王宛陽(yáng),朱立穎,張 明,張文佳,童喬凌
(1.華中科技大學(xué)集成電路學(xué)院,湖北武漢 430074;2.北京空間飛行器總體設(shè)計(jì)部,北京 100094)
光伏發(fā)電是一種清潔能源手段,具有十分廣闊的應(yīng)用場(chǎng)景,將是未來(lái)月球科研站分布式能源系統(tǒng)的基礎(chǔ)組成模塊[1]。為了充分地利用光能,光伏電池應(yīng)當(dāng)工作在最大功率點(diǎn)。為此后級(jí)DC/DC 變換器需要根據(jù)工況進(jìn)行不斷調(diào)節(jié),這一過(guò)程被稱為最大功率追蹤(maximum power point tracking,MPPT)。MPPT 的速度和精度對(duì)光伏發(fā)電量具有重要影響,其控制方法得到廣泛研究[2-3]。
MPPT 的常規(guī)方法有固定電壓法、擾動(dòng)觀察法、電導(dǎo)增量法、短路電流法等[4-6]。其中,固定電壓法不適合于具有溫度變化的場(chǎng)合[4]。電導(dǎo)增量法作為擾動(dòng)觀察法(perturb and observe,P&O)的改進(jìn),具有更準(zhǔn)確和快速的響應(yīng),但其步長(zhǎng)設(shè)置無(wú)法兼顧速度與精度[5]。短路電流法會(huì)引入短路電流脈沖,造成系統(tǒng)的擾動(dòng)和功率損失[6]。
為了克服這些常規(guī)方法的缺點(diǎn),改進(jìn)的MPPT算法被提出。其中,引入變步長(zhǎng)的MPPT 算法平衡了速度和精度的矛盾,但其建模較為困難且硬件精度要求高[7-8]。進(jìn)一步引入智能算法的MPPT 算法,不需要建模,具有自適應(yīng)能力,但需要一定訓(xùn)練過(guò)程。智能算法中基于模糊邏輯(fuzzy logic,F(xiàn)L)控制的算法相比基于人工智能網(wǎng)絡(luò)(artificial neural network,ANN)的算法具有成本更低、易于理解、易于實(shí)現(xiàn)的優(yōu)點(diǎn),常與其它控制方法結(jié)合,以改善系統(tǒng)的追蹤速度和精度[9-11]。
基于FL 的MPPT 算法可以進(jìn)一步優(yōu)化。通過(guò)改變模糊邏輯控制器輸入輸出函數(shù),以單獨(dú)或不同組合的優(yōu)化算法調(diào)整成員隸屬度函數(shù)(membership function,MF)參數(shù),可提高其追蹤性能。遺傳算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)以及蟻、蜂、鯨群等優(yōu)化算法在過(guò)去被應(yīng)用[12-16]。Khishe 和Mosavi 在2020 年提出一種黑猩猩優(yōu)化算法(chimp optimization algorithm,ChOA),具有搜索更準(zhǔn)確、搜索時(shí)間更短等優(yōu)勢(shì),但其在MPPT 上的應(yīng)用尚缺乏研究[17-19]。
本文提出一種基于黑猩猩算法優(yōu)化的MPPT 方法。采用由七三角形MF 組成的非對(duì)稱模糊邏輯控制器,與擾動(dòng)觀察結(jié)合實(shí)現(xiàn)MPPT。利用黑猩猩方法迭代提高搜索精度減少搜索時(shí)間。在優(yōu)化過(guò)程中,適應(yīng)度函數(shù)是成本函數(shù)在不同輻照和溫度工況下的加權(quán)和,而成本函數(shù)通過(guò)各工況下的暫態(tài)和穩(wěn)態(tài)指標(biāo)建立。通過(guò)MATLAB/Simulink 仿真驗(yàn)證了該MPPT 方法在不同光照條件下均有較好的追蹤速度和精度。
黑猩猩優(yōu)化算法是根據(jù)黑猩猩群體狩獵行為提出的一種元啟發(fā)式算法。在黑猩猩群狩取獵物的過(guò)程中,其成員具有不同的分工,并采取不同的策略協(xié)助狩獵,其群體分工還會(huì)隨著時(shí)間推移變化?;诖耍惴ㄒ胨姆N典型黑猩猩:攻擊者(attacker)、追捕者(chaser)、攔截者(barrier)、指揮者(driver),它們由群體中狩獵收獲的評(píng)分最高的個(gè)體擔(dān)任。它們采用四個(gè)不同策略追蹤獵物位置,群體將根據(jù)它們的追蹤向獵物位置移動(dòng)。而另一方面,群體移動(dòng)時(shí)會(huì)進(jìn)行分散,并可能根據(jù)社會(huì)動(dòng)機(jī)設(shè)定,進(jìn)行隨機(jī)混沌移動(dòng)。這樣可以更快地找到獵物并避免丟失潛在的更優(yōu)質(zhì)獵物。
算法的數(shù)學(xué)描述如下:
首先描述追蹤獵物的行為。假設(shè)一只進(jìn)行追蹤的黑猩猩在N維空間中某一時(shí)刻的位置向量為Xchimp(t),而預(yù)測(cè)的獵物位置向量為Xprey(t),其在下一時(shí)刻的位置將為:
式 中:a、m、c為系數(shù)向量,a=2fr1-f,c=2r2,m=Chaotic_value(基于混沌映射的混沌向量)。r1和r2是取值范圍為[0,1]的隨機(jī)向量,f為設(shè)定的收斂因子,一般隨迭代次數(shù)t增加非線性下降到零。
a是表征黑猩猩移動(dòng)受獵物位置的影響程度的向量,當(dāng)|a|>1 時(shí),黑猩猩被迫分散遠(yuǎn)離獵物,當(dāng)|a|<1時(shí),黑猩猩聚攏靠近獵物。c是一個(gè)表征黑猩猩獵物位置對(duì)黑猩猩狩獵影響的隨機(jī)權(quán)重量,當(dāng)c>1,獵物位置的影響加強(qiáng),當(dāng)c<1,影響減弱。m是一個(gè)混沌因子,表征混沌移動(dòng)的影響。
黑猩猩個(gè)體根據(jù)群體追蹤行為移動(dòng)。每只黑猩猩根據(jù)當(dāng)前的attacker、chaser、barrier、driver 的追蹤行為進(jìn)行移動(dòng)。其表示為:
如前所述,黑猩猩可能根據(jù)社會(huì)動(dòng)機(jī)(性或裝飾)進(jìn)行混沌移動(dòng),這一行為通過(guò)數(shù)學(xué)描述為:
式中:μ為取值范圍為[0,1]的隨機(jī)數(shù)。在求解高維問(wèn)題時(shí),混沌移動(dòng)幫助解決陷入局部最優(yōu)和收斂速度慢等問(wèn)題。
為了綜合開發(fā)利用月球資源,將在2030 年前后,以已展開的月球探測(cè)為基礎(chǔ),探索建造月球科研站??蒲姓緦⑴涮坠夥姵乇U夏茉垂?yīng)[1]。在該場(chǎng)景下的光伏應(yīng)用具有新的特性。
在位置選擇上,現(xiàn)階段月球科研站最可能的選址,一般被認(rèn)為在接近月球南北極的隕石坑。這些位置獨(dú)有的優(yōu)勢(shì)包括:南北極位置因極晝現(xiàn)象具有的穩(wěn)定不間斷光照時(shí)間更多、晝夜溫度的波動(dòng)更小、礦物資源豐富含有水冰、隕石坑邊緣山體能提供不易被遮擋的通信角度等[20]。
在這些高緯度位置,不考慮地形的情況下,理想的光照幾何關(guān)系如圖1 所示。
圖1 月球科研站光照情況
忽略天體和塵埃的反射散射造成的能量衰減,根據(jù)入射角估算輻照的公式為:
式中:i為觀測(cè)點(diǎn)的入射角,由Ai和直射點(diǎn)、科研站的經(jīng)緯度根據(jù)幾何關(guān)系決定;S0為太陽(yáng)常數(shù);Wem為月球的地心黃緯;Rem為地月距離;Rse為日月距離。
以惠普爾隕石坑位置為例,其位于北緯89.14°、東經(jīng)120.02°,假設(shè)第0 天月球位于天球春風(fēng)點(diǎn)并為升交點(diǎn),當(dāng)?shù)厍蛉暝诮拯c(diǎn)和遠(yuǎn)日點(diǎn)之間運(yùn)動(dòng)時(shí),其輻照度隨時(shí)間變化的估計(jì)曲線如圖2 所示[21]。
圖2 惠普爾坑位置的輻照估計(jì)
根據(jù)輻照估計(jì)曲線,對(duì)于與平坦月球面平行放置的光伏電池,光照條件可劃分為圖示的低光照(LG)、中光照(MG)、高光照(HG)三個(gè)區(qū)段。對(duì)于一般的GaAs/Si 光伏電池,100 W/m2以下的極弱光強(qiáng)難以發(fā)電。因此在空間領(lǐng)域,多采用(GaInP/GaAs/Ge)三結(jié)GaAs光伏電池。此類電池能在極低光照、低溫、高輻照的情況下工作,經(jīng)過(guò)“金星快車”金星探測(cè)器、“朱諾”木星探測(cè)器、“深空1 號(hào)”等探測(cè)器的驗(yàn)證[22-23]。其中木星距太陽(yáng)5.2 AU,光照強(qiáng)度在100 W/m2以下,土星距地球9.54 AU,光照強(qiáng)度約在10 W/m2。對(duì)于溫度條件,惠普爾坑附近的準(zhǔn)永久光照區(qū)域溫度較穩(wěn)定,為(-50±10) ℃[20],可假定溫度為-50 ℃簡(jiǎn)化分析。此外,利用地形和機(jī)械控制,可使光伏電池傾斜于平坦月球面工作。理論上最大可獲得約等同于地球距離的垂直光照強(qiáng)度。本研究以MPPT 控制為主,不再深入電池傾斜控制,后續(xù)以假定光照條件進(jìn)行研究。
系統(tǒng)仿真模型包括光伏電池組、Boost 變換器、最大功率追蹤模糊控制器。在Simulink 搭建,如圖3所示。
圖3 系統(tǒng)仿真模型
Boost 變換器的主要參數(shù)為:L=200 μH、C1=100 μF、C2=400 μF、R=10 Ω,R在仿真中設(shè)置20%的正負(fù)跳變,控制頻率為100 kHz,P&O 調(diào)節(jié)占空比步長(zhǎng)為0.001 和0.003。
光伏電池型號(hào)采用ASEC140G6M,光伏電池的基本特性方程為:
式中:Isc表示光伏電池在標(biāo)準(zhǔn)測(cè)試條件下(G=1 000 W/m2,溫度為25 ℃)下的短路電流;Tref為標(biāo)準(zhǔn)參考溫度,K;CT為溫度補(bǔ)償系數(shù);I0為反向飽和電流;n為光伏電池p-n 結(jié)的理想因子;k為玻爾茲曼常數(shù);q為單位電荷量;Rsh和Rs為并聯(lián)漏電阻和引線電阻。電池組采用6 串12 并,代入電池?cái)?shù)據(jù)和2.1 節(jié)確定的G和T,繪制電池組的I-V和P-V特性如圖4 所示。
圖4 在-50 ℃下電池組的I-V和P-V特性
假定太陽(yáng)電池經(jīng)過(guò)傾斜控制,具有的光照強(qiáng)度G可劃分為200、600、1 000 W/m2,分別體現(xiàn)低光照條件(LG)、中光照條件(MG)、高光照條件(HG)下的I-V和P-V特性。MPPT 控制需要在多個(gè)光照條件下盡可能準(zhǔn)確追蹤避免功率損失。
模糊邏輯控制器搭建的難點(diǎn)之一是依賴于經(jīng)驗(yàn)。為了解決這一問(wèn)題,提供一種基于dP/dV特性的非對(duì)稱模糊邏輯控制器設(shè)置方法。
首先,dP/dV在擾動(dòng)觀察法中可以作為MPPT 的控制依據(jù),而如圖4 所示在給定條件下dP/dV具有量化的最大最小值,因此采用dP/dV作為模糊控制器的單輸入。在G=1 000 W/m2時(shí),max(dP/dV)=100.8 W/V,min(dP/dV)=-1 006 W/V,考慮余量和縮放,模糊控制器輸入范圍確定為[-120,12]。
其次,光伏陣列的P-V特性在MPPT 點(diǎn)左側(cè)和右側(cè)具有非對(duì)稱的特點(diǎn),在左側(cè)dP/dV始終大于0,而右側(cè)dP/dV始終小于0。因此,將模糊控制器輸入隸屬度函數(shù)進(jìn)行非對(duì)稱設(shè)置,能夠更好地對(duì)不同情況進(jìn)行分辨和調(diào)節(jié)。最后,采用七三角形隸屬度函數(shù)的模糊控制器往往能在隸屬度函數(shù)數(shù)量和瞬態(tài)穩(wěn)態(tài)性能間取得最好的平衡[24]。
控制器的設(shè)置如圖5 和表1 所示,在非對(duì)稱的基礎(chǔ)上,dP/dV的輸入三角形隸屬度函數(shù)按照x1=x2=x3=|min(dP/dV)|/3,x4=x5=x6=max(dP/dV)/3 進(jìn)行初始化設(shè)置,ΔV的輸出隸屬度函數(shù)采用對(duì)稱設(shè)置。這種設(shè)置方法有助于保持模糊邏輯規(guī)則的簡(jiǎn)單性。當(dāng)dP/dV隸屬負(fù)大(NB)時(shí),工作點(diǎn)靠近P-V曲線的最右端,這對(duì)應(yīng)著輸出隸屬負(fù)大(NB),從而快速增加D。在成員名稱中,N 表示負(fù)、P 表示正,B、M、S 分別代表大中小,ZE 代表零。至于x1至x6,在接下來(lái)通過(guò)黑猩猩算法進(jìn)一步優(yōu)化。
表1 模糊邏輯規(guī)則
圖5 輸入dP/dV和輸出ΔD的成員隸屬度函數(shù)
控制器的優(yōu)化目標(biāo)是MPPT 的速度和精度,為此提出相應(yīng)評(píng)估方法。假設(shè)當(dāng)前光照和溫度電池組最大功率為Pm,大于上升時(shí)間的時(shí)間窗口為Tw,上升時(shí)間tr定義為首個(gè)[tr,tr+Tw]期間P(t)>0.9Pm且持續(xù)時(shí)長(zhǎng)大于Tw的時(shí)間點(diǎn),MPPT 的速度采用上升時(shí)間評(píng)估。而理想的MPPT 在給定時(shí)間窗口(Tw)中產(chǎn)生的能量為E=PmTw,精度通過(guò)產(chǎn)生的能量與E的差值評(píng)估。成本評(píng)估函數(shù)建立為:
式中:tr0為采用未優(yōu)化的控制器參數(shù)時(shí)的上升時(shí)間;tend為仿真結(jié)束時(shí)間;0.3 和99.7 是加權(quán)系數(shù)。月面高真空狀態(tài)光照變化很穩(wěn)定,調(diào)節(jié)速度相對(duì)次要,對(duì)精度的權(quán)重進(jìn)行了提升。
控制器參數(shù)優(yōu)化需要兼顧多個(gè)工況,但應(yīng)當(dāng)有所側(cè)重保證整體效果最優(yōu)。假設(shè)光伏電池組一年中可能的光照強(qiáng)度如圖6 所示。用days(i)表示第i種光強(qiáng)的工況在一年中出現(xiàn)的天數(shù),則通過(guò)光照強(qiáng)度劃分的第i種工況的情況下,確定其加權(quán)系數(shù)為:
圖6 假定的光伏電池組一年中的光照強(qiáng)度
基于式(6)和式(7)最終建立適應(yīng)度函數(shù)如下:
本文中對(duì)應(yīng)LG、MG、HG 條件確定的加權(quán)系數(shù)為w(1)=0.277,w(2)=0.515,w(3)=0.208。
雖然ChOA 算法具有較快的收斂速度和精度,但其算法搜索能力和收斂性能仍與迭代中采取的策略相關(guān)。為此,引入規(guī)則加快收斂。
首先,限制優(yōu)化量:
其次,根據(jù)非對(duì)稱性和dP/dV范圍量化設(shè)置收斂因子。設(shè)當(dāng)前迭代次數(shù)為niter,最大迭代次數(shù)為Niter,非線性收斂因子表示為:
其中對(duì)x1、x2、x3適用f0=|min(dP/dV)|/5,對(duì)x4、x5、x6適用f0=max(dP/dV)/5。以x1、x2、x3為例,其收斂因子曲線如圖7 所示,體現(xiàn)不同黑猩猩角色以不同的策略對(duì)探索和開發(fā)進(jìn)行了平衡。
圖7 Niter=50時(shí)x1、x2、x3的收斂規(guī)則
最后,整個(gè)算法流程為:
Step1 參數(shù)初始化,本文種群數(shù)(搜索代理數(shù)量)為50,最大迭代次數(shù)為50。
Step2 隨機(jī)初始化黑猩猩種群位置,采用Iteration[xn+1=sin(bπ/xn)]映射生成m,b取0.7。
Step3 開始第niter次迭代,依次遍歷種群。
Step4 規(guī)則檢查,對(duì)違規(guī)位置進(jìn)行縮放限制。
Step5 適應(yīng)度函數(shù)計(jì)算(調(diào)用仿真)。
Step6 更新attacker、chaser、barrier、driver。
Step7 更新f、a、c、m,計(jì)算并更新個(gè)體每個(gè)維度的位置。
Step8 判斷循環(huán)是否結(jié)束,種群遍歷后niter加一并返回第三步,滿足迭代次數(shù)后記錄attacker 位置并跳出循環(huán)。
算法流程圖如圖8 所示。
圖8 黑猩猩算法流程圖
經(jīng)過(guò)迭代后的控制器參數(shù)為:x1=11.747,x2=7.259,x3=8.617,x4=2.667,x5=8.733,x6=0.600,對(duì)應(yīng)的隸屬度函數(shù)如圖9 所示。圖10 給出了G=600 W/m2,溫度為-50 ℃時(shí)不同步長(zhǎng)的P&O 控制和優(yōu)化前后模糊邏輯控制的功率追蹤曲線。幾種情況下的適應(yīng)度函數(shù)和成本評(píng)估在表2 中給出。
表2 成本和適應(yīng)度
圖9 優(yōu)化后輸入dP/dV的成員隸屬度函數(shù)
圖10 G=600 W/m2,溫度為-50 ℃時(shí)的仿真功率追蹤曲線
對(duì)比之下,在G=600 W/m2,溫度為-50 ℃時(shí),采用本文黑猩猩算法優(yōu)化后的MPPT 控制,上升時(shí)間相對(duì)ΔD=0.001 的P&O 控制減少了52%,上升速度優(yōu)于ΔD=0.003 的P&O 控制,在存在頻繁調(diào)節(jié)的情況下?lián)p失的效率更小。而在穩(wěn)態(tài)窗口時(shí)間里的功率跟蹤損失Eloss(Eloss=PmTw-Integral{V(t)I(t),tend-Tw,tend},tend=0.025,Tw=0.01)相 對(duì)ΔD=0.001 的P&O 控制和ΔD=0.003 的P&O 控制分別減少了82.2%和97.5%,等價(jià)于將效率分別提升1.4%和13.5%。
綜合三種工況來(lái)看,本文控制獲得最優(yōu)的適應(yīng)度值,具有最小的上升時(shí)間和最少的功率跟蹤損失,提升了MPPT 的速度和精度,優(yōu)化了光伏發(fā)電的效率。
本文提出了黑猩猩算法優(yōu)化光伏MPPT 應(yīng)用的模型和方法。根據(jù)光伏電池特性方程,確定了電池組的關(guān)鍵P-V曲線。根據(jù)dP/dV在MPPT 點(diǎn)左側(cè)和右側(cè)非對(duì)稱的特性,給出一種量化的非對(duì)稱模糊邏輯控制器設(shè)置方法。建立了仿真系統(tǒng)模型,模型下相對(duì)同最大步長(zhǎng)P&O 控制MPPT 追蹤更快,穩(wěn)態(tài)擾動(dòng)更低。通過(guò)黑猩猩算法對(duì)MPPT 算法進(jìn)行進(jìn)一步優(yōu)化,給出了適應(yīng)度函數(shù)、優(yōu)化規(guī)則、非線性收斂因子、算法流程等模型內(nèi)容。最終優(yōu)化后的MPPT 算法對(duì)比P&O 和優(yōu)化前算法有效提升了MPPT 的速度和精度。