光伏系统最大功率点跟踪控制算法的研究
- 格式:pdf
- 大小:278.24 KB
- 文档页数:3
电力电子技术PowerElectronicsVol.44,No.6
June2010第44卷第6期2010年6月
基金项目:宁波大学学生科研储备项目(2010089);宁波市自然科学基金项目(2009A610061);宁波大学科技学院预研究项目(XYY09005)
定稿日期:2010-05-20
作者简介:赵阳(1989-),女,浙江金华人,研究方向为智能控制与算法优化、电力电子技术。
1引言作为具有巨大开发应用潜力的可持续清洁能源,太阳能将成为未来社会的主要能源之一,其开发利用能有效解决目前存在的能源匮乏、环境污染、气候变暖等严重问题,因而受到世界各国的重视[1]。太阳能电池是太阳能光伏发电系统的核心部件,其性能受光强、温度影响很大,伏安特性表现出复杂的非线性特征,因此最大输出功率也随着外界因素的变化而发生变动。若要使太阳能电池保持最大功率输出,从而保证能量利用率,则需调整负载工作点来适应太阳能电池输出特性的变化。目前常用的最大功率点跟踪(MPPT)方法[2]主要包括恒定电压法、扰动观察法、电导增量法、间歇扫描法等,主要通过测量电池的输出电压和输出电流,来判断输出功率的变化方向,从而调整电池工作状态向最大功率点位置移动。但这些方法在实际使用中均存在不同缺点,难于协调控制复杂度和控制精度的综合要求。首先在Matlab环境下建立了太阳能电池的仿真模型,分析了太阳能电池在不同光强和温度条件下的输出特性;同时提出了一种基于粒子群算法的MPPT方法,并通过实验验证了该方法的有效性。2太阳能电池模板仿真模型的建立2.1仿真模型建立如图1所示,太阳能电池可等效为与一个二极管并联的恒流源[3-5](等效并联电阻值很大,
可忽略不
计)。恒流源的输出电流IL部分支持二极管正向电流,其余经串联等效电阻Rs输向外接负载。
由图1可得,太阳能电池输出电流为:
I=IL-I0eq(U+IRs)/(nkT)-1(1)
IL大小为
:
IL=IL(T1)[1+K0(T-T1)](2)
式中:I
L(T1)=GISC(I1,nom)/Gnom;K0=[ISC(T2)-ISC(T1)]/(T2-T1)。
二极管饱和电流I0和Rs为:
I0=I0(T1)TT1113/ne-qUg/[nk(1/T-1/T1)],Rs=-dUdIVOC-1XV(3)
式中:I
0(T1)=ISC(T1)/eqUOC(T1)/(nkT1)-111;XV=I0(T1)[q/(nkT1)]eqUOC(T1)/(nkT1)。
利用式(1)~(3)编写Matlab程序,即可建立太阳能电池模板仿真模型。
2.2太阳能电池输出特性分析利用2.1中建立的仿真模型,对太阳能电池进行了输出特性分析,如图2所示。由图可知,太阳能电池的I-U,P-U输出特性均表现出明显的非线性特征,且在温度、光强等外界条件发生变化时,输出特性还会发生变化。在光强为1kW/m2
,
温度为0~75℃
基于粒子群算法的最大功率点跟踪方法研究赵阳,符强,王镭,姚佳(宁波大学,浙江宁波315212)
摘要:利用Matlab语言建立了太阳能电池的计算仿真模型,分析了太阳能电池在温度、光强不同时输出最大功率的变化特性。采用粒子群算法对太阳能电池进行了最大功率点跟踪的仿真研究,实验结果证明粒子群算法具有很好的跟踪精度,同时也可大大提高最大功率点的跟踪效率。
关键词:太阳能电池;粒子群算法;最大功率点中图分类号:TM615文献标识码:A文章编号:1000-100X(2010)06-0032-02
TheMaximumPowerPointTrackingofSolarCellBasedonPSOAlgorithmZHAOYang,FUQiang,WANGLei,YAOJia(NingboUniversity,Ningbo315212,China)Abstract:Basedonthemathematicalfunctionformula,thesimulationmodelofsolarcellisbuiltinMatlab.Withthismod-el,outputfeaturesofsolarcellareanalyzedaccordingtothedifferenttemperatureandtheisolation.PSOalgorithmisusedtosearchthemaximumpowerpointofsolarcell.TheexperimentalresultdemonstratesthegoodeffectofPSOalgorithm.Keywords:solarcell;particleswarmoptimization;maximumpowerpointFoundationProject:SupportedbyStudentsResearchReserveProjectofNingboUniversity(No.2010089);NingboNaturalScienceFoundation(No.2009A610061);Pre-researchFoundationofcollegeofScienceandTechnologyofNingboUniver-sity(No.XYY09005)
图1太阳能电池等效电路图条件下及温度为25℃,光强为0.25~1kW/m2条件下分别对太阳能电池的输出功率特性做进一步分析,如图3所示。可见,不同条件下,太阳能电池的输出功率都具有唯一但变化的最大点。当光强不变时,最大功率点处的电压会随温度的增大而减小,同时最大输出功率值也相应减小;当温度不变,光强发生变化时,最大功率点处的电压只会出现小范围的变动,但最大输出功率值会随着光强增大而明显增大。2.3最大功率点分析为获取太阳能电池最大功率点的数学特征,对式(1)~(3)进行了分析。由式(1)可得太阳电池输出电压的表达式为:U=nkTqlnIL+I0-II0-IRs(4)因此由式(1),(4)可求出P-I特征关系式为:P=UI=nkTqlnIL+I0-II0I-I2Rs(5)式(5)中对I求一阶导数,可得:dPdI=nkTqlnIL+I0-II0-IIL+I0-I-2IRs=0(6)显然满足式(6)的I就是最大功率点处的电流,记为Imax。将Imax的结果代入式(4),即可求出最大功率点处的电压Umax,最终可求出最大功率Pmax=UmaxImax。但式(6)是一个复杂的超越方程,一般常规方法难于求解,而数值解法的求解过程有赖于初始值的选择,迭代时间很长,且精度要求难于保证。3粒子群算法粒子群算法是一种基于群体智能的并行全局随机搜索算法,其结构简单、可调参数少,同时具有搜索速度快、通用性强、鲁棒性高等优点,已被成功应用于函数优化、信号处理、电力系统优化、模式识别、数字电路优化等许多领域。在常规粒子群算法中,每个粒子的位置和速度都以随机方式在解空间内进行初始化,而后粒子群体追随全局最优和个体最优的方向群游,整个搜索更新过程紧跟当前最优解以获取目标。
假设粒子种群中的粒子总数为m,搜索空间为N维,其中第i个粒子在N维空间的位置可表示为xi=(xi1,xi2,…xiN),其飞行速度可表示为vi=(vi1,vi2,
…viN)。则寻优过程中各粒子速度及位置的更新可表示为:
vit+1=wvit+c1rand()(pgt-xit)+c2rand()(pit-xit
)
xit+1=xit+vit++1
(7)
式中:pgt为t次搜索后得到的全局最优值;pit为t次搜索后每个粒子自身找到的个体最优值。
粒子群体根据记忆因子c1和c2的取值调整向pg和pi转移的速度。为保持粒子多样性,rand()将对
粒子的状态进行随机处理。
惯性权重w将影响粒子群算法的全局和局部搜索能力:较大的w值增强全局寻优能力,但同时减弱了局部收敛能力;较小的w值加快局部收敛速度,但同时减弱了全局寻优能力。为提高算法的收敛性能,平衡收敛的全局性和收敛速度,常规粒子群算法在寻优过程中往往对w进行线性衰减处理。
由式(7)可见,粒子群算法利用全局最优值p
g
和个体最优值pi不断调节整个粒子种群的位置和
速度状态,最终达到满意解。
4实验仿真与结果分析利用粒子群算法对式(6)进行最优值求解,从而确定最大功率点的输出电压与输出功率。种群个数取20,在(0,I
L+I0)内进行粒子群体随机初始化,
迭代
次数为100次。根据条件不同设置了两组实验,每组实验分别随机运行20次,并统计20次实验中所得数据的平均值作为最终实验结果。
在光强为1kW/m2
,温度为0~75℃时,
将粒子群
算法仿真实验结果与对太阳能电池的实际测量结果进行比较,如图4a所示。
在温度为25℃,光强为0.25~1kW/m2时,将粒子群算法仿真实验结果与对太阳能电池的实际测量结果进行比较,如图4b所示。
图2太阳能电池的输出特性图3太阳能电池的曲线
图4PSO仿真结果与实测结果对比(下转第77页)
基于粒子群算法的最大功率点跟踪方法研究33