光伏阵列遮荫条件下MPPT优化研究

安徽理工大学 李 伟

光伏发电系统中，由于自然条件及人为条件的影响，电池板通常会不可避免的被遮住一部分甚至整体被遮住，这时电池板的输出会有多个峰值。此时传统的最大功率点搜索方法会出现只搜索到局部的峰值，有可能搜索到的峰值并不是全局的最大值，甚至会出现上下振荡的现象造成系统没有一个稳定的输出。本文通过搭建光伏电池的数学模型，分析了太阳能电池工作原理与特性；并仿真了光伏阵列局部遮荫情况下P-U的输出曲线，分析其原因，提出一种基于猫群算法改进的智能算法应用于最大功率点的跟踪。

光伏能源是最有前途的可再生能源之一。它是免费提供的，环境友好的，需要较少的维护。由于光伏发电成本高，效率低，变化范围在9-17%之间，因此需要集成一个鲁棒MPPT控制器来提取光伏阵列上的最大可用功率。在均匀日照下，P-V曲线具有唯一的最大功率点（MPP）。当光伏阵列受到部分遮光，即光伏阵列受到不均匀的阳光照射时，情况将更加复杂。在这种情况下，P–V曲线以多个峰值为特征，其中一个是全局峰值（GP）。因此，MPPT算法定位GP的能力受到了很大的挑战。如果最后一个没有被正确地跟踪，即MPPT算法被困在一个局部峰值上，这反过来又导致功率的显著损失。因此，有必要开发一种在部分阴影条件下跟踪最大功率点的MPPT算法，可以使负载特性能够在短时间内变化，以满足系统在局部遮荫下仍然能迅速的稳定工作在最大功率点附近。到目前为止，已有一些研究试图通过进化不同的算法来实现全局MPPT。由于人工智能方法具有处理非线性函数的能力，因此越来越受到人们的重视。

1 光伏电池输出特性

光伏电池等效电路图如图1所示：

图1 光伏电池组件等效电路

光伏电池输出特性表达式如下：

2 局部阴影下光伏阵列输出特性

太阳能各组件的参数为：Pm=185W，Uoc=45V，IOC=5.1A，Um=36.27V，Im=5.1A，参考光照强度为1000W/m2，参考温度为25℃。仿真中以一个电池阴影组件为阴影单元，[x1：x2]为分布在阵列中的阴影，x1和x2分别表示串联之路电池组件阴影个数，S1、S2指的是每条串联之路中阴影部分光照强度。以下是三种峰值点位置的阴影条件。

（1）阴影条件1。[x1：x2]=[2：3]，S1=S2=300W/m2。最大峰值功率点在左侧，Pm=1128.5W，Um=110.3V。

（2）阴影条件2。[x1：x2]=[1：3]，S1=S2=500W/m2。最大峰值功率点在中侧，Pm=1414.3W，Um=183.4V。

（3）阴影条件3。[x1：x2]=[2：4]，S1=S2=500W/m2。最大峰值功率点在左侧，Pm=1207.5W，Um=231.3V。

三种条件下阵列P-U特性曲线如图2所示。

图2 三种阴影条件下P-U特性曲线

3 猫群算法

3.1 猫群算法（Cat Swarm Optimization，CSO）

在 CSO中，种群的猫个体中就包含了待求的问题的可行解，算法刚开始时，将随机的待优化问题可行解比做成一个空间，在这个空间中会生成若干只猫，每个个体都有一个被待优化问题，并且适应度值是唯一被确定的。CSO的基本过程分以下几步：

（1）生成N只猫并随即初始化位置和速度，确定分组率MR和最大迭代次数Q。

（2）根据分组率MR将N只猫的flag随机置为1或0。

（3）当flag=0时，猫在执行搜索模式；flag=1时执行跟踪模式，其位置与速度有相应的更新规则。

（4）计算适应度函数值，通过比较得到最优猫的位置。

（5）判断是否满足终止条件，满足则输出最优值并推出算法，否则返回执行第2步。

3.2 猫群算法的改进

惯性权重的大小对猫群算法的性能有很大影响，它的第一个作用是使后一次的迭代速度会根据上一次的迭代速度而变换，第二个作用是让猫群算法的两种搜索模式能够较为均衡平等，不会太过偏重于工作在其中的一种模式。

正常情况下在算法迭代前期，其惯性权重是比较大的，随着迭代次数的增加其惯性权重会减小 ，此时若出现这种情况，当算法在迭代次数很少的时候就搜索到了问题的最优值，但是这个时候惯性权重却不能够及时的变小，所以这时候需加入一个参数来进一步调整惯性权重，把它叫做猫群聚集度因子。的衡量标准是依据适应度函数值来决定的，所需的惯性权重大小可根据来判断。猫群聚集度因子γ计算公式为：

结论：该文通过介绍光伏电池的基本工作原理以及输出特性，引出了光伏电池功率输出曲线呈现多峰值的机理，并解释了其产生的详细原因是由反向并联的旁路二极管造成的，及反向并联二极管的作用。并仿真了在不同光照条件下太阳能电池的输出特性曲线。通过对基本猫群算法的分析，根据多峰值现象的机理对算法的惯性权重w进行更深层次的优化，使得其可以根据变异因子来自我收敛以保证种群一直处于多样性，其优势是能够让算法不在陷入局部最优以及跳不出来的问题。