英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
局部阴影和负载变化下的SEPIC光伏系统基于改进的差分进化的MPPT算法
Kok soon Tey
2017年7月6日收到稿件；2017年12月11日审校；2017年12月31日受理。发布日期：2018年1月15日；当前版本发布日期：2018年10月3日。
摘要—光伏阵列可能受局部阴影条件的影响具有多个最大功率点(MPP)，常规算法无法准确跟踪全局最大功率点(GMPP)。因此，本文提出了一种改进的跟踪GMPP的全局搜索空间差分进化算法。该算法的主要贡献如下:跟踪GMPP的能力和对负载变化的快速响应；通过使用单端初级电感式转换器实现该优化算法，可以在较大的工作区域内搜索GMPP。因为必须在算法中设置较少的参数，所以易于调整。这个系统首先在PSIM中进行模拟以确保其功能。通过物理操作和实验验证了该方法的可行性。结果表明，该算法具有在2s内跟踪GMPP的能力，精度力99%,并能在0.1S内响应负载变化。
索引词—差分进化，dc-dc转换器，最大功率点跟踪(MPPT),局部阴影，光伏(PV)阵列系统，单端初级电感式转换器。
1.介绍
温室效应现象敦促我们使用可再生能源来代替传统的化石燃料发电。在可用的可再生能源发电技术中，太阳能光伏(PV)阵列已被广泛采用[1]，因为太阳能很容易获取、清洁、并且光伏技术要求的维护成本较低[2]。然而，一些问题阻碍了光伏系统的进一步采用，例如取决于天气的太阳辐射强度[3]。为了使这些挑战的影响降到最小，确保光伏系统在给定的天气情况下能够提供最大限度地能量尤为重要。因此，最大功率点跟踪(MPPT)在此过程中扮演者至关重要的角色[4]。
已经提出了许多用于MPPT的技术，包括扰动观察法（Pamp;O）[5]，[6]，增量电导(Inc Cond)[7]，[8]，模糊逻辑[9]，[10]和神经网络[11]。这些技术基本上是在本地搜索内搜索最大功率点(MPP)。限于相对较小的区域，这意味着这些方法仅适用于均匀日光照射下的MPP,其中功率电压(PV)曲线上只有一个峰值代表PV阵列的输出。在部分阴影或其他非均匀日光照射条件下，整个P-V曲线可能会出现多个峰值[12]。MPPT技术，例如上面提到的仅限于本地搜索MPP的那些，它们只能识别一个峰，而不能识别代表整体最大功率点(GMPP)的整体峰。
为了解决上述问题，提出了对常规MPPT技术的修改。在[13]中，使用Pamp;O算法将DCDC转换器的占空比从一个极端扰动到另一个极端，并记录了所有功率点。比较记录的功率点以确定MPP，并进行摄动以使pv系统的工作点移向GMPP。但是，占空比从一个极端到另一个极端的扰动过程需要很长的处理时间。为了提供更快的搜索过程，Tat Luat和Kay-Soon[14]引入了分割矩形(DIRECT)算法，该算法使用分割过程选择探测范围或搜索区域。该算法无需搜索整个p-v曲线，并且所需的搜索时间更少。但是，如果未正确选择探测范围，则可能会出现误差。文献[15]中的方法使用线性方程式来确定PV曲线上是否存在多个峰。如果出现多个峰，则该方程式允许常规的电导增量法在具有GMPP的位置中进行搜索。此算法需要将线性方程设置为较高的精确度，以确保GMPP的搜索位于P-V曲线的正确区域中。
图1：光伏系统方程图
最近几年，在光伏系统中引入了MPPT优化算法[16]。优化算法的随机特性使MPP的搜索可以在P-V曲线的整个区域中随机执行，因此它具有跟踪GMPP的能力。在[17]中，粒子群优化算法(PSO)用于跟踪GMPP。在此过程中，首先将一些粒子初始化为搜索粒子。在每次迭代中，使用定位函数将粒子收敛到GMPP，并在满足指定条件时终止搜索过程。这种方法提供了跟踪GMPP的能力，但是使用速率需要适当设置三个参数(惯性权重和两个加速度系数)以确保精确跟踪。
在上述方法中，基于PSO的方法[17]在跟踪GMPP方面已显示出最高的准确性。因此，本文介绍了一种使用称为改进的差分进化(DE)的优化算法来跟踪GMPP的方法。与PSO不同，在DE中仅需要设置两个参数，从而降低了调整所需参数以实现精确MPPT的复杂性。由于跟踪时间对MPPT控制器很重要，因此在改进的DE算法中引入了收敛性，以使每次迭代中的搜索都收敛于最佳粒子。为了进一步减少跟踪时间，跟踪过程开始之前比较供体和试验矢量。因此，改进的DE算法能够快速跟踪GMPP。此外，改进的算法可以快速响应负载变化，最终减少了p-V阵列输出处的不良波动。.
用于从连接的光伏阵列中提取能量的dc-dc转换器是光伏系统的另一个重要组件。在跟踪过程中,MPPT控制器更改DC-DC转换器的占空比，以确保从PV阵列中提取最大功率。本研究中，基于DE的方法表示为单端初级电感转换器(SEPIC)，如图1所示。
本文的结构如下:首先，在第二部分讨论了在部分阴影条件下的光伏阵列的特性。然后，在第三节中讨论了DC-DC转换器选择的重要性。第四节介绍了所提出的改进之后的DE算法。然后，分别在第五节和第六节中介绍了仿真和实验验证。最后，第七节总结
图2.(a)串联光伏组件I-V曲线。(b)部分阴影光伏组件。
II. 部分阴影条件下的光伏阵列
PV模块由串联连接的PV电池组成，并且串联连接的电池组组组并联连接。光伏组件可以进一步串联和并联在一起以获得所需容量的光伏阵列[18]。图2（a）显示了两个串联连接的PV模块的电流-电压（IV）曲线，其中一个模块被部分阴影显示。如果串联的PV模块在电流Ia的水平下操作，则非阴影模块将在正向偏置区域中操作，而阴影模块将在反向偏执区域中操作。因此，阴影模块将消耗电力而不是供电，散发的热量会永久毁坏模块[19]
为了解决这个问题，旁路二极管应该是添加到光伏模块。此设置如图2(b)所示，其中一半光伏电池串联连接，一个旁路二极管并联连接。如P-V曲线所示，如果它在电流IA下工作，则指向A点。当PV模块在电流IB下工作时，它在P-V曲线的B点工作，对于工作点A和B，阴影的PV电池被反向偏置是，电流流过旁路二极管。在这种情况下，光伏电池对光伏模块的输出功率无贡献，在点C（电流水平IC），两个串联的PV电池均被正向偏置。因此，从所有PV电池产生电力。因此，由于存在旁路二极管，部分阴影的模块在P-V曲线中具有多个峰。
传统的MPPT技术（例如Inc Cond和Pamp;O）开始在P–V曲线的选定区域中搜索。如果该区域在C点附近，则这两种技术都将无法定位GMPP（A点），因为一旦到达第一个峰（即C点），它们就会停止搜索。在这种情况下，常规的局部搜索空间MPPT技术不适用于具有部分阴影条件的PV阵列。
III. DC–DC转换器
MPPT控制器的另一个重要元素是连接PV阵列和负载的DC-DC转换器。dc-dc转换器的占空比受到干扰，以通过阻抗匹配将PV阵列的工作点移向GMPP。通常，dc-dc转换器可分为两大类：隔离式和非隔离式dc-dc转换器[20]。隔离转换器的结构比非隔离转换器的结构复杂。因此，提出的方法使用非隔离转换器。存在各种类型的非隔离式DC-DC转换器，包括降压，升压，降压-升压，Cacute;uk和SEPIC转换器。
转换器的工作区域取决于表示转换器的电压和电流行为的方程式；表I列出了每个转换器的这些方程式。转换器输入和输出的阻抗方程式通过将电压方程式除以电流方程式获得。PV阵列的阻抗是转换器的输入阻抗，而负载阻抗是转换器的输出阻抗。因此，输入阻抗Zin必须与MPP处的Zmpp阻抗匹配，以确保PV阵列在MPP处运行。Zmpp表达式为
Zmpp=
如果输出阻抗Zout（即光伏系统的负载）保持恒定，则可以通过在0到1之间改变恒定占空比来改变Zin。但是，降压转换器的阻抗方程式表明，在MPP上工作并不如果Zmpp大于Zout，则可能。结果，如图3(a)所示，存在非工作区域。同时，升压转换器的阻抗方程式表明，如果Zmpp小于Zout，则无法在MPP上工作，如图3(b)所示。这样，如图3(c)所示，由于其没有非工作区域，因此优选能够升压和降压其输出电压的转换器。降压-升压型和Cacute;uk转换器的另一个问题是它们具有反向的输出电压，这可能会影响光伏系统的输出连接和公共接地。这样，对于所提出的系统，使用没有非工作区域并且具有相同输出电压极性的SEPIC。
IV.差分进化算法
DE由Price和Storn于1995年提出，是一种用于全局优化的进化算法[21]。DE非常适合解决不可微，不连续，非线性，嘈杂，平坦，多维或具有许多局部最小值，约束或随机性的问题。因此，可以将DE用于MPPT算法，因为P–V曲线的形状是非线性的并且是未知的，DE的另一个优点是仅需要调整几个参数。需要调整这些参数以确保粒子在每次迭代中都朝着最佳解决方案收敛。
通常，DE在每次迭代中都将目标向量用作总体。如果使用更多的粒子，则搜索空间将更大；但是，收敛速度变慢。因此，对于这个系统，目标向量中仅使用四个粒子。目标矢量等效于转换器占空比，并且每次迭代获得的解均等效于PV阵列的输出功率。
图3.(a)buck变换器的工作区域和非工作区域，(b)升压转换器和(c)buck-boost、crsquo;uk和SEPIC转换器
初始向量种群可以由用户选择或随机生成。为了确保对GMPP的搜索覆盖了P–V曲线的大部分区域，将应用于DC-DC转换器的四个初始目标矢量（占空比）选择为0.2、0.4、0.6和0.8（图4所提出算法的流程图中的框1）。将每个占空比Di,G对应的PV阵列Pi的输出功率记录为解（流程图中框2）。迭代功率最大的解是最佳解Pbest，最佳解对应的占空比是最佳粒子Dbest（流程图中的框3）。
当得到期望的结果时，每次迭代都必须给出一个停止条件来终止DE过程。在该算法在功率Delta;Pi差值小于5%，占空比Delta;Di差值小于0.05的情况下，搜索过程将终止（流程图中的框4）。这个条件对应的是四个粒子相互靠近..如果达到上述条件，则以最佳粒子（最佳占空比）作为dc-dc变换器的占空比获得GMPP（流程图中的框12）。
如果尚未达到终止条件，则进行突变过程以产生供体载体DVi,G。从第一代粒子中随机选择三个目标载体(Dr1,G,Dr2,G,Dr3,G)并使用突变因子进行突变。突变因子F用于加权两个粒子之间的差异，然后将其添加到第三个粒子中，如图（3）所示。这个过程一直持续到所有粒子都发生突变为止，并且通过此过程，所有粒子相互竞争并发生变异，从而成为更好的解决方案。在提出的算法中，突变因子最初设置为0.6。然后，随着迭代次数的增加，变异因子缓慢降低至0.3，以确保更快朝GMPP收敛（流程图中的框5）。
在传统的DE算法中，突变过程中没有收敛方向，粒子之间随机比较[22][24]。这降低了DE的收敛速度算法。因此，在所提出的DE算法中进行了修改，以确保粒子总是被比较并收敛到最佳粒子的位置。如以下等式所示，将粒子Dr1,G与Dbest进行比较：其中F是范围[0，1]内的突变因子。
突变后，产生一个具有四个颗粒的供体载体DVi,G。然后，对DVi,G与目标向量的交叉，以生成试验向量DUi,G。此过程称为交叉并且由（4）定义。将范围[0，1]内的随机数rand与恒定的交叉速率CR进行比较。如果随机数大于CR，则选择供体载体的粒子作为试验载体的粒子。否则，选择目标向量的粒子。在提出的算法中，选择CR为0.67（流程图中的块6）。
在传统的DE算法[22]-[24]中，将试验向量（占空比值DUi,G）应用于DC-DC变换器，得到了试验向量PUi,G的相应解。是PV阵列的输出功率（流程图中的块9）。因此，四个试验向量需要四个周期时间（0.2s）才能得到所有的解PUi,G。然而,DUi,G可能在交叉处理后等于Di,G,因此PUI，G的解也等于Pi,G，这是以前在流程图块2中得到的。因此，对DUi,G和Di,G进行了比较，提出了DE算法（流程图中的块7）。如果两个值相同，则无需将占空比应用于dc-dc转换器即可获得相应的解PUi,G。PUi,G可以直接等于Pi,G（流程图中的框8）。除此之外，DUi,G也可能彼此相等。因此，如果获得了DUi,G的解并且DUi 1,G等于DUi,G，那么PUi 1,G也可以直接等于PUi,G。因此，可以跳过将占空比应用于DC-DC转换器并在下一个采样周期中获得PUi,G的搜索过程，以减少跟踪时间。通过添加此简单步骤，与常规DE算法相比，所提出算法的性能更快。
在获得所有试验向量的解后，将PUi,G与Pi,G进行比较。解决方案更好的DUi,G或Di,G将用作下一代的目标向量，如以下等式所示（流程图中的框10）：
在生成下一代目标向量（流程图中的第11块）之后，整个DE过程重新开始并继续，直到满足终止条件为止，并将Dbest设置为转换器的占空比（流程图中的框12）。然后监测最佳功率点与PV阵列的功率之差|Pbest-PPV|，如果差值大于5%（块13），则太阳强度随时间变化存在负载变化。在传统的DE算法[22]-[26]中，搜索过程将从初始化重新启动（流程图中的块1）。这个当进程再次重新启动时是缓慢的。在所提出的算法中，验证了电压和电流的变化方向，以确定变化是在太阳强度还是在负载方面。如果太阳强度变化，则电压和电流的变化方向相同。相反如果负载变化，电压和电流的变化方向相反。利用这些特性，可以针对太阳强度和负载的变化执行两种不同的方法或响应。
如果太阳强度变化，那么整个搜索过程再次开始跟踪新的GMPP（流程图中的块1）。如果只存在负载变化，但太阳强度保持不变，则可以计算出PV阵列在GMPP下工作的新占空比。表I中SEPIC的阻抗方程可以改写为（6），其中输出阻抗等于连接的负载，输入阻抗相当于光伏阵列输出的阻抗：
跟踪GMPP后，可以存储光伏阵列的占空
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236419]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
