摘要：随着新能源的使用，相应的配套技术也已近成为了人们关注的焦点，本文提出了基于混合粒子群-模式搜索算法（PSO-PSA）的光伏发电最大功率点跟踪方法。对光伏电池模型进行仿真分析，绘制其在外界条件变化的情况下的输出特性曲线，分析环境变化对最大功率点的影响；通过对比PSO-PSA与粒子群算法，对基准测试函数的求解速度、精度与稳定性，验证本文算法的有效性，进而在不同环境条件下将混合算法优化输出结果与模型输出结果进行对比；将PSO-PSA与光伏阵列结合应用到Boost电路，实现模型动态输出结果与理论计算值匹配，从而实现最大功率点的有效跟踪。结果表明：基于PSO-PSA的光伏系统最大功率点跟踪技术合理，跟踪精度较高，弥补了使用固定电压值时无法适应环境改变而造成能源浪费的不足。
关键词：光伏系统；最大功率点跟踪；光伏阵列；Boost电路；
1前言
以太阳能、风能、地热能、潮汐能为代表的新能源已经成为当今时代人们关注的热点[1]。其中，太阳能发电以其特有的优势得到了越来越多的关注。和传统能源相比，太阳能具有以下特点：1）清洁无污染，易取可再生；2）不受地区因素限制，在资源匮乏地区和地形复杂地区都可以使用；3）设备简单，可以独立供电，也可以并网发电。目前，太阳能发电面临的主要问题是发电成本较高以及发电效率低下。其中，受材料、工艺等因素影响，光伏组件价格较高，导致发电成本的增加，但这可通过延长光伏组件的使用寿命来有效控制。而由于光伏电池的输出特性具有明显的非线性特点，使得由若干个光伏电池组件组合构成的光伏系统输出功率匹配成为难题。因此，如何实现光伏系统最大功率点的有效跟踪尤为重要。
2最大功率点跟踪优化控制
当光辐射度和环境温度保持一定时，判断光伏发电系统输出是否处于最大功率点处的主要指标是负载值。只有外部电路负载阻值与光伏电池阵列的内部阻值相匹配，才能实现输出功率最大化。由于光伏阵列的输出特性曲线受外界环境影响较大，因此，当外部条件发生变化时，可根据输出特性调整负载，从而实现最大功率点跟踪。
2.1优化控制结构
光伏发电控制系统主要由最大功率点跟踪和Boost电路两部分组成。最大功率点跟踪主要是根据实际环境参数和光伏电池输出参数来控制产生一定的PWM脉冲。该脉冲作用于Boost电路，通过调节电路的占空比来改变外部负载大小，以实现外部阻值始终与其内部阻值变化同步，最终完成最大功率点跟踪。由于恒定电压法既简单又具有较好的稳定性，因此常用来控制最大功率点，但由于忽略了很多外部变化条件，其跟踪精度较低。为此，恒定电压法结合粒子群算法快速的全局搜索能力和模式搜索算法较强的局部搜索能力，可得出最优化控制数据。
2.2MPPT智能优化算法
2.2.1粒子群算法
粒子群算法（PSO）是一种进化计算技术，主要用来求解非线性多模态的约束和非约束优化问题。在PSO中，每个候选解都被看作一个粒子，是E维空间中的一个位置，粒子根据自身的个体经验和群体中最好的经验决定接下来的运动。通常粒子会按照以下迭代公式来更新其速度和位置。
在粒子群算法中，w、c1和c2的取值至关重要。c1和c2分别代表吸引粒子朝向个体最优解和全局最优解位置的引力大小。w用来控制上一代粒子速度对新一代粒子速度的影响，是对全局搜索能力和局部搜索能力的一个平衡因子。若令w=0，则粒子会失去动力来源，被困在当前位置；若w取较大值，则对全局搜索有利；若w取较小值，则对局部搜索有利。
期刊文章分类查询,尽在期刊图书馆
2.2.2模式搜索算法
模式搜索算法对于优化问题的求解迭代较为简单，局部搜索能力较强。该算法具体搜索过程包括探测移动和模式移动，探测移动主要是沿着坐标轴的方向进行搜索；而模式移动主要是沿着相邻点的连线方向进行搜索。模式搜索算法通过这两种搜索模式的交替进行，不断进行迭代，用较优值替代当前值，最终收敛到最优解。
2.2.3混合粒子群-模式搜索算法
在最优值求解问题上，粒子群算法的优化结果较为理想，应用也比较广泛，但许多研究表明其在求解时容易陷入局部最优，因此需要寻找一种兼顾局部最优和全局最优的改进算法，以实现最终结果收敛到全局最优值。混合粒子群-模式搜索算法（PSO-PSA）结合粒子群算法的优越性和模式搜索算法较强的细搜索能力，能够得到较为理想的优化结果。
2.3模糊神经网络参数自调整器的设计
神经网络具有强大的知识自学和记忆能力，倘若利用神经网络来记忆二级模糊推理规则，就可使得二级模糊参数自调整器无需查表，直接利用神经网络联想和大规模并行处理能力，快速、在线地实现对量化因子、比例因子的调节。采集二级模糊参数调整器的输入输出数据作为神经网络的训练样本，利用BP学习算法对网络进行训练。建立一个3层BP网络结构，输入层和输出层分别选择2个和1个节点，隐含层的节点数经多次试验，选择12个节点时训练效果最佳。网络初始权值取［-1，+1］区间内的随机值，隐含层和输出层的传递函数分别采用tansig和Purelin。BP算法的学习因子0.20，动量因子0.65，训练目标误差0.0001。
3仿真实验及分析
3.1实验参数
利用Matlab/Simulink建立光伏发电系统的MPPT控制仿真模型。C1、C2分别为前端电容和后端电容，R为负载，Uo为负载端电压，UPV和IPV分别为太阳电池板的输出电压和输出电流。
在相同条件下，电导增量法和常规模糊控制法的输出功率分别为136.14和143.34W。且均在0.3s以后才能达到稳态，同时都存在一定的振荡，其中以电导增量法尤为严重。而智能集成控制方法输出功率值最大，为147.08W，并且在0.2s时就已达到稳态，同时稳态波动小。
在温度改变的情况下，电导增量法响应速度慢、稳态波动较大、控制精度最低。与之相比较，常规模糊控制法的性能略有提高，但也存在一定的振荡。而本文所提出的智能集成控制方法响应迅速，动态性能最好，几乎无振荡，稳态精度高，且跟踪功率最大。
4结束语
光伏发电系统MPPT的智能集成控制将改进遗传算法、模糊控制和神经网络集成于一体，综合了三者的优点，取长补短，弥补了采用单一控制方法所存在的缺陷。根据上述分析和仿真实验，该智能集成控制方法的优点为：1）相较于人工调整量化因子、比例因子，采用改进遗传算法得到的参数值最优，跟踪到的功率值最大。2）设计的二级模糊神经网络参数自调整器，能对一级模糊控制器的多个参数进行快速、在线的调整，克服了常规模糊控制器在外界光照、温度等环境因素变化较大情况下，自适应控制能力差的缺陷。3）在对光伏发电系统MPPT控制中，智能集成控制具有动态搜索时间短、振荡小和精度高的优点。
参考文献：
[1] 杨晶惠，庹先国，吕中云，等.光伏发电系统最大功率跟踪控制器的实现[J].自动化与仪表，2016，31（2）：17-21.
[2] 李坤.光伏发电系统最大功率跟踪控制的研究[J].电气自动化，2016，38（1）：39-41.
[3] 王要强，张美玲，齐歌.光伏发电系统改进型扰动观察最大功率跟踪研究[J].电力电容器与无功补偿，2016，37（4）：111-116.
论文作者:查永久
论文发表刊物:《基层建设》2018年第12期
论文发表时间:2018/6/14
标签：算法论文; 光伏论文; 粒子论文; 最大功率论文; 调整器论文; 神经网络论文; 最优论文; 《基层建设》2018年第12期论文;