局部阴影下农业光伏系统MPPT算法研究综述

高迎迎，朱 武

（上海电力大学 电子与信息工程学院，上海 201306）

太阳能是一种新的清洁能源，具有成本低、分布广泛等优点。农业光伏发电系统将太阳能转换为电能为现代农业提供电源支持，已经广泛应用在光伏农业大棚等现代农业设施中，对建设绿色能源体系、响应“双碳”目标具有重要的现实意义[1]。

提高发电效率是促进农业光伏系统发展的关键点[2]。采用最大功率点跟踪技术（Maximum Power Point Tracking，MPPT），即通过实时控制光伏阵列的输出电压或电流来调节阻抗变换器的占空比，使得外部电路等效阻抗等于光伏阵列阻抗，调整光伏阵列的工作点，使光伏系统始终以最大功率输出[3]。但在实际应用中，农业光伏发电系统大都建于室外，光伏阵列易受到云层、高楼和沙土等阴影遮挡，光伏阵列的输出特性曲线具有多峰值特性，固定电压法（CVT）、扰动观察法（P&Q）和增量电导法（INC）等传统单峰值算法控制原理简单，易陷入局部最优值，传统的单峰值MPPT算法不再适用。

因此，局部阴影条件下的光伏阵列最大功率跟踪控制（MPPT）问题成为农业光伏发电技术进一步发展的关键问题。研究一种追踪速度快、寻优精度高的MPPT算法对于提高农业光伏系统的发电效率、降低发电成本、改善生态环境具有重要的作用。

1 最大功率点跟踪控制原理

光伏阵列具有强烈的非线性特征，当外界的光照或温度发生变化时，光伏阵列的输出最大功率点也随之改变，针对不同的工作条件，通过控制算法实时调节阵列的工作电压，使光伏发电系统始终以最大功率输出，这就是最大功率点跟踪技术（MPPT）。以3×1光伏阵列为例，光伏发电系统等效结构图如图1所示。

图1 光伏发电系统等效结构图

MPPT过程实质就是阵列与负载之间的阻抗匹配过程[4]。为了调节负载阻抗，提高系统的发电效率，在光伏阵列之后接上DC-DC变换电路，根据DC-DC电路的性质，可以得到式（1）所示的阵列内阻与负载电阻之间的比例关系。

其中，D为DC-DC电路的占空比。

最大功率点跟踪控制原理图如图2所示。从图中可以看出，要想实现最大功率点跟踪，首先要利用控制算法追踪到阵列输出特性曲线上的最大功率点，由最大功率点处电压和电流的比值得到阻抗的匹配值，然后根据式（1）调整DC-DC电路的占空比D，使阵列内阻等于负载电阻，即可实现阻抗的动态匹配，使光伏发电系统工作在最大功率点。

图2 最大功率点跟踪控制原理图

2 传统单峰值MPPT算法

2.1 恒定电压法

恒定电压法是最早提出的一种简单的MPPT算法，是一种开环控制方法。温度相同时，不同光照强度对应特性曲线的最大功率点几乎在同一条直线上，且近似垂直于电压轴。因此，光照强度改变时，最大功率点对应的电压基本不变，故可将光伏阵列最大功率点处的工作电压设为定值，当系统工作在该电压时，输出功率近似于最大功率。

恒定电压法的最大优点是控制原理简单，最大工作点电压设为定值，不受光照强度变化的影响。但也存在以下不足：

（1）恒定电压法忽略了光照强度及温度变化对输出曲线上最大功率点电压的影响，造成光照强度变化较大时，误差也增大，追踪精度不高；

（2）当输出特性曲线有多个峰值点时，恒定电压法难以跳出局部最优，发电效率降低。

2.2 扰动观察法

扰动观察法是应用较广泛的一种单峰值算法，在均匀光照条件下，阵列的P-U特性曲线只有一个峰值点，通过扰动观察法追踪MPP的工作原理为：引入一个很小的电压扰动，计算扰动后的输出功率，再与扰动前的输出功率作比较，如果输出功率增加，则表示扰动方向正确，最大功率点在当前工作点的右侧，继续向该方向施加扰动电压；如果输出功率减小，则表示扰动方向错误，最大功率点在当前工作点的左侧，则选择反方向继续施加扰动。如此循环，直至工作点到达最大功率点附近的一个很小的区间里。

相比于恒定电压法，扰动观察法的寻优精度更高，功率损失更小，但也只能适用于均匀光照下的最大功率点追踪。

2.3 电导增量法

电导增量法通过比较光伏阵列的电导增量和瞬时电导来实现最大功率点跟踪，减少了输出功率的稳态振荡，但算法的计算量大，对传感器要求也很高，增加了硬件成本，也不能解决阴影遮挡下的多峰值寻优问题。

文献[5]为了提高电导增量法的追踪速度，提出了一种新型变步长电导增量法，先利用恒定电压法快速定位到最大功率点附近，再采用反余弦函数变系数法自适应调整步长，使系统稳定运行在最大功率点。

3 局部阴影下MPPT智能算法

应用于局部阴影下的新型多峰值MPPT控制算法，主要包括以粒子群算法、神经网络算法为主的群体优化算法，和以萤火虫算法、细菌觅食算法为主的生物启发式算法。

3.1 粒子群算法

粒子群算法（PSO）是模拟鸟类捕食的一种群体优化算法，通过粒子不断移动来靠近最优解。粒子群算法因其寻优速度快、适用性强被广泛应用在最大功率点跟踪控制中，但该算法存在易陷入局部最优、输出功率振荡等缺陷。

许多学者对粒子群算法做出了改进，文献[6]在跟踪过程中，根据粒子与群体最优位置的距离不断调整权重因子和认知加速度系数，加快了算法的收敛速度，减少了功率振荡；文献[7]在搜索前期引入混沌序列来初始化粒子位置，搜索后期采用自适应精英策略，追踪速度得到了提升；文献[8]将粒子群算法和扰动观察法结合起来，利用扰动观察法快速寻优，定位到最大功率点附近，再引入自适应惯性权重对粒子群算法改进，进行二次寻优，具有较快的寻优速度和良好的稳定性。

3.2 神经网络算法

神经网络算法将光伏系统的光照强度、温度和时间作为已知量进行学习训练，在训练的过程中不断修正参数，最终达到最优解。

文献[9]采用一种改进的局部反馈神经网络算法，采用智能水滴算法优化权重和阈值，相比于传统算法，追踪速度更快，准确度更高；文献[10]提出了一种基于RBF神经网络的MPPT算法，光伏阵列的输出电压和电流作为输入层，通过输出层调节DC-DC变换电路的占空比，使电路满足最大功率传输，有效地提高了光伏利用效率。

3.3 萤火虫算法

萤火虫算法是模拟自然界萤火虫社会行为的启发性算法，通过学习萤火虫群体交流与协作，不断向更好的位置移动，来达到全局寻优。

文献[11]对传统萤火虫算法进行改进，通过建立疫苗库缩小初始种群的分布范围，利用疫苗补充及时排除不良个体，缩短了收敛时间，提升了算法的稳态性能；文献[12]采用模糊控制器自适应调节移动步长，兼顾了算法的快速性和准确度，使光伏系统以最大功率输出。

3.4 细菌觅食算法

细菌觅食算法（BFA）在2002年由K.M.Passino提出，是一种新型的仿生智能算法。细菌觅食算法模拟了人体内大肠杆菌的觅食行为，将所有细菌构成一个解空间，每个细菌代表问题的一个解，通过对细菌循环执行趋化、复制和迁移3种操作在解空间中找到最优解。

细菌觅食算法具有良好的全局寻优性能，输出功率稳定，动态响应能力强，但也存在响应速度慢、易陷于局部极值等不足。文献[13]针对细菌觅食算法收敛速度慢的问题，首先根据阴影遮挡情况缩小搜索空间，再跟踪最大功率点，提高了算法的动态响应能力；文献[14]采用了自适应游动步长和自适应驱散概率，提高了算法的全局搜索能力，输出功率稳定性更好。

4 结束语

针对农业光伏发电系统发电效率不高、阴影遮挡情况下传统算法难以追踪到最大功率点的问题，总结分析了现有的多峰值MPPT算法。首先，分析了最大功率点跟踪控制原理，阐述了农业光伏系统中最大功率点追踪控制流程，然后，分析了传统的单峰值算法工作原理及其优缺点，总结了常用的几种多峰值智能MPPT算法及其改进方法，这些算法能够快速、准确地追踪到全局最优值点，有效地提高农业光伏系统的光伏利用率。