光伏电池最大功率点跟踪的研究现状综述

(福州大学电气工程与自动化学院，福建 福州 350108)

1 引言

随着科技的发展和技术的进步，人们对能源的需求日益增长。然而，随着人们使用能源特别是化石能源的数量越来越多，能源对人类经济社会的制约，及对环境的污染影响也日益加剧[1]。同时由于传统化石能源的不可再生性，开发无污染的新能源已然成为人类社会发展的必然趋势。在众多新能源中，太阳能由于其几乎取之不尽，存在普遍，对生态影响小等特点广受青睐。太阳能发电目前有光伏和光热两种发电模式，其中光伏发电的模式由于结构简单，易于维护，且方便运输安装等特点被广泛运用。然而，光伏元件的光电转换效能通常低于20%[2]。因此,目前最主要的课题是如何提高光伏组件的光电转换效率。

随着外界照度和温度的变化，光伏组件的输出电压和电流为非线性相关，该性质体现在其P-V曲线上，在特定的条件下存在唯一的最大功率点(MPP)。因此，如何人为的控制光伏组件，使其稳定工作在最大功率点(MPPT)，成为了学术界重点的研究对象。本文按照MPPT的不同种类，对目前常用的几种方法进行了归纳，分析其各自的特点，并总结其目前的发展趋势。

2 传统的MPPT方法

传统的最大功率点跟踪方法主要分为直接MPPT和间接MPPT两种类型。间接MPPT主要有开路电压法和短路电流法。该方法因为不需要对输出功率进行测量，控制逻辑简单，易于实现，但只能近似跟踪到最大功率点。当光伏模块随着使用时间的推移出现参数漂移时，会出现大量的能量损失。

直接MPPT有扰动观察法(P&O)，电导增量法(INC)等。这两种方法只适用于单峰P-V曲线。

2.1 扰动观察法(P&O)

扰动观察法是最常用的直接MPPT算法，具有实现简单，成本低廉的优点。其基本思路是持续对光伏电池输出端的电压施以扰动ΔU，每次扰动通过对输出端电压和电流进行采集，计算出扰动后功率值的增量ΔP。如果ΔP为正，说明上一次扰动使工作点电压接近最大功率点电压，扰动方向正确，下一次的扰动量依然保持为ΔU。如果ΔP为负，说明该扰动使工作点电压远离最大功率点电压，下一次的扰动量取-ΔU。通过持续施加扰动，使工作点逐渐趋近于最大功率点。然而，当功率到达MPP后，控制系统的扰动不会停止，而会在MPP附近振荡，这是P&O方法最主要的一个缺点。此外，扰动观察法的跟踪速度不足，并且在外界环境急剧变化的情况下跟踪效果差。

学者针对P&O法提出了一些改进：文献[3]提出了一种自适应步长的扰动观察法，文献[4]提出了一种基于扰动观察的抛物线逼近法，都取得了不错的效果。

2.2 电导增量法(INC)

整理后可得：

学者针对INC法提出了一些改进：文献[6]提出了一种变步长的增量电导法，提升了跟踪到 MPP的速度，文献[7]采用了INC和固定电压法结合的方法，文献[8]提出一种新型双并联Boost电路的功率预测改进电导增量法最大功率跟踪策略，等。

3 传统方法的局限及智能算法的提出

目前通常将复数的光伏组件进行串并联，构成光伏阵列集中控制对外输出电能。光伏组件在不同的光照条件下，将会工作于不同的工况。不同工况的组件串并联，可能会产生“热斑效应”[9]。为了避免热斑效应，通常将光伏组件并联一个旁路二极管。旁路二极管的结构使光伏阵列在局部阴影下时，最终输出的P-V曲线呈现出多峰值。该情况下，传统MPP方法会因为陷入局部极值点而失效，从而造成严重的功率损失。

针对局部阴影的情况，文献[10-11]提出一种全局扫描法，通过对电压间隔采样，分别计算对应的输出功率；文献[12]提出一种功率补偿方法，通过并联电源补偿处于阴影状态的模块，进而将多峰值的P-V曲线校正为单峰值，从而可以使用传统方法进行MPPT。此外，学着们还提出采用智能算法进行MPPT，例如基于群智能的优化方法，基于人工智能理论的神经网络方法，以及模糊控制法等。

3.1 群智能优化方法

采用群智能算法进行MPPT主要有粒子群算法(PSO)，蚁群算法(ACO)，猫群算法(CSO)等。目前应用最广泛的是PSO方法。

粒子群算法(PSO)源于对鸟类捕食的研究[13]，主要流程为在空间中初始化一群粒子，赋予其随机位置及初速度，并计算出每个粒子对应的适应度及最优个体的适应度。之后粒子在解空间中运动，其速度的更新取决于该粒子的个体最优值pbest以及全局最优值gbest。其中pbest指的是该粒子曾到访过的最优位置，gbest是指全体粒子到访过的最优位置。每更新一代则重新计算适应度，更新pbest与gbest，直到种群满足迭代收敛条件或达到最大迭代次数。

使用PSO算法进行MPPT的控制方法有三种：电流控制，电压控制及占空比控制，每个粒子所在的位置对应为该点的电流，电压或是占空比，粒子适应度对应为粒子所在位置对应的输出功率。通过对各个点的功率进行采样，计算下一次迭代各粒子的位置，在多次迭代后最终收敛在全局最优点。

PSO算法的主要优势有：控制简单，易于实现，控制器价格低廉，容易与其他算法结合，并且在局部阴影等极端情况下依然适用。缺点有：容易收敛到局部极值点[14]，收敛速度缓慢，由于随机因素的存在，系统具有不可控性[15]，等。针对这些问题，目前主要将粒子群算法同其他方法相结合，提高收敛速度和准确度。文献[16]提出了一种无随机参数的粒子群MPPT方法，文献[17]提出了一种混沌粒子群MPPT方法，文献提出了一种集中控制型的多维粒子群MPPT方法。文献[18]提出在粒子初始化时，将初始粒子固定在可能的最大功率点处，从而提高收敛速度。文献[19]提出一种粒子群和鱼群算法相结合的方法，文献[20]采用了粒子群和模拟退火算法相结合的方法，都取得了不错的效果。

3.2 神经网络控制

通常采用BP神经网络对光伏阵列进行MPPT控制。BP网络的学习方式是一种梯度下降法，采用误差逆传播的训练方法进行学习。其本质上是一个“黑盒”：可以用来储存“输入”和“输出”间的映射关系，却不必预先得知该关系的具体数学方程。其结构由输入层，隐层，输出层构成，每一个神经元由一个节点表示，不同层之间的节点由“权”相连。权值的更新采用的是误差反向传播算法(BP算法)，通过大量的预训练数据，计算实际输出和期望输出之间的误差，将误差反向传播对各层的权值进行不断的修正，从而形成一个相对准确的控制系统。

利用神经网络算法进行MPPT，本质上是利用外界的时间、光照强度和温度，对可能的最大功率点电压进行预测。输入层一般有三个神经元，分别为当前的时间、光照强度和温度，输出层有一个神经元，即预测的最大功率点电压，隐层包含有数个神经元。预先通过采集大量数据训练神经网络，从而完成由时间、光照强度和温度到的映射。

由于反向传输是一个迭代的过程，神经网络需要大量的训练数据，且训练过程相对耗时，获取局部阴影下的可靠数据更是一项挑战。并且局部阴影的训练数据有限，只支持几种预定义的阴影模式，但在实际使用的过程中，阴影模式不确定，系统的泛化能力难以得到保证。此外，在线反复进行自学习训练计算对微处理器的性能要求很高，另外需要对不同类型的光伏模块或阵列进行特定修正。考虑到光伏模块长期使用中发生的数据漂移，还需要定期的修正周期，泛用性不高。

对此，文献[21]针对传统BP神经网络对MPP点处电压的预测误差较大的问题，提出了一种遗传算法优化的BP神经网络算法。文献[22]提出了基于椭圆基的广义动态模糊神经网络，有效地克服了最大功率点震荡问题，提高了系统的自适应能力。文献[23]提出一种灰色BP神经网络，使MPPT过程更加准确迅速。文献[24]提出一种基于神经网络滑膜控制技术的MPPT方法，简化了控制系统，提高了鲁棒性。

3.3 模糊逻辑控制

模糊逻辑控制法[25]是一种模仿人类决策的人工智能算法[26]，该方法本质上是一种以人们的经验直觉为基础的逻辑系统，在解决问题时不依赖于问题的具体数学模型，但需要通过专家系统的先验知识进行推理，适用于数学模型难以确定的系统，类似于一种映射输入输出关系的函数估计器。使用模糊逻辑控制法进行最大功率点跟踪的基本步骤分为三步：将输出功率对电压或电流的变化量及变化率模糊化，之后根据专家经验进行评判，给出电压或电流的隶属度，最后根据该隶属度进行解模糊，通过隶属函数，将模糊量转变为精确的控制量输出，从而实现MPPT。

模糊控制同神经网络控制一样，不依赖控制对象的精确数学模型。但相比神经网络，缺乏在线自习及自我调整的能力。并且专家经验的建立和表述，隶属函数和模糊控制规则的调整也是其中的难点。

文献[27]提出了一种将模糊控制同PID控制结合的MPPT方法。文献[28]提出一种将模糊控制和神经网络相结合的方法，提高了跟踪速度和准确度。文献[29]采用了一种非对称模糊控制MPPT，文献(光伏阵列最大功率跟踪变论域模糊控制)采用变论域模糊控制方法实现MPPT，在响应速度，跟踪精度和输出功率上都有提升。

4 结论

追求能源利用的效率最大化，是人类永恒的追求。特别是在光伏电池的材料，储能技术等均处于瓶颈的现在，如何提高光伏发电的效率是目前研究的主要方向。对MPP进行精确的跟踪从而保证系统输出功率最大化，对光伏系统的效率影响重大。本文介绍的几种MPPT方案都有各自的优点及局限性，传统方法在局部阴影下会失效，智能方法可以跟踪到最大功率点，但方法本身复杂性和对硬件设备的依赖性更高。尽管如此，由于其适用于多峰值P-V曲线，可以对于日常使用中出现的局部阴影状态进行MPPT，故该方法将成为未来的主流。对于最大功率点跟踪控制方法的研究，还有着广阔的发展空间。目前研究的主流趋势是将数种MPPT控制方法相结合，抑或是根据不同环境或不同的MPPT阶段，采用不同的方法。