夏珺，张若龙，苏群博
华能沁北发电有限责任公司，河南 济源459000
摘 要：光伏发电系统的运行需要快速准确地进行最大功率点跟踪(MPPT),但目前很多最大功率点跟踪方法跟踪不够准确,从而导致了光伏系统的功率损失,为此综述了光伏阵列最大功率点跟踪的各种方法,针对阴影下多局部最大功率的情况，介绍了粒子群算法、遗传算法等技术，并对该领域今后的研究方向做了展望。
关键词：光伏阵列；最大功率；粒子群；遗传算法
0 引言
随着经济的发展和社会的进步,能源需求日益增长,常规能源越来越供不应求。同时,常规能源的大量使用造成了世界范围内的环境污染和生态恶化,因此新能源的开发和应用成为当今世界发展的必然趋势。以风光为代表的的新能源发电技术逐渐成为各国研究的重点,太阳能由于安全清洁、持续可用等特性，成为可再生能源的重要选择，引起了世界各国学者的广泛关注。光伏发电系统由太阳能电池组件模块、控制模块、蓄电池储能模块等组成，电池模块是光伏发电系统中的核心模块，单体光伏电池输出电压约为0.5V，难以满足日常供电需求，因此工程上通常是将多块光伏电池经过串并联封装成光伏组件，再将多块光伏组件经过串并联形成光伏阵列[1]。光伏阵列的输出功率受温度、辐照度等诸多因素影响，其中云层移动、建筑物遮挡等导致的局部遮阴会造成所受光照不均匀，对外功率大幅度减少。最大功率点跟踪(maximum power pointtracking，MPPT)技术是高效光伏发电系统的关键技术之一，该技术可以最大限度地利用太阳能进行发电，降低发电成本，有利于光伏发电工程的推广与应用，缓解能源枯竭与环境污染问题。
1 基于优化数学模型的MPPT控制方法
1.1扰动观察法。
在MPPT算法中，现如今工程中使用最广泛的算法是扰动观察法（Perturb and Observe algorithms，P&O），其也是最早出现的算法之一。它的优点是在非复杂光照条件下简单高效，成本低，检测和计算方便。所谓扰动，就是在原有的检测的电压上增加或者减小一个电压增量 U 。那么P&O的原理就是通过电流、电压检测元件得到当前时刻的电流、电压值，并计算当前时刻的功率值，接着在原有电压上增加一个扰动，如果增加扰动后得到的功率值比之前的功率值大，则继续增加扰动比较，反之，则减少一个扰动。总之，扰动的方向与功率增加的方向是一致的。因此在此基础上有学者提出了不同类型的变步长扰动观察法，该类方法根据实际电压值与MPP处运行电压值的差确定扰动步长，从而当工作点离MPP较远时，相应的扰动步长较大，向MPP点移动的速度也相应较快；当工作点到达最大功率点附近时，相应的步长会变小，从而能够精确的捕捉到最大功率点，减少摇摆造成的功率损失。
1.2电导增量法。
电导增量法有着与扰动观察法相类似控制原理，通过利用的方向进行最大功率点跟踪控制，只是光伏组件工作在最大功率点时控制对象和方式与前者有所区别、文献提出改进的电导增量法，算法设计更简单，步骤更少，减少了算法处理的时间，达到了减短跟随时间的目的。文献提出改进变步长的电导增量法，并与传统的电导增量法和变步长电导增量法比较，具有更快速稳定的跟踪效果。
2 基于智能处理方法和其他非线性控制策略的MPPT控制方法
2.1粒子群优化算法
粒子群优化算法(particle swarm optimization，PSO)始于学者与工程师们对鸟群觅食活动的研究。PSO 算法中的每个粒子即为搜索空间中的鸟的个体。在应用PSO算法进行计算时，首先进行粒子群的初始化，使每个粒子均具有初始速度和位置信息。通过粒子连续的迭代过程中，受本身最优解(记为Pbest)与群体最优解 (记为Gbest)的影响更新位置ix与速度iv，使粒子向Gbest位置处移动，实现全局寻优[2]。
以MPPT应用为例,即找到最佳的粒子(控制参数)，使得目标函数(输出功率)具有全局最优解，即阵列全局最大功率点。在整个PSO算法中，惯性权重的取值相当重要。在算法的初始阶段，粒子聚集在一起，增大惯性权重可以减小陷入局部寻优的可能；在算法的后期，粒子进化程度高、分散程度大，减小惯性权重有利于加快收敛速度，使每个粒子的局部搜索更加准确。PSO算法的各粒子具有记忆性，使得邻域算子不能破坏已搜索到的较优解。PSO算法根据粒子速度来决定搜索路径，且沿着梯度方向搜索，搜索速度快，在大多数的情况下，所有的粒子能收敛于最优解。
2.2 遗传蚁群算法
基于遗传蚁群算法的MPPT算法，将蚁群算法和遗传算法在不同运算阶段的优点进行结合，优势互补，形成了一种新的仿生类算法。当光伏阵列局部被阴影遮挡时，基于遗传蚁群算法的MPPT算法可以快速、精确地跟踪到全局的最大功率点，同时避免陷入局部最优的情况，光伏系统可以稳定地工作在最大功率点附近。通过基于遗传蚁群算法的MPPT算法在实际工程中的应用情况，验证了该算法的准确性和高效性。遗传算法和蚁群算法是近年来最优解求解领域中运用较多的仿生类算法[3]，在光伏阵列局部遮挡的情况下，可保持较高的运算效率来求解最大功率点，并且能够有效避免运算陷入局部最优。
2.3天牛须搜索算法
天牛须搜索（beetle antennae search,BAS），也称甲虫须搜索，是在2017年所提出的一种高效的智能优化算法。类似于遗传算法等其他智能优化算法，BAS在函数的具体形式和梯度不确定时就可以实现高效寻优。但相关研究结果表明，BAS在优化多极值函数时易陷入局部最优。借鉴PSO方法的群体智能优化思想把天牛须搜索推广得到天牛群优化（beetle swarm optimization,BSO）算法，然后把BSO应用到光伏MPPT控制中，以提高MPPT的追踪速度与准确度。把BSO应用到MPPT控制中，天牛位置对应占空比。在每次迭代更新中，天牛改进自身位置的方式有两种：其一是通过群体学习来改进位置，每只天牛根据当前全局最优的天牛的位置来改进自己的位置，向当前全局最优的天牛靠近，搜索速度快；另一种方式是根据天牛觅食的行为改进自身位置，若左须接收到的气味浓度大于右须，就向左移动，反之，向右移动，这也使得每只天牛在群体学习的同时也能够通过判断左右须气味浓度来改进自身位置，因此BSO优化能够更有效地跳出局部最大值，在MPPT应用中，能够准确收敛到全局并防止陷入局部最大功率点从而减少功率损失[4]。经典的群体智能优化算法粒子群优化依靠群体学习改进位置，容易陷入局部最优，且在优化后期收敛速度变慢，效率和精度偏低。由天牛须搜索推广得到的天牛群优化使得每次迭代中天牛在群体学习改进位置的同时增加了依据气味浓度改进自身位置的方式，其效率更高。此外依据气味浓度改进自身位置的方式也使得在优化后期其收敛速度更快，精度更高。因此，理论上看，天牛群优化BSO兼具了个体改进和群体互相学习的优势，BSO应当比基于粒子随机游走的PSO等方法的搜索路径更优，效率更高优化速度更快，且能有效防止陷入局部最优，在光伏MPPT应用中能够更快更准确地追踪到全局MPP，具有优良的全局优化能力和防止陷入局部最优的能力，其寻优速度更快、精度更高，且寻优过程更稳定波动较小。
3 结论
光伏发电系统中的MPPT技术是高效利用太阳能、实现最优输出的一项关键技术。现代应用数学和智能处理方法的蓬勃发展,为解决光伏阵列最大功率点跟踪这一复杂问题提供了丰富的理论依据和新的思路,目前在这一领域已取得大量的成果。如何将各种最大功率点跟踪控制方法进行有机结合、取长补短,使其能更好满足现场实际需求,是今后光伏阵列最大功率点跟踪控制的研究方向。
4 参考文献
[1] 陈亚爱,周京华,李津,周玲玲.梯度式变步长MPPT算法在光伏系统中的应用[J].中国电机工程学报,2014,34
(19):3156-3161.
[2] 李善寿,张兴,张鸿恺,赵为,倪华. 基于功率闭环控制与PSO算法的全局MPPT方法[J]. 中国电机工程学报,
2014,34(28):4809-4816．
[3] 刘建辉,李博. 局部阴影下基于遗传蚁群算法对MPPT的研究[J]. 可再生能源,2017,35(01):13-19.
[4] 党克,李鹏举,刘闯. 基于变步长天牛须搜索算法的光伏系统 MPPT控制研究[J]. 吉林电力,2019,47(05):
27-31+36.
地址：
夏珺，河南省济源市五龙口镇华能沁北电厂，18803900525