基于粒子群优化的光伏MPPT 算法

孙会明，陈 薇

(西安科技大学 电气与控制工程学院，陕西 西安 710054)

太阳能作为一种新兴的绿色能源，备受人们重视，光伏发电是利用太阳能的一种有效方式，而最大功率点跟踪(MPPT)是光伏并网发电系统的重要控制技术之一。光伏发电与传统的火力发电相比，成本较高。因此，在现有光伏电池的基础上，需充分提高光伏电池的效率，对光伏发电系统进行最大功率跟踪就显得尤为重要［1－2］。

1 光伏阵列特性分析

光伏电池的简化等值电路如图1 所示，由理想电流源Iph、反向并联二极管、串联电阻Rs和并联电阻Rsh构成，各变量的电气特性为

式中，I 和V 是光伏电池的输出电流和输出电压;Io是二极管反向饱和电;n 是pn 结的曲线常数;k 是玻尔兹曼常数;T 为温度;Rs为串联电阻;Rsh为并联电阻。

图1 太阳能电池等效电路

由式(1)可见，光伏电池是一种非线性直流电源。在式(1)的基础上结合文献［2］在Matlab/Simulink 下建立光伏电池特性仿真模块，如图2 所示。

图2 光伏电池仿真模块

模型参数开路电压44.2 V;短路电流5.2 A;峰值电流4.95 A;峰值电压35.2 V;串联电阻0.5Ω;开路电压温度系数－0.55%/℃。控制电池板的输出电压V，当输出V 从0 增加到Voc时，分别在不同的光照条件和温度下，光伏阵列U－I 与P－V 仿真曲线如图3 和图4 所示，温度是影响最大功率点电压的主要因素，且两者成反比关系;光照是影响输出电流的主要因素，且成正比关系。

图3 光伏电池U－I 曲线

图4 光伏电池U－P 曲线

2 算法设计

2.1 粒子群优化算法

粒子群算法(Particle Swarm Optimation，PSO)是一种新兴的群智能优化算法，其基本思想是通过群体中个体之间的协作与竞争来寻找最优解，群体中的每个个体不仅可从自身的经验中受益，且可从相邻个体以往的经验中受益。因此，PSO 算法不仅有局部优化能力也有全局优化能力。

PSO 算法首先在可行解空间中初始化一群粒子，每个粒子均代表极值优化问题的一个潜在最优解，用位置、速度和适应度值3 项指标表示该粒子特征。适应度值由适应度函数计算得到，其值表示粒子的优劣。粒子在解空间中运动，通过跟踪个体极值pbest 和群体极值gbest 更新个体位置［5］，即

其中，w 为惯性权重;c1和c2为学习因子;r1和r2∈(0，1)为两个独立的随机数。

2.2 基于温度系数的改进恒定电压法

环境的变化为外界的温度与光照变化，上面的光伏特性分析可知光照主要影响输出电流的大小，而对于最大功率点电压影响较小，因此基于温度与Um可大致确定一电压为标准测试条件下的最大功率点电压，可在厂家提供的数据中获得;此处取开路电压温度系数为－0.55%/℃，即

而光照会影响光伏板的温度，光照与温度的关系为:T=Tair+ksΔS，参照光照强度为1 000 W/m2，ΔS=S当前－1 000 为光照变化量。因此以温度变化作为跟踪启动的条件是可行的，其可同时反映环境温度变化与光照强度变化［1］。

2.3 MPPT 算法设计

每次光照与温度的变化均通过检测的温度来反映，以当前的温度确定，在的基础上结合POS 算法进行进一步优化，找到更接近实际最大功率点的电压Uo。

Step1实时采样温度、电压和电流，通过式(4)和式(5)确定。

Step2在区间［中随机初始化m个粒子，且随机初始化粒子速度。

Step3适应度值计算，即计算输出功率。

Step4寻找个体极值与群体极值。

Step5按式(2)和式(3)更新粒子速度与位置。

Step6粒子适应度值计算。

Step7个体极值与群体极值更新。

Step8判断是否满足终止条件，若满足则结束，不满足则跳转至Step5 继续执行。PSO 执行结束后判断最大工作点电压是否为区间两端点电压，若是则以当前最优点电压代替Step1 中的，重新启动Step2 计算;若不是则以此时全局最优值确定的电压Uo工作;此处应注意，只要输出与两端点的电压差值小于设定值即可;就认为输出是端点电压，这是为了防止最大功率点不在区间而设置的条件。

Step9检测当前温度是否与上次温度值相等，不等则重新启动Step1;此处可按照实际的工作要求选择是否启动PSO 循环部分，若精度要求高则启动PSO 循环部分，若精度要求不高，也可在之前最大功率点的基础上由式(4)确定新的最大功率点，但初始时必须启动PSO 循环［6－7］。

3 算法仿真

在Matlab 中编写PSO 算法的M 文件，通过编程的方式实现Simulink 与M 文件的数据交换，并输出数据到Matlab 工作空间，最终绘制的功率跟踪曲线如图5 所示。

图5 功率跟踪曲线

因实际的应用中光照的变化会影响光伏板的温度，而在仿真时光照与温度因素是分开考虑的，因此当光照变化时跟踪曲线如图5 中间段所示［8－10］。

4 结束语

本文在其他文献的基础上结合恒定电压法与粒子群优化算法，实现了光伏最大功率点跟踪的控制方法，并阐述了该方法的实现，且分析了其原理，同时对设计方案进行了仿真。仿真结果表明，该控制方法能有效地实现最大功率点的跟踪，验证了该方法的正确性和可行性。为光伏发电系统的最大功率跟踪控制提出了一种新的思路及实现方法。

［1］ 郭建业，郭海涛，钱念书，等.一种新型双模式最大功率点跟踪控制［J］.电源学报，2012，10(5):48－51.

［2］ 茆美琴，余世杰，苏建徽.带有MPPT 功能的光伏阵列Matlab 通用仿真模型［J］.系统仿真学报，2005，17(5):1248－1251.

［3］ 史峰，王辉，郁磊，等.Matlab 智能算法30 个案例分析［M］.北京:北京航空航天大学出版社，2011.

［4］ 汪义旺，曹丰文，张波，等.光伏发电系统最大功率点快速跟踪控制研究［J］.电力电子技术，2010，44(10):14－16.

［5］ 雷秀娟.群智能优化算法及其应用［M］.北京:科学出版社，2012.

［6］ 陈杰.MATLAB 宝典［M］.北京:电子工业出版社，2010.

［7］ SEOK J L，HAE Y P，GYEONG H K.The experimental analysis of the grid－connected PV system applied by POS MPPT［J］.Electrical Machines and Systems，2007(2):1786－1791.

［8］ 施祖铭.太阳能光伏电池的发展［J］.应用能源技术，2010(4):68－69.

［9］ 程启明，程尹曼，汪明媚，等.光伏电池最大功率点的跟踪方法［J］.上海电力学院学报，2009，25(4):346－352.

［10］SI Chuantao.Simulation research on output characteristics of photovoltaic array and MPPT control［J］.East China Electric Power，2010(2):0284－0288.