一种基于NPSO算法与分等级自动重启的最大功率点跟踪方法

技术领域

本发明属于新能源光伏发电技术领域，涉及一种基于NPSO(Novel ParticleSwarm Optimization)算法与分等级自动重启的最大功率点跟踪方法。

背景技术

随着各类生产设备以及家用电器的大量投入，全球对电能的需求量越来越大。面对有限的化石燃料和无限增长的电能需求量，使得全球纷纷把目光投向了可再生能源，其中，太阳能凭借低污染、低噪声和取之不尽用之不竭等优势，得到了全球的认可。根据国际可再生能源机构(IRENA)数据显示，2010-2019年全球光伏累计装机容量维持稳定上升趋势，2019年为578533MW，较2018年增长20.3％，预计未来一段时间还会继续维持增长趋势。光伏阵列在局部阴影等复杂环境下，其P-V输出曲线为具有多个局部极大值和一个最大值的多峰值非线性曲线。目前由于光伏发电系统已经具备了自动化、无人值守的能力，所以其一旦陷入局部功率极大值，光伏发电系统将会长时间运行在局部功率极大值处，造成效率的降低，能源的浪费。为了保证光伏电站较高的发电效率，光伏发电系统必须实时运行在最大功率点处。

光伏阵列的P-V输出特性曲线为有一个或多个峰值的非线性曲线，通过调整光伏阵列的输出电压就可以调整输出功率，当光伏阵列的输出电压所对应的功率为光伏阵列所能输出的最大功率的时候，就实现了最大功率点的跟踪。传统的MPPT(Maximum PowerPoint Tracking，最大功率点跟踪)技术具有容易陷入局部功率极大值的缺陷，MPPT技术一直是人们关注的热门问题，国内外学者对此提出了许多有效的方法，其中传统的方法有扰动观测法、电导增量法等，这些方法因技术成熟、便于实现，广泛应用于光伏发电系统中。但是上述传统的MPPT方法具有收敛速度慢、震荡幅度大和容易陷入局部功率极大值等的缺点，并不适合应用在复杂环境下的光伏发电系统中。近年来人们将智能控制算法应用到MPPT技术中，取得了一定的突破。在刘艳莉,周航,程泽.基于粒子群优化的光伏系统MPPT控制方法[J].计算机工程,2010,36(15):265-267中提出了一种基于PSO(Particle SwarmOptimization)算法的MPPT技术，有效提高了最大功率点跟踪的速度和精度，并降低了光伏发电系统陷入局部功率极大值的可能性，但是由于PSO算法本身存在容易陷入局部最优解的缺陷，所以该MPPT技术并没有完全解决光伏发电系统容易陷入局部功率极大值的问题。

另一方面，外界环境是不断变化的，例如云彩的移动、光伏阵列灰尘的遮挡面积和树木等阴影的遮挡面积等，当外部环境发生变化时，光伏发电系统的最大功率点也会相应的发生移动，因此就需要重新启动MPPT算法，重新寻找最大功率点，但是光伏发电系统如何感知外部环境的变化以及在感知到外部环境的变化后如何进行重启是解决该问题所面临的又一难题，针对此问题有学者提出一种定周期扫描法，提出每隔一段固定的时间重启一次MPPT算法，以实时跟踪最大功率点，但是定周期扫描法会出现跟踪不及时和无用的扫描的情况，无法保证光伏发电系统的发电效率。并且定周期扫描法在重启过程中都是以PWM占空比的最大搜索区域[0,1]进行重新启动，在这种方式下即使外部环境发生了很小的变化，该重启方法都是以最大搜索区域[0,1]进行重启的，这样会延长跟踪时间和加大发电系统扰动，在重启过程中产生的较大的扰动不仅会对发电系统以及电网产生冲击，降低电能的质量，进而会对用电设备造成一定的伤害，还会降低光伏发电系统的发电效率，造成能量的浪费，并且这些浪费的能量必然会以热量的形式散播到大气层中，加快全球变暖。因此对MPPT技术还需要进一步的探索以解决其存在的不足。

发明内容

本发明实施例的目的在于提供一种基于NPSO算法的最大功率点跟踪方法，以解决在受到局部阴影遮挡时现有的最大功率点跟踪算法容易陷入局部功率极大值造成发电效率低的问题。

本发明实施例的另一目的在于提供一种最大功率点跟踪算法的分等级自动重启方法，以解决现有的最大功率点跟踪算法的重启算法在外部环境发生了变化后不能及时跟踪最大功率点，或外部环境没有发生变化却重启了最大功率点跟踪算法，造成发电效率低且增加了功率波动的问题。

本发明实施例的另一目的在于提供一种基于NPSO算法与分等级自动重启的最大功率点跟踪方法。

为了解决上述技术问题，本发明实施例提供一种基于NPSO算法的最大功率点跟踪方法，是在PSO算法的基础上，以光伏发电系统的PWM控制信号的占空比D作为种群粒子的位置，以光伏发电系统的光伏阵列输出功率P

为了解决上述技术问题，本发明实施例还提供一种最大功率点跟踪算法的分等级自动重启方法，所述最大功率点跟踪算法为如上所述的基于NPSO算法的最大功率点跟踪方法，具体实现步骤如下：

第一步、通过电压传感器实时采集光伏阵列的输出电压U

ΔU＝|U

其中，U

第二步、根据光伏阵列输出电压的变化率ΔU通过分等级法智能感知外部环境的变化程度，并根据外部环境的不同变化程度重新设置全局搜索区间，最后再利用重新设置的全局搜索区间重启最大功率点跟踪算法，重新跟踪光伏发电系统的最大功率点。

为了解决上述技术问题，本发明实施例还提供一种基于NPSO算法与分等级自动重启的最大功率点跟踪方法，是在如上所述的一种基于NPSO算法的最大功率点跟踪方法前增加了如上所述的一种最大功率点跟踪算法的分等级自动重启方法，其具体步骤如下：

步骤S1、以光伏发电系统的PWM控制信号的占空比D作为种群粒子的位置，以光伏发电系统的光伏阵列输出功率P

步骤S2、获取光伏阵列的实时输出电压V

步骤S3、依据第i个收敛粒子在第k代更新后的适应值P

步骤S4、更新收敛粒子的速度和位置，以及两个自由粒子的位置；

步骤S5、判断迭代次数即更新代数k是否满足k＞gen

步骤S6、计算光伏阵列输出电压的变化率ΔU；

步骤S7、根据光伏阵列输出电压的变化率ΔU通过分等级法智能感知外部环境的变化程度，根据外部环境的不同变化程度判断是否需要返回步骤S1重启，并在判断需要返回步骤S1重启时，对于不同等级的外部环境的变化程度重新设置全局搜索区间，然后返回步骤S1重启，并利用重新设置的全局搜索区间更新原步骤S1中的收敛粒子和自由粒子的全局搜索区间。

本发明实施例的有益效果是：通过对PSO算法二次开发，提出了一种NPSO算法，该算法把种群粒子分为收敛粒子和自由粒子两类，由于自由粒子不具有收敛性，其会一直在搜索区间内搜索，当收敛粒子达到收敛时，也即收敛粒子陷入了局部功率极大值时，自由粒子仍然在全局空间内随机搜索，当自由粒子搜索到更大的功率时，自由粒子就会把其位置分享给收敛粒子，即把全局最优解更新为此时自由粒子搜索到的解，从而将收敛粒子拉出局部最优解，增强了PSO算法的全局搜索能力，弥补了PSO算法在种群粒子收敛后就会失去全局搜索的能力的缺陷，并将NPSO算法应用到MPPT技术中，形成了基于NPSO算法的最大功率点跟踪方法，解决了现有的最大功率点跟踪算法在光伏阵列位于局部阴影遮挡等复杂环境下容易陷入局部功率极大值造成发电效率低的问题，提高了光伏发电系统的发电效率。

提出了一种最大功率点跟踪算法的分等级自动重启方法，外部环境的变化首先会引起光伏阵列输出电压的变化，通过电压传感器采集光伏阵列的输出电压，以电压的变化率为依据，判断是否重启最大功率点跟踪算法，从而达到实时跟踪的目的，能够自动检测外部环境是否发生了变化，实现最大功率点的实时跟踪的功能；在最大功率点跟踪算法重启过程中，通过分等级法将外部环境的变化程度进行分级，能够智能感知外部环境的变化程度，合理的制定全局搜索区间，使粒子在原最大功率点附近搜索，避免无用的搜索，减少了跟踪时间和搜索过程中的功率波动，从而减小了重启最大功率点跟踪算法时的功率波动，有效解决了现有的最大功率点跟踪算法的重启算法在外部环境发生了变化后不能及时跟踪最大功率点，或外部环境没有发生变化却重启了最大功率点跟踪算法，造成发电效率低且增加了功率波动的问题。使光伏发电系统更加稳定，发电效率更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是光伏阵列P-V输出特性曲线图。

图2是本发明实施例的基于NPSO算法与分等级自动重启的最大功率点跟踪方法的流程图。

图3是光伏系统Boost升压电路的原理图。

图4是基于Boost升压电路的光伏发电系统仿真模型图。

图5(a)是基于PSO算法的最大功率点跟踪方法在局部阴影遮挡不均匀的光照模式3下的一次仿真结果图。

图5(b)是本发明实施例的基于NPSO算法的最大功率点跟踪方法在局部阴影遮挡不均匀的光照模式3下的一次仿真结果图，其局部阴影遮挡不均匀的光照模式与图5(a)一致。

图6(a)是基于定周期扫描法的最大功率点跟踪方法在外部光照环境变化时的一次仿真结果图。

图6(b)是本发明实施例的一种最大功率点跟踪算法的分等级自动重启方法在外部光照环境变化时的一次仿真结果图，其外部光照环境变化与图6(a)一致。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以SIEMENS SP75太阳能电池板为例来说明光伏阵列的P-V输出曲线为多峰值的情况，在Simulink下搭建起由3块光伏电池板串联的光伏阵仿真模型，其中每块光伏电池板的参数表1所示，仿真的光照条件及仿真结果如表2所示，光伏电池板在三种光照下的P-V输出曲线如图1。

表1 SIEMENS SP75光伏电池板参数

表2光伏阵列输出特性数据

在图1所示的三种光照模式下的光伏阵列的P-V输出特性曲线中，模式1为均匀光照，模式2和模式3分别受到了局部阴影遮挡不均匀的光照。由图1可以看出模式1有一个峰值，模式2有两个峰值，模式3有3个峰值。在模式2和模式3下，由于有多个峰值的存在，在进行最大功率点跟踪时，就会存在跟踪到局部极大值而不是最大值的风险。现有的技术方案大多是在理想均匀光照、没有阴影遮挡条件下，即光伏阵列P-V输出特性曲线是单峰值的情况下开展研究的，与现实不符，没有考虑光照不均或局部阴影遮挡等情况，均在受到不均匀光照或局部阴影遮挡时存在容易陷入局部功率极大值的问题。例如在基于PSO算法的MPPT技术中，种群粒子在迭代过程中是逐步收敛的，即可搜索的区间越来越小，当粒子全部收敛到一点时，PSO算法就完全失去了全局搜索能力，要是搜索到的这一点功率不是功率最大值，那么这时就陷入了局部功率极大值，并且不能跳出。

PSO算法是受到鸟类寻找食物行为的启发而创造的，该算法在各类优化问题上都展现出了较高的性能，应用范围也非常广泛。在PSO算法开始时，首先定义一个具有N个粒子的粒子群，作为算法执行的主体，每个粒子都具有速度

其中，k是粒子更新的代数，

进一步地将PSO算法应用到光伏MPPT方法中，粒子群中粒子的位置就表示光伏发电系统的PWM控制信号的占空比D，因此可用

粒子的目标函数为式(3)所示。

P

其中P

在每一代中进行一次粒子的适应值P

其中，

基于PSO算法的MPPT(最大功率点跟踪)方法步骤如下：

步骤一、以光伏发电系统的PWM控制信号的占空比D作为种群粒子的位置

步骤二、根据公式(3)计算粒子的适应值P

步骤三、若P

步骤四、按照迭代公式(4)和(5)更新种群粒子的速度和位置；

步骤五、若满足粒子群算法的终止条件k＞gen

步骤六、若当前环境没有发生变化，则输出全局最优解Dgbest，以Dgbest作为光伏发电系统的PWM控制信号的占空比，否则返回步骤一。

实施例1

本发明实施例通过对PSO算法进行二次开发，提出了一种NPSO算法，该算法将种群粒子分为收敛粒子和自由粒子两类，增强了PSO算法的全局搜索能力，弥补了PSO算法容易陷入局部最优解的缺陷，并将NPSO算法应用到MPPT技术中。

NPSO算法把种群粒子分为收敛粒子和自由粒子两类，其中自由粒子的个数为两个，分为自由粒子1和自由粒子2。收敛粒子与PSO算法中的粒子性质一致，其位置为

自由粒子的搜索过程通过自由粒子搜索阶段的阈值gen分为两个阶段，第一阶段是自由粒子和收敛粒子迭代次数在gen代之内，自由粒子在全局搜索空间内搜索，全局搜索空间为[0,1]，并定义自由粒子的搜索区间是将收敛粒子的全局搜索区间按照自由粒子的数量进行等分。此阶段自由粒子的作用是在全局搜索区间内进行搜索，帮助收敛粒子跳出局部最优解。第二阶段是种群粒子迭代次数在gen代之后，自由粒子不再进行全局搜索，而是以全局最优解Dgbest为中心，进行半径为r

基于NPSO算法的最大功率点跟踪方法，具体步骤如下：

步骤1、以光伏发电系统的PWM控制信号的占空比D作为种群粒子的位置，以光伏发电系统的光伏阵列输出功率P

步骤2、获取光伏阵列的实时输出电压V

步骤3、依据第i个收敛粒子在第k代更新后的适应值P

步骤4、按照公式(4)和(5)更新收敛粒子的速度和位置，并按照公式(6)～(8)更新两个自由粒子的位置：

其中，

其中，

步骤5、判断迭代次数即更新代数k是否满足k＞gen

步骤6、判断当前外部环境是否发生变化，若当前外部环境没有发生变化，则输出全局最优解Dgbest，以Dgbest作为光伏发电系统的PWM控制信号的占空比，否则返回步骤1。

实施例2

针对现有重启制度在重启过程中实时性差和重启时扰动量大等问题，提出一种最大功率点跟踪算法的分等级自动重启方法，具体实现步骤如下：

第一步、通过电压传感器实时采集光伏阵列的输出电压U

ΔU＝|U

其中，U

第二步、根据光伏阵列输出电压的变化率ΔU通过分等级法智能感知外部环境的变化程度，根据外部环境的不同变化程度重新设置MPPT算法即最大功率点跟踪算法重启的全局搜索区间，最后再重新跟踪光伏发电系统的最大功率点。

当检测到外部环境发生变化时，MPPT技术要重新启动，在重启时，对得到的光伏阵列输出电压的变化率ΔU进行分析处理，从光伏阵列输出电压的变化率ΔU数据中可以提取出外部环境变化的大小程度，根据外部环境的变化程度，合理的制定出全局搜索区间，最后再按照基于NPSO算法的MPPT技术进行重新跟踪光伏发电系统的最大功率点。

分等级法智能感知外部环境的变化程度的过程中，首先设置三个电压变化率阈值η

D

D

其中，Dgbest为上一次执行MPPT算法搜索到的全局最优解，r

其中，η

本实施例的最大功率跟踪算法也即MPPT算法，既可采用现有最大功率点跟踪方法，如基于PSO算法的最大功率点跟踪方法等，也可采用实施例2提出的基于NPSO算法的最大功率点跟踪方法。

实施例3

在光伏发电系统中多采用两级式的系统结构，所谓两级式就是在DC/AC(直流/交流)变换环节之前，加入了一级DC/DC(直流/直流)变换环节。DC/DC变换环节的加入能够将并网技术和最大功率点跟踪算法分开控制，使控制更加方便、灵活。在本发明实施例中DC/DC环节采用Boost升压电路，最大功率点跟踪算法的实施也在Boost升压电路中进行，光伏系统Boost升压电路如图3所示。本实施例提出一种基于NPSO算法与分等级自动重启的最大功率点跟踪方法，是在原基于NPSO算法的最大功率点跟踪方法前级增加了一级自动重置全局搜索区域的算法。如图2所示，按照以下步骤进行：

步骤S1、以光伏发电系统的PWM控制信号的占空比D作为种群粒子的位置，以光伏发电系统的光伏阵列输出功率P

步骤S2、获取光伏阵列的实时输出电压V

步骤S3、依据第i个收敛粒子在第k代更新后的适应值P

步骤S4、按照公式(4)和(5)更新收敛粒子的速度和位置，并按照公式(6)～(8)更新两个自由粒子的位置；

步骤S5、判断迭代次数即更新代数k是否满足k＞gen

步骤S6、通过公式(9)计算光伏阵列输出电压的变化率ΔU；

步骤S7、根据光伏阵列输出电压的变化率ΔU通过分等级法智能感知外部环境的变化程度，根据外部环境的不同变化程度判断是否需要返回步骤S1重启，并在判断需要返回步骤S1重启时，对于不同等级的外部环境的变化程度重新设置全局搜索区间，然后返回步骤S1重启，并利用重新设置的全局搜索区间替换原步骤S1中的收敛粒子的全局搜索区间。具体的，若0≤ΔU＜η

实施例4

为了对基于NPSO算法的最大功率点跟踪方法进行验证，在Simulink环境下搭建如图3所示的基于Boost升压电路的光伏发电系统的仿真模型，如图4所示。其中PV array为三块光伏电池串联的光伏阵列，其中一块光伏电池的参数如表1所示，C1＝10μF，L＝1.5mH，C2＝50μF，R1＝53Ω。

在表2中的三种光照模式下，分别对基于PSO算法和NPSO算法的最大功率点跟踪方法进行仿真测试。PSO算法和NPSO算法的粒子数量均为6个，最大迭代次数为20次，NPSO算法的参数gen值为12。

图5(a)和图5(b)为基于PSO算法和NPSO算法的最大功率点跟踪方法在光照模式3下的一次仿真结果图。从图5(a)和图5(b)可以看出改进前即基于PSO算法的最大功率点跟踪方法陷入了局部功率极大值，而在同样的粒子群初始条件下，改进后的基于NPSO算法的最大功率点跟踪方法在0.33s时由于自由粒子的全局搜索作用，跳出了局部功率极大值，并在1.43s时全部粒子收敛到了功率最大值96.8W处。增强了粒子群算法的全局搜索能力，在光伏阵列受到局部阴影遮挡的情况下，有效提高了光伏发电系统的最大功率点跟踪的成功率，解决了陷入局部功率极大值的问题，提高了发电效率和光伏电站的经济性，减少了能源的浪费。

图6(a)和图6(b)为采用定周期扫描法和本发明实施例的分等级自动重启法的仿真图。其中实验条件的设置为在1.3s时由光照模式3变为光照模式2，定周期扫描法每隔1.5s进行一次扫描。从仿真结果可以看出定周期扫描法在外部环境发生变化时并不能立即做出反应来重启MPPT算法，而是必须等扫描时间到来时才能重启MPPT算法。另一方面在3s时外部环境并没有发生变化，但是定周期扫描法的扫描时间到来了，所以他要重启MPPT算法，这是不必要的扫描，降低了发电效率。而分等级自动重启法在1.3s外部环境发生变化时，系统能够自动检测到外部环境的变化，并立即重启MPPT算法。此外，在图6(a)中在MPPT算法重启中没有加入分等级法，在图6(b)中在MPPT算法重启过程中加入了分等级法，通过对比可以看出在图6(b)中的MPPT算法重启过程中的功率波动范围大致为110到150W，而在图6(a)中在MPPT算法重启过程中的功率波动范围大致为0到150W，很明显加入分等级法后在MPPT算法的重启时减少了功率波动，使光伏发电系统更加的稳定，并增加了光伏发电的效率，减少了能量的浪费。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。