基于Atmaga32单片机的光伏水泵控制系统的开发与设计

王雪飞

（新疆职业大学新疆乌鲁木齐830013）

随着化石燃料的日益匮乏和环境问题的日益突出，如何寻求一种高效生态的绿色能源逐渐成为人类和自然可持续发展过程中必须解决的问题。近年来的研究发现，光伏发电可作为绿色可持续能源，具备良好的应用前景[1-3]。而作为光伏发电技术中重要分支的太阳能水泵系统，已经在国内外逐步实现产业化，广泛应用于灌溉经济和温棚作物、解决供水与水土流失等问题上。其在获得一定经济效益的同时，不同程度上改善了当地的生态环境[4-7]。可以预见的是，随着我国光伏发电和灌溉技术的不断交织与发展，以光伏水泵系统为核心的环保灌溉技术将成为我国节能节水农业灌溉的发展潮流。

光伏水泵控制系统的核心部件是控制器，用于匹配光伏阵列和水泵，实现功率变换。本文利用最大功率点跟踪（MPPT）控制算法根据实时的太阳辐射情况动态调节PWM波的占空比，调整电枢电压，从而改变电动机转速，实现对水泵液压动力的相关控制调节操作[8-11]。文中基于Atmaga32单片机，采用以遗传算法为核心的最大功率跟踪（MPPT）控制方法，使用直流无刷电动机水泵，设计并开发了一套新型光伏水泵控制系统。经过仿真和平台测试，该控制系统运行稳定，工作良好，能为类似光伏水泵控制系统的设计和开发提供良好的技术支持。

1 总体结构设计

文中的光伏水泵控制系统包含了太阳能电池板、水泵（离心式）和电动机（无刷直流），其总体结构可见图1所示。从图中可以看出，光伏阵列含有两路电能输出：一路输出经由控制电源模块将各个直流电压（+5 V，+12 V，+15 V）输送给光伏水泵控制器；另一路输出经由IPM模块将能量提供给无刷直流电动机，并通过调整电机转速从而对水泵负载进行相应的调节。

文中采用了Atmel公司开发的AVR系列高效能主控芯片Atmaga32（8位）作为控制器芯片，用于控制最大功率跟踪过程和电动机运转。此外，本文还对相关保护与外围硬件进行了一定程度的自定义设计，其中包括检测电压（V）、电流（I）、温度（T）等参数，以实现对整个系统的优化运行。

图1 本文设计的光伏水泵控制系统结构示意图

2 算法分析和实现

2.1 基于遗传算法的MPPT实现

遗传算法是近年来新兴的搜索和优化方法，其特点是能够模拟生命进化机制，将计算机科学和自然遗传学相融合进行优化[12-14]。将遗传算法融入MPPT的步骤可如下描述：

1）优化变量的选择。本系统通过DC-AC电路的占空比调节来实现光伏阵列的输出功率调整。因此，本文的优化变量选择的是占空比。

2）适应值函数的确定。个体的优劣程度主要是通过适应值的大小来反映的，因此在设计过程中需要注意目标函数f（x）的优化方向始终要与适应值函数g（x）的增大方向保持对应关系。因此，两个函数之间的映射关系可如下所示：

其中，Gmin代表的是最近K代或当前各代中最小的g（x）。

3）选择操作。基于群体范围内对个体适应度的评估进行一系列的选择操作，即以设定的概率选出某一种群中的部分（N个）优化个体遗传给下一代，最终获得的各染色体概率为：

4）交叉操作。将选中的2个染色体进行繁殖，组成双亲执行交叉操作，即以式（3）的方式产生染色体（个体）：

从表3可以看出，在语法可接受度判断中，三组被试都判断不合语法句子的可接受度低于合语法的句子，并且通过成对样本T检测可以看出，对合语法和不合语法句子的判断差异都是显著的。我们进一步通过重复测量方差分析(RM ANOVA)发现:组别因素对被试判断句子是否合语法并没有显著影响(F(2，62)=0.537，p=0.587，＞0.05)。

其中，a为比例因子（[0，1]内随机产生）；Li，k+1（Lm，k和Ln，k）代表的是子（父）代染色体。

5）变异操作。即按照变异的特性和概率对群体范围内个体串中的某分量进行变化。该变异操作对遗传算法的局部搜索能力起决定作用，也保证了算法的全局最优：

其中，Pmi代表的是某个体i所对应的变异概率；Pmean表示的是具备群体平均适应度的个体变异概率；Pmax表示的是具备最大适应度的个体增加的变异概率；f（i）表示的是某染色体i的适应度。

2.2 融合扰动观察法的遗传算法

遗传算法的本质实际上是概率搜索技术，在任何外界环境下均能完成最大功率点的快速准确搜索。但随之带来的是，光伏系统难以稳定维持最大功率状态的问题。因此，当遗传算法搜索到最大功率状态附近时（达到终止条件）便搜索终止，随后使用扰动观察法（小步长占空比）。此外，在算法中还事先设定了某一阈值e，若功率的变化量处于设定的阈值范围内，扰动随即停止，从而有效降低该光伏系统的能量损耗（处于最佳功率点附近）。算法的相关流程，可见图2。

2.3 MPPT算法的仿真分析

图2 融合扰动观察法的遗传算法流程示意图

本文使用的是PB150-35光伏阵列，基于该阵列在Simulink环境中搭建仿真模型。其中，各个参数（标准条件下）为：Im=4.3 A，Vm=35 V，Pm=150 W，Isc=4.8 A，Voc=43 V，A=0.0060 A/℃ ，B=0.21 V/℃ ，Rs=0.09Ω[15-16]。

对上述光伏阵列的Simulink仿真模型进行封装，在此基础上建立MPPT控制的仿真模型，可见图4所示。

分别使用扰动观察法以及自适应扰动观察法（基于遗传算法建立）在MPPT子模块中进行了Simulink仿真。仿真过程中为贴近真实外界环境，模拟了日照强度突变的情形，最终结果可见图5，6所示。

图3 光伏阵列在Simulink仿真环境下的模型

图4 引入MPPT控制后的Simulink仿真模型

图5 扰动观察法（普通）的仿真波形

图6 自适应扰动观察法（基于遗传算法）的仿真波形

由图5易知，光照发生突然变化，普通扰动观察法控制下的输出波形发生剧烈的震荡，可见在控制过程中该方法跟踪速度较慢；达到稳态后，阵列的仿真输出波形也出现了一定程度的波动，产生了波峰峰值为10 W左右的高频纹波，从而损失了部分不应损失的能量。对比图6易知，自适应扰动观察法能快速跟踪最大功率点的变化，且跟踪全过程中过渡平稳，到达新的最佳工作点后也不会有较大的波动。因此，稳定性能良好，损失的能量较小，使得光能的利用效率得到大幅提高。

3 软件实现

文中光伏水泵控制系统采用AVR Studio软件（Atmel公司推出）作为Atmaga32单片机的软件开发环境。该软件平台具有开放、易移植、免费、配置灵活等优点，在编译代码、下载程序等方面为用户提供便利。本文系统软件部分的程序设计流程，可见图7所示。

图7 本文光伏水泵控制系统软件程序设计流程图

从设计流程图中易知，程序从MCU外设初始化开始，按照三段式启动方法启动电动机，启动成功与否由系统统计的反电势过零次数来判断。若启动失败，且尝试启动次数大于5次则等待10分钟后重新进行初始化操作。若电动机启动成功，则开始对光伏阵列电压、电流、温度等参数进行采样，采样过后利用新型MPPT模块（基于遗传算法）计算出PMW波的占空比，以实现后续对无刷直流电动机系统速度的调节。当该光伏水泵控制系统处于运行状态时，需要对表示故障信息的标志位进行定时检测。若出现过热、过流等异常信号，则立即进行告警操作；若并未发现故障信号，则正常循环控制该系统。

4 系统测试

文中选用140 V，600 W的直流无刷电动机，并在输入端串联了4块多晶硅（PB150-35），对本文设计的基于Atmaga32单片机的光伏水泵控制系统进行了测试。

在各时段内，观察并记录系统的实时运行参数，计算出该光伏水泵控制系统的综合效率。其各参数及对应计算结果，可见下表1。

表1 外界光线条件变化下本文光伏水泵控制系统效率计算表

从上表1中可看到，由于采用了基于遗传算法的新型MPPT算法，本文设计的系统能够随外界环境条件的变化进行有效调节，且维持全时段内60%以上的光能综合利用效率，其高于普通的光伏水泵控制系统（约为50%左右），具有实际应用价值。

5 结束语

针对光伏水泵控制系统，本文基于Atmaga32单片机提出了一种融合占空比扰动观察法的遗传算法，并实现了该新型遗传算法的MPPT控制。经过测试，该控制系统的自适应和稳定性能良好，抗外界环境条件剧烈变化的干扰能力强，综合效率值在不同外界环境条件的各时间段均能保持较高水准。因此，可以为相关光伏水泵控制系统的设计与开发提供技术支持。