光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法

技术领域

本发明涉及新能源应用技术领域，具体而言，尤其涉及光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法。

背景技术

光伏阵列在理想条件下工作时，其功率-电压曲线是一条“单峰曲线”，唯一的极值点就是最大功率点。而在阵列处于部分阴影遮挡条件下时，其功率-电压曲线变为了“多峰曲线”存在多个极值。此时传统的最大功率跟踪技术往往只能够跟踪到局部最大功率点，而错过全局最大功率点。而为了解决这样的复杂多线性问题，一些智能算法被应用在此问题上来。以粒子群优化算法为例，每个粒子都代表了一个占空比的数值，适应度函数则为光伏阵列的输出功率P，在算法迭代若干次以后所有的粒子都会围绕在最优位置附近，也代表着算法找到了全局的最大功率点。

现实情况下，光伏阵列所受到的部分阴影遮挡不是一成不变的，而通常是处在一个动态的阴影遮挡条件下。现有的文献往往讨论的是固定阴影遮挡条件下的最大功率跟踪问题，而在考虑阴影遮挡发生变化时，只是简单的重启算法。这样的策略抛弃了上一次跟踪时所获取的信息，也就是说并没有充分利用上一次跟踪的结果。因此针对光伏阵列在动态阴影遮挡条件下的最大功率跟踪问题，本发明提出了一种新的跟踪策略，在阴影遮挡发生变化时使用BP神经网络判断新的部分阴影遮挡条件下的最大功率点的位置，即通过BP神经网络判断新的最大功率点是在当前最大功率点的左侧还是右侧。这样可以达到缩小搜索空间的目的，提高在动态阴影遮挡条件下的跟踪性能。

发明内容

根据上述提出的技术问题，而提供一种光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法。本发明主要利用光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法，其特征在于，包括以下步骤：

步骤S1：构建光伏电池模型；光伏阵列包括：若干块并联和/或串联的光伏板；所述光伏板包括若干块单体光伏电池；

步骤S2：根据所述光伏电池模型通过跟踪策略构建最大功率跟踪模型。

更进一步地，所述单体光伏电池等效为电流源，所述单体光伏电池的输出电流I为：

I＝I

其中，I

进而通过四参数光伏电池建模方法，在已知开路电压V

ΔV＝[1-σ(T-T

其中，T

进一步地，根据所述跟踪策略，当成功跟踪至GMPP后，在局部阴影遮挡条件发生变化时通过BP神经网络判断出新的阴影遮挡条件下GMPP在当前最大功率点的左侧或是右侧；

同时引入动态速度限制的粒子群算法，速度限制更新规则为：

式中，

较现有技术相比，本发明具有以下优点：

本发明采用动态限制速度的粒子群优化算法，在不同大小的搜索区间内都能够充分对其进行搜索。在阴影遮挡条件发生变化时，能够充分利用上一次跟踪时所获取的信息，减少了下一时刻的搜索区间，加快了“再跟踪”的速度，极大地提升了连续阴影遮挡变化条件下的跟踪性能，减少了功率损失，增加了经济效益。

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做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明单体光伏电池等效原理图。

图2为本发明光伏阵列示意图。

图3为本发明光伏阵列功率-电压曲线示意图。

图4为本发明BP神经网络结构图。

图5为本发明整体算法流程图。

图6为本发明阴影遮挡变化示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明提供了一种光伏阵列是由若干块光伏板通过并联和(或)串联形成的，而光伏板则是由若干块单体光伏电池形成的。因此实际上光伏阵列的模型基本单位是单体光伏电池。附图1是单体光伏电池的等效原理图，单体光伏电池被等效为电流源。其输出电流I为：

I＝I

其中，I

在求解I时，由于等式左右两侧都有I需要使用牛顿迭代法进行求解。尽管求解精度较为理想，但是求解过程耗时复杂。对此本专利使用四参数光伏电池建模方法，只需要使用生产厂家提供的四个参数：开路电压V

ΔV＝[1-σ(T-T

其中，T

根据所述光伏电池模型通过跟踪策略构建光伏阵列模型。图2展示了3个光伏阵列，每个光伏阵列都有不同的辐照度等级。可以从图2看到，pattern1是6串1并的阵列，简称6s1p；pattern 2也是6s1p的阵列，而pattern 3是3s2p的阵列。其中，pattern2和pattern3处在局部阴影遮挡条件下，pattern1处在理想条件下。附图3展示了这3个阵列的功率-电压特性曲线，可以清楚地看到当光伏阵列处在局部阴影遮挡条件下时，原本是“单峰”的功率-电压曲线变为了“多峰”曲线。在曲线上分布了多个极值点，将功率最大的极值点称为全局最大功率点(global maximum power point，GMPP)，其余的极值点称为局部最大功率点(local maximum power point，LMPP)。传统方法受限于其原理，跟踪至一个极值点后，就不再继续搜索，因此常常会陷入局部收敛跟踪至LMPP，这会造成巨大的功率损失。

目前，各种文献中所提出的方法在解决动态阴影遮挡条件下的最大功率跟踪问题时，采取的策略都是控制器检测到功率发生变化超过事先设定的阈值时，便重启整个算法。而在提出的跟踪策略中，当成功跟踪至GMPP后，在局部阴影遮挡条件发生变化时通过BP神经网络判断出新的阴影遮挡条件下GMPP在当前最大功率点的左侧或是右侧，这样算法就可以只搜索当前最大功率点左侧的搜索空间或只搜索当前最大功率点右侧的空间。搜索空间越小，算法的收敛速度越快，这样就能提高算法在动态阴影遮挡条件下的跟踪性能。附图4是采用的BP神经网络结构图，输入层节点数是5个，分别是当前最大功率点处的占空比，最大功率点处的功率，最大功率点处的电压，阴影遮挡发生变化造成的功率差值ΔP，以及功率的变化率。隐藏节点数设为9，输出节点数为1，输出的值为0代表向左搜索；为1则代表向右搜索。算法的流程图如附图5所示。

值得注意的是，在使用权重线性递减的粒子群优化算法时需要对粒子移动的速度进行限制。在搜索空间较大时，若粒子每次移动的速度较小，则会使粒子群的收敛时间加长，增加了跟踪时间，因此速度限制范围不能过小。而通过BP神经网络减少搜索空间后，搜索空间将被显著较小，而此时若再使用较大的速度限制范围则不能够充分搜索搜索空间，易出现算法没有收敛趋势的情况，因此针对这种情况，在提出的方法中引入动态速度限制的粒子群算法，其速度限制更新规则为：

式中，

通过动态限制速度范围，可以保证搜索空间无论是小或是大，算法都能够对搜索区间充分搜索。搜索空间

附图6中是两次阴影遮挡变化的例子，从case1变化到case2时，原本的搜索空间为[0.1,0.9]，而经过BP神经网络判断后，新的搜索空间为[0,0.565]；从case2变化到case3时，原本的搜索空间为[0.1,0.9]，而经过BP神经网络判断后，新的搜索空间为[0,0.506]。仅仅发生两次阴影遮挡变化，搜索空间就几乎减少了50％，这极大的有助于提升“再跟踪”的搜索速度。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。