939164530000022
为Z源网络电感电压平均值，并有
Figure FDA0002939164530000023
Figure FDA0002939164530000024
为电感L1两端电压平均值，
Figure FDA0002939164530000025
为电感L2两端电压平均值；
由开关器件的占空比
Figure FDA0002939164530000026
进而得出，
Figure FDA0002939164530000027
同时有
Figure FDA0002939164530000028
因此，得到Z源网络的升压因子为
Figure FDA0002939164530000031
所述步骤2的具体方法为：
在Z源网络的输入功率与输出功率平衡的前提下，得到光伏系统的输出功率P如下公式所示：
Figure FDA0002939164530000032
其中，U0为Z源网络的输出直流电压,R0为Z源网络输出电路的负载电阻；
由Z源网络的输出直流电压
Figure FDA0002939164530000033
进一步得到光伏系统的输出功率P和输出电压Ug与Z源网络的开关器件占空比D之间的函数关系，如下公式所示：
Figure FDA0002939164530000034
所述步骤3的具体方法为：
当Z源网络开关Q导通时，Z源网络的状态方程如下公式所示：
Figure FDA0002939164530000035
Figure FDA0002939164530000036
其中，L为Z源网络中两个电感L1,L2的电感值，C为Z源网络中两个电容C1,C2的电容值，并有电感L1,L2的值相等均为L；电容C1,C2的值相等均为C；C′为Z源网络连接的输出电路中的滤波电容C3的电容值，IL1,IL2分别为流过Z源网络的电感L1,L2的电流值，UC1,UC2,UC3分别为电容C1,C2,C3两端电压值；
当Z源网络开关Q关断时，Z源网络的状态方程如下公式所示：
Figure FDA0002939164530000041
Figure FDA0002939164530000042
设定Z源网络的开关导通时间为DT1，关断时间为(1-D)T1,且A＝D*A1+(1-D)A2，则Z源网络总的状态方程为：
Figure FDA0002939164530000051
Figure FDA0002939164530000052
离散化得：
Figure FDA0002939164530000053
Figure FDA0002939164530000054
Figure FDA0002939164530000061
Figure FDA0002939164530000062
其中，Ug(K)为第K个采样时刻的直流电源的电压值，
Figure FDA0002939164530000063
分别为第K个采样时刻的流过Z源网络两个电感L1,L2的电流值，
Figure FDA0002939164530000064
分别为第K个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure FDA0002939164530000065
为第K个采样时刻Z源网络输出电路的滤波电容C3的电压值；Ug(K+1)为第K+1个采样时刻的直流电源的电压值，
Figure FDA0002939164530000066
分别为第K+1个采样时刻流过Z源网络两个电感的L1,L2电流值，
Figure FDA0002939164530000067
分别为第K+1个采样时刻Z源网络的两个电容C1,C2两端的电压值，
Figure FDA0002939164530000068
为第K+1个采样时刻Z源网络输出电路的滤波电容C3的电压值；A,A1,A2,B均为系数矩阵；K＝0,1,2...为采样时刻，ΔT为采样间隔；
步骤4.1所述建立的优化模型预测算法的评估函数，如下公式所示：
Figure FDA0002939164530000069
其中，
Figure FDA00029391645300000610
分别为光伏系统输出达到最大功率点时的Z源网络中流过电感L1,L2的电流值，
Figure FDA00029391645300000611
分别为光伏系统输出达到最大功率点时Z源网络中两个电容C1,C2两端的电压值，
Figure FDA00029391645300000612
为光伏系统输出达到最大功率点时，Z源网络输出电路滤波电容C3两端的电压值，ωA,ωBωC,ωD,ωE,ωF均为参数调整因子，Δi为开关器件在预测状态改变前后集电极电流值的差值，Δv为开关器件的集电极与发射极之间电压值的差值，λ为权重系数。
所述步骤4.2的具体方法为：
将Ug(K),
Figure FDA0002939164530000071
作为模型预测算法输入变量，并通过以下公式:
Figure FDA0002939164530000072
计算得到K+1时刻Ug(K+1),
Figure FDA0002939164530000073
的值；将Ug(K+1),
Figure FDA0002939164530000074
带入评估函数J(K+1)的公式中：
Figure FDA0002939164530000075
计算评估函数J(K+1)的最小值，以及对应的占空比D(K)的值。
2.根据权利要求1所述的基于优化模型预测算法结合变步长扰动控制的MPPT方法，其特征在于：所述步骤4.5的具体方法为：
步骤4.5.1、将优化模型预测算法计算得到的占空比D(K)值作为变步长占空比扰动控制的初始值Drd(0)；
步骤4.5.2、比较占空比扰动前后光伏系统输出功率的大小关系，若P(V+1)＝P(V)，则执行步骤4.5.4，否则执行步骤4.5.3；
步骤4.5.3、若P(V+1)＞P(V),则当Ug(V)＜Ug(V+1)时，Drd(V+1)＝Drd(V)-ΔDrd，当Ug(V)＞Ug(V+1)时，Drd(V+1)＝Drd(V)+ΔDrd；
若P(V+1)＜P(V)，当Ug(V)＜Ug(V+1)时，Drd(V+1)＝Drd(V)+ΔDrd，当Ug(V)＞Ug(V+1)时，Drd(V+1)＝Drd(V)-ΔDrd；
其中，ΔDrd为占空比的步长变化量，
Figure FDA0002939164530000076
M为变步长速度因子；P(V)为V时刻光伏系统的输出功率值，P(V+1)为V+1时刻光伏系统的输出功率值；Ug(V)为V时刻光伏系统的输出电压值，Ug(V+1)为V+1时刻光伏系统输出的电压值，Drd(V)为V时刻的占空比值，Drd(V+1)为V+1时刻的占空比值，V＝1.2.3.....为采样时刻；
以新的占空比值Drd(V+1)进行下一时刻的采样计算，并重新执行步骤4.5.2；
步骤4.5.4、若P(V+1)＝P(V)，Drd(V+1)＝Drd(V)，利用最优占空比值调整Z源网络，使光伏系统输出达到最大功率点。
CN201811138784.9A 2018-09-28 2018-09-28 基于优化模型预测算法结合变步长扰动控制的mppt方法 Active CN109245092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811138784.9A CN109245092B (zh) 2018-09-28 2018-09-28 基于优化模型预测算法结合变步长扰动控制的mppt方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811138784.9A CN109245092B (zh) 2018-09-28 2018-09-28 基于优化模型预测算法结合变步长扰动控制的mppt方法

Publications (2)

Publication Number Publication Date
CN109245092A CN109245092A (zh) 2019-01-18
CN109245092B true CN109245092B (zh) 2021-04-09

Family

ID=65057825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811138784.9A Active CN109245092B (zh) 2018-09-28 2018-09-28 基于优化模型预测算法结合变步长扰动控制的mppt方法

Country Status (1)

Country Link
CN (1) CN109245092B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110209232B (zh) * 2019-05-14 2020-07-24 中国矿业大学 一种限制钢轨电压的直流电子负载三闭环控制方法
CN111763803B (zh) * 2020-08-18 2021-12-14 长春工业大学 一种氩氧精炼铁合金生产过程中的铁水温度控制方法
CN112417799B (zh) * 2020-12-04 2022-10-04 北京华大九天科技股份有限公司 一种多信号选择和响应方法
CN113890344B (zh) * 2021-09-17 2023-09-29 北京华芯微半导体有限公司 一种稳压控制方法、稳压系统及稳压装置
CN114995579B (zh) * 2022-06-17 2023-03-24 河海大学 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9397611B2 (en) * 2012-03-27 2016-07-19 Sunpower Corporation Photovoltaic systems with local maximum power point tracking prevention and methods for operating same
CN103092250B (zh) * 2013-01-09 2014-12-03 上海电力学院 部分阴影条件下光伏最大功率点跟踪的复合控制方法
US9685790B2 (en) * 2013-04-15 2017-06-20 Virginia Tech Intellectual Properties, Inc. Maximum power point tracking for solar panels
CN105978026B (zh) * 2016-06-15 2018-05-22 江苏爱克赛电气制造有限公司 一种光伏离网多路mppt控制器并联的控制方法
CN107204731B (zh) * 2017-06-08 2018-11-23 兰州理工大学 基于几何平均数的风光互补发电系统mppt控制方法
CN108092305A (zh) * 2017-12-07 2018-05-29 陕西科技大学 基于电流馈入型半桥变换器光伏阵列的最大功率点跟踪方法
CN108092537A (zh) * 2017-12-08 2018-05-29 艾思玛新能源技术（上海）有限公司苏州高新区分公司 一种同输入源条件下的多路mppt逆变器均流控制方法
CN108336758A (zh) * 2018-02-26 2018-07-27 天津大学 一种基于纹波关联法的光伏组件mppt算法

Also Published As

Publication number Publication date
CN109245092A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109245092B (zh) 基于优化模型预测算法结合变步长扰动控制的mppt方法
Ahmad et al. Application of sliding mode control for maximum power point tracking of solar photovoltaic systems: A comprehensive review
CN101604848B (zh) 单级三相光伏并网系统的模糊滑模控制方法
Ahmed et al. Stability study of variable step size incremental conductance/impedance MPPT for PV systems
Isaloo et al. Improved variable step size incremental conductance MPPT method with high convergence speed for PV systems
Usman Khan et al. Variable step size fractional incremental conductance for MPPT under changing atmospheric conditions
Pathak et al. Reduced oscillations based perturb and observe solar maximum power point tracking scheme to enhance efficacy and speed of a photovoltaic system
Singh et al. Performance comparison of MPPT techniques using Cuk converter for photovoltaic energy conversion system
Radjai et al. The new FLC-variable incremental conductance MPPT with direct control method using Cuk converter
Bharath A novel sensorless hybrid MPPT method based on FOCV measurement and P&O MPPT technique for solar PV applications
Moutchou et al. Fast photovoltaic IncCond-MPPT and backstepping control, using DC-DC boost converter
Abo-Khalil Maximum power point tracking controller connecting PV system to grid
Ali et al. Optimization of PV model using fuzzy-neural network for DC-DC converter systems
CN108551177B (zh) 基于灵敏度分析的直流受端系统暂态切负荷控制优化方法
Priya et al. Design of adaptive perturb and observe-fuzzy MPPT controller for high voltage gain multilevel boost converter
Kapoor et al. A novel control strategy to simulate solar panels
Zou et al. Research on MPPT algorithm based on variable step size conductance increment+ PI method
Hijazi et al. Neural Network Assisted Variable-Step-Size P&O for Fast Maximum Power Point Tracking
Ghosh IBS-P&O hybrid MPPT algorithm for solar PV applications
Shourov et al. A novel implementation of the state flow approach for maximum power point tracking of photovoltaic systems
Shah et al. Optimal control scheme for single stage grid interfaced SECS for power quality improvement
Afghoul et al. A compararative study between sliding mode controller and P&O controller applied to MPPT
CN103207639A (zh) 带最大功率点跟踪模块的光伏逆变器及其工作方法
Sabaripandiyan et al. A Novel Hybrid MPPT Control Strategy for Isolated Solar PV Power System.
Kumar et al. Solar plant integration to utility grid with improved power quality by using RNN-Hebbian-LMS current controller

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
GR01 Patent grant
GR01 Patent grant