局部陰影下農業光伏系統MPPT算法研究綜述

高迎迎，朱 武

（上海電力大學 電子與信息工程學院，上海 201306）

太陽能是一種新的清潔能源，具有成本低、分布廣泛等優點。農業光伏發電系統將太陽能轉換為電能為現代農業提供電源支持，已經廣泛應用在光伏農業大棚等現代農業設施中，對建設綠色能源體系、響應“雙碳”目標具有重要的現實意義[1]。

提高發電效率是促進農業光伏系統發展的關鍵點[2]。采用最大功率點跟蹤技術（Maximum Power Point Tracking，MPPT），即通過實時控制光伏陣列的輸出電壓或電流來調節阻抗變換器的占空比，使得外部電路等效阻抗等于光伏陣列阻抗，調整光伏陣列的工作點，使光伏系統始終以最大功率輸出[3]。但在實際應用中，農業光伏發電系統大都建于室外，光伏陣列易受到云層、高樓和沙土等陰影遮擋，光伏陣列的輸出特性曲線具有多峰值特性，固定電壓法（CVT）、擾動觀察法（P&Q）和增量電導法（INC）等傳統單峰值算法控制原理簡單，易陷入局部最優值，傳統的單峰值MPPT算法不再適用。

因此，局部陰影條件下的光伏陣列最大功率跟蹤控制（MPPT）問題成為農業光伏發電技術進一步發展的關鍵問題。研究一種追蹤速度快、尋優精度高的MPPT算法對于提高農業光伏系統的發電效率、降低發電成本、改善生態環境具有重要的作用。

1 最大功率點跟蹤控制原理

光伏陣列具有強烈的非線性特征，當外界的光照或溫度發生變化時，光伏陣列的輸出最大功率點也隨之改變，針對不同的工作條件，通過控制算法實時調節陣列的工作電壓，使光伏發電系統始終以最大功率輸出，這就是最大功率點跟蹤技術（MPPT）。以3×1光伏陣列為例，光伏發電系統等效結構圖如圖1所示。

圖1 光伏發電系統等效結構圖

MPPT過程實質就是陣列與負載之間的阻抗匹配過程[4]。為了調節負載阻抗，提高系統的發電效率，在光伏陣列之后接上DC-DC變換電路，根據DC-DC電路的性質，可以得到式（1）所示的陣列內阻與負載電阻之間的比例關系。

其中，D為DC-DC電路的占空比。

最大功率點跟蹤控制原理圖如圖2所示。從圖中可以看出，要想實現最大功率點跟蹤，首先要利用控制算法追蹤到陣列輸出特性曲線上的最大功率點，由最大功率點處電壓和電流的比值得到阻抗的匹配值，然后根據式（1）調整DC-DC電路的占空比D，使陣列內阻等于負載電阻，即可實現阻抗的動態匹配，使光伏發電系統工作在最大功率點。

圖2 最大功率點跟蹤控制原理圖

2 傳統單峰值MPPT算法

2.1 恒定電壓法

恒定電壓法是最早提出的一種簡單的MPPT算法，是一種開環控制方法。溫度相同時，不同光照強度對應特性曲線的最大功率點幾乎在同一條直線上，且近似垂直于電壓軸。因此，光照強度改變時，最大功率點對應的電壓基本不變，故可將光伏陣列最大功率點處的工作電壓設為定值，當系統工作在該電壓時，輸出功率近似于最大功率。

恒定電壓法的最大優點是控制原理簡單，最大工作點電壓設為定值，不受光照強度變化的影響。但也存在以下不足：

（1）恒定電壓法忽略了光照強度及溫度變化對輸出曲線上最大功率點電壓的影響，造成光照強度變化較大時，誤差也增大，追蹤精度不高；

（2）當輸出特性曲線有多個峰值點時，恒定電壓法難以跳出局部最優，發電效率降低。

2.2 擾動觀察法

擾動觀察法是應用較廣泛的一種單峰值算法，在均勻光照條件下，陣列的P-U特性曲線只有一個峰值點，通過擾動觀察法追蹤MPP的工作原理為：引入一個很小的電壓擾動，計算擾動后的輸出功率，再與擾動前的輸出功率作比較，如果輸出功率增加，則表示擾動方向正確，最大功率點在當前工作點的右側，繼續向該方向施加擾動電壓；如果輸出功率減小，則表示擾動方向錯誤，最大功率點在當前工作點的左側，則選擇反方向繼續施加擾動。如此循環，直至工作點到達最大功率點附近的一個很小的區間里。

相比于恒定電壓法，擾動觀察法的尋優精度更高，功率損失更小，但也只能適用于均勻光照下的最大功率點追蹤。

2.3 電導增量法

電導增量法通過比較光伏陣列的電導增量和瞬時電導來實現最大功率點跟蹤，減少了輸出功率的穩態振蕩，但算法的計算量大，對傳感器要求也很高，增加了硬件成本，也不能解決陰影遮擋下的多峰值尋優問題。

文獻[5]為了提高電導增量法的追蹤速度，提出了一種新型變步長電導增量法，先利用恒定電壓法快速定位到最大功率點附近，再采用反余弦函數變系數法自適應調整步長，使系統穩定運行在最大功率點。

3 局部陰影下MPPT智能算法

應用于局部陰影下的新型多峰值MPPT控制算法，主要包括以粒子群算法、神經網絡算法為主的群體優化算法，和以螢火蟲算法、細菌覓食算法為主的生物啟發式算法。

3.1 粒子群算法

粒子群算法（PSO）是模擬鳥類捕食的一種群體優化算法，通過粒子不斷移動來靠近最優解。粒子群算法因其尋優速度快、適用性強被廣泛應用在最大功率點跟蹤控制中，但該算法存在易陷入局部最優、輸出功率振蕩等缺陷。

許多學者對粒子群算法做出了改進，文獻[6]在跟蹤過程中，根據粒子與群體最優位置的距離不斷調整權重因子和認知加速度系數，加快了算法的收斂速度，減少了功率振蕩；文獻[7]在搜索前期引入混沌序列來初始化粒子位置，搜索后期采用自適應精英策略，追蹤速度得到了提升；文獻[8]將粒子群算法和擾動觀察法結合起來，利用擾動觀察法快速尋優，定位到最大功率點附近，再引入自適應慣性權重對粒子群算法改進，進行二次尋優，具有較快的尋優速度和良好的穩定性。

3.2 神經網絡算法

神經網絡算法將光伏系統的光照強度、溫度和時間作為已知量進行學習訓練，在訓練的過程中不斷修正參數，最終達到最優解。

文獻[9]采用一種改進的局部反饋神經網絡算法，采用智能水滴算法優化權重和閾值，相比于傳統算法，追蹤速度更快，準確度更高；文獻[10]提出了一種基于RBF神經網絡的MPPT算法，光伏陣列的輸出電壓和電流作為輸入層，通過輸出層調節DC-DC變換電路的占空比，使電路滿足最大功率傳輸，有效地提高了光伏利用效率。

3.3 螢火蟲算法

螢火蟲算法是模擬自然界螢火蟲社會行為的啟發性算法，通過學習螢火蟲群體交流與協作，不斷向更好的位置移動，來達到全局尋優。

文獻[11]對傳統螢火蟲算法進行改進，通過建立疫苗庫縮小初始種群的分布范圍，利用疫苗補充及時排除不良個體，縮短了收斂時間，提升了算法的穩態性能；文獻[12]采用模糊控制器自適應調節移動步長，兼顧了算法的快速性和準確度，使光伏系統以最大功率輸出。

3.4 細菌覓食算法

細菌覓食算法（BFA）在2002年由K.M.Passino提出，是一種新型的仿生智能算法。細菌覓食算法模擬了人體內大腸桿菌的覓食行為，將所有細菌構成一個解空間，每個細菌代表問題的一個解，通過對細菌循環執行趨化、復制和遷移3種操作在解空間中找到最優解。

細菌覓食算法具有良好的全局尋優性能，輸出功率穩定，動態響應能力強，但也存在響應速度慢、易陷于局部極值等不足。文獻[13]針對細菌覓食算法收斂速度慢的問題，首先根據陰影遮擋情況縮小搜索空間，再跟蹤最大功率點，提高了算法的動態響應能力；文獻[14]采用了自適應游動步長和自適應驅散概率，提高了算法的全局搜索能力，輸出功率穩定性更好。

4 結束語

針對農業光伏發電系統發電效率不高、陰影遮擋情況下傳統算法難以追蹤到最大功率點的問題，總結分析了現有的多峰值MPPT算法。首先，分析了最大功率點跟蹤控制原理，闡述了農業光伏系統中最大功率點追蹤控制流程，然后，分析了傳統的單峰值算法工作原理及其優缺點，總結了常用的幾種多峰值智能MPPT算法及其改進方法，這些算法能夠快速、準確地追蹤到全局最優值點，有效地提高農業光伏系統的光伏利用率。