MPPT

MPPT（共8篇）

MPPT 篇1

0 引言

在光伏发电系统中,光伏电池的利用率除了与光伏电池的内部特性有关外,还受使用环境诸如辐照度、负载和温度等因素的影响。在不同的外界条件下,光伏电池可运行在不同且唯一的最大功率点(Maximum Power Point,简称MPP)上。为了最大限度提高光伏电池输出功率和工作效率,降低光伏电池成本,对系统进行最大功率点跟踪(Maximum Power Point Tracking,简称MPPT)[1]。尤其是在外界环境情况发生变化时,快速跟踪到太阳能电池板的最大功率点的控制方法与技术的研究就显得尤为重要[2,3]。本文使用Matlab/Simulink,建立了光伏电池阵列的仿真模型,并将其仿真结果与实际电池阵列的测量结果进行验证比较,同时对基于Boost电路的电导增量法的光伏发电系统进行仿真,并对其跟踪效率进行计算分析。

1 光伏电池阵列特性分析

太阳能光伏电池通过半导体材料的光伏效应来产生电能,电池组件的特性随光照辐射强度和电池温度的变化而变化,其输出电流—电压数学模型可表示为[4]:

式(1)中,Iph为光生电流(A),光伏电池单体数量级为10-4A;Io为PN结反向饱和电流(A);Rs为串联电阻,阻值很小,一般小于1Ω;Rsh为旁漏电阻,阻值比较高,一般数量级为KΩ;A为二极管品质因子;K为波耳兹曼常数(K=1.38×10-23J/K);T为绝对温度(K),T=t+273.15;q为单位电荷数(q=1.6×10-19C)。

设在某光照条件下,光伏电池的开路电压和短路电流分别为Uoc和Isc,将式(1)简化为[5]:

其中,Sref和Tref分别为标准参考光照强度和标准参考面板温度,一般取1000W/m2,25℃;Uoc和Isc分别为开路电压和短路电流,Um和Im分别为最大功率点电压和电流;α为电流变化温度系数,单位为A/℃;β为电压变化温度系数,单位为V/℃;Rs为串联电阻。对于晶体硅及多晶硅太阳电池,其实测值为α=0.00121Isc,β=0.005Voc;Rs阻值很小,一般小于1Ω[6]。

本文是基于晶澳太阳能公司的光伏电池组件JAMG-6-60-250/SI建立光伏电池模型,其相关参数为Uoc=37.92V,Isc=8.62A,Um=30.96V,Im=8.97A,Pm=250W,电流温度系数=+0.040%/℃,电压温度系数=-0.300%/℃。将电流温度系数和电压温度系数通过单位换算成α=0.00366A/℃,β=0.11157 V/℃,RS取0.05Ω。

其实际的功率P、光照幅值S和面板温度T随时间t的变化曲线如图一所示,图中所显示的数据曲线其实是15块串联的光伏电池组件的数据。

下面利用Matlab软件对上述工程用数学模型进行仿真分析,其仿真模型如图二所示。

其中,PV模块如图三所示。

光伏阵列特性仿真分析如下:

(1)模拟温度为T=25℃,光照强度分别为600W/m2、800W/m2、1000W/m2的环境,得到光伏电池的I-V、P-V特性曲线,如图四所示。

由图四(a)可知,模拟温度为T=25℃时,光照强度不同时,输出曲线是不同的。光照强度的变化对短路电流的影响比较大,光照强度的增加会引起短路电流的大量增加,然而只会使开路电压有少量增加。由图四(b)可知,随着光照强度的增加,最大功率点的位置有所升高,光伏电池的输出功率也随着光照强度的增加而增加,所以光照强度是影响光伏电池输出功率大小的重要因素,仿真曲线显示的光伏电池特性与图一显示的实际光伏电池特性相吻合。

(2)模拟光照强度为1000W/m2,组件面板温度依次为10℃、25℃、50℃的环境,得到光伏电池I-V、P-V特性曲线如图五所示。

由图五(a)可知,标准的光照强度下,温度不同,输出曲线也是不同的。环境温度的升高会引起短路电流的增加,但是短路电流增加的幅度很小。同时,开路电压对温度的变化很敏感,温度的升高会使开路电压降低很多。由图五(b)可知,温度升高时,电流少量增加,但是电压大量降低,最终导致输出功率降低。因此,组件面板温度是影响MPP输出的另一个至关重要的因素。通过上述分析同样可知:图五所显示的特性曲线与图一所示的实际各参数的变化情况相吻合。证明此光伏电池仿真模型是正确的、可行的,可以作为研究光伏电池的有效工具,为光伏发电最大功率跟踪系统的研究和算法的实现奠定了基础。

2 电导增量法的研究

分析光伏电池的输出特性曲线可知,其具有很强的非线性,在特定的外界条件下总存在一个最大功率点。MPPT实质上是一个动态自寻优过程,通过控制策略实时检测当前情况下光伏电池的输出功率。采用一定的控制算法预测当前工况下阵列可能的最大功率输出,通过改变当前阻抗来满足最大功率输出的要求[7]。

目前,常用的最大功率点跟踪算法有电导增量法、扰动观察法、恒电压控制法、短路电流法、模糊控制法和人工神经网络法等。本文采用的是电导增量法,该方法具有很好的跟踪效果,控制稳定度高,当外部环境参数变化时,系统能平稳地追踪其变化,且与光伏电池的特性及参数无关[8,9]。采用导纳增量法进行最大功率跟踪时并无原理性误差,是一个比较理想的MPPT跟踪方法。电导增量法控制流程和其仿真模型分别如图六和图七所示[10]。

3 基于电导增量法的MPPT仿真研究

目前,最大功率点跟踪控制策略有很多种。本文采用Boost电路结构调整组建成电导增量法MPPT光伏发电系统的仿真模型,如图八所示。电感L值为50e-6H,电容C1值为1000e-6F、C2值为100e-6F,负载电阻R值为40Ω。在仿真模型中,PV模块模拟的对象还是晶澳太阳能公司的JAMG-6-60-250/SI光伏电池组件。并采用ode23tb算法,绝对误差允许范围可自动调节,从0秒开始仿真,仿真时间设为0.5秒,MPPT控制模块的采样周期取为0.0005秒。

图九所示为在太阳能电池组件面板温度T=30℃、光照强度R=800W/m2时,采用电导增量算法仿真的光伏发电系统光伏组件的输出电压和负载两端得到的电压的仿真波形对比图。

图十所示是在太阳能电池组件面板温度T=30℃、光照强度R=800W/m2时,采用电导增量算法仿真的光伏发电系统光伏组件的输出功率和负载得到的功率仿真波形对比图。

从对比上可以看出,在开始的一段时间里系统的振荡较大,之后系统趋于稳定。光伏发电系统能够在最短时间对MPP并对其进行跟踪,跟踪耗时约为0.024S。

在电池组件面板温度T=30℃、光照强度R=800W/m2的情况下,其相应的输出功率约为35.7331W,负载得到的功率约为36.5051W,跟踪精度达到97.89%。

4 结束语

本文利用Matlab搭建光伏电池阵列模型,将其仿真实验结果与实际情况相比较,验证了此光伏电池阵列模型的正确性。再通过Boost电路连接组建成基于电导增量法MPPT光伏发电系统的仿真模型,结果表明该仿真系统能较好地完成对最大功率点跟踪的工作,效率为97.89%,但在稳态特性方面存在较大的振荡,有待进一步改进。本文在模型搭建中,仿真模块都是分别封装的,可根据工程的实际需求进行改装与替换。

参考文献

[1]雷元超,陈春根,沈骏,等.光伏电源最大功率点跟踪控制方法研究[J].电工电能新技术,2004,23(03):76-80.

[2]YANG C,SMEDKEY K M.A cost effect-ive single-stage inverter with maximum power point track-ing[J].IEEE Transactions on Power Electr onics,2004,19(05):1289-1294.

[3]KWON M,KWOW B H K,NAM K H.Threephase photovoltaic system with three-level boosting MPPT control[J].IEEE Transactions on Power Elec-tronics,2008,23(05):2319-2327.

[4]傅望,周林,郭珂,等.光伏电池工程用数学模型研究[J].电工技术学报,2011,26(10):211-216.

[5]苏建徽,余世杰,赵为,等.硅太阳电池工程用数学模型[J].太阳能学报,2001,22(04):409-412.

[6]Platon Baltas,Marine Tortoleli,Paul E Russel.Photovoltaic Designer ASPVD[Z].Arizona State Uni-versity,Dept.of Electrical and Computer Engineering,1988.

[7]李鹰,康龙云,朱洪波,等.一种新型光伏发电系统最大功率跟踪算法[J].电气传动,2010,40(12):35-39.

[8]徐明亮,唐玉兰,徐德云.在线扰动优化光伏MPPT模糊控制器[J].计算机工程与应用,2012,48(01):216-218.

[9]Neil S.D’Souza,Luiz A.C.Lopes,XueJun Liu.Comparative study of variable size perturbation and observation maximum power point trackers for PV systems[J].Electric Power Systems Research,2010,(80):296-305.

[10]汤济泽,王丛岭,房学法.一种基于电导增量法的MPPT实现策略[J].电力电子技术,2011,45(04):73-75.

MPPT 篇2

摘要：本文介绍了一种新型的MPPT扰动算法，此算法采用分段扰动的方法来实现更高效的MPPT控制，并给出了实验方法。实验的结果表明，所作改进改进达到了目的。

关键词：MPPT控制；新型扰动法；太阳能利用

一、引言

在倡导新能源利用的今天，太阳能作为绿色环保清洁能源的潜在价值被人们越来越多的注意到，太阳能利用率也成为关注的重点。

自适应太阳能电池，是利用太阳能电池板的光伏特性，在闭环控制系统中完成能量由光到电的转换，并将其储存在蓄电池中的一种新型的能源利用方式。因此，使闭环系统在最大限度的利用太阳能资源的同时，顾及蓄电池和整个系统模块的工作效率，是我们需要解决的问题。MPPT技术在这一方面给予我们很好地帮助。

二、太阳能MPPT技术

（一）电路的基本结构。如图一电路利用太阳能电池板光伏特性把采集到的光能转化为电能传入电路，通过电路中由MCU控制的开关控制充放电。RL为负载或者蓄电池。

图一 太阳能电池工作简易电路

（二）普通MPPT干扰算法分析。通过实际工作时太阳能电池板的工作电压U和工作电流I可以得到实际的太阳能电板工作功率P。考虑太阳能电板所处的工作环境，其功率特性会经常受到外界因素的影响，譬如温度和光照强度，同时在电压达到一定值后，系统的工作特性会产生变化，导致电流减小，太阳能电板实际的工作功率也会减小。因此太阳能电板的功率P并非与工作电压U呈线性变化关系，而是一个类似开口向下的二次函数曲线，先增后减。我们将太阳能电池板放在一个确定外界因素的环境中，可以找到太阳能的最大功率点。要使系统保持在最大功率点，提高工作效率，需要引入MPPT技术。

如图二所示，在确定了外界环境后，一般情况下可以认为太阳能电池板工作在伏安特性曲线的工作点a的位置，工作功率记为Pa。显然a点并非整个太阳能光电转换系统的最大功率点位置，我们假设MPP点有整个系统最大的功率，为Pm，那么这时候就会出现两种状况：

（1）a点落在最大功率点之外未达到最大功率；

（2）a点与最大功率点重合得到最大功率。

图二 太阳能工作U-I曲线

基于（1）我们要做的就是使Pa向Pm靠拢，同时基于（2）我们则需要工作状态保持在Pm点。这个时候我们引入干扰型MPPT算法来实现对Pm的锁定。普通的扰动型MPPT算法是给系统添加扰动电压δV，通过电压的改变调节形同的工作功率，使整个系统逐步向最大功率靠拢。这种方法，在粗略的调节过程中可以实现工作功率向最大功率点靠拢的趋势，但是，单一不变的δV会导致系统工作功率无法在最大功率点附近，反而会产生一定的振荡，影响MPPT算法的实际效果。基于此，对扰动型MPPT进行改进，提出一种新型的MPPT扰动算法。

三、新型MPPT算法分析

（一）算法描述。由于光伏特性曲线在最大功率点附近曲线变化率不同，当扰动电压δV为固定值时，会影响扰动法的实际效果。新型的MPPT算法是通过采集太阳能系统的功率变化率K，确定一个得到K的拟合函数，辅以调节δV，以达到最佳的扰动效果。为了使算法得到最大程度的优化，而且一个固定的δV在系统工作功率远离最大功率点时，同样可以发挥效果。所以我们对整个扰动过程进行分段处理。本文设定一个工作功率和最大功率点之间差距|δP|的阈值￡来调节扰动所用的拟合函数。

通过对δV的调节，以一种非线性的关系逼近最大功率点，可以大大提高算法的实际效果。同时单片机组成的MPPT控制器会不断地将|δP|与￡进行比较，实时调节扰动设置。

（二）K值获取。通过对K值的研究，可以发现本次实验所用太阳能电池板在|δP|在0～2w范围内的时候，需要进行K值干扰（即￡=2w）。我们通过实际的采样得到了间隔为0.2w的采样点，如表一所示：

为了使|δP|-K的关系更清晰的表达，采用MATLAB软件对数据进行拟合，得到如下图所示图像：

同时我们得到了图五拟合曲线的一般函数表达式：

当X>￡时：扰动电压为δV；

当X>￡时：扰动电压为KδV。

通过观察这一曲线，可以得出固定的扰动无法达到精确实现MPPT功能的结论。K值扰动有其存在的合理与优越性，在实际中，可以通过误差允许范围内的函数关系式确定K值。

四、实验比较论证

（一）实验电路设计。实验使用直流电源辅以滑动电阻模拟太阳能电池，BUCK电路作为被控器件，可变电阻做负载，实验电路如图六所示。MPPT控制器控制DC/DC转换器的调节端。通过负载和电源内阻以及系统电压的调节来模拟测试 MPPT 的跟踪效果。

表二为两种MPPT方法的实验比较数据。

初态下：Va（即Vs）= 60V，W1=72Ω，W2=36Ω。通过DC/DC转换器与W2等效为一个电阻R，用以调节系统阻抗。当R=W1时，系统有最大功率，Vb=1/2Va。

由于单片MPPT控制器不断采集工作功率的参数与最大功率点进行比较，所以得到的Vb总是在一个较小的电压区域中反复变化。

将实验的结果反映在图七折线图中更加清晰地得到两种MPPT算法在实验中的表现，将负载电压Vb的上限和下限按照表二次序记录在图中，越靠近为30V的基准线，表示性能越优越，结果越准确：

五、结语

由表二和图七可知，改进型的MPPT扰动算法下所达到的最大功率点跟踪的效果更好。在折线图中新型MPPT扰动算法控制的系统明显更为平滑且更接近最佳状态（Vb=30V），由此可见新型MPPT扰动算法是一个成功的改良。这一改良能够使太阳能在能量转换时表现更高的效率，有效地提高了资源利用率，有着广泛且深刻的应用前景。

参考文献：

[1]闵江威.光伏发电系统的最大功率点跟踪控制技术研究[D].武汉：华中科技大学电气与电子工程学院，2006.

[2]刘莉，张彦敏.一种扰动观察法在光伏发电 MPPT 中的应用[J].电源技术，2010，134（2）：186- 189.

[3]朱湘临，廖志凌，刘国海.太阳能电池 MPPT 方法的初值问题及其实验研究[J].电力电子技术，2010，44（2）：7- 9.

[4]苏建徽，余世杰，沈玉等.硅太阳电池工程用数学模型，太阳能学报VOL.22 NO.4 OCT.2001：409-412.

[5]张玉平，石新春.一种新型光伏最大功率跟踪控制器实现[J].电力电子技术，2009，43（2）：14-16.

[6]司传涛，周林，张有玉.光伏阵列输出特性与MPPT控制仿真研究[J].华东电力，2010，8（2）：284- 288.

光伏电池建模及MPPT仿真研究 篇3

1 光伏电池的等效模型及特性

光伏电池是利用半导体材料的光伏效应制成的, 所谓光伏效应是指半导体材料吸收光能, 由光子激发出的电子-空穴对经过分离而产生电动势的现象[1]。当光照强度和环境温度一定时, 太阳能光伏电池是一种非线性直流电源, 其等效电路如图1所示。

由图1中各物理量的关系, 可得光伏电池的输出I-U特性为

式中:I为光伏电池输出电流;U为光伏电池输出电压;Iph为光生电流;Id为二极管饱和电流;q为电子的电荷量 (q=1.6×10-19C) ;Rs、Rsh分别为光伏电池的串联、并联电阻;A为二极管特性因子;k为波尔兹曼常数 (k=1.38×10-23J/K) ;T为光伏电池温度;Rs为串联电阻 (为低阻值, 小于1Ω) ;Rsh为并联电阻 (为高阻值, 数量级为kΩ) 。

考虑到温度和光照强度的变化, 一般用于Matlab建模的简化光伏电池数学模型如下[2,3]:

其中

当环境条件发生变化时, 新条件下光伏电池的输出特性参数 (开路电压Uoc'、短路电流Isc'、最大功率点对应电压Um'和最大功率点对应电流Im') 分别为

其中

式中:C1, C2为修正系数;S为当前光照强度;Sref为光照强度参考值, Sref=1000 W/m2;T为光伏电池境温度;Tref为光伏电池温度参考值, Tref=25℃;a为参考光照下的电流变化温度系数;c为参考光照下的电压变化温度系数;Isc为短路电流;Uoc为开路电压;Im, Um为最大功率点电流, 电压。

2 光伏电池的建模及仿真

建立模型后, 在相同温度不同光照条件下进行仿真, 取S=1000 W/m2;T=0℃;T=25℃;T=35℃;然后在相同光照不同温度条件下进行仿真, 取T=25℃;S=800 W/m2;S=1000 W/m2;S=1200 W/m2, 绘制了I-U、P-U特性曲线, 如图3所示。

由I-U曲线可知, 光伏电池的输出存在明显的非线性:当电压小于一定值时, 电流近似不变;当输出电压接近开路电压时电流迅速下降。此外光照强度的变化主要影响阵列短路电流, 而环境温度的变化主要影响开路电压[5]。由P-U曲线可知, 当外界自然条件改变时, 光伏阵列的输出特性将随之改变, 其输出功率及最大功率点亦相应改变, 并且对于一定的太阳辐照度和环境温度, 光伏电池的输出功率存在唯一的最大功率点。

3 MPPT仿真

常见的最大功率追踪方法中, 电导增量法具有良好的控制效果, 而现代智能优化算法中, 粒子群算法具有较高的搜索效率。但是粒子群算法也存在一些缺点:迭代后期收敛速度慢、寻优精度低以及容易陷入局部最优。对此, 本文对粒子群算法进行了改进, 并仿真研究了电导增量法及改进的粒子群算法。

3.1 电导增量法

根据太阳能P-U曲线可知, 在最大功率点处, 功率对电压的导数为零。因此, 有

当输出电导的变化量等于输出电导的负数值时, 光伏阵列工作点即为最大功率点, 这就是所谓的电导增量法[6,7]。

3.2 粒子群算法

粒子群算法[8,9]是一种基于生物智能的优化方法, 能快速地搜索出非线性函数的最优解。基本的粒子群算法可以阐述为:在一个D维的空间里, 设定有m个粒子, Xi= (Xi1, Xi2, …, Xid) 为第i个粒子 (i=1, 2, …, m) 的D维位置矢量, vi= (vi1, vi2, …, vid, …, vid) 为第i个粒子的飞行速度。在每一次迭代中, 粒子通过跟踪两个最优解来更新自己:一个是粒子本身目前搜到的最优位置Pbest, 即个体极值Pij= (Pi1, Pi2, …, Pid) ;另一个是整个种群迄今为止搜到的最优位置Gbest, 即全局最优解Pij= (Pi1, Pi2, …, Pid) 。在找到这两个最优值时, 粒子根据下面的公式来更新自己的速度和新的位置[10]:

式中:r1、r2为0到1之间均匀分布的随机数;c1、c2为学习因子, 起加速作用;ω为惯性因子, 起权衡局部搜索能力和全局搜索能力的作用。

3.3 粒子群算法的改进

3.3.1 对学习因子的改进

在粒子群算法中, 学习因子c1、c2可以使粒子具有自我总结和向群体中优秀个体学习的能力。在搜索过程中, 希望搜索的前阶段速度大, 学习因子c1取较大值, c2取较小值;希望在搜索的后阶段速度小, c1取较小值, c2取较大值。因此, 对c1和c2进行了改进, 公式如下:

式中:k是当前迭代次数, N是最大迭代次数。

由1.3+1.2cos x=2-1.2cos x, x[0, π], 解得x≈0.47π。因此, 当1≤k≤0.47N时, c1>c2;当0.47N≤k≤N时, c1<c2。

3.3.2 对压缩因子的改进

Clerc的研究表明使用压缩因子可以保证粒子群算法的收敛速度, 其中压缩因子φ是关于c1和c2的函数。算法公式如下:

式中c1、c2为学习因子。

通过以上改进措施, 增加了算法收敛到全局最优的可能性, 强化了算法的优化效果, 提高了算法的适用性。

3.4 系统建模及仿真

应用Matlab/Simulink工具构建光伏发电系统MPPT仿真模型, 如图4所示。

仿真中Boost电路参数L=220μH, C=100μF, 开关频率f=2 k Hz, 光照强度在0.1 s时由1000 W/m2下降为800 W/m2, 环境温度T=25℃, 扰动步为0.01。基于电导增量法、改进的粒子群算法的仿真波形如图5、图6所示。

从图5和图6可以看出, 应用电导增量法得到的MPPT仿真波形响应速度较缓慢, 搜索前阶段在0.04 s左右达到最大功率点;当光照突变时, 其响应时间为0.02 s。应用改进的粒子群算法得到的MPPT仿真波形稳态波动小, 寻优速度快, 搜索前阶段在0.02 s左右达到最大功率点;当光照突变时, 其响应时间为0.01 s。因此改进的粒子群算法能够同时兼顾系统对速度和精度的要求。

4 结语

通过对建立光伏电池模型在不同温度不同光照条件下进行仿真, 得到了光伏电池随光照强度与温度变化时的工作情况。同时以该模型为基础, 进行了MPPT仿真控制研究, 结果表明, 改进的粒子群算法能够快速跟踪最大功率点且减小光伏电池在最大功率点的震荡幅度, 具有出色的控制效果。

摘要：根据光伏电池数学模型, 在Matlab/Simulink环境下建立光伏电池仿真模型, 并在不同光照强度和环境温度条件下进行了仿真, 结果表明, 光伏电池的输出特性呈明显非线性并随环境温度和光照强度的变化而变化。此外, 对该模型结合MPPT模块, 实现对光伏电池最大功率点跟踪方面, 提出了一种跟踪速度快、稳态精度高的改进粒子群算法。经仿真试验表明, 该方法较传统方法具有明显的控制效果。

关键词：光伏电池,仿真模型,输出特性,MPPT,粒子群算法,电导增量法

参考文献

[1]刘荣.自然能供电技术[M].北京:科学技术出版社, 2000.LIU Rong.Natural energy supply technologies[M].Beijing:Science and Technology Press, 2000.

[2]MUTOH N, MATUO T, OKADA K, et al.Predicion-Data-Based Maximum-Power-Point-Tracking Method for Photovoltaic Power Generation Systems[C]//Power Electronics Specialists Conference, pesc02.2002 IEEE 33rd Annual, 2002, 3:1489-1494.

[3]王长江.基于MATLAB的光伏电池通用数学模型[J].电力科学与工程, 2009, 25 (4) :11-14.WANG Changjiang.General mathematical model of photovoltaic battery based on MATLAB[J].Electric Power Science and Engineering, 2009, 25 (4) :11-14.

[4]YUSHAIZAD Y, SITI H S, MUHAMMAD A L.Modeling and simulation of maximum power point tracker for photovoltaic system[C]//National Power&Energy Conference, 2004 (29-30) :88-03.

[5]禹华军, 潘俊民.光伏电池输出特性与最大功率跟踪的仿真分析[J].计算机仿真, 2005 (6) :248-252.YU Huajun, PAN Junmin.Simulation and analysis of the output characteristics of photovoltaic cells and the maximum power point tracking[J].Computer Simulation, 2005 (6) :248-252.

[6]汤济泽, 王丛岭, 房学法.一种基于电导增量法的MPPT实现策略[J].电力电子技术, 2011 (4) :73-75.TANG Jize, WANG Congling, FANG Xuefa.MPPT implementing strategy based on an incremental conductance method[J].Power Electronics Technology, 2011 (4) :73-75.

[7]李岚, 佟轶.光伏发电中光伏电池变步长导纳增量法最大功率追踪[J].电气技术, 2012 (6) :37-40.LI Lan, TONG Yi.Variable step incremental admittance method on maximum power point tracking of photovoltaic cells in photovoltaic system[J].Electric Technology, 2012 (6) :37-40.

[8]EBERHART K R C.Particle swarm optimization[C]//Proc IEEE international conference on Neural Networks.USA:IEEE Press, 1995:1942-948

[9]SHI Y, R C EBERHART R C.A modified swarm optimizer[C]//IEEE International Conference of Evolutionary Computation, Anchorage.Alaska:IEEEPress, 1998.

MPPT 篇4

关键词：光伏电池,MPPT,控制电路

0 引言

太阳能电池有着非线性的光伏特性, 所以即使在同一光照强度下, 由于负载的不同而输出不同的功率, 将其直接与负载相连是很不明智的, 一般来说都采用一个变换装置, 使太阳能的输出功率保持在它所能输出的最大状态, 再使它向负载供电。目前太阳能电池输出功率控制上主要利用CVT (Constant Voltage Tracking) 技术。

CVT控制方式具有控制简单、可靠性高、稳定性好、易于实现等优点, 比一般光伏系统可望多获得20%的电能, 较之不带CVT而直接和负载相连要有利得多。但是, 这种跟踪方式忽略了温度对太阳电池开路电压的影响。以单晶硅太阳电池为例, 当环境温度每升高1℃时, 其开路电压下降率为0.35%-0.45%。这表明太阳电池最大功率点对应的电压也随环境温度的变化而变化。

1 目前几种常用的MPPT控制方法

1.1 CVT式最大功率点跟踪

图1给出了不同日照强度下光伏阵列的I-V特性曲线。图中A, B, C, D, E各点分别为对应日照强度下的光伏阵列最大输出功率点。这些点基本上分布在一条直线U=U*两侧, 工程上可以近似认为不同日照强度下阵列的最大输出功率点逼近直线U=U*, 也就是说如果保证系统工作时光伏阵列的输出电压U=U*, 就可以保证光伏阵列具有对应日照强度下的最大功率输出。CVT式最大功率点跟踪中的给定电压值U*一般是通过经验值 (约为光伏阵列开路电压的75%) 并根据实测进行调整。

CVT式跟踪方式忽略了温度对太阳电池开路电压的影响。在实际的使用地点, 很多地方, 冬夏、甚至一天中晨昏与中午时分的温差都相当大, 日照强度也随之强烈变化。理论分析和实地运行数据都表明, 当环境温度从5℃到40℃变化时, 光伏阵列的最大功率点电压偏移可达30%甚至更多。CVT参考电压的选定将在很大程度上影响阵列的输出功率。在实际光伏发电站中, 若冬夏两季派人调整CVT参考电压值, 费工费事, 十分不便。

CVT控制的优点:

1) 控制简单、易实现、可靠性高。

2) 系统不会出现振荡, 有很好的稳定性。

3) 可以方便的通过硬件实现。

CVT控制的缺点:

1) 控制精度差, 特别是对于早晚四季温差变化剧烈的地区。

2) 必须人工干预才能良好的运行, 难于预料风、沙等的影响。

1.2 功率对电压的微分控制法

由图1可知, 太阳电池的输出电压在0-U*之间有且仅有一个极值点, 实际系统是连续可导的。那么如何对最大功率点跟踪器进行控制, 正确地寻找最大功率点即d P/d V=0的点就成为问题的关键所在。考虑到在一定误差范围内简化计算, 可近似得到d P/d V。

1.3 模糊逻辑控制

由于太阳光照强度的不确定性, 光伏阵列温度的变化, 负载情况的变化以及光伏阵列输出特性的非线性特征, 要实现光伏阵列最大功率点的准确跟踪需要考虑的因素是很多的。针对这样的非线性系统, 使用模糊逻辑控制 (Fuzzy Logic Control) 方法进行控制, 可以获得比较理想的效果。

在光伏发电系统中使用模糊逻辑方法实现MPPT控制, 可以通过DSP比较方便地执行, 其中控制器的设计主要包括以下几方面内容:

1) 确定模糊控制器的输入变量和输出变量。

2) 归纳和总结模糊控制器控制规则。

3) 确定模糊化和反模糊化的方法。

4) 选择论域并确定有关参数。

使用模糊逻辑方法进行光伏系统的MPPT控制, 具有较好的动态特性和精度, 具有十分广阔的应用前景。

2 其它MPPT方法

除了上述几种常用的MPPT方法, 还有其它多种方法可以实现光伏阵列最大功率点跟踪, 包括干扰观察法、最优梯度法等, 它们实现MPPT控制的原理都是类似的, 但具体实现方法各有差别。

在干扰关测法的基本设计思想中, 通过比较光伏阵列的两个工作点, 判断得到功率的变化方向从而决定工作电压的移动方向, 除了造成较大的扰动损失外, 还可能发生误判的现象。而且自然界中, 光照强度不会出现控制意义上的快速变化, 因此上述的扰动误差是可以避免的。例如:采用滞环比较法, 可以在光照强度快速变化时并不跟踪快速移动工作点, 而是在光照强度达到比较稳定后在跟踪到最大功率点, 从而减小了扰动损失。

最优梯度法是一种以梯度法 ( (Gradient Method) 为基础的多维无约束数值计算方法。它的基本思想是选取目标函数的负梯度方向 (对于光伏系统, 可能需要选择正梯度方向) 作为每步迭代的跟踪方向, 逐步逼近函数的最小值 (或最大值) 。梯度法是一种传统且广泛应用于求取函数极值的方法, 该方法运算简单, 有着另人满意的结果。

参考文献

[1]张森, 吴捷, 李金鹏.自适应算法在光伏发电系统最大功率追踪中的应用[M].电力电子技术, 2005, 39 (2) :50-52.

[2]袁立强.具有MPPT功能的光伏水泵系统的控制器的研究[D].清华大学硕士学位论文.

MPPT 篇5

电子技术的发展推动着能源技术的发展, 而在众多的能源技术中, 光伏发电具有许多其他能源所不具有的优势。在光伏发电系统中MPPT是必不可少的环节, 而算法已成为MPPT控制的核心, 传统的单点跟踪算法已经不能满足光伏电池板方阵输出多峰值的要求, 遗传算法使用概率搜索技术, 因此在恶劣的环境下, 仍能搜索到最大功率点, 但简单的使用遗传算法可能导致种群单调和早熟收敛的缺点[1]。特别是在大型的并网发电系统中, 由于光伏电池板方阵占地面积可达几平方公里[2], 因此输出的P-V曲线十分复杂, 传统的遗传算法很难应付, 有必要对遗传算法进行改进。

1 光伏电池板方阵模型

为了后续MPPT算法的研究, 有必要为光伏电池建立起数学模型, 通过这些数学关系来反应光伏电池各项参数的变化规律。等效电路如图1所示。

由图1可得光伏电池的输出特性方程[3]:

基于光伏电池的输出特性方程, 得到一种描述光伏电池伏安特性曲线的公式[4], 如下:

式中C1, C2分别如下:

其中:

式 (1) - (7) 中各参数表示的意义如下:

I:输出电流;V:输出电压;ISC:短路电流;UOCS:开路电压;Imp:参考条件下最大功率点电流;Vmp:参考条件下最大功率点电压;Rref:太阳辐射参考值, 一般为1 000 W/m2;Tref:光伏电池温度参考值, 一般为25℃;a:电流变化温度系数 (Amps/℃) ;b:电压变化温度系数 (V/℃) ;Bs:光伏电池的串联电阻;T:实时光伏电池温度;R:实时光照强度。

模型参数采用嘉盛公司生产的JS200D光伏电池阵列的参数值, 并将6块光伏电池阵列串联, 模拟光伏电池板方阵, 让其工作中不同的环境中, 用MATLAB仿真得到光伏电池板方阵的P-V特性曲线如图2所示。

2 Boost变换器模型

光伏电池板方阵的MPPT控制电路采用Boost变换器, 其拓扑结构如图3所示[5]。

通过将Boost变换器的状态空间模型行线性化处理后, 得到如下模型:

3 快速退火算法

模拟退火算法 (SA) 是一种启发式蒙特卡罗方法, 是能够在给定的模型空间内搜索目标函数找到全局极大值的算法[6,7]。步骤如下:

(1) 给定模型每一参数变化范围, 在这个范围内随机选择一个初始模型m0, 并计算出其相应的目标函数值E (m0) 。

(2) 对当前模型m0进行扰动产生一个新模型m, 计算其相应的目标函数值E (m) , 得到ΔE=E (m) -E (m0) 。

(3) 若ΔE>0, 则新模型m被接收, 若ΔE<0, 则新模型m按概率P=exp (-ΔE/T) 进行接收。T为温度。

(4) 在温度T下, 重复一定次数的步骤 (2) 和 (3) 。

(5) 缓慢地下降温度T。

(6) 重复步骤 (4) 和 (5) , 直到满足所需的收敛条件为止。

在上述算法的运行过程中, 扰动函数、扰动后参数的接收概率和降温方式对算法的性能起着决定性的作用[8], 快速退火算法功能正是基于对上述几个函数进行改进而实现的。

3.1 模型扰动

模拟退火算法中模型的产生是对当前模型进行扰动得到的。非常快速SA (VFSA) 采用依赖于温度的似Cauchy分布产生新模型, 即:

式中, mi为当前模型中的第i个变量, u为[0, 1]均匀分布的随机数, [Ai, Bi]为mi的取值范围, 且要求扰动后的mi'∈[Ai, Bi], sgn (X) 为符号函数。

采用该方法产生新模型能够在高温情况下进行大范围的搜索, 在低温时搜索仅在当前模型附件进行, 而且易于迅速跳出局部极值, 加快了模拟退火算法的收敛速度。

3.2 接收概率

经过对传统模拟退火算法接收概率公式的研究, 现给出一种新的接收概率公式, 如下:

式中ΔE为扰动得到的新模型的目标函数E (m) 与当前模型的目标函数E (m0) 之差, T为温度, h为实数。该接收概率公式的引入能够提高模拟退火算法的遍历性。

3.3 降温方式

非常快速模拟退火方法的降温公式, 如下:

式中, T0为初始温度, K为迭代次数, C为给定常数, N为待反演参数的个数。

4 快速退火化遗传算法

4.1 编码

将决策变量即占空比D进行编码, 现采用二进制编码, 将D表示成二进制变量, 二进制编码有助于后期对其进行交叉和变异操作。在编码过程中需要输入上下界和精度, 还有初始种群数量。

4.2 选择

选择操作是利用编码后得到的各个占空比的适应度即输出功率的大小, 淘汰一些较差的个体, 选出优良个体, 以进行下一步的交叉和变异。选择操作采用赌轮盘法, 即适应度大的个体被选择的概率就大, 适应度小的个体就容易被丢弃。基于适应度比例的选择策略, 个体i被选择的概率由下式给出:

式中Fi为个体i的适应度, N为种群个体的数目。

4.3 交叉

交叉操作是遗传算法的重要步骤, 它的目的是产生新的群体, 同时又要保证遗传信息的延续。现采用自适应单点交叉法来实现交叉操作, 即按每个个体的适应度大小来决定个体进入交叉池的概率, 进入交叉池的个体进行两两随机位的交叉, 采用二进制编码的个体的交叉就是将两两个体随机位的1和0代码交换, 最终形成新的个体和种群。

4.4 变异

对于进行二进制编码的个体而言, 变异操作就是改变个体二进制码的某些为的1, 0数值, 从而改变个体。大量的研究表明, 变异概率对算法性能的影响远比交叉概率大。因此, 变异概率的选取至关重要。变异概率大了, 遗传算法就演变成了随机搜索, 变异概率小了又会使遗传算法容易陷入局部最优解[9]。为了解决这一问题, 将自适应环节引入变异操作中, 即让优秀个体具有较小的变异率, 较差的个体具有较高的变异率。变异概率公式如下:

式中Pmi为第i个个体的变异率, mean (fitness) 为群体的平均适应度, max (fitness) 为群体中个体的最大适应度, fitness (i) 为第i个个体的适应度。

4.5 退火化

在上面对快速退火算法研究的基础上, 将其引入遗传算法中, 对种群中的个体进行快速退火化处理。在种群中个体分别进行选择、交叉和变异操作后, 在3、6、9代对其进行一次快速退火化处理, 快速退火化处理, 能够保持种群的多样性并加强位串之间的竞争, 又能加快遗传算法的搜索速度, 最终使遗传算法克服了易陷入局部最优的问题, 并朝着全局最优的方向搜索。快速退火化结束的条件为前后两次种群中最大适应度即输出功率的差值小于给定值。

4.6 替换

为使系统的输出始终保持上升趋势, 而不出现下降情况, 引入精英个体保存策略, 即在选择操作中保留最优个体的信息, 在种群退火化后用其替换种群中适应度最小的个体。

4.7 算法流程图

基于快速退火化遗传算法的MPPT算法的流程图如图4所示。

5 仿真结果

设定决策变量占空比D的上界maxvar=1, 下界minvar=0, 初始种群数popsize=20, 精度scalevar=0.01, 交叉概率pc=0.6, 变异概率pm=0.08, 遗传代数era=20, 快速退火结束约束条件ΔP=3W。算法将每一代中的最佳个体适应度即最大输出功率值进行保存并输出, 得到的仿真结果如下:

图5为取消快速退火环节的MPPT算法仿真输出曲线, 图6为引入快速退火环节的MPPT算法仿真输出曲线。

从图5可以看出, 群体的第1-4代搜索到了一个局部极值点, 即图2 P-V特性曲线的其中一个极值, 但是其并未困住, 在第5代就跳出了这个局部极值点, 跳跃到更大的极值点400.785 2附近, 最后趋于稳定, 由于采取精英个体保护策略, 因此输出功率的最大值并未出现下降的情况。从图6可以看出, 群体在第1、2代搜索到了一个局部极值点, 第3代由于进行了快速退火化处理, 使种群在第3代就跳出了局部极值点, 并搜索到了全局最大值, 最终输出趋于稳定。

6 结束语

通过以上对快速退火算法和快速退火遗传算法的研究, 分析了其应用在MPPT领域得到的仿真曲线, 验证了算法设计前的预想, 即将快速退火算法引入遗传算法中能够在不增加种群数量和遗传代数的情况下解决遗传算法产生的种群单调和早熟收敛的缺点, 使种群更快搜索到全局最大功率点。

保护水资源, 生命真永远。

节约用水, 从点滴开始。

爱惜生命之源, “关”住滴滴点点。

参考文献

光伏发电系统MPPT研究与仿真 篇6

关键词：MPPT,定电圧跟踪法,扰动观测法,电导增量法

当今世界正迅速地从工业化社会向低碳社会转化, 能源利用正向可持续发展方向转变, 因此发展绿色能源成为趋势。太阳能光伏发电由于其可再生性、清洁性等特点, 正在发展为全世界绿色能源组成中的重要部分。

最大功率点跟踪 (Maximum Power Point Tracking, MPPT) 技术是光伏发电高效利用的关键技术之一, 同时MPPT技术是光伏发电系统中的一个通用综合性技术, 涉及光伏阵列建模、优化技术、电力电子变换技术及现代控制技术等。因此, 在光伏发电系统中, 普遍采用MPPT技术, 以求高效利用太阳能。

1 变换器主电路

为了便于比较各种MPPT算法的优缺点, 本文建立统一的光伏发电系统模型, 如图1所示, 采用Boost变换器[1,2]、电阻性负载。为了便于分析几种MPPT算法最大功率跟踪的效率, Boost变换器中器件均采用理想器件。

2 光伏系统的最大功率点跟踪技术

2.1 定电圧跟踪法

定电圧跟踪[3,4,5] (Constant Voltage Tracking, CVT) 法是最早出现的光伏功率输出控制算法。在辐照度大于一定值并且温度变化不大时, 光伏电池的输出最大功率时其输出电压在某一值附近, 只要控制光伏电池输出电压在该电压处, 即可控制太阳能电池板输出最大功率。

进一步研究发现, 光伏电池最大功率点电压Umpp与光伏电池的开路电压Uoc之间存在近似的线性关系, 即

其中, 式1系数k1的值取决于光伏电池的特性, 一般取值大约在0.8左右。

CVT算法采用PI控制器, 给定值Umpp、太阳能光伏电池的输出电压Upv与PI调节器之间的关系如图2所示。

2.2 扰动观测法

扰动观测法[3,4,5] (Perturbation and Observation method, P&O) 是目前最常用、也是研究最多的一种MPPT方法。其工作原理是:先让光伏电池工作于一给定电压点上, 随后周期性地、微小定量地增加或减少光伏电池的输出电压△U或△I (扰动) , 根据扰动量的变化的方向及光伏电池输出功率变化方向, 再决定下一步扰动量的变化的方向。以此不断寻找、逼近光伏电池的最大功率点。

本文光伏发电系统的变换器采用Boost变换器, 将太阳能电池的扰动量由电压△U或△I改换为变换器开关管的导通占空比扰动量△D, 依据Boost的工作原理, 扰动观测法的算法原理流程如图3所示。

2.3 电导增量法

电导增量法[3,4,5] (Incremental Conductance, INC) 从光伏电池输出功率随输出电压变化率而变化的规律出发, 提出的MPPT算法。

光伏电池的功率电压 (P-U) 曲线可以看成一个单峰值的曲线, 在最大功率点出d P/d U=0。光伏电池的瞬时输出功率为

将式 (2) 两边对光伏电池的输出电压U求导, 则

当d P/d U=0时, 光伏电池的输出功率达到最大, 则可以推导出工作点位于最大功率点时需要满足以下关系

实际中以△I/△U近似代替d I/d U, 则使用电导增量法进行最大功率点跟踪时判据为

依据Boost的工作原理, INC的算法原理流程如图4所示。

3 仿真分析

为了验证CVT、P&O和INC等MPPT算法有效性及跟踪效率, 仿真时设置了太阳辐射强度变化及环境温度变化时太阳能电池最大功率输出跟踪效果。其他仿真参数为:仿真时间步长10-6s, 采样时间步长10-4s, 开关管的开关频率50k Hz, 开关管导通占空比扰动步长为0.001。

CVT、P&O及INC等MPPT算法借助Visual C++编程生成的动态链接库文件及PSIM的DLL模块实现, PSIM的DLL模块如图5所示。

图6、图7、图8分别为CVT、P&O和INC算法在25℃时功率跟踪波形图。

图9、图10、图11分别为CVT、P&O和INC算法在35℃时功率跟踪波形图。

4 结束语

由以上仿真波形可知, CVT法实际上是一种开环的MPPT算法, 控制简单快速, 但是由于忽略了温度对光伏电池输出电压的影响, 因此温差越大, 跟踪最大功率点的误差也越大。P&O和INC算法跟踪最大功率点均不存在温度影响, P&O具有控制概念清晰、简单、被测参数少等优点, 但P&O法中电压初始值及扰动占空比 (扰动电压) 步长对跟踪精度和速度有较大影响, 且存在跟踪振荡问题;INC算法控制精度高、响应速度快, 光伏电池输出电压能够以较平稳的方式跟踪变化, 而且稳态的振荡比P&O小, 其缺点是对控制系统的硬件 (如传感器的精度等) 要求比较高。

参考文献

[1]王兆安, 刘进军.电力电子技术[M].5版.北京:机械工业出版社, 2009.

[2]张占松, 蔡宣三.开关电源的原理与设计[M].北京:电子工业出版社, 2006.

[3]张兴, 曹仁贤.太阳能光伏并网发电及其逆变控制[M].北京:机械工业出版社, 2011.

[4]魏学业, 王立华.光伏发电技术及其应用[M].北京:机械工业出版社, 2013.

MPPT 篇7

1 光伏阵列特性分析

光伏电池的简化等值电路如图1所示,由理想电流源Iph、反向并联二极管、串联电阻Rs和并联电阻Rsh构成,各变量的电气特性为

式中,I和V是光伏电池的输出电流和输出电压;Io是二极管反向饱和电;n是pn结的曲线常数;k是玻尔兹曼常数;T为温度;Rs为串联电阻;Rsh为并联电阻。

由式(1)可见,光伏电池是一种非线性直流电源。在式(1)的基础上结合文献[2]在Matlab/Simulink下建立光伏电池特性仿真模块,如图2所示。

模型参数开路电压44.2 V;短路电流5.2 A;峰值电流4.95 A;峰值电压35.2 V;串联电阻0.5Ω;开路电压温度系数-0.55%/℃。控制电池板的输出电压V,当输出V从0增加到Voc时,分别在不同的光照条件和温度下,光伏阵列U-I与P-V仿真曲线如图3和图4所示,温度是影响最大功率点电压的主要因素,且两者成反比关系;光照是影响输出电流的主要因素,且成正比关系。

2 算法设计

2.1 粒子群优化算法

粒子群算法(Particle Swarm Optimation,PSO)是一种新兴的群智能优化算法,其基本思想是通过群体中个体之间的协作与竞争来寻找最优解,群体中的每个个体不仅可从自身的经验中受益,且可从相邻个体以往的经验中受益。因此,PSO算法不仅有局部优化能力也有全局优化能力。

PSO算法首先在可行解空间中初始化一群粒子,每个粒子均代表极值优化问题的一个潜在最优解,用位置、速度和适应度值3项指标表示该粒子特征。适应度值由适应度函数计算得到,其值表示粒子的优劣。粒子在解空间中运动,通过跟踪个体极值pbest和群体极值gbest更新个体位置[5],即

其中,w为惯性权重;c1和c2为学习因子;r1和r2∈(0,1)为两个独立的随机数。

2.2 基于温度系数的改进恒定电压法

环境的变化为外界的温度与光照变化,上面的光伏特性分析可知光照主要影响输出电流的大小,而对于最大功率点电压影响较小,因此基于温度与Um可大致确定一电压Um*,Um为标准测试条件下的最大功率点电压,可在厂家提供的数据中获得;此处取开路电压温度系数为-0.55%/℃,即

而光照会影响光伏板的温度,光照与温度的关系为:T=Tair+ksΔS,参照光照强度为1 000 W/m2,ΔS=S当前-1 000为光照变化量。因此以温度变化作为跟踪启动的条件是可行的,其可同时反映环境温度变化与光照强度变化[1]。

2.3 MPPT算法设计

每次光照与温度的变化均通过检测的温度来反映,以当前的温度确定Um*,在Um*的基础上结合POS算法进行进一步优化,找到更接近实际最大功率点的电压Uo。

Step1实时采样温度、电压和电流,通过式(4)和式(5)确定Um*。

Step2在区间[Um*-1,Um*+1]中随机初始化m个粒子,且随机初始化粒子速度。

Step3适应度值计算,即计算输出功率。

Step4寻找个体极值与群体极值。

Step5按式(2)和式(3)更新粒子速度与位置。

Step6粒子适应度值计算。

Step7个体极值与群体极值更新。

Step8判断是否满足终止条件,若满足则结束,不满足则跳转至Step5继续执行。PSO执行结束后判断最大工作点电压是否为区间[Um*-1,Um*+1]两端点电压,若是则以当前最优点电压代替Step1中的Um*,重新启动Step2计算;若不是则以此时全局最优值确定的电压Uo工作;此处应注意,只要输出与两端点的电压差值小于设定值即可;就认为输出是端点电压,这是为了防止最大功率点不在[Um*-1,Um*+1]区间而设置的条件。

Step9检测当前温度是否与上次温度值相等,不等则重新启动Step1;此处可按照实际的工作要求选择是否启动PSO循环部分,若精度要求高则启动PSO循环部分,若精度要求不高,也可在之前最大功率点的基础上由式(4)确定新的最大功率点,但初始时必须启动PSO循环[6,7]。

3 算法仿真

在Matlab中编写PSO算法的M文件,通过编程的方式实现Simulink与M文件的数据交换,并输出数据到Matlab工作空间,最终绘制的功率跟踪曲线如图5所示。

因实际的应用中光照的变化会影响光伏板的温度,而在仿真时光照与温度因素是分开考虑的,因此当光照变化时跟踪曲线如图5中间段所示[8,9,10]。

4 结束语

本文在其他文献的基础上结合恒定电压法与粒子群优化算法,实现了光伏最大功率点跟踪的控制方法,并阐述了该方法的实现,且分析了其原理,同时对设计方案进行了仿真。仿真结果表明,该控制方法能有效地实现最大功率点的跟踪,验证了该方法的正确性和可行性。为光伏发电系统的最大功率跟踪控制提出了

摘要：针对光伏发电系统最大功率点跟踪恒定电压法跟踪精度较低的缺点,提出了基于温度系数在线修正的改进恒定电压法与粒子群优化结合的光伏MPPT算法,即在系统偏离最大功率点时,采用改进恒定电压法快速确定一个新的工作点,再采用粒子群优化进行最大功率控制,使得MPPT确保跟踪速度的同时又提高了跟踪精度。最后通过Matlab/Simulink对该算法进行了仿真,结果表明该控制系统可快速跟踪最大功率点。

MPPT 篇8

关键词：光伏阵列,最大功率跟踪,模糊控制,扰动观察法

0 引言

光伏发电正在由“补充能源”逐渐向“代替能源”转变,其已成为全球研究发展的前沿。但如何提高光伏发电的效率和品质是有待深入研究的重要问题。

光伏电池的输出功率易受太阳光照强度和温度的影响,在光照强度和温度一定的条件下,光伏电池的输出电压和输出电流之间具有非线性的关系,且有唯一的最大功率点。最大功率跟踪(MPPT)的目标是使光伏电池在光照强度和温度变化时保持最大功率输出。

目前用于光伏电池MPPT的方法主要有:恒电压法、扰动观察法、增量电导法、最优梯度法、间歇扫描法、模糊逻辑控制法和神经网络等。研究了光伏阵列的非线性功率输出特性,基于Matlab simulink/Power system建立了光伏阵列仿真模型,并对基于模糊控制采用扰动观察法的光伏发电MPPT进行了仿真。

1 光伏阵列仿真

传统的光伏电池等效电路表达式中因含有多个难以确定的参数,故不实用。文献[1]给出了面向工程实际的光伏电池简化数学模型[1]:

I=Isc{1-C1{expOC)}-1} (1)

C1=(Um/Uoc-1)expM/(C2UOC) (2)

C2=(Um/Uoc-1)LN(1-IM/ISC)-1 (3)

当光照强度和温度发生变化时,由以下公式计算式(1)至式(3)中的参数[1]:

T=Tair+K×S (4)

ΔT=T-Tref (5)

undefined

undefined

U′oc=Uoc(1-cΔT)(1+bΔS) (8)

undefined

U′m=Um(1-cΔT)(1+bΔS) (10)

式中: Sref——参考日照强度,(1000W/m2);

T=25℃—— 实际光照强度,(W/m2);

Tref—— 参考电池温度,(25℃,298K);

Tamb—— 环境温度,K;

ΔS—— 实际光照强度与参考光照强度的差值,(W/m2);

ΔT—— 实际电池温度与参考电池温度的差值,K;

K—— 光照强度变化时,光伏电池阵列的温度系数,典型值为0.3℃⌷m2/W;

I′sc—— 光照强度S下、电池温度T时,光伏电池短路电流,A;

U′oc—— 光照强度S下、电池温度T时,光伏电池开路电压,V;

I′m—— 光照强度S下、电池温度T时,光伏电池最大功率电流,A;

U′m—— 光照强度S下、电池温度T时,光伏电池最大功率电压,V;

a,b,c为常数,推荐的典型值为:a=0.0025,b=0.5,c=0.00288。

依据式(1)至式(3),考虑光照强度、环境温度等变化对光伏电池的影响,基于Matlab Simulink/Power System所建立光伏电池仿真模型如图1所示。现选仿真的光伏电池阵列为Suntech的STP040S-12/C,其Um为17.2V,Im为2.33A,Uoc为21.5V,Isc为2.5A,将两块串联后Um为34.4V,Im为2.33A,Uoc为43V,Isc为2.5A。

根据仿真模型对不同光照强度和温度下光伏电池特性进行了仿真。图2为光照S=1000W/m2不变,温度变化时的I-V和P-V仿真曲线;图3为温度T=25℃不变,光照变化时的I-V和P-V仿真曲线。

由图2和图3可见,光伏电池阵列的特性与光照强度和温度紧密相关。

2 基于模糊控制的干扰观察法

干扰观察法的思路是实时采样光伏电池的输出电压和电流,计算本次采样的输出功率,然后与前次测得的功率进行比较,如果小于前次功率值,应控制输出电压按相反方向改变,否则,维持原来输出电压增大或减小的方向不变。实际应用中,可通过改变PWM信号的占空比调整输出电压,达到随输出功率变化而调整的目的,使光伏电池始终工作在最大功率点,如图4所示。

通过占空比来调整最大输出电压的同时,需要考虑占空比调整的步长。步长过大,输出功率波动加大,精度达不到要求,稳态误差变大;步长过小,跟踪时间长,易在最大功率点附近反复振荡,系统动态性能变差。因此,可利用模糊控制器来调整占空比,使其最终实现自适应寻优的效果。

将光伏电池的输出功率作为模糊控制器的目标函数,控制PWM信号的占空比,光伏电池第n时刻的输出功率变化量以及n-1时刻的占空比步长值作为模糊控制器的输入量,结构如图5[2]。

图中e(n)表示第n时刻与第n-1时刻输出功率之差的实际值,E(n)表示e(n)对应于模糊集论域中的值,a(n)表示第n时刻步长的实际值,A(n)表示a(n)对应于模糊集论域中的值,D(n)和D(n-1)分别表示第n和第n-1时刻的占空比,Ke为量化因子,Ka为比例因子。该结构在每个寻优周期开始,首先计算本时刻输出的功率值 P(n),然后将P(n)和前一时刻P(n-1)的差值e(n)和前一时刻步长a(n-1)作用于模糊控制器的输入端制规,经过量化及模糊化处理后变换为模糊集论域中的变量E(n)和A(n-1),查模糊控制规则表,获得本时刻寻优的步长值A(n),经论域反变换得占空比增量a(n),其与前一时刻的占空比相加得下一时刻的占空比,以调节光伏电池的输出电压,直到下一寻优周期开始。上述过程反复进行,直到输出电压调节到光伏电池的最大功率点电压为止。

3 基于模糊控制的扰动观察法仿真

定义语言变量E(n),A(n-1),A(n)分别为8个,6个,6个模糊子集,其论域均为{-6,+6}。由定义的语言变量的模糊子集和模糊控制器所要达到的目的确定模糊控制规则如表1所示。

在Matlab模糊工具箱中,选择Mamdani 型控制器,解模糊的方法采用重心法。

利用Matlab simulink/Power system建立的基于模糊控制的光伏阵列MPPT仿真系统如图6所示。其中光伏阵列模块为图1所构建的光伏电池仿真模型经封装后的模块;模糊控制器模块的输入为第n与第n-1时刻的功率差值以及第n-1时刻占空比D的步长值,输出为第n时刻占空比D的步长值。分别利用传输时延(transfer delay)模块来实现第n与第n-1时的输出功率与占空比D。Ke,Ka分别取为100,0.01。

在光伏电池表面温度为25℃,光照强度从500W/m2跃变到1000W/m2条件下,占空比D及功率P输出仿真波形如图7所示。

从图3和图7可见利用模糊控制在不同状态下实时地调整和确定最大功率跟踪法的步长是可行的,模糊控制应用于最大功率点的跟踪不仅能提高跟踪的速率,而且在到达最大功率点附近不会产生大的振荡,波动较小,具有良好的动、静态性能。因此,将传统的MPPT方法与模糊控制及其他智能控制方法相结合是提高光伏发电质量和效率的一种有效途径。

参考文献

[1]苏建徽,等.硅太阳能工程用数学模型[J].太阳能学报,2001,(22):409-412.