基于改進(jìn)PSO算法在光伏陣列多峰MPPT的研究*

孫澤濤, 高 昕, 韓 嵩

(安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232001)

0 引 言

伴隨著化石能源的大量使用，生活環(huán)境污染問題加劇，可再生清潔能源越來越多地受到人們的高度關(guān)注。作為可再生清潔能源之一的可再生太陽能能源具有很大的發(fā)展?jié)摿?光伏綜合發(fā)電項目是高效利用可再生太陽能的一種重要有效途徑，具有無環(huán)境污染、無噪音等諸多優(yōu)點[1-2]。

光伏發(fā)電面臨的一個問題是發(fā)電效率不高。文獻(xiàn)[3-4]分析了為提高光伏發(fā)電效率，在光伏組件和負(fù)載之間進(jìn)行最大功率點跟蹤(Maximum Power Point Tracking，MPPT)控制。文獻(xiàn)[5-7]將擾動觀察法、電導(dǎo)增量法等應(yīng)用到MPPT控制中，表明了以上方法在光伏電池P-U特性曲線是單峰值時,具有不錯的效果。文獻(xiàn)[8]分析了光伏電池板在出現(xiàn)局部陰影的情況下,光伏電池P-U特性曲線存在多峰值的現(xiàn)象。當(dāng)多峰值時以上的跟蹤算法易陷入局部極值點,跟蹤效果不理想,導(dǎo)致光伏發(fā)電效率降低。

粒子群算法具有全局搜索能力,文獻(xiàn)[9-10]利用粒子群算法實現(xiàn)最大功率點的跟蹤,然而標(biāo)準(zhǔn)粒子群算法在收斂速度、跟蹤精度上具有一定的缺點。將非線性控制策略同粒子群算法相結(jié)合，對算法的學(xué)習(xí)因子(C1,C2)，慣性權(quán)重(W)等參數(shù)進(jìn)行非線性調(diào)整控制，基于Matlab/Simulink平臺搭建仿真模型,仿真分析改進(jìn)的PSO算法在光伏電池有無局部陰影和光照強度發(fā)生變化時的輸出特性,并與P&O算法、PSO算法相比較,實驗結(jié)果表明了所提的改進(jìn)粒子群算法在局部陰影條件下跟蹤速度和精度的有效性。

1 光伏電池模型與輸出特性

1.1 光伏電池的物理數(shù)學(xué)模型

圖1是電池等效電路。

圖1 光伏電池等效電路圖

Iph:電流源電流(A),D:反并聯(lián)二極管，Rsh:并聯(lián)電阻(Ω),RS:串聯(lián)電阻(Ω)。光伏電池的I-V特性曲線方程為

q:電子電荷(1.6×10-19C)，I0:二極管的反向飽和電流(A),A:二極管因子,K:波爾滋曼常數(shù)(1.38×10-23)，T:絕對溫度(K)。對電路模型進(jìn)行簡化處理,推導(dǎo)出工程實用光伏電池數(shù)學(xué)模型：

VOC:開路電壓,Isc:短路電流,Vm:最大功率點電壓,Im:最大功率點電流,參數(shù)由光伏電池產(chǎn)家提供。

1.2 光伏陣列在陰影條件下的輸出特性

光伏陣列在局部陰影條件下會出現(xiàn)多峰現(xiàn)象，以3×1光伏陣列為研究對象，選取4種不同局部陰影情況,在Matlab/Simulink平臺上搭建仿真模型,對輸出的P-U特性曲線和I-U特性曲線進(jìn)行分析。光伏陣列結(jié)構(gòu)如圖2所示。

圖2 3個光伏電池組件的串聯(lián)模型

選取開路電壓VOC:65.1 V,短路電流:ISC為6.96 A,最大功率點電壓Vm:54.7 V,最大功率點電流Am:5.98 A。環(huán)境溫度:25 ℃，3塊光伏電池的光照強度如表1所示，其輸出特性如圖3、圖4所示。

表1 光伏陣列的4種光照強度分布情況

圖4 不同光照的I-U特性曲線

從圖3、圖4光伏陣列的特性曲線可以看出：無陰影時,P-U特性曲線有且只有一個極值點，局部陰影時,會出現(xiàn)局部極值點。若采用擾動觀察法或電導(dǎo)增量法等常規(guī)的跟蹤可能會陷入局部極值點,從而造成發(fā)電效率降低,因而采用具有全局搜索能力的智能算法是必要的。

2 改進(jìn)的粒子群算法在MPPT中的應(yīng)用

2.1 基本原理

粒子群算法由Kennedy和Ebarhart提出。粒子的特征由位置、速度和適應(yīng)度值來決定，其中速度決定了粒子的移動距離和方向,隨著自身及其他粒子的移動經(jīng)驗的改變，而進(jìn)行相應(yīng)的動態(tài)調(diào)整,通過反復(fù)的迭代,最終實現(xiàn)尋優(yōu)。粒子的速度和位置的更新公式為

Xi=(xi1,xi2,xi3,…,xid),Vi=(vi1,vi2,vi3,…,vid)代表第i個粒子在d維搜索空間位置和速度；Pid=(pi1,pi2,pi3,…,pid),Pgd=(pg1,pg2,pg3,…,pgd)代表個體極值和群體極值；k為迭代次數(shù)；w為慣性權(quán)重；r1、r2是分布在[0,1]的隨機數(shù)；c1、c2為非負(fù)的加速常數(shù),c1是“自身認(rèn)知”部分,c2是“社會認(rèn)知”部分。

2.2 改進(jìn)的粒子群算法

w保持粒子的運動慣性,w較大時,全局能力好,局部能力差,其值較小時,全局能力差,局部能力好。算法前期要有較強的全局能力,才能避免跟蹤到局部極值點,后期要有較強的局部尋優(yōu)能力能夠提升算法的精確性。學(xué)習(xí)因子c1和c2分別控制著粒子向個體最優(yōu)和全局最優(yōu)的位置移動速度,在算法早期時,應(yīng)該避免粒子陷入局部最優(yōu)解,保持粒子群的多樣化,所以要選取較大的自身學(xué)習(xí)因子c1，和較小的社會學(xué)習(xí)因子c2，在算法的后期要保證算法準(zhǔn)確、快速收斂到全局最優(yōu)位置,要選取較小的c1和較大的c2。常規(guī)的PSO算法是將w、r1和r2依據(jù)經(jīng)驗設(shè)置為常數(shù),在尋優(yōu)的過程中不發(fā)生改變,這種取值方式不能在局部搜索和全局搜索中取得平衡。因此,將非線性控制策略應(yīng)用到粒子群算法中,其中w、c1、c2的動態(tài)調(diào)整公式如下：

慣性權(quán)重w前期大后期小，學(xué)習(xí)因子c1前期大后期小,學(xué)習(xí)因子c2前期小后期大。這樣前期不易陷入局部極值點,后期算法的準(zhǔn)確性和收斂速度能夠得到保證。其改進(jìn)的粒子群流程如圖5所示。

圖5 改進(jìn)的粒子群算法流程圖

3 仿真結(jié)果分析

為驗證改進(jìn)的粒子群算法的可行性,在Matlab/Simulink上進(jìn)行模擬,仿真環(huán)境條件如表1，光伏電池參數(shù)與第1.2節(jié)電池參數(shù)相同，分別仿真改進(jìn)的粒子群算法在無遮陰的條件下,出現(xiàn)局部陰影條件下,和陰影快速變化條件的輸出功率曲線圖,并在陰影快速變化下與標(biāo)準(zhǔn)的粒子群算法和傳統(tǒng)的擾動觀察法進(jìn)行比較。

從圖6、圖7可以看出改進(jìn)的粒子群算法在無陰影和出現(xiàn)局部陰影的情況下均能快速準(zhǔn)確地尋找到光伏陣列的最大功率點。圖8是在時間1.5 s時突然改變遮陰情況的3種算法結(jié)果比較圖。在 0 s 到1.5 s時間段內(nèi)，光伏陣列處于情況2的局部陰影條件,P&O算法沒有跟蹤到真正的最大功率點，而是跟蹤到了局部極值點，跟蹤結(jié)果是失敗的。在 1.5 s 突然改變環(huán)境的遮陰情況，由情況2變?yōu)榍闆r4,明顯可以看出改進(jìn)的粒子群算法響應(yīng)更快,追蹤的時間更短并且追蹤的精度要高于標(biāo)準(zhǔn)的粒子群算法。在光伏陣列的陰影出現(xiàn)快速變化的情況下標(biāo)準(zhǔn)的粒子群算法未能跟蹤到真正的最大功率點,而改進(jìn)的粒子群算法最終追蹤到了全局極值點,具有更高的尋優(yōu)精度能力。

圖6 改進(jìn)的PSO在情況1條件

圖7 改進(jìn)的PSO在情況3條件

圖8 3種算法結(jié)果比較

4 結(jié)束語

針對傳統(tǒng)的最大功率點跟蹤算法在局部陰影的光伏陣列下，未能跟蹤到全局的最大功率點、標(biāo)準(zhǔn)的粒子群算法跟蹤響應(yīng)速度和跟蹤精度上的問題。在標(biāo)準(zhǔn)的粒子群算法上的基礎(chǔ)上把非線性控制策略應(yīng)用到粒子群算法中，并與光伏系統(tǒng)的MPPT相結(jié)合，模擬了固定陰影條件和陰影發(fā)生快速變化的條件下，仿真結(jié)果表現(xiàn)出了此改進(jìn)算法的有效性。與標(biāo)準(zhǔn)的粒子群算法進(jìn)行了比較，在陰影快速變化時，改進(jìn)的粒子群算法具有更高的跟蹤速度和跟蹤精度，有效改善了粒子群算法的缺點。