光伏发电系统最大功率点跟踪仿真

卢耀文 罗天健

（国网甘肃省电力公司武威供电公司，甘肃 武威 733000）

0 引言

该文介绍了国内外光伏发电系统最大功率跟踪仿真方法研究的发展现状，介绍了光伏电池的运行原理和光伏发电系统的运行原理及运行等效模型的设计，最后通过仿真系统MATLAB 仿真器[1]对2 种改进算法的仿真过程进行了分析，得出了光伏发电系统最大功率跟踪仿真算法的最有效结论[2]。对传统与改进后的控制算法的算法设计、运行过程等进行了比较分析，结果表明，2 种改进算法比传统算法具有更高的效率[3]。

1 光伏发电系统最大功率点跟踪方法

光伏发电系统是能通过太阳能电池直接将太阳能转变成电能的系统[4]。太阳能电池输出特性受光照强度、环境温度和负载情况影响，具有明显的非线性特征。当外界环境发生变化时，其工作电压和输出功率会发生变化，因此，利用最大功率跟踪控制技术，实时调整太阳能电池的工作点，使其始终工作在最大功率点附近，提高光伏发电系统效率[5]。目前已经有较为完善的研究，下面介绍3 种方法。

1.1 传统方法

所谓传统的算法即MPPT 控制算法[6]。该算法主要包括恒压方法、短路电流方法等，此算法根据规范规定的参数信息对参数进行设计，通过计算获得相似的速度，对获得的相似速度进行对比分析，进而得出结论。同时，此控制算法可以快速稳定光伏系统的最大功率点，整个稳定过程简单便捷且十分实用，可以有效跟踪光伏发电的最大功率值，但是，该方法受到温度等外界因素的影响较大，温度等外界因素会导致跟踪的精度变差，直接导致追踪的最大功率点误差较大，因此，该方法在实际工作中很少使用[7]。另一种方法对于光伏电池的参数的要求较小，该算法称为自寻优算法。主要包括微扰观测法和电导增量法2 种方法[8]。一些研究者改进了恒定电压法和电导增量法。赫廷、张超等学者将短路电流法与扰动观察法相结合，形成了传统的光伏发电系统最大功率点跟踪方法[9]。

1.2 蚁群算法

Marco Dorigo 在1992 年提出了蚁群算法[10]。信息素反馈和均匀计算方法由于其本身的优点，已经广泛应用于交通、通信和无人机等领域。

蚁群算法顾名思义是利用蚂蚁蚁群进行的一项算法研究，其原理是蚂蚁蚁群在出去寻找食物之前，对食物位置的感知是未知的，根据觅食路上的踪迹可以避免觅食路径的重复。蚂蚁觅食的过程中是没有信息素存在的，这也就是说在演算法开始的时候，路径上的信息基本为零，当所有寻找食物的蚂蚁个体在不同的路径上移动，并在每条路径上留下相应地信息时，信息的浓度就会随时间而持续下降。同时，当其他蚂蚁重新开始觅食时，会在之前蚂蚁觅食的路径上重复留下信息素，间接提高了信息素的浓度，从而可以通知其他蚂蚁，寻找到最佳的觅食路径。该算法的原理同上，当算法得到优化时，蚂蚁觅食的最优路径就是现实问题优化后的最优解，而在光伏发电系统中，光伏为蚂蚁，在寻找最大功率的路径上留下信息素，从而进行跟踪仿真研究，也就是所谓的发电系统最大功率的跟踪仿真，我们常见的蚁群算法有以下3 类。1）蚁量算法Antquantity。2）蚁密算法Ant-density。3）蚁周算法Ant-cycle。

这3 类算法在蚁群算法中较为常用，分别对蚂蚁觅食的数量，蚂蚁觅食聚集的数量和蚂蚁觅食的范围进行综合研究，寻找到蚂蚁觅食的最优路径，同时，将类似的原理转化到发电系统最大功率的跟踪仿真中，最终也能得到最优解。

其中，蚁周算法所使用的的方法是全局搜索模式，因此蚁周算法的最大功率跟踪效果最好，其决定因素有4 个方面。1）检索出重复访问的路径，总结重复访问的路径列表。2）能见度指数的大小。3）虚拟状态下的信息素实时更新情况以及访问时的及时信息。4）概率转换即光能转化率。

1.3 粒子群算法

粒子群算法是Kennedy 和Eberhart 在1992 年提出的算法。该算法类似于鸟类寻找到最佳的觅食路径，该路径被其他鸟类运用的现象的模拟。具体分析就是在鸟儿寻找到食物之前，食物的位置是未知的，觅食开始后鸟类在初始阶段为分散开的状态。一段固定时间以后，鸟儿在找到食物后逐渐聚集。此时，每只鸟都可以将自己视为粒子群算法中的任何粒子单位，每只鸟的位置和速度对应粒子群算法中每个粒子的属性以及它自己的位置和速度特性，最终形成拟合函数。使用粒子群算法时，粒子的相对位置在运行算法之前是随机的。通过目标需求设定的自适应值来评估颗粒的质量、传递速度，并确定移动方向和移动距离。

基本原理为：在假设空间D里面，寻找随机的一系列群体，假设粒子数为N，寻找i个粒子的坐标，Xi为粒子编号，则：

其每个粒子的速度为vi，则：

该粒子经历的位置的点为P，则将该位置称为全局最优值Pbest为：

其中，个体最优值代表粒子能找到食物的最佳位置。全局最佳值是一组单独的最佳值，即通过类似方法，确认每个粒子即为曾经最优解。这类似于分段间隔。通过筛选比较确定每个区间的极值和最大值。

2 蚁群算法的跟踪仿真分析

蚁群算法是对混合蚁群的模拟并观察示波器显示的扰动数值的方法。最大功率点的跟踪方式分为前后和上下跟踪方式，因为蚂蚁类型的启动算法较慢，所以所有跟踪启动后都不会立即跟随，而是上下跟踪。直观的来看，轨道曲线混合蚁群算法达到50 W 和100 W 时，曲线波动的十分明显，这可以说明在这2 个时间点，系统判断发生错误。错误的判断使这2 个时间点可以得到最大功率点，准备并最终达到稳定状态，之后通过蚁群算法的正面反馈值继续跟踪最大功率点。但一般来说，当混合蚁群算法跟踪的最大功率超过300 W 时，该跟踪方法为新型传输扰动观测方法，当混合蚁群算法跟踪的最大功率小于300 W 时，该跟踪方法为传统的扰动观测方法。因此仿真结果表明，混合蚁群算法优于传统的扰动观测方法。

该段介绍了蚁群算法的基本原理，设计了在光照均匀的条件下，蚁群算法在2 种情况下的跟踪过程，同时增加了2-Opt 算法，并利用仿真软件MATLAB 进行了仿真分析。结果表明，该算法与传统算法相比，启动速度虽然稍有延迟，但是在启动最大功率点跟踪后，跟踪值的优化和跟踪所需时间均有明显的优势。

3 粒子算法的跟踪仿真分析

为了完成基于自适应惯性权重粒子群算法的全系统仿真，在MATLAB 下面建立了一个具有MPT 功能的模型，该仿真模型系统可以作为粒子算法的跟踪仿真研究依据。

用于控制汽车电路的空间比的信号由PWM 脉冲触发信号模块产生，该PWM 脉冲触发信号模块，继而接收由自适应权重模块产生的控制信号。在找到最大电压点之后，将最大电压点处的相应电压与光伏系统的输出电压进行比较，形成控制信号，该信号的控制方式可施加到PWM 模块的端部，同时，控制信号由闭环电压调节。PV 阵列的输出电压值为粒子群发现并得出的最佳电压。

为达到跟踪仿真的目的，光伏系统的输出电压需要与所需电压相匹配，此过程由增压电路完成。利用改进的粒子群算法得到了所需要的电压值，从经常采取的数值跟踪分析方法和电压稳定性分析方法来看，粒子群算法在阴影阶段进行改进后的仿真实验分析结果，与增加电导方法相比具有明显优势。

通过改进粒子群算法，搜索光伏阵列最大功率点对应的最优电压，然后利用PWM 电压闭环反馈和助推电路使系统在最优电压下工作，输出最大功率。将仿真模型的输出曲线与电导增量法的输出曲线进行比较，可以看出改进算法与传统算法相比具有明显优点。

4 结语

光电系统是目前最绿色、最环保的能源系统之一，也是我国目前大力发展的新能源，具有良好的发展前景。该文介绍了目前运用最多的2 种光伏发电系统最大功率点跟踪的常用方法，可以较好地跟踪并获取光伏发电的最大功率值，更好地利用能源。首先，介绍了蚁群算法的基本原理，运用蚂蚁觅食的仿真模拟，设计了均匀光照条件下的混合蚁群算法流程图，并用仿真软件MATLAB 进行了仿真分析。结果表明，该算法与传统算法相比，启动速度虽然稍有延迟，但是在最大功率点的启动跟踪后，跟踪值和跟踪所需时间均有明显优势。其次，介绍了粒子群算法的基本原理和设计过程，分析了一种自适应的权重粒子算法在跟踪最大功率点时的应用，确保可以实现最大功率的输出。综上所述，运用以上2 种方法对光伏发电的粒子最大功率进行追踪仿真分析有显著成效。