CN109270981A - 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 - Google Patents
一种基于改进型萤火虫算法的光伏阵列mppt控制方法 Download PDFInfo
- Publication number
- CN109270981A CN109270981A CN201811364727.2A CN201811364727A CN109270981A CN 109270981 A CN109270981 A CN 109270981A CN 201811364727 A CN201811364727 A CN 201811364727A CN 109270981 A CN109270981 A CN 109270981A
- Authority
- CN
- China
- Prior art keywords
- firefly
- photovoltaic array
- maximum
- current
- algorithm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000131894 Lampyris noctiluca Species 0.000 title abstract 2
- 241000254158 Lampyridae Species 0.000 claims abstract description 175
- 238000005457 optimization Methods 0.000 claims description 19
- 238000010521 absorption reaction Methods 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000000712 assembly Effects 0.000 claims description 2
- 238000000429 assembly Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 abstract description 5
- 230000010355 oscillation Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Sustainable Energy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Electrical Variables (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提出一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，流程包括：定义参数含义、初始化基本参数；初始萤火虫位置；通过目标函数值计算萤火虫的最大萤光亮度；计算萤火虫当前时刻的吸引度和相对荧光亮度；计算当前时刻萤火虫自适应移动步长；更新萤火虫的位置；重新计算萤火虫的最大荧光亮度；若满足搜索精度或达到最大迭代次数且不满足重启条件，则结束算法输出最大功率；本发明对光伏阵列进行最大功率点寻优，能够有效避免系统趋于稳定时的功率震荡问题，且能够较好地适用于均匀光照、局部阴影和可变阴影情况下的MPPT，避免算法陷入局部最优，且不会丢失任何极值点，提高了收敛速度与稳定性，更加实用化。
Description
技术领域
本发明属于光伏发电技术领域，具体涉及一种基于改进型萤火虫算法的光伏阵列MPPT控制方法。
背景技术
目前，非可再生能源作为仍然是人类能源利用最重要的部分，约占90％，主要为煤炭、石油、天然气等，但是这些化石能源是会随人类社会的发展需求而大量被使用，逐渐地消耗用尽。太阳能作为可再生绿色能源，无污染、低成本等特点，已经成为代替传统能源的首选能源。但是，在实际的应用中，太阳能光伏发电系统中光伏阵列的输出功率呈现非线性的特征，输出功率会随着日照以及环境温度的变化，在不同的光照强度和环境温度下光伏阵列有不同的输出电压，只有在某一特定的电压下光伏阵列才能达到最大的输出功率。因此，找到一种更为有效的最大功率点跟踪(Maximum Power Point Tracking，MPPT)方法使光伏阵列达到最大的转换效率显得极为重要。
近几年多种MPPT算法被提出，包括传统的电导增量法、扰动观察法等。这些算法计算简单，设备要求低，有较好的追踪效果。但这两种算法都有一个共同的问题：步长固定。当步长过大，整个系统的震荡会加剧，不利于系统的稳定性；若步长过小，光伏阵列就会长时间保持低功率输出，跟踪时间长且达不到最大跟踪的效果。发生局部遮阴情况(Partialshadow condition，PSC)时，光伏电池输出特性曲线会呈现出多峰状态，此时经典算法无法区分局部极值(Local peak，LP)和全局最大值(Global peak，GP),很可能因产生强烈震荡而失效。
目前，随着智能技术的大力发展，粒子群算法(Particle Swarm Optimization，PSO)和遗传算法等逐渐应用于光伏发电领域，但粒子群算法由于其受个体最优的影响，可能在一些过低的极值点搜索较长的时间，仍存在追踪时间较长的问题。遗传算法进行局部搜索的能力差，容易导致早熟。因此多峰MPPT控制依然是亟待解决的问题。根据对扰动观察法,电导增量法,粒子群算法,萤火虫算法(Firefly Algorithm，FA)四种算法的仿真分析得知，萤火虫算法在局部阴影条件下光伏最大功率点追踪中的速度，稳定性和效率优于其他算法。
萤火虫算法是通过模拟萤火虫的群体出的一类随机优化算法。其仿生原理是：用搜索空间中的点模拟自然界中的萤火虫个体，将搜索和优化过程模拟成萤火虫个体的吸引和移动过程，将求解问题的目标函数度量成个体所处位置的优劣，将个体的优胜劣汰过程类比为搜索和优化过程中用好的可行解取代较差的可行解的迭代过程。
萤火虫算法包含两个要素，即亮度和吸引度。亮度决定了其移动方向体现了粒子位置的优劣；吸引度决定了萤火虫移动的距离。通过亮度和吸引度的不断更新，从而实现目标优化。当萤火虫算法直接使用在光伏阵列MPPT的控制算法中时，存在两个缺陷：移动步长固定和初始位置条件是随机的；若使用固定的移动步长，则可能使萤火虫在本领域中因固定移动步长而跳过最优值，而无法找到准确找到最优值，初始位置条件的随机性使得萤火虫可能都聚集在一个次优的结果上，无法找到真正的最优解。
发明内容
针对背景技术中提到的问题，本发明提供一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，将萤火虫初始位置分散定位在光伏阵列各功率峰值点对应的电压附近，并设计了改进的自适应步长算法以动态调整萤火虫移动步长。
具体流程如下：
步骤1：定义参数含义、初始化基本参数，具体包括：
定义参数含义：萤火虫位置代表光伏阵列输出电压；萤火虫之间距离表示光伏阵列输出电压之差；当前所有萤火虫中最优位置表示光伏阵列输出最大功率点电压；萤火虫最大亮度表示光伏阵列输出的最大功率，目标函数为光伏阵列输出的总功率。
初始化基本参数：设置萤火虫数目w，最大吸引度β0，光强吸收系数γ，最大迭代次数X，目标函数fp；
在本发明中，每个优化问题的潜在解，也就是最大功率点电压，都是搜索空间中的一个“萤火虫”位置，所有萤火虫都有一个被目标函数决定的适应值。定义光伏阵列输出的总功率为目标函数，而变量就是光伏阵列的输出电压。在对各种参数进行初始化后，计算每个萤火虫对应目标函数的适应值。目标函数为光伏阵列输出的总功率。
步骤2：初始萤火虫位置；
本光伏阵列的阵列规模为{m×n}，m为串联数，即每条支路中组件的数量；n为并联数，即光伏阵列中并联的支路数。将w只萤火虫分为n+1组，每组设置3-5只，第1组萤火虫位置选为0.7U1，第2组萤火虫位置选0.7U1+0.8U1＝1.5U1，依次类推，第n组萤火虫位置选为0.7U1+0.8(n-1)U1，第n+1组萤火虫位置选为0.8UOC，其中，UOC为光伏阵列输出开路电压，而U1＝UOC/m。萤火虫搜索范围为0～UOC。
步骤3：通过目标函数值计算萤火虫i的最大萤光亮度；计算萤火虫i当前时刻的吸引度和相对荧光亮度
(1)萤火虫位置代表光伏阵列输出电压，萤火虫位置改变表示光伏阵列输出电压改变，目标函数为光伏阵列输出的总功率，通过输出电压计算光伏阵列输出的总功率，即计算目标函数值，此目标函数值做为萤火虫i的最大萤光亮度；
(2)计算萤火虫i当前时刻的吸引度
其中：β0为最大吸引度；γ为光强吸收系数；为当前时刻萤火虫i与j之间的距离
(3)计算萤火虫i当前时刻的相对荧光亮度
其中：为萤火虫i当前时刻的最大荧光亮度，在数值上等于fp。萤火虫i由当前相对荧光亮度确定移动方向，每一只萤火虫因为所处位置不同发出的荧光亮度也不同，通过比较各点的相对荧光亮度，相对荧光亮度高的萤火虫可以吸引相对荧光亮度低的萤火虫向自己移动；
步骤4：计算当前时刻萤火虫i自适应移动步长开始搜索；
所述萤火虫i自适应移动步长如下：
式中：表示第i只萤火虫的步长；表示前一个时刻萤火虫i的最大荧光亮度；表示当前时刻的萤火虫i的最大荧光亮度；为[0,1]之间动态变化的值。代表当前时刻萤火虫i所处位置，表示最大荧光亮度最高值的萤火虫当前所在位置；
处于这一阶段说明光伏系统输出功率较最大功率点较远，这时需要步长较大。式中较大，因此可以保证步长值较大，可以加快趋近最大功率点，从而提高系统寻优的速度。
处于这一阶段说明光伏系统输出功率已经接近最大功率点，这时需要步长较小。式中和是较为接近的值，因此可以保证步长值较小，从而保证系统在最大功率点的稳定性。
步骤5：更新萤火虫的位置，对处在最佳位置的萤火虫进行随机扰动，对于萤火虫的位置进行更新，所述位置更新公式如下：
其中，代表当前时刻萤火虫i所处位置，代表前一时刻萤火虫i所处位置；代表前一时刻萤火虫j所处位置；rand为[0,1]上服从均匀分布的随机因子。
步骤6：根据更新后萤火虫的位置，重新计算萤火虫的最大荧光亮度；保存当前所有萤火虫个体中的最大荧光亮度及位置等信息。
步骤7：计算搜索精度当满足搜索精度要求或光伏系统迭代次数t达到最大迭代次数X，转步骤8；否则，迭代次数加1，以更新后的萤火虫位置计算萤火虫当前时刻的吸引度和相对荧光亮度，转步骤3，进行下一次搜索；
其中，表示第i只萤火虫当前所在位置；表示最大荧光亮度最高值的萤火虫当前所在位置；
步骤8，检测是否满足算法重启条件，如满足，重新转到步骤1，重新初始化参数，重新开始寻优算法；如不满足，则结束算法，给出最终求出的最优解，并令通过最优位置对应的电压计算占空比D，根据占空比D控制Boost电路开关的通断以获得光伏阵列输出的最大功率。
所述重启条件为：光伏阵列发出的功率的变化量ΔP：
ΔP＝|Pm-Pr| (6)
其中，Pm为用本算法计算的萤火虫最大荧光亮度值最高时所对应的功率，即本算法寻优得到的光伏阵列输出的最大功率值；Pr为光伏阵列实际输出功率值，当两者差距很大，说明外界情况发生改变，需要重新启动算法，重新计算。
设定ΔP>1％Pm时重启算法，ΔP随Pm变化而变化。
所述目标函数的表达式为：
fp＝U[Ipv-I0(Ip+2)-(U+IRs)/Rp] (7)
其中，fp为光伏阵列输出的总功率，U是光伏阵列输出电压，I是光伏阵列输出电流，Ipv为光伏电池光生电流，由公式(8)计算得到，光伏阵列由m块电池板串联组成，参数I0与Ip分别由公式(9)与公式(10)计算得到；
p＝1+a2≥2.2 (11)
其中，Ipv为光伏电池光生电流；IPV_STC是标准测试条件(standard testingconditions，STC)情况下的光生电流；G是光伏电池的表面辐射度，GSTC是STC情况下的辐射度，GSTC＝1000W/m2；a1和a2分别为两个二极管的理想常数；ISC_STC为光伏阵列在STC情况下的短路电流；UOC_STC为光伏阵列在STC情况下的开路电压；UT为二极管的热电压,其数值等于mkT/q；m为电池板元件串联数；q为电子电荷常数；k为玻尔兹曼常数；T为环境温度；ΔT＝T-TSTC，TSTC是STC情况下的环境温度，TSTC＝25℃；常数ki是电流温度系数；常数kv是电压温度系数；Rs为光伏电池等效串联电阻；Rp为光伏电池等效并联电阻；p为常数。
所述占空比D为输入电压与输出电压之间的关系：
D＝1-U/U0 (12)
其中，Boost电路输入电压U为光伏阵列输出电压；U0的值为蓄电池两端电压。
有益技术效果：
本发明提供一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，对光伏阵列进行最大功率点寻优，能够有效避免系统趋于稳定时的功率震荡问题，且能够较好地适用于均匀光照、局部阴影和可变阴影情况下的MPPT，避免算法陷入局部最优，而且不会丢失任何极值点，同时提高了收敛速度与稳定性，使改进型萤火虫算法在MPPT控制应用中更加实用化。
本发明有较强的适应性，在局部阴影环境和可变阴影环境下，均能够准确快速地追踪到全局最大功率点，与背景技术算法和改进前的算法相比，设置两种不同光照的模式，不难看出，本算法具有更高的收敛率和更快的寻优速度且在最大功率点处的震动更小。
附图说明
图1为本发明实施例一种基于改进型萤火虫算法的光伏阵列MPPT控制方法的流程图；
图2是本发明实施例的光伏电池改进双二极管模型；
图3是本发明实施例的应用示例图；
图4是在不同算法下的仿真波形图，其中：
图4(a)是本发明实施例的PSO算法的仿真波形图；
图4(b)是本发明实施例的FA算法的仿真波形图；
图4(c)是本发明实施例的一种基于改进型萤火虫算法的光伏阵列MPPT控制方法仿真波形图；
图5是本发明实施例的三种方法的最大功率点波形图；
图6是本发明实施例的三种方法的最大功率点波形图放大图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明：
图2为本方法采用的光伏电池改进双二极管模型，图中D1与D2为二极管，输出电流方程为：
I＝Ipv-I0(Ip+2)-(U+IRs)/Rp (13)
其中，
p＝1+a2≥2.2 (11)
其中：Ipv为光伏电池光生电流；IPV_STC是标准测试条件(standard testingconditions，STC)情况下的光生电流；G是光伏电池的表面辐射度，GSTC是STC情况下的辐射度，GSTC＝1000W/m2；a1和a2分别为两个二极管的理想常数；ISC_STC为光伏阵列在STC情况下的短路电流；UOC_STC为光伏阵列在STC情况下的开路电压；UT为二极管的热电压,其数值等于mkT/q；m为电池板元件串联数；q为电子电荷常数；k为玻尔兹曼常数；T为环境温度；ΔT＝T-TSTC，TSTC是STC情况下的环境温度，TSTC＝25℃；常数ki是电流温度系数；常数kv是电压温度系数；Rs为光伏电池等效串联电阻；Rp为光伏电池等效并联电阻；p为常数。
图3中使用Boost升压式变换器连接光伏阵列与负载，其中，L1为Boost电路中电感，C1与C2为Boost中电容，其主要优点在于对光伏阵列的电磁干扰小，驱动电路简单，Boost输出电压被钳制在蓄电池两端的电压，通过改变占空比D就可以改变变换器输入电压，而Boost变换器输入电压即为光伏阵列输出电压，因此改变D就能改变光伏阵列工作点的电压，通过改进型萤火虫算法，最终能够将工作点稳定在全局最大功率点。所示算法位于MPPT控制器中。
本发明使用标准Boost升压电路，其输入电压与输出电压之间的关系为：
D＝1-U/U0 (12)
式中：boost电路输入电压U为光伏阵列输出电压；U0的值为蓄电池两端电压。
基于以上硬件条件，本发明提出一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，如图1所示，本实施例采用Matlab/simulink中光伏模块实现，具体流程如下：
步骤1：定义参数含义、初始化基本参数，具体包括：
定义参数含义：萤火虫位置代表光伏阵列输出电压；萤火虫之间距离表示光伏阵列输出电压之差；当前所有萤火虫中最优位置表示光伏阵列输出最大功率点电压；萤火虫最大亮度表示光伏阵列输出的最大功率，目标函数为光伏阵列输出的总功率。
初始化基本参数：设置萤火虫数目w，最大吸引度β0，光强吸收系数γ，最大迭代次数X，目标函数fp；
本仿真采用{4×3}光伏阵列模型；组件参数为Pm＝21Wp，UO＝17.2V,Um＝12.2V,ISC＝2.45A,Im＝1.75A，参考温度为25℃，参考光照为1000W/m2。
初始化算法基本参数：设置萤火虫数目w＝15，最大吸引度β0＝1，光强吸收系数γ＝1，搜索精度ε＝0.2％Uoc＝0.14V，最大迭代次数X＝200；
目标函数的表达式为：
fp＝U[Ipv-I0(Ip+2)-(U+IRs)/Rp] (7)
其中，其中，fp为光伏阵列输出的总功率，U是光伏阵列输出电压，I是光伏阵列输出电流，Ipv为光伏电池光生电流，由公式(8)计算得到，光伏阵列由m块电池板串联组成，参数I0与Ip分别由公式(9)与公式(10)计算得到；
p＝1+a2≥2.2 (11)
其中，：Ipv为光伏电池光生电流；IPV_STC是STC情况下的光生电流；G是电池的表面辐射度，GSTC是STC情况下的辐射度，GSTC＝1000W/m2；a1和a2分别为两个二极管的理想常数；ISC_STC为光伏阵列在STC情况下的短路电流；UOC_STC为光伏阵列在STC情况下的开路电压；UT为二极管的热电压,其数值等于mkT/q；m为电池板元件串联数；q为电子电荷常数；k为玻尔兹曼常数；T为环境温度；ΔT＝T-TSTC，TSTC是STC情况下的温度，TSTC＝25℃；常数ki是电流温度系数；常数kv是电压温度系数；Rs为等效串联电阻；Rp为等效并联电阻；p为常数。
步骤2：初始萤火虫位置；
初始萤火虫位置：对于{4×3}光伏阵列，将w只萤火虫分为n+1组，每组设置3-5只，第1组萤火虫位置选为0.7U1＝12.1V，第2组萤火虫位置选0.7U1+0.8U1＝1.5U1＝25.8V，依次类推，第3组萤火虫位置选为0.7U1+0.8(3-1)U1＝39.6V，第4组萤火虫位置选为0.8UOC＝53.3V，其中，UOC为光伏阵列输出开路电压，而U1＝UOC/4，萤火虫搜索范围为0～UOC；
步骤3：通过目标函数值计算萤火虫i的最大萤光亮度；计算萤火虫i当前时刻的吸引度和相对荧光亮度
(1)萤火虫位置代表光伏阵列输出电压，萤火虫位置改变表示光伏阵列输出电压改变，目标函数为光伏阵列输出的总功率，通过输出电压计算光伏阵列输出的总功率，即计算目标函数值，此目标函数值做为萤火虫i的最大萤光亮度；
(2)计算萤火虫i当前时刻的吸引度
其中：β0为最大吸引度，可设定为1；γ为光强吸收系数，可设为常数，其取值为0-10之间；为当前时刻萤火虫i与j之间的距离
(3)计算萤火虫i当前时刻的相对荧光亮度
其中：为萤火虫i当前的最大荧光亮度，为萤火虫i所在位置对应的目标函数f的值，f越优，最大荧光亮度越高。萤火虫i由当前相对荧光亮度确定移动方向，每一只萤火虫因为所处位置不同发出的荧光亮度也不同，通过比较各点的相对荧光亮度，亮度高的萤火虫可以吸引亮度低的萤火虫向自己移动；
步骤4：计算当前时刻自适应步长开始搜索；
所述自适应步长如下：
式中：表示第i只萤火虫的步长；表示前一个时刻萤火虫i的最大荧光亮度；表示当前时刻的萤火虫i的最大荧光亮度；为[0,1]之间动态变化的值。
处于这一阶段说明光伏系统输出功率较最大功率点较远，这时需要步长较大。式中较大，因此可以保证步长值较大，可以加快趋近最大功率点，从而提高系统寻优的速度。
处于这一阶段说明光伏系统输出功率已经接近最大功率点，这时需要步长较小。式中和是较为接近的值，因此可以保证步长值较小，从而保证系统在最大功率点的稳定性。
步骤5：更新萤火虫的位置，对处在最佳位置的萤火虫进行随机扰动，对于萤火虫的位置进行更新，所述位置更新公式如下：
其中，代表当前时刻萤火虫i所处位置，代表前一时刻萤火虫i所处位置；代表前一时刻萤火虫j所处位置；rand为[0,1]上服从均匀分布的随机因子。
步骤6：根据更新后萤火虫的位置，重新计算萤火虫的最大荧光亮度；保存当前迭代在所有萤火虫个体中求出的最优解及位置等信息。
步骤7：计算搜索精度当满足搜索精度要求或光伏系统迭代次数t达到最大迭代次数X，转步骤8；否则，迭代次数加1，以更新后的萤火虫位置计算萤火虫当前时刻的吸引度和相对荧光亮度，转步骤3，进行下一次搜索；
其中，表示第i只萤火虫当前所在位置；表示最大荧光亮度最优的萤火虫当前所在位置；
步骤8，检测是否满足算法重启条件，如满足，重新转到步骤1，重新初始化参数，重新开始寻优算法；如不满足，则结束算法，给出最终求出的最优解，并令通过最优位置对应的电压计算占空比D，根据占空比D控制Boost电路开关的通断以获得光伏阵列输出的最大功率。
重启条件为：光伏阵列发出的功率的变化量ΔP：
ΔP＝|Pm-Pr| (6)
式中：Pm为用本算法计算的萤火虫最大荧光亮度最高处所对应的功率，即本算法计算光伏系统输出的最大功率值；Pr为光伏系统实际输出功率值，当两者差距很大，说明外界情况发生改变，需要重新启动算法，重新计算。
设定ΔP>1％Pm时重启算法，ΔP随Pm变化而变化。
实验结果：
在本发明中，一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，在不同算法下的仿真波形图：
图4是在不同算法下的仿真波形图，其中：图4(a)是PSO算法的仿真波形图，采用粒子群算法算法；图4(b)是FA算法的仿真波形图，采用萤火虫算法；图4(c)是本方法的仿真波形图，采用改进型萤火虫算法。
实际的最大功率值为250.1W。PSO算法用时46.5ms，算法计算的全局最大功率值为249.20W，与实际最大功率值相差0.9W，收敛率99.64％；FA算法用时138.5ms，算法计算的全局最大功率值为249.7W，与实际最大功率值相差0.4W，收敛率为99.84％；改进型FA算法用时15.3ms，算法计算的全局最大功率值为249.87W，与实际最大功率值相差0.23W，收敛率为99.91％。
当系统工作到第100ms时，光伏阵列工作环境由均匀光照变为局部阴影，此时满足算法重启条件，并开始重新计算当前最大功率点。第100ms时，系统工作环境发生改变，算法开始重启。PSO在129.5ms时，再次运行在最大功率点，输出功率值为120.96W；FA在138.5ms时，再次运行在最大功率点，输出功率值为121.05W；改进型FA在109.8ms时，再次运行在最大功率点，输出功率值为121.164W。
图5是三种算法在最大功率点处局部的功率震动情况，图6是本发明实施例的三种方法的最大功率点波形图A处的放大图，其中，本发明的方法为FFA，可以看出本发明能够有效避免系统趋于稳定时的功率震荡问题，使FA算法在MPPT控制方向更加实用化。通过仿真结果可得，本发明方法在局部阴影环境和可变阴影环境下，均能够准确快速地追踪到全局最大功率点，并与PSO，FA算法相比具有更高的收敛率和更快的寻优速度且在最大功率点处的震动更小。
Claims (4)
1.一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，其特征在于，具体流程如下：
步骤1：定义参数含义、初始化基本参数，具体包括：
定义参数含义：萤火虫位置代表光伏阵列输出电压；萤火虫之间距离表示光伏阵列输出电压之差；当前所有萤火虫中最优位置表示光伏阵列输出最大功率点电压；萤火虫最大亮度表示光伏阵列输出的最大功率，目标函数为光伏阵列输出的总功率；
初始化基本参数：设置萤火虫数目w，最大吸引度β0，光强吸收系数γ，最大迭代次数X，目标函数fp；
步骤2：初始萤火虫位置；
本光伏阵列的阵列规模为{m×n}，m为串联数，即每条支路中组件的数量；n为并联数，即光伏阵列中并联的支路数；将w只萤火虫分为n+1组，每组设置3-5只，第1组萤火虫位置选为0.7U1，第2组萤火虫位置选0.7U1+0.8U1＝1.5U1，依次类推，第n组萤火虫位置选为0.7U1+0.8(n-1)U1，第n+1组萤火虫位置选为0.8UOC，其中，UOC为光伏阵列输出开路电压，而U1＝UOC/m，萤火虫搜索范围为0～UOC；
步骤3：通过目标函数值计算萤火虫i的最大萤光亮度；计算萤火虫i当前时刻的吸引度和相对荧光亮度
(1)萤火虫位置代表光伏阵列输出电压，萤火虫位置改变表示光伏阵列输出电压改变，目标函数为光伏阵列输出的总功率，通过输出电压计算光伏阵列输出的总功率，即计算目标函数值，此目标函数值做为萤火虫i的最大萤光亮度；
(2)计算萤火虫i当前时刻的吸引度
其中，β0为最大吸引度；γ为光强吸收系数；为当前时刻萤火虫i与j之间的距离
(3)计算萤火虫i当前时刻的相对荧光亮度
其中，为萤火虫i当前时刻的最大荧光亮度，在数值上等于目标函数fp；
步骤4：计算当前时刻萤火虫i自适应移动步长开始搜索；
所述萤火虫i自适应移动步长如下：
其中，表示第i只萤火虫的步长；表示前一个时刻萤火虫i的最大荧光亮度；表示当前时刻的萤火虫i的最大荧光亮度；为[0,1]之间动态变化的值，代表当前时刻萤火虫i所处位置，表示最大荧光亮度最高值的萤火虫当前所在位置；
步骤5：更新萤火虫的位置，对处在最佳位置的萤火虫进行随机扰动，对于萤火虫的位置进行更新，所述位置更新公式如下：
其中，代表当前时刻萤火虫i所处位置，代表前一时刻萤火虫i所处位置；代表前一时刻萤火虫j所处位置；rand为[0,1]上服从均匀分布的随机因子；
步骤6：根据更新后萤火虫的位置，重新计算萤火虫的最大荧光亮度；保存当前所有萤火虫个体中的最大荧光亮度及位置；
步骤7：计算搜索精度当满足搜索精度要求或光伏系统迭代次数t达到最大迭代次数X，转步骤8；否则，迭代次数加1，以更新后的萤火虫位置计算萤火虫当前时刻的吸引度和相对荧光亮度，转步骤3，进行下一次搜索；
其中，表示第i只萤火虫当前所在位置；表示最大荧光亮度最高值的萤火虫当前所在位置；
步骤8，检测是否满足算法重启条件，如满足，重新转到步骤1，重新初始化参数，重新开始寻优算法；如不满足，则结束算法，给出最终求出的最优解，并令通过最优位置对应的电压计算占空比D，根据占空比D控制Boost电路开关的通断以获得光伏阵列输出的最大功率。
2.根据权利要求1所述一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，其特征在于，所述重启条件为：设定ΔP>1％Pm时重启算法，光伏阵列发出的功率的变化量ΔP为：
ΔP＝|Pm-Pr| (6)
其中，Pm为用本算法计算的萤火虫最大荧光亮度值最高时所对应的功率，即本算法寻优得到的光伏阵列输出的最大功率值；Pr为光伏阵列实际输出功率值。
3.根据权利要求1所述一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，其特征在于，所述目标函数的表达式为：
fp＝U[Ipv-I0(Ip+2)-(U+IRs)/Rp] (7)
其中，fp为光伏阵列输出的总功率，U是光伏阵列输出电压，I是光伏阵列输出电流，Ipv为光伏电池光生电流，由公式(8)计算得到，光伏阵列由Ns块电池板串联组成，参数I0与Ip分别由公式(9)与公式(10)计算得到；
p＝1+a2≥2.2 (11)
其中，Ipv为光伏电池光生电流；IPV_STC是标准测试条件情况下的光生电流；G是光伏电池的表面辐射度，GSTC是STC情况下的辐射度；a1和a2分别为两个二极管的理想常数；ISC_STC为光伏阵列在STC情况下的短路电流；UOC_STC为光伏阵列在STC情况下的开路电压；UT为二极管的热电压,其数值等于mkT/q；m为电池板元件串联数；q为电子电荷常数；k为玻尔兹曼常数；T为环境温度；ΔT＝T-TSTC，TSTC是STC情况下的环境温度；常数ki是电流温度系数；常数kv是电压温度系数；Rs为光伏电池等效串联电阻；Rp为光伏电池等效并联电阻；p为常数。
4.根据权利要求1所述一种基于改进型萤火虫算法的光伏阵列MPPT控制方法，其特征在于，所述占空比D为输入电压与输出电压之间的关系：
D＝1-U/U0 (12)
其中，Boost电路输入电压U为光伏阵列输出电压；U0的值为蓄电池两端电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364727.2A CN109270981B (zh) | 2018-11-16 | 2018-11-16 | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811364727.2A CN109270981B (zh) | 2018-11-16 | 2018-11-16 | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109270981A true CN109270981A (zh) | 2019-01-25 |
| CN109270981B CN109270981B (zh) | 2020-06-30 |
Family
ID=65190347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811364727.2A Active CN109270981B (zh) | 2018-11-16 | 2018-11-16 | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109270981B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361963A (zh) * | 2019-06-10 | 2019-10-22 | 岭南师范学院 | 一种永磁风机pi参数优化方法及装置 |
| CN114167937A (zh) * | 2022-02-12 | 2022-03-11 | 武汉理工大学 | 一种基于粒子群算法改进的热电最大功率跟踪方法及系统 |
| WO2023240730A1 (zh) * | 2022-06-16 | 2023-12-21 | 杭州伯资企业管理合伙企业(有限合伙) | 一种双层控制结构的光伏发电阵列角度控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444956A (zh) * | 2016-10-31 | 2017-02-22 | 北京信息科技大学 | 一种基于粒子群优化的光伏最大功率点跟踪的控制方法及装置 |
| CN108693915A (zh) * | 2018-07-12 | 2018-10-23 | 东北电力大学 | 局部阴影下光伏最大功率点跟踪的萤火虫改进算法 |
-
2018
- 2018-11-16 CN CN201811364727.2A patent/CN109270981B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444956A (zh) * | 2016-10-31 | 2017-02-22 | 北京信息科技大学 | 一种基于粒子群优化的光伏最大功率点跟踪的控制方法及装置 |
| CN108693915A (zh) * | 2018-07-12 | 2018-10-23 | 东北电力大学 | 局部阴影下光伏最大功率点跟踪的萤火虫改进算法 |
Non-Patent Citations (3)
| Title |
|---|
| 李恒杰 等: "GSO的局部阴影光伏阵列MPPT控制的研究", 《电源技术》 * |
| 石季英 等: "IFA在光伏遮蔽情况下MPPT中的应用", 《电力电子技术》 * |
| 薛飞: "基于萤火虫算法的光伏全局最大功率追踪控制研究", 《中国优秀优秀硕士学位论文全文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361963A (zh) * | 2019-06-10 | 2019-10-22 | 岭南师范学院 | 一种永磁风机pi参数优化方法及装置 |
| CN114167937A (zh) * | 2022-02-12 | 2022-03-11 | 武汉理工大学 | 一种基于粒子群算法改进的热电最大功率跟踪方法及系统 |
| WO2023240730A1 (zh) * | 2022-06-16 | 2023-12-21 | 杭州伯资企业管理合伙企业(有限合伙) | 一种双层控制结构的光伏发电阵列角度控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109270981B (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270981B (zh) | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 | |
| Farzaneh et al. | A new maximum power point tracking based on modified firefly algorithm for PV system under partial shading conditions | |
| CN109710021A (zh) | 基于改进量子粒子群算法的光伏多峰mppt控制方法 | |
| CN113342124B (zh) | 基于改进灰狼优化算法的光伏mppt方法 | |
| CN109814651A (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 | |
| CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
| Azab | Optimal power point tracking for stand-alone PV system using particle swarm optimization | |
| Liu et al. | A MPPT algorithm based on PSO for PV array under partially shaded condition | |
| Oufettoul et al. | MPPT techniques investigation in photovoltaic system | |
| Safarudin et al. | Combining simplified firefly and modified P&O algorithm for maximum power point tracking of photovoltaic system under partial shading condition | |
| CN116225145A (zh) | 光伏系统最大功率点的复合追踪方法 | |
| Yan et al. | MPPT control technology based on the GWO-VINC algorithm | |
| Wu et al. | Study of the improved INC MPPT algorithm for PV systems | |
| Zhang et al. | Research on Maximum Power Point Tracking Strategy for Partially Shaded PV System Based on Improved Firefly Algorithm | |
| OĞUZ et al. | Effects of PSO Algorithm Parameters on the MPPT System Under Partial Shading Condition | |
| Xing et al. | An Improved P&O Method MPPT Control Strategy Based on Model Predictive Control for PV System | |
| Yılmaz et al. | PSO Training Neural Network MPPT with CUK Converter Topology for Stand-Alone PV Systems Under Varying Load and Climatic Conditions | |
| Li et al. | Research on integrated modeling method and maximum power point tracking control of photovoltaic systems | |
| Li et al. | Control Strategy for Photovoltaic Array MPPT Based on an Improved Particle Swarm Optimization Algorithm | |
| CN108549456A (zh) | 基于飞蛾扑火算法的光伏阵列mppt控制方法 | |
| Abutaima et al. | Design of fast intelligence hybrid fuzzy logic and improved incremental conductance based MPPT technique | |
| CN112380717B (zh) | 一种电导增量与线性外推组合的最大功率点追踪方法 | |
| CN118336887B (zh) | 一种应急抢修电源的补电方法及系统 | |
| Abdelmalek et al. | Comparison between MPPTs for PV systems using P&O and Grey Wolf controllers | |
| Kou et al. | Maximum power point tracking of photovoltaic array in partial shading condition based on improved Gray Wolf optimization algorithm |
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 |