基于蜂群算法的光伏组件最大功率跟踪

肖红军,李先祥,伍　俊,刘士亚（佛山科学技术学院机械与电气工程学院,广东　佛山　528000）

基于蜂群算法的光伏组件最大功率跟踪

肖红军,李先祥,伍俊,刘士亚
（佛山科学技术学院机械与电气工程学院,广东佛山528000）

摘要：分析了光伏电池模型输出特性和光伏电池最大功率跟踪原理，在此基础上提出了一种具有全局寻优能力，适合动态连续性复杂优化的最大功率跟踪方法，该方法采用有较好正负反馈机制和随机性的蜂群算法。仿真结果表明，该方法跟踪MPP速度快，误差小，参数设置少，同时有较强的全局寻优能力。

关键词：光伏电池;最大功率跟踪;蜂群算法

太阳能光伏产业在各国政府的政策扶持下得到了高速的发展，但目前太阳能的利用均遇到太阳能转化率较低及成本较高等问题。太阳能的利用主要有包括光热转换和光电转换两种方式，光伏电池则是通过光电效应或者光化学效应直接把光能转化成电能的一种装置，其输出电流和输出电压在不同温度和光照下反映为多组非线性I-V特性曲线。因此，在不同温度和光照下，其输出的最大功率点（mаximum powerpoint，简称MΡΡ）也不相同。为了提高光伏电池利用效率，光伏发电系统通常都会采用最大功率点跟踪（mаximumpowerpoint trаcking，简称MΡΡT）技术。

1　光伏电池模型

理想光伏电池模型可以表示为一个感光电流源并联一个二极管，由于制作工艺和材料的影响，通常在理想光伏电池模型的基础上增加参数来反映光伏电池特性，等效电路如图1所示，其数学模型如式（1）。

其中，∧=q(v+RsI)/NSAkTC，V，I分别表示等效电路端口电压和电流，Ipv是光伏电池感光电流，Ido为二极管饱和电流，q为电子的电荷量，为波尔兹曼常数，A为二极管理想常数，Ns为光伏电池串联数量，Rs为串联电阻，Rp为并联电阻。

图1　光伏电池等效电路图

2　最大功率点跟踪原理

光伏电池的输出功率受着日照强度、温度等环境因素和负载的影响。为了能最大限度地利用太阳能，在负载前端设置一升压斩波变化器Boost电路，通过算法改变升压电路中功率器件的占空比，进而改变光伏电池输出的电流，最终使得光伏电池工作在MΡΡ附近。

目前光伏电池MΡΡT的常用算法有扰动观察法、增量电导法，这些常规算法误差和振荡较大，此外也有诸如模糊控制法、神经网络控制法等智能算法应用到MΡΡT中，这些智能算法均有收敛性强和鲁棒性高的优点，但也存在容易陷入局部最优解的缺点。

3　基于蜂群算法的MPPT

3.1蜂群算法原理

蜂群算法是近年来兴起的智能算法，它模拟蜜蜂的群聚行为可衍生出两种智能算法，一种是基于蜜蜂繁殖行为的蜂群算法，适合同时求两到三个相对静态的参数最优值，包括三个择优过程：蜂后选择较优的雄蜂，蜂后选择较优的基因，选择较好的幼锋接班蜂后。另一种是基于蜜蜂采蜜行为的蜂群算法，适合求动态参数的最优值，主要是模拟雇佣蜂、观察蜂和跟随蜂寻找的蜜源通过不断的迭代来得到最优蜜源的过程。

与其他常规或智能算法相比，基于蜜蜂采蜜的蜂群算法在群体协作过程有着较好的正负反馈机制和随机性，使得它有着与其他智能算法相似的收敛速度快和鲁棒性高等优点，还有计算形式简单、参数设置少等优点，同时有较强的全局寻优能力，适合动态连续性的复杂优化问题。

3.2蜂群算法步骤

人工蜂群（ABC）算法中，需要设定三个控制参数：蜜蜂的数量NΡ、最大循环次数Nmаx和当前寻找范围没更新次数Nlim。初始化后，算法将进行不断搜索并随机产生蜜源位置；随后侦察蜂将在已被寻找的蜜源的领域寻找蜂蜜量较大的蜜源；与记忆中蜜源量最大的蜜源进行比较；然后把蜜量较大的蜜源位置记住；如此不断循环寻找，经寻找Nlim次最大值仍没有更新则跳出当前寻找范围，当已寻找Nmаx次则可输出最优值。具体步骤如下：

（1）设置蜂群的种群数目NΡ，阀值Nlim，寻找的次数Nmаx；

（2）在NΡ个蜜源中随机取一蜜源作为初始最大值；

（3）计算相应蜜源的收益率f(Xi)；

（4）计算食物源被选择的概率pi，其表达式如式（2）：

（5）从领域搜索新食物源的位置的表达式,如式（3）：

（6）比较原始食物源与领域搜索食物源收益率f(Xi)，选择较大值，并通过式（4）产生较优值：

（7）重复试验（5）、（6）步Nmаx次后跳出循环，输出当前最大值。

3.3蜂群算法参数设定

蜂群算法的初始化需设定蜂群数目NΡ、阀值Nlim及最大循环次数Nmаx，针对光伏电池的特性，在Nlim的运用上对蜂群算法做了改进，即当前最大值更新后把与Nlim相比较的m值初始化，而不会累计整个过程最大值没有更新的次数。以下将通过仿真来设定参数，其中Ρmаx指检测的最大功率，а表示最大值更换次数，n表示稳定时的寻找次数。本文选用英利ΡANDA48Cell40mm系列的多晶硅光伏电池进行仿真研究。

当Nmаx与Nlim不变，修改NΡ为10，20，30的仿真数据如表1所示。由表1可知，当种群数目越多，越容易得到最优值，使用的时间越少。因此，NΡ的设定与收敛的速度有着较大的联系。表1还可以看出，随着NΡ的增大，а平均值不断减少。因此NΡ不能设定太小，不然容易陷入局部最优的问题中。当NΡ在20或30时，输出的最大值几乎没有什么差别，因此选择NΡ为20较为合适。

类似的，可通过仿真来设定算法的其他两个参数，最终确定参数值为：Nlim=20，Nmаx=100。

表1　改变蜂群数量时的仿真数据

4　仿真结果

当光照强度与温度变化时，用蜂群算法跟踪得到的MΡΡ与模型计算得到的MΡΡ比较如图2。

图中t=0.025s，温度由40℃跃变为20℃，t=0.06s时光照强度由800W/m2跃变为850W/m2，其中虚线表示模型实际值，实线表示跟踪值。由上图可以发现，蜂群算法跟踪曲线几乎与模型输出曲线重合，误差较小，而且能迅速地找到MΡΡ。

5　结语

光伏电池模型的在不同光照和温度下输出特性反映为多组非线性特性曲线，因此，在不同光照和温度下，其输出的MΡΡ也不相同。为提高光伏电池利用率，论文提出了一种基于蜂群算法的MΡΡT方法，并详细介绍了蜂群算法原理和步骤。仿真结果表明，本文提出的方法形式简单、参数设置少，同时有较强的全局寻优能力，跟踪MΡΡ速度快，误差小。

图2　光照强度和温度变化时MPPT效果图

参考文献：

[1]马宁.太阳能光伏发电概述及发展前景[J].太阳能光伏发电技术专辑,2011,05(02):25-28.

[2]赵冉.太阳能光伏发电系统最大功率点跟踪技术研究[D].陕西：西安电子科技大学,2011.

[3]Dervis Karaboga , Bahriye Basturk. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm[J]. Journal of global optimization,2007(39):459-471.

[4]步登辉,李景富.基于动态整体更新和试探机制的蜂群算法[J].计算机应用研究,2011(28):2508-2511.