CN113419593B - 一种局部阴影条件下最大功率点跟踪方法 - Google Patents

Abstract

本发明涉及一种局部阴影条件下最大功率点跟踪方法，包括：1)结合局部阴影下的光伏阵列电流‑电压特性，构建光伏电池模型、升压电路模型和基于和声搜索算法的控制器模型；2)初始化自适应和声搜索算法的参数，并初始化和声记忆库，将寻优的初始电压值作为和声，生成新和声向量，进而获取更新电压；3)对和声记忆库中的和声向量进行更新；4)判断是否达到算法终止标准，若是，则输出最优电压，追踪到全局最大功率点，否则，继续生成新和声向量并更新和声记忆库，直至达到算法终止标准。与现有技术相比，本发明具有提高跟踪速度和精度，提升太阳能利用率等优点。

Description

一种局部阴影条件下最大功率点跟踪方法

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条件下最大功率点跟踪方法。

背景技术

随着社会的发展，能源和环境问题越来越突出，太阳能作为一种可再生能源有很好的应用前景。但光伏电池的光电转换效率较低，且输出功率与日照强度及环境温度都有很大关系，具有明显的非线性，需要在光伏器件和负载之间连接最大功率点跟踪(MPPT)电路，以充分发挥光伏电池的功效。目前常用的MPPT控制算法有恒定电压跟踪控制法、扰动观察法及电导增量法等。

局部阴影条件下，光伏发电P-V曲线呈多峰值变化，恒定电压法需要工作与特定的光照条件下，对于局部阴影条件下跟踪精度差，功率损失大；扰动观察法和电导增量法对于单峰P-V曲线下的最大功率跟踪精度高，但是对于局部阴影下的多峰值的P-V曲线只能跟踪到第一个功率峰值点，而无法对后面功率峰值点进行跟踪，会陷入局部最优的情况，从而无法获得最大的光伏能量，发电效率低；而一些智能算法如粒子群优化算法、人工蜂群优化算法、随机蛙跳算法虽然能追踪到全局最优，但是其参数设置复杂，也有一定概率陷入局部最优。

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条件下最大功率点跟踪方法。

本发明的目的可以通过以下技术方案来实现：

一种局部阴影条件下最大功率点跟踪方法，该方法包括如下步骤：

步骤一、初始化自适应和声搜索算法的参数。

算法参数设置包括和声记忆库大小HMS、和声记忆库考虑概率HMCR、音调微调概率PAR_max(微调最大概率)与PAR_min(微调最小概率)、音调微调幅度BW_max(微调最大幅度)与BW_min(微调最小幅度)、最大迭代次数NI。

作为优选方案，HMS取5，和声记忆库考虑概率HMCR＝0.3，音调微调概率PAR_max＝0.5，PAR_min＝0.1，音调微调幅度BW_max＝1.4，BW_min＝0.1，最大迭代次数NI＝100。

步骤二、初始化和声记忆库HMS。

和声记忆库(Harmony memory，HM)由HMS个随机产生的和声向量(解向量)构成，表示为以下公式：

其中，每个和声{x¹，x²，L，x^HMS}表示为寻优的初始电压值；f(x)为适应度函数，目标适应度函数表示为f(xⁱ)＝P(U_pv)＝U_pv*I_pv。

步骤三、生成新和声。

新的和声解向量是基于和声记忆库考虑概率HMCR、音调微调概率PAR和音调微调幅度BW进行即兴创作，即对当前电压U_pv进行一定步长的调整，其更新公式为：

式中，x^new表示更新储存在和声中的电压值；x^HMS表示HM中第HMS个和声向量，此处HMS＝5；U_oc为光伏电池开路电压；r₁与rand(1)表示在[0,1]之间产生一个随机数。

PAR动态变化公式为：

式中，PAR(t)表示随着迭代音调微调概率PAR的非线性递减的变化，PAR_max与PAR_min分别为0.5与0.1，t表示当前迭代次数。

BW动态变化公式为：

BW(t)＝(BW_max-BW_min)e^-t+BW_min

式中，BW(t)表示随着迭代音调微调幅度BW的非线性递减的变化，BW_max与BW_min分别为1.4与0.1，t表示当前迭代次数。

由上得到一个和声变量，若这个和声变量是从和声库中得到的，就需要对这个和声变量进行微调；否则，不做任何调整；x^new更新公式为：

式中，r₂为[0，1]之间产生一个随机数。

步骤四、更新和声记忆库(HM)。

在该步骤中，确定存储在HM中的最差和声x^worst，对新产生的和声x^new，进行适应度函数评估，如果f(x^new)＞f(x^worst)，则用x^new替换x^worst，并将其更新至HM，否则，不进行任何操作，进行下一次的和声创作。

步骤五、检查算法是否终止。

当没有达到终止标准时，即没有达到最大优化次数(最大迭代次数NI)，将返回步骤三和步骤四，重新进行操作，直到达到终止标准；最后输出最优电压，追踪到全局最大功率点。

本发明提供的局部阴影条件下最大功率点跟踪方法，相较于现有技术至少包括如下有益效果：

1)本发明利用了仿人类行为机制的改进和声搜索算法全局搜索能力强，收敛速度快的特点应用到局部阴影下的光伏发电MPPT中，避免了陷入局部最优，提高了跟踪速度和精度，提升了太阳能利用率。

2)和声搜索算法是仿人类智能的优化算法，通过反复调整记忆库中的解变量，使函数值随着迭代次数的增加不断收敛，从而来完成优化；算法概念简单、可调参数少、容易实现，通过对参数PAR和BW的自适应设置，能有效让算法跳出局部最优，提高跟踪精度和收敛速度，最终跟踪到全局的最大功率点。

附图说明

图1为实施例中光伏MPPT仿真模型图；

图2为实施例中局部阴影光伏电池仿真模型图；

图3为实施例中局部阴影下的P-V曲线图；

图4为实施例中本发明局部阴影条件下最大功率点跟踪方法的流程示意图；

图5为实施例中本发明利用自适应和声搜索算法的MPPT效果图。

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。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本发明涉及一种局部阴影条件下最大功率点跟踪方法，该方法基于自适应和声搜索算法实现，本实施例首先通过软件建立光伏电池模型、升压电路模型、基于HS的MPPT控制器模型，其中，光伏电池模型、升压电路模型为现有技术。基于HS的MPPT控制器模型原理为：由HS算法代码，电压外环电流内环比较模块，占空比转换模块组成，Mppt算法通过迭代计算得出当前寻优电压V，与光伏电池电压V_pv进行作差比较，形成电压外环，其差值经过PI调节后再与光伏电池电流I_pv作差，形成电流内环，作差后放大系数为15，经过增益后的值作为分子，除以分母50，输出d’。电压外环保证输出电压稳定，电流内环小范围内进行采样反馈，保证波形稳定。最终通过比较后的电压对锯齿波进行占空比d调节，控制Mosfet器件开断。其次，在光伏电池模型中模拟局部阴影情况，标准温度25℃下，对三块光伏面板分别给定1000W/m²、600W/m²和300W/m²的不同光照强度；最后，测量输入量V_pv和I_pv，计算当前功率P(V_pv)＝V_pv*I_pv，通过MPPT控制器的和声搜索算法在比较P的适应度函数f(V_pv)大小对电压V_pv进行迭代优化调整，从而输出最优占电压V_best，实现获得全局最大功率P_max。

下面结合具体实例对本发明的具体实施方式进行详细说明，首先如图1所示，用Matlab/Simulink建立了光伏MPPT仿真模型，光伏电池为三块的光伏电池模块串联，其开路电压V_oc＝37.92V，短路电流I_sc＝8.62A，参数设置如图2所示，T1＝T2＝T3＝25℃，S1＝1000W/m²，S2＝600W/m²，S3＝300W/m²，以此模拟局部阴影情况；然后，通过测量模型中的V_pv，I_pv作为输入量，输入到MPPT算法模块中进行迭代寻优，输出当前电压V，再用当前电压V通过双闭环控制转换成占空比控制Mosfet器件开断，进行最优电压调整，从而进行最大功率点跟踪。

本发明使用的局部阴影光伏模型的P-V曲线如图3所示，纵坐标为功率P，横坐标为电压V，表示在局部阴影的三种光照强度1000W/m²、600W/m²、300W/m²照射下测量出的P-V曲线呈三峰值状态，其中最大功率点的峰值点为104.5W，对应的最优电压为21.01V。

本发明方法控制框图如图4所示，具体步骤如下：

S1：初始化算法参数。

算法参数包括和声记忆库大小HMS，即解向量的个数；最大迭代次数NI＝300；和声记忆库考虑概率HMCR、音调微调概率PAR和音调微调幅度BW。

S2：初始化和声记忆库HMS。

和声记忆库(Harmony memory，HM)由HMS个随机产生的和声向量(解向量)构成，表示为以下公式：

HS(Harmony Search)算法(和声搜索算法)中，X¹,X²,…X^HMS为种群大小；每个种群随机和声音调

为n维向量；在光伏MPPT算法中维度n为1，所以在光伏模型中HM公式为；

使xⁱ在[0,U_oc]区间内均匀分布，由经验可知，最大功率点通常在0.7V_oc＝26V附近产生，在0.7V_oc附近设置HMS＝5个初始和声，每个和声的初始电压值为{x¹，x²，x³，x⁴，x⁵}＝[18，22，26，30，34]；f(x)为适应度函数，目标适应度函数表示为f(xⁱ)＝P(V_pv)＝V_pv*I_pv。

S3：生成新和声。

新的和声解向量是基于HMCR、PAR和BW进行即兴创作，即对当前电压U_pv进行一定步长的调整；HMCR取0.3，HMCR偏小有利于种群多样性，提高全局能力；若r₁<HMCR，从和声记忆库中随机取出一个和声变量；否则，从解空间随机生成一个和声变量，使其从外部取值，可以避免陷入局部最优，其更新公式为：

其中，r₁为在[0,1]之间产生一个随机数，与HMCR进行比较。

对于PAR的设置，在HS算法搜索的初期，较小的PAR有利于算法快速地搜寻功率较大的区域，而在HS算法搜索的后期，采用较大的PAR有利于算法跳出局部极值，跟踪到全局最大功率点，设置PAR_min＝0.1,PAR_max＝0.5，使PAR(t)随迭代次数增加而减小，t为当前迭代次数，t∈[0,NI]，按此公式动态变化：

对于BW的设置，在算法搜索初期，采用较大的BW有利于算法在较大范围内探索，能够对所有的功率极值点进行优美和声存储与对比，加强全局性；在算法搜索后期，采用较小的BW有利于算法小范围内的精细搜索，提高最大功率跟踪精度。使BW(t)随迭代次数增加而减小，设置BW_min＝0.5，BW_max＝3，t为当前迭代次数，t∈[0，NI]，按此公式动态变化：BW(t)＝(BW_max-BW_min)e^-t+BW_min。

由上得到一个和声变量，若这个和声变量是从和声库中得到的，就需要对这个和声变量进行微调；否则，不做任何调整；

更新公式为：

其中，r₂为[0，1]之间产生一个随机数，若r₂<PAR(t)，根据微调带宽BW来对得到的和声变量进行调整，得到一个新的和声变量，对应一个新的电压值Upv。

S4：更新和声记忆库(HM)。

在该步骤中，确定存储在HM中的最差和声x^worst，对新产生的和声x^new，表示的是当前电压U_pv，进行适应度函数评估，如果f(x^new)＞f(x^worst)，表示当前电压值下获得的功率P更大，则用x^new替换x^worst，并将其更新至HM，否则，不进行任何操作，进行下一次的和声创作。

S5：检查算法是否终止。

当没有达到终止标准(即最大优化次数)时，将返回步骤S3和步骤S4，重新进行操作，直到达到终止标准，输出最优电压，追踪到全局最大功率点。

基于自适应和声搜索算法的MPPT效果图如图5所示，结合图3的P-V曲线可知，此时输出的最优电压V_best＝21.01V使MPPT跟踪到了全局最大功率点P_max＝104.5W，证明了该算法在多峰值曲线全局搜索方面的有效性。

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 (6)

1.一种局部阴影条件下最大功率点跟踪方法，其特征在于，包括下列步骤：

1)结合局部阴影下的光伏阵列电流-电压特性，构建光伏电池模型、升压电路模型和基于和声搜索算法的控制器模型；

2)初始化自适应和声搜索算法的参数，并初始化和声记忆库，将寻优的初始电压值作为和声，生成新和声向量，进而获取更新电压；所述自适应和声搜索算法的参数包括和声记忆库大小HMS、和声记忆库考虑概率HMCR、音调微调概率PAR、音调微调幅度BW和最大迭代次数NI；

和声记忆库由HMS个随机产生的和声向量构成，初始化和声记忆库的表达式为：

式中，HM为和声记忆库，每个和声{x¹，x²，L，x^HMS}为寻优的初始电压值；f(x)为适应度函数，目标适应度函数为f(xⁱ)＝P(U_pv)＝U_pv*I_pv，P(U_pv)为当前功率，U_pv为当前输入电压，I_pv为当前输入电流；

所述新和声向量基于和声记忆库考虑概率HMCR、音调微调概率PAR和音调微调幅度BW进行即兴创作生成；生成新和声向量的具体内容为：

首先对当前输入电压U_pv进行调整，其更新公式为：

式中，x^new为更新储存在和声中的电压值；x^HMS为HM中第HMS个和声向量，U_oc为光伏电池开路电压，r₁与rand(1)为在[0,1]之间产生的一个随机数；

随后获取动态变化的音调微调概率PAR和音调微调幅度BW；

基于调整的当前输入电压U_pv、动态变化的音调微调概率PAR和音调微调幅度BW得到一个和声变量；

对和声变量判断是否需要进行下一步调整，若和声变量是从和声库中得到的，则对该和声变量进行微调，生成新和声变量；否则，不做任何调整，保留原始和声变量；

3)对和声记忆库中的和声向量进行更新；

4)判断是否达到算法终止标准，若是，则输出最优电压，追踪到全局最大功率点，否则，继续生成新和声向量并更新和声记忆库，直至达到算法终止标准。

2.根据权利要求1所述的局部阴影条件下最大功率点跟踪方法，其特征在于，

音调微调概率PAR的动态变化表达式为：

式中，PAR(t)表示随着迭代音调微调概率PAR的非线性递减的变化，PAR_max与PAR_min分别为音调微调概率最大值和最小值，t为当前迭代次数；

音调微调幅度BW的动态变化表达式为：

BW(t)＝(BW_max-BW_min)e^-t+BW_min

式中，BW(t)为随着迭代音调微调幅度BW的非线性递减的变化，BW_max与BW_min分别为音调微调最大幅度和音调微调最小幅度，t为当前迭代次数。

3.根据权利要求2所述的局部阴影条件下最大功率点跟踪方法，其特征在于，若得到的和声变量是从和声库中得到的，则对该和声变量进行微调，生成新和声变量；否则，不做任何调整。

4.根据权利要求3所述的局部阴影条件下最大功率点跟踪方法，其特征在于，进行微调后生成的新和声变量x^new2的表达式为：

式中，r₂为[0，1]之间产生一个随机数。

5.根据权利要求3所述的局部阴影条件下最大功率点跟踪方法，其特征在于，更新和声记忆库的具体内容为：

确定存储在和声记忆库HM中的最差和声x^worst，对新和声变量x^new进行适应度函数评估，若适应度f(x^new)＞f(x^worst)，则用新和声变量x^new替换最差和声x^worst，并将其更新至和声记忆库HM，否则，不进行任何操作，进行下一次的和声创作。

6.根据权利要求3所述的局部阴影条件下最大功率点跟踪方法，其特征在于，步骤4)中，若算法运行没有达到最大迭代次数NI，则继续生成新和声向量并更新和声记忆库，直至达到算法终止标准；若算法运行达到了最大迭代次数NI，则输出最优电压，追踪到全局最大功率点。

Images