基于狼群算法的光伏发电站最大功率点跟踪方法

吴荫南

（国能徐州发电有限公司，江苏 徐州 221166）

0 引 言

现阶段，随着社会对能源以及应用资源需求量的逐年增加，我国的发电压力也不断提升，新能源发电逐渐成为主流趋势[1]。光伏发电则是应用较为广泛的一种具有发展前途的新能源技术。与传统发电形式不同的是，光伏发电站的覆盖范围相对较大，具有较强的可持续性，不产生任何废弃物及污染物，可以将对环境的损耗程度降至最低，是理想的清洁能源[2]。虽然光伏发电站为人们的生产生活提供了极大的便利条件，但是受到外部光照强度、环境温度等因素的影响，常常会出现不同程度的发电问题。以最大功率点的跟踪为主，实际发电过程中对于最大功率点的跟踪处理是一项十分重要且关键的工作，涉及的因素较多，再加上发电需求及标准的不断变化，相对较难控制[3]。

参考文献[1]和文献[4]，传统并联光伏组件外特性最大功率点跟踪技术和传统分组粒子群最大功率点跟踪技术的灵活性并不强，针对不同位置功率的变化较难定位，同时也无法保证跟踪结果的精准度，为此提出对基于狼群算法的光伏发电站最大功率点跟踪方法的设计与分析，通过狼群算法，针对不同跟踪段进行分段功率计算，综合实际的光伏发电情况，测定分析实际的跟踪实况，为后续相关功率跟踪技术及行业的发展奠定基础[5]。

1 构建狼群算法下的发电站最大功率点跟踪方法

1.1 扰动跟踪目标设定

针对光伏发电站的运行情况，构建基础性的跟踪识别框架，并利用专业设备进行跟踪运行监测，营造初始跟踪环境[6]。随后根据日常的发电任务设定对应的发电目标，首先进行发电站功率点跟踪范围的设定，并设定对应的跟踪周期，具体如下：将跟踪区域划定为几个区域，每1个区域均需要设定局部跟踪目标，单个跟踪周期为3 h，共设置5个周期[4]。设定电流电压感应器，针对发电站实际的运行功率进行监测，并计算初始输出功率为

式中：D表示初始输出功率；m表示预设跟踪范围；n表示堆叠跟踪范围；κ表示定向扰动跟踪比；i表示跟踪次数。综合上述测定得出的初始输出功率，将其设定为跟踪过程中的基础对比功率目标。随后，在标记的功率跟踪范围内布设扰动跟踪点，并对各个区域的点位进行关联，逐步形成一个稳定、覆盖式的跟踪网，这对每一个扰动跟踪区域均营造了关联跟踪程序，在光伏发电站运行的过程中，一旦出现最大功率点，便可以迅速进行精准定位，形成具体的跟踪目标，一定程度上缩短了实际定位的时间，加快执行处理速度，为后续的跟踪工作奠定基础环境[7]。

1.2 局部跟踪节点部署

根据上述设定的扰动跟踪目标，接下来，结合实际划定的局部跟踪区域，布设对应数量的跟踪关联节点。这部分需要根据光伏发电站对于电力的调度方向进行设定，设定多个层级的节点部署位置，综合局部区域的发电情况，通过扰动方向，构建节点部署的具体原理，如图1所示。

图1 局部跟踪节点部署原理

根据上述图1，可以进一步了解到跟踪节点的部署需求及标准，接下来，在此基础上，依据功率的变化情况，设定扰动跟踪节点的固定步长为

式中：Y(x)表示跟踪节点固定步长；b表示扰动偏差；χ表示等效跟踪范围；ℵ表示局部光伏覆盖区域半径；b表示传输距离。综合上述得出的跟踪节点固定步长，设定跟踪节点的位置，并在局部区域中标记点位，便于后期节点位置的二次调整。

由于光伏发电站的发电功率并不稳定，为增加节点的实际跟踪效率，可以在发电设备内部安装监测装置，与控制程序形成关联，便于实时数据、信息的获取，一定程度上也会增加节点跟踪的效果，提升跟踪节点的应用能力。

1.3 构建最大功率点狼群计算跟踪模型

综合狼群算法，设计光伏发电站最大功率点跟踪模型。首先，结合设定的跟踪节点进行实时数据的采集获取，以初始的跟踪模型作为基础，将跟踪时段划分为多个，每1个时段均需要设定跟踪目标，以此来同步最终的跟踪结果。设定跟踪时段的平均值，标记出最优跟踪位置，利用狼群算法，构建随机初始化狼群的空间坐标，为标记出人工头狼目标，需要计算出此时间段的目标函数为

式中：h表示多维跟踪目标函数；d表示跟踪单向距离；r表示跟踪频率；u表示时段变动次数；E表示跟踪预设偏差值。综合上述测定，最终可以得出实际的多维跟踪目标函数。结合计算的数值，设定狼群算法的人工头狼，即为初始的跟踪任务，随后以此为基础测算出跟踪模型的围攻跟踪步长为

式中：a表示初始跟踪间距；z、t以及o分别表示3个跟踪阶段的狼群攻击距离。综合上述测算，最终可以得出初始跟踪间距。将其作为最大功率点的单向移位距离标准设置在模型中，获取最佳的跟踪结果，完成最大功率点狼群计算跟踪模型的设计。

1.4 光伏修正处理实现最大功率跟踪

在利用最大功率点狼群计算跟踪模型进行跟踪位置的模糊定位后，采用光伏修正处理方法获取最终的跟踪结果未进行修正指标的设定，如表1所示。

综合表1，完成对光伏修正处理指标参数的设定，随后利用预设的基础跟踪标准与实测的标准进行比照分析，进行同态整合修正，最大程度降低跟踪结果的偏差，实现光伏发电站最大功率的跟踪处理。

2 方法测试

本次主要是对基于狼群算法的光伏发电站最大功率点跟踪方法实际应用效果的分析与验证，考虑到最终测试结果的真实可靠，选定W光伏发电站作为测试的主要目标对象，测试的环境保持一致，参考文献[1]和文献[4]，设定传统并联光伏组件外特性最大功率点跟踪测试组、传统分组粒子群最大功率点跟踪测试组以及本文所设计的狼群算法最大功率点跟踪测试组。测试得出的结果以对比的形式展开分析，结合功率跟踪的需求及标准，对测试结果进行多维验证。接下来，进行相关测试环境的搭建。

2.1 测试准备

综合狼群算法，对W光伏发电站最大功率点的跟踪处理进行验证分析，选定3个跟踪区域作为测定目标，在各个区域内部部署一定数量的跟踪节点，并依据实际的需求及标准，作出点位的调整。随后，在预设的环境下，标记出功率极值点的位置，并将所设定的节点关联，形成1个全覆盖式的跟踪网。

设定此时测试发电站的光伏转化比为1.35，最大功率点预设值为19.5 W，输出功最大功率点为15.24 W，通过狼群算法测定出此时最大功率点电压为

式中：j表示最大功率点电压；f表示额定电压；γ表示实测电压偏差；μ1和μ2分别表示跟踪区域的变化定位间距。综合上述测定，将最大功率点电压作为执行跟踪的标准设定在模型中，完成测试环境的搭建。

2.2 测试过程结果分析

综合上述搭建的测试环境，利用狼群算法对光伏发电站最大功率点跟踪方法的应用效果进行分析验证。利用专业设备，对标定的3个区域发电运行功率进行采集，并获取相关的功率数值，利用节点对最大功率值进行测定，并对点位作出标记。此时，利用专业的设备对最大功率点的跟踪波形进行识别，通过狼群算法计算出最佳跟踪值，再次标定出最佳跟踪点位，依据波形的变化情况进行分析研究，具体如图2所示。

图2 测试结果对比分析图示

根据图2，完成对测试结果的分析。3种方法获取的跟踪波形存在差异，对比于传统并联光伏组件外特性最大功率点跟踪测试组和传统分组粒子群最大功率点跟踪测试组，本文所设计的狼群算法最大功率点跟踪测试组的跟踪波形相对较为平缓，不存在突然上升和突然下降的被干扰情况，这表明对应的跟踪结果也更加准确，误差较小且可控，跟踪速度较快，不易受到限制，具有实际的应用价值。

3 结 论

狼群算法的引入应用一定程度上能够扩大实际的功率跟踪范围，针对不同发电位置功率的变动情况进行多维综合计算，以光伏阵列作为依据，对发电站内部整体的电压、电流以及功率进行平衡处理，通过极值点进行跟踪引导，对每一个发电区域进行划分，设定的跟踪节点可以缩短实际跟踪时间，再加上狼群算法的辅助，降低对最大功率点的跟踪误差，加强对跟踪程序的控制，提升整体的跟踪效果，推动光伏发电行业及相关技术迈入一个新的发展台阶。