罗晓瑞
河北科技大学，河北 石家庄 050000
摘要：基于实际的生产应用，采用工程模型，在Matlab/Simulink环境下建立仿真模型。针对光伏组件模型进行了详细的阐述。在此基础上，采用粒子场优化算法对光伏发电系统实现最大功率点跟踪。仿真结果表明：模型的仿真结果在不同光强下的输出特性I-V、U-P与厂商提供的数据契合度很高；采用粒子场优化算法实现最大功率点跟踪，仿真系统响应时间短，光伏阵列输出电压以及DC/DC变流后输出电压误差都很小。
关键词：工程模型；Matlab/Simulink仿真；粒子场优化算法；
0 引言
随着能源的枯竭、人们环保意识的日益增强，对于化石燃料的担忧日益加重，寻求新型能源来代替传统能源，解决污染以及能源紧张问题日益成为人们关注的热点。光伏发电作为新型能源大家庭中的一员，因其清洁环保、资源丰富等优点成为了新型能源中的宠儿。但对于光伏发电的电能质量的影响因素也很多，例如日照辐射、温度等环境以及负载发生变化等。光伏组件作为光伏发电系统的核心部件，在光伏发电系统的研究过程中，对光伏组件仿真工作显得尤为重要。模型搭建的实用性和通用性，对光伏发电系统具有一定的影响，因此准确实用的仿真工作显得尤为重要。
1 光伏发电系统仿真模型
1.1 光伏电池仿真模型
光伏组件是光伏发电的基础部件，光伏电池电压很低，经过一定数量的串并联处理之后，经过机械部件的加固成为了光伏组件。在此基础之上，再经过一定数量的串并联之后组成光伏阵列。光伏阵列作为发电发电单元，经过变流等电力电子技术的处理得到生产生活所需的电能。晶硅光伏组件是目前市场应用最为广泛的电池，因此本文选取晶硅光伏电池进行仿真研究。
光伏电池可以看成是一个PN结，半导体PN结的光生伏特效应是光伏电池能量转换的基础（见图1）。当光照射到光伏电池时，半导体中的价电子、空穴发生跃迁，将太阳能转化为电能。
.png)
由电子学理论可知，光伏电池可以用如图2所示的等效电路进行描述：
.png)
图2中，Iph是光生电流，I0是电池内部等效二极管反向饱和电流，Rsh为电池旁路并联电阻，I、U 分别为光伏电池的端口电流、端口电压。
根据图2中的电流参考方向，结合KCL定理可知光伏电池的输出特性如下[1]：
.png)
在实际的生产中，光伏电池的并联电阻 Rsh一般高达数千欧姆，因此在对光伏电池的研究过程中可以忽略其对输出电流的影响，则输出特性方程可以简化为：
.png)
式(1) 中，U为电池输出电压；I为电池输出电流；Iph为光生电流；I0反向饱和电流；q为电荷电量(1×10-19库伦)；K为玻尔兹曼常数(1.38×10-23J/K)；T为电池温度；A为P-N结理想因子，一般取值1~2。
由于在实际生产应用中，生产商一般提供给用户4个基本参数[2]，即最大功率点电压Umax、最大功率点电流Imax，开路电压Uoc，短路电流Isc。在此基础上，经过数据拟合、工程简化得到工程应用模型[1]，由此可知光伏电池的I-V输出特性计算公式如下：
.png)
上述公式都是基于标准条件参数进行计算。但是在生产制造光伏组件的过程中，不可避免的会存在一定的误差以及随着时间的推移光伏组件相较于标准条件下测量的参数会有一定的偏差，因此需要对其进行实际测量获得新工况条件下的相关参数。使用的公式如下所示：
.png)
公式中系数典型值为：a=0.0015/℃，b=0.5，c=0.00788/℃。
根据上述公式，基于Simulink工具搭建的光伏电池的仿真模型如图3所示
.png)
1.2 光伏阵列最大功率跟踪（MPPT）
随着光照强度和温度等变化，光伏发电的处理效果也会发生变化，最大限度的利用太阳能使其发电是光伏发电系统的研究重点之一。针对这一问题，提出了最大功率点跟踪（maximum power point track, MPPT）算法。目前MPPT算法有很多，其中最常用的MPPT算法有：恒电压法（CVT）、扰动观测法（P&O）、电导增量法（INC）等[3]；另外针对遮挡等现象造成的影响，提出以一系列智能算法，例如：粒子群算法（PSO）、蚁群算法（ACO）、改进蝙蝠算法（BA）、灰狼算法（GWO）等[4]。
本文采用粒子场优化算法（Particle Field Optimization，PFO）实现光伏发电系统的MPPT跟踪。该算法是2015年由加拿大的Nathan Bell和B. John Oommen提出，在粒子群算法的基础上，采用一种新的、抽象的视角，通过场来藐视每个粒子。
在粒子群算法中，单个粒子的当前位置、速度以及个体的最优位置是重要的影响因素，会影响下一次迭代的结果。粒子的在下一迭代中的位置取决于其当前位置和速度，更新后的速度反过来作用于粒子的当前速度、个体最优位置和种群全局最优位置。PFO算法移除了速度项，即下一迭代中粒子位置与当前迭代中粒子的位置无关。更新粒子时，下一位置通过高斯随机分布来实现。
与PSO相比[5-7]，PFO算法主要由初始化和仿真两个阶段组成，其中仿真阶段循环的终止需要满足一定的条件，循环终止时返回算法所找到的最优解作为输出。另外在初始化阶段，PFO算法以初始化范围、种群大小和池大小作为参数引入其中。
在初始化阶段，主要将粒子场个体的数量进行初始化。通过对初始化范围定义一个均匀随机分布，进行抽样，给每个个体分配一定初始的最优解。
在仿真阶段循环，最大迭代次数取决于终止条件。每个迭代由两个阶段组成：第一阶段，生成候选解；第二阶段，更新粒子场个体的种群。其中候选解是通过对粒子场个体种群定义的混合分布进行采样产生的。对点池中的点，经过加权处理，随机的选取粒子场中个体，然后，对被选个体进行随机分布抽样得到候选解。
候选解生成，目标函数评估工作完成，开始进行第二阶段的工作。在这个阶段，每个个体使用从自己的分布中生成的候选解集来更新自己的最优位置。每个个体从相关的候选解集中选择最最优位置。如果最优关联候选解优于个体最优位置，个体将其最佳发现点设为与该候选解点相等。然后清空候选解池，模拟继续到下一个迭代。一旦满足终止条件，则返回全局最优发现点作为算法的输出。
2 仿真验证
本文采用400W单晶硅电池组件进行仿真研究，具体参数见表1。
.png)
由于该系统是功率为20KW、直流母线电压为1000V的光伏发电系统，基于单块光伏组件的参数，经过计算可以得知，整个系统需要50PCS的光伏组件；结合系统MPPT以及直流母线电压考虑，采用5PCS为一串，共10串的串并联形式组成光伏阵列。在进行仿真之前，需要进行假设，在仿真过程中，环境对于每块组件的影响是一样的，另外每块组件的电气性能是一致的，忽略因工艺等问题对组件的影响。
单块光伏组件的仿真结果如图4所示：
.png)
从上图中可以看出，对比表1可以看出，仿真模拟的契合度很高，表明工程仿真模型时正确的。从曲线的走势可以看出，完全符合光伏组件的非线性输出特性。
.png)
当光伏发电系统处于25℃、1000W/m2条件下时，如图5所示，PFO算法下的仿真曲线在0.006s时追踪到最大功率，其值约为1.996KW（经过串并联后光伏发电系统的理论总功率为20KW），功率输出较为平稳，误差值仅为0.004W。
.png)
从图中可以看出，采用PFO算法，经过Boost电路变换后直流输出端电压稳定后维持在975-1000V之间，上下波动幅度为-2.5%-1%。
3 总结
从仿真的结果可以看出，本文采用工程模型对光伏发电系统的建模具有较强的实用性，在实际的生产应用中，该模型能够很好的模拟出光伏组件在不同光照强度的I-V、U-P特性曲线。采用粒子场优化算法PFO的最大功率跟踪控制策略，可以快速、准备的实现最大功率跟踪，经过Boost拓扑结构变流后，能够满足负载供电的需求。
参考文献
[1]刘继传;刘武斌;邓佳康;阳鹏飞.基于MPPT算法的光伏发电并网系统仿真研究[J].电子产品世界,2018,25(11):72-76.
[2]彭湃;程汉湘;陈杏灿;李蕾.太阳能光伏电池工程用数学模型的研究[J].广东电力,2015,28
(10):26-29.
[3]严国康.太阳能光伏电池工程用仿真模型及其MPPT控制算法研究[C].重庆大学,2015.
[4]张川峰.基于MATLAB的大功率光伏并网逆变器的设计[C].杭州电子科技大学,2016.
[5]李畸勇;张伟斌;赵新哲;刘斌;郑一飞.改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪[J].电工技术学报,2021.
[6]孙恺;刘光宇.基于改进PSO算法的光伏发电系统MPPT控制策略[J].传感器与微系统,2021,40(01):49-52.
[7]沈璐璐.基于优化的模糊神经模型的光伏发电预测的研究[J].微型电脑应用,2020,36(09):109-113.