基于儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)逆變器的改進(jìn)型自適應(yīng)粒子群最大功率點(diǎn)跟蹤算法研究

朱泓暉 屈艾文 周揚(yáng)忠

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州 350108）

0 引言

近年來(lái)，由于氣候變化和能源緊張等諸多環(huán)境問(wèn)題的產(chǎn)生，可再生能源的研究，尤其是光伏發(fā)電技術(shù)的研究受到了廣泛的關(guān)注。準(zhǔn)Z源逆變器允許橋臂直通，無(wú)需加入死區(qū)時(shí)間，系統(tǒng)可靠性高，且有利于降低濾波器體積，減小系統(tǒng)成本[1]。通過(guò)在準(zhǔn)Z源逆變器的阻抗網(wǎng)絡(luò)電容上并聯(lián)儲(chǔ)能單元，不需要額外增加變流器便可有效補(bǔ)償光伏輸出功率和期望輸出并網(wǎng)功率的差額，解決了系統(tǒng)功率調(diào)度問(wèn)題[2]。此外，光伏發(fā)電系統(tǒng)的發(fā)電效率也是研究的重點(diǎn)，最大功率點(diǎn)跟蹤（maximum power point tracking,MPPT）技術(shù)[3-6]是有效提高光伏發(fā)電效率的關(guān)鍵技術(shù)之一。實(shí)際中，當(dāng)光伏陣列遇到陰影條件時(shí)，陣列的光伏特性曲線將呈現(xiàn)多峰特性，若采用傳統(tǒng)的MPPT算法，如擾動(dòng)觀察法、電導(dǎo)增量法，將無(wú)法準(zhǔn)確跟蹤到最大功率點(diǎn)，導(dǎo)致功率損失。為使系統(tǒng)在光伏陣列出現(xiàn)多峰特性時(shí)仍然能準(zhǔn)確跟蹤到最大功率點(diǎn)，許多全局尋優(yōu)的智能控制算法[7-9]，如粒子群算法（particle swarm optimization, PSO）、模糊控制算法、遺傳算法等被成功運(yùn)用到光伏發(fā)電系統(tǒng)中。PSO算法自提出后就被廣泛應(yīng)用在各個(gè)領(lǐng)域中，對(duì)于PSO算法的改進(jìn)主要可以分成兩種：一種是優(yōu)化學(xué)習(xí)因子和慣性權(quán)重等重要參數(shù)的更新方式[9-11]；另一種是將PSO算法與其他策略或算法結(jié)合[7,12]。文獻(xiàn)[9]依據(jù)迭代次數(shù)線性調(diào)整慣性權(quán)重和學(xué)習(xí)因子，并引入反正切函數(shù)改變PSO算法速度的更新方式，提高了收斂速度，減小了跟蹤過(guò)程中的振蕩。文獻(xiàn)[10]引入了狀態(tài)因子和聚集度因子，采用非線性策略對(duì)慣性權(quán)重進(jìn)行控制，有效地提高了PSO的收斂穩(wěn)定性和收斂精度，參數(shù)的更新依賴迭代次數(shù)。文獻(xiàn)[11]采用當(dāng)前所有粒子的平均適應(yīng)度值和最小適應(yīng)度值更新PSO的慣性權(quán)重，該方法沒(méi)有更新學(xué)習(xí)因子，但也能夠快速準(zhǔn)確地跟蹤最大功率點(diǎn)。文獻(xiàn)[7]將非線性變化的變異策略引入PSO算法中，在粒子過(guò)早嚴(yán)重聚集時(shí)，將符合變異條件的粒子進(jìn)行變異，與傳統(tǒng)PSO算法相比，有效地提高了算法的全局尋優(yōu)能力和跟蹤精度，加快了算法收斂的速度。文獻(xiàn)[12]提出了一種電壓窗口思想，并與PSO算法結(jié)合，通過(guò)電壓窗口限制了PSO算法的搜索范圍，有效降低了功率波動(dòng)，提高了收斂速度。

本文針對(duì)儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)逆變系統(tǒng)提出了一種基于功率更新自適應(yīng)參數(shù)的改進(jìn)型自適應(yīng)粒子群MPPT算法，采用全局最優(yōu)功率值和個(gè)體最優(yōu)功率值更新慣性權(quán)重和學(xué)習(xí)因子，而不再依賴迭代次數(shù)，能夠更快地跟蹤到最大功率點(diǎn)。為減小跟蹤過(guò)程中的功率振蕩，在該算法的基礎(chǔ)上引入電壓窗口限制[12]。通過(guò)限制粒子群MPPT算法的電壓搜索范圍，并利用獲得的個(gè)體最優(yōu)功率值和全局最優(yōu)功率值不斷更新算法的慣性權(quán)重和學(xué)習(xí)因子，大幅提高收斂速度，降低動(dòng)態(tài)過(guò)程中的功率波動(dòng)，減小尋優(yōu)過(guò)程中的能量損耗，提高光伏陣列的發(fā)電效率[13-15]。

1 光伏陣列的多峰輸出特性

單一光強(qiáng)下，光伏電池的P-U曲線是一個(gè)以最大功率點(diǎn)為極值的單峰值函數(shù)。然而當(dāng)光伏電池組件被局部遮擋時(shí)，光伏電池的P-U曲線為多峰值的特性曲線，增大了系統(tǒng)跟蹤最大功率點(diǎn)的難度。

本文研究采用的光伏陣列為16塊鈞石能源有限公司的型號(hào)為HDT—60GF—305的光伏板串聯(lián)組成，具體性能見(jiàn)表1。本文分析采用光伏板正面參數(shù)，光伏陣列的遮陰情況見(jiàn)表2，假設(shè)光伏板的光照強(qiáng)度為1 000W/m2，被遮擋時(shí)光伏板的光照強(qiáng)度為500W/m2。不同情況下的光伏陣列特性曲線如圖1所示。

表1 標(biāo)準(zhǔn)測(cè)試條件下HDT—60GF—305光伏板電性能參數(shù)

表2 不同情況下光伏陣列的遮陰狀況

2 算法優(yōu)化方案及原理

2.1 儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)逆變系統(tǒng)

圖1 不同情況下的光伏陣列特性曲線

為了抑制光伏電池輸出功率的隨機(jī)性和間歇性，在準(zhǔn)Z源光伏發(fā)電系統(tǒng)中，通過(guò)把儲(chǔ)能電池并聯(lián)至準(zhǔn)Z源阻抗網(wǎng)絡(luò)的電容上，不需要額外增加有源器件或DC-DC功率變換單元，來(lái)平衡光伏輸出功率和期望的并網(wǎng)輸出功率的差值，實(shí)現(xiàn)最大功率點(diǎn)跟蹤和供給穩(wěn)定的并網(wǎng)輸出功率，儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)發(fā)電系統(tǒng)控制策略如圖2所示。

光伏輸出電壓Upv和準(zhǔn)Z源逆變器直流母線電壓幅值Upn、儲(chǔ)能電容C1電壓平均值UC1及相電壓峰值Em分別滿足

圖2 儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)發(fā)電系統(tǒng)控制策略

式中：M為調(diào)制度；D0為直通占空比。

因?yàn)閁C1近似等于VB，由式（2）可知，當(dāng)Upv＜時(shí)，通過(guò)減小D0來(lái)增大Upv。由式（1）、式（3）可知，選擇合適的D0可實(shí)現(xiàn)光伏輸入電路的升壓和系統(tǒng)逆變功能。

由圖 2可知，采樣的光伏電壓Upv和光伏電流Ipv計(jì)算所得光伏實(shí)際功率，通過(guò)MPPT算法獲得光伏期望輸出電壓經(jīng)過(guò)電壓閉環(huán)控制后可以得到所需的直通占空比D0，并通過(guò)調(diào)節(jié)直通占空比實(shí)現(xiàn)最大功率點(diǎn)跟蹤和升壓功能。同時(shí)通過(guò)控制與調(diào)制度M有關(guān)的α軸參考電壓和β軸參考電壓，使有功功率Pout和無(wú)功功率Qout分別跟隨給定功率從而供給穩(wěn)定的并網(wǎng)輸出功率。

2.2 能量管理控制

由于引入了儲(chǔ)能環(huán)節(jié)，系統(tǒng)的能量控制取決于由光伏輸入功率Ppv、儲(chǔ)能電池功率PB和輸出功率Pout組成的三端功率平衡模式，滿足

穩(wěn)態(tài)時(shí)，儲(chǔ)能電感電流iL1和iL2及儲(chǔ)能電池電流iB滿足

雖然光伏輸出功率具有間歇性和隨機(jī)性，但是由于儲(chǔ)能電池的存在，使得系統(tǒng)的運(yùn)行變得更加靈活，只要控制其中兩個(gè)功率，第三個(gè)功率就能夠自動(dòng)匹配功率差，保證系統(tǒng)向電網(wǎng)輸出平滑且穩(wěn)定的功率。另一方面，在保證光伏板能夠輸出最大功率的前提下，通過(guò)調(diào)整輸出功率，使電池荷電狀態(tài)（state of charge, SOC）維持在一個(gè)正常范圍內(nèi)（15%～85%）[16]。根據(jù)式（4）和式（5）可知，正常工作時(shí)，光照充足，如果Ppv＞Pout且電池 SOC正常，則PB＜0，iL2＜iL1，蓄電池工作在充電狀態(tài)；如果Ppv＜Pout且電池SOC正常，則PB＞0，并且iL2＞iL1，蓄電池工作在放電狀態(tài)；如果Ppv=Pout且電池SOC正常，則PB=0，并且iL2=iL1，蓄電池不充電也不放電。表3給出了并網(wǎng)系統(tǒng)正常工作情況下的系統(tǒng)能量管理控制策略。

2.3 粒子群算法

粒子群優(yōu)化算法是一種基于群體智能的進(jìn)化計(jì)算技術(shù)。在粒子群優(yōu)化算法中，每個(gè)個(gè)體代表一個(gè)粒子，不同的粒子之間具有不同的速度和位置，所有的粒子都有一個(gè)適應(yīng)度值，本文中，適應(yīng)度值為瞬時(shí)光伏功率，適應(yīng)度函數(shù)為f(·)=P=UI。根據(jù)適應(yīng)度函數(shù)值，可以判斷每個(gè)粒子最好的位置和發(fā)現(xiàn)整個(gè)群體中所有粒子的最好位置，即粒子個(gè)體最優(yōu)值和全局最優(yōu)值。在最大功率點(diǎn)技術(shù)中，粒子群優(yōu)化算法在迭代過(guò)程中不斷更新粒子的速度和位置及粒子個(gè)體最優(yōu)值和全局最優(yōu)值，最終找到最大功率點(diǎn)。更新公式為

表3 系統(tǒng)能量管理控制策略

式中：rand( )為[0, 1)之間的隨機(jī)數(shù)；i為第i個(gè)粒子；N為整個(gè)群體粒子的總數(shù)；ω為慣性權(quán)重；c1和c2分別為自學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子；為第i個(gè)粒子在第k+1次迭代時(shí)的速度；為第i個(gè)粒子在第k+1次迭代時(shí)的位置；為第i個(gè)粒子在第k+1次迭代時(shí)的最好位置；gbestk+1為整個(gè)種群所有粒子在第k+1次迭代時(shí)的最好位置。

2.4 功率更新自適應(yīng)粒子群算法參數(shù)的調(diào)整

慣性權(quán)重ω對(duì)算法性能有著很大的影響，較大的ω值有助于跳出局部最優(yōu)，進(jìn)行全局尋優(yōu)，而較小的ω值則有利于局部尋優(yōu)，提高算法的收斂速度，ω的取值范圍一般為[0, 1]。此外，選擇合適的學(xué)習(xí)因子c1和c2也能夠有效地提高算法的收斂速度和跟蹤精度，使系統(tǒng)快速準(zhǔn)確地找到最大功率點(diǎn)。較大的c1和較小的c2都有助于提高種群的全局尋優(yōu)能力，避免粒子陷入局部最優(yōu)，而較大的c2和較小的c1都有利于種群向當(dāng)前的最優(yōu)位置移動(dòng)，保證種群的收斂性能，提高算法的收斂速度，c1和c2的取值范圍通常為[0, 2]。為了使系統(tǒng)能夠快速準(zhǔn)確地跟蹤最大功率點(diǎn)，并有較高的跟蹤精度，自適應(yīng)粒子群算法在粒子偏離全局最優(yōu)值時(shí)采用較大的ω值、較大的c1以及較小的c2，在粒子接近全局最優(yōu)值時(shí)采用較小的ω值、較小的c1以及較大的c2。

相比于電壓，功率的取值范圍更寬，更能體現(xiàn)粒子是否偏離最優(yōu)值，因此本文采用全局最優(yōu)功率值和個(gè)體最優(yōu)功率值更新自適應(yīng)參數(shù)。與傳統(tǒng)的自適應(yīng)粒子群算法中依賴迭代次數(shù)更新慣性權(quán)重和學(xué)習(xí)因子相比，這種自適應(yīng)參數(shù)的更新方式不再依賴迭代次數(shù)，參數(shù)不會(huì)隨著迭代次數(shù)的增加而遞加或遞減，而是直接受當(dāng)前個(gè)體最優(yōu)功率和全局最優(yōu)功率的影響，更有利于算法快速跟蹤到全局最優(yōu)點(diǎn)和跳出局部最優(yōu)。當(dāng)個(gè)體最優(yōu)功率遠(yuǎn)小于全局最優(yōu)功率時(shí)，說(shuō)明該粒子偏離全局最優(yōu)位置，反之則說(shuō)明該粒子已接近全局最優(yōu)位置，慣性權(quán)重ω、學(xué)習(xí)因子c1和c2的更新公式為

式中：ωmax和ωmin分別為慣性權(quán)重ω的最大值和最小值；c1max和c1min分別為自學(xué)習(xí)因子c1的最大值和最小值；c2max和c2min分別為社會(huì)學(xué)習(xí)因子c2的最大值和最小值；為第i個(gè)粒子在第k+1次迭代時(shí)的慣性權(quán)重；為第i個(gè)粒子在第k+1次迭代時(shí)的自學(xué)習(xí)因子；為第i個(gè)粒子在第k+1次迭代時(shí)的社會(huì)學(xué)習(xí)因子；為第i個(gè)粒子在第k次迭代時(shí)的個(gè)體最優(yōu)功率；f(gbestk)為第k次迭代時(shí)的全局最優(yōu)功率。

對(duì)采用功率更新參數(shù)的自適應(yīng)粒子群算法和采用迭代次數(shù)更新參數(shù)的自適應(yīng)粒子群算法在表2中的情況 5下進(jìn)行仿真，光照強(qiáng)度為 1 000W/m2，被遮擋時(shí)光照強(qiáng)度為500W/m2，自適應(yīng)粒子群參數(shù)設(shè)置相同，仿真波形如圖3所示。仿真結(jié)果表明，本文提出的采用功率更新自適應(yīng)參數(shù)的方法能夠更快跟蹤到最大功率點(diǎn)。

圖3 兩種自適應(yīng)粒子群算法仿真波形

2.5 帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法

為進(jìn)一步提高局部陰影條件下粒子群算法的收斂速度，減小跟蹤過(guò)程中的功率振蕩，本文在采用功率更新自適應(yīng)粒子群算法中引入了電壓窗口限制，該算法在保證光伏系統(tǒng)具有較高跟蹤精度的同時(shí)，有效縮短了跟蹤時(shí)間和減小了功率振蕩。圖 4給出了帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法流程。帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法主要由三個(gè)部分組成，第一部分是選擇合適的電壓窗口，第二部分是采用功率更新的自適應(yīng)粒子群算法進(jìn)行全局尋優(yōu)，第三部分是選擇合理的重啟條件，避免系統(tǒng)頻繁重啟算法，造成不必要的能量損失。

圖4 帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法流程

首先，將光伏參考電壓設(shè)置為光伏板標(biāo)準(zhǔn)光照強(qiáng)度下的開(kāi)路電壓的 0.8倍，光伏電壓跟蹤到該光伏參考電壓后，記錄此時(shí)的功率Pb，然后用Pb除以光伏板標(biāo)準(zhǔn)光照強(qiáng)度下的短路電流Isc，獲得下一個(gè)工作點(diǎn)的光伏參考電壓U，當(dāng)光伏電壓再次跟蹤到光伏參考電壓后，記錄此時(shí)的電流I，并規(guī)定Vmin=Pb/I，Vmax則取開(kāi)路電壓的 0.87倍，設(shè)置好電壓窗口[12]后，啟動(dòng)功率更新的自適應(yīng)粒子群算法，在規(guī)定的搜索范圍內(nèi)運(yùn)行粒子群算法。在初始化粒子位置后，通過(guò)計(jì)算適應(yīng)度值更新個(gè)體最優(yōu)位置和全局最優(yōu)位置，同時(shí)在尋優(yōu)的過(guò)程中不斷通過(guò)功率更新慣性權(quán)重ω以及學(xué)習(xí)因子c1和c2，如式（10）～式（12）所示，之后通過(guò)式（6）和式（7）更新粒子的速度和位置。最后，在找到最大功率點(diǎn)后，迭代終止，將工作點(diǎn)穩(wěn)定在最大功率點(diǎn)電壓處。若外部環(huán)境變化，最大功率點(diǎn)電壓處的功率發(fā)生變化，則重啟算法。

3 仿真驗(yàn)證

以儲(chǔ)能型準(zhǔn)Z源并網(wǎng)逆變器為電路拓?fù)?，光伏陣列采?16塊型號(hào)為 HDT—60GF—305的光伏板串聯(lián)組成并采用正面參數(shù)，采用 PSIM軟件進(jìn)行仿真驗(yàn)證。儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)逆變器電路拓?fù)鋬?chǔ)能電感L1和L2均取1.1mH，儲(chǔ)能電容C1取110μF，C2取120μF，儲(chǔ)能電池電壓VB=624V。三相LCL濾波器濾波電感Lf1取3mH，Lf2取0.6mH，濾波電容Cf取2.2μF，濾波電容串聯(lián)電阻取0.44Ω。粒子群算法參數(shù)ωmin=0.4，ωmax=0.9，c1min=0.8，c1max=1，c2min=0.8，c2max=1，種群包含6個(gè)粒子。光照強(qiáng)度為1 000W/m2，被遮擋時(shí)光照強(qiáng)度為500W/m2。

光照突變時(shí)，參照表2，初始光照強(qiáng)度為情況1，在2s時(shí)光照強(qiáng)度變?yōu)榍闆r3，由于陰影條件的影響，光伏陣列P-U特性曲線變?yōu)槎喾迩€，在7s時(shí)光照強(qiáng)度變?yōu)榍闆r 2。采用基于電壓窗口限制的粒子群算法[12]和本文提出的功率更新自適應(yīng)粒子群算法以及帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法跟蹤最大功率點(diǎn)的仿真波形如圖5所示。從圖5可以看出，三種算法均能準(zhǔn)確地跟蹤到最大功率點(diǎn)附近。然而從跟蹤速度看，本文提出的帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法收斂速度是三種算法中最快的，且其尋優(yōu)過(guò)程的功率振蕩也很小，收斂時(shí)間見(jiàn)表4。

圖5 光照突變情況下三種算法的仿真波形

表4 三種算法的仿真數(shù)據(jù)

圖6 情況4時(shí)的仿真波形

圖7 情況5時(shí)的仿真波形

表5 情況4時(shí)三種算法的仿真數(shù)據(jù)

表6 情況5時(shí)三種算法的仿真數(shù)據(jù)

為進(jìn)一步驗(yàn)證本文提出的算法的尋優(yōu)性能，分別在表2中的情況4和情況5下對(duì)系統(tǒng)進(jìn)行仿真，仿真結(jié)果如圖6和圖7所示，相應(yīng)的仿真數(shù)據(jù)統(tǒng)計(jì)結(jié)果分別見(jiàn)表 5和表 6。仿真結(jié)果表明，三種算法在陰影條件下均能準(zhǔn)確跟蹤到最大功率點(diǎn)，本文提出的帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法收斂速度快于功率更新自適應(yīng)粒子群算法和基于電壓窗口限制的粒子群算法，且尋優(yōu)過(guò)程中的功率振蕩很小，顯著地提高了光伏系統(tǒng)的發(fā)電效率。

4 結(jié)論

本文提出了一種帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法，采用全局最優(yōu)功率值和個(gè)體最優(yōu)功率值更新自適應(yīng)參數(shù)，參數(shù)的更新不再依賴迭代次數(shù)，算法能夠更快跟蹤最大功率點(diǎn)。在儲(chǔ)能型準(zhǔn)Z源光伏并網(wǎng)逆變器電路拓?fù)渲?，該算法具有良好的全局尋?yōu)能力，在光伏電池陣列單峰特性和多峰特性情況下均能準(zhǔn)確跟蹤到最大功率點(diǎn)。與功率更新自適應(yīng)粒子群算法和基于電壓窗口限制的粒子群算法相比，本文提出的帶有電壓窗口限制的功率更新自適應(yīng)粒子群算法收斂速度最快，在動(dòng)態(tài)過(guò)程中的功率振蕩很小，有效地提高了光伏發(fā)電系統(tǒng)的發(fā)電效率，具有良好的可行性。