一种光伏电池局部阴影条件下的复合MPPT跟踪方法
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种太阳能电池最大功率跟踪控制的复合MPPT控制方法。
背景技术
传统化石能源的利用会造成环境污染，并面临资源枯竭，在未来5-10年,能源革命席卷全球，太阳能是可再生能源利用增长较快的领域之一。
光伏发电系统中实现单峰值的最大功率点跟踪的传统控制方法有扰动观察法、电导增量法、开路电压法等。但是在局部阴影下，光伏发电系统存在多峰值特性，控制光伏发电系统以此来保持其最大功率输出是光伏发电系统提升效率的关键。在实际生活中，由于遮蔽影响，光伏电池会依据自身特性和阴影分布呈现多峰值的特性。传统控制方法在解决多峰值问题时，往往会陷入局部的最优解，使光伏发电系统整体的发电效率降低。因此，对多峰值光伏最大功率跟踪问题的研究具有非常重要的现实意义。
近年来，针对局部阴影下光伏电池的特性和多峰值最大功率跟踪的控制算法，已经有了大量的研究。刘邦银、杨元培分别建立了局部阴影下光伏电池的数学模型，分析了光伏阵列在不同光照强度、遮挡模式、阴影分布下的输出特性。李文强提出全局搜索和电导增量相结合的方法，通过阈值的合理选取能够快速准确地找到最大功率点。但是参数的选取需要大量的实验数据，存在误差。标准粒子群算法作为一种能够全局搜索的智能算法具有搜索能力快、不容易陷入局部最优的特点，但是由于算法权重值设置的原因，使其在追踪过程中容易陷入局部最优值；变步长扰动算法简单，对单一峰值追踪精度高，稳定性好，但在局部阴影中由于多峰值原因使算法容易陷入局部最优值。
因此，借助最大功率点追踪控制的关键技术，使光伏阵列避免受局部阴影的影响，优化系统结构，提高系统的跟踪效率，是解决能源危机的重要途径。
发明内容
针对现有技术不足，本发明提供了一种优化的粒子群结合变步长电导增量的复合MPPT控制算法。本发明能够有效利用优化的粒子群优化算法(Optimized Particle swarmoptimization，OPSO)与变步长电导增量法(Variable Incremental Conductance,VINC)结合的MPPT控制算法，并将该算法应用在Boost变换器中，首先，建立光伏电池电压模型以及升压电路模型，采集光伏电池的输出电压和电流，其次针对传统的粒子群优化算法的缺陷和不足通过对权重因子ω、最大搜索速度VMAX、粒子数目Np和粒子搜索顺序进行设计和改进，进一步准确快速的找到最大功率点(MPP)。具体技术方案如下：
一种光伏电池局部阴影条件下的复合MPPT跟踪方法，包括如下步骤：
步骤1，将粒子群算法中的权重因子调节为自适应权重因子ω，该自适应权重因子ω的大小受粒子在搜索空间中的传播速度影响；
步骤2，在局部阴影条件中的P-U曲线下，得到合适的跟踪速度Vmax以及粒子数目Np；
步骤3，针对粒子搜索顺序对输出电压波形以及收敛期间功率损耗的影响，对粒子搜索顺序进行相应调节；
步骤4，在利用优化的粒子群算法参数和搜索顺序追踪到最大功率点附近后，再利用变步长电导增量法准确寻找到最大功率点。
进一步，所述步骤1中自适应调节权重因子的表达式为：
进一步，所述步骤2的Vmax的设置是通过实验比较法获得最佳值。
进一步，所述实验比较法具体如下：
首先在单峰光伏中，对10个光伏电池进行局部遮阴，设置3种不同的光强模式，分别为遮阴6,3,0个光伏电池，此时光伏阵列功率峰值彼此偏移了80％Voc的整数倍，表明两个峰值间的最小可能位移为0.8×Voc；
其次在多峰值条件下进行此速度系数的验证，在三峰值阴影环境下分析得到，当系数小于0.8时，能够收敛到最优，但是收敛时间变长；当系数大于0.8时，Vmax增加，收敛时间缩短，但最优值精度不够，算法无法追踪到最优值，在局部峰值附近摆动；因此综合考虑收敛时间和最佳功率，Vmax的系数选择为0.8。
进一步，所述步骤2中粒子数目Np的设置是通过实验比较的方法获得最佳值；其最佳值为Np＝3。
进一步，所述步骤3的粒子搜索顺序包括3种：
搜索顺序1：先按照粒子从位置d1到d2再到d3的顺序，再次迭代时，粒子的跳变顺序是从第一个粒子的d2位置到另一个粒子的d2位置，粒子上的位置仍是d1到d2再到d3，其余粒子的搜索顺序同上一粒子，如此构成一个迭代周期，在每个迭代周期中电压波形都存在一个波峰及波谷；
搜索顺序2：开始粒子搜索顺序依然是位置d1到d2再到d3位置，但是与顺序1的区别在于粒子再次迭代时的搜索顺序是从d3位置到另一粒子的d3位置，之后迭代时粒子的搜索顺序是从第二粒子的d1位置到第三粒子的d1位置，构成一个迭代周期，这一搜索顺序电压波动缓慢；
搜索顺序3：粒子是从d1位置到d3位置再到d2位置，之后迭代依然是d1到d3再到d2，只是粒子间是从d2位置到d2位置，然后第三次迭代粒子间是从d1位置到d1位置，如此构成一个迭代周期，这一搜索顺序的波动最为缓慢。
进一步，在三种搜索顺序中，当连续两个采样粒子间存在局部极值点，输出电压波形会存在少量毛刺，随着极值点的增多，毛刺对应增多，此时假设并联的光伏阵列二极管的数目为n，则局部极值点最多为n，且顺序1<2n，顺序2<n，顺序3>n，从功率损耗、电压波动程度、以及毛刺数量这三个方面进行考虑，此时选择粒子搜索顺序按照顺序2进行搜索为最佳。
进一步，所述步骤4的具体实现包括如下：
步骤4.1，计算搜索到最大功率点附近时的电压变化量dU＝Ui-Ui-1、电流变化量dI＝Ii-Ii-1以及功率变化量dP＝dUi×dIi-dUi-1×dIi-1，由功率特性P-U曲线可知，最大功率点MPP两侧曲线变化规律不同，在相同功率条件下，MPP左侧曲线的|dP/dU|数值比右侧小，变化缓，并且越接近MPP，|dP/dU|越小，越远离MPP，|dP/dU|越大；
步骤4.2，根据dU和dI的数值判断当前功率点的位置和距离，在判断当前功率点在MPP左侧或右侧后，引入控制步长的阈值K1、K2作为判据以确定步长，其中K1<|dP/dU|,K2<|dP/dU|；利用dP与dU的乘积的绝对值与阈值进行比较，当前功率点若在MPP左侧且乘积大于阈值K1，以N11|Dp/dU|作为步长趋向最大功率点；若乘积小于等于K1，以N12|dP/dU|作为步长趋向最大功率点。
步骤4.3，若当前功率点在MPP右侧，且乘积大于K2，以-N21|dP/dU|作为步长趋向最大功率点；若乘积小于等于K2，以-N22|dP/dU|作为步长趋向最大功率点；
步骤4.4，在dU＝0的情况下，若dI>0，以N31ΔU为步长趋向最大功率点，若dI<＝0,以-N32ΔU为步长趋向最大功率点；当dU＝0，dI＝0时，则达到最大功率点；
上述N11、N12、N21、N22、N31和N32为最大功率点左右两侧调整步长的比例系数，ΔU为固定步长。
本发明的有益效果：
本发明克服了稳态不收敛和陷入局部极值的问题，对结构进行了调整，对参数进行了优化，提高了跟踪速度以及动稳态跟踪性能。具体的优点包括如下：
1本发明利用优化的粒子群优化算法与变步长电导增量法相结合来对系统结构和参数方面进行了合理的调整，与传统的粒子群优化算法相比，缩短了粒子跟踪的时间并且由粒子在搜索空间中的传播速度提出了自适应权重因子，进一步提高了粒子追踪的效率。
2本发明解决了在P-U曲线中的峰值较大且粒子之间的初始距离较大时，更新速度可能达到较大的值，导致粒子跳过峰值的问题，提出了速度更新幅值最大值的限值，保证了在利用变步长电导增量法时粒子不会跳过最大功率点。
3本发明依据波形变化以及迭代周期的波峰波谷提出了一种新的粒子搜索顺序。
4本发明在传统的粒子群优化算法中加入了迭代和重启的思想，通过非线性调整步长的大小，电压在经过不断迭代后，逐渐逼近最大功率点，经过迭代后不满足小于ε值，则对算法重启
附图说明
图1为本发明变步长电导增量算法的流程图。
图2为本发明优化粒子群算法结合电导增量算法的流程图。
图3为本发明与变步长电导增量法比较的仿真效果示意图。
图4为3种不同的搜索顺序示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提出的一种新型复合的最大功率点跟踪算法，加入了传统粒子群中迭代和重启的思想，提出了自适应权重因子，有效提高了跟踪精度，实现快速稳定高精度的跟踪光伏电池的最大功率点。
本发明提出的优化粒子群算法结合电导增量算法的复合最大功率点跟踪(Maximum Power Point Tracking,MPPT)方法，如图2所示，该方法包括如下步骤：
步骤1，利用优化的粒子群算法较精确的寻找到全局最优值附近，在局部阴影条件下，调节权重因子ω的值；当所有粒子汇聚到全局最大功率点(General Point,GP)附近时,粒子产生持续震荡，这是由粒子的速度具有非零值以及传统粒子群算法的权重因子保持不变所造成的。为了减少其对算法收敛的负面影响，即迅速找到GP，因此本发明提出一个自适应权重因子ω，
步骤2，在局部阴影条件中的P-U曲线下，寻找到一个合适的跟踪速度Vmax。Vmax的设置是通过实验比较的方法获得最佳值。首先在单峰光伏中，对10个光伏电池进行局部遮阴，设置3种不同的光强模式，分别为遮阴6,3,0个光伏电池，结果表明光伏阵列功率峰值彼此偏移了80％Voc的整数倍，表明两个峰值间的最小可能位移为0.8×Voc。其次在多峰值条件下进行此速度系数的验证，在三峰值阴影环境下分析得到，当系数小于0.8时，算法依然可以收敛到最优，但是收敛时间变长；当系数大于0.8时，Vmax增加，收敛时间缩短，但是最优值精度不够，算法无法追踪到最优值，在局部峰值附近摆动。因此综合考虑收敛时间和最佳功率，Vmax的系数选择为0.8。当更新速度较大时，可能一些粒子跳过一些中间峰值，而这些峰值中可能会有GP。同时，粒子数目Np也是本发明中优化算法的重要参数，也是通过实验比较法得到一个最佳粒子数目值。较多粒子数目算法更容易收敛，但同时会降低搜索的速度。而少量的粒子能保证收敛的同时会更大程度提高粒子搜索的速度，从而降低功率的损耗。当粒子数目设置为3以下时，收敛速度达到要求，但是收敛精度不能得到保证；当数目为3以上是粒子的收敛时间显著增大，功率损耗变大。综合考虑收敛精度、时间以及功率损耗，粒子数目设置为3最合理。
步骤3，为了减小粒子搜索顺序对输出电压波形以及收敛期间功率损耗的影响，本发明中对粒子搜索顺序行了相应调节。
步骤4，在利用优化的粒子群算法(Optimized Particle Swarm Optimization,OPSO)追踪到GP附近后，再利用变步长电导增量算法进行追踪。
更为具体的，其具体实现过程如下：
上述步骤1中：将粒子群算法中的权重因子调节为自适应权重因子ω，且自适应权重因子的大小受粒子在搜索空间中的传播速度影响，即
上述步骤2中：在局部阴影条件下，为了避免粒子速度较大，而跳过一些中间峰值(可能这其中会有全局最大功率点GP)，因此更新速度最大值限制为：Vmax＝0.8×Voc/N；其中N为粒子数目。当修正了最大搜索速度Vmax后，即能确保在优化的粒子群算法中不会遗漏掉任何峰值。
上述步骤3的具体实现如下：
当粒子搜索顺序为图4所示，在顺序1时，粒子d1到d2再到d3，再次迭代时，粒子的跳变顺序是从第一个粒子的d2位置到另一个粒子的d2位置，粒子上的位置仍是d1到d2再到d3，其余粒子的搜索顺序同上一粒子，如此构成一个迭代周期，在每个迭代周期中电压波形都存在一个波峰及波谷；当在顺序2时，开始粒子搜索顺序依然是d1到d2再到d3位置，但是与顺序1的区别在于粒子再次迭代时的搜索顺序是从d3位置到另一粒子的d3位置，之后迭代时粒子的搜索顺序是从第二粒子的d1位置到第三粒子的d1位置，构成一个迭代周期，这一搜索顺序电压波动缓慢；在顺序3时，粒子是从d1位置到d3位置再到d2位置，之后迭代是依然是d1到d3再到d2，只是粒子间是从d2位置到d2位置，然后第三次迭代粒子间是从d1位置到d1位置，如此构成一个迭代周期，这一搜索顺序的波动最为缓慢。由于连续两个采样粒子间存在局部极值点，输出电压波形会存在些许毛刺，随着极值点的增多，毛刺对应增多，假设并联的光伏阵列二极管的数目为n，则局部极值点最多为n。在搜索过程中顺序1的局部极值点小于2n，顺序2的局部极值点小于n，顺序3的局部极值点大于n，同时从功率损耗、电压波动程度、以及毛刺数量这三个方面进行考虑，可以得到粒子搜索顺序按照顺序2进行搜索最佳。
上述步骤4的具体实现如下：
在利用优化的粒子群算法(Optimized Particle Swarm Optimization,OPSO)追踪到GP附近后，再利用变步长电导增量算法进行追踪。具体方法如下：
如图1所示，首先计算此时的电压变化量dU＝Ui-Ui-1，其中Ui是指i位置时的电压，Ui-1是指i-1位置时的电压；电流变化量dI＝Ii-Ii-1，其中Ii和Ii-1分别指的是i位置时的电流以及i-1位置时的电流以及功率变化量dP＝dUi×dIi-dUi-1×dIi-1，由功率特性P-U曲线可知，最大功率点(MPP)两侧曲线变化规律不同。在相同功率情况下，MPP左侧曲线的|dP/dU|数值比右侧小，变化缓，并且越接近MPP，|dP/dU|越小，越远离MPP，|dP/dU|越大。根据dU和dI的数值判断当前功率点的位置和距离。在判断当前功率点在MPP左侧或右侧后，引入控制步长的阈值K1、K2作为判据来确定步长，其中K1<|dP/dU|，K2<|dP/dU|。利用dP与dU的乘积的绝对值与阈值进行比较，当前功率点若在MPP左侧且乘积大于阈值K1，以N11|dPdU|作为步长趋向最大功率点；若乘积小于等于K1，以N12|dP/dU|作为步长趋向最大功率点。若当前功率点在MPP右侧，且乘积大于K2，以-N21|dP/dU|作为步长趋向最大功率点；若乘积小于等于K2,以-N22|dP/dU|作为步长趋向最大功率点。在dU＝0的情况下，若dI>0,以N31ΔU为步长趋向最大功率点，若dI<＝0,以-N32ΔU为步长趋向最大功率点。其中N11、N12、N21、N22、N31和N32为最大功率点左右两侧调整步长的比例系数，ΔU为固定步长。当dU＝0，dI＝0时，则可认为达到最大功率点。
仿真结果
为了验证本发明提出的复合MPPT算法的有效性，在Matlab/Simulink软件环境下对复合MPPT算法与变步长ICN算法进行仿真对比。设置相关参数为：温度为25℃，光照强度为800W/m2的局部阴影环境下，阈值K1＝2，K2＝4，N11＝0.02，N12＝0.002,N21＝0.01,N22＝0.001,N31＝0.01，N32＝0.02。仿真结果如图3所示，起始阶段VINC算法用时0.169s将输出功率稳定在136.2W，波形震荡较大，稳定性较差；随着光照强度从800W/m2增加到1000W/m2，系统经过0.127s再次稳定至新的最大功率176.1W，过渡过程中振荡幅度为15.2W；本发明提出的OPSO算法在起始阶段系统用时0.136s将输出功率稳定在138.2W，波形震荡较小；当光照强度跃变时，二次跟踪到最大功率点用时0.058s，最大输出功率稳定在176.1W，过渡过程中振荡幅度为7.8W。在光照强度变化的情况下，系统采用本发明提出的OPSO算法跟踪新的最大功率点所需的时间，相于VICN算法缩短了54.3％，振荡幅度降低了48.7％。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
