10001080_基于改进混合粒子群算法的光伏阵列MPPT控制研究-solarbe文库

资源描述：

基金项目国家自然基金资助项目（61372195）基于改进混合粒子群算法的光伏阵列 MPPT控制研究王胜辉，李宜伦，郑洪，张异殊（沈阳工程学院电力学院，辽宁沈阳 110136）摘要当光伏阵列受到局部阴影遮挡或光照不均匀时，光伏阵列输出呈现多峰值特性，传统单峰值 MPPT算法失效，系统难以追踪到最大功率点。为解决此问题，本文提出一种改进粒子群结合双扰动观察的混合算法。对标准粒子群算法的迭代准则、惯性权重和迭代因子进行了改进，利用改进粒子群算法更快的计算能力和更好的搜索能力，结合扰动观察法控制简单的特点来实现最大功率跟踪。仿真结果表明，混合算法能够在不同阴影条件下快速、准确的跟踪最大功率点，避免系统陷入局部最优值，具有良好的动态性、稳定性、高效性。关键词光伏发电；局部阴影；粒子群算法；扰动观察法中图分类号TM914.4 文献标识码A Research on Photovoltaic Array MPPT Control Based on Improved Particle Swarm Combined with Dual Perturbation Observations WANG Sheng-hui, LI Yi-lun, ZHENG Hong, ZHANG Yishu 1. Institute of Electric Power，Shenyang Institute of Engineering，Shenyang Liaoning 110136，China Abstract When PV arrays are shaded by local shadows or light is uneven, the output of the PV array exhibits multi-peak characteristics. The traditional single-peak MPPT algorithm fails, and the system cannot trace to the maximum power point. In order to solve this problem, this paper proposes a hybrid algorithm that improves particle swarm combined with dual perturbation observation. The iterative criterion, inertia weight and iterative factor of the standard particle swarm optimization algorithm are improved. The improved particle swarm optimization algorithm uses faster computational power and better search capability, combined with the perturbation observation method to control simple features to achieve maximum power tracking. The simulation results show that the hybrid algorithm can quickly and accurately track the maximum power point under different shadow conditions, avoiding the system falling into a local optimal value and having good dynamic performance, stability, and high efficiency. Key words photovoltaic; partial shadow; particle swarm optimization; disturbance observation method 1引言局部阴影下光伏系统存在多峰值特性，控制光伏系统以此来保持其最大功率的输出是光伏发电系统提升效率的关键 [1]。传统的控制方法如扰动观察法、电导增量法等 [2-5] 都能够快速实现单峰值的最大功率跟踪。但是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，传统的控制方法在解决多峰值问题时，往往会陷入局部最优解，使光伏系统整体的发电效率降低。因此，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 [6]。当前，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。文献[7-8]分别建立了不同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、阴影分布和阵列格局下的输出特性。文献[9]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的找到最大功率点；但是参数的选取需要大量的实验数据，存在误差。萤火虫算法 [10]、粒子群算法（PSO） [11]、遗传算法 [12]等智能算法也广泛应用于光伏最大功率点跟踪，它们不易陷入局部最优值，提高了跟踪速度，但是参数选取复杂。文献[13]提出了一种粒子群算法和变步长扰动观察法相结合的算法，该方法首先通过粒子群算法迅速定位近似最大功率点，变步长扰动观察法根据实际情况精确定位至最大功率点；但是该方法初始阶段直接通过粒子群算法进行第一个峰值功率的跟踪，增加了寻优时间。文献[14]采用了改进扰动观察法加差分进化（DE）的混合算法实现全局寻优；这是一种 DE全局搜索、扰动观察法局部搜索的混合算法，具有全局收敛的特性。标准粒子群算法（PSO）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 [15-16]，但是由于算法参数设置的原因，使其在追踪过程中容易陷入局部最优值；变步长扰动观察法算法简单，对单一峰值追踪精度高，稳定性好，但在局部阴影中由于电池的多峰值特性使算法同样容易陷入局部最优值。结合两种算法的优点提出了一种双扰动观察和改进粒子群结合的混合算法。其中对 PSO中的迭代准则、权重值和学习因子分别进行改进。算法第一步采用大步长扰动观察法追踪到第一个局部最优值，第二步使用改进粒子群算法跟踪到近似最大功率点，第三步使用改进的变步长扰动观察法进行最后的精确定位，最后通过 Matlab/Simulink 进行仿真验证，结果表明该方法具有应对光照强度发生变化的能力，效率高、动态性能好、跟踪迅速，极大提高了光伏系统的发电效率。 2 局部阴影下光伏阵列的输出特性光伏阵列是将单一电池进行串并联的物理组合而成，其如图 1所示为 3 3光伏阵列， 其中每个光伏电池组件都并联一个并联二极管，其主要目的是为了防止热斑现象，但是这种做法就导致了光伏电池在局部阴影条件下出现了多峰值特性。通过 Matlab/Simulink搭建如图 1所示的光伏阵列仿真模型组，光伏阵列在不同阴影下，其功率输出特性曲线如图 2所示 PV PV PV PV PV PV PV PV PV - 图 1 光伏阵列结构图 2不同阴影情况光伏阵列特性PV 其中无阴影情况为图 1 中三列光伏电池光照强度均为 1000 ；阴影 1 情况为左侧支2W/m 列均为 1000 ，中间与右侧均为 800 ；阴影 2 情况为左侧支列为 10002/ ，中间支列为 800 ，右侧支列为2/ 600 。从图中可以看出当电池有阴影遮蔽存在时，电池输出功率也发生了变化，产生多个峰值。为了保证电池输出功率最大，需要一个全局搜索的寻优方法以实现阴影下最大功率的跟踪。 3 最大功率跟踪控制算法 3.1 改进粒子群算法粒子群算法的核心思想是在多个种群中的 N个随机解，通过不断的迭代去找到自身的最优解。其基本原理为式（1）、（2） [17-18] 12,kkkiibestibestivcrpxcrgx （1 ） 1kiiixv （2 ）式中，、为学习因子，、为随1c2r2 机数，为线性权重，不同的参数设置对于整个系统寻优时间、精度的影响较大。同时标准算法搜索中不具备突跳能力、惯性权重值变化单一、学习因子适应性差，使得算法寻优时容易陷入早熟。为了提高寻优过程中的精度、降低搜索时间，采用如下方法对标准粒子群算法进行改进 a 粒子群算法中，惯性权重是一个最 重要的参数，值的大小与算法整体搜索能力有关，增大值可以提高算法整体的搜索能力，减少值可以提高算法局部的搜索能 力。标准粒子群算法采用线性递减的变化方式，其变化规律为式 3 maxink （3 ）式中，和分别为的最大与最小axin 值，为当前迭代次数，为最大迭代次kmax 数。如图 3 为典型线性惯性权重的随迭代次数的变化曲线，其中最大迭代次数为 50 次， 0.85， 0.6。maxin 图 3 典型权重值递减变化曲线值的大小是算法本身是否陷入局部最优解 [17]和快速准确搜索的关键。常规的改进权重的粒子群算法有自适应权重法、随机权重法、线性递减权重法。在进行最大功率跟踪时，权重值规律变化明显，算法初始阶段需要增大值以此来提高全局搜索能力；算法最后阶段需要减少值来提高局部搜索能力，值呈现一个非线性递减趋势，所以常规的 权重改进方法并不适合最大功率跟踪当中。对此提出了一种非线性动态的惯性权重法 [18]，其权重变化规律如式（4） 2minaxinmaxepkt t （4 ）式中的 t 为控制系数，控制权重值和变化次数之间整体曲线的平滑度。值随着 t 变化 的曲线如图 4 所示图 4 t 取不同值变化曲线如图 4 所示为 t 取不同值惯性权重值随着迭代次数变化的曲线。初始时刻惯性权重值较大保证全局搜索能力增强，减弱局部搜索能力；最后时刻惯性权重较小保证局部搜索能力增强，减弱全局搜索能力。这样就既保证了算法前期不会陷入局部最优，又缩短了算法后期的搜索时间，平衡了搜索速度和准确性。图 4 中 t 取值在 510 范围内，曲线都呈现先凸后凹的情况，为满足迭代次数为 50 次的情况下，本文中 k5。 b引入模拟退火算法（SA ）中的概率判断准则 Metropolis 准则 [19]，其公式为 5 ETPe （5）式中为接受较差搜索值的概率，为前后 2 代的函数差值，为 SA 算法中温度参数，其变化规律为随着迭代次数的增大而减少。 Metropolis 准则使算法在搜索过程中具有突跳能力，有效避免了陷入局部最小值。 c将 SA 算法中参数 T 的更新规则改为（6）max0dendendT 其中为迭代次数，、分别为0 的初始值。 d结合遗传算法中的变异思想，对学习因子、进行进一步的改进，通过加入扰1c2 动函数巩固了算法本身的局部搜索能力，扰动函数为 1randdc （7） mxak （8）其中rand 为[0，1]间的随机数；为扰动函数；为非负的常数。a 检验改进 PSO 算法收敛情况，验证改进算法是否易陷入局部最优值，其测试函数为式 9 221sin0.xfx （9 ）其测试结果为图 5 图 5 测试结果根据图 5 可以看出改进 PSO 算法在迭代次数为 5 时就已经寻得最优值，从循环中跳出，而常规 PSO 算法在 9 代时陷入局部最优值，并没有寻得最优解。改进 PSO 可以有效的防止系统陷入局部最优值。 3.2 扰动观察法 3.2.1 大步长扰动观察法扰动观察法算法简单，对单一峰值跟踪性能稳定，为了提高粒子群算法的收敛速度，缩短整体寻优时间，可以通过进行大步长扰动观察法获得一个峰值电压的方法来提高第二步中改进 PSO 的初始电压。根据文献[19] 所得结论光伏电池开路电压的 0.8 倍即为两个峰值电压的最小差，即 0.8 倍电压法。所以为防止过大的步长产生大的震荡造成能量损失且还要兼顾跟踪效率，初始扰动步长选为，得到最优的电压值后通过ocU0.7 改进粒子群算法进行进一步的追踪。第一步采用大步长扰动观察法可以有效缩短第一个峰值功率的追踪时间。 3.2.2 变步长扰动观察法变步长扰动观察法为该混合算法的第三阶段，为了混合算法在第三阶段精度要求，在变步长扰动观察法加入局部迭代搜索的思想，通过不间断邻域内的搜索可以有效提高搜索精度防止陷入局部最优值。其和欣慰通过非线性的调整步长的大小，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值则对算法重启。其具体过 程为 1）在改进粒子群算法的基础上得到值，后用小步长进行/dpun/Udpu 扰动。 2）在进行 n 次扰动以后，判断如果则继续进行小步长扰动；如果1nP 则推断，最大功率点就在该 范围内，给予一个的扰mUn//2dpu 动步长。 3）重复上述过程，每次符号改变时，步P 长都变为原来的一半，直到满足扰动步长小于值或者满足最大迭代次数，否则重启算 法。扰动步长变化公式为式（10） n-1-n-1n-1m/U/2dpu （10 ）在传统变步长扰动观察法中加入了局部迭代和重启的思想后有效的提高了搜索精度，提升了混合算法局部最优值的搜索能力，避免了系统在追踪过程中陷入局部最优值。 3.3 混合控制策略将改进粒子群算法和双扰动观察法结合，得到一个新的复合控制策略，跟踪流程如图 6 所示，其寻优过程为，大步长扰动观察法初步寻优，初始步长为，找到第ocU0.7 一个峰值电压；第二步进行改进粒子群算法，首先初始化粒子位置、速度和适应度并存储最优值，其次更新粒子的位置和速度并更新权重值，将其比较选取最好的位置并更新最优值，最后满足条件输出最优的；第三DEU 步进行变步长扰动观察法，计算并检测，以此作为扰动方向的判别条件和/dpu 第二步的重启整个算法条件之一，用步长不断扰动，检测是否需要进一步改mUP 进步长的大小，当步长满足给定的要求或 者迭代次数满足达到限定 50 次时，系统自动停止运行。开始测量阵列电压 U 、电流 I 大步长扰动观察法更新 P m 、 U m 初始化参数随机初始化粒子速度和位置计算每个粒子的适应值根据式（ 1 ）和式（ 2 ）更新所有粒子的速度和位置改进 P S O 算法重新计算位置和适应值并比较更新最优值是否满足条件输出全局最优解 U D E 测量阵列电压 U 、电流 I 同时计算并检测 d P / d U d P / d U 0 . 5 Y N Y NDEnk/2pu进行电压扰动，初始 K k 1 N P n 1 P n K kmin/2dpuU 结束 Y Y 达到最大迭代次数 N Y N 图 6 改进算法的 MPPT 流程图 4 仿真分析本文采用 Matlab/Simulink 对系统进行仿真，光伏阵列模型为{2 2}，其中每个光伏电 池参数设置为开路电压 23.36V，短路ocU 电流 3A，峰值电压 18.47V，峰值电scIm 流 2.8A。Boost 升压电路参数设置为滤波电容均为 F，电感 H，IGBT 通6106.510 断频率为 2kHz。阴影设置如表 1 表 1 阴影分布表阴影下光照强度 PV1 PV2 阴影 1 1000 2/w800 2/ 阴影 2 800 m600 阴影 3 1000 1000 经过实验，扰动观察法、粒子群算法、改进粒子群算法结合双扰动观察法其动态仿真结果如图 6 所示。（a ）扰动观察法输出功率（b）粒子群算法输出功率（c ）混合算法输出功率图 7 动态局部阴影下仿真波形其中 a1、b1、c1 为三种不同算法功率输出，a2、 b2、c2 为对应的电压输出。图 7（a）中扰动观察法算法简单，跟踪迅速，能够快速到达最优值。追踪速度优于粒子群算法但是光伏电池并没有完全运行到最大功率点，陷入局部最优值，寻优过程中震荡明显功率损失较大；图 7（ b）中粒子群算法，其结果明显优于扰动观察法，但是由于算法复杂，寻优时间多于扰动观察法，且在过程中有一定的能量损失；图 7（c）中混合算法整体寻优时间明显少于另两种方法，且追踪过程平稳，能量损失较少。具体结果如表 2 所示表 2 三种方法比较方法三次寻优时间合计平均误差扰动观察 0.165 s 28.93 PSO 0.1928 s 4.3 混合算法 0.063 s 4 算法初始阶段使用大步长扰动观察法进行第一个峰值电压的追踪，使得整体寻优时间相对较短，对比粒子群算法节省了 0.097s，且结合改进粒子群算法和变步长扰动观察法中迭代算法，相对于传统扰动观察法不易陷入局部最优值。由仿真分析可知，改进方法可以快速、稳定的跟踪到最大功率点，不容易陷入局部最优值，具有良好的动态性能，寻优时间短，误差率更小，精度更高。. 5 结论本文首先介绍了阴影遮蔽下光伏输出特性，提出了改进粒子群算法加双扰动观察法的混合算法，算法首先使用大步长扰动观察法追踪第一个峰值电压减少了初次寻优时间，其次使用改进的粒子群算法进行近似点的追踪，最后使用变步长扰动观察法进行最终点的确定，通过 Matlab/Simulink 仿真比较，在复杂光照情况下可以有效、稳定的追踪到最大功率点，并在速度跟精度上都有明显提升。参考文献 [1]吴志程，江智军，杨晓辉 . 一种基于功率闭环控制的改进全局 MPPT 方法[J].电力系统保护与控制，2018，46157-42. [2] 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， 2010. [3] 刘云，应康，辛焕海，等. 基于二次插值法的光伏发电系统控制策略[J]．电力系统自动化，2012 ，36 （21 ）29-35 [4] 唐磊，曾成碧，苗虹，等. 基于切线角的光伏变步长最大功率跟踪控制策略[J]．电力系统自动化，2013，37（20 ）28-33. [5] 张开，石季英，林济铿，等. 基于自适应滑模层极值搜索的光伏发电最大功率跟踪方法 [J].电力系统自动化，2015，39（12 ）33- 37.DOI10.7500/AEPS20140724005 [6] 孙航，杜海江，季迎旭，等. 光伏分布式 MPPT 机理分析与仿真研究[J].电力系统保护与控制, 2015, 432 48-54. [7] 刘邦银，段善旭，康勇，局部阴影条件下光伏模组特性的建模与分析[J].太阳能学报， 2008，29（2）188-192. [8] 杨元培，杨奕，王建山，等.光伏发电传输最大功率储能优化建模仿真[J].计算机仿真， 2017，34（9）103-108. [9] 李文强，黎英，张轩.改进基于 INC 算法的光伏发电系统最大功率跟踪[J].电源技术， 2017，41（12）1737-1740. [10] DABRA V, PALIWAL K K, SHARMA P, et al. Optimization of photovoltaic power system a comparative study [J]. Protection and Control of Modern Power Systems, 2017, 22 29- 39.DOI 10.1186/s41601-017-0036-2. [11] LIU Y H, HUANG S C, HUANG J W. et al. A particle swarm optimization-based maximum power point tracking algorithm for PV systems operating under partially shaded conditions [J]. IEEE Transactions on Energy Conversion, 2012, 274 1027-1035. [12] MIYATAKE M, TORIUMI F, ENDO T, et al. A novel maximum power point tracker controlling several converters connected to photovoltaic arrays with particle swarm optimization technique[C] //European Conference on Power Electronics and Applications, Denmark, 2007 1-10. [13] 赵阳，张军朝，陶亚男，等. 基于粒子群优化变步长扰动观察 MPPT 算法[J].计算机仿真，2017，34 （11 ）78-83. [14] Ishaque K, Salam Z, Amjad M, et al. An improved particle swarm optimization PSO- based MPPT for PV with reduced steady state oscillation [J]. IEEE Transactions on Power Electronics S0885-8993, 2012, 278 3627- 3638. [15] Ishaque K, Salam Z, Shamsudin A, et al. A direct control based maximum power point tracking method for photovoltaic system under partial shading conditions using particle swarm optimization algorithm [J]. Applied Energy S0306-2619, 2012, 9911 414-422. [16] Roy Chowdhury S，Saha H. Maximum power point tracking of partially shaded solar photovoltaic arrays［J ］.Solar Energy Materials and Solar Cells，2010，94（9）14411447. [17] 王秀云，赵宇，马万明，等．改进粒子群算法在无功优化中的应用［J］．电测与仪表，2015 ，52（15 ） 108-112． [18] 唐浩，杨国华，王鹏珍，等. 基于改进粒子群算法的风光蓄互补发电系统容量优化[J]. 电测与仪表，2017，54（16 ）50-55 . [19] 程准，陆凯，钱煜，等. 基于改进 PSO 算法的 MAP 图标定点选择新方法.[J].计算机应用研究，2018 ， 36（10 ）. [20] PATEL H, AGARWAL V. Maximum power point tracking scheme for PV systems operating under partially shaded conditions [J]. IEEE Transactions on Industrial Electronics, 2008, 554 1689-1698.