局部阴影下最大功率点追踪技术应用

来源:用户上传      作者:雷国平 罗秀英 张伟

　　摘   要：为了降低电能损耗、提高利用率，将光伏系统中局部阴影下最大功率点追踪（MPPT）技术的跟踪精度和速度提高就显得很必要。文章首先综述了光伏系统处于局部阴影情况下的算法及其优缺点。其次，综述了太阳能电池的数学模型。再次，对以粒子群算法为例的群体智能优化算法进行了分析。最后，指出了局部阴影下全局最大功率点追踪（GMPPT）的发展方向。
　　关键词：局部阴影;全局最大功率点;数学模型;粒子群算法
　　在我国众多高新技术中，发展速度最快的便是光伏发电产业。预计到2030年，世界能源的10%都来源于太阳能，到21世纪末，占比将高达60%。太阳能电池是将太阳能转化为电能的重要媒介，关于如何提高电池功率的转换效率一直是研究的热点。
　　国内外学者从如下几个方面进行了研究：首先，研制转换效率高且不贵的太阳能电池材料，目前已经开发的实用级别晶体硅太阳电池单体转换效率高达24.7%，由于其理论值为29%，在实际应用中最高只能达到26%。其次，太阳能电池板能自动调节其物理位置，让太阳光尽可能以最大面积照射到太阳能电池的表面。最后，通过调节电池的外接负载大小，进行最大功率点追踪，让电池的输出功率保持在最大值[1]。
　　显然，随着电力电子技术的发展，对最大功率点追踪（Maximum Power Point Tracking，MPPT）算法的研究成为提高太阳能利用率的一大趋势，局部阴影下太阳电池的特性曲线呈多峰状，传统算法无法对全局最大功率点（Global Maximum Power Point，GMPP）进行精准跟踪，因此，对局部阴影下的MPPT算法进行研究具有重要意义。
　　1    研究现状
　　局部阴影的存在严重影响电能质量，传统算法存在无法跟踪GMPP。为了避免多峰的出现，可以通过构建动态链接的光伏阵列结构、并联有源功率补偿器[2]等方法来实现，但是由于硬件设备的增加，成本也随之增加。赵俊霞等[3]提出了新型多峰全局最大功率点跟踪重构算法，通过将已有的不同遮阴程度的光伏组件重新分类配置，有效避免多峰的出现，实验表明，增加的输出功率高达11.27%。
　　GMPPT算法在提高跟踪精度和速度等方面也得到了改进。全局扫描法精度高，但是扫描范围比较广、耗时长，于是，戴华夏[4]提出基于POC法的GMPPT算法，分别在开路电压和短路电流处开始向最大功率点扫描，该算法与全局扫描法相比较缩小了扫描范围，节约了时间，因此，跟踪速度和精度得到了提高。目前，复合MPPT算法是研究的重要趋势，模糊控制电导增量法、恒电压跟踪法与增量电导法相结合、遗传算法与模式搜索法组合、全局扫描和扰动观察法相结合、遗传算法与扰动观察法结合等复合GMPPT算法，不仅保持了单一算法的优点，还克服了传统算法易陷入局部最优的缺点，在一定程度上提高了局部阴影下算法的跟踪精度和寻优速度，但是算法的复杂程度也加深了。群智能算法应用广泛，20世纪90年代提出蚁群算法和粒子群算法，21世纪初提出萤火虫算法、天牛须搜索算法以及细菌觅食算法。细菌觅食算法全局搜索能力很强，但易早熟，精度不高，为了解决这一问题降低功率损耗，胡林静等[5]提出了自适应细菌觅食优化算法，并验证了该算法可以应用于任何环境下。
　　2    数学模型逐步优化
　　理想的电池模型仅由线性独立电源和一个二极管组成，不能很好地表现电池的特性，实用性差。实际应用中不可忽略接触电阻和制作原因导致电池本身消耗的电能，在理想模型中串联电阻代表接触电阻的损耗、并联电阻代替电池本身的电能损耗[6]，使得电池模型能很好地体现电池的特性，又被称为單二极管数学模型，精度较理想模型高。但是单二极管模型存在光照强度不够、温度较高时，开路电压的输出精度较差的缺点，为了克服这一缺点，双二极管模型被提出。其中，新增的二极管表征载流子在耗散区产生的复合功率损失[7]，双二极管电池数学模型将光伏电池的特性表现得更加全面了，在照度低以及温度高的环境下也能保持开路电压的输出精度。但是随着二极管数量的增加，系统参数也随之增加，使得计算比单二极管模型复杂。
　　3    群体智能优化算法
　　MPPT技术的研究源于提高太阳能的转换，在传统算法中，间接控制算法中的恒定电压法、插值算法等，直接控制算法中的扰动观察法、电导增量法等均适用于无阴影的情况。基于现代控制技术的人工智能算法在多峰下可以有效追踪最大功率点，根据不同生物的行为提出的智能群算法不断涌现，是技术上的一大进步。
　　3.1  粒子群算法
　　粒子群算法应用广泛，其思想是鸟群寻找随机出现的食物，刚开始鸟群分布得比较宽，每只小鸟的距离较远。随着鸟群对食物的不断靠近，鸟群集中的位置就是食物出现的位置，即小鸟代表粒子群算法中的粒子、食物代表最大功率点。粒子群算法的特别之处在于这是一场整体的运动，即多个粒子共同使用进化算子，进化算子对单个粒子不适用。粒子的更新依靠两个“最优解”，一是个体粒子最优解，记为Pbest;二是整体最优解，查重记为Gbest。
　　粒子算法结构简单，容易实现，该算法下光伏阵列输出功率比传统电导增量法更加稳定。但是该算法在多峰值情况下进行最大点搜索时容易出现早熟收敛，惯性权重w取值不合适时会导致误判，容易陷入局部最优，因此，该算法跟踪精度较差、跟踪时间较长。由于在局部阴影下，光伏系统P-U特性曲线呈多峰状，容易陷入局部最优，所以该算法适用于P-U特性为单峰的均匀光照系统中，实用性不强。
　　3.2  自适应精英变异混沌粒子群算法
　　一种自适应精英变异混沌粒子群算法[8]结合了自适应精英变异算法和混沌优化算法，其工作原理是在粒子群算法初始化时加入混沌序列，使得粒子具有全局多样性，迭代时使用混沌迭代，并对每一次迭代的最优值进行自适应精英变异操作，使其跳出局部极值，从而找到全局最大功率点。 　　該算法的全局遍历性能好，不易陷入局部最优解，因此，局部阴影下亦能够精准地追踪到最大功率点。与粒子群算法相比，收敛振荡减小了，跟踪精度和速度也都提高了，能够很好地适应动态环境。
　　3.3  天牛群优化算法
　　天牛群优化算法在2017年提出的天牛须搜索算法基础上引进了粒子群算法中的群体优化思想，每次迭代后将天牛本身的位置作为占空比更新天牛自身的位置。更新天牛位置的方式有两种，一是利用群体学习的方式使得每一只天牛都向全局最优的天牛靠近，搜索速度快;二是借鉴天牛觅食原理，通过判断左须与右须接收浓度将自身位置往浓度更浓的方向移动[9]。
　　该算法克服了粒子群算法和天牛须搜索算法的缺点，在不同模式的光照下均能跳出局部最优，有效追踪到GMPP。由于引进了粒子群算法的群体优化思想，天牛改变自身位置的效率更高，即该算法追踪GMPP的速度更快、精度更高，减少了功率损失，不仅保证了个体改进的优点，还集合了群体互学的优点，适用于均匀光照、局部阴影和复杂阴影的环境。
　　4    结语
　　太阳能是一种清洁能源，可以转化为热能、化学能以及电能，据统计我国太阳能总能源的利用量仅次于美国。由房屋、树木、云层、灰尘等形成的局部阴影会严重影响电能质，2%～3%的阴影遮挡下电池发电量会下降20%。对数学模型逐步优化、不同方法的有机结合、群体智能优化算法等依旧是研究的重要方向，其目标就是提高GMPP的追踪速度和精度。群体智能算法全局搜索能力较强，适用于局部阴影，但其算法复杂，因此，在对其不断提高精度与速度的同时，简化算法是GMPPT技术的又一研究方向。
　　[参考文献]
　　[1]蔡威，吴海燕，谢吴成.光伏太阳能电池进展[J].广东化工，2019（1）：84-85.
　　[2]颜景斌，佟尧，曹雷，等.局部阴影条件下光伏电池建模与输出特性仿真[J].电源技术，2018（5）：682-688，692.
　　[3]赵俊霞，吴启琴，张乐，等.局部阴影下光伏阵列最大功率追踪（MPPT）算法[J].电源技术，2019（9）：1528-1530.
　　[4]戴华夏.光伏并网系统MPPT方法及能量损失研究[D].徐州：中国矿业大学，2015.
　　[5]胡林静，刘凯，刘彤.局部阴影下光伏阵列MPPT控制策略研究[J].计算机仿真，2019（8）：87-91，102.
　　[6]贾文婷，魏学业，张俊红，等.光伏阵列双二极管简化模型的建立与仿真[J].北京交通大学学报，2017（2）：89-93.
　　[7]许鹏，侯金明，苑登阔.基于双二极管模型的光伏阵列模型优化设计[J].计算机仿真，2013（11）：71-75.
　　[8]葛双冶，杨凌帆，刘倩，等.基于改进CPSO的动态阴影环境下光伏MPPT仿真研究[J].电力系统保护与控制，2019（6）：157-163.
　　[9]王凡.基于天牛须搜索算法的人群疏散方法及仿真研究[D].济南：山东师范大学，2019.
　　Application on maximum power point tracking technology under partial shadows
　　Lei Guoping， Luo Xiuying， Zhang Wei
　　（School of Electronic and Information Engineering， Chongqing Three Gorges University， Chongqing 404100， China）
　　Abstract：It is necessary to improve the tracking accuracy and speed of the MPPT technology in the algorithm to avoid reducing the power loss in the output of the photovoltaic system under partial shading conditions. Based on the partial shadow situation， this paper first summarizes the related algorithms， secondly summarizes the mathematical model of solar cells， and then uses particle swarm optimization as an example to analyzes the swarm intelligence optimization algorithm. Finally， the research directions of GMPPT under partial shadows are summarized.
　　Key words：local shadowing; global maximum power point; mathematical model; particle swarm optimization
转载注明来源:https://www.xzbu.com/8/view-15197674.htm