基于ICS-INC的局部陰影下光伏最大功率點追蹤研究

朱娟娟　劉新宇　閆群民　郭陽

摘要：傳統最大功率點追蹤技術（Maximum Power Point Tracking，MPPT）存在收斂速度慢、精度差、易陷入局部最優等缺點.針對上述問題，提出一種基于改進布谷鳥算法（Improved Cuckoo Search，ICS）和電導增量法（Incremental Conductancemethod，INC）的聯合MPPT控制方式.首先對布谷鳥算法（Cuckoo Search，CS）中萊維步長和毀巢率進行了自適應變化增加了迭代收斂速度和全局尋優能力，其次通過判斷鳥巢間最大位置差ξ切換INC防止其陷入局部極小值，最后分別進行靜態對比和動態光照仿真實驗.靜態對比仿真結果表明此控制方式在追蹤速度和精度上更有優越性；動態仿真測試結果證明該方法在復雜環境下具有魯棒性.

關鍵詞：太陽能發電； 最大功率點追蹤； ICS算法； INC算法

中圖分類號：TM615文獻標志碼： A

Research on photovoltaic maximum power point tracking under

local shadow based on ICS-INC

ZHU Juan-juan， LIU Xin-yu， YAN Qun-min， GUO Yang（College of Electrical Engineering， Shaanxi University of Technology， Hanzhong 723001， China）

Abstract：The traditional maximum power point tracking technology has the disadvantages of slow convergence speed，poor accuracy and easy to fall into local optimum.Aiming at the above problems，a combined MPPT control method based on improved cuckoo algorithm and conductance increment method is proposed.Firstly，the iterative convergence speed and global optimization ability are increased by the adaptive change of Levy step size and nesting rate in CS algorithm.Secondly，the maximum position difference between nests is judged to switch INC to prevent it from falling into local minimum.Finally，static comparison and dynamic illumination simulation experiments are carried out.The static comparison simulation results show that this control method has more advantages in tracking speed and accuracy.The dynamic simulation test results show that this method is robust in complex environment.

Key words：solar power generation; maximum power point tracking; ICS algorithm; INC algorithm

0引言

太陽能因其能源豐富、無污染、易獲取等特性，成為了當今主要能源之一［1］.光伏系統的輸出功率會隨光照強度及溫度等外界條件變化［2］，為了使輸出功率時刻保持在最大值，最大功率點追蹤（Maximum Power Point Tracking，MPPT）技術應運而生.通過控制電壓和電流值，使光伏電池能夠始終工作在一個最優值點，以此提高光伏發電的效率［3］.

當光伏電池處于同一個光照強度和溫度下時，光伏陣列的輸出P-V曲線呈現單峰值現象［4］.傳統追蹤方法例如：擾動觀察法［5］、電導增量法［6］等都可以在單峰情況下有效的追蹤到最大功率點（Maximum Power Point，MPP）處.而在實際生活中，存在陰云、樹枝陰影、遮擋物等情況，使得光伏陣列局部地區光照強度發生改變，導致P-V曲線輸出存在多個峰值點［7］.傳統的幾種方法判斷較為依賴斜率，使得在多峰值點容易陷入局部最優解，無法追蹤到MPP處.針對此類問題，諸多學者對傳統的方法進行了優化改進，在此基礎上提出了群體智能優化算法加以控制.文獻［8］提出一種改進粒子群（Particle Swarm Optimization，PSO）算法，在傳統的PSO算法基礎上引入了狀態因子δ，將慣性權重和學習因子由固定值變為了線性變化，這種方式使得PSO算法跳出局部最優的能力大大增加，但是犧牲了其收斂速度.文獻［9］提出一種PSO和爬山法協同控制的方法，對比于傳統單一算法，跟蹤效果有所提高，但仍難以在確保精度的同時保證速度的提升.文獻［10］提出灰狼優化算法控制，提高了跟蹤速度，但是追蹤最大功率過程中振蕩幅度過大，損失了較多能量，減少了功率轉換效率.文獻［11］將滑?？刂茟迷贛PPT系統中，有效提高了系統的抗擾動能力，但在最大功率點處有較大振蕩幅度.上述所提各種方法在解決多峰值最大功率點追蹤問題中，都對跳出局部最優解問題進行了一定的優化，但很難在滿足追蹤速度的同時，兼顧精度和適用性.

對此本文提出一種基于改進布谷鳥算法（Improved Cuckoo Search，ICS）和電導增量法（Incremental Conductancemethod，INC）的局部陰影下光伏最大功率點追蹤控制方法.通過分析標準布谷鳥算法（Cuckoo Search，CS）中飛行步長控制量和毀巢率兩個參數的變化對算法的影響規律，提出了一種非線性改進方式，提高了算法的全局搜索能力和收斂速度.為近一步加強ICS算法的局部收斂能力，防止其陷入局部極小值，在算法后期通過鳥巢位置差改換INC進行最大功率點追蹤.此方式在增強ICS算法跳出局部能力和收斂速度的同時減小了迭代后期振蕩大的缺點，得到一種更加貼合局部陰影MPPT尋優控制方法.通過Simulink搭建光伏仿真系統，在靜止初始條件下進行實驗，結果證明了該方法在追蹤速度和精度都較PSO算法和標準CS算法更有優越性，并通過動態光照下的仿真驗證了該方法在復雜環境下的適用性.

1光伏電池特性

光伏電池用于將太陽能轉化為電能，原理是太陽能中光子通過撞擊硅片并被吸收，帶負電的電子從原子中分離出來，電子通過移動產生電流，從而轉換為電能.對其進行建模，得到圖1為單光伏電池等效電路圖.

其輸出特性數學模型如下：

為了直觀感受光照強度和溫度分別對光伏出力的影響程度，由上文所述的數學模型，仿真出單個光伏電池出力情況.先將溫度T保持在25 ℃，光照強度由1 000 W/m2到400 W/m²逐漸遞減得到相應的P-V曲線如圖2所示.

從圖2可以看出，當光照強度降低每200 W/m2時，輸出功率減少了20%左右.再將光照強度保持在1 000 W/m2不變，改變環境溫度，得到輸出特性P-V曲線如圖3所示.

由圖3可以看出，溫度上升了5 ℃，其最大功率僅下降了2%，可見溫度的改變對輸出功率的影響較小.對于局部陰影條件下的光伏陣列，光照強度導致的環境溫差較小，因此在局部陰影條件下的輸出特性一般忽略了溫度的影響.

2局部陰影下的光伏陣列輸出特性

光伏組件有串聯和并聯兩種方式，其產生的局部影響情況如圖4所示.

圖4（a）為并聯光伏組件組成的光伏陣列.并聯情況下當PV2和PV3受到不同程度遮擋后，正常工作的組件其短路電流和開路電壓都將大于其余兩個陰影光伏組件.選取25 ℃下，PV1、PV2、PV3光照強度分別為［1 000、800、600］W/m2，仿真當并聯情況下發生局部陰影時，其P-V輸出特性變化情況，并與三個組件均處于1 000 W/m2對比，得到結果如圖5所示.由圖5可得，在此情況下整個光伏電池輸出峰值點有所下降，但仍然呈現為單峰.

圖4（b）為串聯光伏組件組成的光伏陣列.當出現此陰影現象，PV1的短路電流和開路電壓都大于陰影中工作的組件.設定PV1、PV2、PV3分別為［1 000、800、600］W/m2進行仿真.得出串聯光伏陣列發生遮陰下的輸出特性并與正常工作下進行了對比.得到結果如圖6所示.

由仿真結果圖6可知，當串聯陣列出現局部陰影，使得光伏電池出現不同光照強度后，其P-V圖則會呈現多峰現象，且不同遮陰情況下，會出現至多串聯光伏組件數個峰值.這是由于當串聯的光伏組件存在陰影時，被遮擋的組件所能產生的最大電流有可能小于系統工作電流，這時陰影組件將不再工作，致使P-V呈現多峰狀態.

3ICS-INC算法在MPPT中的應用

3.1布谷鳥算法

3.2改進布谷鳥算法

3.3電導增量法

通過其斜率的變化來判斷工作點是否處于最大值，若工作在最大功率點右側時，此時變化值為負；若在左側，則變化值為正.通過此原理便可適當的調整光伏的出力點，最終穩定在MPP附近.由于INC是根據斜率判斷的特性，其相較于其他算法具有良好的穩定性.但是當出現多峰值現象，其P-V圖像出現多個斜率為零點，這樣INC可能處于其中一個斜率零值點而產生最大值的誤判，跳不出局部最優解，導致功率的損失.

3.4基于改進布谷鳥算法和電導增量法MPPT

ICS-INC算法集中兩種算法的優勢，在精確尋優的同時保證了快速性.整個控制方式的基本原理為首先檢測整個光伏發電的電壓和電流，以其乘積功率作為ICS算法鳥巢的適應度，通過萊維飛行和毀巢率不斷更新鳥巢適應度，輸出最優鳥巢所對應占空比，當轉換為INC算法后，以ICS算法迭代后的功率為起始量，通過斜率正負值判斷迭代方向，輸出占空比，通過占空比調節輸出對應功率.

其基本流程為：

（1）初始化參數并且生成N個鳥巢，鳥巢的位置代表電壓值.

（2）計算鳥巢的質量，其所體現的是相適應的功率，記錄最佳鳥巢位置和質量g_best.

（3）由式（6）設定P_a和α，通過式（3）（4）進行Levy飛行更新并改善鳥巢的位置.

（4）評價更新后的鳥窩位置和質量.

（5）根據P_a舍棄一定量鳥巢，同時由式（5）隨機產生新巢.

（6）更新鳥巢位置和質量，記錄更新后的最優位置和質量.

（7）判斷是否達到最優解附近，達到后根據式（7）啟動INC算法，否則返回步驟（3）.

（8）到達最優解附近，利用INC控制進行小步長局部尋優.

（9）判斷是否達到終止條件，如未達成則回到步驟（8），否則輸出最大功率點.

（10）當改變的光照強度滿足式（8）即輸出功率變化量ΔP_b>0.1時，視為光照強度大幅改變，需要重啟MPPT.

4仿真實驗

為驗證所提方法相較于其他有優越性，在Simulink中進行仿真實驗.為了能夠更好貼合實際太陽能發電，光伏陣列采用10串4并的方式，共計40個光伏單元，單光伏單元模型的數據如表1所示.

通過改變模塊的光照強度和溫度兩個輸入參數，即可模擬出光伏電池出力情況，輸出實時電壓和電流值.ICS-INC算法通過電壓和電流值控制占空比，以PWM連接標準的Boost升壓電路，從而實現光伏陣列功率的實時控制［19，2］.其結構框圖如圖9所示.

4.1靜態光照仿真

由于并聯不改變峰值個數只改變峰值大小，因此并聯每組采用與第一組相同初始條件，要改變串聯光照強度即會改變峰值個數.考慮模擬局部陰影下的仿真分析，設置環境一為環境溫度T=25 ℃，串聯10組的光照強度分別為前4組1 000 W/m²，中間4組800 W/m²，后面2組為400 W/m²，此光照強度最大功率點為5 761 W.表2光照強度場景圖.

采用PSO算法、CS法以及本文提出ICS-INC算法三種算法進行MPPT仿真實驗.對比三種算法的追蹤速度、追蹤精度以及成功率.得到仿真如圖10所示.

將上文所提條件設定為仿真參數并保持不變，對三種算法均進行了靜態光照強度MPPT仿真實驗.由仿真結果圖10可知，靜態光照下三種控制方式均可以追蹤到MPP.由于算法具有隨機性，為了仿真結果更加具有準確性，在三種環境光照強度下將以上三種控制方法分別進行20次實驗，記錄其相關數據如表3所示.

其中，PSO算法到0.48 s左右追蹤到MPP處，追蹤最大功率點為5 750 W.CS算法在0.2 s左右追蹤到MPP區間附近，但存在較大振蕩一直到0.46 s才穩定追蹤到最大功率點5 753 W.ICS-INC算法在0.16 s左右追蹤到最大功率點，最大功率為5 761 W，相比較于PSO和CS，ICS-INC算法明顯提高了追蹤時間；解決了CS算法局部振蕩較大的問題，將振蕩幅度大量減小，快速收斂到MPP處.

4.2動態光照仿真

上文仿真實驗體現了ICS-INC算法在靜態光照條件下最大功率追蹤的優勢.而現實情況下光照強度是不斷改變的，為了驗證ICS-INC算法在復雜光照下的適用性和光照改變的魯棒性，設置一組實驗驗證在改變光照強度后，ICS-INC算法能否依然追蹤到最大功率點處.初始光照強度設為理想環境下即環境二光照，在t=1 s和t=2 s時改變光照強度，t=1 s光照強度變為環境一；t=2 s時變為環境三.仿真結果如圖11所示.

由圖11可知，在光照突變時，ICS-INC算法依然可以有效的追蹤到MPP.并且具有較快速度.這表示本文所提的ICS-INC算法有效的改善了MPPT問題，不管在靜態光照條件下還是復雜的動態光照條件中，都可以快速的追蹤到最大功率點.減小了光伏發電的損耗，提高了效率，并且具有普適性.

5結論

局部陰影會改變光伏發電系統的輸出特性，并且出現多峰值功率點，影響了MPPT算法的追蹤速度和精度，因此本文提出了基于ICS-INC的局部陰影下光伏最大功率點追蹤方法.通過在MATLAB/Simulink中搭建10串4并光伏陣列模型，進行了穩定光照下的光伏追蹤仿真實驗，仿真結果表明ICS-INC控制方式在追蹤速度上較PSO提升了67%，較CS算法振蕩時間減少了65%，輸出最大功率更加接近MPP，證明了該方法在追蹤速度和精度都具有一定優越性；并且動態光照下的光伏追蹤仿真實驗結果表明，該方法在光照強度改變的情況下依舊能穩定的追蹤到最大功率點，證明了該方法具有普適性.

參考文獻

［1］ 張明銳，蔣利明，孫華，等.基于免疫細菌覓食算法的大容量光伏陣列GMPPT算法［J］.中國電機工程學報，2016，36（1）：104-111.［2］ 李畸勇，張偉斌，趙新哲，等.改進鯨魚算法優化支持向量回歸的光伏最大功率點跟蹤［J］.電工技術學報，2021，36（9）：1 771-1 781.

［3］ 花赟昊，朱武，郭啟明.光伏發電系統MPPT算法研究綜述［J］.電源技術，2020，44（12）：1 855-1 858.

［4］ 郭昆麗，閆東，付建哲.基于改進擾動觀察法的光伏系統MPPT研究［J］.電源技術，2021，45（1）：56-59.

［5］ 王偉，戴朝華，陳維榮，等.改進功率預測變步長擾動法在光伏MPPT中的研究［J］.太陽能學報，2022，43（2）：217-225.

［6］ 魏立明，吳揚昀.基于改進INC的光伏MPPT策略研究［J］.電源技術，2021，45（6）：791-796.

［7］ 韓鵬，李銀紅，何璇，等.結合量子粒子群算法的光伏多峰最大功率點跟蹤改進方法［J］.電力系統自動化，2016，40（23）：101-108.

［8］ 姜萍，欒艷軍，張偉，等.局部遮陰下基于改進PSO的多峰值MPPT研究［J］.太陽能學報，2021，42（8）：140-145.

［9］ 馬昊，張慶超.基于粒子群優化算法和變步長擾動觀察法的局部陰影情況下MPPT控制［J］.電源學報，2016，14（3）：94-101.

［10］ Guo Ke，Cui Lichuang，Mao Mingxuan，et al.An improved gray wolf optimizer MPPT algorithm for PV system with BFBIC converter under partial shading［J］.IEEE Access，2020，8：103 476-103 490.

［11］ 邵文權，王猛，吳朝俊，等.基于改進滑?？刂频墓夥到yMPPT控制策略［J］.太陽能學報，2021，42（10）：87-93.

［12］ 鐘慶，石泉，王鋼，等.基于擾動式MPPT控制的光伏并網系統間諧波分析模型［J］.中國電機工程學報，2018，38（22）：6 533-6 542.

［13］ 鄭洪清，周永權.一種自適應步長布谷鳥搜索算法［J］.計算機工程與應用，2013，49（10）：68-71.

［14］ 趙帥旗，肖輝，劉忠兵，等.基于CSA-IP&O的局部遮陰下光伏最大功率點追蹤［J］.電力系統保護與控制，2020，48（5）：26-32.

［15］ 周東寶，陳淵睿.基于改進型變步長電導增量法的最大功率點跟蹤策略［J］.電網技術，2015，39（6）：1 491-1 498.

［16］ 董密，楊建，彭可，等.光伏系統的零均值電導增量最大功率點跟蹤控制［J］.中國電機工程學報，2010，30（21）：48-53.

［17］ 張永革，石季英，張文，等.復雜遮陰條件下光伏系統MPPT控制改進PSO算法仿真研究［J］.中國電機工程學報，2014，34（S1）：39-46.

［18］ 商立群，李帆.基于自適應布谷鳥搜索和擾動觀察法的光伏最大功率點跟蹤［J］.電力系統保護與控制，2022，50（8）：99-107.

［19］ 周天沛，孫偉.不規則陰影影響下光伏陣列最大功率點跟蹤方法［J］.電力系統自動化，2015，39（10）：42-49.

【責任編輯：陳佳】