摘 要:使用一種改進(jìn)蜉蝣算法(EMA)解決在局部陰影條件下,太陽(yáng)電池P-U圖呈現(xiàn)多峰值,傳統(tǒng)最大功率點(diǎn)跟蹤算法易陷入局部最優(yōu)解,導(dǎo)致無(wú)法快速準(zhǔn)確找到光伏最大功率跟蹤點(diǎn)的問(wèn)題。首先通過(guò)雄性蜉蝣的全局搜索,跳出局部最優(yōu)解;然后利用雌性蜉蝣的隨機(jī)局部搜索和交配,減少系統(tǒng)震蕩;最后通過(guò)設(shè)置兩組不同的算例,驗(yàn)證所使用算法的跟蹤精度和跟蹤速度。研究結(jié)果表明:與粒子群算法(PSO)和灰狼算法(GWO)相比,改進(jìn)蜉蝣算法在搜索過(guò)程中可減少光伏輸出功率震蕩。相較于PSO和GWO,在EWA在跟蹤速度上得到顯著提升,使得太陽(yáng)電池在局部陰影下仍能保持高效的輸出功率。
關(guān)鍵詞:光伏發(fā)電;最大功率點(diǎn)跟蹤;改進(jìn)蜉蝣算法;局部陰影;多峰值;光伏輸出特性
中圖分類號(hào):TM615 " " " " " " " " " " " "文獻(xiàn)標(biāo)志碼:A
0 引 言
據(jù)國(guó)際能源署(International Energy Agency,IEA)預(yù)測(cè),到2050年,風(fēng)能和太陽(yáng)能發(fā)電量將占據(jù)全球總發(fā)電量的近70%[1]。目前,隨著太陽(yáng)能發(fā)電技術(shù)的不斷發(fā)展及成本的下降,研究人員已將注意力轉(zhuǎn)移到如何提升太陽(yáng)電池的轉(zhuǎn)換效率方面[2]。太陽(yáng)電池須根據(jù)環(huán)境變化實(shí)時(shí)跟蹤其最大功率的電壓值,傳統(tǒng)最大功率點(diǎn)跟蹤(maximum power point tracking,MPPT)控制方法有擾動(dòng)觀察法(perturbation and observation,Pamp;O)、電導(dǎo)增量法(incremental conductance,INC)等[3]。同時(shí),現(xiàn)代智能算法如粒子群算法(particle swarm optimization,PSO)、遺傳算法(genetic algorithm,GA)等也得到較為廣泛的應(yīng)用。文獻(xiàn)[4]針對(duì)預(yù)先給定步長(zhǎng)因子的光伏單峰MPPT方法無(wú)法保證在多種運(yùn)行條件下的適應(yīng)性問(wèn)題,提出一種基于序列二次規(guī)劃(sequential quadratic programming,SQP)信賴域算法的光伏單峰MPPT方法,實(shí)現(xiàn)了光伏單峰MPPT控制;文獻(xiàn)[5]針對(duì)最大功率點(diǎn)搜索精度不夠高的問(wèn)題,提出一種基于最優(yōu)梯度法的MPPT全數(shù)字控制方法,實(shí)現(xiàn)了對(duì)最大功率點(diǎn)跟蹤的高精度控制;文獻(xiàn)[6]針對(duì)太陽(yáng)電池的輸出性能較低的問(wèn)題,提出一種基于擬合曲線法和最優(yōu)梯度法相結(jié)合的MPPT算法,有效提高了太陽(yáng)電池的光電轉(zhuǎn)換效率。
上述研究工作部分解決了現(xiàn)代智能算法應(yīng)用于單峰值尋優(yōu)時(shí)的響應(yīng)速度和響應(yīng)精度不夠的問(wèn)題。工程實(shí)際中,往往會(huì)遇到如落葉、灰塵、鳥糞、云朵等局部遮擋的工況。導(dǎo)致太陽(yáng)電池輸出功率與電壓P-U曲線出現(xiàn)多峰值衰退的現(xiàn)象,傳統(tǒng)算法會(huì)陷入局部最優(yōu)解從而降低了光伏發(fā)電效率。現(xiàn)代智能算法應(yīng)用于多峰值的問(wèn)題,如文獻(xiàn)[7]針對(duì)傳統(tǒng)MPPT控制方法易陷入局部最優(yōu)解的問(wèn)題,提出一種基于卡爾曼濾波和改進(jìn)粒子群的MPPT算法,有效提高了光伏系統(tǒng)的發(fā)電效率;文獻(xiàn)[8]針對(duì)光電轉(zhuǎn)換效率較低的問(wèn)題,提出一種基于擾動(dòng)觀察法的光伏MPPT技術(shù),實(shí)現(xiàn)了最大功率點(diǎn)的追蹤;文獻(xiàn)[9]針對(duì)光伏系統(tǒng)發(fā)電穩(wěn)定度和發(fā)電效率較低的問(wèn)題,提出一種基于回歸算法與粒子群算法相結(jié)合的最大功率跟蹤方法,提高了對(duì)最大功率點(diǎn)的跟蹤精度。
針對(duì)局部遮陰太陽(yáng)電池多峰值問(wèn)題,且為克服傳統(tǒng)智能優(yōu)化算法在跟蹤光伏發(fā)電系統(tǒng)最大功率點(diǎn)時(shí)易陷入局部最優(yōu)的難題,本文使用一種改進(jìn)的蜉蝣算法(enhanced mayfly algorithm,EMA),其通過(guò)雌性的尋偶特性,跳出局部最優(yōu),并在蜉蝣算法中加入帕累托(Pareto)算法增強(qiáng)其占空比的搜索能力,使其在運(yùn)行過(guò)程中,具有更好的穩(wěn)定性和響應(yīng)速度。
1 局部遮陰太陽(yáng)電池輸出特性
當(dāng)光伏組件受到局部陰影遮擋時(shí),其輸出特性曲線將從單峰值變?yōu)槎喾逯担ぷ髟诰植空陉幑r下太陽(yáng)電池電壓[10]:
[Io=Ip-IsexpαUo-IoReqgkT-1-Uo+IoReqRb] (1)
式中:[Io]——輸出電流,A;[Ip]——光生電流,A;[Is]——反向飽和電流,A;α——二極管理想因子;[Uo]——輸出電壓,V;[Req]——太陽(yáng)電池等效串聯(lián)電阻,Ω;[q]——電子電荷,[l=1.602×10-19 C];[k]——玻爾茲曼常數(shù),1.381×[10-23] J/K;[T]——電池溫度,℃;[Rb]——太陽(yáng)電池等效并聯(lián)電阻,Ω。
太陽(yáng)電池輸出特性主要受輻照強(qiáng)度和溫度的影響,具有非線性特征[15]。在局部遮陰條件下光伏陣列的U-I輸出特性曲線呈多膝現(xiàn)象,其P-U曲線呈多峰現(xiàn)象。由[N]塊太陽(yáng)電池所構(gòu)成并、串聯(lián)的光伏陣列輸出電流[I]:[11]。
[I=Isc-N11-C1expUmC2Uoc-1Isc-N21-C1expUmC2Uoc-1?Isc-NM1-C1expUmC2Uoc-1] (2)
式中:[Isc-NM]——對(duì)應(yīng)輻照度的短路電流,A;[Um]——最大功率點(diǎn)電壓,V;[Uoc]——開(kāi)路電壓,V。
輻照度和環(huán)境溫度是影響太陽(yáng)電池輸出特性的主要因素。圖1所示為太陽(yáng)電池[P-U]和[U-I]輸出特性曲線。其中圖1a及圖1b的測(cè)試條件為:溫度為25 ℃、輻照度分別為900—900—900 W/m2、900—500—900 W/m2和900—500—400 W/m2;圖1c及圖1d的測(cè)試條件為:輻照度為500 W/m2,溫度分別為25、35、45 ℃。
如圖1a所示,隨著輻照度的減小,太陽(yáng)電池伏安輸出特性曲線向下偏移,短路電流與輻照度成正比,表明短路電流隨輻照度的增加而增大;而開(kāi)路電壓在橫軸方向上的交點(diǎn)向左有較小偏移,表明開(kāi)路電壓隨輻照度的減小而減小。由圖1b可知,在跟蹤至最大功率點(diǎn)工作范圍內(nèi)時(shí),輸出電流基本保持不變,但如果超出此范圍則會(huì)快速降低。輻照度越大,最大功率點(diǎn)越高,最大功率點(diǎn)的工作范圍會(huì)越大越穩(wěn)定。由圖1c可知,隨溫度的升高,電池的伏安特性曲線向左側(cè)偏移,此現(xiàn)象表明開(kāi)路電壓與溫度成反比關(guān)系,而在縱軸方向上,曲線隨著溫度的升高向上有較小程度的偏移,說(shuō)明短路電流與溫度存在一定正比關(guān)系,可知溫度對(duì)短路電流影響較小,對(duì)開(kāi)路電壓影響較大。在橫軸方向上,曲線隨著溫度的升高向左移動(dòng),即溫度越高開(kāi)路電壓越小。由圖1d可知,在跟蹤至最大功率點(diǎn)工作范圍時(shí),溫度對(duì)最大功率點(diǎn)的影響幾乎可忽略不計(jì),但隨著溫度的升高,最大功率點(diǎn)的工作范圍越小,超出工作范圍,輸出電流會(huì)快速降低,可知光伏陣列受不同遮擋條件的影響,對(duì)應(yīng)的峰值也不同,但太陽(yáng)電池或整個(gè)陣列只有唯一的最大功率點(diǎn)。因此,跳出局部最優(yōu)解,并在變化中尋優(yōu)成為MPPT控制算法需解決的關(guān)鍵問(wèn)題。
2 增強(qiáng)蜉蝣算法
2.1 Mayfly模型
蜉蝣算法(mayfly algorithm,MA)模擬蜉蝣的飛行和交配行為,并結(jié)合群體智能和迭代算法特點(diǎn),大大提高了在全局搜索中的尋優(yōu)能力[12]。MA工作原理與其生物特性一樣,通過(guò)蜉蝣在交配產(chǎn)生后代的過(guò)程,以及迭代后每個(gè)蜉蝣在搜索空間中的位置,提供了如何跳出局部最優(yōu)的解決思路。其基本原理是隨機(jī)產(chǎn)生兩組蜉蝣,分別代表雄性蜉蝣和雌性蜉蝣,并提前確定好目標(biāo)函數(shù)以便于對(duì)其性能進(jìn)行準(zhǔn)確預(yù)判,蜉蝣的新位置是由其移動(dòng)速度和當(dāng)前位置來(lái)決定。每個(gè)單獨(dú)的蜉蝣都可看作局部和全局的動(dòng)態(tài)交互,使其朝向個(gè)體最佳([pb])以及全局最佳([gb])迭代。
2.1.1 雄性蜉蝣
當(dāng)在一定有界區(qū)域內(nèi)投放一群雄性蜉蝣時(shí),雄性蜉蝣會(huì)成群聚集在一起,且它們的速度和位置會(huì)按一定的社會(huì)作用進(jìn)行變化,且各自的位置會(huì)根據(jù)自身以及相鄰蜉蝣個(gè)體做出調(diào)整。在時(shí)間步長(zhǎng)為[t]時(shí),其空間位置可由式(3)確定。雄性蜉蝣的速度計(jì)算[13]為:
[xt+1i=xti+vt+1i] (3)
[yt+1ni=vtni+A1pbni-xtni+A2gbni-xtni] (4)
[A1=ae-βr2pA2=be-βr2g] (5)
式中:[xt+1i]——蜉蝣在第[i]維度[t+1]時(shí)刻的位置;[xti]——蜉蝣在第[i]維度[t]時(shí)刻的位置;[vt+1ni]——蜉蝣在第[i]維度[t+1]時(shí)刻的速度;[yt+1ni]——蜉蝣[n]在第[i]維度[t+1]時(shí)刻的速度;[vtni]——蜉蝣[n]在第[i]維度[t]時(shí)刻的速度;[yni]——蜉蝣在[i]維度[t]時(shí)刻的速度;[A1]——與歷史最優(yōu)位置[pbni]相關(guān)的吸引系數(shù);[pbni]——蜉蝣[n]在第[i]維度歷史上的最優(yōu)位置;[A2]——與歷史最優(yōu)位置[gbni]相關(guān)的吸引系數(shù);[gbni]——蜉蝣[n]在第[i]維度歷史上的最優(yōu)位置;[xtni]——蜉蝣[n]在第[i]維度[t]時(shí)刻的位置;[a、b]——社會(huì)作用正吸引系數(shù);[β]——蜉蝣的能見(jiàn)度系數(shù),用來(lái)控制蜉蝣的能見(jiàn)范圍;[rp]——當(dāng)前位置與[pbni]的距離;[rg]——當(dāng)前位置與[gbni]的距離。
2.1.2 雌性蜉蝣
雌性蜉蝣與雄性蜉蝣相互吸引,但同性蜉蝣之間不會(huì)主動(dòng)靠近。針對(duì)這一特性,當(dāng)[ygt;x]時(shí),雌性蜉蝣的速度更新如式(6)所示;[ylt;x]時(shí),雌性蜉蝣的速度更新如式(7)所示。雌性蜉蝣的位置更新如式(8)所示[13]。
[vt+1ni=vtni+A2e-βr2mxtni-ytni] (6)
[vt+1ni=vtni+fl?r] (7)
[yt+1n=ytn+vtn] (8)
式中:[vt+1ni]——蜉蝣[n]在第[i]維度[t+1]時(shí)刻的速度;[vtni]——蜉蝣[n]在第[i]維度[t]時(shí)刻的速度;[e-βr2m]——指數(shù)衰減因子,其中[β]為影響衰減速度的參數(shù),[rm]為雄性和雌性蜉蝣之間的歐氏距離;[xtni]——第[n]個(gè)雄性蜉蝣在第[i]維度、第[t]個(gè)時(shí)間步的位置;[ytni]——第[n]個(gè)雌性蜉蝣在第[i]維度、第[t]個(gè)時(shí)間步的位置;[vt+1ni]——蜉蝣[n]在第[t]維度[t+1]時(shí)刻的速度;[fl]——隨機(jī)游走系數(shù),當(dāng)雌性蜉蝣沒(méi)有被雄性蜉蝣吸引時(shí)起作用;[r]——[r∈[-1,1]];[yt+1n]——蜉蝣[n]在[t+1]時(shí)刻的參考位置或當(dāng)前追蹤的位置,[ytn]——蜉蝣[n]在[t]時(shí)刻的參考位置或當(dāng)前追蹤的位置。
2.1.3 蜉蝣交配
雌雄性蜉蝣交配過(guò)程可用交叉算子表征,依據(jù)雌雄性蜉蝣相互吸引的原則,從雌雄群體中按隨機(jī)選擇或適應(yīng)度函數(shù)各選擇一個(gè)親本。在依據(jù)適應(yīng)度函數(shù)選擇方式中,最優(yōu)雌雄性個(gè)體交配,次好雌雄性個(gè)體交配。交配所產(chǎn)生的后代如式(9)所示[13]。
[ch1=L·ma+1-Lfe, ch2=L·fe+1-L·ma] (9)
式中:[ch1]、[ch2]——產(chǎn)生的兩個(gè)后代;[ma]——雄性親本;[fe]——雌性親本;[L]——[∈[-1,1]]。
2.2 帕累托模型
在實(shí)際追蹤情況下,為實(shí)現(xiàn)對(duì)占波比的快速響應(yīng)輸出,需充分考慮最大功率點(diǎn)電壓與對(duì)應(yīng)占波比的關(guān)系。在MA迭代過(guò)程中不斷更新Pareto解,在每次迭代過(guò)程中產(chǎn)生新解集,然后逐一與Pareto最優(yōu)解集進(jìn)行比較并判斷新解集是否支配Pareto最優(yōu)解集合中元素,進(jìn)而更新Pareto最優(yōu)解集合。為避免出現(xiàn)Pareto最優(yōu)解分布密集的情況,可對(duì)最優(yōu)解進(jìn)行部分剔除[14]:
[FZxn-FZxmlt;DzDz=FZmax-FZminR] (10)
式中:[Fzxn]——第[n]個(gè)蜉蝣個(gè)體在第[Z]個(gè)目標(biāo)函數(shù)下適應(yīng)值;[Dz]——第[Z]個(gè)目標(biāo)函數(shù)值的Pareto前沿距離閾值;[FZmax]和[FZmin]——當(dāng)前Pareto最優(yōu)解集中第[Z]個(gè)目標(biāo)函數(shù)的最大值與最小值;[R]——最優(yōu)解集集合中Pareto最優(yōu)解個(gè)數(shù)上限;[Z∈{1,2,3}]。
2.3 改進(jìn)MA
在一定環(huán)境變化條件下,部分遮陰的MPPT優(yōu)化模型可表示為:
[fVoutmax=PoutVout=Vout?IoutVout] (11)
式中:[Pout]——光伏輸出功率,kW;[Iout]——光伏輸出電流,A;[Vout]——光伏輸出電壓,V。
蜉蝣種群初始化可表示為:
[Xni=Vmin+φ(Vmax-Vmin)] (12)
式中:[Vmax]、[Vmin]——光伏輸出電壓的最大值與最小值,V,其中[Vout]介于極值之間;[Xni]——第[n]個(gè)蜉蝣群中的第[i]個(gè)蜉蝣個(gè)體的位置;[φ]——位于區(qū)間[0,1]中的隨機(jī)數(shù)。
改進(jìn)蜉蝣算法的MPPT流程圖如圖2所示。
2.4 算法性能測(cè)試
為驗(yàn)證EMA的尋優(yōu)性能,采用4個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)[15],如表1所列,對(duì)比分析PSO與GWO性能。在算法性能測(cè)試中,統(tǒng)一將種群數(shù)設(shè)定為30,迭代次數(shù)為200,且忽略計(jì)算機(jī)性能對(duì)算法性能測(cè)試的影響。圖3為各算法性能測(cè)試結(jié)果。表2為PSO、GWO和EMA迭代10次再取平均值的尋優(yōu)結(jié)果。結(jié)合圖3各算法性能測(cè)試結(jié)果觀察可知,EMA在單峰值測(cè)試函數(shù)尋優(yōu)中可更快搜索逼近理論最優(yōu)值。同時(shí),在多峰值測(cè)試函數(shù)尋優(yōu)中,能更快跳出局部最優(yōu)且具有更高的尋優(yōu)精度。
3 仿真環(huán)境與模型
本文基于Matlab/Simulink軟件平臺(tái),搭建3組件串聯(lián)光伏陣列,其中太陽(yáng)電池由北京合田方泰公司生產(chǎn),型號(hào)為HTMO-36-175[16-17],其具體參數(shù)如表3所示。仿真模型如圖4所示。設(shè)置兩個(gè)不同場(chǎng)景,場(chǎng)景1為太陽(yáng)電池部分遮擋,場(chǎng)景2為輻照度不均勻。在上述兩個(gè)場(chǎng)景中,環(huán)境溫度T均保持不變。分別利用PSO、GWO和EMA跟蹤光伏功率最大功率點(diǎn),并進(jìn)行跟蹤特性對(duì)比分析。
4 討論與分析
4.1 場(chǎng)景1:太陽(yáng)電池部分遮擋
在此場(chǎng)景下,太陽(yáng)電池處于部分遮擋輻照強(qiáng)度下,其環(huán)境溫度為25 ℃,輻照度為350、450、250 W/m2。根據(jù)太陽(yáng)電池P-I曲線可知,此場(chǎng)景下,光伏發(fā)電系統(tǒng)有兩個(gè)功率峰值,其峰值均為112.2 W。圖5為通過(guò)PSO算法、GWO算法和EMA得到的太陽(yáng)電池部分遮擋條件下最大功率跟蹤曲線。由圖5可知,PSO算法跟蹤至第一峰值時(shí),陷入局部最優(yōu)解,在第一峰值附近不停波動(dòng),未能跟蹤到最大峰值的輸出功率。GWO算法最開(kāi)始上升至第一峰值后,產(chǎn)生局部擾動(dòng),搜索方向不確定,導(dǎo)致其輸出功率下降,當(dāng)輸出功率下降到接近零時(shí),重新觸發(fā)跟蹤。又因GWO算法的搜索方向錯(cuò)誤導(dǎo)致輸出功率的大幅下降,然后在反復(fù)上下擾動(dòng)的過(guò)程中定位至第二峰,但不能穩(wěn)定輸出功率。
從搜索性能上,PSO算法能跳出局部最優(yōu)解,但因全局搜索時(shí),其輸出功率會(huì)上下劇烈波動(dòng),導(dǎo)致其輸出效率下降。EMA能在0.04 s內(nèi)完成全局的搜索并穩(wěn)定功率的輸出,且在搜索過(guò)程中未出現(xiàn)劇烈振蕩。對(duì)比傳統(tǒng)PSO和GWO算法,EMA能快速跳出局部最優(yōu)解,且能快速搜索至全局最優(yōu)處。同時(shí),由于EMA通過(guò)雌性蜉蝣代替雄性蜉蝣搜索,能減少無(wú)效搜索空域,從而穩(wěn)定輸出功率。由圖5可知,PSO、GWO、EMA收斂時(shí)間分別為0.15、0.58、0.04 s。比較可知,EMA能在更短時(shí)間內(nèi)達(dá)到最大功率點(diǎn),輸出功率更接近光伏陣列的最大功率,且在跟蹤過(guò)程中功率振蕩更小。因此,部分遮擋光照條件下,EMA在跟蹤光伏發(fā)電系統(tǒng)最大功率點(diǎn)時(shí)的性能優(yōu)于PSO和GWO。
4.2 場(chǎng)景2:輻照強(qiáng)度不均勻
此場(chǎng)景中,太陽(yáng)電池處于不均勻輻照度下,其中環(huán)境溫度為25 ℃,輻照度為900、500、400 W/m2。根據(jù)太陽(yáng)電池P-I曲線可知,此場(chǎng)景下有3個(gè)功率峰值,但只有一個(gè)最大功率點(diǎn),為224.4 W。圖6為通過(guò)PSO算法、GWO算法和EMA得到的太陽(yáng)電池不均勻光照下最大功率跟蹤曲線。由圖6可知,PSO算法和GWO算法當(dāng)識(shí)別到功率的異常變動(dòng)后即作為搜索的開(kāi)始,并在搜索區(qū)間不停進(jìn)行全局搜索。因?yàn)榇藞?chǎng)景下有3個(gè)功率峰值,導(dǎo)致其輸出功率頻繁波動(dòng),不能穩(wěn)定輸出。太陽(yáng)電池在不均勻光照下導(dǎo)致輸出功率波動(dòng)時(shí),EMA上下搜索的幅度較小且會(huì)及時(shí)收斂至最大輸出功率點(diǎn),從而驗(yàn)證了EMA在搜索速度上的優(yōu)越性。由圖6可知,PSO、GWO和EMA算法收斂時(shí)間分別為0.14、0.21、0.08 s,比較可知EMA可在更短時(shí)間內(nèi)跟蹤到最大功率點(diǎn),輸出功率更接近光伏陣列的最大功率且在跟蹤過(guò)程中功率振蕩較小。因此,驗(yàn)證了在不均勻輻照強(qiáng)度下,EMA對(duì)光伏發(fā)電系統(tǒng)MPPT的跟蹤性能優(yōu)于PSO算法和GWO算法。
4.3 性能對(duì)比分析
通過(guò)跟蹤效率進(jìn)一步評(píng)價(jià)各優(yōu)化算法MPPT模型的優(yōu)越性,跟蹤效率[η][18-19]可表示為:
[η=1-Pa-PMPM×100%] (13)
式中:[Pa]——標(biāo)準(zhǔn)測(cè)試條件功率,kW;[PM]——跟蹤功率,kW。
MPPT技術(shù)的魯棒性由跟蹤時(shí)間和穩(wěn)定時(shí)間兩個(gè)參數(shù)定義?;赟I的MPPT技術(shù)有探索階段和開(kāi)發(fā)階段兩個(gè)階段,需在這兩個(gè)階段之間保持平衡。探索階段允許粒子探索搜索空間,這是技術(shù)的跟蹤時(shí)間;在開(kāi)發(fā)階段,粒子在由沉降時(shí)間定義的全局解處沉降。探索階段的波動(dòng)可在圖7中觀察到。從表4可知,任何輻照度下,改進(jìn)蜉蝣算法優(yōu)化的效率均高于PSO算法和GWO算法。因此,改進(jìn)蜉蝣算法在均勻或非均勻輻照強(qiáng)度條件下對(duì)于光伏發(fā)電系統(tǒng)最大功率點(diǎn)的跟蹤性能均優(yōu)于PSO算法和GWO算法。
為驗(yàn)證光照遮擋條件下,EMA的光伏MPPT跟蹤效率,將光伏陣列的輻照度變化設(shè)置為:在0~0.5 s期間分別為800、800、600 W/m2;在0.5~1.0 s期間分別為900、800和900 W/m2。溫度均為25 ℃。EMA最大功率跟蹤有效性驗(yàn)證結(jié)果如圖8所示。在0.5 s時(shí),輻照度發(fā)生變化,在很短時(shí)間后,EMA再次跟蹤到最大功率點(diǎn)。因此,進(jìn)一步驗(yàn)證了EMA在輻照度發(fā)生變化的條件下,跟蹤光伏最大功率點(diǎn)的有效性。
采用相對(duì)誤差(RE)、平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)來(lái)評(píng)價(jià)各方法的性能:
[ER=i=1n(Pa-PM)PM×100%] (14)
[EM=i=1n(Pa-PM)n] (15)
[ERM=i=1n(Pa-PM)2n] (16)
式中:[ER]——相對(duì)誤差;[EM]——平均絕對(duì)誤差;[ERM]——均方根誤差;[n]——樣本數(shù)量。
從圖9可知,EMA跟蹤精度優(yōu)于PSO算法和GWO算法,從而進(jìn)一步檢驗(yàn)了EMA在光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤過(guò)程中的有效性和優(yōu)越性。
5 結(jié) 論
本文針對(duì)串聯(lián)光伏陣列因輻照強(qiáng)度分布不均導(dǎo)致輸出P-U曲線呈現(xiàn)多峰值的現(xiàn)象,使用一種增強(qiáng)蜉蝣尋優(yōu)算法,在追蹤光伏發(fā)電系統(tǒng)最大功率點(diǎn)時(shí)可快速跳出局部最優(yōu)并穩(wěn)定在全局最優(yōu)解。通過(guò)設(shè)置不同的場(chǎng)景,對(duì)比不同算法的功率跟蹤結(jié)果,得到如下主要結(jié)論:
1)本文在MA中加入Pareto算法增強(qiáng)其占空比搜索能力,利用同性蜉蝣位置互換原理并將突變機(jī)制引入蜉蝣交配階段,在增強(qiáng)MA中雌性蜉蝣局部搜索能力的同時(shí)也提升了MA的全局搜索性能。通過(guò)Pareto最優(yōu)解集本身的全局尋優(yōu)特性,使其在復(fù)雜環(huán)境中具有更快的收斂速度和較小的功率振蕩幅度,從而比PSO和GWO擁有更高的功率跟蹤效率。
2)不同場(chǎng)景下,與PSO相比,EMA可有效減少無(wú)效搜索空域,從而減少振蕩。與GWO相比,EMA在跟蹤精度上限相同的情況下,其跟蹤速度得到顯著提升,證明了本文使用的EMA在光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤全局搜索能力上較好的跟蹤精度和跟蹤速度。
[參考文獻(xiàn)]
[1] 伍浩松, 戴定, 趙暢. 國(guó)際能源署發(fā)布2050年凈零排放路線圖[J]. 國(guó)外核新聞, 2021(6): 17-22.
WU H S, DAI D, ZHAO C. The International Energy Agency released the road map of net zero emission in 2050[J]. Foreign nuclear news, 2021(6): 17-22.
[2] KIM J, HO-BAILLIE A, HUANG S J. Review of novel passivation techniques for efficient and stable perovskite solar cells[J]. Solar RRL, 2019, 3(4): 1800302.
[3] 劉文鋒, 李昂. 基于變步長(zhǎng)擾動(dòng)觀察法結(jié)合改進(jìn)天牛群優(yōu)化算法的三步復(fù)合光伏最大功率跟蹤算法[J]. 熱力發(fā)電, 2022, 51(10): 138-144.
LIU W F, LI A. Three-step composite photovoltaic MPPT algorithm "based "on "IP amp; "O-IBSO[J]. "Thermal "power generation, 2022, 51(10): 138-144.
[4] 屠卿瑞, 李一泉, 曾耿暉, 等. 一種基于SQP信賴域算法的光伏單峰MPPT方法: CN107272815B[P]. 2018-09-11.
TU Q R, LI Y Q, ZENG G H, et al. A kind of SQP-based trust domain computing photovoltaic unimodal MPPT method: CN107272815B[P]. 2018-09-11.
[5] 林文立, 劉治鋼, 馬亮. 基于最優(yōu)梯度法的MPPT全數(shù)字控制仿真[J]. 航天器工程, 2013, 22(4): 82-86.
LIN W L, LIU Z G, MA L. Simulation of maximum power point tracking digital control based on optimized gradient method[J]. Spacecraft engineering, 2013, 22(4): 82-86.
[6] 羅嘉, 郭興眾, 吳飛. 基于擬合曲線法和最優(yōu)梯度法相結(jié)合的MPPT算法[J]. 南陽(yáng)理工學(xué)院學(xué)報(bào), 2016, 8(2): 27-32.
LUO J, GUO X Z, WU F. MPPT algorithm based on fitting curve method and optimal gradient method[J]. Journal of Nanyang Institute of Technology, 2016, 8(2): 27-32.
[7] 潘海鵬, 李明華, 雷建峰, 等. 基于卡爾曼濾波和改進(jìn)粒子群的MPPT算法[J]. 輕工機(jī)械, 2022, 40(6): 44-51.
PAN H P, LI M H, LEI J F, et al. MPPT algorithm based on Kalman filter and improved particle swarm optimization algorithm[J]. Light industry machinery, 2022, 40(6): 44-51.
[8] 趙夢(mèng)玨. 基于擾動(dòng)觀察法的光伏MPPT技術(shù)的仿真分析[J]. 電工技術(shù), 2022(16): 54-56, 60.
ZHAO M J. Analysis and simulation of photovoltaic MPPT based "on "disturbance " observation "method[J]. "Electric engineering, 2022(16): 54-56, 60.
[9] 葉國(guó)敏, 肖文波, 吳華明. 回歸算法與粒子群算法融合算法的光伏系統(tǒng)多峰值MPPT研究[J]. 現(xiàn)代電子技術(shù), 2022, 45(15): 146-150.
YE G M, XIAO W B, WU H M. Research on PV system multi-peak MPPT based on fusion algorithm of regression algorithm and particle swarm optimization algorithm[J]. Modern electronics technique, 2022, 45(15): 146-150.
[10] 付文龍, 孟嘉鑫, 張赟寧, 等. 復(fù)雜遮蔭下基于改進(jìn)GWO的光伏多峰MPPT控制[J]. 太陽(yáng)能學(xué)報(bào), 2023, 44(3): 435-442.
FU W L, MENG J X, ZHANG Y N, et al. Photovoltaic multi-peak MPPT control based on improved GWO under complex shade[J]. Acta energiae solaris sinica, 2023, 44(3): 435-442.
[11] 韓思鵬, 蔣曉艷, 羅意, 等. 遮陰條件下光伏MPPT自適應(yīng)粒子群算法優(yōu)化[J]. 太陽(yáng)能學(xué)報(bào), 2022, 43(6): 99-105.
HAN S P, JIANG X Y, LUO Y, et al. Photovoltaic MPPT adaptive particle swarm optimization optimization under shading " conditions[J]. "Acta "energiae "solaris "sinica, 2022, 43(6): 99-105.
[12] 王加健, 帕孜來(lái)·馬合木提, 孔博龍. 基于改進(jìn)樽海鞘群算法的光伏系統(tǒng)MPPT研究[J]. 太陽(yáng)能學(xué)報(bào), 2022, 43(4): 191-197.
WANG J J, PAZLAI ·MAHEMUTI, KONG B L. Research on MPPT of photovoltaic system based on improved salp swarm algorithm[J]. Acta energiae solaris sinica, 2022, 43(4): 191-197.
[13] ZERVOUDAKIS K, TSAFARAKIS S. A mayfly optimization " "algorithm[J]. " Computers " "amp; " "industrial engineering, 2020, 145: 106559.
[14] SUHARDI D, SYAFAAH L, IRFAN M, et al. Improvement of maximum power point tracking (MPPT) efficiency using grey wolf optimization (GWO) algorithm in photovoltaic (PV) system[J]. IOP conference series: materials science and engineering, 2019, 674(1): 012038.
[15] 趙泰祥, 廖華, 馬遜, 等. 局部陰影下光伏組件的Matlab/Simulink仿真模擬與特性分析[J]. 太陽(yáng)能學(xué)報(bào), 2019, 40(11): 3110-3118.
ZHAO T X, LIAO H, MA X, et al. Matlab/Simulink simulation model and characteristic analysis of PV module under partial shadow[J]. Acta energiae solaris sinica, 2019, 40(11): 3110-3118.
[16] PERVEZ I, SHAMS I, MEKHILEF S, et al. Most valuable player algorithm based maximum power point tracking for a partially shaded PV generation system[J]. IEEE transactions on sustainable energy, 2021, 12(4): 1876-1890.
[17] 顏景斌, 佟堯, 曹雷, 等. 局部陰影條件下光伏電池建模與輸出特性仿真[J]. 電源技術(shù), 2018, 42(5): 685-688, 692.
YAN J B, TONG Y, CAO L, et al. Modeling and output characteristics simulation of photovoltaic cells under partial "shading "condition[J]. "Chinese " journal "of "power sources, 2018, 42(5): 685-688, 692.
[18] 洪艷, 潘東方, 姚海峰, 等. 基于黃金分割搜索的光伏陣列最大功率點(diǎn)跟蹤方法[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 37(4): 416-419.
HONG Y, PAN D F, YAO H F, et al. Method of photovoltaic array maximum power point tracking based on golden section search[J]. Journal of Hefei University of Technology (natural science), 2014, 37(4): 416-419.
[19] MO S X, YE Q T, JIANG K P, et al. An improved MPPT method for photovoltaic systems based on mayfly optimization "algorithm[J]. "Energy "reports, "2022, "8: 141-150.
RESEARCH ON PHOTOVOLTAIC MULTI-PEAK MAXIMUM POWER TRACKING CHARACTERISTICS BASED ON IMPROVED
MAYFLY ALGORITHM
Zhao Zhiyong,Li Weijun,Zheng Miao,Zhu Yunqi,Zhang Yi
(State Grid Henan Electric Power Company Zhumadian Power Supply Company, Zhumadian 463000, China)
Abstract:An improved mayfly algorithm (EMA) is used to solve the problem of multiple peaks in solar ceu P-U graphs under partial shading conditions, where traditional maximum power point tracking (MPPT) algorithms tend to fall into local optimal solution, making it difficult to quickly and accurately find the global maximum power point of the PV system. Firstly, the male mayflies perform a global search to escape local optimal solution. Then, the female mayflies reduce system oscillations through random local search and mating. Finally, two different scenarios are set to verify the tracking accuracy and speed of the proposed algorithm. The results show that compared with particle swarm optimization (PSO) and grey wolf optimization (GWO), the EMA reduces PV output power oscillations during the search process. Compared to PSO and GWO, EMA has significantly improved the tracking speed, allowing the solar cells to maintain high output power even under partial shading.
Keywords:PV generation; maximum power point tracking; improved Mayfly algorithm; partial shading; multi-peak; PV output characteristics