陳育虎，侯 濤

(蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅蘭州 730070)

新能源發(fā)電成為近年研究的熱點。其中太陽能具有清潔和豐富的特點，成為了前景最好的清潔能源[1]。太陽能發(fā)電功率同時也存在著非線性，時變不確定性等缺點。在不同環(huán)境條件下，光伏電池的輸出功率具有較大差別[2]。為了解決太陽能利用率和發(fā)電質(zhì)量問題，最大功率點跟蹤是當(dāng)前工程中的重要選擇之一[3]。

MPPT 的本質(zhì)就是動態(tài)尋優(yōu)的過程，電池內(nèi)阻與負(fù)載阻抗相匹配即可達(dá)到最大功率點[4]，文獻(xiàn)[5-7]介紹了MPPT 算法，主要包括電導(dǎo)增量法，擾動觀察法，恒定電壓法。MPPT算法在跟蹤最大功率點時收斂速度和收斂精度不夠，因此許多學(xué)者提出了相應(yīng)的改進(jìn)方法，如變步長擾動觀察法，也有將智能算法應(yīng)用到MPPT 中，其收斂速度和收斂精度有所提高。吳海濤等[8]提出的粒子群擾動觀察法，在MPPT 中精度和速度上有一定的改進(jìn)。王志豪等[9]根據(jù)RBF 神經(jīng)網(wǎng)絡(luò)的強非線性擬合特性和快速收斂性，通過RBF 神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)Boost 電路的占空比，改進(jìn)了跟蹤速度。聶曉華等[10]提出了改進(jìn)貓群算法，提高了收斂精度，解決了跟蹤時的早熟問題，動態(tài)過程平穩(wěn)性有一定的提高。鞏瑞春等[11]首次將細(xì)菌覓食算法應(yīng)用到MPPT 中，驗證了細(xì)菌覓食算法在MPPT 中的可行性。李乾坤等[12]提出在細(xì)菌覓食算法復(fù)制操作中，根據(jù)細(xì)菌當(dāng)前適應(yīng)度值的優(yōu)劣進(jìn)行復(fù)制，在一定程度上提高了收斂速度。馬溪原等[13]對細(xì)菌覓食算法趨化步長進(jìn)行改進(jìn)，使得各個細(xì)菌在不同維度前進(jìn)不同的步長，提高了收斂速度和精度。本文在現(xiàn)有研究的基礎(chǔ)上，采用智能探尋游動細(xì)菌覓食算法來保證收斂精度，進(jìn)一步提高收斂速度和動態(tài)過程平穩(wěn)性，進(jìn)而提高光伏發(fā)電系統(tǒng)的利用率。

1 光伏電池數(shù)學(xué)模型和等效電路

光伏電池是將太陽能轉(zhuǎn)化為電能的直接發(fā)電裝置[9]。光伏電池等效電路如圖1 所示。

圖1 光伏電池等效電路

文獻(xiàn)[14]介紹了光伏等效電路，可得光伏電路等效方程如下：

式中：Iph為光電效應(yīng)產(chǎn)生的電流；Ivd為二極管流過的電流；Ush為并聯(lián)電阻上電壓；U為光伏電池輸出電壓；I為光伏電池輸出電流；Ie為二極管反向飽和電流；n為二極管的品質(zhì)因子；k為玻爾茲曼常數(shù)；T為光伏組件的絕對溫度。

本文應(yīng)用文獻(xiàn)[15]中的工程模型，可得光伏電池輸出電流：

實際電路中Rsh很大，Rs很小，則光伏電池輸出功率：

其中，Im1、Um1、Iph1和Uoc1為任一條件下最大功率點電流、電壓、短路電流和開路電壓。

式中：α、β和γ分別為0.002 5 ∕℃，0.05 和0.002 88 ∕℃；Im、Um為標(biāo)準(zhǔn)情況下最大功率點電流和電壓；Iph和Uoc為當(dāng)前條件下最大功率點電流和電壓。

2 光伏電池輸出特性曲線

溫度和光照強度可影響光伏電池的輸出特性。

在溫度恒定為25 ℃時，光照強度分別是800、900、1 000和1 100 W/m2，光伏電池輸出特性曲線如圖2 所示。由圖2 可知，溫度為25 ℃時，光伏電池最大功率點隨光照強度增加而提高。

圖2 溫度為25 ℃光伏電池輸出特性曲線

光照強度恒定為1 000 W/m2時，溫度分別是5、15、25 和35 ℃，光伏電池輸出特性曲線如圖3 所示。由圖3 可知，光照強度為1 000 W/m2時，光伏電池最大功率點隨溫度增加而降低。

一體化控制裝置在中小型灌排泵站中的應(yīng)用………………………………… 史湘琨，宋成法，李端明(12.40)

圖3 光照強度為1 000 W/m2光伏電池輸出特性曲線

3 細(xì)菌覓食算法及其改進(jìn)

(1)細(xì)菌覓食算法

細(xì)菌覓食算法(bacterial foraging optimization algorithm,BFOA)是一種新型群體全局尋優(yōu)算法，該算法具有易跳出局部最優(yōu)解和并行搜索等特點。細(xì)菌覓食主要依靠三個過程尋求最優(yōu)化解：趨化、復(fù)制和遷移。設(shè)細(xì)菌種群的大小是S，細(xì)菌所在位置就是問題的一個候選解，細(xì)菌x用B維向量表示，x為1,2,…,S。θx(a，b，c)表示細(xì)菌x第a次趨化、第b次復(fù)制和第c次遷移之后的位置。在細(xì)菌覓食算法中，搜索空間中細(xì)菌的位置對應(yīng)著優(yōu)化問題的解，優(yōu)化函數(shù)的適應(yīng)度值即目標(biāo)函數(shù)值代表解的優(yōu)良程度。Ned、Nre、Nc表示遷移、復(fù)制、趨向性操作最大次數(shù)[16]。

趨化：細(xì)菌向富養(yǎng)區(qū)域聚集的行為。當(dāng)環(huán)境差時，細(xì)菌頻繁地進(jìn)行旋轉(zhuǎn)，指向一個新的方向，并移動單位步長，旋轉(zhuǎn)后若適應(yīng)度值得到改善，一直沿著這個方向移動，直到適應(yīng)度值不再改善，稱之為游動。當(dāng)環(huán)境好時，較多的細(xì)菌直接進(jìn)行游動。應(yīng)用在最大功率跟蹤中，運動方向只能是二維空間，電壓不降則增。

復(fù)制：生物進(jìn)化過程中，覓食能力弱的會被淘汰，能力強的會進(jìn)行繁殖，將該現(xiàn)象稱為復(fù)制現(xiàn)象。復(fù)制操作在保證種群大小不變的情況下，一半生存能力強的細(xì)菌復(fù)制，另一半生存能力弱的細(xì)菌淘汰。

遷移：當(dāng)細(xì)菌生活的局部區(qū)域突然發(fā)生變化時，經(jīng)過遷移就會使生活在這個局部區(qū)域的部分細(xì)菌遷移到另外一個局部區(qū)域。遷移操作使得細(xì)菌覓食具有隨機搜索的能力，保持種群的多樣性，使搜索過程跳出局部最優(yōu)解達(dá)到全局最優(yōu)，最大功率跟蹤要求收斂快速，所以遷移概率不宜過高。

(2)細(xì)菌覓食算法的改進(jìn)

本文采用智能探尋游動方法，該方法給予細(xì)菌智能探索功能，提前探測下一位置的適應(yīng)度值大小，若是優(yōu)于當(dāng)前時刻，則繼續(xù)游動，反之，則停止游動。這樣就可以避免游動到差環(huán)境下，大大加快了算法的速度。改進(jìn)游動方法如圖4所示。

圖4 智能探尋游動流程圖

(3)改進(jìn)的細(xì)菌覓食算法在MPPT 中的應(yīng)用

最大功率跟蹤裝置對光伏陣列輸出電壓、電流進(jìn)行實時檢測，通過調(diào)節(jié)Boost 升壓斬波電路的占空比，從而改變輸出電壓，達(dá)到光伏陣列輸出功率最大的目的。

記錄當(dāng)前功率值作為初始功率，在MPPT 中，用改進(jìn)的方法進(jìn)行游動，提前探索下一時刻的功率值，若是下一時刻功率值大于當(dāng)前時刻功率值，就讓該細(xì)菌向前游動一步，更新當(dāng)前的占空比和功率值，若是小于當(dāng)前功率值就停止游動，占空比和功率值不更新，保持現(xiàn)在的占空比和功率值。流程圖如圖5 所示。

圖5 MPPT中智能探尋游動流程圖

然后再對功率細(xì)菌種群進(jìn)行重新排序，再進(jìn)行復(fù)制操作，使功率保持在最大功率點。

4 仿真及結(jié)果分析

4.1 光照強度和溫度不變時的仿真分析

在MATLAB 中分別建立了基于智能探尋游動細(xì)菌覓食算法和基于細(xì)菌覓食算法的光伏發(fā)電系統(tǒng)MPPT 仿真模型。

仿真參數(shù)如下：太陽能單晶硅光伏組件短路電流Isc是5.62 A，開路電壓Voc是45.2 V，最大功率點電壓Vm是36.6 V，最大功率點電流Im是5.4 A。七塊組件串聯(lián)，四串組件并聯(lián)，組成一個光伏陣列，在太陽光照強度為1 000 W/m2，溫度為25 ℃時，分別使用本文中采用的智能探尋游動細(xì)菌覓食算法和現(xiàn)有細(xì)菌覓食算法進(jìn)行仿真，輸出功率對比結(jié)果如圖6所示。

圖6 光照強度為1 000 W/m2，溫度為25 ℃時輸出功率對比曲線

從圖中可以看出，給予細(xì)菌智能探索游動功能的細(xì)菌覓食算法比現(xiàn)有細(xì)菌覓食算法收斂性更快，智能探尋游動細(xì)菌覓食算法在0.025 s 處追蹤到最大功率點，現(xiàn)有細(xì)菌覓食算法在0.05 s 處追蹤到最大功率點。對比運行過程的功率振蕩、電壓振蕩和電流振蕩，可以看出，本文采用的智能探尋游動細(xì)菌覓食算法和現(xiàn)有細(xì)菌覓食算法相比，在保證收斂精度的同時，較大幅度地提高了光伏電池陣列在跟蹤最大功率點的收斂速度和動態(tài)過程的平穩(wěn)性。

經(jīng)過計算，目標(biāo)最大功率為5 533.92 W，將兩種BFOA 與目標(biāo)功率相比可得功率誤差如圖7 所示。

圖7 光照強度為1 000 W/m2，溫度為25 ℃時功率誤差對比圖

智能探尋游動BFOA 在0.02 s 處功率跟蹤趨于穩(wěn)定，但還是存在一定的誤差70 W。BFOA 在跟蹤太陽最大功率點時，在0.045 s 之前，一直屬于動態(tài)跟蹤階段，誤差較大，平穩(wěn)性差，跟蹤速度慢，在0.045 s 后趨于穩(wěn)定，但還是存在誤差70 W。由此可得在光照強度不變，溫度不變的情況下，智能探尋游動BFOA 的跟蹤速度和動態(tài)過程的平穩(wěn)性明顯優(yōu)于BFOA。

4.2 光照強度變化時的仿真分析

在0.1 s時溫度不變，將光照強度1 000 W/m2變?yōu)?00 W/m2，圖8 為本文采用的智能探尋游動細(xì)菌覓食與現(xiàn)有細(xì)菌覓食算法的功率對比曲線。

圖8 改變光照強度跟蹤效果功率對比圖

從圖8 中可以看出，在0.1 s 處將光照強度1 000 W/m2變?yōu)?00 W/m2時，本文采用的智能探尋游動細(xì)菌覓食算法在0.11 s 處跟蹤到最大功率點，現(xiàn)有細(xì)菌覓食算法0.13 s 處跟蹤到最大功率點。可見，本文采用的智能探尋游動細(xì)菌覓食算法具有很快的收斂速度，能夠更快地追蹤到最大功率點，而且動態(tài)過程的平穩(wěn)性更好。

經(jīng)過計算，0～0.1 s 之前目標(biāo)最大功率為5 533.92 W，0.1～0.2 s 目標(biāo)最大功率為5 031.02 W，將改進(jìn)前后BFOA 的MPPT輸出功率與目標(biāo)功率相比可得功率誤差如圖9 所示。

圖9 改變光照強度功率誤差對比圖

在0.1 s 將光照強度1 000 W/m2變?yōu)?00 W/m2，智能探尋游動BFOA 在0.1～0.12 s 處于跟蹤狀態(tài)，在0.12 s 之后趨于穩(wěn)定，誤差為44 W。BFOA 在光照強度變化時在0.1～0.13 s 之間一直處于動態(tài)跟蹤狀態(tài)，功率波動大，誤差大，平穩(wěn)性差，跟蹤速度慢。在0.13 s 處跟蹤到穩(wěn)定狀態(tài)，誤差為44 W。由此可得，在0.1 s 處將光照強度1 000 W/m2變?yōu)?00 W/m2時，智能探尋游動BFOA 比BFOA 在跟蹤速度和動態(tài)過程的平穩(wěn)性方面有明顯的改善。

5 結(jié)論

本文基于光伏電池數(shù)學(xué)模型分析了光伏電池輸出特性。利用智能探尋游動細(xì)菌覓食算法，調(diào)節(jié)Boost 電路的占空比，更新功率值，實現(xiàn)負(fù)載側(cè)和電源測相互匹配，實現(xiàn)MPPT，改進(jìn)的細(xì)菌覓食算法與現(xiàn)有細(xì)菌覓食算法相比在保證收斂精度的同時，較大幅度地提高了光伏電池陣列在跟蹤最大功率點的收斂速度和動態(tài)過程的平穩(wěn)性，改善了光伏發(fā)電的利用率。