基于电导增量法与改进粒子群算法混合控制的最大功率点跟踪策略
发布时间：2022-01-06 12:47
利用传统电导增量法跟踪最大功率点时,若跟踪步长较大,则跟踪速度较快,但跟踪精度较差;反之,则跟踪精度较好,但跟踪速度较慢。当外界环境发生变化时,利用传统电导增量法得到的功率变化曲线振荡幅度较大,功率损失较多。改进粒子群算法能够对外界环境的突变迅速作出响应,利用该方法得到的功率变化曲线振荡幅度较小,但是很难精确地定位到最大功率点（MPP）。因此,文章提出一种混合控制的最大功率点跟踪（MPPT）策略,先利用改进粒子群算法快速跟踪到MPP附近,然后利用小步长电导增量法对MPP进行精细搜索。仿真结果表明,该跟踪策略在一定程度上能够增加跟踪系统的响应速度、跟踪精度,减小功率变化曲线的振荡幅度。
【文章来源】：可再生能源. 2019,37(06)北大核心
【文章页数】：8 页
【部分图文】：
不同光照强度下光伏电池的U-P，U-I
[式（13）]产生混沌变量，并通过逆映射公式[式（14）]将混沌变量值返回至粒子搜索空间。在粒子群算法运行后期，通过对全局最优粒子Gbest进行混沌扰动，重新产生随机性较强的粒子，来增强粒子群的随机搜索性能。本文利用粒子群群体适应度方差和理论最优适应度阈值来判断粒子群是否逼近系统最大功率点，判别式见式（15）。当粒子群群体适应度方差σ2小于设定阈值、当前粒子最优（a）光伏电池的U-P输出特性曲线（b）光伏电池的U-I输出特性曲线图2不同温度下光伏电池的U-P，U-I输出特性曲线Fig.2TheU-PandU-IoutputcharacteristiccurvesofPVcellundervariabletemperature6050403020100光伏输出功率/W光伏输出电压/V036912151821T=70℃T=55℃T=40℃T=25℃4.54.03.53.02.52.01.51.00.50光伏输出电流/A光伏输出电压/V036912151821T=70℃T=55℃T=40℃T=25℃·826·可再生能源2019，37（6）
2，混合控制光伏系统约在0.12s后再次达到稳态，该系统光伏输出功率变化曲线的振荡幅度明显小于传统控制光伏系统，其中混合控制光伏系统的跟踪误差约为0.21%，传统控制光伏系统的跟踪误差约为0.47%。6.5s时，将光照强度由1000W/m2降低至750W/m2，混合控制光伏系统约在0.15s后再次达到稳态，而传统控制光伏系统需要大约1.23s才能再次达到稳态，此阶段与传统控制光伏系统相比，混合控制光伏系统的跟踪误差略高出0.4%，但该系统光伏输出功率变化曲线的振荡幅图3混合控制算法流程图Fig.3Theflowchartofhybridcontrolalgorithm算法启动初始化算法参数i≤N否是输送第i个粒子测量光伏输出电压U（i）和电流I（i）计算光伏输出功率P（i）=U（i）×I（i）是否P（i）>fitness（i）更新个体最优适应度值和个体最优解个体最优适应度值和个体最优解保持不变是否fitness（i）>Zbest更新群体最优适应度值和群体最优解群体最优适应度值和群体最优解保持不变i=i+1i=1群体方差小于阈值，最优适应度值小于理论阈值是是是是是否否否否否否是否否是按照公式（11），（12），（19）更新粒子速度、粒子位置、惯性权重|x（i）-x（j）|<C4启动电导增量法函数初步化步长k，D=Gbest+k按照公式（13），（14）更新惯粒子数值通过占空比D调节IGBT开关采样U（t），I（t），计算dU=U（t）-U（t-1）dI=I（t）-I（t-1）dP/dU=I（t）+U（t）×dI/dUdU=0dP/dU=0dI=0dP/dU>0dI>0D=D-kD=DD=D+kU（t-1）=U（t）I（t-1）=I（t）|[P（t）-P（t-1）]/P（t-1）|>Pc通过D调?
【参考文献】：
期刊论文
[1]基于基因排序遗传算法的串联光伏组件MPPT研究[J]. 钟黎萍,张水平,顾启民. 可再生能源. 2017(03)
[2]局部阴影下基于遗传蚁群算法对MPPT的研究[J]. 刘建辉,李博. 可再生能源. 2017(01)
[3]太阳能电池最大功率点跟踪技术研究[J]. 金薇. 电子科技. 2015(03)
[4]基于自适应差分进化和BP神经网络的光伏功率预测[J]. 李倩,周彬倩,张建成,李嘉俊. 陕西电力. 2014(02)
[5]一种基于电导增量法的可变步长MPPT算法的研究[J]. 胡茗哲,马学军. 湖北理工学院学报. 2013(04)
[6]粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J]. 朱艳伟,石新春,但扬清,李鹏,刘文颖,魏德冰,付超. 中国电机工程学报. 2012(04)
[7]光伏电池工程用数学模型研究[J]. 傅望,周林,郭珂,刘强,代璐,黄勇. 电工技术学报. 2011(10)
[8]基于开路电压法光伏电池最大功率追踪器[J]. 钟长艺,康龙云,聂洪涛,李贞姬. 电力电子技术. 2011(07)
[9]太阳能发电变频器驱动系统的最大功率追踪控制法[J]. 戴欣平,马广,杨晓红. 中国电机工程学报. 2005(08)
本文编号：3572482
【文章来源】：可再生能源. 2019,37(06)北大核心
【文章页数】：8 页
【部分图文】：
不同光照强度下光伏电池的U-P，U-I
[式（13）]产生混沌变量，并通过逆映射公式[式（14）]将混沌变量值返回至粒子搜索空间。在粒子群算法运行后期，通过对全局最优粒子Gbest进行混沌扰动，重新产生随机性较强的粒子，来增强粒子群的随机搜索性能。本文利用粒子群群体适应度方差和理论最优适应度阈值来判断粒子群是否逼近系统最大功率点，判别式见式（15）。当粒子群群体适应度方差σ2小于设定阈值、当前粒子最优（a）光伏电池的U-P输出特性曲线（b）光伏电池的U-I输出特性曲线图2不同温度下光伏电池的U-P，U-I输出特性曲线Fig.2TheU-PandU-IoutputcharacteristiccurvesofPVcellundervariabletemperature6050403020100光伏输出功率/W光伏输出电压/V036912151821T=70℃T=55℃T=40℃T=25℃4.54.03.53.02.52.01.51.00.50光伏输出电流/A光伏输出电压/V036912151821T=70℃T=55℃T=40℃T=25℃·826·可再生能源2019，37（6）
2，混合控制光伏系统约在0.12s后再次达到稳态，该系统光伏输出功率变化曲线的振荡幅度明显小于传统控制光伏系统，其中混合控制光伏系统的跟踪误差约为0.21%，传统控制光伏系统的跟踪误差约为0.47%。6.5s时，将光照强度由1000W/m2降低至750W/m2，混合控制光伏系统约在0.15s后再次达到稳态，而传统控制光伏系统需要大约1.23s才能再次达到稳态，此阶段与传统控制光伏系统相比，混合控制光伏系统的跟踪误差略高出0.4%，但该系统光伏输出功率变化曲线的振荡幅图3混合控制算法流程图Fig.3Theflowchartofhybridcontrolalgorithm算法启动初始化算法参数i≤N否是输送第i个粒子测量光伏输出电压U（i）和电流I（i）计算光伏输出功率P（i）=U（i）×I（i）是否P（i）>fitness（i）更新个体最优适应度值和个体最优解个体最优适应度值和个体最优解保持不变是否fitness（i）>Zbest更新群体最优适应度值和群体最优解群体最优适应度值和群体最优解保持不变i=i+1i=1群体方差小于阈值，最优适应度值小于理论阈值是是是是是否否否否否否是否否是按照公式（11），（12），（19）更新粒子速度、粒子位置、惯性权重|x（i）-x（j）|<C4启动电导增量法函数初步化步长k，D=Gbest+k按照公式（13），（14）更新惯粒子数值通过占空比D调节IGBT开关采样U（t），I（t），计算dU=U（t）-U（t-1）dI=I（t）-I（t-1）dP/dU=I（t）+U（t）×dI/dUdU=0dP/dU=0dI=0dP/dU>0dI>0D=D-kD=DD=D+kU（t-1）=U（t）I（t-1）=I（t）|[P（t）-P（t-1）]/P（t-1）|>Pc通过D调?
【参考文献】：
期刊论文
[1]基于基因排序遗传算法的串联光伏组件MPPT研究[J]. 钟黎萍,张水平,顾启民. 可再生能源. 2017(03)
[2]局部阴影下基于遗传蚁群算法对MPPT的研究[J]. 刘建辉,李博. 可再生能源. 2017(01)
[3]太阳能电池最大功率点跟踪技术研究[J]. 金薇. 电子科技. 2015(03)
[4]基于自适应差分进化和BP神经网络的光伏功率预测[J]. 李倩,周彬倩,张建成,李嘉俊. 陕西电力. 2014(02)
[5]一种基于电导增量法的可变步长MPPT算法的研究[J]. 胡茗哲,马学军. 湖北理工学院学报. 2013(04)
[6]粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J]. 朱艳伟,石新春,但扬清,李鹏,刘文颖,魏德冰,付超. 中国电机工程学报. 2012(04)
[7]光伏电池工程用数学模型研究[J]. 傅望,周林,郭珂,刘强,代璐,黄勇. 电工技术学报. 2011(10)
[8]基于开路电压法光伏电池最大功率追踪器[J]. 钟长艺,康龙云,聂洪涛,李贞姬. 电力电子技术. 2011(07)
[9]太阳能发电变频器驱动系统的最大功率追踪控制法[J]. 戴欣平,马广,杨晓红. 中国电机工程学报. 2005(08)
本文编号：3572482
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3572482.html
