改进基于INC算法的光伏发电系统最大功率跟踪

李文强，黎 英，张 轩

(1.昆明理工大学信息工程与自动化学院，云南昆明650500；2.华北电力大学，河北保定071000)

太阳能具有用之不竭、清洁无污染的优点，对于改善环境和现阶段的能源结构，具有巨大的优势，对光伏发电系统的研究具有重大意义。对于光伏发电系统来说，当日照强度和环境温度发生变化时，太阳电池板的输出会呈现强烈的非线性特性。为实现太阳能发电系统在不同的光照强度和环境温度下的最大输出，研究太阳电池阵列的最大功率点跟踪(maximum power point tracking，MPPT)问题对提高光伏发电效率至关重要。

在不同的外界条件下，光伏电池可运行在不同且唯一的最大功率点[1]，实现最大限度地将太阳能转换为电能。国内已

经提出了多种MPPT算法，主要有电导增量法、扰动观察法、神经网络预测法、混沌搜索算法、模糊控制算法等等。然而，当太阳电池阵列被局部遮挡时，光伏阵列输出会呈现多峰值特性。针对这个问题，主要有两种解决途径，一是结合常规算法的复合MPPT算法，二是采用具有全局最优化算法的新型算法。文献[2-4]提出了基于电导增量法的改进算法，该算法将可能出现最大功率的所有电压设为参考电压，并通过对比此处的最大功率来寻找最大功率；但该算法计算量大，搜索时间长，追踪性能差。文献[5]提出了新型的混沌搜索算法，该算法利用不同混沌机制产生的混沌变量作为随机步长进行搜索扰动；但是这种算法输出有扰动，震荡厉害，效率低下。文献[6]提出了Fibonacci序列法，此方法实现原理比较复杂，搜索速度慢，既要提高整个发电系统的效率，还要实现多峰值下的最大功率跟踪。

对于局部阴影条件下光伏电池最大功率点跟踪，现有的算法存在的问题主要有：计算量大，响应时间慢，追踪性能差；输出不稳定，有震荡，具有能量损耗；容易陷入局部最优等。本文提出了一种新的搜索算法，通过对INC算法进行改进，并对传统的阀值进行限制，使其具有更加突出的追踪性能，有效地提高了搜索效率和精度，解决了陷于局部最优而产生能量损耗的问题。

1 光伏阵列的数学模型

光伏阵列通过并联和串联从而实现人们预想的输出电压和电流。一组典型的m×n光伏阵列如图1所示。

图1 m×n光伏阵列

为了保护因局部阴影引起的热板效应，在每个光伏电池的两端反并联上旁路二极管DS；同时，为了防止每组电压不同引起的电流逆向流动，加入了二极管DP。与光伏电池的开路电压和短路电流相比，这些二极管的压降和电流可以忽略不计。所以光伏电池的数学模型为：

式中：Ii和Vj为光伏电池的输出电流电压，Ii=Vj为光伏阵列中第i行第j列电池的输出特性；由于旁路二极管的存在所以Vij＞0；由于每串组件有防逆二极管 DP的存在，所以Iij＞0。

数学模型可以用分段函数表示，即：

式中：ISCij为第j串第i个电池的短路电流；VOCij为第j串第i个电池的开路电压；C1ij、C2ij的值为：

式中：Imij为局部阴影条件下第j串第i个最大功率处的电流；Vmij为局部阴影条件下第j串第i个最大功率处的电压。

式(1)～式(4)可以总结为：

标准条件下的光伏模型的仿真结果如图2所示，而局部阴影条件下的仿真如图3所示。从图3可以看出，存在局部阴影时，光伏模型具有多峰值现象。传统的最大功率跟踪方法可以快速有效地寻找到峰值，然而当存在多个峰值时，寻找到的峰值可能是局部峰值，并非全局最优值。有些复杂算法虽然可以找到全局最优值，但是跟踪性能差、效率低[7]。

2 GMPPT控制策略

图2 标准条件下光伏模型的仿真

图3 阴影条件下光伏模型的仿真

建立全局最大功率跟踪(GMPPT)算法。寻找有可能出现的所有局部最大功率点(LMPP)处，若发现有极值点，则按照常规P&O法进行控制处理；若没有发现极值点，则跳跃至下一个可能出现的局部极值点附近，直至完成所有可能局部极值点搜索后，比较LMPP，选出GMPP，并在GMPP处进行常规P&O法进行最大功率跟踪。

然而，该算法可能会出现以下情况：(1)如果阀值选取过大，会使得输出功率值处于峰值的右边，此时功率并不是最大功率，根据算法会减小电压，从而使得输出功率又回到峰值的左边，此时输出功率依然不是最大功率，从而导致输出不可避免地会产生振荡问题，造成功率损失。(2)如果阀值过小，会使系统不停增加阀值以达到峰值，实现输出最大功率，又或者系统不停减少阀值实现输出功率最大的效果。这种情况下虽然精确度相对较高，但是跟踪速度慢，响应时间长。

3 GMPPT算法改进

3.1 改进的基本思想

针对传统的GMPPT控制算法的不足，本文提出了基于全局最大功率区域的搜索算法(KFC)和增量电导法(INC)的改进算法。当发生光伏阵列局部阴影条件改变时，利用KFC法迅速找到LMPP附近，然后利用小步长的INC法搜索使其停留在GMPP处，为了提高GMPP处的无震荡输出和响应时间，对于INC法采用最优的阀值来保证输出功率的稳定。

3.2 KFC搜索算法

在分析了大量仿真和实验结果的基础上，发现在I-V曲线上的最大功率区域处V/I约等于VOC/ISC，如图4所示。VOC和ISC是光伏电池在非阴影条件下的开路电压和短路电流。图4显示出在5种不同阴影条件下的输出特性，5条I-V曲线与负载线OM相交A-E，A-E也正好相应处于5种阴影条件下的全局最大功率区域。所以VOC/ISC在搜寻全局最大功率区域发挥着巨大作用。

图4 I-V曲线

如果光伏阴影条件改变了，应该立马改变到VOC/ISC约等于V/I，找到全局最大功率区域，然后利用传统的最大功率跟踪的方法跟踪最大功率，其流程如图5所示。

图5 改进算法的流程

3.3 INC的阀值选取

一般INC法的判定条件 (连续两次采集电压差的绝对值|ΔU|、电流差的绝对值|ΔI|)在固定的扰动步长下很难保持在MPP处的稳定，为了保证准确性可以将这几个判定条件限制在一定范围内，而且这几个范围不能太大也不能太小，范围太大，可能与真实的MPP误差太大，范围太小，就达不到稳定输出的作用。

图6给出了阀值取0.5 V时的仿真效果，可以看出，由于阀值太大，输出功率震荡最厉害，系统稳定性极差。图7给出了阀值取0.1 V时的仿真效果，其输出具有良好的稳定性，但是系统达到最大值的响应时间较长，系统跟踪性能较差。图8给出了阀值取0.2 V时的仿真效果，此时系统稳定性和响应性能都表现优良。所以阀值的选取决定了系统输出的稳定性，其值不能太大也不可太小。通过多次实验对比选取最合适的阀值，综合考虑，选取为：|ΔU|≤0.2 V，|ΔI|≤0.02 A。

图6 阀值电压为0.5 V时的仿真

图7 阀值电压为0.1 V时的仿真

图8 阀值电压为0.2 V时的仿真

4 实验与仿真

根据云电微网实验系统中15 kW光伏发电机组参数，搭建光伏发电模型(参数见表1)，对单台机组的光照强度变化时光伏发电运行特性进行仿真分析，仿真结果如图9、图10所示。

图9 传统算法仿真

图10 改进算法仿真

表1 光伏发电参数

对图9、图10的结果进行对比可以验证改进算法的可行性。(1)阴影条件改变时，本文提出的算法在1 800 ms左右稳定在系统最优功率6.6 pu处，传统INC算法却稳定在5.6 pu处，应该是陷入局部最优值。(2)本文提出的算法用了700 ms的时间达到最大功率处，而传统算法用了900 ms，响应速度提高了将近20%，本文算法具有更好的跟踪性能。(3)对比图9、图10可以看出当系统稳定在最大功率处时输出基本上没震荡，具有更稳定的输出，减少了系统震荡功耗。(4)对比图9、图10可以看出改进算法的最大功率比传统算法的值要大，真正实现最大功率跟踪。局部阴影条件下有多个电导为零即峰值点，虽然传统算法寻找到了峰值但却不是最大峰值，而KFC算法直接寻找到了所有峰值中的最大峰值，所以改进算法避免了陷于局部最优的问题。

5 结论

针对局部阴影条件下太阳能发电最大功率跟踪输出曲线的多峰值现象，本文提出了基于KFC算法和改进的INC算法相结合的GMMPT控制算法，具有更快的响应时间，能够将响应速度提高将近20%，大大提高了系统的追踪性能。同时通过改进INC算法的阀值消除了输出震荡功耗，具有更稳定的输出，而且解决了陷入局部最优的问题。

[1]陆文婷，陈维荣，李奇，等.基于功率预测的变步长扰动最大功率跟踪法[J].电源技术，2014(7)：1291-1294.

[2]彭韬，丁坤，刘海皓，等.局部阴影下光伏阵列全局MPPT控制方法[J].可再生能源，2012(7)：8-11.

[3]周东宝，陈渊睿.基于改进型变步长电导增量法的最大功率点跟踪策略[J].电网技术，2015(6)：1491-1498.

[4]栗晓政，孙建平.基于分段数值逼近的自适应步长电导增量法MPPT控制仿真[J].太阳能学报，2012(7)：1164-1170.

[5]陈艳，郑永.局部阴影下光伏最大功率跟踪的混沌搜索新算法[J].中国电机工程学报，2013(S1)：46-53.

[6]杨飞，惠晶.基于Fibonacci搜索的光伏发电MPPT控制策略[J].现代电子技术，2009(8)：182-185.

[7]朱志宇，原琳，陈迅.遮蔽条件下的光伏阵列最大功率点跟踪算法[J].电力系统及其自动化学报，2013(4)：63-67.