摘" 要： 針對傳統(tǒng)光伏最大功率點追蹤（MPPT）方法在光伏陣列因環(huán)境因素處于局部遮陰時出現(xiàn)陷入局部最優(yōu)的情況，為實現(xiàn)對太陽能的高效利用，基于樽海鞘群算法對低維度優(yōu)化問題的優(yōu)勢，提出一種多策略混合改進(jìn)樽海鞘群算法的MPPT控制。該控制采用改進(jìn)型Logistic混沌映射對樽海鞘種群進(jìn)行初始化，提高了樽海鞘種群的多樣性。同時，利用麻雀搜索算法發(fā)現(xiàn)者行為代替樽海鞘領(lǐng)導(dǎo)者行為，提升了算法的全局探索能力，避免了算法陷入局部最優(yōu)解。Matlab/Simulink仿真實驗表明，所提方法在靜態(tài)局部遮陰和動態(tài)局部遮陰兩種情況下都具有較好的收斂性，并且相較于粒子群算法和樽海鞘群算法，其在收斂速度和尋優(yōu)精度等方面都有明顯提升。

關(guān)鍵詞： 最大功率點追蹤； 樽海鞘群算法； 光伏陣列； 改進(jìn)Logistic混沌映射； 局部遮陰； 麻雀搜索算法

中圖分類號： TN86?34； TM615" " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " "文章編號： 1004?373X（2025）08?0109?06

Research on photovoltaic MPPT control based on multi?strategy hybrid improved SSA

LUO Shanfeng1， CHEN Fangfang1， 2， XU Tianqi1， LI Huaxin1， CHENG Sanbang1

（1. School of Electrical and Information Technology， Yunnan Minzu University， Kunming 650504， China;

2. Yunnan Provincial Key Laboratory of Unmanned Autonomous Systems， Yunnan Minzu University， Kunming 650504， China）

Abstract： The traditional photovoltaic maximum power point tracking （MPPT） method falls into the local optimum when the photovoltaic array is in local shading due to environmental factors. In order to realize efficient utilization of solar energy， a multi?strategy hybrid improved MPPT control of the salp swarm algorithm （SSA） is proposed based on the SSA advantages in low?dimensional optimization problems. In this control， the improved Logistic chaotic mapping is used for the initialization of the salp swarm population to enhance its diversity. The explorer behavior of sparrow search algorithm is used to replace the leader behavior of salp， so as to improve the algorithm's global exploration capability， and avoiding falling into local optima. Matlab/Simulink simulation experimental results demonstrate that the proposed method can exhibit good convergence in both static and dynamic partial shading scenarios， and its convergence speed and optimization accuracy is significantly improved compared with particle swarm optimization and traditional SSA.

Keywords： maximum power point tracking; salp swarm algorithm; photovoltaic array; improved Logistic chaotic mapping; partial shading; sparrow search algorithm

0" 引" 言

光伏發(fā)電等清潔能源作為替代傳統(tǒng)化石能源的重要方式，為緩解因傳統(tǒng)能源造成的環(huán)境和能源危機(jī)提供了重要幫助。在實際應(yīng)用中，光伏發(fā)電受到環(huán)境因素影響，光伏陣列光照度不一，此時功率輸出有多個峰值[1?3]，傳統(tǒng)MPPT方法如擾動觀測法（Perturb and Observe method， Pamp;O）、電導(dǎo)增量法（Incremental Conductance， INC）容易陷入局部最優(yōu)，無法實現(xiàn)全局最大功率點追蹤[4]，從而導(dǎo)致能量損失，所以對最大功率點追蹤的研究具有重要意義。

國內(nèi)外學(xué)者針對此類問題，提出了基于智能優(yōu)化算法的最大功率點追蹤，其中粒子群算法[5]、布谷鳥算法[6]、灰狼算法[7]等被常用于光伏陣列局部遮陰時P?V特性曲線的多峰現(xiàn)象的最大功率點追蹤。文獻(xiàn)[8]利用差分進(jìn)化算法快速搜索到最大功率點的電壓附近，再利用擾動觀察法尋找并穩(wěn)定在最大功率點，但其收斂速度較慢。文獻(xiàn)[9]提出的基于金槍魚優(yōu)化算法的MPPT控制策略在尋優(yōu)精度方面有著較好表現(xiàn)，但其同樣存在收斂速度較慢的問題。文獻(xiàn)[10]提出一種基于自適應(yīng)隨機(jī)漂移粒子群算法和終端滑模控制的復(fù)合追蹤算法，引入終端滑?？刂破骷訌?qiáng)系統(tǒng)的穩(wěn)定性。文獻(xiàn)[11]提出一種分區(qū)螢火蟲的算法，采用差值最小的螢火蟲輸出策略對螢火蟲進(jìn)行分區(qū)，有效提高了收斂速度，但是在收斂精度方面表現(xiàn)不佳。以上算法過于復(fù)雜，改進(jìn)難度大，不易實現(xiàn)。

樽海鞘群算法（Salpa Swarm Algorithm， SSA）[12]作為近年來提出的新型算法，在對低維度優(yōu)化問題上具有優(yōu)越性，且實現(xiàn)簡單，但是智能優(yōu)化算法都存在收斂精度與收斂速度不夠理想的缺點，所以本文引入改進(jìn)型Logistic混沌映射進(jìn)行種群初始化，增加了種群的多樣性，提高了算法的搜索效率。同時，將麻雀搜索算法[13]中發(fā)現(xiàn)者行為代替樽海鞘群算法中領(lǐng)導(dǎo)者行為，提高算法的全局搜索能力。最后，通過Matlab/Simulink進(jìn)行驗證。

1" 光伏電池模型分析及局部遮陰分析

1.1" 光伏電池模型

光伏電池常用的單二極管模型電路如圖1所示[14]。

理想情況下的光伏電池電路由感光電源、二極管[D]、串聯(lián)電阻[Rs]和分流電阻[Rp]組成。根據(jù)基爾霍夫電流定律，光伏電池的輸出電流公式為：

式中：I和[U]分別為光伏電池輸出電流和輸出電壓；[IPV]為光生電流；[ID]為等效二極管反向飽和電流；[q]為電荷量；[a]為二極管理想因子；[K]為玻耳茲曼常數(shù)；[T]為環(huán)境溫度。

1.2" 局部遮陰時輸出特性分析

本文利用Matlab/Simulink搭建光伏仿真模型，由5塊相同參數(shù)的光伏板串聯(lián)組成光伏陣列，其中單個光伏板參數(shù)為：開路電壓[Uoc=43.6 V]；短路電流[Isc=8.35 A]；最大功率點電壓[Um=35 V]；最大功率點電流[Im=7.6 A]。在環(huán)境溫度為[25 ℃]下設(shè)定3種不同光照進(jìn)行仿真，如表1所示，圖2為3種不同工況下的光伏陣列輸出功率特性曲線。

1.3" 傳統(tǒng)最大功率點追蹤方法的缺陷

傳統(tǒng)光伏最大功率點追蹤方法主要包括擾動觀察法和電導(dǎo)增量法。這兩種方法因簡單、易實現(xiàn)被許多標(biāo)準(zhǔn)光伏系統(tǒng)采用，但是在面對復(fù)雜環(huán)境條件下表現(xiàn)一般。以擾動觀察法為例，其工作原理為對功率進(jìn)行監(jiān)控，比較功率變化，當(dāng)工作點在最大功率點左邊時，則增加電壓，反之則減少電壓，以此逐步逼近光伏系統(tǒng)的最大功率點；但是當(dāng)出現(xiàn)多峰現(xiàn)象時，系統(tǒng)在第一次搜索到局部最大功率點后，判斷其為全局最大功率點，算法停止搜索，導(dǎo)致陷入局部最優(yōu)的情況。

圖3為動態(tài)遮陰下擾動觀察法MPPT輸出功率曲線。圖中擾動觀察法的輸出功率在5 850～5 910 W之間來回變化，穩(wěn)態(tài)后的功率輸出波動較大，且收斂精度不高；在光照度變化以后，擾動觀察法的收斂時間約為第一次收斂時間的4倍，且收斂精度和穩(wěn)態(tài)后的波動與變化前一樣。由此可知，傳統(tǒng)光伏最大功率點追蹤方法在面對局部遮陰出現(xiàn)的多峰現(xiàn)象時，由于算法局限性，會出現(xiàn)局部最優(yōu)的情況，且導(dǎo)致輸出功率波動較大；同時，在面對光照發(fā)生變化時的動態(tài)響應(yīng)能力較差。所以，對改進(jìn)光伏最大功率點追蹤方法的研究是十分有必要的。

2" 多策略混合改進(jìn)樽海鞘群算法

2.1" 樽海鞘群算法

SSA是一種通過模擬自然界中樽海鞘群體捕食行為的優(yōu)化算法。該算法將樽海鞘種群分為領(lǐng)導(dǎo)者與跟隨者兩種不同的類型，各占種群總數(shù)的[12]。在每次迭代過程中，領(lǐng)導(dǎo)者向食物[Fj]的方向進(jìn)行搜索，跟隨者根據(jù)前一個樽海鞘的位置進(jìn)行移動，其中領(lǐng)導(dǎo)者位置更新公式為：

式中：[X1，j]為領(lǐng)導(dǎo)者在第[j]個維度的位置；[Fj]為食物在第[j]個維度的位置；[ubj]和[lbj]分別為第[j]個維度的最大值和最小值；[c2]和[c3]是在[0，1]中隨機(jī)產(chǎn)生的參數(shù)，分別決定領(lǐng)導(dǎo)者步長和移動方向；[c1]為通過控制算法是傾向于全局搜索還是局部搜索來平衡探索和開發(fā)。[c1]公式為：

2.2" 改進(jìn)型Logistic混沌映射初始化種群

Logistic映射是一個經(jīng)典的非線性遞歸公式，其實現(xiàn)簡單，且具有混沌特性，能夠生成復(fù)雜且隨機(jī)的數(shù)據(jù)序列，這種特性使通過Logistic映射初始化的種群具有較高的多樣性，減少了迭代時間，增強(qiáng)了算法全局搜索能力，從而提高了收斂精度及收斂速度。Logistic映射函數(shù)如下：

式中：[λ]為分支參數(shù)，[λ∈0，4]。當(dāng)[3.569 95lt;λlt;4]，Logistic映射表現(xiàn)出混沌性質(zhì)，系統(tǒng)不再表現(xiàn)出周期性，而是呈現(xiàn)出隨機(jī)性；當(dāng)[λ=4]時，系統(tǒng)達(dá)到完全混沌，此時的Logistic混沌映射具有強(qiáng)遍歷性和隨機(jī)性，可以提高算法的搜索效率。但是普通Logistic混沌映射存在輸出值分布不均衡的情況，而改進(jìn)型Logistic混沌映射具有更好的遍歷性，因此本文采用改進(jìn)后的Logistic混沌映射對樽海鞘種群進(jìn)行初始化。Logistic混沌映射改進(jìn)后的公式為：

2.3" 融合麻雀搜索算法

在樽海鞘群算法中，領(lǐng)導(dǎo)者在新的搜索區(qū)域?qū)ふ胰肿顑?yōu)的方向，而追隨者根據(jù)領(lǐng)導(dǎo)者的位置進(jìn)行局部最優(yōu)搜索。領(lǐng)導(dǎo)者和追隨者之間獨特的信息更新機(jī)制使得算法在收斂速度方面有較好的表現(xiàn)；但是由于領(lǐng)導(dǎo)者側(cè)重于利用已知信息進(jìn)行搜索，對于未知區(qū)域考察不足，導(dǎo)致算法容易陷入局部最優(yōu)情況。

麻雀搜索算法具體主要分為發(fā)現(xiàn)者、加入者和偵察者三個群體。其中發(fā)現(xiàn)者負(fù)責(zé)指引種群覓食方向，尋找全局最優(yōu)，其行為與樽海鞘群算法中領(lǐng)導(dǎo)者的行為類似。但是麻雀搜索算法中發(fā)現(xiàn)者則是側(cè)重于探索新的區(qū)域來尋找最優(yōu)解，這種行為增加了尋找到全局最優(yōu)的可能性。所以針對樽海鞘群算法在收斂精度這一方面表現(xiàn)較差的情況，本文利用麻雀搜索算法中的發(fā)現(xiàn)者行為代替樽海鞘群算法中的領(lǐng)導(dǎo)者行為。發(fā)現(xiàn)者位置更新公式為：

式中：[α]為[0，1]中的隨機(jī)數(shù)；[t]為當(dāng)前迭代次數(shù)；[itermax]為算法的最大迭代次數(shù)；[Q]是一個服從正態(tài)分布的隨機(jī)數(shù)；[L]是一個[1×d]的矩陣，其元素全為1；[R2]和[ST]分別為預(yù)警值和安全值，其中[R2∈0，1]，[ST∈0.5，1]。

2.4" 多策略混合改進(jìn)樽海鞘群算法在MPPT中的應(yīng)用

本文采用基于Boost變換器搭建的MPPT控制系統(tǒng)，其控制框圖如圖4所示。其中：[UPV]和[IPV]分別為光伏模塊的輸出電壓和輸出電流；[C1]和[C2]分別為輸入側(cè)和輸出側(cè)的電容；[L]為電感；[R]為負(fù)載電阻；[D]為二極管。其光伏系統(tǒng)優(yōu)化模型可表示為：

為防止光伏陣列因外部環(huán)境變化較大時，導(dǎo)致最大功率點追蹤失效，本文對算法設(shè)定重啟功能，當(dāng)滿足公式（10）條件時算法重啟。

式中：[P']表示當(dāng)前時刻的輸出功率值；[P]表示上一時刻的輸出功率值；[t]為迭代次數(shù)；itermax為最大迭代次數(shù)。圖5為多策略混合改進(jìn)樽海鞘群算法的控制流程。

3" 仿真驗證及結(jié)果分析

為驗證多策略混合改進(jìn)樽海鞘群算法在MPPT中的有效性，以及相對于傳統(tǒng)PSO與SSA的優(yōu)越性，在Matlab/Simulink中進(jìn)行模型搭建。其中，光伏陣列的參數(shù)如下：開路電壓為43.6 V；短路電流為8.35 A；最大功率點電壓為35 V；最大功率點電流為7.6 A；最大功率為266 W；光伏陣列串聯(lián)、并聯(lián)數(shù)分別為2和4。在靜態(tài)遮陰和動態(tài)遮陰兩種情況進(jìn)行仿真實驗。

3.1" 靜態(tài)局部遮陰下仿真結(jié)果

根據(jù)工況2中條件，將光伏陣列的光照度分別設(shè)置為1 000、1 000、800、800、400 W/m2，環(huán)境溫度統(tǒng)一為[25 ℃]，仿真時間為1 s，其對應(yīng)的最大功率值為7 127 W。對PSO、SSA、多策略混合改進(jìn)SSA三種算法在靜態(tài)局部遮陰下進(jìn)行驗證。

仿真結(jié)果如圖6所示。表2為靜態(tài)局部遮陰下實驗結(jié)果。

由表2知，PSO算法和SSA算法都存在收斂精度較差的問題，PSO算法雖然優(yōu)于SSA算法，但是其收斂速度方面表現(xiàn)不如SSA。本文提出的方法收斂時間為0.11 s，較PSO和SSA算法收斂時間分別降低了54%和42%，且尋優(yōu)精度達(dá)到99.6%，大幅度提高收斂速度的同時還增加了尋優(yōu)精度。

3.2" 動態(tài)局部遮陰下仿真結(jié)果

根據(jù)工況2和工況3中的條件，將光伏陣列的光照度分別設(shè)置為1 000、1 000、800、800、400 W/m2，在0.5 s時，使光照度突變?yōu)?00、800、600、600、400 W/m2；環(huán)境溫度統(tǒng)一為[25 ℃]，仿真時間為1 s。表3為動態(tài)局部遮陰下實驗結(jié)果。仿真結(jié)果如圖7所示。

由表3可知，在光照變化以后，本文方法的穩(wěn)態(tài)功率為5 160 W，收斂用時為0.11 s。對比變化前的光伏功率曲線圖，本文方法在動態(tài)遮陰的工況下依然表現(xiàn)出優(yōu)秀的收斂速度和尋優(yōu)精度，增強(qiáng)了光伏系統(tǒng)發(fā)電效率。

4" 結(jié)" 論

本文針對傳統(tǒng)光伏最大功率點追蹤方法在光伏陣列因環(huán)境因素處于局部遮陰時出現(xiàn)陷入局部最優(yōu)的情況，提出了一種多策略混合改進(jìn)樽海鞘群算法的MPPT控制方法。該方法以樽海鞘群算法為基礎(chǔ)，引用改進(jìn)型Logistic混沌映射初始化種群，同時用麻雀搜索算法的發(fā)現(xiàn)者行為替代樽海鞘群算法的領(lǐng)導(dǎo)者行為。由仿真結(jié)果可知，該方法在最大功率點追蹤時具有收斂性，與PSO和SSA方法相比，有效縮短了最大功率點追蹤的收斂時間，提升了收斂精度，并且在動態(tài)局部遮陰下同樣具有較好的適應(yīng)性。

參考文獻(xiàn)

[1] 孫穎，張建德，周青菁，等.基于改進(jìn)花授粉算法的光伏MPPT控制研究[J].電源技術(shù)，2023，47（4）：528?532.

[2] 付光杰，王柏松.基于改進(jìn)SCSO算法的光伏MPPT研究[J].現(xiàn)代電子技術(shù)，2024，47（10）：143?150.

[3] 黃禮明，連永圣，陳標(biāo)龍，等.基于擾動觀察法的MPPT控制優(yōu)化策略[J].現(xiàn)代電子技術(shù)，2011，34（24）：206?208.

[4] 秦建衡，羅朝旭，劉洋.一種具有MPPT功能的光伏逆變器下垂控制方法[J].電源技術(shù)，2023，47（3）：398?402.

[5] AL?WESABI I， ZHIJIAN F， FARH H M H， et al. Hybrid SSA?PSO based intelligent direct sliding?mode control for extracting maximum photovoltaic output power and regulating the DC?bus voltage [J]. International journal of hydrogen energy， 2024， 51： 348?370.

[6] 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追蹤[J].電力系統(tǒng)保護(hù)與控制，2020，48（5）：26?32.

[7] 王金玉，苗飛祥，董秀波.基于灰狼amp;電導(dǎo)增量的局部遮陰下光伏最大功率跟蹤[J].電氣自動化，2023，45（3）：37?39.

[8] 劉宜罡，鄒應(yīng)全，張曉強(qiáng)，等.基于差分進(jìn)化的光伏MPPT算法改進(jìn)[J].太陽能學(xué)報，2020，41（6）：264?271.

[9] 孫淑琴，李丞，李再華，等.基于金槍魚群優(yōu)化算法的光伏MPPT控制策略研究[J].電源技術(shù)，2023，47（9）：1202?1206.

[10] 李帥杰， 皇金鋒，李慧慧.基于ARDPSO?TSMC混合算法的光伏MPPT控制[J].武漢大學(xué)學(xué)報（工學(xué)版），2024，57（10）：1479?1487.

[11] 李宜偉，李茂軍，陳滿，等.基于分區(qū)螢火蟲算法的局部遮蔭MPPT研究[J].控制工程，2023，30（7）：1368?1374.

[12] MIRJALILI S， GANDOMI A H， MIRJALILI S Z， et al. Salp swarm algorithm： a bio?inspired optimizer for engineering design problems [J]. Advances in engineering software， 2017， 114： 163?191.

[13] 常東峰，南新元.基于改進(jìn)麻雀算法的深度信念網(wǎng)絡(luò)短期光伏功率預(yù)測[J].現(xiàn)代電子技術(shù)，2022，45（17）：135?140.

[14] JORDEHI A R. Parameter estimation of solar photovoltaic （PV） cells： a review [J]. Renewable and sustainable energy reviews， 2016， 61： 354?371.

[15] 張宜祥，張玲華.基于超參數(shù)優(yōu)化的電力負(fù)荷預(yù)測模型研究[J].電子設(shè)計工程，2024，321（4）：37?42.

[16] 王一鳴，許頗，張凌翔，等.基于SSA?SVM的光伏陣列故障診斷模型[J].電子設(shè)計工程，2024，32（13）：46?49.

[17] 王藝博，蘇高民，邱榕鑫.基于躍變探索式電導(dǎo)增量法的光伏陣列全局最大功率點跟蹤控制研究[J].電氣工程學(xué)報，2024，19（1）：351?357.

收稿日期：2024?06?06" " " " " "修回日期：2024?07?29

基金項目：國家自然科學(xué)基金項目（61761049）