第26卷第20期中国电机工程学报V ol.26 No.20 Oct. 2006 2006年10月Proceedings of the CSEE ?2006 Chin.Soc.for Elec.Eng. 文章编号：0258-8013 (2006) 20-0098-05 中图分类号：TM51 文献标识码：A 学科分类号：480?60 短路电流结合扰动观察法在光伏发电 最大功率点跟踪控制中的应用 张超，何湘宁 （浙江大学电力电子研究所，浙江省杭州市310027） Short-current Combined With Perturbation and Observation Maximum-power-point Tracking Method for Photovoltaic Power Systems ZHANG Chao, HE Xiang-ning (Power Electronics Institute of Zhejiang University, Hangzhou 310027, Zhejiang Province, China) ABSTRACT: The output power of PV module varies with module temperature, solar insolation and loads, so it is necessary to track MPP of the PV array all the time. In past years, many MPP control algorithms were presented to draw maximum power from the solar array. A novel online short circuit current method is presented. This method can track MPP changes rapidly without disturbing PV system. On the basis of this method, P&O(perturbation and observation) method with optimized perturbation step was proposed to reduce the power oscillation around MPP. Simulations and experimental results show that the PV generation system has good steady state and transient characteristics with the proposed MPPT control method. KEY WORDS：photovoltaic; maximum power point tracking; short circuit control; perturbation and observation control 摘要：光伏电池输出功率随外部环境和负载的变化而变化，为充分发挥光伏器件的效能，需采用最大功率点跟踪电路。对于最大功率点跟踪电路的控制已经提出了许多方法，其中短路电流法和扰动观察法因其具有简单有效的优点而得到广泛应用。针对短路电流法的缺点，该文提出一种新的在线短路电流控制方法。该方法在不干扰系统正常工作的情况下，能迅速感知外部环境变化，但该方法效率不高。为充分发挥光伏电池的效能，在线短路电流控制方法的基础上再引入扰动观察法。该文扰动观察法的扰动步长针对最大功率点处稳态特性进行优化，优化后，扰动观察法可有效消除光伏器件输出功率在最大功率点的振荡现象，从而提高系统效率。仿真和实验研究证明，该方法可以快速跟踪外部环境变化，并消除系统在最大功率点的振荡现象。 基金项目：国家教育部博士点基金项目(20050335059)．关键词：光伏；最大功率点跟踪；短路电流法；扰动观察法0 引言 光伏发电作为一种具有广阔前景的绿色能源已成为国、内外学术界和工业界研究的热点[1-2]。光伏电池输出功率与外界环境和负载情况有关，为充分发挥光伏电池的功效，需在光伏器件和负载之间串联最大功率点跟踪(maximum power point tracking，MPPT)电路[3-4]。MPPT电路常用的控制方法有固定参数法(如固定电压法、固定电流法)、扰动观察法及增加电导法等[5]。 固定参数法利用在最大功率点工作时光伏器件工作电压、电流与器件开路电压、短路电流的近似比例关系进行控制，此方法只需一个检测参数，控制简单易行，但获取开路电压或短路电流要中断系统正常工作，对系统运行存在干扰，此外所采用的控制关系是近似关系，不能实现最优控制，因此该方法控制精度低，仅适用于小功率场合。扰动观察法根据光伏器件在最大功率点处?P/?U=0的特性进行最大功率点跟踪控制，以左侧为例说明该方法具体工作过程：在系统稳定工作情况下，假设增大最大功率点跟踪电路功率器件的占空比，控制器对占空比调节前后的光伏器件输出功率、输出电压进行采样计算，如果输出功率与输出电压为?P/?U >0，则表明系统工作在最大功率点左侧，应继续增加占空比，直到?P/?U =0，具体工作中，由于扰动观测法需要比较占空比变化前后的功率、电压，因此光伏输出功率会在最大功率点两次反复变化，严重时
遗传算法在多目标优化的应用：公式，讨论，概述/总括 概述 本文主要以适合度函数为基础的分配方法来阐述多目标遗传算法。传统的群落形成方法（niche formation method）在此也有适当的延伸,并提供了群落大小界定的理论根据。适合度分配方法可将外部决策者直接纳入问题研究范围，最终通过多目标遗传算法进行进一步总结：遗传算法在多目标优化圈中为是最优的解决方法，而且它还将决策者纳入在问题讨论范围内。适合度分配方法通过遗传算法和外部决策者的相互作用以找到问题最优的解决方案，并且详细解释遗传算法和外部决策者如何通过相互作用以得出最终结果。 1.简介 求非劣解集是多目标决策的基本手段。已有成熟的非劣解生成技术本质上都是以标量优化的手段通过多次计算得到非劣解集。目前遗传算法在多目标问题中的应用方法多数是根据决策偏好信息，先将多目标问题标量化处理为单目标问题后再以遗传算法求解，仍然没有脱离传统的多目标问题分步解决的方式。在没有偏好信息条件下直接使用遗传算法推求多目标非劣解的解集的研究尚不多见。 本文根据遗传算法每代均产生大量可行解和隐含的并行性这一特点，设计了一种基于排序的表现矩阵测度可行解对所有目标总体表现好坏的向量比较方法，并通过在个体适应度定标中引入该方法，控制优解替换和保持种群多样性，采用自适应变化的方式确定交叉和变异概率，设计了多目标遗传算法(Multi Objective Genetic Algorithm, MOGA)。该算法通过一次计算就可以得到问题的非劣解集， 简化了多目标问题的优化求解步骤。 多目标问题中在没有给出决策偏好信息的前提下，难以直接衡量解的优劣，这是遗传算法应用到多目标问题中的最大困难。根据遗传算法中每一代都有大量的可行解产生这一特点，我们考虑通过可行解之间相互比较淘汰劣解的办法来达到最 后对非劣解集的逼近。 考虑一个n维的多目标规划问题，且均为目标函数最大化， 其劣解可以定义为： f i (x * )≤f i (x t ) i=1，2，??，n (1) 且式(1)至少对一个i取“＜”。即至少劣于一个可行解的x必为劣解。 对于遗传算法中产生大量的可行解，我们考虑对同一代中的个体基于目标函数相互比较，淘汰掉确定的劣解，并以生成的新解予以替换。经过数量足够大的种群一定次数的进化计算，可以得到一个接近非劣解集前沿面的解集，在一定精度要求下，可以近似的将其作为非劣解集。 个体的适应度计算方法确定后，为保证能得到非劣解集，算法设计中必须处理好以下问题：(1)保持种群的多样性及进化方向的控制。算法需要求出的是一组不同的非劣解，所以计算中要防止种群收敛到某一个解。与一般遗传算法进化到
function [sys,x0,str,ts,simStateCompliance] = PO_MPPT_Boost(t,x,u,flag) switch flag, case 0, [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes; case 1, sys=mdlDerivatives(t,x,u); case 2, sys=mdlUpdate(t,x,u); case 3, sys=mdlOutputs(t,x,u); case 4, sys=mdlGetTimeOfNextVarHit(t,x,u); case 9, sys=mdlTerminate(t,x,u); otherwise DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag)); end function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes sizes = simsizes; sizes.NumContStates = 0; sizes.NumDiscStates = 3; sizes.NumOutputs = 1; sizes.NumInputs = 2; sizes.DirFeedthrough = 1; sizes.NumSampleTimes = 1; % at least one sample time is needed
sys = simsizes(sizes); x0 = [0,0,0.5];%[U I Uref] str = []; ts = 1e-6; simStateCompliance = 'UnknownSimState'; % end mdlInitializeSizes function sys=mdlDerivatives(t,x,u) sys = []; % end mdlDerivatives function sys=mdlUpdate(t,x,u) DU=0.001; %步长 dU=u(1)-x(1); dP=u(1)*u(2)-x(1)*x(2); if dP>0 if dU>0 Uref=x(3)+DU;
万方数据
万方数据
万方数据
一种应用于光伏系统MPPT的变步长扰动观察法 作者：朱铭炼， 李臣松， 陈新， 龚春英， ZHU Ming-lian， LI Chen-song， CHEN Xin，GONG Chun-ying 作者单位：南京航空航天大学,江苏,南京,210016 刊名： 电力电子技术 英文刊名：POWER ELECTRONICS 年，卷(期)：2010,44(1) 参考文献(5条) 1.欧阳名三;余世杰;沈玉樑一种太阳能电池MPPT控制器实现及测试方法的研究[期刊论文]-电子测量与仪器学报2004(02) 2.Wen-Jung Chiang;Hurng-Liahng Jou;Jinn-Chang Wu Maximum Power Point Tracking Method for the Voltage-mode Grid-connected Inverter of Photovoltaic Generation System 2008 3.LIU Fang-rui;DUAN Shan-xu;LIU Fei A Variable Step Size INC MPPT Method for PV Systems 2008(07) 4.张超;何湘宁短路电流结合扰动观察法在光伏发电最大功率点跟踪控制中的应用[期刊论文]-中国电机工程学报2006(20) 5.徐鹏威;刘飞;段善旭几种光伏系统MPPT方法的分析比较及改进[期刊论文]-电力电子技术 2007(05) 本文链接：https://www.doczj.com/doc/ca3769011.html,/Periodical_dldzjs201001008.aspx
2012～2013学年度电气与电子工程学院研究生课程 《太阳能光伏并网发电系统》课程报告 固定电流法与变步长扰动观察法结合的 MPPT算法研究 院系：电气与电子工程学院 专业：应用电子工程系 任课教师： 学生姓名： 学号： 指导教师： 二○一三年五月
ABSTRACT:The output power of PV module is a non-linear function of temperature, solar insolation and loads, so it is necessary to track MPP of the PV array all the time. When the external environment rapidly changes，in order to regulate the PV array operating point near the maximum power point quickly, the online constant-current method to track MPP is utilized at first, and then the variable step P&O is adopted to adjust the PV array operating point to be at the maximum-power point. The simulation of the improved method and common methods show that, contrast to the latter, the former can trace the maximum-power point more quickly, efficiently and accurately, which is concise and easy to implement, and also can reduce the energy loss caused by the oscillation of the operating point about the maximum-power point, thus enhancing the PV system efficiency. KEYWORDS:Photovoltaic panel characteristics; maximum power point tracking; constant current method; variable perturb step perturbation and observation method 摘要：光伏器件输出功率是外部环境、负载的非线性函数，为了充分发挥光伏器件的效能，需采用最大功率点跟踪方法进行控制。当外界环境突变时，采用在线固定电流法进行初步跟踪，调整光伏阵列的工作点到最大功率点附近。在此基础上再使用变步长扰动观察法，使得工作点进一步调节到最大功率点，并有效减少了光伏阵列输出功率在最大功率点的振荡。对该结合方法及相关的MPPT算法分别仿真，结果表明，该方法可以在外界环境剧烈变化下快速、有效、准确地跟踪最大功率点，简明易于实现，同时有效减少在光伏阵列最大功率点附近振荡所带来的能量损失，提高了光伏发电系统的效率。 关键词：光伏电池特性；最大功率点跟踪；固定电流法；变步长扰动观察法 1引言 光伏电池是光伏发电系统电能的来源，光伏电池输出功率是其所受日照强度、器件结温的非线性函数。即使在外部环境稳定的情况下，光伏电池的输出功率也会随着外部负载的变化而变化，只有当外部负载与光伏器件达到阻抗匹配时，光伏器件才会输出最大功率。为了实时从光伏阵列获得最大输出功率，需要在光伏发电系统中实现最大功率点的跟踪控制。通常的实现方法是需根据外部环境和负载情况不断调节光伏器件的工作点使其输出最大功率，我们将此功率调节过程称为最大功率点跟踪(Maximum Power Point Tracking，MPPT)。 MPPT电路常用的控制方法有固定参数法（如固定电压法、固定电流法）、扰动观察法及增加电导法等。各种MPPT控制方法中，固定电流法和扰动观察法因简单有效而较常用，但各自也存在缺陷。本文在分析固定电流法和扰动观察法的基础上，采用了一种固定电流法结合扰动观察法的MPPT控制。在外界环境或负载突变时，采用在线固定电流法将光伏阵列的工作点调整到最大功率点附近，以保证跟踪的快速性。在此基础上，为进一步提高对光伏阵列的利用效率，在最大功率点附近，采用变步长扰动观察法，从而减小系统在最大功率点附近的振荡。 2光伏电池特性 光伏电池单元是非线性器件，它的等效电路模型如图2.1所示。图2.1中的电流源产生光生电流I ph，它的数值由光照强度与温度共同决定。串联电阻R S与并联电阻R P用来表征太阳能电池内部的功率损耗。由于太阳能电池表面的材料的电阻率，当电流经过太阳能板流向外部内路时，其必然为产生串联损耗，故引入串联电阻R S。并联电阻R P表征由漏电流引起的损耗。
光伏系统变步长扰动观察法MPPT算法研究 王小昆，胡贤新 (中国矿业大学信电学院，江苏，徐州221116) 摘要：光伏电池阵列输出功率受光照强度和温度变化的影响，因此最大功率点跟踪（MPPT）技术广泛应用于光伏系统中。在所有最大功率点(MPP)控制策略中，扰动观察（P&O）MPPT算法因易实现被广泛应用，然而它的缺点是在稳定工作状态下工作点通过MPP时会导致能量振荡损耗，并且在光照强度或温度发生突变时表现较差的动态响应。在本文中，提出一种改进型变步长扰动观察MPPT算法，此方法依据工作点动态调整步长变化，与传统固定步长方法比较，本文提出的方法能有效地提高MPPT速度和转换效率，通过仿真和实验结果分析，验证了此改进算法的可行性。 关键词：最大功率点跟踪；扰动观察法；变步长 Research on Variable Step Size P&O MPPT Algorithm for PV Systems WANG Xiao-kun，HU Xian-xin (School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou, Jiangsu 221116, China) Abstract:Maximum power point tracking (MPPT) techniques are employed in photovoltaic (PV) systems to maximum the PV array output power which depends on solar irradiance and temperature. Among all the MPPT strategies,The P&O Maximum Power Point Tracking algorithm is mostly used, due to its ease of implementation. However, its main drawbacks are the waste of energy in steady conditions, when the working point moves across the MPP and the poor dynamic performances exhibited when a step change in solar irradiance or in temperature occurs. In this paper, a modified variable step size P&O MPPT algorithm is proposed, the step size is automatically tuned according to the operating point. Compared with the conventional fixed step size method, the proposed approach can effectively improve the MPPT speed and efficiency simultaneously.A theoretical analysis and the design principle of the proposed algorithm are provided and its feasibility is also verified by simulation and experimental results. Keywords：Maximum power point tracking (MPPT); the Perturb and Observe (P&O); Variable Step Size 1 引言 随着世界能源消耗的不断增加，石油、煤炭等不可再生能源不断枯竭，可再生能源在能源消费中的地位越来越突出，其取之不尽和对自然环境影响较小的特点，得到了广泛的应用，其中太阳能是主要清洁能源之一，主要是光伏发电系统投资成本越来越低，并且技术不断进步、系统运行稳定、维护简单、对环境无污染。光伏发电系统现在主要应用于蓄电池充电、扬水系统、居民生活供电、卫星系统供电等场所[1-2]。 定稿日期：2010-12-11 作者简介：王小昆（1983-），男，安徽巢湖人，硕士研究生，研究方向光伏并网系统及电力电子技术 光伏系统存在两个重要不足，其一电池板发电效率非常低，在低光照强度下表现尤为突出，其二电能的产生随着天气状况变化而产生明显的变化，比如光照强度和温度变化等。 最大功率点跟踪（Maximum power point tracking，简称MPPT）变成了光伏发电系统中的重要组成部分，它能将电池板阵列产生的最大功率传输到逆变系统中，实现效率的最优化。基于控制器复杂程度，所用传感器数量，制造成本和性能有多种不同的MPPT控制方法被相继提出。MPPT算法实现目标是跟踪的快速性和准确性，即在光照强度和温度发生突变时快速响应以及稳定工作时较小振荡。目前常用的方法有恒压法
一种在复杂网络中发现社区的多目标遗传算法 Clara Pizzuti 摘要——本文提出了一种揭示复杂网络社区结构的多目标遗传算法。该算法优化了两个目标函数，这些函数能够识别出组内节点密集连接，而组间连接稀疏。该方法能产生一系列不同等级的网络社区，其中解的等级越高，由更多的社区组成，被包含在社区较少的解中。社区的数量是通过目标函数更佳的折衷值自动确定的。对合成和真实网络的实验，结果表明算法成功地检测到了网络结构，并且能与最先进的方法相比较。 关键词：复杂网络，多目标聚类，多目标进化算法 1、简介 复杂网络构成了表示组成许多真实世界系统的对象之间关系的有效形式。协作网络、因特网、万维网、生物网络、通信传输网络，社交网络只是一些例子。将网络建模为图，节点代表个体，边代表这些个体之间的联系。 复杂网络研究中的一个重要问题是社区结构[25]的检测，也被称作为聚类[21]，即将一个网络划分为节点组，称作社区或簇或模块，组内连接紧密，组间连接稀疏。这个问题，如[21]指出，只有在建模网络的图是稀疏的时候才有意义，即边的数量远低于可能的边数，否则就类似于数据簇[31]。图的聚类不同于数据聚类，因为图中的簇是基于边的密度，而在数据聚类中，它们是与距离或相似度量紧密相关的组点。然而，网络中社区的概念并未严格定义，因为它的定义受应用领域的影响。因此，直观的理解是同一社区内部边的数量应该远多于连接图中剩余节点的边的数量，这构成了社区定义的一般建议。这个直观定义追求两个不同的目标：最大化内部连接和最小化外部连接。 多目标优化是一种解决问题的技术，当多个相互冲突的目标被优化时，成功地找到一组解。通过利用帕累托最优理论[15]获得这些解，构成了尽可能满足所有目标的全局最优解。解决多目标优化问题的进化算法取得成功，是因为它们基于种群的特性，同时产生多个最优解和一个帕累托前沿[5]的优良近似。 因此，社区检测能够被表述为多目标优化问题，并且帕累托最优性的框架可以提供一组解对应于目标之间的最佳妥协以达到最优化。事实上，在上述两个目标之间有一个折衷，因为当整个网络社区结构的外部连接数量为空时，那它就是最小的，然而簇密度不够高。 在过去的几年里，已经提出了许多方法采用多目标技术进行数据聚类。这些方法大部分在度量空间[14], [17],[18], [28], [38], [39], [49], [51]聚集目标，虽然[8]中给出了分割图的一个方法，并且在[12]中描述了网络用户会议的一个图聚类算法。 本文中，一个多目标方法，名为用于网络的多目标遗传算法(MOGA-Net)，通过利用提出的遗传算法发现网络中的社区。该方法优化了[32]和[44]中介绍的两个目标函数，它们已被证实在检测复杂网络中模块的有效性。第一个目标函数利用了community score的概念来衡量对一个网络进行社区划分的质量。community score值越高，聚类密度越高。第二个目标函数定义了模块中节点fitness的概念，并且反复迭代找到节点fitness总和最大的模块，以下将这个目标函数称为community fitness。当总和达到最大时，外部连接是最小。两个目标函数都有一个正实数参数控制社区的规模。参数值越大，找到的社区规模越小。MOGA-Net利用这两个函数的优点，通过有选择地探索搜寻空间获得网络中存在的社区，而不需要提前知道确切的社区数目。这个数目是通过两个目标之间的最佳折衷自动确定的。 多目标方法的一个有趣结果是它提供的不是一个单独的网络划分，而是一组解。这些解中的每一个都对应两个目标之间不同的折衷，并对应多种网络划分方式，即由许多不同簇组成。对合成网络和真实网络的实验表明，这一系列帕累托最优解揭示了网络的分层结构，其中簇的数目较多的解包含在社区数目较少的解中。多目标方法的这个特性提供了一个很好的机会分析不同层级