摘" 要： 針對(duì)光伏組件存在局部陰影條件（PSC）時(shí)，功率輸出曲線呈現(xiàn)出的多峰現(xiàn)象，傳統(tǒng)最大功率點(diǎn)追蹤方法容易陷入局部最優(yōu)情況。為了解決上述問(wèn)題，提出一種將自適應(yīng)布谷鳥(niǎo)搜索（ICS）算法和變步長(zhǎng)擾動(dòng)觀察法（IPamp;O）相結(jié)合的復(fù)合算法（ICS?IPamp;O）。對(duì)布谷鳥(niǎo)搜索方法（CS）的切換概率、Lévy飛行步長(zhǎng)系數(shù)進(jìn)行非線性自適應(yīng)優(yōu)化，使其滿足迭代前、后期不同的需求，加快收斂進(jìn)程。在偏好隨機(jī)游走部分，引入粒子群算法思想，對(duì)位置更新公式進(jìn)行優(yōu)化，提高其多樣性，使算法具有較強(qiáng)的全局搜索隨機(jī)性，降低陷入局部最優(yōu)的可能性。算法后期切換成IPamp;O搜索，減小振蕩。通過(guò)Simulink進(jìn)行仿真測(cè)試，并與粒子群算法（PSO）、布谷鳥(niǎo)算法（CS）進(jìn)行對(duì)比。結(jié)果表明，該算法在靜態(tài)、局部遮陰、動(dòng)態(tài)遮陰條件下均具有更好的收斂速度和精度。

關(guān)鍵詞： 光伏陣列； 局部陰影條件； 自適應(yīng)布谷鳥(niǎo)搜索算法； 最大功率點(diǎn)追蹤； Lévy飛行； 變步長(zhǎng)擾動(dòng)觀察法

中圖分類號(hào)： TN21?34； TM615" " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）12?0101?07

Photovoltaic maximum power tracking based on ICS?IPamp;O

XU Yushan， WU Chengming， YANG Zhenhui， LIU Zhiang

（College of Electrical and New Energy， Three Gorges University， Yichang 443002， China）

Abstract： In response to the multi peak phenomenon in the power output curve of photovoltaic modules under partial shading condition （PSC）， traditional maximum power point tracking methods are prone to falling into local optima. In order to solve the above problems， a composite algorithm that combines improved cuckoo search （ICS） algorithm and improved perturbation and observation （IPamp;O） method is proposed. Onlinear adaptive optimization is performed on the switching probability and Lévy flight step coefficient of the cuckoo search method （CS） to meet different requirements before and after iteration， accelerating the convergence process. In the section of preference random walk， the idea of particle swarm optimization is introduced to optimize the position update formula， improve its diversity， make the algorithm have strong global search randomness， and reduce the possibility of falling into local optima. The algorithm is later switched to IPamp;O search to reduce oscillation. The simulation test is carried out by Simulink， and compared with particle swarm optimization （PSO） and CS. The results show that the proposed algorithm has better convergence speed and accuracy under static， local and dynamic shading conditions.

Keywords： photovoltaic line; partial shading condition; adaptive cuckoo search algorithm; maximum power point tracking; Lévy flight; improved perturbation and observation method

太陽(yáng)能是一種重要的清潔能源，具有分布廣泛、無(wú)污染、清潔安全等優(yōu)點(diǎn)，已是各種新能源發(fā)電中發(fā)展最迅速、規(guī)模最大的產(chǎn)業(yè)。周圍環(huán)境溫度、光照的改變極易影響光伏系統(tǒng)的功率輸出。其中，樹(shù)木遮擋、云層遮擋、光伏組件表面積灰等導(dǎo)致的局部陰影條件（Partial Shading Condition， PSC）使得光照不均。光伏發(fā)電最大功率跟蹤技術(shù)（Maximum Power Point Tracking， MPPT）是為了讓光伏陣列的工作點(diǎn)盡可能地位于MPP處，并且可以跟隨外界環(huán)境溫度、光照度的變化快速尋優(yōu)。通過(guò)MPPT技術(shù)可以極大程度地減小輸出功率的損失。

利用傳統(tǒng)方法，如：恒定電壓法、短路電流法、擾動(dòng)觀察法[1?2]、導(dǎo)納增量法[3]等進(jìn)行最大功率點(diǎn)追蹤時(shí)，在外界光照條件一致情況下，具有較好的效果。但是當(dāng)產(chǎn)生局部遮陰時(shí)，由于輸出曲線呈現(xiàn)多峰現(xiàn)象，會(huì)極易陷入局部功率極值點(diǎn)。為了解決這種情況，一些學(xué)者提出了群體智能算法進(jìn)行追蹤，如粒子群算法[4?5]、灰狼算法[6]、蟻獅算法[7]、樽海鞘算法[8]等。文獻(xiàn)[4]提出了一種變異粒子群算法，引入變異機(jī)制增加粒子的多樣性，通過(guò)擴(kuò)大搜索范圍來(lái)增強(qiáng)全局尋優(yōu)能力。文獻(xiàn)[6]引入新的非線性收斂因子對(duì)灰狼算法行改進(jìn)，在迭代的初期，提高粒子的發(fā)散性能，加強(qiáng)多樣性，使其更加適用于MPPT的收斂過(guò)程，提高了算法的動(dòng)態(tài)性能；但是，這對(duì)算法的收斂速度產(chǎn)生了一定的影響，加長(zhǎng)了收斂的過(guò)程。文獻(xiàn)[7]通過(guò)增加收縮因子D和自適應(yīng)變權(quán)重系數(shù)，減小電壓位置大范圍的跳變，使其在多峰情況下快速準(zhǔn)確的尋優(yōu)；但是，輸出振蕩較大，對(duì)設(shè)備的損害較大。文獻(xiàn)[9]提出了一種復(fù)合算法，將CSA和IPO結(jié)合在一起，采用前期通過(guò)CSA進(jìn)行大規(guī)模尋優(yōu)，后期采用IPO局部尋優(yōu)的方法，能在一定程度上有效減少收斂時(shí)間；但是，由于CSA采用定值概率和飛行系數(shù)進(jìn)行全局搜索，在復(fù)雜的遮陰情況下，收斂精度會(huì)受到影響。文獻(xiàn)[10]針對(duì)傳統(tǒng)CSA算法，對(duì)切換概率和Lévy飛行系數(shù)都進(jìn)行了自適應(yīng)的調(diào)整，同時(shí)對(duì)邊界條件也加強(qiáng)了限制，使其更加適應(yīng)于MPPT的收斂過(guò)程；但是并未針對(duì)位置更新部分進(jìn)行相關(guān)的優(yōu)化改進(jìn)，容易陷入局部最優(yōu)情況。

本文提出了一種基于自適應(yīng)布谷鳥(niǎo)搜索算法（ICS）和變步長(zhǎng)擾動(dòng)觀察法（IPamp;O）結(jié)合的復(fù)合算法（ICS?IPamp;O）。前期利用ICS進(jìn)行全局尋優(yōu)，并且對(duì)布谷鳥(niǎo)搜索方法（CS）的切換概率、Lévy飛行步長(zhǎng)系數(shù)進(jìn)行自適應(yīng)調(diào)整，使其進(jìn)行非線性變化。根據(jù)迭代前、后期的不同需求，對(duì)切換概率和Lévy飛行步長(zhǎng)系數(shù)進(jìn)行相關(guān)的調(diào)整，使得迭代初期具有一個(gè)較小的切換概率和較大的飛行步長(zhǎng)系數(shù)，在迭代后期具有一個(gè)較大的切換概率和較小的飛行步長(zhǎng)系數(shù)，從而進(jìn)一步加強(qiáng)算法的精度和收斂速度。后期轉(zhuǎn)為IPamp;O算法進(jìn)行局部尋優(yōu)，減小后期輸出振蕩。最后，利用Matlab和Simulink進(jìn)行了仿真模擬。仿真實(shí)驗(yàn)結(jié)果表明，與粒子群算法和傳統(tǒng)布谷鳥(niǎo)算法相比，所提算法在靜態(tài)、局部遮陰、動(dòng)態(tài)遮陰條件下均具有更好的收斂速度和精度。

1" 光伏元件模型

PV陣列的P?U、I?U輸出曲線受光照度和工作環(huán)境溫度的影響較大。光伏電池等效模型如圖1所示。

輸出電流的表達(dá)式如下：

[I=Iph-Idexpq（V+IRs）AKT-1-V+IRsRsh] （1）

式中：[Iph]為光生電流；[I]為輸出電流；[Id]為二極管反向飽和電流；[Rs]和[Rsh]分別為等效串聯(lián)電阻和等效并聯(lián)電阻（單位為[Ω]）；K為玻耳茲曼常數(shù)，數(shù)值通常為[1.38×10-23J/K]；[q]為電子電荷常數(shù)，數(shù)值通常為[1.6×10-19 C]；[A]為PN結(jié)理想因素；[T]為絕對(duì)溫度。光生電流[Iph]表達(dá)式如下：

[Iph=Isc+KiT-TrSSr] （2）

式中：[Isc]為標(biāo)準(zhǔn)工作環(huán)境下的短路電流；[Ki]為短路電流的溫度系數(shù)；[Tr]為標(biāo)準(zhǔn)工作環(huán)境溫度（25 ℃）；[Sr]為標(biāo)準(zhǔn)光照度（1 000 W/m2）；[S]是工作光照度（單位為W/m2）。飽和電流表達(dá)式為：

[Id=IdoexpqV+IRsAKT-1] （3）

式中[Ido]為標(biāo)準(zhǔn)條件下的飽和電流。

光伏陣列由[Ns]個(gè)單體電池串聯(lián)而成，其輸出電流公式為：

[I=Iph-IdexpqV+IRsNsAKT-1-V+NsIRsNsRsh] （4）

光伏系統(tǒng)通常運(yùn)行于自然環(huán)境下，因此功率的輸出一般是非線性的。當(dāng)因自然因素導(dǎo)致光照不均時(shí)，P?U輸出曲線會(huì)呈現(xiàn)出一個(gè)多峰值的現(xiàn)象。如果峰值相差不大，會(huì)增加陷入局部最優(yōu)解的概率，同時(shí)也會(huì)引發(fā)熱斑效應(yīng)。為了避免熱斑效應(yīng)，通常會(huì)在光伏陣列旁并聯(lián)一個(gè)旁路二極管。圖2所示為系統(tǒng)位于PSC狀態(tài)下的光伏組件結(jié)構(gòu)。

2" 基于ICS?IPO在MPPT中的應(yīng)用

2.1" 布谷鳥(niǎo)搜索算法

布谷鳥(niǎo)類有一種獨(dú)特的育雛方式，即寄生育雛。它們?cè)谏陂g不會(huì)建造自己的巢穴，而是將蛋產(chǎn)在其他鳥(niǎo)類已經(jīng)建造好的巢內(nèi)，并且破壞掉一個(gè)存在于該巢內(nèi)的宿主鳥(niǎo)蛋，自己的蛋由其宿主鳥(niǎo)代替孵化。然而，如果宿主鳥(niǎo)發(fā)現(xiàn)蛋是來(lái)自另一種鳥(niǎo)類，它將放棄這些蛋或重新建造一個(gè)巢。為了更加清晰地描述這種行為，提出了以下3個(gè)理想規(guī)則。

1） 布谷鳥(niǎo)會(huì)隨機(jī)選擇一個(gè)鳥(niǎo)巢來(lái)寄生自己的蛋，并且一次性只產(chǎn)一個(gè)蛋。

2） 放置最優(yōu)蛋的鳥(niǎo)巢位置會(huì)被保留給下一代。

3） 可供寄生的鳥(niǎo)巢數(shù)量是固定的，同時(shí)宿主鳥(niǎo)會(huì)有[pa]的概率發(fā)現(xiàn)寄生蛋。一旦被發(fā)現(xiàn)，宿主鳥(niǎo)會(huì)直接破壞掉這個(gè)蛋或選擇重新筑巢，拋棄掉舊巢。

為了找到最優(yōu)的鳥(niǎo)巢位置，布谷鳥(niǎo)會(huì)不斷地更新鳥(niǎo)巢的位置，并且進(jìn)行適應(yīng)值的比較以確定最優(yōu)位置。CS算法會(huì)通過(guò)兩種方法來(lái)進(jìn)行位置的更新：一種是基于發(fā)現(xiàn)概率[pa]進(jìn)行更新；另一種是利用Lévy飛行的方式進(jìn)行更新。

1） 當(dāng)布谷鳥(niǎo)把蛋放在寄生鳥(niǎo)巢后，宿主鳥(niǎo)會(huì)有[pa]的概率發(fā)現(xiàn)外來(lái)蛋。對(duì)每一個(gè)鳥(niǎo)巢取隨機(jī)數(shù)[ri]，當(dāng)[ri]gt;[pa]時(shí)，通過(guò)式（5）進(jìn)行位置更新。

[xt+1i=xti+ri（xtj-xtk）] （5）

式中：t是當(dāng)前時(shí)刻的迭代次數(shù)；[xti]是第t次迭代中的第i個(gè)位置；[xtk]、[xtj]是第t次迭代中隨機(jī)選擇的兩個(gè)不同的位置。

2） Lévy飛行是一種短步長(zhǎng)和長(zhǎng)步長(zhǎng)相間的走位。全局Lévy飛行的更新公式為：

[xt+1i=xti+α⊕L（β）] （6）

式中：[α]是Lévy飛行的步長(zhǎng)系數(shù)；[L（β）]為飛行步長(zhǎng)；符號(hào)“[⊕]”表示點(diǎn)乘；[xti]是第t次迭代中第i個(gè)鳥(niǎo)巢的位置。

[L（β）=uv1β（xt-xtbest）] （7）

式中：[xtbest]表示目前迭代中的最佳寄生巢穴；[β=32]； [u]和[v]都服從正態(tài)分布，[u～N0，σ2]，[v～N0，1]。

[α=Γ（1+β）sin（πβ2）Γ（（1+β）2）·β·2（β-1）21β] （8）

式中[Γ]是標(biāo)準(zhǔn)的伽馬函數(shù)。

2.2" 改進(jìn)布谷鳥(niǎo)搜索算法

2.2.1" 改進(jìn)切換概率

在傳統(tǒng)的CS算法中，[pa]的值是固定的，一般取0.25。因此在整個(gè)迭代期中，偏好局部隨機(jī)游走出現(xiàn)的概率相同。因此，本文提出了一種自適應(yīng)概率[pa]。在算法運(yùn)行初期，為了提高全局搜索能力，增大搜索范圍，需要一個(gè)較小的[pa]值；在算法運(yùn)行后期，為了提高局部搜索精度，加快收斂速度，需要一個(gè)較大的[pa]值。自適應(yīng)[pa]的建議公式為：

[pa=0.3-0.2（T-t）T] （9）

式中：t是當(dāng)前時(shí)刻的迭代次數(shù)；T為最大迭代次數(shù)。

切換概率曲線圖如圖3所示。

2.2.2" 改進(jìn)偏好隨機(jī)游走

在傳統(tǒng)的CS算法中，偏好隨機(jī)游走更新公式采用的是固定上一代鳥(niǎo)巢位置的更新方式，這樣容易在后期陷入局部最優(yōu)。為了增加多樣性，本文通過(guò)引入粒子群算法思想，在位置更新公式中加入“自我學(xué)習(xí)部分”和“社會(huì)學(xué)習(xí)部分”，對(duì)其位置更新公式進(jìn)行一個(gè)改進(jìn)。

[xt+1i=xti+r1xtpbest-xti+r2xtgbest-xti+r3xtgsecond-xti]

式中：[xti]是第t次迭代中的第i個(gè)位置；[xtpbest]是個(gè)體歷史最優(yōu)；[xtgbest]是群體歷史最優(yōu)；[xtgsecond]是群體歷史次優(yōu)解；[r1]、[r2]、[r3]為3個(gè)學(xué)習(xí)因子，均取[0，1]區(qū)間的隨機(jī)數(shù)。其中：[r1]為針對(duì)個(gè)體歷史最優(yōu)解的學(xué)習(xí)因子，表示粒子的自我學(xué)習(xí)能力；[r2]和[r3]分別為針對(duì)全局歷史最優(yōu)解和全局歷史次優(yōu)解的學(xué)習(xí)因子，表示粒子的社會(huì)學(xué)習(xí)能力。

2.2.3" 改進(jìn)Lévy飛行

由公式（8）可以看出，通過(guò)Lévy飛行進(jìn)行位置更新時(shí)，步長(zhǎng)系數(shù)[α]對(duì)算法的搜索有顯著的影響，步長(zhǎng)較大可以增加搜索范圍，避免陷入局部最優(yōu)的情況；步長(zhǎng)較小則可以更快地進(jìn)行收斂，找到最優(yōu)解。在傳統(tǒng)的CS算法中，步長(zhǎng)系數(shù)通常為固定值，因此本文提出一種非線性遞減的自適應(yīng)步長(zhǎng)系數(shù)，滿足算法在初期搜索需要較大的搜索范圍而避免陷入局部最優(yōu)，和后期需要較小范圍搜索，提高搜索精度的要求，增加算法全局尋優(yōu)的能力。改進(jìn)建議公式為：

[α=1-0.2logTt] （11）

飛行步長(zhǎng)曲線圖如圖4所示。

2.3" 結(jié)合IPamp;O算法

Pamp;O擾動(dòng)觀察法是目前常用的MPPT方法之一，具有易實(shí)現(xiàn)、簡(jiǎn)單等特點(diǎn)。該方法主要是通過(guò)對(duì)PV系統(tǒng)進(jìn)行采樣，并對(duì)擾動(dòng)前后的輸出功率進(jìn)行比較和計(jì)算來(lái)尋優(yōu)。

[P=UPVIPVΔP=P（i）-P（i-1）] （12）

式中：[UPV]、[IPV]為PV系統(tǒng)的輸出電壓和電流；[P（i-1）]和[P（i）]分別為第i次擾動(dòng)前后的功率值；[ΔP]為擾動(dòng)前后的功率增量。若擾動(dòng)后[ΔP]為正，下次往相同的方向擾動(dòng)；若擾動(dòng)后[ΔP]為負(fù)，下次往反方向擾動(dòng)。

對(duì)于傳統(tǒng)的PO擾動(dòng)法，其步長(zhǎng)通常為一個(gè)常數(shù)定值。如果步長(zhǎng)設(shè)定過(guò)小，會(huì)降低搜索速度，導(dǎo)致收斂時(shí)間過(guò)長(zhǎng)；當(dāng)步長(zhǎng)設(shè)定過(guò)大時(shí)，則會(huì)導(dǎo)致在MPP處產(chǎn)生較大的波動(dòng)，降低搜索的精度。因此，本文采用一種自適應(yīng)變步長(zhǎng)法，引入步長(zhǎng)收縮因子，使步長(zhǎng)在一個(gè)合理的范圍內(nèi)，加快算法追蹤到MPP的速度。步長(zhǎng)變化量的建議公式為：

[λstep=εΔp] （13）

式中：[λstep]為步長(zhǎng)；[ε]為步長(zhǎng)縮放系數(shù)。

前期利用ICS算法進(jìn)行全局尋優(yōu)的時(shí)候，在迭代的后期，已經(jīng)迭代到了GMPP附近；此時(shí)切換到IPamp;O擾動(dòng)觀察法，利用其優(yōu)秀的局部搜索特性，減少收斂的時(shí)間，同時(shí)輸出也更為穩(wěn)定。

2.4" 算法切換和重啟條件

為了在正確的時(shí)間引入IPamp;O法，需進(jìn)行算法的切換，設(shè)置一個(gè)ICS法和IPamp;O法的切換條件。當(dāng)最優(yōu)鳥(niǎo)巢和最差鳥(niǎo)巢的位置滿足式（14）時(shí)，終止ICS算法，轉(zhuǎn)為IPamp;O法。同時(shí)因?yàn)樽匀画h(huán)境因素是一個(gè)動(dòng)態(tài)的過(guò)程，會(huì)導(dǎo)致光照情況發(fā)生改變，此時(shí)PV輸出功率也會(huì)相應(yīng)的發(fā)生變化。本文設(shè)定算法重啟條件，當(dāng)滿足式（15）時(shí)，進(jìn)行算法初始化，重新利用ICS算法進(jìn)行尋優(yōu)。

[xibest-xiworst≤0.05] （14）

[pnew-poldpoldgt;0.1] （15）

算法流程如圖5所示，具體步驟如下。

步驟1：初始化ICS中的參數(shù)。

步驟2：計(jì)算初始化位置對(duì)應(yīng)的輸出功率值。

步驟3：根據(jù)公式（8）和公式（11）進(jìn)行Lévy飛行，更新輸出功率。

步驟4：對(duì)更新后的功率值進(jìn)行比較，記錄最大功率值。

步驟5：根據(jù)公式（6）計(jì)算出切換概率[pa]，并且產(chǎn)生一個(gè)隨機(jī)數(shù)，判斷是否[ri≥pa]。如果小于，則判斷是否滿足切換條件；如果大于，則進(jìn)行偏好隨機(jī)游走更新。

步驟6：記錄此時(shí)最優(yōu)的功率值。

步驟7：計(jì)算本次迭代的最佳位置和最差位置是否滿足公式（14），如果不滿足，跳轉(zhuǎn)到步驟3。

步驟8：結(jié)束ICS算法，切換成IPamp;O算法進(jìn)行局部尋優(yōu)，通過(guò)公式（13）進(jìn)行位置的更新。

步驟9：判斷是否滿足公式（15）條件，如果滿足則進(jìn)行算法重啟，跳轉(zhuǎn)到步驟1；若不滿足則跳轉(zhuǎn)到步驟8，繼續(xù)進(jìn)行IPamp;O局部尋優(yōu)。

步驟10：輸出最優(yōu)值，結(jié)束。

3" 算法仿真結(jié)果與分析

為了驗(yàn)證本文所提出的結(jié)合算法的性能，在Matlab和Simulink上進(jìn)行了仿真模擬。單個(gè)光伏模塊的參數(shù)為：Pmax=213.15 W、Uoc=36.3 V、Isc=7.8 A。

一共進(jìn)行了3個(gè)狀態(tài)的仿真，見(jiàn)表1。狀態(tài)1為無(wú)遮陰狀態(tài)，設(shè)定光照度為1 000 W/m2恒定，溫度為25 ℃；狀態(tài)2為局部遮陰狀態(tài)，設(shè)定光照度為[1 000，800，600，400，1 000] W/m2，溫度為25 ℃；狀態(tài)3為動(dòng)態(tài)局部遮陰狀態(tài)，模擬時(shí)間為3 s。t1=0 s時(shí)，溫度為25 ℃，S=1 000 W/m2恒定；t2=1 s時(shí)，溫度為25 ℃，S=[1 000，800，600，1 000] W/m2；t3=2 s時(shí)，溫度為25 ℃，S=[1 000，800，200，400] W/m2。

t2=1 s，S=[1 000，800，600，1 000]

t3=2 s，S=[1 000，800，200，400] ]

3.1" 無(wú)遮陰狀態(tài)

光伏組件工作在同一條件下，功率輸出曲線只有一個(gè)峰值。此時(shí)系統(tǒng)的最大功率值為1 064 W。對(duì)ICS?IPamp;O算法進(jìn)行仿真輸出，同時(shí)用PSO和CS兩種算法進(jìn)行對(duì)比，三種算法仿真結(jié)果如圖6所示。狀態(tài)1無(wú)遮陰仿真結(jié)果見(jiàn)表2。

由圖6和表2可知，基于PSO的系統(tǒng)在0.22 s左右尋到最優(yōu)值，最優(yōu)值為1 062.8 W；基于CS的系統(tǒng)在0.19 s左右尋到最優(yōu)值，最優(yōu)值為1 063.6 W。但是CS算法和PSO算法的整體振蕩較大。而基于ICS?IPamp;O的系統(tǒng)在0.17 s左右尋到最優(yōu)值，最優(yōu)值為1 064 W?？梢钥闯龌贗CS?IPamp;O算法的系統(tǒng)相比較PSO和CS而言，收斂尋優(yōu)的速度明顯快于另外兩種辦法，并且功率輸出曲線的穩(wěn)定性也優(yōu)于另外兩種辦法。

3.2" 局部遮陰狀態(tài)

通過(guò)設(shè)定不同的光照度模擬自然遮陰環(huán)境，此時(shí)功率輸出曲線有多個(gè)峰值，當(dāng)峰值相差不大時(shí)就容易陷入局部最優(yōu)。狀態(tài)2和狀態(tài)3的功率輸出曲線如圖7所示，此時(shí)系統(tǒng)的最大功率值為567 W。

對(duì)ICS?IPamp;O算法進(jìn)行仿真輸出，同時(shí)用PSO和CS兩種算法進(jìn)行對(duì)比。三種算法仿真結(jié)果如圖8所示。狀態(tài)2局部遮陰仿真結(jié)果見(jiàn)表3。由圖8和表3可知：基于PSO的系統(tǒng)在0.8 s左右尋到最優(yōu)值，最優(yōu)值為542～543 W，陷入了局部最優(yōu)，并且輸出較為不穩(wěn)定；基于CS的系統(tǒng)在0.42 s左右尋到最優(yōu)值，最優(yōu)值為566.8 W；基于ICS?IPamp;O的系統(tǒng)在0.28 s左右尋到最優(yōu)值，最優(yōu)值為566.6 W。可以看出，基于ICS?IPamp;O算法的系統(tǒng)尋優(yōu)速度和準(zhǔn)確度明顯優(yōu)于另外兩種算法。

3.3" 動(dòng)態(tài)遮陰狀態(tài)

動(dòng)態(tài)模擬時(shí)間為3 s，通過(guò)光照度的跳變來(lái)模擬自然環(huán)境中光照度實(shí)時(shí)變化。t1=0 s時(shí)，S=1 000 W/m2恒定，此時(shí)最大功率值為851.8 W；t2=1 s時(shí)，S=[1 000，800，600，1 000] W/m2，此時(shí)最大功率值為577.8 W；t3=3 s時(shí)，S=[1 000，800，200，400] W/m2，此時(shí)最大功率值為351.6 W。狀態(tài)3動(dòng)態(tài)遮陰仿真結(jié)果見(jiàn)表4。基于ICS?IPO算法的系統(tǒng)的仿真結(jié)果曲線如圖9所示。

由表4和圖9可知，0.194 s時(shí)，ICS?IPamp;O算法尋優(yōu)到了最大值851.23 W；1 s時(shí)，發(fā)生跳變，系統(tǒng)在1.245 s時(shí)重新尋優(yōu)到了最大值577.68 W；2 s時(shí)，發(fā)生第二次跳變，并且在2.22 s的時(shí)候，算法重啟，在2.44 s的時(shí)候?qū)?yōu)到最大值351.6 W?？梢钥闯?，在動(dòng)態(tài)環(huán)境下，ICS?IPamp;O算法依然適用，并且保持一定的穩(wěn)定性和快速性；而PSO算法第二次跳之后，輸出功率振蕩嚴(yán)重，一直沒(méi)有有效的收斂；CS算法在兩次跳變后都進(jìn)行了有效收斂，但是耗時(shí)過(guò)長(zhǎng)，且收斂的過(guò)程振蕩較大。

4" 結(jié)" 論

本文提出一種光伏MPPT優(yōu)化算法，即將自適應(yīng)布谷鳥(niǎo)算法（ICS）和變步長(zhǎng)擾動(dòng)觀察法（IPamp;O）相結(jié)合的復(fù)合算法（ICS?IPamp;O）。根據(jù)迭代前后的需求，對(duì)布谷鳥(niǎo)搜索方法（CS）的切換概率、Lévy飛行步長(zhǎng)系數(shù)進(jìn)行了自適應(yīng)調(diào)整，使其進(jìn)行非線性變化。迭代初期，具有一個(gè)較小的切換概率和較大的飛行步長(zhǎng)系數(shù)；迭代后期，具有一個(gè)較大的切換概率和較小的飛行步長(zhǎng)系數(shù)，從而進(jìn)一步加強(qiáng)算法的精度和收斂速度。同時(shí)引入粒子群算法思想，與偏好隨機(jī)游走進(jìn)行結(jié)合，對(duì)位置更新公式進(jìn)行優(yōu)化，增加了搜索的多樣性，使其在搜索時(shí)可以更好地跳出局部最優(yōu)情況。最后通過(guò)算法仿真分析和對(duì)比，驗(yàn)證了本文算法在初期具有較強(qiáng)的全局搜索隨機(jī)性，減少了陷入局部最優(yōu)的可能性；在后期，通過(guò)變步長(zhǎng)擾動(dòng)觀察法能快速進(jìn)行局部收斂，減少了輸出時(shí)的振蕩，且在三種模擬狀態(tài)下均具有一定的穩(wěn)定性。

參考文獻(xiàn)

[1] 郭昆麗，閆東，付建哲.基于改進(jìn)擾動(dòng)觀察法的光伏系統(tǒng)MPPT研究[J].電源技術(shù)，2021，45（1）：56?59.

[2] 王偉，戴朝華，陳維榮，等.改進(jìn)功率預(yù)測(cè)變步長(zhǎng)擾動(dòng)法在光伏MPPT中的研究[J].太陽(yáng)能學(xué)報(bào)，2022，43（2）：217?225.

[3] 王書(shū)征，李先允.一種新型自適應(yīng)擾動(dòng)觀察法在光伏發(fā)電MPPT策略中的應(yīng)用[J].太陽(yáng)能學(xué)報(bào)，2016，37（9）：2393?2400.

[4] 花赟昊，朱武，靳一奇，等.基于自適應(yīng)變異粒子群算法的光伏MPPT控制研究[J].太陽(yáng)能學(xué)報(bào)，2022，43（4）：219?225.

[5] 韓思鵬，蔣曉艷，羅意，等.遮陰條件下光伏MPPT自適應(yīng)粒子群算法優(yōu)化[J].太陽(yáng)能學(xué)報(bào)，2022，43（6）：99?105.

[6] 毛明軒，許釗，崔立闖，等.基于改進(jìn)灰狼優(yōu)化算法的光伏陣列多峰MPPT研究[J].太陽(yáng)能學(xué)報(bào)，2023，44（3）：450?456.

[7] 趙斌，袁清，王力，等.基于改進(jìn)蟻獅算法的光伏多峰值MPPT控制[J].太陽(yáng)能學(xué)報(bào)，2021，42（9）：132?139.

[8] 王加健，帕孜來(lái)·馬合木提，孔博龍.基于改進(jìn)樽海鞘群算法的光伏系統(tǒng)MPPT研究[J].太陽(yáng)能學(xué)報(bào)，2022，43（4）：191?197.

[9] 趙帥旗，肖輝，劉忠兵，等.基于CSA?IPamp;O的局部遮陰下光伏最大功率點(diǎn)追蹤[J].電力系統(tǒng)保護(hù)與控制，2020，48（5）：26?32.

[10] 商立群，李帆.基于自適應(yīng)布谷鳥(niǎo)搜索和擾動(dòng)觀察法的光伏最大功率點(diǎn)跟蹤[J].電力系統(tǒng)保護(hù)與控制，2022，50（8）：99?107.

[11] 劉聘憑，程若發(fā)，許立斌，等.基于光伏MPPT采樣電流的自適應(yīng)變步長(zhǎng)INC算法[J].電源學(xué)報(bào)，2023，21（5）：58?66.

[12] 王洪博，肖堯，肖仁軍，等.基于改進(jìn)電壓擾動(dòng)法的光伏MPPT[J].電源技術(shù)，2019，43（11）：1847?1851.

[13] 魏立明，吳揚(yáng)昀.基于改進(jìn)電導(dǎo)增量法的光伏MPPT策略研究[J].電源技術(shù)，2021，45（6）：791?796.

[14] 羅茜，陳卓，郝正航，等.基于新型趨近律的光伏MPPT控制策略[J].電力系統(tǒng)保護(hù)與控制，2023，51（5）：139?153.

[15] 董密，胡佳盛，楊建，等.基于改進(jìn)黏菌優(yōu)化算法的光伏多峰MPPT控制策略[J].控制理論與應(yīng)用，2023，40（8）：1440?1448.

[16] 楊永康，繆書(shū)唯.基于DE?GWO算法的光伏系統(tǒng)MPPT仿真研究[J].電子測(cè)量技術(shù)，2022，45（7）：75?81.

[17] 葛傳九，武鵬，董祥祥，等.基于布谷鳥(niǎo)算法的光伏MPPT改進(jìn)[J].太陽(yáng)能學(xué)報(bào)，2022，43（10）：59?64.

[18] 陳斌，王俊江，趙明胤，等.基于改進(jìn)鯨魚(yú)優(yōu)化算法的光伏發(fā)電系統(tǒng)MPPT控制研究[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2023，35（2）：19?26.

[19] 李昂，劉文鋒，李音柯，等.基于IPamp;O?ICS算法的光伏系統(tǒng)MPPT控制研究[J].太陽(yáng)能學(xué)報(bào)，2023，44（5）：203?209.