局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法

摘要

本发明涉及一种局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法，包括下列步骤：在[0,1]内选取k个点作为均匀分布的初始巢穴位置所对应的占空比；在局部遮蔽条件下，测量光伏阵列的输出电流IPV和输出电压VPV,并计算对应的功率Pi，并对Pi进行排序；3)根据低功率区、高功率区、正常区域和标记区域定义，确定当前Pi所处区域位置；确定当前区域内所使用步长大小；判断所有巢穴位置的标准偏差是否小于设定的阈值σ＜ε，若成立，则被认为是全局最大功率点，否则按步骤4)调整步长继续搜索。

权利要求

1.一种局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法，基于布谷鸟算法，针对光伏系统中布谷鸟最大功率追踪算法受限于局部遮蔽条件下的局部最大功率值，引入随机步长和不同功率等级分区对布谷鸟算法进行改进，以实现光伏系统的全局最大功率追踪，包括下列步骤：

1)在[0,1]内选取k个点作为均匀分布的初始巢穴位置所对应的占空比；

2)在局部遮蔽条件下，测量光伏阵列的输出电流IPV和输出电压VPV,并计算对应的功率Pi，并对Pi进行排序；

3)根据低功率区(Pcgb-Pi)/Pcgb＞0.35、高功率区(Pcgb-Pi)/Pcgb＜0.1、正常区域0.1＜(Pcgb-Pi)/Pcgb≤0.35和标记区域定义，确定当前Pi所处区域位置，其中：Pcgb当前全局最优巢穴位置所对应的输出功率，Pi是第i个巢穴位置的输出功率；

4)根据自适应步长调整公式，stepi＝stepmin+(stepmax-stepmin)di，确定当前区域内所使用步长大小，其中，stepmax和stepmax分别代表最大和最小步长，di为步长调整参数，根据所在的相应区域确定；

5)判断所有巢穴位置的标准偏差是否小于设定的阈值σ＜ε，若成立，则被认为是全局最大功率点，否则按步骤4)调整步长继续搜索，其中，σ是所有巢穴位置的标准偏差，ε是一个设定的阈值。

2.根据权利要求1所述的方法，其特征在于，ε＝0.005。

说明书

局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法

技术领域

[0001] 本发明属于新能源光伏发电技术领域，涉及一种最大功率追踪方法。

背景技术

[0002] 在全世界范围内，随着光伏发电技术的成熟和对环境关注度的日益提高升，太阳能正逐步得到迅速而广泛的应用。太阳能作为一种环境友好型能源，其相关发电设备具有结构简单，成本低廉等优点。稳定高效的光伏最大功率追踪(Maximum Power Point Tracking,MPPT)算法，对提高光伏模块发电效率，推动太阳能产业的持续发展具有重要且积极的作用。

[0003] 传统最大功率跟踪算法在局部遮蔽条件下会因为P-V特性曲线所存在的多个局部最大值而失效。因此，亟需一种能够适应不同光照条件，具有全局搜索能力的最大功率追踪算法。

发明内容

[0004] 本发明的目的是改进现有的使MPPT算法，使MPPT算法具有更强的全局搜索能力和更好的外界条件适应性，以提高光伏发电系统的工作效率。技术方案如下：

[0005] 一种局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法，基于布谷鸟算法，针对光伏系统中布谷鸟最大功率追踪算法受限于局部遮蔽条件下的局部最大功率值，引入随机步长和不同功率等级分区对布谷鸟算法进行改进，以实现光伏系统的全局最大功率追踪，包括下列步骤：

[0006] 1)在[0,1]内选取k个点作为均匀分布的初始巢穴位置所对应的占空比；

[0007] 2)在局部遮蔽条件下，测量光伏阵列的输出电流IPV和输出电压VPV,并计算对应的功率Pi，并对Pi进行排序；

[0008] 3)根据低功率区(Pcgb-Pi)/Pcgb＞0.35、高功率区(Pcgb-Pi)/Pcgb＜0.1、正常区域0.1＜(Pcgb-Pi)/Pcgb≤0.35和标记区域定义，确定当前Pi所处区域位置，其中：Pcgb当前全局最优巢穴位置所对应的输出功率，Pi是第i个巢穴位置的输出功率；

[0009] 4)根据自适应步长调整公式，stepi＝stepmin+(stepmax-stepmin)di，确定当前区域内所使用步长大小，其中，stepmax和stepmax分别代表最大和最小步长，di为步长调整参数，根据所在的相应区域确定；

[0010] 5)判断所有巢穴位置的标准偏差是否小于设定的阈值σ＜ε，若成立，则被认为是全局最大功率点，否则按步骤4)调整步长继续搜索，其中，σ是所有巢穴位置的标准差，ε是一个设定的阈值。

[0011] 优选地，ε＝0.005。

附图说明

[0012] 图1基于Boost变换器的光伏MPPT系统

[0013] 图2改进布谷鸟算法流程图

[0014] 图3改进布谷鸟算法示意图

[0015] 图4标准条件下P-V曲线

[0016] 图5部分遮蔽条件下P-V曲线

[0017] 图6光照强度快速变化情况

具体实施方式

[0018] 针对光伏发电系统中，传统最大功率算法受限于局部遮蔽条件下的局部最大功率值，在研究布谷鸟搜索算法求解多峰值MPPT的应用后，提出了一种改进的布谷鸟搜索方法。ICS替换了原始算法中的随机步长，引入了低功率、高功率、正常和标记区的概念，并根据巢穴位置的不同阶段，实现了自适应阶跃调整。该算法采用低功耗区域和标记区域的大步长来减少搜索时间，在高功率区域采用小步长来提高搜索精度。

[0019] 在原始布谷鸟算法(Cuckoo search,CS)算法中，通常用Lévy飞行来产生随机步长。然而，此步长会时大时小，不利于兼顾最大功率追踪速度和精度。改进布谷鸟算法(Improved Cuckoo search,ICS)算法根据搜索结果的不同阶段来对全局优化能力与优化精度进行协调处理，并对步长进行自适应动态调整，从而解决了这一问题。本发明引入了低功率区、高功率区、正常和标记区域的概念来克服粒子群算法(Particle optimization,PSO)和CS算法的缺点，具体定义如下：

[0020] 低功率区：如果第i个巢穴位置的输出功率小，则将此位置定义为低功率位置。包含所有低功率位置的区域，成为低功率区，其判别标准如下：

[0021] (Pcgb-Pi)/Pcgb＞0.35   (1)

[0022] 其中：Pcgb当前全局最优巢穴位置所对应的输出功率，Pi是第i个巢穴位置的输出功率。

[0023] 高功率区：如果第i个巢穴位置的输出功率接近当前全局最佳占空比位置的输出功率，则将此位置定义为高功率点。所有高功率点的集合称为高功率区。其判别标准如下：

[0024] (Pcgb-Pi)/Pcgb＜0.1   (2)

[0025] 正常区域：如果巢穴位置对应功率既不是高功率点，也不是低功率点，则将其视为正常功率点。所有正常功率点的集合成为正常区域。其定义如下：

[0026] 0.1＜(Pcgb-Pi)/Pcgb≤0.35   (3)

[0027] 标记区域：如果在当前区域内，被搜索的其他位置不在全局最佳位置附近，即当前区域到全局最佳位置的距离大于最大步长，则将其进行标记，作为标记区域。

[0028] W,X,Y和Z是四个巢穴位置的初始位置，如图3所示呈均匀分布。通过初始化得到与四个巢穴位置对应的输出功率，并通过不同点输出功率的比较，得到当前的最佳功率Pcgb。输出功率小于0.65Pcgb的区域是一个低功率区。输出大于0.9Pcgb的区域是高功率区。输出功率介于0.65Pcgb和0.9Pcgb之间的区域是正常区域。嵌套位置的迭代变化导致输出功率(Pcgb)的逐渐增加，并对这些区域进行更新。如图3所示，低功率区的W和Z远未达到目前的全局最佳水平。采用大步长将使其尽可能快地跳出低功率区并向当前最佳全局位置移动。Y是初始位置中当前全局最佳位置。利用小步长搜索这一区域不仅能获得全局最大功率(Global Maximum Power Point,GMPP)，同时也能改善追踪精度。X是正常区域，在这一区域内，根据上一代巢穴位置适应值和巢穴位置距离当前全局最佳巢穴位置的距离，可实现步长的自适应调整。如下所示：

[0029] stepi＝stepmin+(stepmax-stepmin)di   (4)

[0030] 其中stepmax和stepmax分别代表最大和最小步长。通过参数di实现步长自适应调整。在正常、低功率和高功率区域，di的值分别由公式(5)-(7)确定：

[0031]

[0032] di＝1.1(marked-zone∪low-power-zone)   (6)

[0033] di＝0(high-power-zone)   (7)

[0034] 其中xi为第i个巢穴位置，xcgb为当前全局最佳巢穴位置。dmax为最佳巢穴位置到剩余巢穴位置之间的最大距离。

[0035] 同时本发明还提出了当系统达到稳定状态时避免功率振荡的终止策略。初始的巢穴位置呈均匀分布，当所有巢穴位置集中时，即当所有巢穴位置的标准偏差小于某一阈值时，则被认为是GMPP。判断条件如式(8)所示：

[0036] σ＜ε   (8)

[0037] 其中，σ是所有巢穴位置的标准差，ε是一个设定的阈值，通常取ε＝0.005。

[0038] 随着外部环境的变化，光伏阵列的输出特性发生变化。最大功率点也会改变。因此，在满足以下条件时，应重新启动ICS算法：

[0039]

[0040] 其中P是迭代结束后的采样幂值，P’是下一采样周期的采样功率值，P是功率变化容限。ICS算法流程图如图2所示。

[0041] 将本发明的ICS最大功率追踪算法的性能与PSO、CS和P&O的性能进行了比较，摒弃了随机步长的概念，引入了低功耗、高功率、正常和标记区的概念。根据巢穴位置所处的不同阶段，实现了自适应步长调整。在低功耗和标记区域采用大步长，而在高功率区采用小步长，以保证全局跟踪能力，提高跟踪精度。仿真和实验证明，ICS能够在不同复杂条件(包括部分阴影遮蔽)下，以较高的最大功率追踪精度和追踪效率实现全局最大功率追踪。结果也证实了ICS算法优于其它三种算法。数据分析对比结果如表1所示

[0042] 表1不同算法最大功率追踪实验结果

[0043]

[0044]

[0045] 为验证本发明所提出专利的有效性，利用MATLAB-Simulink搭建仿真模型对系统进行仿真。将3块串联光伏板与DC/DC boost变换器连接，通过控制系统和阻性负载构成一个光伏MPPT系统。其中系统的各项参数如表2所示。

[0046] 表2光伏系统参数

[0047]参数 数值
短路电流 4.02
开路电压 21
峰值电流 3.5A
峰值电压 17V
最大功率 60W
C1 200μF
C2 90μF
L 0.15mH
Rload 40Ω
开关频率 50kHz

[0048] 本专利模拟和分析了3种不同光照条件下ICS的最大功率追踪效果，并与P&O、PSO和CS进行了比较。

[0049] 方案1：正常光照条件

[0050] 方案2：部分遮蔽条件

[0051] 方案3：太阳辐照度的快速变化条件

[0052] 表3为四种MPPT方法的参数。N是PSO算法中的粒子数，在CS和ICS中为布谷鸟数。

[0053] 表3对比算法参数

[0054]

[0055]

[0056] 1)正常光照条件：图4所示为太阳电池阵列在正常工作条件下的P-V特性，在此条件下，GMPP值为239.235W，温度为25℃，光照强度为1000W/m2。模拟结果表明PSO、CS、P&O和ICS分别用0.96、0.8、0.8和0.72s追踪到GMPP。P&O和ICS的追踪速度优于其他两种方法，而ICS的追踪精度高于P&O。

[0057] 2)部分遮蔽条件：本研究对粒子群算法、CS算法、P&O算法和ICS算法在局部阴影条件下的性能进行了评价和比较。在此条件下，四个光伏组件的光照强度分别为1000、700、500和200W/m2。组件的温度为25℃，图5所示为部分遮阳条件下太阳电池阵列的P-V特性。在这种情况下，粒子群算法、CS算法和ICS算法都能找到GMPP，而P&O收敛于局部MPP，波动在
50.019W左右，P&O的输出功率仅为GMPP的52.7569％左右。PSO、CS和ICS到达GMPP分别需要
1.36、1.20和0.88s。由于自适应步长可以缩短收敛时间，因此ICS算法的追踪速度明显优于PSO和CS算法。

[0058] 3)光照强度快速变化情况：在图6中给出了太阳辐照度的阶跃变化，以研究和验证ICS在太阳辐照度迅速变化时的性能和精度。PSO、CS和ICS在这种情况下可以找到GMPP，而P&O则收敛于局部MPP。

[0059] 同时本专利对ICS算法进行了实验验证，利用DSP(TI TMS320F28335)结合DC/DC升压变换器对四块不同遮蔽条件的串联光伏电池所组成的光伏系统进行控制。另一个DSP被设置为一个跟踪器来获取数据，如光伏阵列功率、电压和电流。采用RS485串口和PC机监控接口进行通信和数据存储，数据每隔2ms传输一次。从控制器DSP中获取占空比数据。Boost变换器的设计规范与SIMULINK中的变换器相同，其参数如表2所示。

[0060] 通过阻性负载扫描，容易确定如图5所示的包含四个峰值的P-V曲线。测量值为87.598W，P&O，PSO，CS和ICS用于部分遮阳条件下的最大功率点跟踪。表1总结了四种MPPT方法在实验过程中的性能。从中可以看出ICS算法的收敛时间比PSO和CS算法的收敛时间短，且效率更高。