基于改進(jìn)細(xì)菌覓食算法的光伏陣列MPPT研究

陳育虎，侯 濤

(蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅蘭州 730070)

新能源發(fā)電成為近年研究的熱點(diǎn)。其中太陽能具有清潔和豐富的特點(diǎn)，成為了前景最好的清潔能源[1]。太陽能發(fā)電功率同時也存在著非線性，時變不確定性等缺點(diǎn)。在不同環(huán)境條件下，光伏電池的輸出功率具有較大差別[2]。為了解決太陽能利用率和發(fā)電質(zhì)量問題，最大功率點(diǎn)跟蹤是當(dāng)前工程中的重要選擇之一[3]。

MPPT 的本質(zhì)就是動態(tài)尋優(yōu)的過程，電池內(nèi)阻與負(fù)載阻抗相匹配即可達(dá)到最大功率點(diǎn)[4]，文獻(xiàn)[5-7]介紹了MPPT 算法，主要包括電導(dǎo)增量法，擾動觀察法，恒定電壓法。MPPT算法在跟蹤最大功率點(diǎn)時收斂速度和收斂精度不夠，因此許多學(xué)者提出了相應(yīng)的改進(jìn)方法，如變步長擾動觀察法，也有將智能算法應(yīng)用到MPPT 中，其收斂速度和收斂精度有所提高。吳海濤等[8]提出的粒子群擾動觀察法，在MPPT 中精度和速度上有一定的改進(jìn)。王志豪等[9]根據(jù)RBF 神經(jīng)網(wǎng)絡(luò)的強(qiáng)非線性擬合特性和快速收斂性，通過RBF 神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)Boost 電路的占空比，改進(jìn)了跟蹤速度。聶曉華等[10]提出了改進(jìn)貓群算法，提高了收斂精度，解決了跟蹤時的早熟問題，動態(tài)過程平穩(wěn)性有一定的提高。鞏瑞春等[11]首次將細(xì)菌覓食算法應(yīng)用到MPPT 中，驗(yàn)證了細(xì)菌覓食算法在MPPT 中的可行性。李乾坤等[12]提出在細(xì)菌覓食算法復(fù)制操作中，根據(jù)細(xì)菌當(dāng)前適應(yīng)度值的優(yōu)劣進(jìn)行復(fù)制，在一定程度上提高了收斂速度。馬溪原等[13]對細(xì)菌覓食算法趨化步長進(jìn)行改進(jìn)，使得各個細(xì)菌在不同維度前進(jìn)不同的步長，提高了收斂速度和精度。本文在現(xiàn)有研究的基礎(chǔ)上，采用智能探尋游動細(xì)菌覓食算法來保證收斂精度，進(jìn)一步提高收斂速度和動態(tài)過程平穩(wěn)性，進(jìn)而提高光伏發(fā)電系統(tǒng)的利用率。

1 光伏電池數(shù)學(xué)模型和等效電路

光伏電池是將太陽能轉(zhuǎn)化為電能的直接發(fā)電裝置[9]。光伏電池等效電路如圖1 所示。

圖1 光伏電池等效電路

文獻(xiàn)[14]介紹了光伏等效電路，可得光伏電路等效方程如下：

式中：Iph為光電效應(yīng)產(chǎn)生的電流；Ivd為二極管流過的電流；Ush為并聯(lián)電阻上電壓；U為光伏電池輸出電壓；I為光伏電池輸出電流；Ie為二極管反向飽和電流；n為二極管的品質(zhì)因子；k為玻爾茲曼常數(shù)；T為光伏組件的絕對溫度。

本文應(yīng)用文獻(xiàn)[15]中的工程模型，可得光伏電池輸出電流：

實(shí)際電路中Rsh很大，Rs很小，則光伏電池輸出功率：

其中，Im1、Um1、Iph1和Uoc1為任一條件下最大功率點(diǎn)電流、電壓、短路電流和開路電壓。

式中：α、β和γ分別為0.002 5 ∕℃，0.05 和0.002 88 ∕℃；Im、Um為標(biāo)準(zhǔn)情況下最大功率點(diǎn)電流和電壓；Iph和Uoc為當(dāng)前條件下最大功率點(diǎn)電流和電壓。

2 光伏電池輸出特性曲線

溫度和光照強(qiáng)度可影響光伏電池的輸出特性。

在溫度恒定為25 ℃時，光照強(qiáng)度分別是800、900、1 000和1 100 W/m2，光伏電池輸出特性曲線如圖2 所示。由圖2 可知，溫度為25 ℃時，光伏電池最大功率點(diǎn)隨光照強(qiáng)度增加而提高。

圖2 溫度為25 ℃光伏電池輸出特性曲線

光照強(qiáng)度恒定為1 000 W/m2時，溫度分別是5、15、25 和35 ℃，光伏電池輸出特性曲線如圖3 所示。由圖3 可知，光照強(qiáng)度為1 000 W/m2時，光伏電池最大功率點(diǎn)隨溫度增加而降低。

一體化控制裝置在中小型灌排泵站中的應(yīng)用………………………………… 史湘琨，宋成法，李端明(12.40)

圖3 光照強(qiáng)度為1 000 W/m2光伏電池輸出特性曲線

3 細(xì)菌覓食算法及其改進(jìn)

(1)細(xì)菌覓食算法

細(xì)菌覓食算法(bacterial foraging optimization algorithm,BFOA)是一種新型群體全局尋優(yōu)算法，該算法具有易跳出局部最優(yōu)解和并行搜索等特點(diǎn)。細(xì)菌覓食主要依靠三個過程尋求最優(yōu)化解：趨化、復(fù)制和遷移。設(shè)細(xì)菌種群的大小是S，細(xì)菌所在位置就是問題的一個候選解，細(xì)菌x用B維向量表示，x為1,2,…,S。θx(a，b，c)表示細(xì)菌x第a次趨化、第b次復(fù)制和第c次遷移之后的位置。在細(xì)菌覓食算法中，搜索空間中細(xì)菌的位置對應(yīng)著優(yōu)化問題的解，優(yōu)化函數(shù)的適應(yīng)度值即目標(biāo)函數(shù)值代表解的優(yōu)良程度。Ned、Nre、Nc表示遷移、復(fù)制、趨向性操作最大次數(shù)[16]。

趨化：細(xì)菌向富養(yǎng)區(qū)域聚集的行為。當(dāng)環(huán)境差時，細(xì)菌頻繁地進(jìn)行旋轉(zhuǎn)，指向一個新的方向，并移動單位步長，旋轉(zhuǎn)后若適應(yīng)度值得到改善，一直沿著這個方向移動，直到適應(yīng)度值不再改善，稱之為游動。當(dāng)環(huán)境好時，較多的細(xì)菌直接進(jìn)行游動。應(yīng)用在最大功率跟蹤中，運(yùn)動方向只能是二維空間，電壓不降則增。

復(fù)制：生物進(jìn)化過程中，覓食能力弱的會被淘汰，能力強(qiáng)的會進(jìn)行繁殖，將該現(xiàn)象稱為復(fù)制現(xiàn)象。復(fù)制操作在保證種群大小不變的情況下，一半生存能力強(qiáng)的細(xì)菌復(fù)制，另一半生存能力弱的細(xì)菌淘汰。

遷移：當(dāng)細(xì)菌生活的局部區(qū)域突然發(fā)生變化時，經(jīng)過遷移就會使生活在這個局部區(qū)域的部分細(xì)菌遷移到另外一個局部區(qū)域。遷移操作使得細(xì)菌覓食具有隨機(jī)搜索的能力，保持種群的多樣性，使搜索過程跳出局部最優(yōu)解達(dá)到全局最優(yōu)，最大功率跟蹤要求收斂快速，所以遷移概率不宜過高。

(2)細(xì)菌覓食算法的改進(jìn)

本文采用智能探尋游動方法，該方法給予細(xì)菌智能探索功能，提前探測下一位置的適應(yīng)度值大小，若是優(yōu)于當(dāng)前時刻，則繼續(xù)游動，反之，則停止游動。這樣就可以避免游動到差環(huán)境下，大大加快了算法的速度。改進(jìn)游動方法如圖4所示。

圖4 智能探尋游動流程圖

(3)改進(jìn)的細(xì)菌覓食算法在MPPT 中的應(yīng)用

最大功率跟蹤裝置對光伏陣列輸出電壓、電流進(jìn)行實(shí)時檢測，通過調(diào)節(jié)Boost 升壓斬波電路的占空比，從而改變輸出電壓，達(dá)到光伏陣列輸出功率最大的目的。

記錄當(dāng)前功率值作為初始功率，在MPPT 中，用改進(jìn)的方法進(jìn)行游動，提前探索下一時刻的功率值，若是下一時刻功率值大于當(dāng)前時刻功率值，就讓該細(xì)菌向前游動一步，更新當(dāng)前的占空比和功率值，若是小于當(dāng)前功率值就停止游動，占空比和功率值不更新，保持現(xiàn)在的占空比和功率值。流程圖如圖5 所示。

圖5 MPPT中智能探尋游動流程圖

然后再對功率細(xì)菌種群進(jìn)行重新排序，再進(jìn)行復(fù)制操作，使功率保持在最大功率點(diǎn)。

4 仿真及結(jié)果分析

4.1 光照強(qiáng)度和溫度不變時的仿真分析

在MATLAB 中分別建立了基于智能探尋游動細(xì)菌覓食算法和基于細(xì)菌覓食算法的光伏發(fā)電系統(tǒng)MPPT 仿真模型。

仿真參數(shù)如下：太陽能單晶硅光伏組件短路電流Isc是5.62 A，開路電壓Voc是45.2 V，最大功率點(diǎn)電壓Vm是36.6 V，最大功率點(diǎn)電流Im是5.4 A。七塊組件串聯(lián)，四串組件并聯(lián)，組成一個光伏陣列，在太陽光照強(qiáng)度為1 000 W/m2，溫度為25 ℃時，分別使用本文中采用的智能探尋游動細(xì)菌覓食算法和現(xiàn)有細(xì)菌覓食算法進(jìn)行仿真，輸出功率對比結(jié)果如圖6所示。

圖6 光照強(qiáng)度為1 000 W/m2，溫度為25 ℃時輸出功率對比曲線

從圖中可以看出，給予細(xì)菌智能探索游動功能的細(xì)菌覓食算法比現(xiàn)有細(xì)菌覓食算法收斂性更快，智能探尋游動細(xì)菌覓食算法在0.025 s 處追蹤到最大功率點(diǎn)，現(xiàn)有細(xì)菌覓食算法在0.05 s 處追蹤到最大功率點(diǎn)。對比運(yùn)行過程的功率振蕩、電壓振蕩和電流振蕩，可以看出，本文采用的智能探尋游動細(xì)菌覓食算法和現(xiàn)有細(xì)菌覓食算法相比，在保證收斂精度的同時，較大幅度地提高了光伏電池陣列在跟蹤最大功率點(diǎn)的收斂速度和動態(tài)過程的平穩(wěn)性。

經(jīng)過計(jì)算，目標(biāo)最大功率為5 533.92 W，將兩種BFOA 與目標(biāo)功率相比可得功率誤差如圖7 所示。

圖7 光照強(qiáng)度為1 000 W/m2，溫度為25 ℃時功率誤差對比圖

智能探尋游動BFOA 在0.02 s 處功率跟蹤趨于穩(wěn)定，但還是存在一定的誤差70 W。BFOA 在跟蹤太陽最大功率點(diǎn)時，在0.045 s 之前，一直屬于動態(tài)跟蹤階段，誤差較大，平穩(wěn)性差，跟蹤速度慢，在0.045 s 后趨于穩(wěn)定，但還是存在誤差70 W。由此可得在光照強(qiáng)度不變，溫度不變的情況下，智能探尋游動BFOA 的跟蹤速度和動態(tài)過程的平穩(wěn)性明顯優(yōu)于BFOA。

4.2 光照強(qiáng)度變化時的仿真分析

在0.1 s時溫度不變，將光照強(qiáng)度1 000 W/m2變?yōu)?00 W/m2，圖8 為本文采用的智能探尋游動細(xì)菌覓食與現(xiàn)有細(xì)菌覓食算法的功率對比曲線。

圖8 改變光照強(qiáng)度跟蹤效果功率對比圖

從圖8 中可以看出，在0.1 s 處將光照強(qiáng)度1 000 W/m2變?yōu)?00 W/m2時，本文采用的智能探尋游動細(xì)菌覓食算法在0.11 s 處跟蹤到最大功率點(diǎn)，現(xiàn)有細(xì)菌覓食算法0.13 s 處跟蹤到最大功率點(diǎn)?？梢姡疚牟捎玫闹悄芴綄び蝿蛹?xì)菌覓食算法具有很快的收斂速度，能夠更快地追蹤到最大功率點(diǎn)，而且動態(tài)過程的平穩(wěn)性更好。

經(jīng)過計(jì)算，0～0.1 s 之前目標(biāo)最大功率為5 533.92 W，0.1～0.2 s 目標(biāo)最大功率為5 031.02 W，將改進(jìn)前后BFOA 的MPPT輸出功率與目標(biāo)功率相比可得功率誤差如圖9 所示。

圖9 改變光照強(qiáng)度功率誤差對比圖

在0.1 s 將光照強(qiáng)度1 000 W/m2變?yōu)?00 W/m2，智能探尋游動BFOA 在0.1～0.12 s 處于跟蹤狀態(tài)，在0.12 s 之后趨于穩(wěn)定，誤差為44 W。BFOA 在光照強(qiáng)度變化時在0.1～0.13 s 之間一直處于動態(tài)跟蹤狀態(tài)，功率波動大，誤差大，平穩(wěn)性差，跟蹤速度慢。在0.13 s 處跟蹤到穩(wěn)定狀態(tài)，誤差為44 W。由此可得，在0.1 s 處將光照強(qiáng)度1 000 W/m2變?yōu)?00 W/m2時，智能探尋游動BFOA 比BFOA 在跟蹤速度和動態(tài)過程的平穩(wěn)性方面有明顯的改善。

5 結(jié)論

本文基于光伏電池數(shù)學(xué)模型分析了光伏電池輸出特性。利用智能探尋游動細(xì)菌覓食算法，調(diào)節(jié)Boost 電路的占空比，更新功率值，實(shí)現(xiàn)負(fù)載側(cè)和電源測相互匹配，實(shí)現(xiàn)MPPT，改進(jìn)的細(xì)菌覓食算法與現(xiàn)有細(xì)菌覓食算法相比在保證收斂精度的同時，較大幅度地提高了光伏電池陣列在跟蹤最大功率點(diǎn)的收斂速度和動態(tài)過程的平穩(wěn)性，改善了光伏發(fā)電的利用率。