微生物燃料电池最大功率点跟踪算法综述

颜闽秀+卢振方

摘 要：作為一种新型绿色能源微生物燃料电池（MFC）利用微生物将有机废物转换成电能，通过最大功率点跟踪算法使其在工作条件变化时仍能输出最大功率。文章分析对比了目前常用的微生物燃料电池最大功率点跟踪算法，并展望了微生物燃料电池最大功率点跟踪算法的发展趋势。

关键词：微生物燃料电池；最大功率点跟踪；扰动观察法；增量电导法；梯度法；复合优化法

中图分类号：S216.3 文献标志码：A 文章编号：2095-2945（2017）28-0055-02

引言

随着经济高速发展，能源与环境问题成为人类所面临的最严峻的挑战，传统的化石燃料储备有限。随着能源的紧缺，污染的加剧，能源开始成为战争的导火索[1-2]。

微生物燃料电池优势是在处理废水的同时可以回收废水中有机物中蕴含的能量。通过最大功率点跟踪（Maximum Power Point Tracking，MPPT）调节过程能够提高MFC系统的效率。目前，最大功率点跟踪的控制方法有扰动观察法、增量电容法、梯度法、多元优化方法等。

1 主要跟踪控制方法

1.1 扰动观察法

扰动观察法是最常用来寻找最大功率点的算法。主要原理是在固定的时间对输出电压施加扰动，根据输出功率的变化决定下一步的动作以实现最大功率跟踪。如果施加扰动后的输出功率比最初的功率输出大，则继续施加相同方向的扰动；如果施加扰动后的输出功率小于初值，则施加反方向的扰动，持续这个过程，直到找到最大的输出功率。

这种方法最大的优点在于它容易实现，同时经济实惠、工作效率高。并且只需要两个参数，即功率和电压[3]。缺陷是在最大功率点处不间断的震荡[4]。当操作点即将达到最大工作点的时候，该方法第二个缺陷是此时外部条件变化时，操作点会偏离最大功率点[5]。

1.2 增量电导法

电导增量法是通过设定一些很小的变化值，来判断目前工作在 MPP（最大功率点）的哪一侧，使太阳能电池阵列稳定在 MPP 的邻域内，而不是围绕其来回波动。当工作在 MPP的右侧时，此时的变化值为负，增大输出电流参考值来减小直流母线电压，从而达到 MPP；当工作在 MPP 的左侧时，此时的变化值为正，减小输出电流参考值来增大直流母线电压，达到 MPP，最终达到一个稳定的工作点。当从一个稳态过渡到另一个稳态时，电导增量法根据输出电流的变化就能够作出正确判断[6]。

1.3 梯度法

梯度法[7]同样通过使用一个常值扰动来进行梯度估计。梯度法与扰动观察法不同之处在于相对于梯度估计值它的动作幅度是比例化的。

1.4 多元优化方法

多元优化方法的前提是存在两个或多个相同的微生物燃料电池系统[8]。这种方法与梯度估计相关，通过不同单元输出之间的差异来获得梯度值，并将这个梯度值置零。这种方法收敛性好，无需等待动态过程完毕，因此减少了优化时间[9]。

这种方法显而易见的缺陷就在于它只能在两个或多个完全相同的微生物燃料电池，但是在实际实验操作中，这种条件很难做到。而且不同单元之间的差异可能会导致系统收敛于一个错误的最优值，从而不能正确的反映系统应该达到的最大功率值并会影响整个系统的稳定性。但是对于相似但不完全一致的微生物燃料电池单元，可以借助引入矫正器来使用此方法[9]。

1.5 其他优化方法

Premier等人修改了一种应用在太阳能电池中的最大功率点跟踪算法，开发出了一种能够用在微生物燃料电池中的最大功率点跟踪算法，这种算法通过一个包含有数字可控电阻的电路板进行实现[10]。Boghani等人报道最大功率点跟踪算法或者带有一个附加镇定电势的最大功率点跟踪算法可以有效提高电极上微生物的电化学活性[11]。

2 结束语

当前，微生物燃料电池系统的功率控制研究与应用仍处于起步阶段。因此，随着人们对跟踪精度和性能的不断提高，许多革新性的理论与方法尚待发展以改善系统的输出性能，提高系统输出的功率及效率。微生物燃料电池功率优化控制的问题，无论是在理论方面的研究还是实际应用的探索，都具有极其重大而又深远的意义。

参考文献：

[1]刘助仁，新能源.缓解能源短缺和环境污染的新希望[J].科技与经济，2008，21（1）：35-37.

[2]张萌，张斌.世界可再生能源发展现状及展望[J].中国电力企业管理，2014（19）：42-44.

[3]Mei SN，Tan CW. A Study of Maximum Power Point Tracking Algorithms for Stand-alone Photovoltaic Systems[J]. Applied Power Electronics Colloquium， 2011，22-27.

[4]Jiang JA，Su YL.et al. On Application of A New Hybrid Maximum Power Point Tracking（MPPT） Based Photovoltaic System to the Closed Plant Factory[J]. Applied Energy，2014，124（1）：309-324.

[5]Ahmed J， Salam Z. An Improved Perturb and Observe （P&O） Maximum Power Point Tracking （MPPT） Algorithm for Higher Efficiency[J]. Applied Energy， 2015， 150：97-108.

[6]Femia N， Petrone G，Spagnuolo G.et al. Optimizing Sampling Rate of P&O MPPT Technique[J]. IEEE Power Electronics Specialists Conference， 2004， 3：1945-1949 Vol.3.endprint

[7]Hohm D P Ropp M E.Comparative Study of MaximumPower Point Tracking Algorithms using an Experimental，Progrommable，Maximum Power Point Tracking Test Bed [A].Photoroltaic Specialists Conference，2000.Conference Recordof the Twenty-Eight IEEE[C].2000：1699-1702.

[8]Noceal J， Wright SJ. Numercial Optimization[M]. New York： Springer； 2006 Srinivasan B. Real-time Optimization of Dynamic Systems Using Multiple Units[J].International Journal of Robust & Nonlinear Control， 2007， 17（13）：1183-1193.

[9] Woodward L， Perrier M. et al. Maximizing Power Production in a Stack of Microbial Fuel Cells using Multiunit Optimization Method[J]. Biotechnology Progress， 2009， 25（3）：676.

[10]Premier GC， Kim JR， Michie I.et al. Automatic Control of Load Increases Power and Efficiency in a Microbial Fuel Cell[J]. Journal of Power Sources， 2011， 196（4）：2013-2019.

[11]Boghani HC，Kim JR.et al. Analysis of the Dynamic Performance of a Microbial Fuel Cell Using a System Identification Approach[J]. Journal of Power Sources， 2013， 238（28）：218-226.endprint