基于混合算法的光伏多峰值MPPT研究

郭昆麗，劉璐雨，蔡維正

(西安工程大學(xué)電子信息學(xué)院，陜西西安 710048)

光伏發(fā)電作為一種環(huán)保、無(wú)污染的發(fā)電方式受到了人們的關(guān)注，為了解決光伏發(fā)電系統(tǒng)能量轉(zhuǎn)換效率低[1]的問(wèn)題，最大功率點(diǎn)跟蹤技術(shù)(maximum power point tracking，MPPT)是目前廣泛應(yīng)用和研究的技術(shù)。然而在實(shí)際運(yùn)用過(guò)程中，光伏陣列會(huì)被物體遮擋(如建筑物、灰塵覆蓋等)，形成局部遮陰情況，從而引起局部過(guò)熱。為了防止光伏陣列局部過(guò)熱現(xiàn)象，通常在光伏電池板處反并聯(lián)一個(gè)旁路二極管，但這會(huì)導(dǎo)致光伏陣列的輸出特性P-U 曲線，出現(xiàn)多個(gè)峰值，使得傳統(tǒng)的MPPT 算法失效[2]。

針對(duì)上述問(wèn)題，文獻(xiàn)[3]提出基于粒子群優(yōu)化算法來(lái)搜尋多峰值情況的最大功率點(diǎn)。雖然該方法能夠防止陷入局部最優(yōu)點(diǎn)，但是單一的粒子群算法在粒子切換過(guò)程中會(huì)造成巨大的過(guò)沖和振鈴現(xiàn)象，對(duì)開(kāi)關(guān)器件造成損壞。文獻(xiàn)[4]提出了采用人工神經(jīng)網(wǎng)絡(luò)方法用于MPPT 技術(shù)，但是神經(jīng)網(wǎng)絡(luò)的方法需要大量的歷史數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)。文獻(xiàn)[5]提出了一種基于電導(dǎo)增量法優(yōu)化的粒子群全局MPPT 算法，將電導(dǎo)增量法同傳統(tǒng)粒子群算法結(jié)合起來(lái)對(duì)光伏陣列進(jìn)行聯(lián)合控制。該方法的收斂速度比較慢，計(jì)算量比較大。文獻(xiàn)[6]提出了一種基于“遮陰度”模型的新型多峰全局最大功率點(diǎn)跟蹤重構(gòu)算法，該方法對(duì)于復(fù)雜多變的遮陰現(xiàn)象，容易導(dǎo)致算法失效。文獻(xiàn)[7]提出了擾動(dòng)觀察法結(jié)合模糊控制法，該方法在前期跟蹤過(guò)程中使用擾動(dòng)觀察法，容易陷入局部最優(yōu)值。

針對(duì)上述問(wèn)題，本文提出了一種“兩步走”MPPT 技術(shù)。首先利用粒子群算法(PSO)和遺傳算法(GA)相結(jié)合的算法(PSO-GA)通過(guò)少量的迭代次數(shù)搜尋至最大功率點(diǎn)附近；然后切換至模糊控制方法來(lái)搜尋最大功率點(diǎn)，并穩(wěn)定。這種混合算法彌補(bǔ)了單個(gè)算法的不足，提高了系統(tǒng)的速度和精度。通過(guò)粒子群算法和遺傳算法優(yōu)缺點(diǎn)互補(bǔ)，避免陷入局部最優(yōu)值和減少收斂時(shí)間。通過(guò)模糊控制方法可以使系統(tǒng)在最大功率點(diǎn)處穩(wěn)定，避免振蕩帶來(lái)的能量損失。

1 光伏陣列的輸出特性

1.1 光伏陣列仿真模型

如圖1 所示，用Simulink 搭建了光伏陣列在不同輻照度下的仿真模型。為了防止局部過(guò)熱，在光伏電池處反并聯(lián)了一個(gè)二極管。本文給出1 000、800、600 W/m2三種輻照度進(jìn)行模擬局部遮陰情況。將溫度設(shè)置為25 ℃，通過(guò)串聯(lián)的方式將光伏陣列進(jìn)行連接。

圖1 光伏陣列局部遮陰仿真模型

1.2 光伏陣列輸出特性曲線

對(duì)圖1 中的光伏陣列模型進(jìn)行仿真分析，得到輸出電壓、輸出電流、輸出功率的數(shù)據(jù)，進(jìn)行繪圖，得到光伏陣列的輸出特性曲線，如圖2 所示。因?yàn)橥獠凯h(huán)境條件的不斷變化，所以P-U 曲線具有非線性特性。當(dāng)溫度或輻照度發(fā)生變化時(shí)，最大功率點(diǎn)也會(huì)發(fā)生移動(dòng)。通過(guò)圖2(b)可以觀察得到，輸出特性P-U 曲線出現(xiàn)了3 個(gè)峰值，當(dāng)輸出電壓為20.88 V 時(shí)，才是全局的最大功率點(diǎn)，其余兩個(gè)峰值點(diǎn)稱為局部最大功率點(diǎn)。如果采用傳統(tǒng)的MPPT 算法，比如擾動(dòng)觀察法，很難找到最大功率點(diǎn)，或者陷入局部最優(yōu)點(diǎn)，造成能量損失，從而降低光伏發(fā)電的效率。

圖2 局部遮陰情況下光伏陣列輸出特性

2 混合算法

為了增加跟蹤速度、減少算法計(jì)算量，本文采用“兩步走”MPPT 控制策略。第一步，使用PSO-GA 結(jié)合算法，設(shè)定少量的迭代次數(shù)，找到全局最大功率點(diǎn)的范圍區(qū)間。第二步，使用模糊控制在該區(qū)間內(nèi)找到最大功率點(diǎn)，并且穩(wěn)定，防止因?yàn)樵谧畲蠊β庶c(diǎn)處振蕩帶來(lái)的能量損失。

2.1 PSO-GA 算法

采用粒子群算法和遺傳算法相結(jié)合進(jìn)行一個(gè)全局尋優(yōu)搜尋。由于遺傳算法的隨機(jī)性，它不能提供問(wèn)題的精確解，它需要復(fù)雜和耗時(shí)的計(jì)算才能收斂。相比之下，粒子群算法可以通過(guò)比較粒子的位置與周圍位置以及粒子的全局位置來(lái)達(dá)到精確解。但是，如果使用不當(dāng)，在高維空間中可能陷入局部最優(yōu)。遺傳算法通過(guò)交叉和變異得到各種解，彌補(bǔ)了粒子群優(yōu)化算法的不足。同時(shí)，粒子群算法通過(guò)加快計(jì)算速度和提高計(jì)算精度來(lái)彌補(bǔ)遺傳算法的不足[8]。為此，提出了一種粒子群和遺傳結(jié)合的混合算法，如圖3 所示。該算法具有粒子群優(yōu)化算法的速度和精度以及遺傳算法的多樣性。

圖3 PSO-GA混合算法流程

第一步，在搜索空間上隨機(jī)生成初始解。粒子x0的初始位置也由[xmin,xmax]范圍內(nèi)的均勻分布生成，其中xmin和xmax分別為變量的上下界。

第二步，將粒子群算法應(yīng)用于初始種群。每個(gè)粒子的位置和速度是根據(jù)單個(gè)粒子的經(jīng)驗(yàn)和其他粒子的經(jīng)驗(yàn)來(lái)確定的。該算法對(duì)結(jié)果進(jìn)行排序，并保存用于快速收斂的最佳和最差解。對(duì)初始種群進(jìn)行評(píng)估，并根據(jù)Pbest和gbest的值對(duì)種群進(jìn)行排序。Pbest是每次迭代中的最佳解，gbest是所有迭代中的最佳解。

第三步，將遺傳算法應(yīng)用于剩余的低秩粒子。在每次迭代中，遺傳算法通過(guò)交叉和變異操作生成一個(gè)新的種群。最后，將遺傳算法和粒子群優(yōu)化算法生成的種群組合起來(lái)，進(jìn)行下一次迭代。這種組合被用作下一次迭代的初始解。算法將在特定的迭代次數(shù)后停止。

2.2 模糊控制

對(duì)于光伏系統(tǒng)，由1.1 節(jié)可知，太陽(yáng)的輻照度和溫度的變化都會(huì)影響光伏陣列的輸出功率。而且這兩個(gè)參數(shù)未知性很大，難以預(yù)測(cè)。與傳統(tǒng)的MPPT 控制算法不同，模糊控制法對(duì)大氣突變具有魯棒性，不需要建立精確的數(shù)學(xué)模型。本文利用模糊控制算法進(jìn)行MPPT，所提出的控制算法是離線控制算法，不需要依賴大量的數(shù)據(jù)學(xué)習(xí)[9]。本文以功率變化量與電壓變化量之比為變化比率E，E(t)與上一個(gè)時(shí)刻E(t-1)的差值定義為ΔE，以E和ΔE這兩部分作為模糊控制的輸入，以占空比變化量ΔD作為輸出。

在模糊控制算法中，由式(1)和式(2)計(jì)算模糊控制算法輸入E和ΔE。

式中：PPV(t)和VPV(t)分別為光伏組件的輸出功率和電壓。

2.2.1 隸屬度函數(shù)的確定

輸入變量和輸出變量的隸屬度函數(shù)均采用三角形來(lái)定義。通過(guò)測(cè)量輸入變量E和ΔE，并將數(shù)字表示形式的輸入量量化為通常用語(yǔ)言值表示的某一限定碼的序數(shù)。每一個(gè)限定碼表示集合論域內(nèi)的一個(gè)模糊子集。

第一步，辨識(shí)模糊控制的所有輸入輸出變量，其中橫坐標(biāo)為輸入變量與輸出變量相比的集合論域?？v坐標(biāo)為隸屬度函數(shù)，其范圍為0～1。輸入變量E和ΔE定義7 個(gè)模糊子集：負(fù) 大(NB)、負(fù) 中(NM)、負(fù) 小(NS)、零(ZO)、正 小(PS)、正 中(PM)、正大(PB)，如圖4(a)、(b)所示[10]。

圖4 輸入變量的隸屬度函數(shù)定義

根據(jù)控制經(jīng)驗(yàn)，將E和ΔE量化為離散論域，取值如下：

為了使最大功率點(diǎn)處有更小的抖動(dòng)，本文設(shè)置ΔE的隸屬度函數(shù)在越靠近最大功率點(diǎn)處，三角形隸屬度函數(shù)越密集，反之越稀疏。

對(duì)于輸出變量占空比ΔD也定義了7 個(gè)模糊子集：負(fù)大(NB)、負(fù)中(NM)、負(fù)小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)，隸屬度函數(shù)如圖4(c)所示。

2.2.2 模糊規(guī)則設(shè)計(jì)

對(duì)于模糊規(guī)則的選取，按照“if and then”的原則來(lái)進(jìn)行設(shè)計(jì)。根據(jù)控制經(jīng)驗(yàn)，模糊規(guī)則設(shè)計(jì)如表1。

表1 模糊規(guī)則

對(duì)應(yīng)Matlab 的模糊控制設(shè)計(jì)如圖5 所示，“And”方法設(shè)置為min，“Or”方法設(shè)置為max，解模糊設(shè)定為重心法。根據(jù)表1 的模糊規(guī)則對(duì)應(yīng)了49 條模糊規(guī)則語(yǔ)句，設(shè)定如圖5 所示。

圖5 Matlab模糊規(guī)則設(shè)計(jì)

3 仿真及實(shí)驗(yàn)結(jié)果

根據(jù)“兩步走”MPPT 控制策略，搭建Simulink 仿真模型，如圖6 所示。根據(jù)不斷的實(shí)驗(yàn)測(cè)試，本文設(shè)定粒子群和遺傳算法的迭代次數(shù)為30 次?？梢詼p少計(jì)算量，并且能找到全局最大功率點(diǎn)附近，通過(guò)一個(gè)判斷模塊進(jìn)行切換，轉(zhuǎn)化為模糊控制搜尋至最大功率點(diǎn)，并穩(wěn)定。

圖6 “兩步走”MPPT控制仿真模型

為了驗(yàn)證該方法提出的有效性，將基于擾動(dòng)觀察法、電導(dǎo)增量法、擾動(dòng)觀察結(jié)合模糊控制法，變步長(zhǎng)電導(dǎo)增量結(jié)合粒子群算法，以及提出的混合控制算法進(jìn)行了仿真對(duì)比驗(yàn)證。

在這種情況下，t=1 s時(shí)，輻照度從1 000 W/m2到800 W/m2，在t=1.5 s 時(shí)，輻照度變到600 W/m2，最后在t=2 s 時(shí)恢復(fù)到1 000 W/m2。如圖7(a)所示，所提出的混合算法在t=0.2 s 時(shí)達(dá)到其最優(yōu)點(diǎn)，擾動(dòng)觀察法和電導(dǎo)增量法分別在0.48 s 和0.54 s 時(shí)達(dá)到最優(yōu)，這清楚地表明提出的混合算法在局部遮陰(光照幅度變化時(shí))其性能優(yōu)于電導(dǎo)增量法和擾動(dòng)觀察法。圖7(b)顯示了光伏系統(tǒng)輸出功率的變化。所提出的混合算法可以在1 000 W/m2、25 ℃條件下使光伏陣列輸出的功率達(dá)到98.70 kW，變步長(zhǎng)增量結(jié)合粒子群算法可以達(dá)到96.03 kW，擾動(dòng)結(jié)合模糊控制法輸出功率為95.09 kW，電導(dǎo)增量法和擾動(dòng)觀察法輸出功率分別為94.52 和90.13 kW。

圖7 模糊控制算法隸屬度函數(shù)的優(yōu)化結(jié)果

根據(jù)分析，在不同的輻照度下出現(xiàn)多峰值情況，所提出的混合算法比另外幾種更有優(yōu)勢(shì)，提高了輸出功率，縮短了跟蹤時(shí)間。如表2所示，當(dāng)光照幅度在1 000 W/m2、25 ℃情況下，該算法比擾動(dòng)結(jié)合模糊控制法提高了3.6%[(98.70-95.09)/98.70=3.6%]，比變步長(zhǎng)增量結(jié)合粒子群算法提高了2.7% [(98.70-96.03)/98.70=2.7%]。驗(yàn)證了本文所提出算法的優(yōu)越性。

表2 變輻照度恒溫度MPPT 控制算法的比較

4 結(jié)論

針對(duì)局部遮陰情況下出現(xiàn)的多峰值問(wèn)題，本文提出了一種混合算法來(lái)跟蹤全局最大功率點(diǎn)，從而提高光伏發(fā)電效率。采用“兩步走”策略，首先利用粒子群結(jié)合遺傳算法，使用少量的迭代次數(shù)搜尋至全局最大功率點(diǎn)附近；再切換至模糊控制算法，跟蹤到最大功率點(diǎn)。利用Matlab/Simulink 仿真驗(yàn)證，該算法比擾動(dòng)結(jié)合模糊控制法輸出功率提高了3.6%，比變步長(zhǎng)增量結(jié)合粒子群算法提高了2.7%，驗(yàn)證了該混合算法的可行性。通過(guò)跟蹤時(shí)間對(duì)比，所提出的混合算法也有較優(yōu)的跟蹤性能和響應(yīng)速度。