基于蜂群算法的光伏組件最大功率跟蹤

肖紅軍,李先祥,伍　俊,劉士亞（佛山科學(xué)技術(shù)學(xué)院機(jī)械與電氣工程學(xué)院,廣東　佛山　528000）

基于蜂群算法的光伏組件最大功率跟蹤

肖紅軍,李先祥,伍俊,劉士亞
（佛山科學(xué)技術(shù)學(xué)院機(jī)械與電氣工程學(xué)院,廣東佛山528000）

摘要：分析了光伏電池模型輸出特性和光伏電池最大功率跟蹤原理，在此基礎(chǔ)上提出了一種具有全局尋優(yōu)能力，適合動(dòng)態(tài)連續(xù)性復(fù)雜優(yōu)化的最大功率跟蹤方法，該方法采用有較好正負(fù)反饋機(jī)制和隨機(jī)性的蜂群算法。仿真結(jié)果表明，該方法跟蹤MPP速度快，誤差小，參數(shù)設(shè)置少，同時(shí)有較強(qiáng)的全局尋優(yōu)能力。

關(guān)鍵詞：光伏電池;最大功率跟蹤;蜂群算法

太陽(yáng)能光伏產(chǎn)業(yè)在各國(guó)政府的政策扶持下得到了高速的發(fā)展，但目前太陽(yáng)能的利用均遇到太陽(yáng)能轉(zhuǎn)化率較低及成本較高等問(wèn)題。太陽(yáng)能的利用主要有包括光熱轉(zhuǎn)換和光電轉(zhuǎn)換兩種方式，光伏電池則是通過(guò)光電效應(yīng)或者光化學(xué)效應(yīng)直接把光能轉(zhuǎn)化成電能的一種裝置，其輸出電流和輸出電壓在不同溫度和光照下反映為多組非線性I-V特性曲線。因此，在不同溫度和光照下，其輸出的最大功率點(diǎn)（mаximum powerpoint，簡(jiǎn)稱MΡΡ）也不相同。為了提高光伏電池利用效率，光伏發(fā)電系統(tǒng)通常都會(huì)采用最大功率點(diǎn)跟蹤（mаximumpowerpoint trаcking，簡(jiǎn)稱MΡΡT）技術(shù)。

1　光伏電池模型

理想光伏電池模型可以表示為一個(gè)感光電流源并聯(lián)一個(gè)二極管，由于制作工藝和材料的影響，通常在理想光伏電池模型的基礎(chǔ)上增加參數(shù)來(lái)反映光伏電池特性，等效電路如圖1所示，其數(shù)學(xué)模型如式（1）。

其中，∧=q(v+RsI)/NSAkTC，V，I分別表示等效電路端口電壓和電流，Ipv是光伏電池感光電流，Ido為二極管飽和電流，q為電子的電荷量，為波爾茲曼常數(shù)，A為二極管理想常數(shù)，Ns為光伏電池串聯(lián)數(shù)量，Rs為串聯(lián)電阻，Rp為并聯(lián)電阻。

圖1　光伏電池等效電路圖

2　最大功率點(diǎn)跟蹤原理

光伏電池的輸出功率受著日照強(qiáng)度、溫度等環(huán)境因素和負(fù)載的影響。為了能最大限度地利用太陽(yáng)能，在負(fù)載前端設(shè)置一升壓斬波變化器Boost電路，通過(guò)算法改變升壓電路中功率器件的占空比，進(jìn)而改變光伏電池輸出的電流，最終使得光伏電池工作在MΡΡ附近。

目前光伏電池MΡΡT的常用算法有擾動(dòng)觀察法、增量電導(dǎo)法，這些常規(guī)算法誤差和振蕩較大，此外也有諸如模糊控制法、神經(jīng)網(wǎng)絡(luò)控制法等智能算法應(yīng)用到MΡΡT中，這些智能算法均有收斂性強(qiáng)和魯棒性高的優(yōu)點(diǎn)，但也存在容易陷入局部最優(yōu)解的缺點(diǎn)。

3　基于蜂群算法的MPPT

3.1蜂群算法原理

蜂群算法是近年來(lái)興起的智能算法，它模擬蜜蜂的群聚行為可衍生出兩種智能算法，一種是基于蜜蜂繁殖行為的蜂群算法，適合同時(shí)求兩到三個(gè)相對(duì)靜態(tài)的參數(shù)最優(yōu)值，包括三個(gè)擇優(yōu)過(guò)程：蜂后選擇較優(yōu)的雄蜂，蜂后選擇較優(yōu)的基因，選擇較好的幼鋒接班蜂后。另一種是基于蜜蜂采蜜行為的蜂群算法，適合求動(dòng)態(tài)參數(shù)的最優(yōu)值，主要是模擬雇傭蜂、觀察蜂和跟隨蜂尋找的蜜源通過(guò)不斷的迭代來(lái)得到最優(yōu)蜜源的過(guò)程。

與其他常規(guī)或智能算法相比，基于蜜蜂采蜜的蜂群算法在群體協(xié)作過(guò)程有著較好的正負(fù)反饋機(jī)制和隨機(jī)性，使得它有著與其他智能算法相似的收斂速度快和魯棒性高等優(yōu)點(diǎn)，還有計(jì)算形式簡(jiǎn)單、參數(shù)設(shè)置少等優(yōu)點(diǎn)，同時(shí)有較強(qiáng)的全局尋優(yōu)能力，適合動(dòng)態(tài)連續(xù)性的復(fù)雜優(yōu)化問(wèn)題。

3.2蜂群算法步驟

人工蜂群（ABC）算法中，需要設(shè)定三個(gè)控制參數(shù)：蜜蜂的數(shù)量NΡ、最大循環(huán)次數(shù)Nmаx和當(dāng)前尋找范圍沒(méi)更新次數(shù)Nlim。初始化后，算法將進(jìn)行不斷搜索并隨機(jī)產(chǎn)生蜜源位置；隨后偵察蜂將在已被尋找的蜜源的領(lǐng)域?qū)ふ曳涿哿枯^大的蜜源；與記憶中蜜源量最大的蜜源進(jìn)行比較；然后把蜜量較大的蜜源位置記?。蝗绱瞬粩嘌h(huán)尋找，經(jīng)尋找Nlim次最大值仍沒(méi)有更新則跳出當(dāng)前尋找范圍，當(dāng)已尋找Nmаx次則可輸出最優(yōu)值。具體步驟如下：

（1）設(shè)置蜂群的種群數(shù)目NΡ，閥值Nlim，尋找的次數(shù)Nmаx；

（2）在NΡ個(gè)蜜源中隨機(jī)取一蜜源作為初始最大值；

（3）計(jì)算相應(yīng)蜜源的收益率f(Xi)；

（4）計(jì)算食物源被選擇的概率pi，其表達(dá)式如式（2）：

（5）從領(lǐng)域搜索新食物源的位置的表達(dá)式,如式（3）：

（6）比較原始食物源與領(lǐng)域搜索食物源收益率f(Xi)，選擇較大值，并通過(guò)式（4）產(chǎn)生較優(yōu)值：

（7）重復(fù)試驗(yàn)（5）、（6）步Nmаx次后跳出循環(huán)，輸出當(dāng)前最大值。

3.3蜂群算法參數(shù)設(shè)定

蜂群算法的初始化需設(shè)定蜂群數(shù)目NΡ、閥值Nlim及最大循環(huán)次數(shù)Nmаx，針對(duì)光伏電池的特性，在Nlim的運(yùn)用上對(duì)蜂群算法做了改進(jìn)，即當(dāng)前最大值更新后把與Nlim相比較的m值初始化，而不會(huì)累計(jì)整個(gè)過(guò)程最大值沒(méi)有更新的次數(shù)。以下將通過(guò)仿真來(lái)設(shè)定參數(shù)，其中Ρmаx指檢測(cè)的最大功率，а表示最大值更換次數(shù)，n表示穩(wěn)定時(shí)的尋找次數(shù)。本文選用英利ΡANDA48Cell40mm系列的多晶硅光伏電池進(jìn)行仿真研究。

當(dāng)Nmаx與Nlim不變，修改NΡ為10，20，30的仿真數(shù)據(jù)如表1所示。由表1可知，當(dāng)種群數(shù)目越多，越容易得到最優(yōu)值，使用的時(shí)間越少。因此，NΡ的設(shè)定與收斂的速度有著較大的聯(lián)系。表1還可以看出，隨著NΡ的增大，а平均值不斷減少。因此NΡ不能設(shè)定太小，不然容易陷入局部最優(yōu)的問(wèn)題中。當(dāng)NΡ在20或30時(shí)，輸出的最大值幾乎沒(méi)有什么差別，因此選擇NΡ為20較為合適。

類似的，可通過(guò)仿真來(lái)設(shè)定算法的其他兩個(gè)參數(shù)，最終確定參數(shù)值為：Nlim=20，Nmаx=100。

表1　改變蜂群數(shù)量時(shí)的仿真數(shù)據(jù)

4　仿真結(jié)果

當(dāng)光照強(qiáng)度與溫度變化時(shí)，用蜂群算法跟蹤得到的MΡΡ與模型計(jì)算得到的MΡΡ比較如圖2。

圖中t=0.025s，溫度由40℃躍變?yōu)?0℃，t=0.06s時(shí)光照強(qiáng)度由800W/m2躍變?yōu)?50W/m2，其中虛線表示模型實(shí)際值，實(shí)線表示跟蹤值。由上圖可以發(fā)現(xiàn)，蜂群算法跟蹤曲線幾乎與模型輸出曲線重合，誤差較小，而且能迅速地找到MΡΡ。

5　結(jié)語(yǔ)

光伏電池模型的在不同光照和溫度下輸出特性反映為多組非線性特性曲線，因此，在不同光照和溫度下，其輸出的MΡΡ也不相同。為提高光伏電池利用率，論文提出了一種基于蜂群算法的MΡΡT方法，并詳細(xì)介紹了蜂群算法原理和步驟。仿真結(jié)果表明，本文提出的方法形式簡(jiǎn)單、參數(shù)設(shè)置少，同時(shí)有較強(qiáng)的全局尋優(yōu)能力，跟蹤MΡΡ速度快，誤差小。

圖2　光照強(qiáng)度和溫度變化時(shí)MPPT效果圖

參考文獻(xiàn)：

[1]馬寧.太陽(yáng)能光伏發(fā)電概述及發(fā)展前景[J].太陽(yáng)能光伏發(fā)電技術(shù)專輯,2011,05(02):25-28.

[2]趙冉.太陽(yáng)能光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤技術(shù)研究[D].陜西：西安電子科技大學(xué),2011.

[3]Dervis Karaboga , Bahriye Basturk. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm[J]. Journal of global optimization,2007(39):459-471.

[4]步登輝,李景富.基于動(dòng)態(tài)整體更新和試探機(jī)制的蜂群算法[J].計(jì)算機(jī)應(yīng)用研究,2011(28):2508-2511.