一种高效的光伏发电系统的最大功率实时跟踪方法
技术领域
本发明涉及光伏发电控制技术领域，具体涉及一种基于新型蚁群算法和变步长型电导增量法的最大功率点(Maximum Power Point，MPP)实时跟踪的控制方法。
背景技术
随着化石能源的急剧消耗以及环境污染的逐渐加重，可持续发展理念逐渐深入人心。太阳能作为一种清洁、储量巨大的可再生能源，越来越受到人们的重视。光伏系统通过其内部的光伏电池将太阳辐射的光能直接转化成供人类使用的电能。作为该系统的一个重要部分，光伏电池输出电压和输出电流的变化曲线具有明显的非线性特性，如何在变化的光照强度及温度的复杂环境中实时地尽可能多地汲取太阳能，以最大的转化功率输出至关重要。因此，有必要对光伏电池阵列的最大功率点(Maximum Power Point，MPP)进行实时分析，并准确地得到光伏电池阵列输出功率的最大值，提升光伏电池阵列的太阳能利用率。
常见的传统MPPT(最大功率点追踪)算法有：定电压跟踪法，扰动观察法，电导增量法等。(1)定电压跟踪法控制最大功率点的跟踪实现起来比较容易，但是这种算法只是通过追踪工作电压，而近似找到最大功率点，精度不高，并且容易受到外界的环境温度影响，这会影响到系统的工作效率；(2)扰动观察法，该算法易于实现，但是如果设置扰动步长不恰当的时候，算法的计算耗时很长，更坏的结果是根本无法实时定位到最大功率的工作点，即其跟踪结果在最大功率点附近反复波动；(3)电导增量法，该算法跟踪精度较高，但需要高效灵敏的光伏功率跟踪系统与之相配合。基于智能优化方法的MPPT控制算法是目前较为新颖的研究方向，如粒子群算法、神经网络模糊控制法、蚁群算法等。该类算法模拟自然界亿万年优胜劣汰自然选择下来的智能生物体的习性和特征，具有较强的自适应能力，其在现实世界中部分优化问题的处理中表现出了不俗的潜力。
新型蚁群算法是通过用解决方案来指导蚂蚁选择最佳路径，用解决方案中的解代替了传统蚁群中的信息素，用随机搜索的更新策略代替了信息素的更新，节省了计算时间，克服了可能会收敛到局部最优值的缺点，具有很强的全局搜索能力，但可能搜索精度不能保证；常规的电导增量法一般采用定步长方式进行最大功率点追踪，但这种电导增量法的追踪速度与精度对步长的选取非常重要，若步长过小，系统虽然能够有很好的稳态精度，但相反系统的动态响应会变得较慢；若步长过大，系统的动态响应比较快，但系统的稳态精度可能比较大。
针对上述问题，本发明提出了一种基于新型蚁群算法和变步长型电导增量法的最大功率点跟踪方法。该方法首先通过改进的蚁群算法进行全局搜索，尽可能快地跟随到全局最大功率点的小范围域内，然后再采用变步长型电导增量法进一步高精度定位，保证快速且稳定的追踪到最大功率点，进而为整个光伏系统的能量捕获效率的提升提供科学的依据。
发明内容
本发明针对现有算法的不足，提出了一种高效的光伏发电系统的最大功率实时跟踪方法，对最大功率点进行追踪、优化。首先，对光伏电池进行建模设计。
光伏电池的等效电路如图1所示。光伏电池阵列在受到光照辐射时，其电路端口电压与相应电流之间关系的数学描述如下式所示：
式中：I为光伏电池阵列输出电流，Iph为光生电流，Id为光伏电池阵列近似等效为二极管物理电路的反向饱和电流，U为光伏阵列输出电压，Rs为光伏电池阵列的等效串联电阻，Rsh为光伏电池阵列的等效并联电阻，n为光伏电池近似等效为二极管物理电路后的理想因子，Np，Ns分别为并联和串联光伏组件数量值，q为电子电荷常数1.6×10-19C，k为玻尔兹曼常数1.38×10-28J/K，T为光伏电池阵列绝对温度，m为中光伏电池串联成光伏组件的数量值，VT为m(kT)。
由于Iph，I0，Rsh，n测量难度很大，此外对式(1)的求解难度较大，因此对式(1)进行化简：
(1)所述的式(1)中，光伏电池的并联电阻Rsh与其串联电阻Rs相比其数值非常大，其中并联电阻Rsh为kΩ级别，而串联电阻Rs仅为mΩ级别。根据之前介绍的光伏电池典型二极管物理等效电路可以知道，光伏电池的短路电流主要受到串联电阻Rs的影响，而其物理电路中串联电阻Rs对开路电压作用比较小；而并联电阻Rsh与之相反。式(1)中“-(U+IRs)/Rsh”项远小于前两项值，所以可以将“-(U+IRs)/Rsh”进行略去。
(2)在光伏电池内部，其等效串联电阻Rs远远小于PN结导通电阻，因此，当光伏电池发生短路时，其短路电流Isc可以等效成光生电流Iph，即Iph＝Isc。
(3)在建模过程中，认为在标准环境条件下，光伏电池的开路电压等于标准环境条件下的开路电压Uoc，最大功率点处的电压等于标准环境条件下的电压Um。即：
I＝0，U＝Uoc (2)
U＝Um，I＝Im (3)
因此，将式(1)简化为：
通过求解式(4)，可以得到N1和N2，然后带入式(4)中，得到标准环境得到下的输出特性为：
为了得到任意环境条件下的光伏电池输出特性，需要对上述光伏电池模型进行修正。具体修正方案如下：
ΔT＝T-Tref (6)
ΔS＝S/Sref-1 (7)
Isc′＝Isc(S/Sref)(1+aΔT) (8)
Uoc′＝Uoc(1-cΔT)In(e+bΔS)(9)
Im′＝Im(S/Sref)(1+aΔT)(10)
Um′＝Um(1-cΔT)ln(e+bΔS) (11)
上式中Tref为标准环境下的温度为25℃，Sref为标准环境下的光照强度为1000W/m2，a，b，c为补偿系数。
本发明所述的一种高效的光伏发电系统的最大功率实时跟踪方法是基于新型蚁群算法和变步长型电导增量法跟踪最大功率点。
蚁群算法是一种新型的生物智能算法，通过模仿蚁群整体的觅食行为来找出最优解，需要做出以下基本假设：
(1)蚂蚁之间只通过信息素进行通信，且蚂蚁个体会受其自身周围环境影响，并做出反应。
(2)蚂蚁个体对环境做出的反应由它的基因决定，也就是说蚂蚁的行为是对于其基因的适应性表现，即蚁群是反应型适应性群体。
(3)对于蚂蚁个体来说，蚂蚁个体只会根据环境做出各自的选择；对于蚁群来说，蚂蚁个体的行为具有随机性，但是蚁群却可以通过自发过程做出一个有序的群体行为。根据上述假设和分析可以得出，蚁群算法寻优的过程主要分为两个阶段：适应阶段和协作阶段。在适应阶段，在距离较近的路径上经过的蚂蚁会越来越多，信息量会越来越大；距离较远的路径会随着时间的增长，信息量逐渐减小。在协作阶段，各个蚂蚁之间相互交换信息，以期望得到性能更优的解。
本发明所述蚁群算法是一种随机分布搜索的连续蚁群算法。在传统蚁群算法中，蚁群是根据信息素和启发式信息有偏向的选择最优路径，由于信息素会挥发，需更新信息素。在连续蚁群算法中，解档案中的解作为信息素，信息素的更新是通过解档案中解的更新来实现的。
该算法的主要步骤包括：
(1)在一个搜索空间[a，b]中，随机生成一些初始值，将这些值存档，作为解决方案(Xk，k＝1…档案数量)，并将每个解都与其适应度函数F得到的适应度值相关联。
(2)将这些解决方案按其适应度值进行从小到大排序，m只蚂蚁选择适应度值较高的解决方案。蚂蚁数量就是从解决方案中提取的解的数量。
(3)计算选出解中的每一个解Xi与其中最优解Xbest的距离，利用高斯函数计算出概率，确定有多少蚂蚁会进入最佳候选解，即找到最佳候选解。
(4)把最佳候选解作为一个参考点，利用随机搜索的更新策略，生成新解。
(5)将生成的新解加到当前解决方案中，此时有m+k个解决方案，从存档中选择m个最佳的解决方案，然后不断更新计算，直到找到最优解。
最佳候选解(参考点)的寻找步骤如下：
(1)计算每个解Xi(i＝1...m)与存档中最优解X的距离Di，
Di＝|Xi-Xbest|，1＜i＜m(12)
距离Di指的是欧氏距离，m为蚂蚁数量。
(2)利用下式计算高斯函数Φi；
t为标准高斯偏差(t通常为0.05)
(3)利用如下公式计算选取最佳候选解概率pi；
利用pi可以确定最佳候选解Xk(t-1)，则新解由以下等式产生：
Xk(t)＝Xk(t-1)+dx (15)
其中Xk是解决方案中迭代t时第k个解；Xk(t-1)是解决方案归档中选定的最佳候选解；d是在[-μ，μ]随机生成的变量，用于确定跳跃长度。
在得到新解后，产生了m个新的解决方案，其中在所有的m+k个解决方案中只选择归档中的m个最佳解决方案。根据适应度函数F得出的适应度值排序，我们选择适应度值大的m个最佳的解决方案，并用式(12)到式(15)更新他们的解决方案中的解。
在本发明中，首先用K值电压对存档进行初始化。K值是在区间[0，Uoc]内随机产生的，其中Uoc是开路电压。用功率P作为适应度函数。
通过此蚁群算法跟踪，会很快跟踪到全局最优解附近。根据蚁群间的最大距离小于0.02Uoc作为蚁群算法迭代的阈值，若蚁群间的最大距离小于此阈值，则进入电导增量法的寻优，精确找到最大功率点；若蚁群间的距离大于此阈值，则返回更新再循环蚁群算法进行寻优。
根据电导增量的原理可知，越接近最大功率点时，|dP/dU|的值越小，且|dP/dU|是不断变化的，因此可以采用|dP/dU|作为步长来追踪系统最大功率点，为了加快逼近速度，可取步长为：
step＝N×|dP/dU| (16)
所述式(16)中N为比例因子。若dI/dU＞-I/U，则此时的工作电压U小于最大功率点电压Um，输出电压U(k)＝U(k-1)+step；若dI/dU＝-I/U，则此时的工作电压U等于最大功率点电压Um，应该保持输出电压不变；若dI/dU＜-I/U，则此时的工作电压U大于最大功率点电压Um，输出电压U(k)＝U(k-1)-step。U(k)为当前光伏电池的输出电压值，U(k-1)为上一次检测到的光伏电池输出电压值。由于是精确寻优，选择较小的步长。算法结束，得到I(k)和U(k)，计算得出功率P。本发明设置|Pk-Pk-1|≤8为判断阈值条件，若|Pk-Pk-1|≤8，则输出电压Umax及对应的最大功率Pmax；若|Pk-Pk-1|＞8，证明系统此时受外界扰动较大，再次利用新蚁群算法进行全局寻优，判断最优解附近位置。
本发明提出了一种高效的光伏发电系统的最大功率实时跟踪方法。通过研究发现与传统电导增量法相比，本发明所述的控制方法可以在一定程度上提高光伏系统的跟踪精度，缩短光伏系统的跟踪时间，减小光伏系统输出功率曲线的震荡幅度，降低光伏系统的功率损耗，提升光伏系统的利用率。
附图说明
图1为光伏电池的等效电路图
图2为相同光照，不同温度下的U-I特性曲线
图3为相同光照，不同温度下的U-P特性曲线
图4为相同温度，不同光照下的U-I特性曲线
图5为相同温度，不同光照下的U-P特性曲线
图6为一种高效的光伏发电系统的最大功率实时跟踪方法的控制流程图
图7为一种高效的光伏发电系统的最大功率实时跟踪方法仿真模型
图8为一种高效的光伏发电系统的最大功率实时跟踪方法的仿真结果
具体实施方式
为了具体的描述本发明，下面结合附图及具体实施方案对本发明进行进一步说明。
光伏电池参数是参照KC200GT光伏电池组件进行设定，Um＝26.3V，Uoc＝32.9V，Im＝7.61A，ISC＝8.21A，a＝0.0025/℃，b＝0.0005m2/W，c＝0.00288/℃。本发明通过改变S、T的值模拟在不同外界环境下光伏电池的输出特性。在Sref＝1000W/m2的条件下，依次设置T＝25℃，35℃，45℃；在Tref＝25℃的条件下，依次设置S＝1000W/m2，800W/m2，600W/m2.得到不同条件下的光伏电池的U-P，U-I输出特性曲线分别如图2，3，4，5所示。
由图2可知，随着光伏电池温度逐渐升高，光伏电池开路电压显著降低，而短路电流略微增大，从而导致输出功率随之降低，如图3所示。由图4可知，随着光照强度逐渐增大，短路电流明显增加，而开路电压略微增加，由于短路电流和开路电压同时增大，使得光伏电池的输出功率随之升高，如图5所示。因此，光照强度的变化对光伏电池短路电流影响较大，光伏电池温度的变化对光伏电池开路电压影响较大；温度升高会导致光伏电池的输出功率下降，光照强度的增加会使得输出功率升高。
新型蚁群算法在本发明中的参数确定。在本发明中，首用K值电压对存档进行初始化。K值是在区间[0，Uoc]内随机产生的。如式(17)所示，用功率PPV作为适应度函数。根据上述式(18)计算电压的扰动。对于每个电压U，用于控制系统的占空比di由式(19)计算得出：
PPV＝U×I(T，G)(17)
Ui＝Uk(t-1)+dx(18)
所述式(17)中T代表光伏面板温度，G代表光伏面板辐照度。
通过新型蚁群算法追寻到最大功率点时，采用变步长型电导增量法来保证追踪的精度。因为根据蚁群算法已经找到了最大功率点附近，本发明依据蚁群间的最大距离小于0.02Uoc作为蚁群算法迭代的阈值，若蚁群间的最大距离小于此阈值，可以选取较小的步长逐步逼近最大功率点，对最大功率点做精细搜索。其算法步骤为：
(1)光伏电池的输出电压U和输出电流I进行采样。
(2)判断U(k-1)-U(k)是否等于0。若U(k-1)-U(k)等于0，则判断I(k)-I(k-1)。若I(k)-I(k-1)等于0，说明此时输出电压就是最大功率点的电压Um，应该保持输出电压不变；若I(k)-I(k-1)＞0，则输出电压U(k)＝U(k-1)-step；若I(k)-I(k-1)＜0，则输出电压U(k)＝U(k-1)+step。若U(k-1)-U(k)不为0，则跳转步骤(3)。
(3)若dI/dU＞-I/U，则此时的工作电压U小于最大功率点电压Um，输出电压U(k)＝U(k-1)+step；若dI/dU＝-I/U，则此时的工作电压U等于最大功率点电压Um，应该保持输出电压不变；若dI/dU＜-I/U，则此时的工作电压U大于最大功率点电压Um，输出电压U(k)＝U(k-1)-step
(4)保存U(k)和I(k)。
本发明所述一种高效的光伏发电系统的最大功率实时跟踪方法的执行步骤如下：
(1)存档的初始化。首先用K值电压对存档进行初始化。K值是在区间[0，Uoc]内随机产生的，其中Uoc是开路电压。对于每个解决方案，计算适应度，即功率PPV。选择最佳的解决方案存档；
(2)蚂蚁运动。蚂蚁的运动根据下述式子计算得出：
(2.1)计算每个解Ui(i＝1...m)与存档中最优解Ubest的距离Di；
Di＝|Ui-Ubest|，1＜i＜m(20)
(2.2)利用如下公式计算高斯函数Φi；
t为标准高斯偏差(t通常为0.05)
(2.3)利用下述公式计算最佳候选解的概率pi；
根据式上述(20)计算电压的扰动；
Ui＝Uk(t-1)+dx (23)
对于每个电压U，用于控制系统的占空比di的对应值计算如下：
(3)更新存档。在蚂蚁运动结束后，新产生m个解决方案，在所有m+k个解决方案中，只有生成的k个最佳解决方案保留在归档中。根据适应度函数F得出的适应度值排序，我们选择适应度值大的m个最佳的解决方案，并更新最佳参考点。
(4)不断更新解决方案，选择最佳解决方案，并记录最佳解决方案中解的位置(蚂蚁的位置)，对应最佳电压值和功率值。
(5)根据蚁群间的最大距离小于0.02Uoc作为蚁群算法迭代的阈值，若蚁群间的最大距离小于此阈值，则转至步骤(6)，否则，则返回步骤(2)更新再循环蚁群算法进行寻优。
(6)调用变步长型电导增量法，进行最大功率点的精确搜索。
(7)根据关系式|Pt-Pt-1|≤8进行定期测试，判断外界环境是否发生突变，如果满足该关系式，则输出电压Umax及对应的最大功率Pmax，否则，对算法参数进行初始化，并转至步骤(1)。
上述算法的流程图如图6所示。
对本发明所述的一种高效的光伏发电系统的最大功率实时跟踪方法进行建模仿真。仿真模型如图7所示。在标准环境下(25℃，1000W/m2)进行初始化参数档案K＝6，蚂蚁数量m＝4，比例因子N＝0.0018。仿真结果如图8所示。该图表明，在2.12s时，最佳解决方案已找到，所有蚂蚁追踪到最大功率点200W附近；然后采用变步长型电导增量法，使用小步长step＝0.0018×|dP/dU|进行搜索，在2.82秒时，达到最大功率点200W并保持稳定。仿真结果验证了本发明所述算法的高效性，减小了光伏系统震荡幅度，追踪速度快，精度高。
