CN116663397A - 一种大型光伏发电系统的mppt控制方法 - Google Patents
一种大型光伏发电系统的mppt控制方法 Download PDFInfo
- Publication number
- CN116663397A CN116663397A CN202310497495.2A CN202310497495A CN116663397A CN 116663397 A CN116663397 A CN 116663397A CN 202310497495 A CN202310497495 A CN 202310497495A CN 116663397 A CN116663397 A CN 116663397A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic
- photovoltaic power
- maximum
- mppt control
- 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 241000269799 Perca fluviatilis Species 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 33
- 241000272184 Falconiformes Species 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 241000283153 Cetacea Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 description 1
- 208000028804 PERCHING syndrome Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Electrical Variables (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种大型光伏发电系统的MPPT控制方法，包括：获取用于仿真实验发电的光伏电池板和附属装置；基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏发电，获得输出功率；将输出功率作为评价函数，进行迭代搜索，完成光伏阵列的MPPT控制。本发明通过将改进的鹰栖息优化算法引入到MPPT最优控制中，可以快速、稳定地跟踪到光伏阵列的最大输出功率点，有效地提升大型光伏发电系统的发电效率。
Description
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种大型光伏发电系统的MPPT控制方法。
背景技术
光伏发电系统作为可再生能源变得越来越重要，光伏阵列是一种非线性电源，温度和光照强度的变化对其有影响，导致最大功率点改变，MPPT控制保证外界条件变化的情况下，依然能够使光伏系统高效率输出。由于大型光伏发电系统易受光照条件影响，其功率-电压曲线呈现出多个峰值，降低了传统最大功率点跟踪方法的有效性。
申请号：201210229252.2的专利公开了一种新型光伏系统中的MPPT控制方法，两阶段MPPT控制方法包括采用恒定电压跟踪法和变步长导纳增量法两个阶段的MPP跟踪；启动时采用恒定电压跟踪法，当电压达到设定值后采用变步长导纳增量法。避免了由于电压采样存在的误差导致对太阳能电池的最大功率跟踪失败，实现光伏系统的高效可靠运行。以上方法仅适用于因电压采样存在误差情况下的最大功率跟踪；
申请号：201210066349.6的专利公开了一种太阳能光伏系统MPPT控制器及其控制方法，包括温度传感器模块，控制模块，存储器模块，计数器模块，所述存储器模块接收温度传感器模块传输过来的数据和控制模块传输过来的电压电流数据，查找本地数据表，并查找出当前工作点调整到最大功率点所需的占空比数据，计数器模块根据占空比数据，输出一个对应于该占空比的方波到驱动电路模块。所述MPPT控制器控制方法，通过查表的方法，不需要现场计算或是搜寻出最大功率点的位置，而是利用之前存在表内的已经计算过的最大功率点的位置，一次性的调节DCDC电路的占空比，使太阳能电池工作在最大功率点状态。本发明避免了不断跟踪或是现场计算造成的功率损耗，同时有效地降低了电路份额复杂度。以上方法仅适用于简单环境,无法追踪到复杂情况下光伏阵列的最大功率点；
申请号：201810821101.3的专利提出一种局部阴影条件下基于QAPSO算法光伏系统MPPT控制方法，该方法包括以下步骤：S1：根据光伏电池的特性，建立适用于局部阴影条件下的光伏阵列模型；S2：运用QAPSO算法对局部阴影条件下的光伏阵列模型进行求解，获取输出功率；S3：以输出功率作为适应度函数，通过迭代搜索，实现光伏阵列的最大功率点跟踪。与现有技术相比，本发明对最大功率点具有更快的跟踪速度，避免了在最大功率点附近的振荡，提高了系统的稳态性能，对于局部阴影和阴影突变情况下均能找到最大功率点，增强系统的跟踪能力，能够显著地提高光伏发电效率。以上算法虽然可以在光伏阵列处于阴影时，跟踪到最大功率点，但速度较慢，震荡较大。
针对此问题，有必要提供一种大型光伏发电系统的MPPT控制方法。
发明内容
本发明提供了一种大型光伏发电系统的MPPT控制方法，通过将改进的鹰栖息优化算法引入到MPPT最优控制中，可以快速、稳定地跟踪到光伏阵列的最大输出功率点，有效地提升大型光伏发电系统的发电效率。
本发明提供了一种大型光伏发电系统的MPPT控制方法，包括：
S1：获取用于仿真实验发电的光伏电池板和附属装置；
S2：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏发电，获得输出功率；
S3：将输出功率作为评价函数，进行迭代搜索，完成光伏阵列的MPPT控制。
进一步地，S1包括：
S101:获取若干块独立光伏电池板和附属装置，附属装置包括若干个二极管、升压转换器和负载器件；
S102:将若干块独立光伏电池板串联后与若干个二极管并联，组成光伏发电模组；
S103:利用升压转换器将光伏发电模组的输出电压连接到负载器件后测试负载。
进一步地，S103包括：
升压转换器包括升压控制器开关，升压控制器开关与预设的电感连接，电感与光伏发电模组连接；升压控制器开关连接光伏发电模组测试负载；当升压控制器开关闭合时，利用电感存储电能；当升压控制器开关断开时，利用光伏发电模组和电感为光伏发电模组测试负载供电，完成升压过程。
进一步地，S2包括：
S201：设置鹰栖息优化算法参数，鹰栖息优化算法参数包括缩放因子和位置增量；
S202：根据鹰栖息优化算法参数，通过迭代采样，按照从全局搜索到局部搜索的步骤，对光伏发电模组的输出电压进行搜索，获得最大功率点的样本集。
进一步地，S201中的缩放因子，用下述公式表示：
其中，q表示缩放因子，r表示迭代次数最大值，e表示分辨率范围，wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
进一步地，S202包括：
设置由L只鹰组成的种群，将L只鹰均匀分布在目标搜索空间内；每只鹰负责搜索各自的目标空间；
利用协同搜索的方法，每只鹰搜索各自目标空间以及除各自目标空间外的空间，获得搜索结果样本集；搜索结果样本集的计算公式为：
Y1＝Y+wi*(2*Y∈-1)
上式中,Y1表示种群所有个体搜索更新位置，Y表示种群所有个体初始位置，Yε表示鹰在位置Y上向所有可能的方向搜索之后，在原位置上的位置增量；wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
进一步地，S3包括：
S301：将样本集输入预设的评价函数，计算获得占空比的组合；
S302：比较处于预设量程范围内的占空比的值，筛选出最大功率点所对应的第一位置，计算第一位置对应的最佳占空比；最佳占空比的计算公式为：
上式中，α代表在目标空间中使用的第α个粒子，β代表对应位置的第β维搜索数量，Yα，β代表每只鹰搜索各自目标空间搜索到的最大功率点样本集，表示鹰在除各自目标空间外的空间搜索到的最大功率点样本集；
S303：通过最佳占空比实现对最大功率点跟踪的最优控制。
进一步地，S303包括：
S3031：判断当前获得的最大功率点是否达到最大迭代次数，若达到，转至步骤S3032，若未达到，进行迭代搜索；
S3032：输出获得的最大功率点，完成光伏发电的MPPT控制。
进一步地，还包括S4，根据仿真实验结果，设置缩放因子和位置增量的调整阶梯数值，具体步骤为：
S401：基于仿真实验发电，获取光伏发电系统的理论最大功率；
S402：设计无阴影、部分静态阴影以及动态阴影三种不同光照强度测试环境，利用MATLAB软件、或SIMULINK软件进行仿真测试，获得测试结果；
S403：基于测试结果，获得输出最大功率与理论最大功率的误差，以及收敛时间；
S404：根据光伏发电的具体要求，设置误差及收敛时间数值集，并设置缩放因子q和位置增量Yε的调整阶梯数值。
进一步地，S5，基于光伏发电基本条件，制定改进发电效能策略，具体步骤为；
S501：根据光伏发电的历史数据，获取光伏电池组件的温度、遮挡阴影面积、动态遮挡阴影变化速率与理论最大输出功率的匹配关系，基于匹配关系，构建温度-阴影-最大输出功率匹配模型；
S502：获取光伏电池组件的实际温度和实际遮挡阴影面积，基于温度-阴影-最大输出功率匹配模型，计算获得第一理论最大输出功率；
S503：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏电池组件发电，获得第二输出功率；以及第二输出功率与第一理论最大输出功率的误差值；基于误差值设置若干个误差范围，根据误差范围设置对应的改进发电效能策略。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明大型光伏发电系统的MPPT控制方法步骤示意图；
图2为本发明的组成光伏仿真电路的方法步骤示意图；
图3为本发明的获得最大功率点的样本集的方法步骤示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供了一种大型光伏发电系统的MPPT控制方法，如图1所示，包括：
S1：获取用于仿真实验发电的光伏电池板和附属装置；
S2：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏发电，获得输出功率；
S3：将输出功率作为评价函数，进行迭代搜索，完成光伏阵列的MPPT控制。
上述技术方案的工作原理为：获取用于仿真实验发电的光伏电池板和附属装置；基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏发电，获得输出功率；将输出功率作为评价函数，进行迭代搜索，完成光伏阵列的MPPT控制。
上述技术方案的有益效果为：采用本实施例提供的方案，通过将改进的鹰栖息优化算法引入到MPPT最优控制中，可以快速、稳定地跟踪到光伏阵列的最大输出功率点，有效地提升大型光伏发电系统的发电效率。
在一个实施例中，如图2所示，S1包括：
S101:获取若干块独立光伏电池板和附属装置，附属装置包括若干个二极管、升压转换器和负载器件；
S102:将若干块独立光伏电池板串联后与若干个二极管并联，组成光伏发电模组；
S103:利用升压转换器将光伏发电模组的输出电压连接到负载器件后测试负载。
上述技术方案的工作原理为：由于地域气候差别，沙尘易对太阳能电池板产生遮挡，如果无法做到及时清理，则影响其发电效率。因此，需要高效率控制器最大限度地提高光伏电池的发电效率。斩波是将直流电变为另一固定电压或可调电压的直流电压的过程；可以通过控制升压转换器电路的占空比值来改变电压输出，以得到最大的输出功率值；S1包括：
S101:获取若干块独立光伏电池板和附属装置，附属装置包括若干个二极管、升压转换器和负载器件；
S102:将若干块独立光伏电池板串联后与若干个二极管并联，组成光伏发电模组；
S103:利用升压转换器将光伏发电模组的输出电压连接到负载器件后测试负载。
上述技术方案的有益效果为：采用本实施例提供的方案，通过并联二极管可有效减少光伏电池表面被局部遮挡时会产生热斑效应影响，防止光伏电池因热斑效应局部温度过高而损坏；通过升压转换器的通断时间来控制输出端输出的电压，可实现对光伏发电仿真电路的有效控制。
在一个实施例中，S103包括：
升压转换器包括升压控制器开关，升压控制器开关与预设的电感连接，电感与光伏发电模组连接；升压控制器开关连接光伏发电模组测试负载；当升压控制器开关闭合时，利用电感存储电能；当升压控制器开关断开时，利用光伏发电模组和电感为光伏发电模组测试负载供电，完成升压过程。
上述技术方案的工作原理为：升压转换器包括升压控制器开关，升压控制器开关与预设的电感连接，电感与光伏发电模组连接；升压控制器开关连接光伏发电模组测试负载；当升压控制器开关闭合时，利用电感存储电能；当升压控制器开关断开时，利用光伏发电模组和电感为光伏发电模组测试负载供电，完成升压过程。
上述技术方案的有益效果为：采用本实施例提供的方案，通过升压转换器的通断时间来控制输出端输出的电压，可实现对光伏发测试负载的加压，完成光伏发电的科学测试。
在一个实施例中，如图3所示，S2包括：
S201：设置鹰栖息优化算法参数，鹰栖息优化算法参数包括缩放因子和位置增量；
S202：根据鹰栖息优化算法参数，通过迭代采样，按照从全局搜索到局部搜索的步骤，对光伏发电模组的输出电压进行搜索，获得最大功率点的样本集。
上述技术方案的工作原理为：鹰栖息算法模拟鹰栖息的行为。鹰以一种简单且独特方式探索地形，从而选择最佳栖息的巢穴。与鹰相同，此算法也是寻找所以解决方案中的最优解决方案。首先，鹰从高空俯瞰整个区域(目标空间)，在全局范围内随机采样几个点，并确定最佳位置，此为探索阶段；其次，将目标空间以得到的最佳位置为中心进行缩小，二次采样，迭代上述过程，此为开发阶段；最后，确定整个目标空间的最佳位置。从探索到开发的转变是随机优化算法的关键。S2包括：
S201：设置鹰栖息优化算法参数，鹰栖息优化算法参数包括缩放因子和位置增量；
S202：根据鹰栖息优化算法参数，通过迭代采样，按照从全局搜索到局部搜索的步骤，对光伏发电模组的输出电压进行搜索，获得最大功率点的样本集。
上述技术方案的有益效果为：采用本实施例提供的方案，通过采用鹰栖息优化算法，可以保证获得目标空间的最佳位置，并进行迭代后，获得全局最优解。
在一个实施例中，S201中的缩放因子，用下述公式表示：
其中，q表示缩放因子，r表示迭代次数最大值，e表示分辨率范围，wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
上述技术方案的工作原理为：wi经过缩放因子q的作用将不断减少，并且会从全局搜索转变到局部搜索。q可以根据最终值分辨率计算；在搜索过程中，q是不断变化的，e与q呈正相关；e升高反映出鹰种群的适应值变大，q也变大，此时搜索范围变量缓慢减小，鹰种群适应值缓慢减小向最优区域靠近，全局搜索能力变强；
S201中的缩放因子，用下述公式表示：
其中，q表示缩放因子，r表示迭代次数最大值，e表示分辨率范围，wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
上述技术方案的有益效果为：采用本实施例提供的方案，有效实现了算法由全局搜索到局部搜索的自适应转变，有利于提高算法的收敛速度，更快地达到MPPT方法中的最大额定功率值。
在一个实施例中，S202包括：
设置由L只鹰组成的种群，将L只鹰均匀分布在目标搜索空间内；每只鹰负责搜索各自的目标空间；
利用协同搜索的方法，每只鹰搜索各自目标空间以及除各自目标空间外的空间，获得搜索结果样本集；搜索结果样本集的计算公式为：
Y1＝Y+wi*(2*Y∈-1)
上式中,Y1表示种群所有个体搜索更新位置，Y表示种群所有个体初始位置，Yε表示鹰在位置Y上向所有可能的方向搜索之后，在原位置上的位置增量；wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
上述技术方案的工作原理为：S202包括：
设置由L只鹰组成的种群，将L只鹰均匀分布在目标搜索空间内；每只鹰负责搜索各自的目标空间；
利用协同搜索的方法，每只鹰搜索各自目标空间以及除各自目标空间外的空间，获得搜索结果样本集；搜索结果样本集的计算公式为：
Y1＝Y+wi*(2*Y∈-1)
上式中,Y1表示种群所有个体搜索更新位置，Y表示种群所有个体初始位置，Yε表示鹰在位置Y上向所有可能的方向搜索之后，在原位置上的位置增量；wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
上述技术方案的有益效果为：采用本实施例提供的方案，通过样本集的计算公式可增加局部搜索过程中的搜索精度，减小误差，确保算法在搜索过程中能够跳处部分区域的最优解，继续在全局范围内寻优；其次使算法能更精确地追踪到最大功率点，极大地减小了误差。
在一个实施例中，S3包括：
S301：将样本集输入预设的评价函数，计算获得占空比的组合；
S302：比较处于预设量程范围内的占空比的值，筛选出最大功率点所对应的第一位置，计算第一位置对应的最佳占空比；最佳占空比的计算公式为：
上式中，α代表在目标空间中使用的第α个粒子，β代表对应位置的第β维搜索数量，Yα，β代表每只鹰搜索各自目标空间搜索到的最大功率点样本集，表示鹰在除各自目标空间外的空间搜索到的最大功率点样本集；
S303：通过最佳占空比实现对最大功率点跟踪的最优控制。
上述技术方案的工作原理为：追踪最大功率点要通过占空比G来控制；本实施例具体步骤为：
S301：将样本集输入预设的评价函数，计算获得占空比的组合；
S302：比较处于预设量程范围内的占空比的值，筛选出最大功率点所对应的第一位置，计算第一位置对应的最佳占空比；最佳占空比的计算公式为：
上式中，α代表在目标空间中使用的第α个粒子，β代表对应位置的第β维搜索数量，Yα，β代表每只鹰搜索各自目标空间搜索到的最大功率点样本集，表示鹰在除各自目标空间外的空间搜索到的最大功率点样本集；其中，0<f(Yα，β)<1；
S303：通过最佳占空比实现对最大功率点跟踪的最优控制。
上述技术方案的有益效果为：采用本实施例提供的方案，通过对每个位置的评估，最后取出处于量程范围内的占空比的值，再通过比较出的最大功率点，计算出此位置对应的最佳占空比，可保证对最大功率点跟踪的控制效果。
在一个实施例中，S303包括：
S3031：判断当前获得的最大功率点是否达到最大迭代次数，若达到，转至步骤S3032，若未达到，进行迭代搜索；
S3032：输出获得的最大功率点，完成光伏发电的MPPT控制。
上述技术方案的工作原理为：S303包括：
S3031：判断当前获得的最大功率点是否达到最大迭代次数，若达到，转至步骤S3032，若未达到，进行迭代搜索；
S3032：输出获得的最大功率点，完成光伏发电的MPPT控制。
上述技术方案的有益效果为：采用本实施例提供的方案，通过进行迭代搜索，可以实现对最大功率点的精确查找和对光伏发电的最优控制
在一个实施例中，还包括S4，根据仿真实验结果，设置缩放因子和位置增量的调整阶梯数值，具体步骤为：
S401：基于仿真实验发电，获取光伏发电系统的理论最大功率；
S402：设计无阴影、部分静态阴影以及动态阴影三种不同光照强度测试环境，利用MATLAB软件、或SIMULINK软件进行仿真测试，获得测试结果；
S403：基于测试结果，获得输出最大功率与理论最大功率的误差，以及收敛时间；
S404：根据光伏发电的具体要求，设置误差及收敛时间数值集，并设置缩放因子q和位置增量Yε的调整阶梯数值。
上述技术方案的工作原理为：根据仿真实验结果，设置缩放因子和位置增量的调整阶梯数值，具体步骤为：
S401：基于仿真实验发电，获取光伏发电系统的理论最大功率；
S402：设计无阴影、部分静态阴影以及动态阴影三种不同光照强度测试环境，利用MATLAB软件、或SIMULINK软件进行仿真测试，获得测试结果；
S403：基于测试结果，获得输出最大功率与理论最大功率的误差，以及收敛时间；
S404：根据光伏发电的具体要求，设置误差及收敛时间数值集，并设置缩放因子q和位置增量Yε的调整阶梯数值。
为了更好地保证测试结果，先进行光伏发电故障的仿真，由光伏阵列模拟各类故障，获取故障数据，确定训练样本及测试样本；通过预设的基于鲸鱼优化算法改进概率神经网络故障诊断模型对光伏发电进行故障识别，将样本数据的诊断结果与预测结果进行对比，获得故障诊断结果的正确率；当正确率小于预设的正确率阈值时，则调整神经网络模型的平滑因子值，直至输出高于预设正确率阈值的判定结果。
为了获得最优的平滑因子值，诊断模型中，每只鲸距离目标的优劣程度反映了该只鲸会被优劣程度高且距离较近的同类引导，通过计算优劣度值，可体现出距离目标的远近，通过鲸鱼算法输出最优鲸群个体优劣度值及其对应的空间位置，即输出概率神经网络故障诊断模型的最优平滑因子；优劣度值的计算公式为：
上式中，gyld为优劣度函数值，Ms为输入到故障诊断模型的样本总数量；tycz为训练样本预测值，tzsz为训练样本真实值。
上述技术方案的有益效果为：采用本实施例提供的方案，通过设置缩放因子和位置增量的调整阶梯数值，可以有针对性地对光伏发电的参数进行调整，以更好地适应实际需求；通过对故障的预测，以及确定故障的概率，可以保证仿真测试结果的准确性。
在一个实施例中，S5，基于光伏发电基本条件，制定改进发电效能策略，具体步骤为；
S501：根据光伏发电的历史数据，获取光伏电池组件的温度、遮挡阴影面积、动态遮挡阴影变化速率与理论最大输出功率的匹配关系，基于匹配关系，构建温度-阴影-最大输出功率匹配模型；
S502：获取光伏电池组件的实际温度和实际遮挡阴影面积，基于温度-阴影-最大输出功率匹配模型，计算获得第一理论最大输出功率；
S503：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏电池组件发电，获得第二输出功率；以及第二输出功率与第一理论最大输出功率的误差值；基于误差值设置若干个误差范围，根据误差范围设置对应的改进发电效能策略。
上述技术方案的工作原理为：基于光伏发电基本条件，制定改进发电效能策略，具体步骤为；
S501：根据光伏发电的历史数据，获取光伏电池组件的温度、遮挡阴影面积、动态遮挡阴影变化速率与理论最大输出功率的匹配关系，基于匹配关系，构建温度-阴影-最大输出功率匹配模型；
S502：获取光伏电池组件的实际温度和实际遮挡阴影面积，基于温度-阴影-最大输出功率匹配模型，计算获得第一理论最大输出功率；
S503：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏电池组件发电，获得第二输出功率；以及第二输出功率与第一理论最大输出功率的误差值；基于误差值设置若干个误差范围，根据误差范围设置对应的改进发电效能策略。
上述技术方案的有益效果为：采用本实施例提供的方案，通过制定改进发电效能策略，可以为光伏发电地效能提升提供参考和执行依据。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种大型光伏发电系统的MPPT控制方法，其特征在于，包括：
S1：获取用于仿真实验发电的光伏电池板和附属装置；
S2：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏发电，获得输出功率；
S3：将输出功率作为评价函数，进行迭代搜索，完成光伏阵列的MPPT控制。
2.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S1包括：
S101:获取若干块独立光伏电池板和附属装置，附属装置包括若干个二极管、升压转换器和负载器件；
S102:将若干块独立光伏电池板串联后与若干个二极管并联，组成光伏发电模组；
S103:利用升压转换器将光伏发电模组的输出电压连接到负载器件后测试负载。
3.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S103包括：
升压转换器包括升压控制器开关，升压控制器开关与预设的电感连接，电感与光伏发电模组连接；升压控制器开关连接光伏发电模组测试负载；当升压控制器开关闭合时，利用电感存储电能；当升压控制器开关断开时，利用光伏发电模组和电感为光伏发电模组测试负载供电，完成升压过程。
4.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S2包括：
S201：设置鹰栖息优化算法参数，鹰栖息优化算法参数包括缩放因子和位置增量；
S202：根据鹰栖息优化算法参数，通过迭代采样，按照从全局搜索到局部搜索的步骤，对光伏发电模组的输出电压进行搜索，获得最大功率点的样本集。
5.根据权利要求4所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S201中的缩放因子，用下述公式表示：
其中，q表示缩放因子，r表示迭代次数最大值，e表示分辨率范围，wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
6.根据权利要求4所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S202包括：
设置由L只鹰组成的种群，将L只鹰均匀分布在目标搜索空间内；每只鹰负责搜索各自的目标空间；
利用协同搜索的方法，每只鹰搜索各自目标空间以及除各自目标空间外的空间，获得搜索结果样本集；搜索结果样本集的计算公式为：
Y1＝Y+wi*(2*Y∈-1)
上式中,Y1表示种群所有个体搜索更新位置，Y表示种群所有个体初始位置，Yε表示鹰在位置Y上向所有可能的方向搜索之后，在原位置上的位置增量；wi表示第i次搜索的缩放变量，i为要搜索的粒子的数量。
7.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S3包括：
S301：将样本集输入预设的评价函数，计算获得占空比的组合；
S302：比较处于预设量程范围内的占空比的值，筛选出最大功率点所对应的第一位置，计算第一位置对应的最佳占空比；最佳占空比的计算公式为：
上式中，α代表在目标空间中使用的第α个粒子，β代表对应位置的第β维搜索数量，Yα，β代表每只鹰搜索各自目标空间搜索到的最大功率点样本集，表示鹰在除各自目标空间外的空间搜索到的最大功率点样本集；
S303：通过最佳占空比实现对最大功率点跟踪的最优控制。
8.根据权利要求7所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，S303包括：
S3031：判断当前获得的最大功率点是否达到最大迭代次数，若达到，转至步骤S3032，若未达到，进行迭代搜索；
S3032：输出获得的最大功率点，完成光伏发电的MPPT控制。
9.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，还包括S4，根据仿真实验结果，设置缩放因子和位置增量的调整阶梯数值，具体步骤为：
S401：基于仿真实验发电，获取光伏发电系统的理论最大功率；
S402：设计无阴影、部分静态阴影以及动态阴影三种不同光照强度测试环境，利用MATLAB软件、或SIMULINK软件进行仿真测试，获得测试结果；
S403：基于测试结果，获得输出最大功率与理论最大功率的误差，以及收敛时间；
S404：根据光伏发电的具体要求，设置误差及收敛时间数值集，并设置缩放因子q和位置增量Yε的调整阶梯数值。
10.根据权利要求1所述的一种大型光伏发电系统的MPPT控制方法，其特征在于，还包括S5，基于光伏发电基本条件，制定改进发电效能策略，具体步骤为；
S501：根据光伏发电的历史数据，获取光伏电池组件的温度、遮挡阴影面积、动态遮挡阴影变化速率与理论最大输出功率的匹配关系，基于匹配关系，构建温度-阴影-最大输出功率匹配模型；
S502：获取光伏电池组件的实际温度和实际遮挡阴影面积，基于温度-阴影-最大输出功率匹配模型，计算获得第一理论最大输出功率；
S503：基于调整缩放因子和调整位置增量后的鹰栖息优化算法计算光伏电池组件发电，获得第二输出功率；以及第二输出功率与第一理论最大输出功率的误差值；基于误差值设置若干个误差范围，根据误差范围设置对应的改进发电效能策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497495.2A CN116663397A (zh) | 2023-05-05 | 2023-05-05 | 一种大型光伏发电系统的mppt控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497495.2A CN116663397A (zh) | 2023-05-05 | 2023-05-05 | 一种大型光伏发电系统的mppt控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116663397A true CN116663397A (zh) | 2023-08-29 |
Family
ID=87716175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310497495.2A Pending CN116663397A (zh) | 2023-05-05 | 2023-05-05 | 一种大型光伏发电系统的mppt控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663397A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116810188A (zh) * | 2023-08-30 | 2023-09-29 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
| CN116937694A (zh) * | 2023-09-15 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏发电系统mppt控制器的控制方法及系统 |
-
2023
- 2023-05-05 CN CN202310497495.2A patent/CN116663397A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116810188A (zh) * | 2023-08-30 | 2023-09-29 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
| CN116810188B (zh) * | 2023-08-30 | 2024-01-09 | 深圳英谷激光有限公司 | 一种激光器控制方法及系统 |
| CN116937694A (zh) * | 2023-09-15 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏发电系统mppt控制器的控制方法及系统 |
| CN116937694B (zh) * | 2023-09-15 | 2023-11-28 | 广州德姆达光电科技有限公司 | 一种光伏发电系统mppt控制器的控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A review of maximum power point tracking techniques for use in partially shaded conditions | |
| Hamdi et al. | Real-time study of a photovoltaic system with boost converter using the PSO-RBF neural network algorithms in a MyRio controller | |
| Kermadi et al. | Artificial intelligence-based maximum power point tracking controllers for Photovoltaic systems: Comparative study | |
| Bahrami et al. | Hybrid maximum power point tracking algorithm with improved dynamic performance | |
| Karlis et al. | A novel maximum power point tracking method for PV systems using fuzzy cognitive networks (FCN) | |
| Messai et al. | Maximum power point tracking using a GA optimized fuzzy logic controller and its FPGA implementation | |
| CN111563611A (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| CN116663397A (zh) | 一种大型光伏发电系统的mppt控制方法 | |
| Zafar et al. | Towards green energy for sustainable development: Machine learning based MPPT approach for thermoelectric generator | |
| Motamarri et al. | GMPPT by using PSO based on Lévy flight for photovoltaic system under partial shading conditions | |
| Welch et al. | Energy dispatch fuzzy controller for a grid-independent photovoltaic system | |
| Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
| Makhloufi et al. | Tracking power photovoltaic system using artificial neural network control strategy | |
| Mellit et al. | A survey on the application of artificial intelligence techniques for photovoltaic systems | |
| Atici et al. | Grey wolf optimization based MPPT algorithm for solar PV system with sepic converter | |
| Boutabba et al. | A new implementation of maximum power point tracking based on fuzzy logic algorithm for solar photovoltaic system | |
| CN114706445B (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
| Abderrahim et al. | A New Improved Variable Step Size MPPT Method for Photovoltaic Systems Using Grey Wolf and Whale Optimization Technique Based PID Controller. | |
| Khan et al. | A novel hybrid maximum power point tracking controller based on artificial intelligence for solar photovoltaic system under variable environmental conditions | |
| Arpacı et al. | Design and comparison of perturb & observe and fuzzy logic controller in maximum power point tracking system for PV system by using MATLAB/Simulink | |
| Ali et al. | Improved design of advanced controller for a step up converter used in photovoltaic system | |
| Raeisi et al. | Designing and construction of a solar panel simulator capable of simulating partial shading conditions | |
| Elzein et al. | An evaluation of photovoltaic systems MPPT techniques under the characteristics of operational conditions | |
| Wee et al. | Prediction of Rooftop Photovoltaic Power Generation Using Artificial Neural Network | |
| Afghoul et al. | Comparison study between conventional and artificial neural networks MPPT techniques for standalone PV system |
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 |