TWI721864B - 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 - Google Patents

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 Download PDF

Info

Publication number
TWI721864B
TWI721864B TW109112688A TW109112688A TWI721864B TW I721864 B TWI721864 B TW I721864B TW 109112688 A TW109112688 A TW 109112688A TW 109112688 A TW109112688 A TW 109112688A TW I721864 B TWI721864 B TW I721864B
Authority
TW
Taiwan
Prior art keywords
particles
maximum power
solar photovoltaic
particle
value
Prior art date
Application number
TW109112688A
Other languages
English (en)
Other versions
TW202141217A (zh
Inventor
趙貴祥
蔡仁翔
Original Assignee
國立勤益科技大學
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 國立勤益科技大學 filed Critical 國立勤益科技大學
Priority to TW109112688A priority Critical patent/TWI721864B/zh
Application granted granted Critical
Publication of TWI721864B publication Critical patent/TWI721864B/zh
Publication of TW202141217A publication Critical patent/TW202141217A/zh

Links

Images

Classifications

    • 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

  • Control Of Electrical Variables (AREA)

Abstract

一種太陽光電裝置之最大功率追蹤方法使用粒子群最佳化演算法追蹤太陽光電模組陣列之最大輸出功率，包含：輸出控制訊號至轉換器模組、接收太陽光電模組陣列基於控制訊號所產出之電壓及電流，並據此計算輸出功率，且設定輸出功率為粒子之適應值；更新粒子之個體最佳適應值、個體最佳位置、群體最佳適應值及群體最佳位置；進行權重最佳化計算，以決定粒子之個體學習因子、群體學習因子及權重值，其中權重值取決於個體學習因子與群體學習因子；利用個體學習因子、群體學習因子、權重值、個體最佳位置以及群體最佳位置更新粒子之位置與速度。

Description

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
本揭露一些實施例是有關於一種太陽光電裝置，特別關於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。
太陽光電模組陣列(photovoltaic module array)之輸出功率受到日照強度及溫度的影響，故其輸出功率呈非線性變化，因此必須以最大功率追蹤器控制其輸出功率維持在最大功率點。目前較常用的最大功率追蹤法有電壓迴授法(voltage feedback)、定電壓追蹤法(constant voltage)、功率迴授法(power feedback)、擾動觀察法(perturb and observe，P & O)及增量電導法(incremental conductance，INC)等。
上述這些既有的最大功率追蹤法皆不適用於太陽光電模組陣列發生部份模組遮蔭(shading)或故障之工作情況，乃因當部分模組發生遮蔭或故障時，太陽光電模組 陣列之功率-電壓(P-V)特性將出現雙峰值或多峰值之特性。因此，若採用上述傳統型最大功率追蹤法，將有可能陷於追蹤到局部最大功率點，而非全域之最大功率點的困境。
此外，近年來有許多學者提出太陽光電模組陣列之智慧型最大功率追蹤法，如模糊控制法(fuzzy control，FC)、基因演算法(genetic algorithm，GA)、人工蜂群演算法(artificial bee colony algorithms，ABC)、類神經網路演算法(neural network，NN)。雖然既有的智慧型最大功率追蹤法可應用在多峰值P-V輸出特性曲線情況下，但卻有運算量大或成功率不高等問題。
另外還有粒子群最佳化演算法(particle swarm optimization，PSO)亦可應用於最大功率追蹤。以傳統的粒子群最佳化演算法來說，其權重值(weight)W、個體學習因子(cognition learning factor)C1與群體學習因子(social learning factor)C2的設定值，將會影響其成功率與追蹤效率。當權重值設定過小，造成粒子在移動時步伐過小，因而在遭遇多峰值問題時，會無法順利跳脫區域最佳解；反之，若權重值設定過大，會使粒子在移動時步伐過大，無法精準的找尋到最佳解。此外，若學習因子設定過大，所花費的疊代時間會增加，造成、整體追蹤效率降低。由此可知，對傳統的粒子群最佳化演算法而言，參數(W、C1、C2)的設定佔了極大的重要性，設置不當將導致相對收斂得慢和高計算成本。然而，由於傳統的 粒子群最佳化演算法之參數W、C1、C2為固定值，因此一旦設定不佳，將會導致追蹤效率大幅下降。
本揭露之目的在於提出一種使用粒子群最佳化演算法之太陽光電裝置及其最大功率追蹤方法，能在模組陣列受到不同遮蔭比例而產生具多峰值(例如雙峰、三峰或四峰值)之P-V特性曲線下，可以成功跳脫區域(local)最大功率點，迅速而穩定的追蹤到全域之最大功率點。
根據本揭露之上述目的，提出一種太陽光電裝置之最大功率追蹤方法，其中太陽光電裝置包含太陽光電模組陣列、轉換器模組以及負載。轉換器模組與太陽光電模組陣列及負載電性連接，並包含開關元件。最大功率追蹤方法使用粒子群最佳化演算法追蹤太陽光電模組陣列之最大輸出功率，粒子群最佳化演算法包含複數個粒子及疊代，各粒子具有位置與速度，疊代之總次數為n。最大功率追蹤方法包含：初始化粒子之位置與速度，其中各粒子的位置對應至給開關元件之控制訊號的責任週期；依據當前疊代次數j進行疊代，其中，對於各粒子，依據粒子之位置輸出對應之控制訊號至轉換器模組之開關元件以控制開關元件之導通時間，接收太陽光電模組陣列基於控制訊號所產出之輸出電壓及輸出電流，並依據輸出電壓及輸出電流計算輸出功率，且設定輸出功率為粒子之適應值；及比較適應值與粒子之個體最佳適應值以及此些粒子之群體最佳 適應值，以更新粒子之個體最佳適應值及個體最佳適應值所對應之個體最佳位置、以及粒子之群體最佳適應值及群體最佳適應值所對應之群體最佳位置；利用粒子之位置以及適應值進行權重最佳化計算，以決定各粒子之個體學習因子、群體學習因子及權重值，其中權重值取決於個體學習因子與群體學習因子；利用個體學習因子、群體學習因子、權重值、個體最佳位置以及群體最佳位置更新粒子之位置與速度；當當前疊代次數j未達到總次數n時，設定j=j+1並執行疊代；以及當當前疊代次數j達到總次數n時，群體最佳位置係對應最大輸出功率所對應之控制訊號的責任週期。
在一些實施例中，權重值依據下面公式計算：
Figure 109112688-A0101-12-0004-2
，其中，W代表權重值，C1代表個體學習因子，C2代表群體學習因子。
在一些實施例中，個體學習因子與群體學習因子係與粒子之平均差異值以及Sigmoid函數相關。
在一些實施例中，個體學習因子依據下面公式計算：
Figure 109112688-A0101-12-0004-3
，其中DM代表平均差異值。
在一些實施例中，群體學習因子依據下面公式計算：
Figure 109112688-A0101-12-0004-4
，其中DM代表平均差異值。
在一些實施例中，平均差異值係與教與學演算法之教學因子相關。
在一些實施例中，平均差異值依據下面公式計算：
Figure 109112688-A0101-12-0005-5
、
Figure 109112688-A0101-12-0005-6
以及DM j,k =r k (X j,k_best -T F ×M)，其中， NP代表粒子之個數，Xk代表第k個粒子之位置，TF代表教學因子，Xj,k代表第k個粒子在第j次疊代時的位置，Xj,k_best代表在第j次疊代中具有最佳適應值之粒子之位置，DMj,k代表在第k個粒子在第j次疊代時之平均差異值，rk代表第k個粒子之隨機值。
在一些實施例中，更新粒子之速度與位置依據下面公式計算：
Figure 109112688-A0101-12-0005-7
；以及
Figure 109112688-A0101-12-0005-8
，其中，
Figure 109112688-A0101-12-0005-9
代表第i個粒子在第j次疊代時 之速度，rand1(．)代表隨機值，rand2(．)代表另一隨機值， pbest,i代表第i個粒子之個體最佳位置，
Figure 109112688-A0101-12-0005-10
代表第i個粒 子在第j次疊代時之位置，gbest代表群體最佳位置。
根據本揭露之上述目的，提出一種太陽光電裝置包含太陽光電模組陣列、轉換器模組、負載以及最大功率追蹤模組。轉換器模組與太陽光電模組陣列電性連接並包含開關元件。負載與轉換器模組電性連接。最大功率追蹤模組與太陽光電模組陣列及轉換器模組電性連接，最大功率追蹤模組進行如上所述之最大功率追蹤方法。
在一些實施例中，太陽光電模組陣列為單串單並、單串多並、多串一並、或多串多並之配置。
綜上所述，本揭露之一種太陽光電裝置及其最大功率追蹤方法採用改良型粒子群最佳化演算法，並插入權重 最佳化計算以得到智慧型的學習因子來調整權重值，而能以較少時間追蹤到全域最大功率點，且具有較佳之穩態性能。因此，本揭露之使用粒子群最佳化演算法之太陽光電裝置能在模組陣列受到不同遮蔭比例而產生P-V特性曲線具多峰值(例如雙峰、三峰或四峰值)下，可以成功跳脫區域(local)最大功率點，迅速而穩定的追蹤到全域之最大功率點。
另外，在本揭露中，個體學習因子及群體學習因子參數採具有最佳化參數之Sigmoid函數進行調整，而演算法中的權重值則以兩學習因子之比值進行修正，藉以降低疊代次數以提升追蹤速度，並提高其追蹤到真正最大功率點的成功率及穩態性能。
為讓本揭露的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式做詳細說明如下。
1:太陽光電裝置
11:太陽光電模組陣列
12:最大功率追蹤模組
1201~1216,S11~S15:步驟
13:轉換器模組
14:負載
Cin:輸入電容器
Cout:輸出電容器
CS:控制訊號
D:二極體
Ipv:太陽光電模組陣列的輸出電流
L:電感器
S:開關元件
Vpv:太陽光電模組陣列的輸出電壓
從以下結合所附圖式所做的詳細描述，可對本揭露之態樣有更佳的了解。需注意的是，根據業界的標準實務，各特徵並未依比例繪示。事實上，為了使討論更為清楚，各特徵的尺寸都可任意地增加或減少。
〔圖1〕為本揭露一些實施例之一種太陽光電裝置的功能方塊圖。
〔圖2〕為本揭露一些實施例之一種太陽光電裝置之應用的示意圖。
〔圖3〕為本揭露一些實施例之一種太陽光電裝置之最大功率追蹤方法的流程圖。
〔圖4〕為本揭露一些實施例之太陽光電裝置之權重最佳化計算的流程圖。
以下仔細討論本揭露的實施例。然而，可以理解的是，實施例提供許多可應用的概念，其可實施於各式各樣的特定內容中。所討論與揭示的實施例僅供說明，並非用以限定本揭露之範圍。本揭露的所有實施例揭露多種不同特徵，但這些特徵可依需求而單獨實施或結合實施。另外，關於本發明中所使用之「第一」、「第二」、...等，並非特別指次序或順位的意思，其僅為了區別以相同技術用語描述的元件或操作。此外，本揭露所敘述之二元件之間的空間關係不僅適用於圖式所繪示之方位，亦適用於圖式所未呈現之方位，例如倒置之方位。此外，本揭露所稱二個部件的「連接」、「耦接」、「電性連接」或之類用語並非僅限制於此二者為直接的連接、耦接、或電性連接，亦可視需求而包含間接的連接、耦接、或電性連接。
圖1為本揭露一些實施例之一種太陽光電裝置1的功能方塊圖。如圖1所示，太陽光電裝置1包含太陽光電模組陣列11、最大功率追蹤模組12、轉換器模組13以及負載14。
太陽光電模組陣列11為多個太陽光電模組所組成 之陣列。太陽光電模組陣列11可具有不同串、並聯的配置，例如是單串單並(例如1串1並)、單串多並(例如1串3並)、多串一並(例如4串1並)、或多串多並(2串2並)之太陽光電模組陣列。
轉換器模組13與太陽光電模組陣列11電性連接。轉換器模組13用以轉換太陽光電模組陣列11之輸出功率以適合負載14使用。轉換器模組13例如為升壓型轉換器(boost converter)模組。在其他實施例中，轉換器模組13可按需求而為其他轉換器模組，例如為降壓型轉換器(buck converter)模組或降-升壓型轉換器(buck-boost converter)模組。
負載14與轉換器模組13電性連接，並接收來自轉換器模組13之電力供應。於此不限制負載14之種類。
最大功率追蹤模組12與太陽光電模組陣列11及轉換器模組13電性連接。最大功率追蹤模組12使用粒子群最佳化演算法搜尋太陽光電模組陣列11之最大輸出功率。在搜尋過程中，最大功率追蹤模組12可輸出控制訊號CS至轉換器模組13，這控制訊號CS為脈寬調變(pulse width modulation，PWM)訊號，並具有不同的責任週期(duty cycle)。然後，最大功率追蹤模組12可接收太陽光電模組陣列11基於這些控制訊號CS所產出之輸出電壓Vpv及輸出電流Ipv。
圖2為本揭露一些實施例之一種太陽光電裝置1之應用的示意圖。如圖2所示，舉例來說，在此實施例中， 太陽光電模組陣列11為4串3並的太陽光電模組陣列；最大功率追蹤模組12實現於數位訊號處理器中；轉換器模組13以升壓型轉換器模組為例，並包含電感器L、開關元件S(以電晶體為例)、二極體D及輸出電容器Cout。另外，在太陽光電模組陣列11與轉換器模組13之間更設有輸入電容器Cin。
在操作過程中，最大功率追蹤模組12輸出具特定責任週期之控制訊號CS給轉換器模組13之開關元件S以控制其導通時間，進而影響太陽光電模組陣列11之輸出功率。接著，透過感測器及/或訊號轉換電路等感測單元(未顯示)將太陽光電模組陣列11的輸出電流Ipv及輸出電壓Vpv擷取至最大功率追蹤模組12中。
圖3為本揭露一些實施例之一種太陽光電裝置1之最大功率追蹤方法的流程圖，其中最大功率追蹤是使用本揭露之改良型粒子群最佳化演算法。粒子群最佳化演算法包含複數個粒子及疊代，各粒子具有位置與速度，本實施例之疊代之總次數為n。
如圖3所示，在步驟1201中，初始化粒子群最佳化演算法的相關參數，例如是粒子數Np、疊代次數n、各粒子的初始位置及速度、個體學習因子(C1)的初始值、群體學習因子(C2)的初始值、權重值(W)的初始值、個體最佳適應值(Pbest)的初始值、群體最佳適應值(Gbest)的初始值等等。
在步驟1202中，設定粒子群最佳化演算法的粒子 為i，其中i=1，2，3…Np，由i=1開始計算。在步驟1203中，輸出粒子i的責任週期，亦即由圖2之最大功率追蹤模組12依據粒子i之位置輸出對應的控制訊號CS給轉換器模組13之開關元件S以控制開關元件S之導通時間。粒子i的位置對應控制訊號CS的責任週期或與控制訊號CS的責任週期相關，在本實施例中，設定粒子i的位置即為控制訊號CS之責任週期，但在其他實施例中亦可設定粒子i的位置經過特定轉換而成為控制訊號CS的責任週期。
在步驟1204中，偵測太陽光電模組陣列11之輸出電流Ipv及輸出電壓Vpv，於此是藉由感測器及/或訊號轉換電路等感測單元(未顯示)將太陽光電模組陣列11的輸出電流Ipv及輸出電壓Vpv擷取至最大功率追蹤模組12中。
在步驟1205中，計算太陽光電模組陣列11之輸出功率，於此是使輸出電流Ipv及輸出電壓Vpv相乘而得到輸出功率。在本實施例中，將此輸出功率設定為粒子i的適應值(fitness value)，即當輸出功率較高時，粒子i的適應值亦較高。
在步驟1206中，比對目前輸出功率(適應值)是否大於粒子i的個體最佳適應值Pbest。在步驟1207中，若是則以輸出功率更新粒子i的個體最佳適應值Pbest，並以當前粒子i的位置更新粒子i的個體最佳位置pbest。在步驟1208中，比對此個體最佳適應值Pbest是否大於所有 粒子的群體最佳適應值Gbest。在步驟1209中，若是則以個體最佳適應值Pbest更新群體最佳適應值Gbest並以當前粒子i的個體最佳位置pbest更新群體最佳位置gbest。在步驟1210中，確認所有粒子是否完成評估。在步驟1211中，若所有粒子未完成評估則進行下個粒子i=i+1之評估。
接著，在步驟1212中，若所有粒子完成評估則進行本揭露之粒子群最佳化演算法之權重最佳化(weight optimization)計算。圖4為本揭露一些實施例之權重最佳化計算的流程圖。如圖4所示，步驟S11，計算複數個粒子之平均值。於此是計算所有粒子的位置平均值。步驟S11可依據下面公式計算：
Figure 109112688-A0101-12-0011-12
其中，NP是粒子個數，Xk是第k個粒子之位置。
步驟S12，以此次疊代中具有最佳適應值之粒子的位置來計算教與學最佳化演算法之教學因子TF，亦即是將教與學最佳化演算法之教學因子TF更改為可根據粒子之吸收能力而自動調整。步驟S12可依據下面公式計算：
Figure 109112688-A0101-12-0011-11
其中，Xj,k是第k個粒子在第j次疊代時的位置，Xj,k_best是在第j次疊代時具有第j次疊代中之最佳適應值(即最大輸出功率)之粒子之位置。
步驟S13，利用步驟S11之平均值M以及步驟S12之教學因子TF來計算這些粒子的平均差異值 (difference mean)。步驟S13可依據下面公式計算：
DM j,k =r k (X j,k_best -T F ×M) (3)
其中，DMj,k是在第j次疊代時第k個粒子的平均差異值，rk是第k個粒子的隨機值，例如是在區間[0,1]的隨機值。
步驟S14，以Sigmoid函數來計算粒子群最佳化演算法之每一粒子的個體學習因子(cognition learning factor)C1與群體學習因子(social learning factor)C2，且將在步驟S13中得到之平均差異值DM代入這些Sigmoid函數的指數。步驟S14可依據下面公式計算：
Figure 109112688-A0101-12-0012-15
Figure 109112688-A0101-12-0012-16
步驟S15，利用步驟S14之個體學習因子C1與群體學習因子C2計算粒子群最佳化演算法之權重值W。步驟S15可依據下面公式計算：
Figure 109112688-A0101-12-0012-18
在計算出C1、C2、W之後，可進行步驟1213，利用每一粒子的個體學習因子、群體學習因子以及權重值更新每一粒子的位置與速度。步驟1213可依據下面公式計算：
Figure 109112688-A0101-12-0012-19
Figure 109112688-A0101-12-0012-45
其中，
Figure 109112688-A0101-12-0013-22
代表第i個粒子在第j次疊代時之移動速 度，rand1(．)代表第一組亂數，其值介於0到1之間，rand2(．)代表第二組亂數，其值介於0到1之間，pbest,i代表第i 個粒子的個體最佳位置，
Figure 109112688-A0101-12-0013-23
代表第i個粒子在第j次疊代 時的位置，gbest代表群體最佳位置。在本實施例中，rand1(．)與rand2(．)可相等或不相等。
接著，步驟1214，確認是否達到設定之疊代次數。步驟1215，若否則進行下一次疊代，即當當前疊代次數j未達到總次數n時，設定j=j+1並執行疊代。步驟1216，若是則結束太陽光電裝置1之最大功率追蹤，即當當前疊代次數j達到總次數n時，群體最佳位置gbest係對應最大輸出功率所對應之控制訊號的責任週期。此時，可由圖1或圖2的最大功率追蹤模組12輸出具有最佳責任週期之控制訊號CS給轉換器模組13，使得太陽光電模組陣列11在遮蔭情況下仍能達到最大輸出功率。在本實施例中，最佳責任週期是由群體最佳位置gbest所代表。
以下為本揭露一些實施例之改良型(權重最佳化)粒子群最佳化演算法與傳統型粒子群最佳化演算法的比較及其驗證說明。
表1顯示傳統型粒子群最佳化演算法之一種參數設定值。
Figure 109112688-A0101-12-0013-21
Figure 109112688-A0101-12-0014-24
表2顯示本揭露改良型粒子群最佳化演算法的參數設定值。
Figure 109112688-A0101-12-0014-25
表3顯示此驗證所使用之太陽光電模組的電氣參數規格。
Figure 109112688-A0101-12-0014-26
Figure 109112688-A0101-12-0015-27
表4顯示所選定之五種不同串並聯配置及遮蔭情況。
Figure 109112688-A0101-12-0015-28
表5顯示上面5種模擬案例採用傳統型及改良型粒子群最佳化演算法之比較。由表5可知，改良型粒子群最佳化演算法在各案例下多次進行模擬，追蹤到最大功率輸出所需的疊代次數均少於傳統型粒子群最佳化演算法。
表5
Figure 109112688-A0101-12-0016-29
由表5亦可知，採傳統型PSO時，於案例3及案例4進行多次模擬下之疊代次數的平均值皆不盡理想，主要是多峰值有著高度相近似之區域解，導致傳統型PSO陷入區域解，並花費較多的疊代次數追蹤到最大功率點。而本揭露所提之權重最佳化PSO演算法藉由智慧型的學習因子來調整權重值，使PSO的教學因子能根據不同情況自動調整，故此演算法確實可應用在太陽光電模組陣列之最大功率追蹤上，特別是在太陽光電模組陣列中發生部分模組受到不同之遮蔭比例，而使P-V特性曲線出現多峰值之現象。
另外，在一實測中，以上述五種案例分別以傳統型PSO與權重最佳化PSO演算法各進行10次最大功率追蹤，分別計算出其平均追蹤時間與追蹤到之最大功率的平均值，如表6所示。
表6
Figure 109112688-A0101-12-0017-30
由表6可知，採用權重最佳化PSO可較快速追蹤到最大功率點，且其追蹤到的穩態功率值亦較高，此外與表5之模擬結果比較得知在多峰值狀況下，傳統型PSO於高度相近之區域解表現最差，這與實測結果相互呼應，故可證明本揭露所提之權重最佳化PSO之最大功率追蹤方法具有優良的追蹤速度及精準度。
由以上說明可知，本揭露之一種太陽光電裝置及其最大功率追蹤方法採用改良型粒子群最佳化演算法，並插入權重最佳化計算以得到智慧型的學習因子來調整權重值，而能以較少時間追蹤到全域最大功率點，且具有較佳之穩態性能。因此，本揭露之使用粒子群最佳化演算法之太陽光電裝置能在模組陣列受到不同遮蔭比例而產生P-V特性 曲線具多峰值(例如雙峰、三峰或四峰值)下，可以成功跳脫區域(local)最大功率點，迅速而穩定的追蹤到全域之最大功率點。
另外，在本揭露中，個體學習因子及群體學習因子參數採具有最佳化參數之Sigmoid函數進行調整，而演算法中的權重值則以兩學習因子之比值進行修正，藉以降低疊代次數以提升追蹤速度，並提高其追蹤到真正最大功率點的成功率及穩態性能。
以上概述了數個實施例的特徵，因此熟習此技藝者可以更了解本揭露的態樣。熟習此技藝者應了解到，其可輕易地把本揭露當作基礎來設計或修改其他的製程與結構，藉此實現和在此所介紹的這些實施例相同的目標及/或達到相同的優點。熟習此技藝者也應可明白，這些等效的建構並未脫離本揭露的精神與範圍，並且他們可以在不脫離本揭露精神與範圍的前提下做各種的改變、替換與變動。
1201~1216:步驟

Claims (10)

  1. 一種太陽光電裝置之最大功率追蹤方法，其中該太陽光電裝置包含一太陽光電模組陣列、一轉換器模組以及一負載，該轉換器模組與該太陽光電模組陣列及該負載電性連接，並包含一開關元件，該最大功率追蹤方法使用一粒子群最佳化演算法追蹤該太陽光電模組陣列之一最大輸出功率，該粒子群最佳化演算法包含複數個粒子及一疊代，各該些粒子具有一位置與一速度，該疊代之一總次數為n，該最大功率追蹤方法包含：
    初始化該些粒子之該些位置與該些速度，其中各該些粒子的該位置對應至給該開關元件之一控制訊號之一責任週期；
    依據一當前疊代次數j進行該疊代，其中，
    對於各該些粒子，
    依據該粒子之該位置輸出對應之該控制訊號至該轉換器模組之該開關元件以控制該開關元件之一導通時間，接收該太陽光電模組陣列基於該控制訊號所產出之一輸出電壓及一輸出電流，並依據該輸出電壓及該輸出電流計算一輸出功率，且設定該輸出功率為該粒子之一適應值；及
    比較該適應值與該粒子之一個體最佳適應值以及該些粒子之一群體最佳適應值，以更新該粒子之該個體最佳適應值及該個體最佳適應值所對應之一個體最佳位置、以及該些粒子之該群體最佳適應 值及該群體最佳適應值所對應之一群體最佳位置；
    利用該些粒子之該些位置以及該些適應值進行一權重最佳化計算，以決定各該些粒子之一個體學習因子、一群體學習因子及一權重值，其中該權重值取決於該個體學習因子與該群體學習因子；
    利用該些個體學習因子、該些群體學習因子、該些權重值、該些個體最佳位置以及該群體最佳位置更新該些粒子之該些位置與該些速度；
    當該當前疊代次數j未達到總次數n時，設定j=j+1並執行該疊代；以及
    當該當前疊代次數j達到總次數n時，該群體最佳位置係對應該最大輸出功率所對應之該控制訊號之該責任週期。
  2. 如請求項1所述之太陽光電裝置之最大功率追蹤方法，其中該權重值依據下面公式計算：
    Figure 109112688-A0101-13-0002-32
    其中，W代表該權重值，C1代表該個體學習因子，C2代表該群體學習因子。
  3. 如請求項1所述之太陽光電裝置之最大功率追蹤方法，其中該個體學習因子與該群體學習因子係與該些粒子之一平均差異值以及Sigmoid函數相關。
  4. 如請求項3所述之太陽光電裝置之最大功率追蹤方法，其中該個體學習因子依據下面公式計算：
    Figure 109112688-A0101-13-0003-33
    其中DM代表該平均差異值。
  5. 如請求項3所述之太陽光電裝置之最大功率追蹤方法，其中該群體學習因子依據下面公式計算：
    Figure 109112688-A0101-13-0003-34
    其中DM代表該平均差異值。
  6. 如請求項3所述之太陽光電裝置之最大功率追蹤方法，其中該平均差異值係與一教與學演算法之一教學因子相關。
  7. 如請求項6所述之太陽光電裝置之最大功率追蹤方法，其中該平均差異值依據下面公式計算：
    Figure 109112688-A0101-13-0003-35
    Figure 109112688-A0101-13-0003-36
    ；以及
    DMj,k=rk(Xj.k_best-TF×M),
    其中，NP代表該些粒子之個數，Xk代表第k個粒子之位置，TF代表該教學因子，Xj,k代表第k個粒子在第j次疊代時的位置，Xj,k_best代表在第j次疊代中具有一最佳適應值之該粒子之一位置，DMj,k代表在第k個粒子在 第j次疊代時之該平均差異值，rk代表第k個粒子之一隨機值。
  8. 如請求項1所述之太陽光電裝置之最大功率追蹤方法，其中更新該些粒子之該些速度與該些位置依據下面公式計算：
    Figure 109112688-A0101-13-0004-47
    ；以及
    Figure 109112688-A0101-13-0004-38
    其中，
    Figure 109112688-A0101-13-0004-39
    代表第i個粒子在第j次疊代時之該速度， rand1(．)代表一隨機值，rand2(．)代表另一隨機值，pbest,i代 表第i個粒子之該個體最佳位置，
    Figure 109112688-A0101-13-0004-40
    代表第i個粒子在第 j次疊代時之該位置，gbest代表該群體最佳位置。
  9. 一種太陽光電裝置，包含：
    一太陽光電模組陣列；
    一轉換器模組，與該太陽光電模組陣列電性連接並包含一開關元件；
    一負載，與該轉換器模組電性連接；以及
    一最大功率追蹤模組，與該太陽光電模組陣列及該轉換器模組電性連接，該最大功率追蹤模組進行如請求項1至請求項8之任一項所述之該最大功率追蹤方法。
  10. 如請求項9所述之太陽光電裝置，其中該太 陽光電模組陣列為單串單並、單串多並、多串一並、或多串多並之配置。
TW109112688A 2020-04-15 2020-04-15 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 TWI721864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109112688A TWI721864B (zh) 2020-04-15 2020-04-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109112688A TWI721864B (zh) 2020-04-15 2020-04-15 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

Publications (2)

Publication Number Publication Date
TWI721864B true TWI721864B (zh) 2021-03-11
TW202141217A TW202141217A (zh) 2021-11-01

Family

ID=76036039

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109112688A TWI721864B (zh) 2020-04-15 2020-04-15 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

Country Status (1)

Country Link
TW (1) TWI721864B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2503427A1 (en) * 2011-03-23 2012-09-26 ABB Research Ltd. Method for searching global maximum power point
TW201506576A (zh) * 2013-08-12 2015-02-16 Nat Univ Chin Yi Technology 太陽光電模組陣列最佳化配置方法及其系統
TW201525644A (zh) * 2013-12-26 2015-07-01 Univ Nat Cheng Kung 太陽能發電系統與其異常檢測方法
US9397501B2 (en) * 2013-09-09 2016-07-19 Mitsubishi Electric Research Laboratories, Inc. Maximum power point tracking for photovoltaic power generation system
US9461535B2 (en) * 2013-12-30 2016-10-04 King Fahd University Of Petroleum And Minerals Photovoltaic systems with maximum power point tracking controller
TW201724731A (zh) * 2015-12-18 2017-07-01 國立勤益科技大學 太陽光電模組陣列之最佳化線上即時故障檢測器及其故障檢測方法
US10256743B2 (en) * 2013-10-03 2019-04-09 City University Of Hong Kong Method and apparatus for regulating an electrical power source based on global and local maximum load power
TW202010243A (zh) * 2018-08-10 2020-03-01 魏榮宗 太陽能光電故障檢測系統及方法
TW202013116A (zh) * 2018-09-28 2020-04-01 龍華科技大學 太陽能發電系統的最大功率追蹤方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2503427A1 (en) * 2011-03-23 2012-09-26 ABB Research Ltd. Method for searching global maximum power point
TW201506576A (zh) * 2013-08-12 2015-02-16 Nat Univ Chin Yi Technology 太陽光電模組陣列最佳化配置方法及其系統
US9397501B2 (en) * 2013-09-09 2016-07-19 Mitsubishi Electric Research Laboratories, Inc. Maximum power point tracking for photovoltaic power generation system
US10256743B2 (en) * 2013-10-03 2019-04-09 City University Of Hong Kong Method and apparatus for regulating an electrical power source based on global and local maximum load power
TW201525644A (zh) * 2013-12-26 2015-07-01 Univ Nat Cheng Kung 太陽能發電系統與其異常檢測方法
US9461535B2 (en) * 2013-12-30 2016-10-04 King Fahd University Of Petroleum And Minerals Photovoltaic systems with maximum power point tracking controller
TW201724731A (zh) * 2015-12-18 2017-07-01 國立勤益科技大學 太陽光電模組陣列之最佳化線上即時故障檢測器及其故障檢測方法
TW202010243A (zh) * 2018-08-10 2020-03-01 魏榮宗 太陽能光電故障檢測系統及方法
TW202013116A (zh) * 2018-09-28 2020-04-01 龍華科技大學 太陽能發電系統的最大功率追蹤方法

Also Published As

Publication number Publication date
TW202141217A (zh) 2021-11-01

Similar Documents

Publication Publication Date Title
Motahhir et al. The most used MPPT algorithms: Review and the suitable low-cost embedded board for each algorithm
Jyothy et al. An artificial neural network based MPPT algorithm for solar PV system
Joshi et al. Maximum power point tracking methodologies for solar PV systems–A review
Hamdi et al. Real-time study of a photovoltaic system with boost converter using the PSO-RBF neural network algorithms in a MyRio controller
Belhachat et al. Global maximum power point tracking based on ANFIS approach for PV array configurations under partial shading conditions
Javed et al. A novel MPPT design using generalized pattern search for partial shading
Gupta et al. A comparative investigation of maximum power point tracking methods for solar PV system
TWI721863B (zh) 太陽光電裝置及其最大功率追蹤方法
Chouksey et al. Fuzzy cognitive network-based maximum power point tracking using a self-tuned adaptive gain scheduled fuzzy proportional integral derivative controller and improved artificial neural network-based particle swarm optimization
CN110286708B (zh) 一种光伏阵列的最大功率跟踪控制方法及系统
Sabareesh et al. LSTM based 24 hours ahead forecasting of solar PV system for standalone household system
Chtouki et al. Comparison of several neural network perturb and observe MPPT methods for photovoltaic applications
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
Chandra et al. Radial basis function neural network technique for efficient maximum power point tracking in solar photo-voltaic system
Lu et al. Design of DC/DC Boost converter with FNN solar cell Maximum Power Point Tracking controller
TWI670612B (zh) 太陽光電模組陣列最大功率追蹤方法
Idrissi et al. Backstepping Integral Sliding Mode Control Method for Maximum Power Point Tracking for Optimization of PV System Operation Based on High-Gain Observer.
KARABİNAOĞLU et al. Comparison of deep learning and regression-based MPPT algorithms in PV systems
Charfi et al. Acomparative study of MPPT techniques for PV systems
CN112711294B (zh) 一种局部遮挡下光伏阵列全局最大功率点追踪方法
Khan et al. Analysis of deep learning models for estimation of MPP and extraction of maximum power from hybrid PV-TEG: A step towards cleaner energy production
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
Sreedhar et al. A review on optimization algorithms for MPPT in solar PV system under partially shaded conditions
Mai et al. Combining Dynamic Adaptive Snake Algorithm with Perturbation and Observation for MPPT in PV Systems under Shading Conditions
Ali et al. Improved design of advanced controller for a step up converter used in photovoltaic system