一种基于智能预测的光伏多峰值最大功率点跟踪方法技术

本发明专利技术涉及一种基于智能预测的光伏多峰值最大功率点跟踪方法，包括以下步骤：S1：结合光伏阵列电流‑电压特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列运动学平抛模型；S2：采用改进的粒子群算法对光伏阵列运动学平抛模型求解实现最大功率预测(简称智能预测)，获取最大功率点和最大功率点处的电压；S3：由于光伏运动学平抛模型是对光伏阵列电流‑电压特性曲线的拟合，而拟合不一定精确，在预测之后再采用电压闭环控制法对最大功率点进行局部跟踪，获取控制信号；S4：采用获取的控制信号控制Boost电路导通和关断，实现光伏阵列最大输出功率的实时控制。与现有技术相比，本发明专利技术具有实现最大功率点全局寻优、提高光伏发电系统的效率等优点。

【技术实现步骤摘要】
一种基于智能预测的光伏多峰值最大功率点跟踪方法
本专利技术涉及光伏发电
，尤其是涉及一种基于智能预测的光伏多峰值最大功率点跟踪方法。
技术介绍
能源在创造新机遇和促进经济增长方面扮演着极其重要的角色，同时世界经济的发展和人口的增长反过来助长了世界能源需求量。我国能源结构的核心问题表现在：一是能源结构以煤为主，在我国一次能源生产与消费构成中，煤炭比例超过2/3；二是石油安全问题日趋显著，到2020年，石油的对外依存度将达到60％，我国能源安全尤其是石油安全问题越来越突出；三是煤烟型污染已经给生态环境带来严重问题，而电力、建材、冶金、化工等能源消费密集的行业又是我国的支柱产业，它们占大气污染的70％以上。由此可见，优化能源结构势在必行，缓慢增添绿色可再生能源的比例，减少化石能源的使用。太阳能光伏发电被认为是当前世界上最具有发展前景的新能源技术，各发达国家均投入巨额资金竞相研究开发，并积极推进产业化进程，大力开拓市场应用。但是光伏发电产业在发展中也遇到了许多问题：(1)光伏电池成本高昂；(2)光电转化效率较低；(3)局部遮挡的危害。最大功率点跟踪是降低发电成本、提高发电效率最直接有效的方法，现有的大部分最大功率点跟踪方法的应用前提都是光伏阵列受到的光照均匀，而忽略了在现实生活中，光伏阵列被遮挡的概率很大。当光伏阵列被局部遮挡时，使得传统的最大功率点跟踪方法容易陷入局部最优难以搜寻到全局最优。扰动观察法和电导增量法是较早应用在光伏发电系统中的最大功率跟踪方法，被称为传统最大功率跟踪方法。扰动观察法控制思路简单，实现较为方便，可实现对最大功率点的跟踪，提高系统的利用效率。但是由于扰动观察法仅以光伏电池前后两次的输出功率为对象进行研究，没有考虑外部环境条件变化对光伏阵列前后两次输出功率的影响，在使用的过程中容易出现方法的“误判”，“误判”增加了跟踪时间，降低了光伏阵列的输出效率，严重时导致跟踪的失效，使该方法不能准确地跟踪到最大输出功率。电导增量法跟踪精度较高，控制效果好，不受功率时间曲线的影响。但该方法对传感器有较高的要求，同时步长的选取也将影响算法的性能，在外界环境条件变化较快的情况下也会出现“误判”。近年来，随着智能算法的不断完善，遗传算法、模糊控制算法和神经网络算法等被引入到光伏发电系统的最大功率跟踪控制中。这些算法的使用，有效地提高了最大功率跟踪的精度，减少了能量损耗。但智能算法往往存在控制参数多，控制思想复杂，对硬件的要求高的缺点，这在一定程度上制约了这些算法的工程实践应用，并且随着光伏阵列的运行环境变得越来越复杂，由于建筑物、树木的遮挡或灰尘等造成光伏阵列表面受到的光照强度不均匀的情况时常发生，此时，光伏阵列的功率-电压特性曲线将出现多个峰值。部分智能算法和传统最大功率跟踪方法一样，缺乏全局寻优的能力，仅仅适用于单峰值最大功率跟踪系统，当对多峰值系统进行跟踪时，会造成跟踪失效。因此，研究一种具有全局寻优特性的最大功率跟踪方法对于提高光伏发电系统的效率十分关键。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于智能预测的光伏多峰值最大功率点跟踪方法。本专利技术的目的可以通过以下技术方案来实现：步骤一、结合光伏阵列I-U特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列的运动学平抛模型。光伏阵列的运动学平抛模型可在任意光照或温度的环境条件下进行光伏阵列建模，并在环境变化时可实现计算修正。当环境变化时，模型的修正公式如下式所示：式中：ΔT为温度的变化量；ΔS为光照强度的变化量；Tref为参考温度，Tref＝25℃；Sref为参考光照强度，Sref＝1000W/m2；Isc为当前光伏电池的短路电流；Uoc为当前光伏电池的开路电压；Im为当前光伏电池的最大电流；Um为当前光伏电池的最大电压；e为自然对数的底数，其值约为2.71828；系数a＝0.0025/℃；系数b＝0.5/(W/m2)；系数c＝0.00288/℃；Iscref为参考光照强度和温度条件下的光伏电池短路电流；Uocref为参考光照强度和温度条件下的光伏电池开路电压；Imref为参考光照强度和温度条件下的光伏电池最大电流；Umref为参考光照强度和温度条件下的光伏电池最大电压。步骤二、采用改进的粒子群算法对光伏阵列的运动学平抛模型进行求解，获取最大功率点及最大功率点处的电压，进而实现一种最大功率的智能预测。对粒子群算法进行的改进包括：(1)粒子编码方式在Bloch球面坐标下，一个点P可由两个角度θ和来确定，量子位用Bloch球面坐标表示为改进PSO算法采用量子位的Bloch球面坐标编码，其编码方式如下式所示：其中，θij＝π×rnd，rnd为[0,1]区间的随机数；i＝1,2…,m；j＝1,2,…n；m是种群规模；n是优化变量的个数。在改进PSO算法中，每个粒子同时占据空间三个位置，即同时代表如下三个优化解，分别称为X解、Y解、Z解。Piz＝(cosθi1,cosθi2,…,cosθin)(2)解空间变换记第i个粒子Pi上第j个量子位的Bloch坐标为[xij,yij,zij]T，优化问题解空间第j维的取值范围为[aj，bj]，则由单位空间In＝[-1,1]n映射到优化解空间的变换公式如下式所示：因此，每个粒子对应优化问题的三个近似解。(3)粒子位置的自适应量子旋转更新本专利技术提出的改进PSO算法与PSO算法相比减少了惯性系数、加速系数等控制参数，利用自适应量子旋转门H调整量子比特的两个相位参数θ和以实现粒子位置的更新。自适应量子旋转门如下式所示：式中，H表示自适应量子旋转门。更新公式如下式所示：其中，自适应量子旋转角αi如下式所示：式中：αmin是最小旋转角；αmax是最大旋转角；fi是当前第i个粒子的适应值；fmin是当前代粒子中的最小适应值；fmax是当前代粒子中的最大适应值；gen是当前的迭代次数；maxgen是算法设置的最大迭代次数。(4)粒子位置的变异在改进PSO算法中通过量子非门实现变异操作。该变异实际是量子位沿Bloch球面的一种幅度较大的旋转，对于第j个量子位，转角大小为Δθij＝π/2-2θij，步骤三、根据当前的光伏阵列对最大功率控制的要求，采用电压闭环控制法对最大功率点进行寻优，获取相应的控制信号。该方法采用电压闭环控制法对预测到的电压进行补偿，该方法的具体内容为：将预测到的最大功率点处的电压与光伏阵列的实际电压做差值，通过电压闭环产生修正值，用该修正值对预测到的电压进行补偿，具体包括：301)对预测得到的最大功率点处的电压与光伏阵列的实际电压做差值，并将该差值与上一时刻的差值比较，获取控制量；302)将获取的控制量与定步长相乘，将得到的乘积与三角波信号进行比较，获取控制信号，对最大功率进行跟踪，保证稳定的稳态功率输出，提高光伏阵列发电效率。优选地，所述的定步长为0.01。步骤四、利用获取的控制信号控制Boost电路的导通和关断，从而使外部电路的等效电阻实时等于光伏阵列的内阻，在任意条件下做到光伏发电系统的内外阻抗匹配，实现光伏阵列最大输出功率的实时控制。与现有技术相比，本专利技术具有以下优点：一、本专利技术建立了光伏阵列运动学平抛模型，该模型可以进行任意光照或温度的环境条件下光伏阵列的建模，且该模型本文档来自技高网...

【技术保护点】
1.一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，该方法包括以下步骤：S1：结合光伏阵列电流‑电压特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列运动学平抛模型；S2：采用改进的粒子群算法对光伏阵列运动学平抛模型进行求解，实现最大功率预测，获取最大功率点及最大功率点处的电压；S3：采用电压闭环控制法对预测到的最大功率点进行局部跟踪，获取控制信号；S4：根据获取的控制信号控制Boost电路导通和关断，实现光伏阵列最大输出功率的实时控制。

【技术特征摘要】
1.一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，该方法包括以下步骤：S1：结合光伏阵列电流-电压特性曲线和质点平抛运动轨迹的相似性，构建光伏阵列运动学平抛模型；S2：采用改进的粒子群算法对光伏阵列运动学平抛模型进行求解，实现最大功率预测，获取最大功率点及最大功率点处的电压；S3：采用电压闭环控制法对预测到的最大功率点进行局部跟踪，获取控制信号；S4：根据获取的控制信号控制Boost电路导通和关断，实现光伏阵列最大输出功率的实时控制。2.根据权利要求1所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤S1中，光伏阵列运动学平抛模型的表达式为：式中：Isc为当前光伏电池的短路电流，Uoc为当前光伏电池的开路电压，Im为当前光伏电池的最大电流，Um为当前光伏电池的最大电压，其中：式中：Isc为当前光伏电池的短路电流，Uoc为当前光伏电池的开路电压，Im为当前光伏电池的最大电流，Um为当前光伏电池的最大电压；当外界环境变化时，模型的修正公式为：式中：ΔT为温度的变化量，ΔS为光照强度的变化量，Tref为参考温度，Tref＝25℃，Sref为参考光照强度，Sref＝1000W/m2，Isc为当前光伏电池的短路电流，Uoc为当前光伏电池的开路电压，Im为当前光伏电池的最大电流，Um为当前光伏电池的最大电压，e为自然对数的底数，其值约为2.71828，a、b、c为系数，Iscref为参考光照强度和温度条件下的光伏电池短路电流，Uocref为参考光照强度和温度条件下的光伏电池开路电压，Imref为参考光照强度和温度条件下的光伏电池最大电流，Umref为参考光照强度和温度条件下的光伏电池最大电压。3.根据权利要求2所述的一种基于智能预测的光伏多峰值最大功率点跟踪方法，其特征在于，步骤S2中，采用改进的粒子群算法对光伏阵列运动学平抛模型求解的具体步骤包括：201)设置算法参数并初始化粒子种群，初始化粒子相位，每个粒子包含有三个位置的信息，以及粒子的编码和解空间变换，该粒子为光伏阵列的电压；202)以光伏阵列模型的输出功率作为适应度函数，计算各粒子适应度值并评价；203)根据粒子的适应度值更新自身和全局最优相位；204)利用自适应量子旋转门调整量子比特的相位参数θ和实现粒子的位置更新，并将其映射到解空间；205)计算各粒子适应度值并评价，根据粒子的适应度更新自身和全局最优相位；206)选择当代最优解并保存，判断是否达到最大迭代次数，若未达到，转至步骤207)，若达到，转至步骤20...

【专利技术属性】
技术研发人员：于艾清，屠亚南，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31