CN114115418A - 光伏系统最大功率点递阶跟踪方法与装置 - Google Patents

Abstract

本发明提供一种光伏系统最大功率点递阶跟踪方法与装置，属于光伏发电技术领域。本发明的方法包括：光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；基于P&O算法实现GMPP的快速定位；基于文化算法的精准搜索实现GMPP的无差跟踪。本发明的方法充分考虑了光伏阵列均匀光照和局部遮挡等不同辐照条件，构建了融合P&O算法和文化算法的递阶MPPT结构。首先通过P&O算法对GMPP大致位置进行快速定位，然后在定位的范围内采用文化算法进行精确搜索。本发明的跟踪方法以实现任何遮挡情况下GMPP的快速精确跟踪，该递阶MPPT方法可有效提高光伏系统GMPP跟踪过程的快速性和精确性，为提高光伏系统的发电效率和并网稳定性等奠定基础。

Description

光伏系统最大功率点递阶跟踪方法与装置

技术领域

本发明属于光伏发电技术领域，具体涉及一种光伏系统最大功率点递阶跟踪方法与装置。

背景技术

化石燃料的广泛使用、温室气体排放和煤炭储量的减少使风能、太阳能等可再生能源的开发利用成为能源转型的关键。光伏的低成本及太阳能电池板和光伏技术的快速发展使太阳能成为当前最高效的分布式能源之一。光伏电源具有非线性电特性，其功率-电压(P-V)曲线在均匀光照下呈现出单个最大功率点(MPP)。因此，需合理设计MPP跟踪(MPPT)算法以获取并维持光伏系统最大输出功率。

光伏组件通常通过串联和/或并联以满足负载要求。由于组件上方的云层或树木的阴影效应以及灰尘、落叶等掉落物的遮挡等，部分遮光条件(PSC)是不可避免的，光伏阵列的某些部分可能会受到较少的太阳照射。光伏阵列上的不均匀照射会使P-V曲线产生多个局部MPP(LMPP)和一个全局MPP(GMPP)。此时，传统的MPPT算法，如增量电导法、扰动观测(P&O)法等，在全局MPP跟踪(GMPPT)的性能减退，在占空比变化率较高时，错过GMPP的概率极大增加。因此，通过MPPT算法改进或结合提高光伏系统的GMPP跟踪效率至关重要。

粒子群优化算法、遗传算法、人工蜂群优化算法和灰狼优化算法等元启发算法以其原理简单，实现便捷，性能优越成为近年来优化领域研究的热点。此类基于软计算的算法在包含光伏系统MPPT设计等领域取得了许多成功的尝试和应用，可在绝大多数PSC中准确找到GMPP的位置，但如何兼顾MPPT过程的跟踪精度和收敛速度还有一定的发展空间。

因此，基于上述问题，本发明提出一种融合文化算法的光伏系统最大功率点递阶跟踪方法与装置。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种光伏系统最大功率点递阶跟踪方法与装置。

本发明的一方面，提供一种光伏系统最大功率点递阶跟踪方法，包括下述具体步骤：

光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；

基于P&O算法实现GMPP的快速定位；

基于文化算法的精准搜索实现GMPP的无差跟踪。

可选的，所述光伏阵列结构的确定，包括：

设光伏阵列由M×N个光伏组件组成，分析每个光伏组件内光伏电池的特性，其中，光伏电池单二极管模型的电气特性如下：

其中：I_ph是光电流，与环境温度和太阳辐照度的变化相关；I_PV和V_PV分别代表光伏组件的输出电流和电压；R_s代表一个光伏组件中串联的电阻；n_p和n_s分别代表一个光伏组件中并联和串联的光电池个数；q为电荷量；A是二极管理想常数；K为Boltzman常数；T是实际温度；I_o为二极管饱和电流；以及，I_ph和I_o的表达式分别如下所示：

其中：I_sc为短路电流；K_I是短路电流温度系数；G和G_ref分别代表实际光伏辐照度和参考辐照度；T_ref是参考温度；I_or是T_ref下的反向饱和电流；E_g是带隙能量。

可选的，所述对所述光伏阵列遮挡情况进行分类，包括：

根据所述光伏阵列辐照度情况，将其分为无遮挡和有遮挡。

可选的，所述基于P&O算法实现GMPP的快速定位，包括：

在基于P&O的MPPT中，通过测量得到的光伏阵列的电压和电流计算输出功率P，即优化过程的适应度函数：

P＝V_PV·I_PV

根据P的实时变化，通过以下规则在V_PV中引入电压增量ΔV_PV作为扰动：

式中：slope代表扰动的方向。

可选的，所述基于文化算法的精准搜索实现GMPP的无差跟踪，包括：

快速定位级和精确搜索级的无扰切换，并将所得的搜索范围作为文化算法的初始搜索空间；

定义信仰空间，以用于存储个体获得的知识和经验；

采用接收函数和影响函数的通信协议进行种群空间和信仰空间之间的连接。

可选的，所述信仰空间定义如下：

B^k＝{S^k,N^k,C^k,D^k,H^k}

其中：B^k代表信仰空间，S^k为情境知识源，N^k为规范性知识源，C^k是地形知识源，D^k是领域知识源，H^k代表历史知识源；k表示当前迭代步。

可选的，所述定义信仰空间，以用于存储个体获得的知识和经验，包括：

通过下述关系式获取所述情境知识源：

令S^k＝[s₁,s₂,…,s_n]并存储人口空间中每一代的个人最佳经验；其中，情境知识组分的更新方程如下：

其中：

是迭代时刻k中第l个被接受的个体；和/或，

通过下述关系式获取所述规范性知识源：

其中：N^k表示迭代时刻k的规范性知识源，

表示优化问题第j维置信区间，

和

分别表示优化问题第j维的标准上下界，

和

分别是标准上下界的适应度函数值；和/或，

通过下述关系式获取所述地形知识源：

假设搜索空间为多维网格或数组，由网格中的一组单元组成，C^k＝[c₁,c₂,…,c_n],其中每个元素c_i表示每个单元格的记录，n是地形知识源中的信仰单元数；和/或，

所述领域知识源存储不同代数获得的最优解方案，并形成自进化开始以来最佳个体档案；和/或，

所述历史知识源用于应对搜索环境在进化过程中发生的变化。

可选的，所述采用接收函数和影响函数的通信协议进行种群空间和信仰空间之间的连接，包括：

在所述接收函数中，选择证明总体群体空间行为的个体，以更新信仰空间的知识来源；

在所述影响函数中，确定每种知识源对人口空间的影响程度。

可选的，所述方法还包括：对所述光伏系统最大功率点递阶跟踪方法进行有效性验证。

本发明的另一方面，提供一种光伏系统最大功率点递阶跟踪装置，包括分类模块、定位模块以及跟踪模块；其中，

所述分类模块，用于光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；

所述定位模块，基于P&O算法实现GMPP的快速定位；

所述跟踪模块，基于文化算法的精准搜索实现GMPP的无差跟踪。

本发明提供一种光伏系统最大功率点递阶跟踪方法，包括下述具体步骤：光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；基于P&O算法实现GMPP的快速定位；基于文化算法的精准搜索实现GMPP的无差跟踪。本发明的方法充分考虑了光伏阵列均匀光照和局部遮挡等不同辐照条件，构建了融合P&O算法和文化算法的递阶MPPT结构。首先通过P&O算法对GMPP大致位置进行快速定位，然后在定位的范围内采用文化算法进行精确搜索。本发明旨在提供一种融合文化算法的光伏系统最大功率点递阶跟踪方法以实现任何遮挡情况下GMPP的快速精确跟踪，该递阶MPPT方法可有效提高光伏系统GMPP跟踪过程的快速性和精确性，为提高光伏系统的发电效率和并网稳定性等奠定基础。

附图说明

图1为本发明一实施例的一种光伏系统最大功率点递阶跟踪方法流程图；

图2为本发明另一实施例的一种光伏系统最大功率点递阶跟踪方法的流程框图；

图3为本发明另一实施例的光伏系统结构原理图；

图4为本发明另一实施例的光伏组件内光伏电池的电路图；

图5为本发明一实施例的一种光伏系统最大功率点递阶跟踪装置示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。

如图1和图2所示，本发明的一方面，提供一种光伏系统最大功率点递阶跟踪方法S100，包括下述具体步骤S110～S130：

S110、光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类。

需要说明的是，如图3所示，本实施例的光伏系统主要包含光伏阵列、电压转换器、MPPT控制器和负载等。其中的光伏阵列由多个光伏组件串并联组成，且每个光伏组件通过连接多个光伏电池构成。

基于此，步骤S110可具体化为下述步骤S1101～S1102：

S1101、光伏阵列结构的确定，结合图3和图4所示，包括：

设光伏阵列由M×N个光伏组件组成，分析每个光伏组件内光伏电池的特性，其中，光伏电池单二极管模型的电气特性如下：

其中：I_ph是光电流，与环境温度和太阳辐照度的变化相关；I_PV和V_PV分别代表光伏组件的输出电流和电压；R_s代表一个光伏组件中串联的电阻；n_p和n_s分别代表一个光伏组件中并联和串联的光电池个数；q为电荷量；A是二极管理想常数；K为Boltzman常数；T是实际温度；I_o为二极管饱和电流；以及，I_ph和I_o的表达式分别如下所示：

其中：I_sc为短路电流；K_I是短路电流温度系数；G和G_ref分别代表实际光伏辐照度和参考辐照度；T_ref是参考温度；I_or是T_ref下的反向饱和电流；E_g是带隙能量。

S1102、所述对所述光伏阵列遮挡情况进行分类，包括：

相较于环境温度，光伏辐照度对光伏阵列的输出具有更为明显的影响。基于此，光伏阵列辐照度情况主要分为无遮挡和有遮挡两类情况。这两类情况中还分别需要考虑均匀光照和非均匀光照。均匀光照指光伏阵列的每个组件接收相同强度的辐照度，非均匀光照则指同一光伏阵列的不同组件的辐照度不同。因此，在MPPT方法的设计中需综合考虑上述多种情况，以保证所得方法在各种辐照度下的普适性。

基于S110中得到的光伏系统结构，从步骤S120开始进行GMPP跟踪算法的设计。

S120、基于P&O算法实现GMPP的大致位置的快速定位。

S1201、在基于P&O的MPPT中，通过测量得到的光伏阵列的电压和电流计算输出功率P，即优化过程的适应度函数：

P＝V_PV·I_PV (4)

S1202、根据P的实时变化，通过以下规则在V_PV中引入电压增量ΔV_PV作为扰动：

式中：slope代表扰动的方向。

需要说明的是，ΔV_PV的值需进行合理选取，若取值过大，收敛速度快，但容易造成功率波动，稳态损耗大；若取值过小，虽然稳态损耗较小，但收敛速度较慢，难以达到快速性的要求。

进一步需要说明的是，除稳态损失外，若光伏阵列辐照度发生渐变，P&O容易偏离其跟踪轨迹。因此，一旦通过步骤S120所示P&O算法完成GMPP附近的快速定位，需即刻通过步骤S130中基于文化算法的精准搜索方法实现GMPP的无差跟踪。

S130、基于文化算法的精准搜索实现GMPP的无差跟踪。

需要说明的是，文化算法具有双层进化机制，基于独立于种群空间的信仰空间，来获取和保存并加以整合经验知识以更好地处理优化问题，使种群的进化速度超越单纯依靠生物基因遗传的进化速度，具有良好的全局优化性能。

S1301、快速定位级和精确搜索级的无扰切换，并将所得的搜索范围作为文化算法的初始搜索空间。

S1302、定义信仰空间，以用于存储个体获得的知识和经验。

具体的，在种群进化过程中，文化信息代代相传。为了得到一种学习机制，文化算法的信仰空间扮演着文化信息库的角色，用以存储个体获得的知识和经验。这些知识和文化信息将被用作辅助工具，以影响种群中个体的未来行为，并使其在搜索空间中找到全局最优。信仰空间定义如下：

B^k＝{S^k,N^k,C^k,D^k,H^k} (6)

其中：B^k代表信仰空间，S^k为情境知识源，N^k为规范性知识源，C^k是地形知识源，D^k是领域知识源，H^k代表历史知识源；k表示当前迭代步。

进一步的，关于上述信仰空间中涉及的情境知识源、规范性知识源、地形知识源、领域知识源以及历史知识源通过下述方法获取。

具体的，通过下述关系式获取所述情境知识源：

令S^k＝[s₁,s₂,…,s_n]并存储人口空间中每一代的个人最佳经验；其中，情境知识组分的更新方程如下：

其中：

是迭代时刻k中第l个被接受的个体，并且n_accept表示用于更新信仰空间的已接受精英个体的数量。

通过下述关系式获取所述规范性知识源：

其中：N^k表示迭代时刻k的规范性知识源，

表示优化问题第j维置信区间，

和

分别表示优化问题第j维的标准上下界，

和

分别是标准上下界的适应度函数值。

进一步的，然后通过以下公式更新更新规范性知识源：

通过下述关系式获取所述地形知识源：

假设搜索空间为多维网格或数组，由网格中的一组单元组成，C^k＝[c₁,c₂,…,c_n],其中每个元素c_i表示每个单元格的记录，n是地形知识源中的信仰单元数，每个单元c_i在地形知识中存储一组信息，例如有关单元占用的可行性和频率信息。

领域知识源存储不同代数获得的最优解方案，并形成自进化开始以来最佳个体档案。

历史知识源用于应对搜索环境在进化过程中发生的变化。历史知识存储当前最优解e_i、搜索区域中的方向变化(A_dir,1,A_dir,2,…,A_dir,n)以及优化问题每个维度的距离变化(A_dist,1,A_dist,2,…,A_dist,n)。此时n为优化问题中的变量个数。

S1303、采用接收函数和影响函数的通信协议进行种群空间和信仰空间之间的连接。

具体的，文化算法中主要采用两种方式的通信协议进行种群空间和信仰空间之间的连接，即接受函数和影响函数。接受函数决定了群体中哪些个体可以影响信念空间。与此同时，知识源对种群空间的影响则由影响函数决定。

进一步的，在所述接收函数中，选择证明总体群体空间行为的个体，以更新信仰空间的知识来源。

具体的，为了更新信念空间的知识来源，选择一组证明总体群体空间行为的个体。接受函数一般来说可分为静态和动态两类。在静态接受函数中，进化过程中的接受个体数量恒定的。根据算法在给定应用程序中的性能，选择给定百分比的个体(从1％到100％)来更新信念空间。在动态接受函数中，选择更新信念的个体数量代代相传，而非恒定值。例如使用带有重置机制的动态接受函数，其中接受的个体数量随着生成计数器的增加而减少。

更进一步的，在所述影响函数中，确定每种知识源对人口空间的影响程度。

具体的，文化算法使用影响函数来影响种群空间并创造新一代个体。影响函数的类型取决于问题类型和使用的知识源。当使用多种类型的知识源时，设计影响函数的主要挑战是确定每种知识源对人口空间的影响程度。此处根据情境和规范知识源引入如下影响函数：

其中：β为大于0的常数。

上述步骤中设计了一种融合文化算法的光伏系统最大功率点递阶跟踪方法，首先通过P&O算法对GMPP大致位置进行快速定位，然后在定位的范围内采用文化算法进行精确搜索，实现了文化算法的拓展应用，可有效提高光伏系统GMPP跟踪过程的快速性和精确性。该方法充分考虑了光伏阵列均匀光照和局部遮挡等不同辐照条件，具有极大可扩展性和普适性。

更进一步的，本实施例的上述方法还包括步骤S140：对所述光伏系统最大功率点递阶跟踪方法依托仿真平台或半实物平台进行算法性能的有效性验证。

具体的，S1401、通过Matlab/Simulink或Demola平台搭建M×N个光伏组件组成的光伏阵列，并连接电压变换器、MPPT控制器模块和负载等其他部件。

S1402、基于无遮挡和局部遮挡两类情况为所得光伏阵列设置辐照度，其中涵盖定辐照度和变辐照度以及均匀光照和非均匀光照多种条件。

S1403、根据S4.2所设置的光伏阵列辐照度情况依次进行仿真或半实物仿真测试，绘制每次测试中的电压、电流、功率以及占空比变化曲线。

S1404、定义跟踪速度和精度等相关的性能指标函数，记录每次测试中的性能指标值并进行统计分析以验证算法性能。

如图5所示，本发明的另一方面，提供一种光伏系统最大功率点递阶跟踪装置200，包括分类模块210、定位模块220以及跟踪模块230、验证模块240；其中，分类模块210，用于光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类。定位模块220，基于P&O算法实现GMPP的快速定位。跟踪模块230，基于文化算法的精准搜索实现GMPP的无差跟踪。验证模块240，用于对所述光伏系统最大功率点递阶跟踪方法依托仿真平台或半实物平台进行算法性能的有效性验证。

需要说明的是，本实施例的跟踪装置所基于的跟踪方法参考前文记载的方法，在此不再赘述。

下面将以具体实施例进行说明光伏系统最大功率点递阶跟踪方法：

请参阅图1，图1为本发明提出的融合文化算法的光伏系统最大功率点递阶跟踪方法流程图。具体步骤包括：

S1：光伏阵列结构的确定和遮挡情况分类；

S2：基于P&O算法的GMPP快速定位；

S3：基于文化算法的GMPP精准搜索；

S4：所提出的光伏系统递阶MPPT方法的有效性验证。

光伏系统主要包含光伏阵列、电压转换器、MPPT控制器和负载等。其中的光伏阵列由多个光伏组件串并联组成，且每个光伏组件通过连接多个光伏电池构成。基于此，步骤S1可具体化为：

S1.1：本实施例中光伏阵列由1×6个光伏组件组成，即M＝1、N＝6，且每个光伏组件的额定输出功率为120W，光伏电池单二极管模型的电气特性如下：

其中：I_ph是光电流，与环境温度和太阳辐照度的变化相关；I_PV和V_PV分别代表光伏组件的输出电流和电压；n_p和n_s分别代表一个光伏组件中并联和串联的光电池个数，本实施例中n_p＝1、n_s＝20；q为电荷量，取值为1.6e-19；A＝1.5是二极管理想常数；K为Boltzman常数，取1.3805e-23；T是实际温度；I_o为二极管饱和电流。I_ph和I_o的表达式分别如下所示：

其中：I_sc为短路电流，此处I_sc＝3.87A；K_I是短路电流温度系数；G和G_ref分别代表实际光伏辐照度和参考辐照度，且G_ref＝1000W/m²；T_ref＝25℃是参考温度；I_or是T_ref下的反向饱和电流；E_g是带隙能量，取值为1.1。

S1.2：相较于环境温度，光伏辐照度对光伏阵列的输出具有更为明显的影响。基于此，光伏阵列辐照度情况主要分为无遮挡和有遮挡两类情况。这两类情况中还分别需要考虑均匀光照和非均匀光照。均匀光照指光伏阵列的每个组件接收相同强度的辐照度，非均匀光照则指同一光伏阵列的不同组件的辐照度不同。因此，在MPPT方法的设计中需综合考虑上述多种情况，以保证所得方法在各种辐照度下的普适性。本实施例中考虑下表所示6种不同的辐照度情况：

表1 6种不同的辐照度情况

基于S1中得到的光伏系统结构，从步骤S2开始进行GMPP跟踪算法的设计。首先通过P&O算法实现GMPP大致位置的快速定位：

S2.1：在基于P&O的MPPT中，通过测量得到的光伏阵列的电压和电流计算输出功率P，即优化过程的适应度函数：

P＝V_PV·I_PV (4)

S2.2：根据P的实时变化，通过以下规则在V_PV中引入电压增量ΔV_PV作为扰动：

式中：slope代表扰动的方向。

本实施例中取ΔV_PV的值为2。

除稳态损失外，若光伏阵列辐照度发生渐变，P&O容易偏离其跟踪轨迹。因此，一旦通过步骤S2所示P&O算法完成GMPP附近的快速定位，需即刻通过步骤S3中基于文化算法的精准搜索方法实现GMPP的无差跟踪。

S3.1：快速定位级和精确搜索级的无扰切换，即搜索级的热启动。将S2最终所得的搜索范围作为文化算法的初始搜索空间。

S3.2：信仰空间。在种群进化过程中，文化信息代代相传。为了得到一种学习机制，文化算法的信仰空间扮演着文化信息库的角色，用以存储个体获得的知识和经验。这些知识和文化信息将被用作辅助工具，以影响种群中个体的未来行为，并使其在搜索空间中找到全局最优。信仰空间定义如下：

B^k＝{S^k，N^k，C^k，D^k，H^k} (6)

其中：B^k代表信仰空间，S^k为情境知识源，N^k为规范性知识源，C^k是地形知识源，D^k是领域知识源，H^k代表历史知识源。上标k表示当前迭代步。

S3.2.1：情境知识。令S^k＝[s₁，s₂，…，s_n]并存储种群空间中每一代的个人最佳经验。情境知识组分的更新方程如下：

其中：

是迭代时刻k中第l个被接受的个体，并且n_accept表示用于更新信仰空间的已接受精英个体的数量。

S3.2.2：规范性知识。文化算法中，规范性知识为问题的每个维度存储如下信息：

其中：N^k表示迭代时刻k的规范性知识源，

表示优化问题第j维置信区间，

和

分别表示优化问题第j维的标准上下界，由于待优化的变量为光伏系统中DC-DC电压转换电路的占空比d，所以上下界分别取1和0；

和

分别是标准上下界的适应度函数值。

然后通过以下公式更新更新规范性知识源：

S3.2.3：地形知识。假设搜索空间为多维网格或数组，由网格中的一组单元组成，即C^k＝[c₁,c₂,…,c_n],其中每个元素c_i表示每个单元格的记录，n是地形知识源中的信仰单元数，本实施例中取20。每个单元c_i在地形知识中存储一组信息，例如有关单元占用的可行性和频率信息。

S3.2.4：领域知识。领域知识源存储不同代数获得的最优解方案，并形成自进化开始以来最佳个体档案。

S3.2.5：历史知识。历史知识源用于应对搜索环境在进化过程中发生的变化。历史知识存储当前最优解e_i、搜索区域中的方向变化(A_dir，1,A_dir,2,…，A_dir，n)以及优化问题每个维度的距离变化(A_dist，1，A_dist，2，…，A_dist，n)。此时n为优化问题中的变量个数。

S3.3：通信协议。文化算法中主要采用两种方式的通信协议进行种群空间和信仰空间之间的连接，即接受函数和影响函数。接受函数决定了群体中哪些个体可以影响信念空间。与此同时，知识源对种群空间的影响则由影响函数决定。

S3.3.1：接受函数。为了更新信念空间的知识来源，选择一组证明总体群体空间行为的个体。接受函数一般来说可分为静态和动态两类。在静态接受函数中，进化过程中的接受个体数量恒定的。根据算法在给定应用程序中的性能，本实施例中选择60％的个体来更新信念空间。在动态接受函数中，选择更新信念的个体数量代代相传，而非恒定值。例如使用带有重置机制的动态接受函数，其中接受的个体数量随着生成计数器的增加而减少。

S3.3.2：影响函数。文化算法使用影响函数来影响种群空间并创造新一代个体。影响函数的类型取决于问题类型和使用的知识源。当使用多种类型的知识源时，设计影响函数的主要挑战是确定每种知识源对人口空间的影响程度。此处根据情境和规范知识源引入如下影响函数：

其中：β为大于0的常数，本实施例中取0.85。

上述步骤中设计了一种融合文化算法的光伏系统最大功率点递阶跟踪方法，在S4中依托仿真平台或半实物仿真平台进行算法性能验证。

S4.1：通过Matlab/Simulink平台搭建1×6个光伏组件组成的光伏阵列，并连接电压变换器、MPPT控制器模块和负载等其他部件。

S4.2：基于无遮挡和局部遮挡两类情况为所得光伏阵列设置表1所示6种辐照度情况，并在仿真测试中进行不同辐照度情况间的快速切换和缓慢变化。

S4.3：根据S4.2所设置的光伏阵列辐照度情况依次进行仿真或半实物仿真测试，绘制每次测试中的电压V_PV、电流I_PV、功率P以及占空比d变化曲线。

S4.4：选取跟踪时间T和跟踪精度η为性能指标函数，记录每次测试中的性能指标值并进行统计分析以验证算法性能。

本发明提供一种光伏系统最大功率点递阶跟踪方法与装置，与现有技术相比具有以下有益效果：

第一、本发明为实现光伏系统GMPP的快速精确跟踪，提供一种融合了P&O算法和文化算法的递阶MPPT方法，为提高光伏系统的发电效率和并网稳定性等奠定基础。

第二、本发明所提供的方法充分考虑了光伏阵列均匀光照和局部遮挡等不同辐照条件，经仿真验证表明该方法具有极大可扩展性和普适性。

第三、本发明所提供的方法首先通过P&O算法对GMPP大致位置进行快速定位，然后在定位的范围内采用文化算法进行精确搜索，可有效提高光伏系统GMPP跟踪过程的快速性和精确性。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种光伏系统最大功率点递阶跟踪方法，其特征在于，包括下述具体步骤：

光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；

基于P&O算法实现GMPP的快速定位；

基于文化算法的精准搜索实现GMPP的无差跟踪。

2.根据权利要求1所述的方法，其特征在于，所述光伏阵列结构的确定，包括：

设光伏阵列由M×N个光伏组件组成，分析每个光伏组件内光伏电池的特性，其中，光伏电池单二极管模型的电气特性如下：

其中：I_ph是光电流，与环境温度和太阳辐照度的变化相关；I_PV和V_PV分别代表光伏组件的输出电流和电压；R_s代表一个光伏组件中串联的电阻；n_p和n_s分别代表一个光伏组件中并联和串联的光电池个数；q为电荷量；A是二极管理想常数；K为Boltzman常数；T是实际温度；I_o为二极管饱和电流；以及，I_ph和I_o的表达式分别如下所示：

其中：I_sc为短路电流；K_I是短路电流温度系数；G和G_ref分别代表实际光伏辐照度和参考辐照度；T_ref是参考温度；I_or是T_ref下的反向饱和电流；E_g是带隙能量。

3.根据权利要求2所述的方法，其特征在于，所述对所述光伏阵列遮挡情况进行分类，包括：

根据所述光伏阵列辐照度情况，将其分为无遮挡和有遮挡。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述基于P&O算法实现GMPP的快速定位，包括：

在基于P&O的MPPT中，通过测量得到的光伏阵列的电压和电流计算输出功率P，即优化过程的适应度函数：

P＝V_PV·I_PV

根据P的实时变化，通过以下规则在V_PV中引入电压增量ΔV_PV作为扰动：

式中：slope代表扰动的方向。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述基于文化算法的精准搜索实现GMPP的无差跟踪，包括：

快速定位级和精确搜索级的无扰切换，并将所得的搜索范围作为文化算法的初始搜索空间；

定义信仰空间，以用于存储个体获得的知识和经验；

采用接收函数和影响函数的通信协议进行种群空间和信仰空间之间的连接。

6.根据权利要求5所述的方法，其特征在于，所述信仰空间定义如下：

B^k＝{S^k,N^k,C^k,D^k,H^k}

其中：B^k代表信仰空间，S^k为情境知识源，N^k为规范性知识源，C^k是地形知识源，D^k是领域知识源，H^k代表历史知识源；k表示当前迭代步。

7.根据权利要求6所述的方法，其特征在于，所述定义信仰空间，以用于存储个体获得的知识和经验，包括：

通过下述关系式获取所述情境知识源：

令S^k＝[s₁,s₂,…,s_n]并存储人口空间中每一代的个人最佳经验；其中，情境知识组分的更新方程如下：

其中：

是迭代时刻k中第l个被接受的个体；和/或，

通过下述关系式获取所述规范性知识源：

其中：N^k表示迭代时刻k的规范性知识源，

表示优化问题第j维置信区间，

和

分别表示优化问题第j维的标准上下界，

和

分别是标准上下界的适应度函数值；和/或，

通过下述关系式获取所述地形知识源：

假设搜索空间为多维网格或数组，由网格中的一组单元组成，C^k＝[c₁,c₂,…,c_n],其中每个元素c_i表示每个单元格的记录，n是地形知识源中的信仰单元数；和/或，

所述领域知识源存储不同代数获得的最优解方案，并形成自进化开始以来最佳个体档案；和/或，

所述历史知识源用于应对搜索环境在进化过程中发生的变化。

8.根据权利要求5所述的方法，其特征在于，所述采用接收函数和影响函数的通信协议进行种群空间和信仰空间之间的连接，包括：

在所述接收函数中，选择证明总体群体空间行为的个体，以更新信仰空间的知识来源；

在所述影响函数中，确定每种知识源对人口空间的影响程度。

9.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：对所述光伏系统最大功率点递阶跟踪方法进行有效性验证。

10.一种光伏系统最大功率点递阶跟踪装置，其特征在于，包括分类模块、定位模块以及跟踪模块；其中，

所述分类模块，用于光伏阵列结构的确定，并对所述光伏阵列遮挡情况进行分类；

所述定位模块，基于P&O算法实现GMPP的快速定位；

所述跟踪模块，基于文化算法的精准搜索实现GMPP的无差跟踪。

Images