基于人工蜂群算法的光伏阵列MPPT控制策略研究*

聂晓华，徐一鸣

(南昌大学 信息工程学院,南昌　330031)



基于人工蜂群算法的光伏阵列MPPT控制策略研究*

聂晓华，徐一鸣

(南昌大学 信息工程学院,南昌330031)

在实际的复杂应用环境下，光伏阵列不仅存在因局部阴影情况影响导致输出功率曲线(P-U曲线)呈现多极值点的问题，还具有难以考察的传感器精度、采样精度等实际应用限制所带来的量测噪声问题。为此，在分析复杂应用环境下光伏阵列的输出特性的基础上，提出先采用递推最小二乘估计来削弱量测噪声的影响，再运用比粒子群算法控制更简单，鲁棒性更好的人工蜂群算法跟踪全局最大功率点的MPPT控制策略。最后通过仿真与实验，验证了该MPPT控制策略的可行性和有效性。

复杂应用环境；光伏MPPT；递推最小二乘滤波；人工蜂群算法

0　引言

太阳能光伏发电由于其可再生性、清洁性及取之不竭、用之不竭等特点，正在发展成为世界能源组成中的重要部分[1-2]。在光伏发电技术中的主要问题是如何提高光伏电池的转换效率，以及提高整个系统工作的稳定性[3]。光伏系统最大功率点跟踪(MPPT)技术是提高光伏转化效率的有效方法，目前主要MPPT算法有固定电压法、扰动观察法、电导增量法和粒子群智能寻优算法等，并出现了一些改进与优化算法[4-5]。

在局部阴影情况下，光伏阵列的P-U输出特性曲线呈现多个峰值点，传统的MPPT算法(如固定电压法、扰动观察法等)容易陷入局部极值点，跟踪效果差。而目前被广泛应用于多峰MPPT的粒子群算法(PSO)及其改进与优化算法在保证全局收敛速度时，鲁棒性都较差，且PSO在进化后期收敛慢，粒子会趋于同一化，失去多样性。而与PSO相比，人工蜂群算法(ABC)具有算法简单，鲁棒性强等特点[6]，适用于进行全局最大功率点跟踪。文献[7-8]已成功将ABC算法应用于光伏系统MPPT中，但只考虑了光照均匀的情况，没有考虑局部阴影的影响。

文献[9]将ABC算法应用于局部阴影下的光伏系统全局MPPT中，并在不同的阴影条件下对两种阵列结构不同的光伏组件进行仿真试验,证实了所提出方法的正确性，但是文献并没有考虑到实际中存在的量测噪声等因素带来的影响。

而在实际复杂应用环境中，光伏系统不仅存在因为局部阴影情况导致P-U输出曲线呈现多个极值点的问题，还存在难以考察的传感器精度、采样精度、电磁噪声等实际应用限制所带来的量测噪声问题。文献[10]通过仿真分析了量测噪声对几种MPPT算法的影响，并指出量测噪声从根本上限制了MPPT算法的性能，会影响整个系统工作的稳定性。

针对在实际复杂应用环境中存在的上述问题，本文首先以递推最小二乘估计对光伏系统进行处理，削弱量测噪声对系统的影响，然后运用ABC算法进行全局最大功率点跟踪的控制策略，最后通过搭建的独立光伏系统实验平台，实验验证了所提出MPPT控制策略的正确性和有效性。

1　复杂应用环境下光伏系统的特性分析

在实际的复杂应用环境中，由于周围树木、建筑物、光伏阵列表面的灰尘、天上的云层遮挡等局部阴影情况的影响，光伏系统的I-U特性曲线呈现阶梯状，相应的P-U特性曲线存在多个极值点。在实际应用中，光伏系统还存在难以考察的传感器精度、采样精度、电磁噪声等实际应用限制所带来的量测噪声与野值点问题。例如，由于检测和控制技术的限制，电压和电流的测量都存在噪声。因此，不同于理想情况下的光伏系统，实际的复杂应用环境中的光伏系统的输出特性曲线是存在多极值点和噪声的。

由文献[11]提出的局部阴影条件下光伏阵列的数学模型，以{3×4}光伏阵列结构为例，产生数据模拟。光伏阵列结构如图1所示。太阳能电池详细参数见表1。

图1　光伏阵列结构

最大功率Pmax10W开路电压UOC21.6V短路电流ISC0.62A最大功率点电压Ump17.5V最大功率点电流Imp0.57A

图2　局部阴影影响

光伏阵列各组件的光照强度设置如下：1B，1C，1D光照强度为800W/m2；2C，2D光照强度为600W/m2；3D光照强度为600W/m2；其余组件为：1000W/m2，温度都为参考温度25°。在输出电流上分别加上1%和3%的采样电流来模拟量测噪声和野值点。局部阴影下的光伏系统P-U输出特性曲线如图2所示，图中P1、P2、P3为局部最大功率点，P4为全局最大功率点；复杂应用环境下的光伏系统P-U输出特性曲线如图3所示。

图3　复杂应用环境影响

2　复杂应用环境下基于ABC算法的MPPT控制策略

根据复杂应用环境下光伏系统的输出特性，本文采用递推最小二乘估计结合ABC算法的MPPT控制策略。

2.1递推最小二乘滤波预处理算法

递推最小二乘估计是最小二乘最优估计方法中的一种，一般用于对实测数据和历史数据的滤波与预测处理，能有效的减小量测噪声对系统的影响。

典型的MPPT控制电路如图4所示。由文献[4]中的可观测性定义，应用递推最小二乘估计对光伏系统进行滤波处理。如图4所示，光伏系统的MPPT控制电路是通过传感器采样阵列电压电流数据并传入MPPT控制模块结合相应的算法进行控制。在采样过程中，以光伏系统的真实电流Ire(t)作为被估量，系统的量测方程描述如下：

Z(t)=hkIre(t)+n(t)

(1)

式中t为t时刻；Z(t)表示阵列电流观测值；hk为量测矩阵，且hk=[1 1…1]T；n(t)为量测噪声，理想情况下满足：

(2)

式中σn2是噪声n(t)的方差，In为单位阵。

因量测数据受实际环境影响较大，可能存在粗大测量值即野值点。对于每一个初始状态I(0)，均能通过量测值{Z(1),Z(2),…,Z(N)}唯一确定。则Ire(t)在k时刻的最小二乘估计为：

(3)

方差σn为：

(4)

通过采样得到下一个量测值Ire(k+1)，该量测值在k+1时刻的递推公式为：

(5)

运用式(1)～(5)，由电流的估计值进行功率计算，对图3情况下光伏系统进行滤波处理，结果如图5所示。

图4　MPPT电路结构示意图

图5　滤波后光伏系统输出功率曲线

从图5可以看出采用递推最小二乘估计策略能有效减小量测噪声对光伏系统的影响，且获得的功率曲线接近理想环境下的功率曲线。

2.2基于ABC算法的全局MPPT控制策略

人工蜂群算法是模仿蜜蜂群寻找蜜源(食物源)的智能行为提出的一种优化算法。在ABC算法中，蜜源的位置代表了所求优化问题的可行解，蜜源的丰富程度(适应度)表示可行解的质量。在蜂群的觅食过程中，蜜蜂按照分工不同被分为三种：引领蜂、跟随蜂和侦察蜂。蜂群的一半由引领蜂组成，另一半为跟随蜂。每一个蜜源吸引一个引领蜂，引领蜂在舞蹈区将蜜源的信息与跟随蜂共享，吸引其他的跟随蜂采蜜，蜜源的丰富程度越高被选择过来的跟随蜂越多。跟随蜂按照选择概率来决定跟随哪个引领蜂采蜜，每个跟随蜂到达蜜源后，对该蜜源做一次邻域搜索，对吸引过来的跟随蜂所搜索的位置进行比较，找到其中最好的蜜源，并与原来引领蜂所对应的蜜源比较，如果比原来的蜜源好，则新位置作为新的蜜源；否则，继续开采原来的蜜源。当搜索过程停滞时，引领蜂变为侦察蜂，并在蜂巢附近(解空间中)寻找新的蜜源。

典型的MPPT控制电路如图4所示。在ABC算法中将Boost升压电路的占空比D看成蜜源位置，光伏系统的输出功率PPV看成花蜜量，即蜜源的丰富程度。本文在现有的ABC算法中，适当的消除侦察蜂部分，缩短了全局最大功率点跟踪的收敛时间。具体的实现步骤如下：

(1)蜂群的初始化：给定蜜蜂的数量NP，则引领蜂和跟随蜂的数量都为NP/2。最开始时候，所有的蜜蜂都指向不同的蜜源位置(Boost升压电路的占空比D)，在解空间中用如下方程设置蜜源位置：

(6)

式中，i=1,2,…,NP；Dmin和Dmax为Boost电路的占空比的最小值和最大值，一般在0.1～0.9之间取值。

(2)计算蜜源的适应度：根据仿真研究中的数学公式，计算每个占空比(蜜源位置)对应的光伏系统的输出功率。根据蜜源的丰富程度，蜜蜂被分为引领蜂或者跟随蜂。

(3)蜜源的位置更新：在局部阴影下，每次跟踪光伏系统的全局最大功率点，蜜源的位置更新都分为两个方面。

①引领蜂位置更新：引领蜂根据下式来更新自己位置。

Xi(k+1)=Xi(k)+r(Xi(k)-Xj(k))

(7)

式中，Xi(k+1)代表新产生的第i个蜜源位置，Xi(k)代表原来的第i个蜜源位置；k为迭代次数；j为随机指定的个体，且j≠i，j∈{1,2,…,NP/2}；r为在[-1,1]范围内的随机数。变量r使得所有蜜蜂朝着最优解逼近，这增强了在解空间中搜寻最优解的能力，避免其收敛到局部最优。

引领蜂比较新蜜源的丰富程度是否好于原来的蜜源，如果新蜜源的丰富程度好于原来蜜源的丰富程度，则开采新蜜源，还是按照式(7)更新自己的位置；否则，开采原来的蜜源，即Xi(k+1)=Xi(k)。

②跟随蜂位置更新：跟随蜂在蜂巢的舞蹈区内，根据引领蜂传递过来的信息，比较蜜源的适应度大小后，跟随蜜源最丰富的引领蜂采蜜。跟随蜂的位置更新为：

(8)

式中，Xh代表蜜源最丰富的位置。

(4)终止策略：当蜜蜂再经过5次迭代后，光伏系统的输出功率仍没有显著的增大时，终止算法；否则，返回步骤(2)。

(5)算法重启条件：当光照强度或者阴影情况发生变化时，光伏系统的输出功率也会随着改变。可以通过检测光伏系统的输出功率的变化来重启算法。

光伏系统的输出功率是否变化由下述方程判断[7]：

(9)

式中，P(k)为光伏系统当前时刻的输出功率，P(k-1)为光伏系统上一时刻的输出功率。变量α是一个根据环境变化而取值的参量，其数值应当在充分考虑所在区域中占主导的天气情况后决定。例如，在与外界隔离或在温度变化缓慢的季节，α可以取值为1；在天气多变的风雨天，α的取值应大于1。

满足式(9)时，仍不能确定光伏系统输出功率的变化是由阴影情况的变化还是负载电阻的变化引起的。仍需检测电压和电流变化：

(10)

(11)

如果式(10)～(11)也成立，那么可以确定光伏系统输出功率的变化是由阴影情况的改变而引起的，返回步骤(2)重新启动算法。否则，光伏系统输出功率变化是由负载电阻的变化而引起的。此时，只需要按式(8)适当调整一下Boost电路的占空比，就能使光伏系统输出功率输出最大。

递推最小二乘估计结合ABC算法的MPPT控制策略流程图如图6所示。

图6　MPPT控制策略流程图

3　实验验证

为了验证本文提出的MPPT控制策略的正确性和有效性，按照图4搭建了独立光伏发电系统实验平台，包括光伏阵列，Boost电路，负载和基于K60P100SYS芯片的MPPT控制电路。其中电路中的电感L取4mH，电容C2为470μF；负载为1kΩ电阻。

实验过程中首先将光伏阵列置于正常光照下，此时光伏电池Uoc=21.6V，ISC=0.62A。然后用手工遮挡的方法模拟局部阴影情景，一段时间后恢复初始光照。光伏阵列的输出功率曲线图如图7所示。

从图7中可以看出，PSO算法能跟踪到全局最大功率点，但是算法后期收敛较慢，且由于实际的复杂应用环境中还存在量测噪声等因素的影响，波形抖动较大，误差较大。而采用递推最小二估计结合ABC算法的MPPT控制策略的波形明显更好，说明采用递推最小二乘估计的方法能有效抑制量测噪声对系统的影响，且采用ABC算法的鲁棒性更好，后期收敛速度快。

图7　实验结果

4　结论

本文分析了实际的复杂应用环境下光伏系统的输出特性，结果表明光伏系统存在输出功率呈现多极值点问题和不可避免的量测噪声问题。针对上述问题，本文提出递推最小二乘估计和ABC算法相结合的MPPT控制策略，然后通过搭建的独立光伏系统实验平台，实验验证了本文提出策略的正确性和可行性，弥补了现有全局MPPT算法研究上的不足。

[1] 张洋，乔双，唐小峰,等.适应于光伏发电的新型交错并联Boost变换器[J].电力电子技术，2015，49(2)：69-71.

[2] 张锋，慧晶.基于极值搜索算法的光伏系统MPPT控制[J].电力电子技术，2014,48(2)：6-8.

[3] 赵争鸣，贺凡波，雷一,等.光伏并网发电若干关键技术分析与综述[J].电力电子技术，2013,47(3)：1-7.

[4] 聂晓华，赖家俊．局部阴影下光伏阵列全局最大功率点跟踪控制方法综述[J].电网技术，2014，38(12)：3279-3285．

[5] 聂晓华.递推最小二乘估计在光伏系统MPPT中的应用研究[J].电测与仪表，2012，49(11)：49-52.

[6] 周长喜，毛力，吴滨,等.基于当前最优解的人工蜂算法[J].计算机工程，2015,41(6):147-151.

[7] B Babar,A Craciunescu.Comparison of artificial bee colony algorithm with other algorithms used for tracking of maximum power point of photovoltaic arrays[C].the Int. Conf.Renew.Energies Power Qual.(ICREPQ’14),Cordoba,Spain,2014.

[8] B Bilal.Implementation of artificial bee colony algorithm on maximum power point tracking for PV modules[J].in Proc.8th Int.Symp.Adv.Topics Elect. Eng.(ATEE),2013,23-25:1-4.

[9] Kinattingal Sundareswaran,Peddapati Sankar,P S R Nayak,et al.Enhanced Energy Output From a PV System Under Partial Shaded Conditions Through Artificial Bee Colony[J].IEEE Transactions on Sustainable Energy,2015,6(1):198-209.

[10] Latham A M，Pilawa-Podgurski R，Odame K M，et al．Analysis and Optimization of Maximum Power Point Tracking Algorithms in the Presence of Noise[J]．IEEE Transactions on Power Electronics，2013，28(7)：3479-3494．

[11] 刘晓艳，祁新梅，郑寿森，等．局部阴影条件下光伏阵列的建模与分析[J]．电网技术，2010，34(11)：192-197．

(编辑李秀敏)

Research into the Application of MPPT Control Based on Artificial Bee Colony Algorithm

NIE Xiao-hua,XU Yi-ming

(College of Communication Engineering,Nanchang University,Nanchang 330031,China)

In the practical complex application environment,the PV array not only has the problem of presenting the multi extreme point of the output power curve(P-U curve)in the partial shade conditions,but also has the difficulty of measuring the noise caused by the sensor accuracy and the sampling accuracy. In this paper,the output characteristics of photovoltaic system in complex application environment are analyzed.And this paper proposes using recursive least squares estimation methods to weaken the effects of measured noise.Then, this paper proposes the artificial bee colony(ABC)MPPT control algorithm.Finally,the feasibility and effectiveness of the MPPT control strategy is verified by simulations and experiments.

complex application environment; MPPT;the recursive least squares estimation; artificial bee colony algorithm

1001-2265(2016)07-0092-04DOI:10.13462/j.cnki.mmtamt.2016.07.026

2015-09-01

国家自然科学基金项目(51467013)；江西省科技支撑计划项目(20123BBE50077)

聂晓华(1969—)，男，河北邢台人，南昌大学副教授，硕导，博士，研究方向为电气工程、电力电子，(E-mail)niexiaoh@163.com。

TH166;TG506

A