局部遮荫光伏最大功率点跟踪技术的研究

刘晨, 黄翼虎

(青岛科技大学 自动化与电子工程学院,山东 青岛 266061)

0 引 言

光伏发电具有发电过程简单、应用广泛、不消耗燃料、无噪声和无污染等优点,是一种最具可持续发展理想特征的可再生能源发电技术。在光伏发电过程中,最大功率点跟踪技术是保证整个光伏发电系统高效率、安全和稳定运行的关键［1］。

最大功率点跟踪(maximum power point tracking,MPPT)技术是光伏发电的关键技术,MPPT算法可以分为传统算法以及智能算法,其中比较常见的MPPT算法有扰动观察法(perturbation observation method, P&O)以及电导增量法［2］。文献［3］提出了一种将恒定电压法结合电导增量法MPPT控制策略,改进后的算法不仅有更快的动态性能,而且改善了电导增量法收敛后的震荡问题。文献［4］提出了一种基于多策略改进海鸥算法的最大功率点跟踪控制方法,改进原始海鸥算法的收敛因子,引入自学习环节和反向学习策略,改进后算法能够有效地摆脱局部极值,精确地跟踪到全局最大功率点。文献［5］提出了一种基于改进布谷鸟算法与扰动观察法相结合的MPPT控制方法,先利用变步长扰动观察法迅速到达对应电压最大的功率极大值点,再利用该点的功率值调整算法的搜索范围,使其快速准确地追踪到最大功率点。

蝴蝶优化算法(butterfly optimization algorithm,BOA)具有强大的全局搜索能力,本文提出了一种基于改进蝴蝶优化算法(improved butterfly optimization algorithm,IBOA)的MPPT控制策略,引入混沌映射理论、自适应感觉因子和levy飞行策略改进传统的蝴蝶优化算法。通过仿真与粒子群算法和传统蝴蝶优化算法对比,验证了IBOA在光伏发电MPPT的优越性。

1 遮荫情况下的光伏电池输出特性

在自然条件下遮荫问题的存在使光伏阵列的各个光伏组件处于不同的光照条件下,此时会产生热斑效应,影响甚至破坏光伏组件。光伏电池并联旁路二极管可以避免热斑效应,却造成了光伏模组输出功率的多峰值,影响传统MPPT算法的精度。

本文采用三块串联光伏电池构成光伏阵列,为了分析外界复杂的环境,分别设置三种不同的光照模式见表1。在光照模式1下,三块光伏电池组成的光伏阵列处于光照均匀的环境;在光照模式2和光照模式3下,光伏阵列出现局部遮荫,导致光伏阵列输出P-V曲线呈现多峰值现象。根据上述光伏电池的数学型,本文在Simulink搭建了光伏电池模型,保持输入温度T=25 ℃不变,输出P-V曲线如图1所示。

图1 不同光照条件下的光伏阵列输出特性

表1 光照条件 单位:W/m2

2 基于改进蝴蝶优化算法的MPPT控制策略

2.1 蝴蝶优化算法

蝴蝶优化算法是元启发式智能算法的一种。该算法从蝴蝶群体的日常生理活动中得到启发。在观察蝴蝶交配行为时发现蝴蝶存在一种器官能感受到其他蝴蝶在空气中释放的激素,也就是香味,蝴蝶通过香味的浓度来判断其他蝴蝶的位置［6］。香味计算公式如式(1)所示。

f=cSa

(1)

蝴蝶的香味由幂指数a、感觉因子c和刺激强度S决定。其中适应度决定了蝴蝶收到的刺激的强度。该算法有两个阶段:全局搜索阶段和局部搜索阶段,可表示为:

(2)

(3)

r=rand(0,1)

(4)

2.2 改进型蝴蝶优化算法

蝴蝶优化算法在解决光伏阵列因遮荫产生的多峰问题上具有优越性,但收敛精度低和收敛速度慢仍是蝴蝶优化算法等群智能算法的通病。本文通过引入混沌映射理论、自适应感觉因子策略和levy飞行策略对传统蝴蝶优化算法进行改良, IBOA在收敛性和稳定度方面较传统蝴蝶优化算法有很大的提升。

2.2.1 Tent映射初始化

混沌现象是指在一个确定的系统中存在不规则的变量,这些变量是不可重复的、不可预测的和不可确定的。鉴于混沌变量的随机特性,它可以用来提高原始算法的种群多样性,提高算法跳出局部最优和全局搜索的能力［7］。在蝴蝶优化算法的初始过程中,随机生成蝴蝶种群,导致蝴蝶种群多样性较差,进一步导致全局搜索能力下降,算法收敛速度较差。因此,引入Tent混沌映射函数来改进原算法存在的问题。混沌映射函数如等式(5)所示:

(5)

式中:N为混沌映射的粒子数。

2.2.2 自适应感觉因子

感觉因子c表示蝴蝶个体感知香味的能力影响蝴蝶的移动轨迹。感觉因子c取值过大时,蝴蝶个体对香味感知比较敏感,有利于算法的全局搜索,但不利于算法的收敛;感觉因子c取值较小时,蝴蝶个体感知香味能力较弱,有利于算法的局部搜索,但可能导致算法过早收敛。固定参数的感觉因子无法有效地平衡蝴蝶优化算法全局搜索和局部搜索。因此引入一种自适应感觉因子c。在算法迭代的前期感觉因子较大,加强全局搜索能力,随之迭代次数的增加,感觉因子减小,增强算法的收敛能力。自适应感觉因子可表示为:

(6)

式中:c0为系数,取值为0.8;t为当前迭代次数;T为最大迭代次数。

2.2.3 徕维飞行优化

在传统的BOA算法中,当蝴蝶感知香味浓度高的蝴蝶时,向香味浓度高的蝴蝶移动,这是蝴蝶优化算法的全局搜索;当蝴蝶感知不知道更高浓度的香味时,随机移动。在传统蝴蝶优化算法位置更新公式中引入levy飞行策略后,通过在当前迭代最优值周围生产新的最优值,提高了算法的局部搜索能力。本文将局部搜索中蝴蝶的随机移动改为服从levy分布特点的移动轨迹, 通过在当前迭代最优值周围生产新的最优值,提高了算法的局部搜索能力。更新后的局部搜索公式如下:

(7)

2.3 IBOA在光伏MPPT的应用

蝴蝶优化算法适用于求解非线性函数的寻优问题,将其应用到光伏MPPT跟踪时,将光伏系统输出功率作为适应度函数,占空比D的大小表示蝴蝶的位置,通过不断迭代的方式寻找最大功率点。综合以上改进分析,IBOA步骤如下。

步骤一:设置种群规模N,搜索空间维度D和Tmax,对蝴蝶种群及位置进行随机初始化。

步骤二:计算出当前迭代次数下蝴蝶适应度值及其位置。

步骤三:当前迭代次数小于最大迭代次数时:先根据式(6)计算感觉因子c;再产生随机数p,若p≥0.7采用式(2)更新蝴蝶种群,否则采用式(7)更新蝴蝶位置。

步骤四:计算蝴蝶个体新位置的适应度值,若前者更优则保持原有个体不变,更新整个蝴蝶种群所经历的最优和最劣适应度值及其位置。

步骤五:判断是否达到Tmax,或达到阈值,若达到输出最优解;若没达到返回步骤三继续迭代。

3 仿真分析

本文采用MATLAB Simulink平台对光伏阵列MPPT仿真以验证改进型蝴蝶优化算法的优越性。光伏电池的电气参数如下:开路电压36.6 V,短路电流7.84 A,最大功率点电压29 V,最大功率点电流7.35 A。改进蝴蝶优化算法参数设计如下:种群数10、最大迭代次数30、切换概率p为0.7。

选取在温度25 ℃,分别仿真光伏模组在静态均匀光照(光照模式1)、静态局部遮荫(光照模式3)和动态变化阴影(光照环境从光照模式1变化到光照模式3)这三个条件下进行仿真,对扰动观察法、粒子群算法(particle swarm optimization,PSO)、BOA和IBOA的MPPT进行仿真,对这三个环境下仿真结果进行,分析仿真结果如表2所示。仿真对比图见图2～图4。

图2 恒定光照MPPT对比

图4 动态阴影MPPT对比

表2 仿真结果

由表2可知,在恒定光照静态环境下,四种算法均能可靠搜索到最大功率点,IBOA与传统BOA相比在不牺牲收敛精度的前提下,解决了传统BOA收敛过慢的问题;相比PSO,IBOA在收敛稳定性和收敛速度均有较大优势;扰动观察法虽能快速地搜索到最大功率点,但因其存在振荡问题,平均最大功率略低。IBOA在收敛精度和系统稳定性方面有较大优势。

由仿真结果可知,在局部遮荫的静态光照环境下,IBOA和BOA均能搜索到最大功率点, BOA在收敛速度和收敛稳定性较IBOA有很大劣势;扰动观察法在局部遮荫的环境下虽然能够快速收敛,但陷入局部最优,且依然存在系统振荡;PSO收敛时间比IBOA略长,且收敛精度比IBOA略差。通过以上结果分析可得:IBOA可以同时满足收敛速度和精度的要求。

通过上文在静态环境仿真分析可知,BOA由于收敛速度慢不适用于快速变化的光照环境,扰动观察法因其震荡问题,且容易陷入局部最优,也不适用于快速变化的光照环境。为了模拟光照快速变化的动态阴影环境,设置初始光照条件为光照模式1,在0.3 s光照条件变为光照模式2,在0.6 s光照条件变为光照模式3。由仿真结果图可知,在动态遮荫的静态光照环境下,相比PSO,IBOA在收敛速度和精度均有较大优势,且收敛稳定性更好,应用IBOA作为MPPT算法的光伏电站能够更好地适应复杂多变的光照环境。

4 结束语

为了解决复杂多变光照环境下光伏阵列输出功率多峰值问题,本文提出了一种基于改进蝴蝶优化算法的MPPT控制策略。通过混沌映射改善种群初始分布,引入动态感觉因子和levy飞行策略优化算法的收敛能力,通过与传统蝴蝶优化算法、粒子群算法、扰动观察法对比,改进蝴蝶优化算法能准确地搜索到最大功率点,且在收敛速度和收敛精度方面有很大的优势,在复杂的多变的光照环境中均能可靠收敛,且保持较好的收敛稳定性。