孫 愷， 劉光宇

(杭州電子科技大學(xué) 自動化學(xué)院，浙江 杭州 310000)

0 引 言

太陽能在光伏(photovoltaic,PV)發(fā)電領(lǐng)域運用越來越廣泛，由于光伏電池獨特的非線性I-V特性，光伏電池功率輸出受環(huán)境的影響很大，為了保證光伏發(fā)電系統(tǒng)能夠工作在最大功率點下以提高光伏發(fā)電系統(tǒng)的效率達到充分利用太陽能，研究人員在光伏發(fā)電系統(tǒng)中引入了最大功率點跟蹤(maximum power point tracking,MPPT)技術(shù)。其中有傳統(tǒng)的控制方法如電導(dǎo)增量(incremental conductance,INC)法[1,2]，擾動觀察(perturb and observe,P&O)法[3]等和智能控制算法如光伏發(fā)電系統(tǒng)如遺傳算法(genetic algorithm,GA)[4]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)[5]、蟻群優(yōu)化(ant colony optimization,ACO)算法[6]、粒子群優(yōu)化(particle swarm optimization,PSO)算法[7～9]等。傳統(tǒng)的方法在均勻光照條件下的跟蹤具有良好的效果，在局部遮擋情況下傳統(tǒng)控制方法常常會陷入局部最大點,但智能算法表現(xiàn)出良好的性能。其中PSO算法被廣泛應(yīng)用于各個領(lǐng)域[10～12]在MPPT控制中應(yīng)用的最為廣泛。傳統(tǒng)的PSO算法雖然能夠跟蹤到全局最大功率點但仍然存在搜索時間長，收斂精度差，不夠穩(wěn)定,劇烈振蕩等問題[13]。

本文提出采用非線性的加速因子和學(xué)習(xí)因子并采用動態(tài)的慣性權(quán)重來提高PSO算法的搜索時間和收斂精度，搜索振蕩。

1 光伏陣列特性

如圖1所示是典型的4個光伏模塊串聯(lián)而成的光伏陣列模型。在光伏發(fā)電系統(tǒng)中，太陽的光照強度對光伏陣列產(chǎn)生的輸出功率具有很大的影響，當光伏陣列接收到的太陽光照強度越強時，輸出的電流就越高從而輸出功率也越高；反之輸出電流和輸出功率也越弱。當整個PV陣列所受到的太陽輻射是均勻的，如圖1(a)所示，光伏陣列的P-V曲線只存在唯一的極值點即全局最大功率點(maximum power point,MPP)。當出現(xiàn)部分陰影的情況時光伏陣列受到的光照強度不同，如圖1(b)所示第1塊、第2塊以及第3塊光伏模塊存在不同程度陰影遮擋導(dǎo)致兩個模塊之間的日照差異從而激活了模塊1,2,3的旁路二極管。因此，在I-V曲線存在四個階梯電流波形，相應(yīng)的P-V特性曲線出現(xiàn)了3個局部峰值和1個全局峰值。

圖1 光伏陣列模型及特性曲線

2 基于PSO的MPPT控制策略

2.1 光伏發(fā)電系統(tǒng)MPPT控制框架

光伏發(fā)電系統(tǒng)MPPT控制框圖如圖2所示。圖2中光伏陣列有兩個輸入E和T，分別是模塊上分布的輻照度和溫度。采用MPPT控制策略改變DC-DC變換器的占空比D(t)，以調(diào)節(jié)終端電壓Vref(t)，使得輸出功率Pout向MPP方向轉(zhuǎn)移。

圖2 光伏發(fā)電系統(tǒng)MPPT控制框圖

2.2 PSO算法的MPPT控制策略

PSO算法是一種啟發(fā)式算法，用于尋找D維空間中優(yōu)化問題的最佳解。 群體中個體的信息共享使得整個群體的動作遵循問題解決空間中的最優(yōu)個體，從而獲得最優(yōu)解。 群體中的每個粒子遵循兩個基本規(guī)則來找到最佳解決方案，其遵循最佳性能粒子和粒子本身找到的最佳解決方案[14]。由于在光伏發(fā)電系統(tǒng)MPPT極值搜索問題中解空間是一維的，因此可以將公式簡化為

(1)

式中w為慣性權(quán)重保持粒子的運動慣性，當w值較大時，算法的全局收斂能力較強，但局部搜索能力較弱，反之，則局部搜索能力較強，全部搜索能力較弱。c1和c2學(xué)習(xí)因子，當選擇的值c1太小時，粒子群會更快地收斂，但它將落入局部最優(yōu)解；當c2選擇太小時，則粒子群中各個粒子之間相互影響將減小，最終將相當于多個粒子進行獨立搜索，很難得到最優(yōu)解。r1和r2為[0 1]之間的隨機數(shù)，Pi為第i個粒子自身的最佳位置，所有粒子的最佳位置都表示為Pg。在基于PSO算法的光伏發(fā)電系統(tǒng)MPPT控制中，通常用PSO算法中的每個粒子位置xi來表示DC-DC轉(zhuǎn)換電路的占空比D，并且 PSO算法使用等式(1)來持續(xù)不斷更新粒子的位置來從而來不斷的更新DC-DC電路的占空比D直至收斂到光伏發(fā)電系統(tǒng)的最大功率點。

2.3 改進PSO算法的MPPT控制策略

傳統(tǒng)引入的線性遞減的慣性權(quán)重在迭代初期局部搜索能力較弱，容易錯過全局最優(yōu)點，而在迭代后期全局搜索能力變?nèi)?，容易陷入局部極值。本文使用如式(2)的動態(tài)慣性權(quán)重來避免這一問題

ω=ωmin+rand/2

(2)

在算法搜索的初期看重粒子自身的搜索能力，算法搜索的后期則應(yīng)注重全局最優(yōu)粒子。因此本文對學(xué)習(xí)因子c1采用了非線性遞減的余弦函數(shù)，學(xué)習(xí)因子c2采用的是非線性遞增的反正切函數(shù)

(3)

選擇這樣的自適應(yīng)參數(shù)能夠加快算法的收斂速度同時能夠提升算法跟蹤的準確性，改進算法流程圖如圖3所示。

圖3 改進PSO算法的MPPT控制策略流程圖

3 實驗驗證分析

本文采用MATLAB/SIMULINK搭建了4個光伏電池單元組成的串聯(lián)陣列模型的具有MPPT控制的光伏發(fā)電仿真系統(tǒng)。實驗參數(shù)仿真時間為0.4 s，系統(tǒng)采樣時間0.001 25 s，PWM頻率為0.000 01 s,環(huán)境溫度25 ℃,4個光伏電池的光照強度(1000，750，500，250)W/m2，最大輸出功率295 W。在搭建同一仿真實驗環(huán)境下對傳統(tǒng)PSO算法、線性自適應(yīng)參數(shù)的PSO(linear PSO,LPSO)算法、非線性自適應(yīng)參數(shù)的PSO(nonlinear PSO,NPSO)算法進行仿真實驗，實驗中算法參數(shù)設(shè)置如表1所示。

表1 算法參數(shù)設(shè)置

三種PSO算法在光伏發(fā)電系統(tǒng)的MPPT控制中的仿真實驗結(jié)果，如圖4所示。

圖4 三種PSO算法的性能分析圖

從圖4(a)可以看出:PSO算法雖然能夠解決在出現(xiàn)局部陰影時光伏發(fā)電系統(tǒng)的最大功率點跟蹤問題，但收斂時間過長同時搜索振蕩劇烈，穩(wěn)定性較差。如圖4(b)所示LPSO算法在一定程度上提升了PSO算法的收斂時間和搜索振蕩以及穩(wěn)定性問題，但在算法搜索初期的振蕩還是劇烈。圖4(c)是NPSO算法的性能分析圖，從圖中可以看出:NPSO算法的收斂時間較短且穩(wěn)定性較好同時與前兩種算法相比較對搜索振蕩進行了優(yōu)化。采用穩(wěn)態(tài)誤差e表示算法的跟蹤準確性

(4)

穩(wěn)態(tài)振蕩δ表示為

(5)

仿真實驗結(jié)果性能分析如表2所示。

表2 三種算法仿真實驗結(jié)果性能分析

為了驗證本文提出的非線性自適應(yīng)參數(shù)的粒子群算法的實際可行性，搭建了光伏發(fā)電系統(tǒng)的最大功率跟蹤實驗平臺。該實驗平臺由遮擋過最大功率為16W的光伏電池板、MPPT控制DC-DC電路、功率檢測器、遮擋物和負載。 在搭建的實驗平臺進行了三種算法的控制策略的實驗，實驗跟蹤結(jié)果圖如圖5所示。

圖5 三種策略真實實驗跟蹤結(jié)果

圖5(a)是PSO算法的跟蹤結(jié)果圖，在真實的實驗平臺中進行實驗可以看出:PSO算法的控制策略的搜索時間過長，同時振蕩劇烈，穩(wěn)定性較差。圖5(b)是LPSO算法的跟蹤結(jié)果圖。與PSO算法相比較，LPSO算法的跟蹤效果有了一定的提高，在收斂時間上得到了提升，同時振蕩減小，穩(wěn)定性提升。圖5(c)是NPSO算法的跟蹤效果圖，可以看出NPSO算法與LPSO算法相比較，在收斂時間和振蕩上又有了較大提升。

三種控制策略的實驗結(jié)果性能分析在表3中給出。

表3 三種算法的工程實驗結(jié)果

4 結(jié) 論

基于仿真實驗和工程實驗的結(jié)果，本文提出的NPSO算法即使在局部陰影條件下也具有良好的跟蹤性能,無論在收斂時間、搜索振蕩、效率以及穩(wěn)定性NPSO算法都優(yōu)于其他兩種控制策略。說明在同一環(huán)境下,本文提出的控制策略能夠保證快速準確跟蹤到光伏發(fā)電系統(tǒng)的最大功率點的同時減少搜索振蕩。