基于COOT算法的局部陰影下光伏陣列MPPT控制研究

張曦 高昕

摘 要：針對光伏陣列在局部陰影下會產生多個功率峰值，可能出現跟蹤到錯誤的功率峰值的情況，將白冠雞優化算法（COOT）應用于局部陰影MPPT控制，通過動態調整太陽能電池板輸出電壓和電流，使得太陽能電池板的輸出功率最大，從而提高太陽能電池板的轉換效率和輸出功率。結果表明，不論是在靜態還是動態陰影條件下，采用白冠雞優化算法都能準確定位到最大功率峰值點。

關鍵詞：白冠雞優化算法（COOT）；局部陰影；MPPT；最大功率

中圖分類號：TM615? ? 文獻標志碼：A? ? 文章編號：1671-0797（2023）16-0013-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.16.004

0? ? 引言

太陽能作為可再生能源，具有污染小、儲量充足和低成本的優勢，而光伏發電是高效利用太陽能領域最具發展潛能的技術，正逐步成為世界能源體系建設的重要一環[1]。

光伏發電輸出隨多個因素變化而波動，無法提供恒定的電能，易造成供電不穩定[2]。在動、靜態局部陰影情況下，光伏陣列輸出的P-U曲線呈多峰特點，難以定位到全局最大功率點，追蹤控制效果不佳，將使光伏陣列輸出效率大幅降低[3]。

傳統MPPT算法對于遮光光伏板的特殊情況處理不夠充分，電導增量法需要反復多次迭代計算，計算量大，耗時長；擾動觀察法需要對于峰值位置和幅值進行判斷，受到干擾的概率較大，容易出現誤差較大的情況。

因此，已有研究對于局部陰影下最大功率點提出了多種優化算法進行追蹤控制。

文獻[4]提出改進灰狼優化算法對于局部陰影MPPT進行優化，具有較快的速度和較高的精度。

文獻[5]利用雙PSO算法對光伏輸出曲線進行推導，減小了運算量和搜索范圍，提升了收斂速度。

文獻[6]將多種群遺傳算法與擾動觀察法相結合，保證系統穩定工作在最大功率點。

本文采用白冠雞優化算法（COOT）進行MPPT控制，并用MATLAB/Simulink進行建模分析，結果表明，該算法不論是在靜態還是動態局部陰影情況下，都能準確追蹤到最大功率值，具有較好的適用性。

1? ? 光伏陣列模型與輸出特性

1.1? ? 光伏陣列數學模型

圖1中光生電流Iph分為三部分：二極管D電流Id、并聯電阻Rsh電流Ish以及串聯電阻Rs的輸出電流I。

（1）

式中：I0為反向飽和電流；q為基本電荷；U為光伏陣列輸出電壓；A為二極管特性因子；k為玻耳茲曼常數；T為溫度。

1.2? ? 局部陰影

光伏陣列部分陰影出現多個功率峰值的原因主要是陰影會影響光伏電池的輸出電流和電壓。具體來說，當光伏陣列的一部分在陰影下時，這部分光伏電池輸出的電流和電壓會下降，而無陰影的光伏電池輸出的電流和電壓保持不變，使得光伏陣列中不同位置的光伏電池輸出的功率不同，從而導致多個功率峰值的出現。

本文以串并聯結構為目標進行研究，在圖2所示的局部陰影情況下，光伏陣列輸出功率特性如圖3所示。

局部陰影導致的多峰值特性，會影響傳統MPPT方法追蹤最大功率點時的準確性，造成定位在錯誤的局部最優值的情況。如果MPPT控制采用常規的算法，只會跟蹤一個功率峰值，在陰影條件下，可能會跟蹤到錯誤的功率峰值，導致系統效率降低，而且可能會加速光伏電池的老化。傳統MPPT算法的穩定性較差，容易受到環境溫度、輻照度等因素的影響，導致誤差較大，不能實現快速跟蹤最大功率點，反應速度較慢，難以適應動態變化的光照條件。

2? ? 白冠雞優化算法原理及應用

2.1? ? 原理

白冠雞優化算法是一種基于自然進化的全局優化算法。在部分遮光MPPT控制中，白冠雞算法的基本原理如下。

1）個體隨機移動。

在種群初始化后，考慮到隨機移動這一行為，首先選定了一個隨機位置作為參照：

Q=rand（1，d）·（Ub-Ib）+Ib? ? ?（2）

式中：Ub、Ib分別為搜索空間的上、下限。

隨機運動使得算法能夠對搜索空間進行充分的探索，因此如果算法陷入局部最優，這種行為將幫助算法及時跳出。個體的新位置更新方式為：

CootPos（i）=CootPos（i）+A·R2·[Q-CootPos（i）]（3）

R2為[0，1]內一隨機值，A的更新方式為：

（4）

式中：L為當前迭代次數；Iter為最大迭代次數。

2）鏈式運動。

使用兩個體的平均位置來執行鏈運動：

CootPos（i）=0.5[CootPos（i-1）+CootPos（i）] （5）

3）根據組長調整位置。

通常情況下，種群由種群前面的幾個白冠雞領導，其他白冠雞必須根據小組領導調整位置并向它們移動。利用機制K來控制位置引導作用：

K=1+（iMODNL）? ? （6）

式中：K為與個體i對應的雞的序號；i為當前個體的序號；NL為白冠雞的數量。

于是個體的位置更新如下：

CootPos（i）=LeaderPos（k）+2R1·cos（2Rπ）·

[LeaderPos（k）-CootPos（i）]? ?（7）

式中：LeaderPos（k）為領導雞k的位置；R1為[0，1]內一隨機數；R為[-1，1]內一隨機數。

4）由組長帶領種群走向最佳位置。

團隊必須朝著一個目標（最佳區域）前進，因此領導者需要更新它們對目標的位置。具體更新方式如下：

LeaderPos（i）=

BR3cos（2Rπ）[gBest-LeaderPos（i）]+gBest，R4＜0.5BR3cos（2Rπ）[gBest-LeaderPos（i）]-gBest，else （8）

式中：gBest為種群內最優個體的位置；R3、R4均為[0，1]內的隨機數；R為[-1，1]內的隨機數。

B的計算方式為：

B=2-L? ?（9）

2.2? ? 應用

1）初始化：白冠雞算法通過隨機產生一群個體作為初始種群，每個個體代表一種控制策略。每個個體都由一組參數向量表示。

2）適應度評價：對于每個個體，通過計算其對應的MPPT值來評估其適應度。適應度值越高，說明該個體的控制策略越優。

3）選擇操作：依據適應度大小對種群中的個體進行選擇，優秀個體將被選中進行交叉和變異。

4）交叉操作：通過交換兩個個體的參數產生新的個體，以期望獲得更好的控制策略。

5）變異操作：隨機選取一個個體的某個參數，并按照一定規律進行變異，產生新的個體。

6）終止條件：當達到設定的最大迭代次數或者適應度值達到一定閾值時，算法停止運行。

7）最優解輸出：在停止運行后，從所有個體中選出適應度最高的個體作為MPPT控制器的最優解。

通過不斷迭代種群，白冠雞算法能夠找到適應度最高的控制策略，從而實現在部分遮光條件下對光伏電池最大功率點的追蹤控制。

3? ? 仿真結果及分析

在MATLAB/Simulink中進行建模，光伏陣列由5個電池組串聯，每個光伏電池組由2個小光伏電池串聯、4個小光伏電池并聯組成。光伏電池溫度設置為標準條件下25 ℃，MPPT采樣光伏電池輸出的電壓和電流，經過白冠雞算法計算輸出占空比、迭代次數和粒子位置，輸出占空比經過PWM發生器來控制開關管。

PV1～PV5的光照強度在0～5 s時分別為1 000、1 000、500、800、800 W/m2；在5 s時光照強度突變為1 000、1 000、600、900、900 W/m2。由圖4可知，光伏陣列的輸出功率是非線性的，但總是存在一個最大功率點，在0～5 s時最大功率約為7 102.95 W，5～10 s時最大功率約為7 873.78 W。

圖5為光伏陣列實際輸出功率，圖6、圖7為光伏陣列輸出電壓、輸出電流，由圖可知，光伏陣列總是能在迭代后輸出理論上的最大功率值，并且依舊能維持穩定的輸出電壓和電流，提高了系統運行的穩定性和能源利用的高效性。

圖8為群體輸出位置，初始化群體數量為20，隨著迭代次數的增加，群體的位置也趨于一致，迭代16次后輸出最優解，光伏電池輸出功率與理論最大功率基本吻合。

4? ? 結論

本文通過仿真驗證了白冠雞優化算法在局部陰影下光伏陣列MPPT控制中的有效性，在光照條件變化時，能夠適應光照強度和環境變化引起的光伏板的多峰值現象，適用于光照條件動態變化時的最大功率點跟蹤。同時，該算法具有計算速度快、收斂速度快的特點，能夠快速跟蹤光伏板的最大功率點，具有較高的準確性和精度，輸出功率接近光伏板的實際最大功率點，提高了光伏發電效率。

[參考文獻]

[1] 杜爾順，張寧，康重慶，等.太陽能光熱發電并網運行及優化規劃研究綜述與展望[J].中國電機工程學報，2016，36（21）：5765-5775.

[2] 黃新波，鄔紅霞，李民，等.影響戶外光伏電源供電性能的關鍵因素研究[J].高壓電器，2021，57（5）：36-42.

[3] 吳宏澤，高昕.改進鯨魚算法在局部陰影下的光伏陣列MPPT研究[J].佳木斯大學學報（自然科學版），2022，40（5）：12-15.

[4] 毛明軒，許釗，崔立闖，等.基于改進灰狼優化算法的光伏陣列多峰MPPT研究[J].太陽能學報，2023，44（3）：450-456.

[5] 衛永琴，李震，林孟涵，等.局部遮陰下雙優化PSO在光伏MPPT中的應用研究[J].電源技術，2023，47（2）：260-264.

[6] 吳子牛，孟潤泉，韓肖清.基于改進多種群遺傳算法的光伏陣列多峰值MPPT研究[J].電網與清潔能源，2022，38（8）：102-109.

收稿日期：2023-04-11

作者簡介：張曦（1997—），男，安徽淮南人，在讀碩士研究生，研究方向：電氣工程。