CN112631365B - 一种基于scasl的光伏发电多峰值mppt控制方法 - Google Patents

Abstract

本发明公开了一种基于SCASL的光伏发电多峰值MPPT控制方法，其方法是利用自学习策略和Lévy飞行的正弦余弦优化算法，在基于该算法的局部搜索和全局探索的基础上，对最大功率点(Maximum Power Point，MPP)进行更快更精准的追踪，完成对局部阴影光伏阵列的MPPT的改进。本发明可以相较于粒子群算法，表现出良好的性能，尤其是架构简单，控制参数少，计算效率高，追踪速度。

Description

一种基于SCASL的光伏发电多峰值MPPT控制方法

技术领域

本发明涉及用算法控制局部阴影光伏阵列的MPPT优化方法， 具体涉及一种基于SCASL的光伏发电多峰值MPPT控制方法。

背景技术

目前，从清洁能源中提取电能被认为是一种有效的、有效的能源。 但是由于传统能源(石油和天然气)仍然是当今发展中最重要的推动 力，所以提高清洁能源是现在新的努力发展必须要解决问题。石油和 天然气对地球上的生命产生了巨大的环境负面影响。在主要可利用的 绿色资源(太阳能、风能、生物质、水力和地热)，太阳能是其中之一 最有前途的可再生能源，这是由于阳光照射到地球表面产生的能量转 换成的电能远远大于世界能源消耗。实际上，如果太阳能系统仅覆盖 地球表面的0.1％，效率为10％，它将足以满足我们目前的能源需求。 例如，在西班牙东南部，它的温室目前是由能源消耗产生的二氧化碳 排放但是如果使用太阳能其扇区将完全消失。此外，太阳能是独一无 二的可利用资源，在太阳系探测领域中，是目前的一个重要课题研究 课题。由于这些原因，太阳能的使用在过去几年中呈指数级增长。此 外，太阳能需要更少的维护，它的实施比其他可再生能源更容易。但 是，太阳能电池的效率很低，而且电能的输送依赖于环境辐射和温度。 因此，有必要从太阳能中提取最大可用功率，有几种跟踪最大功率点 的技术，这就是所谓的最大功率点跟踪算法。最传统的MPPT寻优的 方法例如恒定电压法，扰动观察法，电导增量法等，无法在多峰情况 下保证能找到最优点。所以产生了将智能算法代入其中寻找最优点的 想法。

早期的算法例如PSO算法，退火算法，遗传算法等，因为提出时 间较早所以如今也很难快速追踪到最优值并且也因为算法自身问题 很难跳出局部最优，搜索到真正的最大功率点。

本研究涉及一种基于SCASL的光伏发电多峰值MPPT控制方法， 该算法相较于传统算法，参数更少，精准度更高，搜索速度更快。

发明内容

针对之前局部阴光伏阵列MPPT的技术问题。本发明公开了一种 基于SCASL的光伏发电多峰值MPPT控制方法，将自学习策略和 Lévy飞行引入到正余弦算法中，以获得可以相较于PSO算法更好地 性能。

本发明解决上述技术的方案是：

首先将电路本身的参数进行修正，可以使算法在最优状态下进行 测试。

通过将PSO算法追踪光伏阵列最大功率点的方法实现，再将本 专利所用的算法进行对比。

本发明的技术效果在于：本发明利用自学习策略和Lévy飞行的 正余弦优化算法，利用自学习策略和Lévy飞行可以更好的使正余弦 算法在MPPT过程中可以避免陷入停滞，更好地扩大搜索范围跳出局 部最优点，而找到全局最优点。

本发明的适用领域：本发明可以运用在大部分需要用电的地方， 主要是农业用电例如光伏大棚，通讯用电例如光缆维护站供电系统， 家庭用电例如光伏系统，光伏电站等方面。

附图说明

图1为本发明局部阴影光伏阵列MPPT优化方法原理流程图。

图2为本发明主电路结构图。

图3为本发明Buck-Boost电路仿真模型。

具体实施方式

下面结合附图，对本发明作进一步的详细说明。

考虑到基础的正余弦算法无法在多峰的MPPT中可以更快地搜索 到全局最优的点，所以引入自学习策略，将实际的情况与算法结合。 本专利引入复合因子，是考虑生活中光伏板的阴影是不固定的随时间 和空间影响。例如常见的落叶、鸟粪、云朵和阳光照射角度等多方面。 图1所示是局部阴影光伏阵列的MPPT优化方法流程图。其具体实现 步骤如下：

第1步：正余弦算法在建立寻优时候的个体位置更新模型：

r₁＝a·(1-t/t_max)

X_ij ^t为第t代种群的第i个搜索个体的第j维位置，X_jbest为当 前最优个体的第j维位置，t为迭代次数，t_max为最大迭代次数。

第2步：将自学习环节引入正余弦算法中，其搜索个体位置更新 模型：

所以引入自学习策略是因为复合因子的影响，将实际的情况与算 法结合是考虑生活中光伏板的阴影是不固定的随时间和空间影响。基 本的正余弦算法无法高效有用的进行局部搜索。

第3步：当算法陷入停滞时将Lévy飞行引入正余弦算法中，其 策略模型为：

将布谷鸟算法中的Lévy飞行代入正余弦算法中，是为了可以让 占空比的运动呈现更大范围和更多可能性，这也是因为复合因子的影 响在本专利中又一种全新的结合。

第4步：设置种群数目也就是所需粒子个数，其个数基本与光伏 阵列板的数量相等。同时设置迭代次数、维度、公式中的比例因子值 和Lévy飞行的指数(比例因子和飞行指数需要反复测试)。

第5步：设置个体的移动的边界，P_min＝0.1，P_max＝0,9。设置个体 位置六个个体可以设置为[0.2,0.3,0.4,0.5,0.6,0.7]。

第6步：实时采集光伏板的电压和电流通过主电路模块中的乘法 模块得出实时功率。

第7步：更新最优个体的占空比和每个个体的历史最右占空比。

第8步：判断算法是否陷入停滞。是则代入有Lévy飞行的正余 弦算法中；否则代入有自学习策略的正余弦算法中更新控制参数。

第9步：更新最新的搜索个体的位置。

第10步：更新最新的的输出功率也就是算法的适应度值。

第11步：输出最好的占空比。

第12步：如果发生阴影变化则重启算法，重新使算法收敛到最 大输出功率点。重启初始化条件的判断公式如下：

P_real代表当前最新测得的功率，P_NowB代表当前最优功率。

图2为本发明主电路结构图。首先建立光伏电路板，根据光伏板 所受到的光照强度和环境温度，此刻光伏阵列可以呈现出多峰的P-V 曲线。同时本发明是以自学习策略和Lévy飞行的正余弦优化算法作 为电路MPPT模块。再得到输出电流和输出电压通过PWM模块和 Buck-Boost电路，实现光伏阵列的最大功率点追踪。

本专利改变了现在常见的Boost电路而使用Buck-Boost电路目 的是为了使输出电压保持稳定，可以在引入算法去追踪最大功率点时 候更快地追踪到。同时Buck-Boost电路的输入电压的范围较大，可 以更好地应用到实际当中，在实际中光伏板收到的光照强度不同，可 能一瞬间温度急速上升，输入电压可能会急速上升，从而需要一个较 宽的输入电压范围。

本专利在现在常见的结构中加入了太阳能储存模块，这样是考虑 到在光伏中，一些家庭的光伏设备不能大规模的将太阳能转换成电能， 所以储存起来再次进行转换，再在无阳光天气情况下，寻找最大功率 点，进行转换，进一步提高太阳能利用效率。

如图3所示，图3为Buck-Boost电路模型，其中L、Ci、Co和 Ro参数调整步骤如下：

步骤1：首先该电路四个参数可以在扰动观察法中进行计算，更 加简单方便，计算出的结果也可以用在本专利的Boost电路中。

步骤2：求L的公式如下：

步骤3：求C_i的公式如下：

步骤4：求C_o和R_o的公式如下：

Claims (1)

1.一种基于自学习策略和Lévy的正余弦优化算法(Sine cosine optimizationalgorithm with self-learning strategy and Lévy flight，SCASL)的光伏发电多峰值MPPT控制方法，其特征在于自学习策略和Lévy的正余弦优化方法是在基于正弦余弦优化算法的基础上，加入了Lévy飞行和自学习方法，可以摆脱正弦余弦算法陷入局部搜索，再对MPPT进行追踪，首先利用MATLAB软件搭出电路模型，然后再将利用的SCASL算法带入到这个模型中来，最后完成对太阳能电池最大功率点的捕捉，改进后的智能算法相对于粒子群算法具有更快的 响应时间并且更加稳定；

步骤1：基于自学习策略和Lévy飞行的正弦余弦优化算法的局部阴影光伏阵列MPPT方法，四种不同工作模式；

步骤2：基于自学习策略和Lévy飞行的正弦余弦优化算法的局部阴影光伏阵列MPPT方法，搭出光伏阵列的电压电流和功率的输出曲线的电路模型：首先搭建6个光伏板，设置参数，连接示波器，分别导出输出电流，输出电压和输出功率；

步骤3：基于自学习策略和Lévy飞行的正弦余弦优化算法的局部阴影光伏阵列MPPT方法，搭出光伏MPPT电路结构图：由光伏阵列板，汇流器，PWM电路模块和Boost电路模块，MPPT模块以及示波器组成；

步骤4：基于自学习策略和Lévy飞行的正弦余弦优化算法的局部阴影光伏阵列MPPT方法，在SCASL算法使最大功率点(Maximum power point，MPP)到达稳态后，发生阴影面积变化后，能再次重启算法，到达新的MPP并稳定。

Images