基于局部发电障碍检测下的光伏MPPT研究.pdf

第 卷第期年月计算技术与自动化C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nV o l ,N o J u n 收稿日期:作者简介:冯鸥(),男,湖南湘潭人,硕士研究生,副教授,研究方向:电气工程.通信联系人,E m a i l:u f o n o c o m文章编号:()D O I:/j c n k i j s j s y z d h 基于局部发电障碍检测下的光伏M P P T研究冯鸥,易灵芝,周东访,周喜明(湖南理工职业技术学院,湖南 湘潭 ;湘潭大学 自动化与电子信息学院,湖南 湘潭 ;湘潭大学基建处,湖南 湘潭 ;江西省九江市国家电网,江西 九江 )摘要:当外界环境变化或光伏电池内部局部发电障碍时,光伏阵列输出曲线呈现多峰.针对传统算法易陷入局部峰值,而智能优化算法易跟踪到全局最优,提出了一种基于迭代步长累积的粒子群算法.该算法结合扰动观察法检测思想,通过步长渐进变化靠近全局最大功率点.仿真结果验证该算法能够实时在单峰和多峰环境下变化下跟踪到全局最优,输出功率精度高且稳定,收敛速度快.关键词:粒子群算法;最大功率点;局部发电障碍中图分类号:T P 文献标识码:AR e s e a r c ho nP h o t o v o l t a i cMP P TB a s e do nL o c a lG e n e r a t i o nO b s t a c l eD e t e c t i o nF E NGO u,Y IL i n g z h i,Z HOUD o n g f a n g,Z HOUX i m i n g(H u n a nP o l y t e c h n i cV o c a t i o n a l a n dT e c h n i c a lC o l l e g e,X i a n g t a n,H u n a n ,C h i n a;S c h o o l o fA u t o m a t i o na n dE l e c t r o n i c I n f o r m a t i o n,X i a n g t a nU n i v e r s i t y,X i a n g t a n,H u n a n ,C h i n a;C a p i t a lC o n s t r u c t i o nD e p a r t m e n t,X i a n g t a nU n i v e r s i t y,X i a n g t a n,H u n a n ,C h i n a;P o w e rS u p p l yB r a n c ho fS t a t eG r i d,J i a n g x iE l e c t r i cP o w e rC o,L t d,J i u j i a n g,J i a n g x i ,C h i n a)A b s t r a c t:Wh e nt h ee x t e r n a l e n v i r o n m e n tc h a n g e so r l o c a lp o w e rg e n e r a t i o no b s t a c l e s i n s i d et h ep h o t o v o l t a i cc e l l,t h eo u t p u t c u r v eo f t h ep h o t o v o l t a i ca r r a yp r e s e n t sm u l t i p e a k s I nv i e wo f t h ef a c t t h a t t h et r a d i t i o n a l a l g o r i t h mi se a s yt of a l li n t o l o c a l p e a ka n dt h e i n t e l l i g e n to p t i m i z a t i o na l g o r i t h mi se a s yt ot r a c kt h eg l o b a l o p t i m i z a t i o n,ap a r t i c l es w a r mo p t i m i z a t i o na l g o r i t h mb a s e do n i t e r a t i v e s t e pa c c u m u l a t i o n i sp r o p o s e d C o m b i n e dw i t ht h ed e t e c t i o n i d e ao fd i s t u r b a n c eo b s e r v a t i o nm e t h o d,t h ea l g o r i t h ma p p r o a c h e s t h eg l o b a lm a x i m u mp o w e rp o i n t t h r o u g ht h eg r a d u a l c h a n g eo f s t e ps i z e S i m u l a t i o nr e s u l t ss h o wt h a t t h ea l g o r i t h mc a nt r a c kt h eg l o b a l o p t i m i z a t i o n i nr e a l t i m eu n d e r t h ec h a n g e so fs i n g l ep e a ka n dm u l t ip e a ke n v i r o n m e n t,w i t hh i g ha n ds t a b l eo u t p u tp o w e ra c c u r a c ya n df a s t c o n v e r g e n c es p e e d K e yw o r d s:p a r t i c l es w a r mo p t i m i z a t i o n;m a x i m u mp o w e rp o i n t;l o c a l p o w e rg e n e r a t i o no b s t a c l e国内外科研学者针对光伏阵列局部发电障碍下MP P T开展研究.文献 将电导增量法结合改进粒子群算法对MP P T搜索,该算法输出电压更加稳定,系统振荡更小,能快速寻到最大功率点.文献 基于模糊控制对电导增量法进行改进,该算法相较传统策略对MP P T追踪更加高效、快捷,但需要人实际操作,否则易误判.文献针对传统扰动观察法无法克服跟踪精度与响应速度的矛盾以及步长不易确定的问题,提出一种双模糊自适应扰动观察法,该策略能够减少其误判概率.考虑以上情况结合生产应用实际,结合局部发电障碍情况对光伏阵列输出曲线的影响,提出了一第 卷第期冯鸥,等:基于局部发电障碍检测下的光伏MP P T研究种基于迭代步长累积的粒子群算法.光照变化情况下光伏阵列输出曲线分析为了便于分析光伏阵列受到外界环境影响时的输出功率变化情况,基于MAT L A B/S i m u l i n k环境下搭建仿真平台,对个光伏组件进行研究测试.图分别为光伏组件无局部发电障碍、单个光伏组件局部发电障碍、两个光伏组件局部发电障碍下的输出特性曲线图.从图中可以看出,无局部发电障碍情况下P T为单峰,单个光伏组件局部发电障碍时,光伏阵列的P T为双峰,两个光伏组件局部发电障碍时,光伏阵列的P T为三峰.图组件局部故障时光伏阵列的P T曲线图表示三种不同情况下对个光伏组件仿真实验后输出结果.由图(a)、(b)、(c)测试结果可知,光伏阵列输出P T曲线随着局部发电障碍发生相应变化,三者相同特征是阵列端口输出功率均受外界光照影响,其中曲线表明,光伏组件局部发电障碍会降低光伏阵列输出功率,曲线表明,光照不变或上升,只要存在局部发电障碍,光伏阵列输出P T均会呈现多峰.因此,对光伏阵列运行在局部发电障碍或不正常情况下的识别,并能在正确识别下通过智能优化算法使光伏阵列实时输出最大功率点,对提高光电转换效率至光重要.基于局部发电障碍判识下的MP P T策略切换文献 传统的光伏阵列局部发电障碍检测主要通过对光伏电池端电压和支路电流值进行测量.为了在大规模光伏阵列中,减少传感器数量的同时准确判断光伏阵列内部是否存在局部发电障碍,本文提出左右单点设置.判断原理主要利用各电压传感器数值与标准电压数值是否出现偏差.本文主要思想是将光伏组件等效为矩阵点,为了方便测试分析,矩阵分别选取和以及.由图可知,SS阵列设置的(S)个电压传感器将两支路光伏组件均分,均分后光伏组件等同于S个光伏组件串联,且各电压传感器在正常状态下的电压为:SSUa r r a y(S为行列数)()为进一步求得光伏阵列在不同情况下电压传感器的数值,选图(b)进行分析,根据KV L可知:UU U U()UU U U()Ua r r a yU U U U U U U U U()光伏阵列正常状态下,电压传感器数为:UUUa r r a y()由式()可求得光伏阵列正常状态下的电压值,据式()式()可求得不同支路光伏组件局部发电障碍下各电压传感器数值.表为光伏阵列某串联支路组件局部发电障碍时,电压传感器测得数值.由表数据识别光伏阵列内部组件是否局部发电障碍,将识别结果作为单峰和多峰下MP P T的切换条件.计算技术与自动化 年月图改进型组件局部故障电压检测方法表光伏阵列单支路局部发电障碍检测表U U UU Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/Ua r r a y/基于迭代步长累积下的粒子群算法 传统粒子群算法文献 粒子群算法认为在H维目标空间内,由N个粒子组成搜索值.第i个粒子位置用Xi表示,粒子速度用Vi表示,目标函数为f(Xi),粒子群当前获得的最好适应值用gb e s t i表示,粒子搜索到的个体极值用Pkb e s t i表示.群体粒子速度和位置更新公式为:V(k)iwVkirC(Pkb e s t iXki)rC(gkb e s t iXki)()X(k)iXkiVki()式中,上标k表示当前迭代次数,上标k表示下一阶段迭代次数,w为惯性系数,C和C为学习系数,C,C一般取,r,r为(,)中的随机数.个体最优位置更新公式:P(k)b e s t iX(k)if(X(k)i)f(Pkb e s t i)Pkb e s t if(X(k)i)f(Pkb e s t i)()式中,f()为目标函数.群体最优位置更新公式为:g(k)b e s t i m a x(f(Pb e s t i)i,N()文献 在迭代计算中,为防止粒子因为速度原因,跳出搜索区域,因此对粒子速度限制为:ViVm a x,Vm a x()Vm a x是常数,由用户设定用来限制粒子的速度,当粒子速度超过最大速度或者低于最小速度时,取其边界值.基于迭代步长累积下的粒子群算法文献 粒子群算法的粒子位置更新取决于收敛因子C和惯性权重W.W表示在多大程度上保留原来的速度.W大,全局收敛能力强;W小,局部收敛能力强.收敛因子C、C主要影响粒子自身经验信息和粒子之间经验信息的交互.C值大,粒子聚集于局部范围进行搜索,C值大,粒子搜索收敛时间短.文献 考虑到惯性权重和收敛因子决定算法搜索效果,文献 而现有传统粒子群算法动态搜索活跃性差、算法重启能力等不足,提出基于迭代步长累积法的粒子群.该算法的调整部分具体如下:)粒子数目选择波峰少,粒子收敛速度快;波峰多,粒子收敛速度慢,文献 可通过增加粒子数量提高搜索范围,进而加快算法收敛速度.由以上分析,通过计算,设定粒子数目跟波峰之间的关系为yn nNnn nN(取整)()式()中,n为波峰数,N为迭代次数.式子由两部分组成,第一部分为增函数,粒子数目跟迭代次数成反比,跟波峰数成正比.第二部分为正比例函数,粒子数目随着波峰数目的增加而增加.)粒子初始速度和初始位置设置本文将短路电流数值作为粒子搜索区域.粒子的初始位置设置为:Xm a xIs c a r r a yXm i n Is c a r r a yXiXm i n(Xm a xXm i n)r a n d()粒子的初始速度设置为:Vm a x(Xm a xXm i n)/nXm a xVm i nVm a xViVm i n(Vm a xVm i n)r a n d()式()和式()中,r a n d为随机数值,n为波峰数,粒子速度跟波峰数目成反比.)自适应权重前期,粒子群算法需要保持全局搜索,避开局部峰值,后期粒子群算法需要加强局部搜索,提高搜索精度.综上,粒子群算法W设置为:Wm a xVm a xnNr a n dWm i n(Vm a xVm i n)nNr a n dWWm a xtN(Wm a xWm i n)()式()中,W为减函数,其中t为当前迭代次第 卷第期冯鸥,等:基于局部发电障碍检测下的光伏MP P T研究数,N为总迭代次数.)因子线性化收敛因子C为粒子搜寻局部极值,C为粒子搜索全局极值.C m a xC m a xVm a xnNr a n dC m i nC m i n(Vm a xVm i n)nNr a n dCC m a x(C m a xC m i n)tNCC m a x(C m a xC m i n)tN()式()中C为减函数,C为增函数,其中t为当前迭代次数,N为总迭代次数.)基于扰动观察法的粒子爬坡搜索思想文献 在搜索区域中,每个粒子都是自由个体,粒子可以根据初始化后的位置为标准,将计算得到的当前适应值与下次迭代搜索适应值作比较,如式()所示,得到粒子的适应值变化情况,确定粒子的下次的Xi是增加还是缩小.P(k)b e s t iX(k)iV i(k)f(X(k)i)f(Pkb e s t i)且X(k)iPkb e s t iP(k)b e s t iV i(k)f(X(k)i)f(Pkb e s t i)且X(k)iPkb e s t iP(k)b e s t iX(k)iV i(k)f(X(k)i)f(Pkb e s t i)且X(k)iPkb e s t iP(k)b e s t iV i(k)f(X(k)i)f(Pkb e s t i)且X(k)iPkb e s t i()实验验证为了验证改进粒子群算法具备可行性,分别对算法搜索轨迹、收敛速度和最大功率点跟踪效果方面进行测试实验,判断改进粒子群算法是否具备优良的效果,最后搭建仿真模型进一步验证算法有效性.)算法搜索轨迹测试将算法运行在三维平面多峰中,直观感受改进粒子群算法进行极值搜索的运行轨迹.优化函数为:f(x,y)xs i n(p ix)ys i n(p iyp i)()粒子搜索轨迹变化见图.图(a)体现粒子的均匀分布的情况,随机布置在山丘的各个地方.图(b)表示粒子根据设定的搜索特性对山峰进行全局搜索.图(c)表示粒子已经跟踪到全局最优值.图(d)表示粒子逐步收敛到全局最优.图粒子搜索轨迹变化图计算技术与自动化 年月)算法收敛度测试为了验证基于全局极值的粒子爬坡搜索算法的有效性和优越性,将蛙跳算法(s h u f f l e df r o gl e a p i n ga l g o r i t h m,S F L A)和改进P S O算法、粒子群算法(p a r t i c l es w a r mo t i m i z a t i o n,P S O)和GA算法作性能比较检验.为了仿真验证的可比性,对于所有算法,种群大小均设为,最大迭代次数均设为,其中,G A的交叉率Pc ,变异率Pm ;改进P S O与传统P S O的CC,惯性权重W为 ;S F L A算法中种群个数为m,种群中蛙个数为n .为了体现改进粒子群算法在各峰值中的收敛性能,选择f、f、f、f四个经典函数来多方面进行测试.f函数:f(x)nixif函数:f(x)e x p nnixie x pnnic o s(xi)ef函数:f(x)x s i n(x )(f()ni(x)f函数:f(x)ni(xi c o s(xi)对几种算法在ff函数中进行测试,算法迭代次数设置为 ,图为几种算法在测试函数f、f、f、f上的适应度曲线图.通过对比,我们能够发现改进算法的收敛速度和收敛精度效果比其他几种更好.图收敛曲线)跟踪效果测试为了测试算法在不同峰值中的极值跟踪效果,用S函数撰写多峰曲线,用传统粒子群算法和改进粒子群算法进行功率追踪.f(x)xs i n(x)c o s(x)()图中我们能够发现改进粒子群算法在 s左右搜索到最大功率点,能够快速并收敛稳定输出全局最大功率点,而粒子群算法一直处于波动,难以收敛.图表示粒子在单向峰中进行极值追踪,我们能够发现两种算法均能快速跟踪到全局极值,改进粒子群算法相对于粒子群算法在稳定性以及精度方面均呈现优良的表现.f(x)xs i n(x)c o s(x)()第 卷第期冯鸥,等:基于局部发电障碍检测下的光伏MP P T研究图凹凸峰区中极值跟踪效果)仿真实验为了对改进算法验证其可行性,在MA T L A B/S i m u l i n k环境中搭建的光伏阵列用来进行实验.将所有光伏组件光照强度S设置为 W/m,温度T设置.如图(a)所示,改进粒子群算法准确跟踪到光伏电池最大功率点,粒子群算法提早收敛,输出功率却存在较大的波动,文献 扰动观察法由于搜索时的步距原因,难以跟踪到最大功率点上,与极值存在一定差距.实验结果表明,改进粒子群算法适用于单峰中,输出功率稳定无振荡.将光伏组件中第二列第二排光照强度S设置为 W/m,其余光伏组件设置为 W/m,光伏阵列温度T设置为.如图(b)所示,改进粒子群算法准确跟踪到光伏电池最大功率点,粒子群算法提早收敛,输出功率却存在较大的波动,文献 扰动观察法在搜索过程中陷入局部峰值.实验证明改进粒子群算法能够跳出局部,追踪到全局最大功率点.图单向延伸峰区中极值跟踪效果图搜索区域计算技术与自动化 年月结论()利用电压传感器布置方式对光伏阵列内部组件局部发电障碍进行检测,并将检测结果作为MP P T切换条件.该方法主要利用基尔霍夫电压定律进行电压测量,实现局部发电障碍诊断.()结合扰动观察法思想,提出了基于迭代步长累积的粒子群算法.该算法采用电流作为粒子,减小了粒子搜索范围;将粒子数目和波峰数目结合,可以提高搜索效率;自适应权重和线性化搜索,让粒子能够快速实现收敛.测试结果和仿真实验均验证两种策略能够相互配合,通过局部发电障碍检测策略的实时信息输出,扰动观察法和改进粒子群算法相互切换,各自利用本身算法特性,使光伏阵列短时间内时刻输出全局最大功率点,实现太阳能最大效能的利用.参考文献徐建国,王海新,沈建新基于电导增量法与改进粒子群算法混合控制的最大功率点跟踪策略J可再生能源,():范钦民,闫飞,张翠芳,等基于模糊控制的光伏MP P T算法改进J太阳能学报,():张巍,汪洋,倪浩,等 MP P T双模糊自适应扰动观察法研究J电源技术,():王荣,李少纲光伏电池最大功率点跟踪的研究现状综述J电气开关,():R E NS h u y i n g,Z HA O Y a n,Z HAN G T i e y a n,e ta l R e s e a r c ho nd e m a n dr e s p o n s e s t r a t e g yo f i n t e g r a t e de n e r g ys y s t e mb a s e do nh y b r i dp a r t i c l es w a r mo p t i m i z a t i o nw i t hr o u l e t t ew h e e l o p e r a t o rC K u n m i n g,Y u n n a n,C h i n a,:张彦虎,鄢丽娟,马志愤,等一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法J计算机与现代化,():段雪滢,李小腾,陈文洁基于改进粒子群优化算法的VMD G RU短期电力负荷预测J电工电能新技术,():A L IR,S H I Y OUK,YAN GS h a h,e t a l Am o d i f i e dp a r t i c l es w a r mo p t i m i z a t i o nf o rt h ea p p l i c a t i o n so fe l e c t r o m a g n e t i cd e v i c e sC P r o c e e d i n g s o f n d I n t e r n a t i o n a lC o n f e r e n c eo nE l e c t r o n i c s,C o mm u n i c a t i o n s a n d I n f o r m a t i o nT e c h n o l o g y(C E C I T ),:WAN GP e n g,YA O H o n g y u,Z HAN G G o n g,e ta l L a n dc o v e r t a r g e tm a p p i n ga t s u b p i x e l s c a l e f o rL a n d s a t O L I i m a g eb yu s i n gm u l t i s c a l e i n f r a r e d i n f o r m a t i o nJ I n t e r n a t i o n a l J o u r n a l o fR e m o t eS e n s i n g,():郭成,谢浩,孟贤,等基于灰狼优化算法的负荷模型参数辨识J电力科学与技术学报,():P E R E I RAL,F R E N Z E L M,B U C HMANN M,e ta l,T e s t i n gt h er o b u s t n e s so fp a r t i c l e b a s e ds e p a r a t i o n m o d e l sf o rt h em a g n e t i cs e p a r a t i o no fac o m p l e xs k a r no r eJ I n t e r n a t i o n a lJ o u r n a lo f M i n i n gS c i e n c ea n d T e c h n o l o g y,():史泓光伏发电系统最大功率点跟踪控制算法的研究D淮南:安徽理工大学,马健,樊艳芳,王一波,等适用于集中型光伏直流升压变换器的MP P T策略J太阳能学报,():