CN110286708B - 一种光伏阵列的最大功率跟踪控制方法及系统 - Google Patents

一种光伏阵列的最大功率跟踪控制方法及系统 Download PDF

Info

Publication number
CN110286708B
CN110286708B CN201910747654.3A CN201910747654A CN110286708B CN 110286708 B CN110286708 B CN 110286708B CN 201910747654 A CN201910747654 A CN 201910747654A CN 110286708 B CN110286708 B CN 110286708B
Authority
CN
China
Prior art keywords
photovoltaic array
iteration
particle
kth iteration
updating
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.)
Expired - Fee Related
Application number
CN201910747654.3A
Other languages
English (en)
Other versions
CN110286708A (zh
Inventor
李明
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.)
Qinghai Nationalities University
Original Assignee
Qinghai Nationalities University
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 Qinghai Nationalities University filed Critical Qinghai Nationalities University
Priority to CN201910747654.3A priority Critical patent/CN110286708B/zh
Publication of CN110286708A publication Critical patent/CN110286708A/zh
Application granted granted Critical
Publication of CN110286708B publication Critical patent/CN110286708B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Photovoltaic Devices (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

本发明提出了一种光伏阵列的最大功率跟踪控制方法及系统。所述跟踪控制方法，首先根据采集得到的实际光强和实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；然后，基于输出电压与输出电流的关系，采用自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；最后，根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC‑DC变换器的变压比，使光伏阵列在所述最大功率点工作。本发明利用了自适应权重的粒子群算法，跟踪光伏阵列的最大功率点避免了因追踪过程中陷入局部最优，造成功率损失，并无需在初始化阶段通过粒子群算法进行第一个峰值功率的跟踪，减小了最大功率点的跟踪时间。

Description

一种光伏阵列的最大功率跟踪控制方法及系统
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种光伏阵列的最大功率跟踪控制方法及系统。
背景技术
目前，随着光伏发电的广泛应用，光伏发电控制过程中的最大功率点的跟踪方法也得到的广泛的研究，其中包括了将标准粒子群算法(PSO)应用到光伏MPPT，利用粒子群算法进行最大功率点的跟踪，但是在粒子群算法在最大功率点的跟踪的应用过程中有很多的缺陷，1、在追踪到最大功率前容易陷入局部极值或是稳定后波动幅度较大，应用到实际中会损失掉大部分功率，例如，文献“粒子群优化在光伏系统MPPT控制中的应用”中，惠晶,王思杰，谢伟等在传统的PSO的基础上进行改进，增加了粒子的淘汰环节，但是其稳定前功率曲线波动幅度较大，容易造成功率的流失。2、粒子群初始定位问题，若分散定位，可能会增大粒子群算法的收敛时间，若集中定位可能会导致算法不收敛，例如，文献“Miyatake M,Veerachary M,Toriumi F.Maximum Power Point Tracking ofMultiple PhotovoltaicArrays:APSOApproac”采用PSO搜索最大功率点，但是其粒子初始位置是随机产生的，很容易造成最大功率点的丢失。3、虽然标准粒子群算法具有搜索能力快、不容易陷入局部最优的特点，但是由于算法权重值设置的原因，使其在追踪过程中容易陷入局部最优值。文献“基于粒子群优化变步长扰动观察MPPT算法”提出了一种粒子群算法(PSO)和变步长扰动观察法相结合的算法，该方法首先通过PSO迅速定位近似最大功率点，然后采用变步长扰动观察法根据实际情况精确定位至最大功率点，但是该方法初始阶段直接通过PSO进行第一个峰值功率的跟踪，增加了寻优时间。
发明内容
本发明的目的是提供一种光伏阵列的最大功率跟踪控制方法及系统，以避免因追踪过程中陷入局部最优，造成功率损失，并减小最大功率点的跟踪时间，实现具有多个极值点的局部阴影光伏阵列的最大功率点的迅速有效的搜寻。
为实现上述目的，本发明提供了如下方案：
一种光伏阵列的最大功率跟踪控制方法，所述跟踪控制方法包括如下步骤：
采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度；
根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；
根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；
根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
可选的，所述根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系，具体包括：
根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure BDA0002166124180000021
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure BDA0002166124180000022
G表示实际光强，Gnom表示设定的标准的光照强度，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure BDA0002166124180000023
Isc(T)表示实际温度T时的光伏阵列的短路电流。
可选的，所述根据光伏阵列的输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点，具体包括：
初始化粒子群每个粒子的位置、速度，初始化粒子群的变异率、个体极值和全局极值，并将迭代次数k的数值设置为1；
更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式；
利用第k次迭代的速度更新公式更新每个粒子的速度，得到第k次迭代的速度；
更新每个粒子的位置，得到第k次迭代的每个粒子的位置；
根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值；
将适应度函数值最大的粒子设置为第k次迭代的个体极值；
判断第k次迭代的个体极值的适应度函数值是否大于全局极值的适应度函数值，得到第一判断结果；
若所述第一判断结果表示第k次迭代的个体极值的适应度函数值大于全局极值的适应度函数值，则将第k次迭代的个体极值设置为全局极值；
判断迭代次数k是否大于迭代次数阈值，得到第二判断结果；
若所述第二判断结果表示迭代次数k不大于预设迭代次数阈值，则令迭代次数k的数值增加1，返回步骤“更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式”；
若所述第二判断结果表示迭代次数大于迭代次数阈值，则输出所述全局极值的位置，作为最大功率点的电压。
可选的，所述更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式，具体包括：
利用公式wk＝wmax-(wmax-wmim)×(k/M)2更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式
Figure BDA0002166124180000031
M表示迭代次数阈值，wmim和wmax分别表示最小惯性权重和最大惯性权重，wk表示第k次迭代的惯性权重，
Figure BDA0002166124180000032
和
Figure BDA0002166124180000033
分别表示第k-1次迭代和第k次迭代的第i个粒子的速度，
Figure BDA0002166124180000034
表示第k-1次迭代的第i个粒子的位置，pbest表示个体极值的位置，gbest表示全局极值的位置，c1和c2分别表示第一学习因子和第二学习因子，r1和r2分别表示第一随机数和第二随机数。
惯性权重w用于平衡全局和局部搜索能力，较大的惯性权重更倾向于全局搜索，而较小的惯性权重适于局部搜索，所以惯性权重w的取值应随迭代次数增加而逐渐减小。
所述第一学习因子c1：c1＝1.4+0.6×cos(k×π/M)。速度更新公式第二部分
Figure BDA0002166124180000035
取决于微粒当前位置与自身最优位置之间的距离，为“认知”部分，表示微粒本身的思考，即微粒的运动来源于自己经验的部分，因此参数c1称为“认知学习”因子，也即“认知加速”因子。由社会学可知，认知过程是一个变化的过程，其会随着“年龄”的增大而慢慢减弱，所以c1的变化规律也是如此，但是现有的技术中c1是一成不变的。
所述第二学习因子c2：c2＝1.4-0.6×cos(k×π/M)。速度更新公式第三部分
Figure BDA0002166124180000041
取决于粒子当前位置与群体中全局(或局部)最优位置之间的距离，为“社会”部分，表示粒子间的信息共享与相互合作，即粒子的运动来源于群体中其他粒子经验的部分，它通过认知模拟了较好同伴的运动，因此参数c2称为“社会学习”因子，也即“社会加速”因子。由社会学可知，后天的学习会随着“年龄”的增大而慢慢加强，所以c2的变化规律也是如此。
可选的，所述更新每个粒子的位置，得到第k次迭代的每个粒子的位置，具体包括：
利用公式Pm,k＝Pm,max-(Pm,max-Pm,min)×k/M更新变异率，得到第k次迭代的变异率Pm,k，其中，Pm,max和Pm,min分别表示最大变异率和最小变异率，M表示迭代次数阈值；
判断第k次迭代的变异率是否在变异率区间内，得到第三判断结果，若第三判断结果表示第k次迭代的变异率在变异率区间内，则利用第一位置更新公式
Figure BDA0002166124180000042
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，
Figure BDA0002166124180000043
和
Figure BDA0002166124180000044
分别表示第k-1次迭代和第k次迭代的第i个粒子的位置，
Figure BDA0002166124180000045
表示第k次迭代的第i个粒子的速度；
若第一判断结果表示第k次迭代的变异率不在变异率区间内，则利用第二位置更新公式
Figure BDA0002166124180000046
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，N表示粒子的数目。
可选的，所述根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值，具体包括：
根据位置所表示的光伏阵列的输出电压及输出电压与输出电流的关系，计算光伏阵列的输出电流；
根据所述输出电压和所述输出电流，计算光伏阵列的输出功率作为适应度函数值。
可选的，所述利用第k次迭代的速度更新公式更新每个粒子的速度，得到第k次迭代的速度，之后还包括：
判断所述第k次迭代的速度是否小于最小速度，得到第四判断结果；
若所述第四判断结果表示所述第k次迭代的速度小于最小速度，则将第k次迭代的速度更新为所述最小速度；
若所述第四判断结果表示所述第k次迭代的速度不小于最小速度，则判断所述第k次迭代的速度是否大于最大速度，得到第五判断结果；
若所述第五判断结果表示所述第k次迭代的速度大于最大速度，则将第k次迭代的速度更新为所述最大速度。
可选的，所述判断迭代次数k是否大于迭代次数阈值，得到第二判断结果，之前还包括：
判断所述全局极值的适应度函数值是否小于最小适应度函数值，得到第六判断结果；
若所述第六判断结果表示所述全局极值的适应度函数值小于最小适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最小阈值；
若所述第六判断结果表示所述全局极值的适应度函数值不小于最小适应度函数值，则判断所述全局极值的适应度函数值是否大于最大适应度函数值，得到第七判断结果；
若所述第七判断结果表示所述全局极值的适应度函数值大于最大适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最大阈值。
一种光伏阵列的最大功率跟踪控制系统，所述跟踪控制系统包括：
环境参数采集模块，用于采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度；
输出电压与输出电流关系确定模块，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；
最大功率点跟踪模块，用于根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；
控制模块，用于根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
可选的，所述输出电压与输出电流关系确定模块，具体包括：
输出电压与输出电流关系确子定模，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure BDA0002166124180000061
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure BDA0002166124180000062
G表示实际光强，Gnom表示设定的标准的光照强度，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure BDA0002166124180000063
Isc(T)表示实际温度T时的光伏阵列的短路电流。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种光伏阵列的最大功率跟踪控制方法及系统。所述跟踪控制方法，首先根据采集得到的实际光强和实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；然后，基于输出电压与输出电流的关系，采用自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；最后，根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。本发明利用了自适应权重的粒子群算法，跟踪光伏阵列的最大功率点避免了因追踪过程中陷入局部最优，造成功率损失，并无需在初始化阶段通过粒子群算法进行第一个峰值功率的跟踪，减小了最大功率点的跟踪时间。
本发明还设置了自适应变换的变异率，根据变异率调整位置更新的方式，实现了具有多个极值点的局部阴影光伏阵列的最大功率点的迅速有效的搜寻。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种光伏阵列的最大功率跟踪控制方法的流程图；
图2为本发明提供的光伏阵列最大功率跟踪原理图；
图3为本发明提供的多块光伏电池最大功率跟踪示意图；
图4为本发明提供的光伏电池等效模型；
图5为本发明提供的在25℃时不同光照下的I-U特性曲线示意图；
图6为本发明提供的在光强为1000W/m2时不同温度下的I-U特性曲线示意图；
图7为本发明提供的在25℃时不同光照下的P-U特性曲线示意图；
图8为本发明提供的在光强1000W/m2时不同温度下的P-U特性曲线示意图；
图9为本发明提供的两块电池串联的PU特性曲线；
图10为本发明提供的两块光伏电池串联的自适应权重的粒子群算法的寻优结果；
图11为本发明提供的三块电池串联的PU特性曲线；
图12为本发明提供的三块光伏电池串联的自适应权重的粒子群算法的寻优结果；
图13为本发明提供的四块光伏电池串联的初始粒子位置的分布图；
图14为本发明提供的四块光伏电池串联的第7次迭代后的粒子位置的分布图；
图15为本发明提供的四块光伏电池串联的第13次迭代后的粒子位置的分布图；
图16为本发明提供的四块光伏电池串联的第33次迭代后的粒子位置的分布图；
图17为本发明提供的四块光伏电池串联的第50次迭代后的粒子位置的分布图；
图18为本发明提供的标准粒子群算法的寻优结果；
图19为本发明提供的自适应权重的粒子群算法的寻优结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种光伏阵列的最大功率跟踪控制方法及系统，以避免因追踪过程中陷入局部最优，造成功率损失，并减小最大功率点的跟踪时间，实现具有多个极值点的局部阴影光伏阵列的最大功率点的迅速有效的搜寻。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示本发明提供一种光伏阵列的最大功率跟踪控制方法。
首先介绍光伏电池最大功率跟踪原理。最大功率点跟踪原理为即时测量光伏阵列的输出电压和电流，通过最大功率点跟踪(Maximum Power Point Tracking，MPPT)算法自寻优调节阻抗变换器(DC/DC电路)的占空比来调整当前的阻抗，使得等效阻抗与光伏阵列阻抗匹配，由最大功率传输定理可知，此时光伏阵列输出最大功率。即使光伏阵列的温度和光照强度改变使得输出功率随之改变，系统依旧能够工作在当前情况的最佳状态。光伏阵列工作等效电路如图2所示。
光伏系统的最大功率跟踪原理的示意图，如图3所示，图3中曲线α和曲线β分别代表在不同光照条件下的光伏阵列输出特性曲线，两条曲线的最大功率点是A和B，假如当前光伏阵列运行在α曲线A处，外接负载为R1，当光照强度改变时，输出曲线由α变成了β，如果保持负载R1恒定，此时系统则工作在A′点，该点并不是曲线β的最大功率点。为了追踪到当前情况下的最大功率点，需要将负载由R1变换到R2。
当光照强度和温度条件确定时，系统负载对光伏阵列最大功率输出的影响很大，正常状态下实际负载是不可以随意改变的，所以在光伏阵列和实际负载之间加入DC-DC变换器，本发明中以电路结构简单、工作稳定的Boost变换器为例。通过电压闭环调节生成Boost电路开关元件的PWM占空比，使等效负载与光伏阵列阻抗匹配，从而实现最大功率点跟踪。
本发明假设光伏系统负载为纯阻性，并且阻抗变换器的转换效率为100％，阻抗变换如图3。Boost变换器的电阻为：
R′＝RL(1-D)2 (1)
其中：R′为Boost电路等效负载；D为开关元件占空比；RL为实际纯阻性负载。
基于上述原理，本发明提供的跟踪控制方法包括如下步骤：
步骤101，采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度。
步骤102，根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系。
所述根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系，具体包括：
根据光生伏特效应可得出光伏阵列的等效模型，如图4所示，其中Vm、Im、Voc、Isc分别为光伏电池的最大功率点处电压、最大功率点处电流、开路电压、短路电流，这些可根据选定的厂家的光伏电池型号而确定，具体如附图9所示。一般来说光伏电池模块通常由多个光伏电池串联或并联组成，而串联光伏模块可提高电压等级，所以大多数研究都以串联光伏模块为主。图4到图7是三个光伏电池串联在不同温度与光照下的曲线，在IU曲线中，短路电流为曲线与纵轴的交点，开路电压为曲线与横轴的交点；在PU曲线中，曲线与横轴的右交点即为开路电压。分析图5到图8可以得出：(1)由图5可知短路电流与光照强度近似成正比；(2)由图6可知环境温度的改变对光伏电池的开路电压影响较大，开路电压和温度近似成反比；(3)由图7可知，在温度不变的状态下，最大功率点对应电压几乎不受光照变化影响，开路电压基本不变，最大功率点电压大约为开路电压的80％；(4)如图8所示，功率电压曲线有峰点即为光伏电池的最大功率点，随光照和温度改变而改变。
如图4所示，根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure BDA0002166124180000091
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure BDA0002166124180000092
G表示实际光强，Gnom表示设定的标准的光照强度，为1000W/m2，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure BDA0002166124180000101
Isc(T)表示实际温度T时的光伏阵列的短路电流。
步骤103，根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点。
所述根据光伏阵列的输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点，具体包括：
初始化粒子群每个粒子的位置、速度、初始化粒子群的变异率、个体极值和全局极值，并将迭代次数k的数值设置为1；具体的，设种群大小为N，即局部阴影下光伏发电系统连接的光伏电池数目为N，最大迭代次数为M，种群中的每一个粒子表示一个解，将粒子的位置定义阵列输出电压值，其分散定位在N个功率峰值点，前N-1个峰值点对应的电压为0.80Uoc，第N个峰值点对应的阵列电压值大约为0.85Uoc，定义输出功率约束的搜索空间为[Dmin，Dmax]，若种群粒子数目为N，则粒子位置分别为阵列电压U1，U2，···UN。在{m×N-1}光伏阵列中，m为串联数，N-1为并联数，最多有N个可能的峰值点，所以选择N个粒子。
更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式；
利用第k次迭代的速度更新公式更新每个粒子的速度，得到第k次迭代的速度；粒子的速度限制范围为[Vmin，Vmax]，迭代计算过程中如超过边界值，同样用边界值取代，具体的，判断所述第k次迭代的速度是否小于最小速度Vmin，得到第四判断结果；若所述第四判断结果表示所述第k次迭代的速度小于最小速度，则将第k次迭代的速度更新为所述最小速度；若所述第四判断结果表示所述第k次迭代的速度不小于最小速度，则判断所述第k次迭代的速度是否大于最大速度，得到第五判断结果；若所述第五判断结果表示所述第k次迭代的速度大于最大速度Vmax，则将第k次迭代的速度更新为所述最大速度。
更新每个粒子的位置，得到第k次迭代的每个粒子的位置；根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值；
将适应度函数值最大的粒子设置为第k次迭代的个体极值；
判断第k次迭代的个体极值的适应度函数值是否大于全局极值的适应度函数值，得到第一判断结果；
若所述第一判断结果表示第k次迭代的个体极值的适应度函数值大于全局极值的适应度函数值，则将第k次迭代的个体极值设置为全局极值；迭代计算过程中全局极值的适应度函数值超过区间[Dmin，Dmax]的上下限值，则以边界值取代；具体的，判断所述全局极值的适应度函数值是否小于最小适应度函数值Dmin，得到第六判断结果；若所述第六判断结果表示所述全局极值的适应度函数值小于最小适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最小阈值；若所述第六判断结果表示所述全局极值的适应度函数值不小于最小适应度函数值，则判断所述全局极值的适应度函数值是否大于最大适应度函数值Dmax，得到第七判断结果；若所述第七判断结果表示所述全局极值的适应度函数值大于最大适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最大阈值。
判断迭代次数k是否大于迭代次数阈值，得到第二判断结果。
若所述第二判断结果表示迭代次数k不大于预设迭代次数阈值，则令迭代次数k的数值增加1，返回步骤“更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式”。
若所述第二判断结果表示迭代次数大于迭代次数阈值，则输出所述全局极值的位置，作为最大功率点的电压。
其中，所述更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式，具体包括：利用公式wk＝wmax-(wmax-wmim)×(k/M)2更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式
Figure BDA0002166124180000111
M表示迭代次数阈值，wmim和wmax分别表示最小惯性权重和最大惯性权重，wk表示第k次迭代的惯性权重，
Figure BDA0002166124180000112
和
Figure BDA0002166124180000113
分别表示第k-1次迭代和第k次迭代的第i个粒子的速度，
Figure BDA0002166124180000114
表示第k-1次迭代的第i个粒子的位置，pbest表示个体极值的位置，gbest表示全局极值的位置，c1和c2分别表示第一学习因子和第二学习因子，r1和r2分别表示第一随机数和第二随机数。
其中，所述更新每个粒子的位置，得到第k次迭代的每个粒子的位置，具体包括：利用公式Pm,k＝Pm,max-(Pm,max-Pm,min)×k/M更新变异率，得到第k次迭代的变异率Pm,k，其中，Pm,max和Pm,min分别表示最大变异率和最小变异率，M表示迭代次数阈值；判断第k次迭代的变异率是否在变异率区间内，得到第三判断结果，若第三判断结果表示第k次迭代的变异率在变异率区间内，则利用第一位置更新公式
Figure BDA0002166124180000121
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，
Figure BDA0002166124180000122
和
Figure BDA0002166124180000123
分别表示第k-1次迭代和第k次迭代的第i个粒子的位置，
Figure BDA0002166124180000124
表示第k次迭代的第i个粒子的速度；若第一判断结果表示第k次迭代的变异率不在变异率区间内，则利用第二位置更新公式
Figure BDA0002166124180000125
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，N表示粒子的数目。
其中，所述根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值，具体包括：根据位置所表示的光伏阵列的输出电压及输出电压与输出电流的关系，计算光伏阵列的输出电流；根据所述输出电压和所述输出电流，计算光伏阵列的输出功率作为适应度函数值。
步骤104，根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
本发明的光伏系统的电路主要由光伏阵列、包括自适应权重的粒子群算法模块和PWM脉冲信号发生模块的控制模块和Boost变换器和负载组成。
主电路主要通过光伏阵列模块中外界因素，即光照与温度，产生电压和电流，并将其提供给boost电路，随后保存下其他光伏电池相关的信息，通过自适应权重的粒子群算法模块迭代寻优，搜寻到光伏阵列的最大功率点后，把最大功率点处相应的电压和光伏阵列的输出电压相比较形成一个控制信号输入PWM模块的in端，PWM脉冲触发信号模块根据改进PSO-MPPT模块发出的控制信号形成控制Boost电路的占空比，进一步通过电压闭环调节生成Boost电路开关元件的PWM占空比，从而维持boost电路获得稳定的电压与电流。
PWM脉冲触发信号模块根据改进PSO-MPPT模块发出的控制信号形成控制Boost电路的占空比。自适应权重的粒子群算法搜寻到光伏阵列的最大功率点后，把最大功率点处相应的电压和光伏阵列的输出电压相比较形成一个控制信号输入PWM模块的in端，通过电压的闭环调节，把光伏阵列的输出电压调整到粒子群寻找到的最优电压处。
当光照强度和温度条件确定时，系统负载对光伏阵列最大功率输出的影响很大，正常状态下实际负载是不可以随意改变的，所以需要在光伏阵列和实际负载之间加入DC/DC电路。
由于Boost变换器结构简单、工作稳定，所以可以通过电压闭环调节生成Boost电路开关元件的PWM占空比，使等效负载与光伏阵列阻抗匹配，从而实现光伏系统最大功率点跟踪。
一种光伏阵列的最大功率跟踪控制系统，所述跟踪控制系统包括：
环境参数采集模块，用于采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度；
输出电压与输出电流关系确定模块，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；
最大功率点跟踪模块，用于根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；
控制模块，用于根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
可选的，所述输出电压与输出电流关系确定模块，具体包括：
输出电压与输出电流关系确子定模，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure BDA0002166124180000131
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure BDA0002166124180000132
G表示实际光强，Gnom表示设定的标准的光照强度，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure BDA0002166124180000133
Isc(T)表示实际温度T时的光伏阵列的短路电流。
为了检验测试本发明基于自适应权重的粒子群算法在光伏阵列的最大功率点跟踪过程中的性能，本发明首先对多个光伏电池串联组成的光伏阵列展开自适应权重的粒子群算法的最大功率点跟踪的寻优仿真，其次为了体现自适应权重的粒子群算法在局部遮阴条件下最大功率点跟踪的优越性，又将其与标准PSO算法做仿真对比分析。算例分别为两块光伏电池串联、三块光伏电池串联、四块光伏电池串联的光伏组件。
(1)两块电池串联：电池1的光照强度设置为G1＝1000w/m2，温度T1＝25℃；电池2设置为G2＝600w/m2，T2＝25℃。仿真时间设置为50s，两块光伏电池串联的功率电压(PU)曲线如图9所示，自适应权重的粒子群算法寻优结果如图10所示，算法寻优到的最大输出功率为77.2368w，理论上最大输出功率为77.2380w，两者误差不到1％。
(2)三块电池串联：电池1的光照强度设置为G1＝1000w/m2，温度T1＝25℃；电池2设置为G2＝800w/m2，T2＝25℃；电池3设置为G3＝w/m2，T3＝25℃。仿真时间设置为50s，三块光伏电池串联的功率电压(PU)曲线如图11所示，自适应权重的粒子群算法寻优结果，如图12所示，采用本发明的算法跟踪到的最大输出功率为117.9731w，理论值上最大输出功率为118.1587w，误差依旧不超过1％。因此自适应惯性权重粒子群算法完全可以完成局部阴影条件下对光伏阵列最大功率点的全局寻优，并且算法搜寻到的最大功率点的值十分接近理论值，验证了该算法的准确性。
(3)四块电池串联：G1＝1000W/m2，T1＝25℃；G2＝800W/m2，T2＝25℃；G3＝600W/m2，T2＝25℃；G4＝1000W/m2，T4＝25℃，根据发明内容的算法步骤，设置初始粒子数目为4个，迭代最大次数为50次，Uoc为44.2V，Um为35.4V，Isc为5.29A，Im为4.95A，初始位置分布如图13所示，第七次迭代后如图14，第13次迭代后如图15，第33次迭代后如图16，最后一次迭代后如图17。
由图13-17可知，由于有四个不同的光照，所以出现了4个峰值，每一个峰值都代表了一个局部最优解。在迭代过程中四种粒子并没有陷入局部最优，反而朝着最大功率点附近移动，随着迭代次数的增加，粒子越来越接近最大功率点，初步验证本专利所发明算法的准确性。
(4)对比验证：标准粒子群算法与自适应权重的粒子群算法仿真结果分别如下图18和19所示。系统在1s末时增加扰动，使得光照由原来的1000w/m2变为800w/m2；在2s末时，加大扰动，光照由800w/m2变为600w/m2；在2.3秒时，光照恢复为1000w/m2。
由图18可知，标准粒子群算法(Particle Swarm Optimization，PSO)的最大功率跟踪时间长，稳定后最大功率点也有所下降，且其收敛效果较差，收敛时间长，稳定后误差也相对较大。基于自适应权重的PSO算法的最大功率跟踪如图19所示，其MPPT控制具有良好的控制效果，收敛精度和跟踪速度都比较好，稳定后误差也相对较小，不易于陷入局部的极值；当阴影发生变化时，通过重启条件，选择变异更新或者PSO更新能够较快的重新跟踪到新的最大功率点，可适用于各种阴影条件下的MPPT，可以很好地提高光伏系统的发电效率。
本发明以标准粒子群算法理论研究为基础，在此基础上引入自适应权重的粒子群算法来追踪在阴影状态下光伏阵列的最大功率点，并提出了较为具体的自适应权重的粒子群算法的参数设置及流程。同时分别以双块、三块及四块光伏电池进行寻优仿真、标准PSO算法与改进PSO算法跟踪最大功率点进行对比，分析其功率误差，验证本发明算法的可行性。其中以变异率为判断条件，通过自适应权重的粒子群算法的参数设置，另辟蹊径的以峰值点附近为粒子的初始位置点引入变异位置更新公式，使得最大功率损失最小，为光伏系统追踪MPPT提供了一种较为实用的优化算法。
本发明所提出的自适应权重的粒子群算法的进步点在于：
(1)将算法中的某些固定不变的参数改变成适应算法的可变参数，更加贴切算法运行的特点，尤其初始位置的定位，直接减少了大部分的搜索寻找时间；
(2)使用本发明的方法进行光伏系统功率跟踪，能够更精确地跟踪到光伏发电系统的最大功率点，误差小，收敛快，符合实际情况，且能应用到任何具有光伏发电系统的区域中；
(3)最后另辟蹊径的提出自适应变异率这个概念，提出可供选择的变异位置更新和常规PSO位置更新，使得算法在光伏阵列局部阴影的情况下，也能快速的追踪到最大功率点，从而提高了光电转换效率。
本专利中发明方法中未展开的部分，可参考以上方法的对应部分，在此不再详细展开。尽管上面已经展示和描述了本专利的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (8)

1.一种光伏阵列的最大功率跟踪控制方法，其特征在于，所述跟踪控制方法包括如下步骤：
采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度；
根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；
根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；所述自适应权重的粒子群算法利用公式wk＝wmax-(wmax-wmim)×(k/M)2更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式
Figure FDA0002660622730000011
M表示迭代次数阈值，wmim和wmax分别表示最小惯性权重和最大惯性权重，wk表示第k次迭代的惯性权重，
Figure FDA0002660622730000012
和
Figure FDA0002660622730000013
分别表示第k-1次迭代和第k次迭代的第i个粒子的速度，
Figure FDA0002660622730000014
表示第k-1次迭代的第i个粒子的位置，pbest表示个体极值的位置，gbest表示全局极值的位置，c1和c2分别表示第一学习因子和第二学习因子，r1和r2分别表示第一随机数和第二随机数；所述第一学习因子c1：c1＝1.4+0.6×cos(k×π/M)；所述第二学习因子c2：c2＝1.4-0.6×cos(k×π/M)；
自适应权重的粒子群算法中更新每个粒子的位置，得到第k次迭代的每个粒子的位置，具体包括：
利用公式Pm,k＝Pm,max-(Pm,max-Pm,min)×k/M更新变异率，得到第k次迭代的变异率Pm,k，其中，Pm,max和Pm,min分别表示最大变异率和最小变异率，M表示迭代次数阈值；
判断第k次迭代的变异率是否在变异率区间内，得到第三判断结果，若第三判断结果表示第k次迭代的变异率在变异率区间内，则利用第一位置更新公式
Figure FDA0002660622730000015
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，
Figure FDA0002660622730000016
和
Figure FDA0002660622730000017
分别表示第k-1次迭代和第k次迭代的第i个粒子的位置，
Figure FDA0002660622730000018
表示第k次迭代的第i个粒子的速度；
若第一判断结果表示第k次迭代的变异率不在变异率区间内，则利用第二位置更新公式
Figure FDA0002660622730000019
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，N表示粒子的数目；
根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
2.根据权利要求1所述的光伏阵列的最大功率跟踪控制方法，其特征在于，所述根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系，具体包括：
根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure FDA0002660622730000021
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure FDA0002660622730000022
G表示实际光强，Gnom表示设定的标准的光照强度，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure FDA0002660622730000023
Isc(T)表示实际温度T时的光伏阵列的短路电流。
3.根据权利要求1所述的光伏阵列的最大功率跟踪控制方法，其特征在于，所述根据光伏阵列的输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点，具体包括：
初始化粒子群每个粒子的位置、速度、初始化粒子群的变异率、个体极值和全局极值，并将迭代次数k的数值设置为1；
更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式；
利用第k次迭代的速度更新公式更新每个粒子的速度，得到第k次迭代的速度；
更新每个粒子的位置，得到第k次迭代的每个粒子的位置；
根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值；
将适应度函数值最大的粒子设置为第k次迭代的个体极值；
判断第k次迭代的个体极值的适应度函数值是否大于全局极值的适应度函数值，得到第一判断结果；
若所述第一判断结果表示第k次迭代的个体极值的适应度函数值大于全局极值的适应度函数值，则将第k次迭代的个体极值设置为全局极值；
判断迭代次数k是否大于迭代次数阈值，得到第二判断结果；
若所述第二判断结果表示迭代次数k不大于预设迭代次数阈值，则令迭代次数k的数值增加1，返回步骤“更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式”；
若所述第二判断结果表示迭代次数大于迭代次数阈值，则输出所述全局极值的位置，作为最大功率点的电压。
4.根据权利要求3所述的光伏阵列的最大功率跟踪控制方法，其特征在于，所述根据第k次迭代的每个粒子的位置及输出电压与输出电流的关系，计算第k次迭代的每个粒子的适应度函数值，具体包括：
根据位置所表示的光伏阵列的输出电压及输出电压与输出电流的关系，计算光伏阵列的输出电流；
根据所述输出电压和所述输出电流，计算光伏阵列的输出功率作为适应度函数值。
5.根据权利要求3所述的光伏阵列的最大功率跟踪控制方法，其特征在于，所述利用第k次迭代的速度更新公式更新每个粒子的速度，得到第k次迭代的速度，之后还包括：
判断所述第k次迭代的速度是否小于最小速度，得到第四判断结果；
若所述第四判断结果表示所述第k次迭代的速度小于最小速度，则将第k次迭代的速度更新为所述最小速度；
若所述第四判断结果表示所述第k次迭代的速度不小于最小速度，则判断所述第k次迭代的速度是否大于最大速度，得到第五判断结果；
若所述第五判断结果表示所述第k次迭代的速度大于最大速度，则将第k次迭代的速度更新为所述最大速度。
6.根据权利要求3所述的光伏阵列的最大功率跟踪控制方法，其特征在于，所述判断迭代次数k是否大于迭代次数阈值，得到第二判断结果，之前还包括：
判断所述全局极值的适应度函数值是否小于最小适应度函数值，得到第六判断结果；
若所述第六判断结果表示所述全局极值的适应度函数值小于最小适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最小阈值；
若所述第六判断结果表示所述全局极值的适应度函数值不小于最小适应度函数值，则判断所述全局极值的适应度函数值是否大于最大适应度函数值，得到第七判断结果；
若所述第七判断结果表示所述全局极值的适应度函数值大于最大适应度函数值，则将所述全局极值的适应度函数值更新为所述适应度函数最大阈值。
7.一种光伏阵列的最大功率跟踪控制系统，其特征在于，所述跟踪控制系统包括：
环境参数采集模块，用于采集光伏阵列所在环境的实际光强和光伏阵列表面的实际温度；
输出电压与输出电流关系确定模块，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系；
最大功率点跟踪模块，用于根据所述输出电压与输出电流的关系，采用以输出电压为粒子位置，以光伏阵列的输出功率为适应度函数值的自适应权重的粒子群算法，跟踪光伏阵列的最大功率点；所述自适应权重的粒子群算法利用公式wk＝wmax-(wmax-wmim)×(k/M)2更新速度更新公式的惯性权重，得到第k次迭代的速度更新公式
Figure FDA0002660622730000051
M表示迭代次数阈值，wmim和wmax分别表示最小惯性权重和最大惯性权重，wk表示第k次迭代的惯性权重，
Figure FDA0002660622730000052
和
Figure FDA0002660622730000053
分别表示第k-1次迭代和第k次迭代的第i个粒子的速度，
Figure FDA0002660622730000054
表示第k-1次迭代的第i个粒子的位置，pbest表示个体极值的位置，gbest表示全局极值的位置，c1和c2分别表示第一学习因子和第二学习因子，r1和r2分别表示第一随机数和第二随机数；所述第一学习因子c1：c1＝1.4+0.6×cos(k×π/M)；所述第二学习因子c2：c2＝1.4-0.6×cos(k×π/M)；
自适应权重的粒子群算法中更新每个粒子的位置，得到第k次迭代的每个粒子的位置，具体包括：
利用公式Pm,k＝Pm,max-(Pm,max-Pm,min)×k/M更新变异率，得到第k次迭代的变异率Pm,k，其中，Pm,max和Pm,min分别表示最大变异率和最小变异率，M表示迭代次数阈值；
判断第k次迭代的变异率是否在变异率区间内，得到第三判断结果，若第三判断结果表示第k次迭代的变异率在变异率区间内，则利用第一位置更新公式
Figure FDA0002660622730000055
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，
Figure FDA0002660622730000056
和
Figure FDA0002660622730000057
分别表示第k-1次迭代和第k次迭代的第i个粒子的位置，
Figure FDA0002660622730000058
表示第k次迭代的第i个粒子的速度；
若第一判断结果表示第k次迭代的变异率不在变异率区间内，则利用第二位置更新公式
Figure FDA0002660622730000059
更新每个粒子的位置，得到第k次迭代的每个粒子的位置，其中，N表示粒子的数目；
控制模块，用于根据所述最大功率点的输出电压，调整设置于光伏阵列和负载之间的DC-DC变换器的变压比，使光伏阵列在所述最大功率点工作。
8.根据权利要求7所述的光伏阵列的最大功率跟踪控制系统，其特征在于，所述输出电压与输出电流关系确定模块，具体包括：
输出电压与输出电流关系确子定模，用于根据所述实际光强和所述实际温度，利用光生伏特效应，确定光伏阵列的输出电压与输出电流的关系为：
Figure FDA00026606227300000510
其中，I表示光伏阵列的输出电流，U为光伏阵列的输出电压，T表示实际温度，q表示单个电子所含的电荷量，K表示玻尔兹曼常数，n表示光伏阵列的理想因数，Rs表示光伏阵列的内阻，Io表示光伏阵列的反向饱和电流；Iph表示光伏阵列在实际温度T时的光生电流，Iph＝Iph(T1)[1+ko(T-T1)]，T1表示光伏阵列表面的理想温度，
Figure FDA0002660622730000061
G表示实际光强，Gnom表示设定的标准的光照强度，Iph(T1)表示光伏阵列在理想温度T1和实际光强G时的光生电流，Isc(T1)表示理想温度T1时的光伏阵列的短路电流，ko表示光伏阵列的输出电流与实际温度的相关系数，
Figure FDA0002660622730000062
Isc(T)表示实际温度T时的光伏阵列的短路电流。
CN201910747654.3A 2019-08-14 2019-08-14 一种光伏阵列的最大功率跟踪控制方法及系统 Expired - Fee Related CN110286708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910747654.3A CN110286708B (zh) 2019-08-14 2019-08-14 一种光伏阵列的最大功率跟踪控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910747654.3A CN110286708B (zh) 2019-08-14 2019-08-14 一种光伏阵列的最大功率跟踪控制方法及系统

Publications (2)

Publication Number Publication Date
CN110286708A CN110286708A (zh) 2019-09-27
CN110286708B true CN110286708B (zh) 2021-01-05

Family

ID=68025182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910747654.3A Expired - Fee Related CN110286708B (zh) 2019-08-14 2019-08-14 一种光伏阵列的最大功率跟踪控制方法及系统

Country Status (1)

Country Link
CN (1) CN110286708B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679713B (zh) * 2020-06-28 2022-03-08 齐鲁工业大学 一种直接计算的光伏最大功率点跟踪方法
CN112732007A (zh) * 2020-12-10 2021-04-30 深圳先进技术研究院 光伏电池的最大功率点的跟踪控制方法及系统
CN114510111B (zh) * 2021-12-29 2023-09-12 北京华能新锐控制技术有限公司 部分遮阳光伏阵列的全局mppt控制方法与装置
CN114911301B (zh) * 2022-04-27 2024-08-16 深圳市正浩创新科技股份有限公司 最大功率跟踪控制方法、光伏系统及储能设备
CN118295486A (zh) * 2024-04-03 2024-07-05 东南大学 一种适用于光伏最大能量采集智能跟踪方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104317348B (zh) * 2014-10-28 2016-04-27 重庆理工大学 基于粒子群算法的光伏电池板最大功率跟踪方法及系统
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法
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
CN108398982B (zh) * 2018-01-30 2019-10-18 上海电力学院 一种局部阴影下光伏阵列的最大功率跟踪方法

Also Published As

Publication number Publication date
CN110286708A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110286708B (zh) 一种光伏阵列的最大功率跟踪控制方法及系统
Javed et al. A novel MPPT design using generalized pattern search for partial shading
Kamarzaman et al. A comprehensive review of maximum power point tracking algorithms for photovoltaic systems
CN113342124B (zh) 基于改进灰狼优化算法的光伏mppt方法
Jouda et al. Optimization of scaling factors of fuzzy–MPPT controller for stand-alone photovoltaic system by particle swarm optimization
CN105867514B (zh) 一种光伏系统多峰值最大功率跟踪方法及系统
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
CN109697299A (zh) 一种自适应惯性权重混沌粒子群算法
CN105930918B (zh) 应用于多峰mppt的整体分布-粒子群优化算法
CN110471487A (zh) 一种基于自适应粒子群算法在光伏阵列多峰值系统mppt的控制方法
TWI391807B (zh) 太陽光電發電系統之最大功率追蹤系統及方法
Pachaivannan et al. Certain investigations of ANFIS assisted CPHO algorithm tuned MPPT controller for PV arrays under partial shading conditions
CN112711294B (zh) 一种局部遮挡下光伏阵列全局最大功率点追踪方法
Ahmed et al. PSO-SMC controller based GMPPT technique for photovoltaic panel under partial shading effect
Abderrahim et al. A New Improved Variable Step Size MPPT Method for Photovoltaic Systems Using Grey Wolf and Whale Optimization Technique Based PID Controller.
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
CN112596574B (zh) 基于分层鸽群算法的光伏最大功率跟踪方法及装置
Al Nabulsi et al. Single input fuzzy controller (SFLC) based maximum power point tracking
CN111694396A (zh) 一种基于分子运动轨迹搜索算法的mppt控制
CN114217663B (zh) 光伏系统最大功率点跟踪平行控制方法与装置
TWI721864B (zh) 太陽光電裝置及使用粒子群最佳化演算法之最大功率追蹤方法
Neethu et al. Comparison method of PSO and DE optimization for MPPT in PV systems under partial shading conditions
Huang et al. A maximum power Point tracking strategy for photovoltaic system based on improved artificial jellyfish search optimizer
Divyasharon et al. Design and analysis of LSANN-IPOMPPT with zeta converter in PV systems for fluctuating atmospheric circumstances
Yılmaz et al. PSO training neural network MPPT with CUK converter topology for stand-alone PV systems under varying load and climatic conditions

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210105