光伏電池最大功率點跟蹤的研究現狀綜述

(福州大學電氣工程與自動化學院，福建 福州 350108)

1 引言

隨著科技的發展和技術的進步，人們對能源的需求日益增長。然而，隨著人們使用能源特別是化石能源的數量越來越多，能源對人類經濟社會的制約，及對環境的污染影響也日益加劇[1]。同時由于傳統化石能源的不可再生性，開發無污染的新能源已然成為人類社會發展的必然趨勢。在眾多新能源中，太陽能由于其幾乎取之不盡，存在普遍，對生態影響小等特點廣受青睞。太陽能發電目前有光伏和光熱兩種發電模式，其中光伏發電的模式由于結構簡單，易于維護，且方便運輸安裝等特點被廣泛運用。然而，光伏元件的光電轉換效能通常低于20%[2]。因此,目前最主要的課題是如何提高光伏組件的光電轉換效率。

隨著外界照度和溫度的變化，光伏組件的輸出電壓和電流為非線性相關，該性質體現在其P-V曲線上，在特定的條件下存在唯一的最大功率點(MPP)。因此，如何人為的控制光伏組件，使其穩定工作在最大功率點(MPPT)，成為了學術界重點的研究對象。本文按照MPPT的不同種類，對目前常用的幾種方法進行了歸納，分析其各自的特點，并總結其目前的發展趨勢。

2 傳統的MPPT方法

傳統的最大功率點跟蹤方法主要分為直接MPPT和間接MPPT兩種類型。間接MPPT主要有開路電壓法和短路電流法。該方法因為不需要對輸出功率進行測量，控制邏輯簡單，易于實現，但只能近似跟蹤到最大功率點。當光伏模塊隨著使用時間的推移出現參數漂移時，會出現大量的能量損失。

直接MPPT有擾動觀察法(P&O)，電導增量法(INC)等。這兩種方法只適用于單峰P-V曲線。

2.1 擾動觀察法(P&O)

擾動觀察法是最常用的直接MPPT算法，具有實現簡單，成本低廉的優點。其基本思路是持續對光伏電池輸出端的電壓施以擾動ΔU，每次擾動通過對輸出端電壓和電流進行采集，計算出擾動后功率值的增量ΔP。如果ΔP為正，說明上一次擾動使工作點電壓接近最大功率點電壓，擾動方向正確，下一次的擾動量依然保持為ΔU。如果ΔP為負，說明該擾動使工作點電壓遠離最大功率點電壓，下一次的擾動量取-ΔU。通過持續施加擾動，使工作點逐漸趨近于最大功率點。然而，當功率到達MPP后，控制系統的擾動不會停止，而會在MPP附近振蕩，這是P&O方法最主要的一個缺點。此外，擾動觀察法的跟蹤速度不足，并且在外界環境急劇變化的情況下跟蹤效果差。

學者針對P&O法提出了一些改進：文獻[3]提出了一種自適應步長的擾動觀察法，文獻[4]提出了一種基于擾動觀察的拋物線逼近法，都取得了不錯的效果。

2.2 電導增量法(INC)

整理后可得：

學者針對INC法提出了一些改進：文獻[6]提出了一種變步長的增量電導法，提升了跟蹤到 MPP的速度，文獻[7]采用了INC和固定電壓法結合的方法，文獻[8]提出一種新型雙并聯Boost電路的功率預測改進電導增量法最大功率跟蹤策略，等。

3 傳統方法的局限及智能算法的提出

目前通常將復數的光伏組件進行串并聯，構成光伏陣列集中控制對外輸出電能。光伏組件在不同的光照條件下，將會工作于不同的工況。不同工況的組件串并聯，可能會產生“熱斑效應”[9]。為了避免熱斑效應，通常將光伏組件并聯一個旁路二極管。旁路二極管的結構使光伏陣列在局部陰影下時，最終輸出的P-V曲線呈現出多峰值。該情況下，傳統MPP方法會因為陷入局部極值點而失效，從而造成嚴重的功率損失。

針對局部陰影的情況，文獻[10-11]提出一種全局掃描法，通過對電壓間隔采樣，分別計算對應的輸出功率；文獻[12]提出一種功率補償方法，通過并聯電源補償處于陰影狀態的模塊，進而將多峰值的P-V曲線校正為單峰值，從而可以使用傳統方法進行MPPT。此外，學著們還提出采用智能算法進行MPPT，例如基于群智能的優化方法，基于人工智能理論的神經網絡方法，以及模糊控制法等。

3.1 群智能優化方法

采用群智能算法進行MPPT主要有粒子群算法(PSO)，蟻群算法(ACO)，貓群算法(CSO)等。目前應用最廣泛的是PSO方法。

粒子群算法(PSO)源于對鳥類捕食的研究[13]，主要流程為在空間中初始化一群粒子，賦予其隨機位置及初速度，并計算出每個粒子對應的適應度及最優個體的適應度。之后粒子在解空間中運動，其速度的更新取決于該粒子的個體最優值pbest以及全局最優值gbest。其中pbest指的是該粒子曾到訪過的最優位置，gbest是指全體粒子到訪過的最優位置。每更新一代則重新計算適應度，更新pbest與gbest，直到種群滿足迭代收斂條件或達到最大迭代次數。

使用PSO算法進行MPPT的控制方法有三種：電流控制，電壓控制及占空比控制，每個粒子所在的位置對應為該點的電流，電壓或是占空比，粒子適應度對應為粒子所在位置對應的輸出功率。通過對各個點的功率進行采樣，計算下一次迭代各粒子的位置，在多次迭代后最終收斂在全局最優點。

PSO算法的主要優勢有：控制簡單，易于實現，控制器價格低廉，容易與其他算法結合，并且在局部陰影等極端情況下依然適用。缺點有：容易收斂到局部極值點[14]，收斂速度緩慢，由于隨機因素的存在，系統具有不可控性[15]，等。針對這些問題，目前主要將粒子群算法同其他方法相結合，提高收斂速度和準確度。文獻[16]提出了一種無隨機參數的粒子群MPPT方法，文獻[17]提出了一種混沌粒子群MPPT方法，文獻提出了一種集中控制型的多維粒子群MPPT方法。文獻[18]提出在粒子初始化時，將初始粒子固定在可能的最大功率點處，從而提高收斂速度。文獻[19]提出一種粒子群和魚群算法相結合的方法，文獻[20]采用了粒子群和模擬退火算法相結合的方法，都取得了不錯的效果。

3.2 神經網絡控制

通常采用BP神經網絡對光伏陣列進行MPPT控制。BP網絡的學習方式是一種梯度下降法，采用誤差逆傳播的訓練方法進行學習。其本質上是一個“黑盒”：可以用來儲存“輸入”和“輸出”間的映射關系，卻不必預先得知該關系的具體數學方程。其結構由輸入層，隱層，輸出層構成，每一個神經元由一個節點表示，不同層之間的節點由“權”相連。權值的更新采用的是誤差反向傳播算法(BP算法)，通過大量的預訓練數據，計算實際輸出和期望輸出之間的誤差，將誤差反向傳播對各層的權值進行不斷的修正，從而形成一個相對準確的控制系統。

利用神經網絡算法進行MPPT，本質上是利用外界的時間、光照強度和溫度，對可能的最大功率點電壓進行預測。輸入層一般有三個神經元，分別為當前的時間、光照強度和溫度，輸出層有一個神經元，即預測的最大功率點電壓，隱層包含有數個神經元。預先通過采集大量數據訓練神經網絡，從而完成由時間、光照強度和溫度到的映射。

由于反向傳輸是一個迭代的過程，神經網絡需要大量的訓練數據，且訓練過程相對耗時，獲取局部陰影下的可靠數據更是一項挑戰。并且局部陰影的訓練數據有限，只支持幾種預定義的陰影模式，但在實際使用的過程中，陰影模式不確定，系統的泛化能力難以得到保證。此外，在線反復進行自學習訓練計算對微處理器的性能要求很高，另外需要對不同類型的光伏模塊或陣列進行特定修正。考慮到光伏模塊長期使用中發生的數據漂移，還需要定期的修正周期，泛用性不高。

對此，文獻[21]針對傳統BP神經網絡對MPP點處電壓的預測誤差較大的問題，提出了一種遺傳算法優化的BP神經網絡算法。文獻[22]提出了基于橢圓基的廣義動態模糊神經網絡，有效地克服了最大功率點震蕩問題，提高了系統的自適應能力。文獻[23]提出一種灰色BP神經網絡，使MPPT過程更加準確迅速。文獻[24]提出一種基于神經網絡滑膜控制技術的MPPT方法，簡化了控制系統，提高了魯棒性。

3.3 模糊邏輯控制

模糊邏輯控制法[25]是一種模仿人類決策的人工智能算法[26]，該方法本質上是一種以人們的經驗直覺為基礎的邏輯系統，在解決問題時不依賴于問題的具體數學模型，但需要通過專家系統的先驗知識進行推理，適用于數學模型難以確定的系統，類似于一種映射輸入輸出關系的函數估計器。使用模糊邏輯控制法進行最大功率點跟蹤的基本步驟分為三步：將輸出功率對電壓或電流的變化量及變化率模糊化，之后根據專家經驗進行評判，給出電壓或電流的隸屬度，最后根據該隸屬度進行解模糊，通過隸屬函數，將模糊量轉變為精確的控制量輸出，從而實現MPPT。

模糊控制同神經網絡控制一樣，不依賴控制對象的精確數學模型。但相比神經網絡，缺乏在線自習及自我調整的能力。并且專家經驗的建立和表述，隸屬函數和模糊控制規則的調整也是其中的難點。

文獻[27]提出了一種將模糊控制同PID控制結合的MPPT方法。文獻[28]提出一種將模糊控制和神經網絡相結合的方法，提高了跟蹤速度和準確度。文獻[29]采用了一種非對稱模糊控制MPPT，文獻(光伏陣列最大功率跟蹤變論域模糊控制)采用變論域模糊控制方法實現MPPT，在響應速度，跟蹤精度和輸出功率上都有提升。

4 結論

追求能源利用的效率最大化，是人類永恒的追求。特別是在光伏電池的材料，儲能技術等均處于瓶頸的現在，如何提高光伏發電的效率是目前研究的主要方向。對MPP進行精確的跟蹤從而保證系統輸出功率最大化，對光伏系統的效率影響重大。本文介紹的幾種MPPT方案都有各自的優點及局限性，傳統方法在局部陰影下會失效，智能方法可以跟蹤到最大功率點，但方法本身復雜性和對硬件設備的依賴性更高。盡管如此，由于其適用于多峰值P-V曲線，可以對于日常使用中出現的局部陰影狀態進行MPPT，故該方法將成為未來的主流。對于最大功率點跟蹤控制方法的研究，還有著廣闊的發展空間。目前研究的主流趨勢是將數種MPPT控制方法相結合，抑或是根據不同環境或不同的MPPT階段，采用不同的方法。