一種基于改進螢火蟲算法的光伏MPPT控制方法

張鵬 羅正華 唐成達 黃建剛

摘?要：局部陰影條件下，光伏發(fā)電系統(tǒng)輸出功率降低且P-U曲線存在多峰值，標準螢火蟲算法易陷入局部極值且收斂后期易發(fā)生震蕩現(xiàn)象。針對這一問題，提出一種基于模糊-螢火蟲算法（FFA）的MPPT算法，利用模糊控制器自適應調整隨機移動步長因子α。算法運行前期賦予較大α值，螢火蟲能快速向最優(yōu)值附近移動，后期快速減小α值，避免震蕩現(xiàn)象，使算法能穩(wěn)定收斂。通過在MATLAB/Simulink下對FFA算法建模、仿真，并對比了標準螢火蟲算法（FA）仿真結果，實驗證明螢火蟲算法與模糊控制技術相結合，能快速、準確、穩(wěn)定的收斂到最大功率點，實現(xiàn)光伏發(fā)電最大效益輸出。

關鍵詞：最大功率點跟蹤;局部陰影;螢火蟲算法;模糊控制

DOI：10.15938/j.jhust.2020.03.009

中圖分類號：?TM615

文獻標志碼：?A

文章編號：?1007-2683（2020）03-0053-08

Abstract：Under?partially?shaded?conditions，?the?power?of?the?photovoltaic?system?becomes?lower?and?the?P-U?characteristic?curve?has?multiple?peaks.?The?standard?firefly?algorithm?will?fail?to?work?and?is?prone?to?oscillation?during?the?final?phase?of?convergence.?To?solve?this?problem，?the?MPPT?algorithm?based?on?fuzzy-firefly?algorithm?（FFA）?is?proposed，?which?uses?fuzzy?controller?to?adaptively?adjust?the?factor?of?random?moving?step.?In?the?early?stage?of?the?algorithm，the?fuzzy?controller?output?a?large?α?so?that?firefly?can?quickly?move?to?the?vicinity?of?the?optimal?value.?In?the?later?stage?of?algorithm，?the?value?of?α?decrease?sharply?to?avoid?oscillation，?so?that?the?algorithm?can?converge?stably.?By?modeling?and?simulating?in?the?MATLAB/Simulink?and?comparing?the?simulation?results?of?FFA?with?the?standard?firefly?algorithm?（FA），?the?experiment?proves?that?the?FFA?can?quickly，?accurately?and?stably?converge?to?the?MPP?so?that?the?PV?system?can?output?the?maximum?power.

Keywords：maximum?power?point?tracking?（MPPT）;?partial?shading;?firefly?algorithm?（FA）;?fuzzy?control

0?引?言

隨著全球變暖以及能源危機的日益加重，人們對新型清潔能源的開發(fā)與利用越來越迫切。可再生能源被認為是產(chǎn)生清潔能源的技術選擇。豐富的太陽能資源逐漸成為各國新能源開發(fā)和應用的主要選擇[1]。為了獲得光伏發(fā)電的最大功率輸出，最大功率點跟蹤（Maximum?Power?Point?Tracking，MPPT）技術應運而生，并產(chǎn)生了眾多成熟算法。如Buciarelli等人提出的擾動觀察法（P&O）和Hussein等人提出的增量電導法（IncCond）。但上述算法均只適用于均勻光照條件下，即每個光伏板接受相同的光照強度。當周圍環(huán)境出現(xiàn)陰影情況如光伏板表面有灰塵，樹木遮擋等情況時，光伏系統(tǒng)輸出P-U曲線會出現(xiàn)多個峰值，上述傳統(tǒng)MPPT算法易陷入局部峰值而不能追蹤到最大功率點，造成系統(tǒng)功率失配和功率浪費，甚至會影響光伏陣列的壽命[2-6]。因此，如何解決局部陰影下的MPPT顯得至關重要。

為此，國內外研究人員進行了大量研究。文[7-9]利用蟻群算法對MPPT進行研究，該算法搜索精確度高，不易陷入局部最優(yōu)，但搜索速度緩慢。文[10-11]利用遺傳算法對MPPT進行研究，該算法常用于無遮擋情況，對多峰值問題解決效果一般。文[12-14]利用粒子群算法對MPPT進行研究，該算法是研究MPPT的主要方法之一，但該算法中粒子位置是隨機產(chǎn)生的，容易產(chǎn)生丟失現(xiàn)象，最終會導致跟蹤失敗。文[15-18]采用神經(jīng)網(wǎng)絡算法進行陰影條件下的MPPT，運算速度快，效率高，但可能因訓練數(shù)據(jù)的數(shù)量不足而陷入局部極值點。

針對這些問題，本文提出一種基于模糊-螢火蟲（FFA）算法的MPPT算法。針對標準螢火蟲算法易陷入局部極值以及后期易發(fā)生震蕩的問題，引入模糊控制器來優(yōu)化螢火蟲算法中的隨機移動步長因子α，在局部陰影以及光照強度發(fā)生突變時，能夠實時調整α，使算法快速收斂到全局最大值。結果表明，在局部陰影情況下，F(xiàn)FA算法能夠快速、準確的收斂到全局最大功率點，使得光伏系統(tǒng)輸出功率得到最大化利用。本文利用MATLAB/Simulink仿真軟件搭建光伏發(fā)電系統(tǒng)的MPPT仿真模型，并利用仿真結果驗證了基于模糊-螢火蟲算法的MPPT算法的可行性。

1?局部陰影下的光伏系統(tǒng)特性

1.1?光伏電池模塊

光伏電池通過光電效應將太陽能轉換為電能進行發(fā)電，其光生電流與光照強度成比例關系。單個光伏電池只能產(chǎn)生0.5～0.8V電壓，故實際中通常將多個光伏電池進行串并聯(lián)成光伏模塊。單個光伏電池的等效電路圖如圖1所示[19]。

其輸出特性方程如式（1）所示。

式中：Ipv為光生電流;Io為二極管反向飽和電流;q為單位電子電荷量;A為二極管特性擬合系數(shù);K為玻爾茲曼常數(shù);T為電池工作絕對溫度值;Rs為串聯(lián)電阻，其與表層電阻、電極接觸電阻和材料體電阻等有關;Rsh為并聯(lián)電阻，其與漏電流有關。

1.2?局部陰影下的光伏系統(tǒng)

在實際應用中，根據(jù)功率需求，常常需要將多個光伏模塊進行串并聯(lián)為光伏陣列以獲得足夠大的輸出電壓。此情況下，如果所有模塊均接受相同的陽光輻射，則陣列輸出最大功率為所有模塊最大功率之和。但當出現(xiàn)局部陰影時，光伏陣列的P-U曲線表現(xiàn)為多峰值狀，且最大功率也隨之下降。本文將5個光伏電池串聯(lián)，且每個電池均并聯(lián)旁路二極管，以減小熱斑效應，防止電流倒流。根據(jù)5個光伏電池的光照強度，分為4種情況研究其輸出特性，模塊光照強度分布如表1所示。輸出特性P-U曲線和I-U曲線分別如圖2和圖3所示（溫度均為25℃）。

從圖2和圖3可以看出，當光伏陣列接受均勻光照強度時（分布1），P-U曲線只有一個峰值，I-U曲線只有一個拐點;當出現(xiàn)局部陰影情況，即光伏陣列中各組件接受不同的光照強度時（分布2、分布3、分布4），P-U曲線會出現(xiàn)多峰值情況，I-U曲線呈現(xiàn)出幾個拐點，且峰值個數(shù)和拐點個數(shù)與陣列中接受不同光照強度的組件數(shù)有關。這種情況下常規(guī)MPPT算法極易陷入局部峰值而不能追蹤到最大功率點，需研究新的智能算法。

2?模糊-螢火蟲算法分析

2.1?標準螢火蟲算法（FA）

螢火蟲算法是由劍橋學者Yang?Xin.she[20]?在2008年提出，該算法受自然界中螢火蟲的社會行為所啟發(fā)，通過模擬自然界螢火蟲的群體行為來實現(xiàn)優(yōu)化。算法通過學習螢火蟲相互之間溝通、求偶的方式，達到目標函數(shù)優(yōu)化與求解的過程。在算法中，螢火蟲通過比較相互之間的發(fā)光亮度來決定其位置移動，遵循亮度低的螢火蟲向亮度高的移動，而亮度最高的則做隨機移動，最終螢火蟲將匯聚到全局亮度最高點，也即目標函數(shù)最大點，達到全局尋優(yōu)的目的。

算法遵循以下規(guī)則：

1）所有螢火蟲無性別之分。

2）發(fā)光亮度低的螢火蟲被亮度高的螢火蟲吸引。吸引力與發(fā)光亮度成正比，且隨著距離增大而減小。亮度高的螢火蟲做隨機移動。

3）螢火蟲的發(fā)光亮度由目標函數(shù)決定。

標準螢火蟲算法步驟如下：

1）初始化階段：輸入待優(yōu)化函數(shù)I=f（x），即目標函數(shù)，取輸出功率P為目標函數(shù)，即P=f（D）。初始化螢火蟲數(shù)目n，最大迭代次數(shù)maxGen，螢火蟲位置xi（i=1，2，3，…，n），隨機移動步長因子α，最大吸引度β0，光強吸收系數(shù)γ，并計算I0=f（x）。

2）更新階段：在每一次迭代中，對于所有螢火蟲n，計算各自發(fā)光亮度Ii，（i=1∶n），計算個體之間的距離d（i，j），計算之間相對吸引度β。若Ii

3）輸出階段：當?shù)螖?shù)達到最大迭代次數(shù)時，螢火蟲聚集在最優(yōu)位置，此時輸出目標函數(shù)最優(yōu)值處的螢火蟲位置，即為最優(yōu)占空比D。

其中：α∈[0，1），β0為光源處（d（i，j）=0）螢火蟲的吸引度，γ∈[0，∞），I0為螢火蟲最大發(fā)光亮度，即自身（d（i，j）=0）的發(fā)光亮度，螢火蟲i與j間的距離d（i，j）定義為：

2.2?螢火蟲算法的改進

從式（4）中可以看出，螢火蟲位置的移動包含兩部分：基于歷史信息的移動（前兩項）與隨機移動（后一項）方式。隨機移動部分由參數(shù)α控制。在標準FA算法中，α為固定值，在迭代過程中始終保持初始化時的數(shù)值，其值根據(jù)經(jīng)驗或反復試驗來確定。若α值初始設置較大，螢火蟲具有較強的全局搜索能力，能以較大步長隨機搜索周圍空間。在迭代初期，螢火蟲能快速向全局最優(yōu)值移動;但在迭代后期，當螢火蟲接近最優(yōu)值并向其移動時，可能出現(xiàn)因移動步長過大而跳過了最優(yōu)值的情況，此種情況若多次出現(xiàn)則會造成函數(shù)值在最優(yōu)解附近震蕩，影響算法的收斂精度。若α值初始設置較小，隨機移動步長減小，螢火蟲具有較強的局部搜索能力。因此在迭代后期當螢火蟲向最優(yōu)值移動時，較小的移動步長能避免發(fā)生震蕩;但在迭代初期，因隨機步長的減小，螢火蟲隨機搜索空間變小，且易陷入局部極值，全局搜索能力減弱，搜索時間增長，算法收斂速度降低。