基于多策略混合改進MVO算法的光伏多峰MPPT研究

摘要 光伏陣列的電功率輸出在局部遮蔭工況下具有多峰特性，且隨外界環境的變化而變化．為實現高效電能輸出，利用多元宇宙優化（MVO）算法在解決低維度、小規模優化問題中的突出優勢進行最大功率點跟蹤（MPPT），并融合多種策略對其存在的缺陷進行改進．采用拉丁超立方抽樣策略初始化宇宙種群，并對按照輪盤賭策略隨機交換的宇宙實施柯西變異，提高宇宙種群的多樣性．同時引入萊維飛行式量子粒子群優化（QPSO）算法，且對蟲洞存在概率及旅行距離率進行自適應調整，以增強算法的全局勘探及局部開發能力．Matlab仿真結果表明，相比其他算法，采用該算法的MPPT時間減少了45％以上，精度亦有所提高，從而具有更優的MPPT性能，可有效提高光伏發電效率．關鍵詞光伏陣列;多峰特性;最大功率點跟蹤;多元宇宙優化;拉丁超立方抽樣策略;柯西變異;萊維飛行;量子粒子群優化

中圖分類號TM912

文獻標志碼A

0引言

光伏發電具有清潔低碳、可持續發展、生態效益良好等諸多優點，是促進能源領域碳減排的重要措施，也是構建新型電力系統、實現“碳達峰、碳中和”的重要抓手［1-2］．而作為光伏發電中進行光電能量轉換的重要裝置，光伏陣列的電功率輸出不僅受外界環境中溫度、光照強度等因素的影響，而且與自身輸出電壓呈非線性變化特征，因此需要實施最大功率點跟蹤（Maximum Power Point Tracking，MPPT）以實現電能輸出最大化［3］．由于光伏陣列通常裝設在室外，異物附著、建筑物或云層遮擋等造成的局部遮蔭工況時有發生，導致光伏陣列輸出具有多峰特性［4］，使得其對MPPT控制算法要求更高．傳統的恒定電壓法（Constant Voltage，CVT）、擾動觀察法（Disturbance and Observe，P＆O）、電導增量法（Incremental Conductance，INC）均屬于局部優化算法，僅能跟蹤到局部極值功率點，導致跟蹤過程易陷入局部最優，產生電能輸出損失［5-7］．近年來，各種元啟發式優化算法被相繼提出，其中，粒子群優化（Particle Swarm Optimization，PSO）、量子粒子群優化（Quantum Particle Swarm Optimization，QPSO）、灰狼優化（Grey Wolf Optimization，GWO）、模擬退火（Simulated Annealing，SA）、布谷鳥搜索（Cuckoo Search，CS）等算法由于容易實現、可調參數少且具有一定的全局優化能力而被廣泛應用于光伏多峰MPPT控制中［8-12］．但這些算法容易在收斂后期出現波動現象，導致光伏輸出振蕩，跟蹤時間較長，且存在陷入局部功率極值點的風險．文獻［13-16］將局部優化算法與全局優化算法結合，首先分別采用改進PSO、QPSO、GWO、CS等算法進行最大功率點（Maximum Power Point，MPP）全局搜索，然后切換至INC算法進行MPP局部跟蹤，提高了全局優化算法的收斂性，克服了收斂后期的振蕩缺陷，但算法的切換標準過于單一，容易導致MPP全局搜索時間不合理，影響最終的收斂精度及速度.此外，INC算法對硬件電路配置要求較高，將增加系統硬件成本．

多元宇宙優化（Multi-Verse Optimization，MVO）算法是近年來興起的優化算法，它兼有全局優化與局部優化功能，且能平衡全局勘探與局部開發進程，在解決低維度優化問題方面具有突出的優勢．文獻［17］將基本MVO算法應用于MPPT，通過與PSO、GWO等其他算法進行對比，驗證了其具有較突出的優越性．但由于算法本身在種群初始化及迭代過程中存在一定的缺陷，導致宇宙種群的多樣性較差、收斂速度較慢，使光伏陣列存在陷入局部極值點的風險，且MPPT時間較長．文獻［18］采用基于改進多元宇宙優化（Improved Multi-Verse Optimization，IMVO）算法進行MPPT，其在MVO算法基礎上引入螺旋更新及自適應壓縮因子，且改變旅行距離率更新方式，提高了算法的全局搜索能力及迭代后期的收斂速度．通過仿真對比，光伏陣列具有更佳的MPPT性能，但其并沒有克服宇宙種群在迭代前期多樣性較低的缺陷，且螺旋更新算法的收斂性較差，使MPP全局搜索用時較長，同時按照指數規律快速下降的旅行距離率易導致算法早熟，影響MPPT精度．

本文提出多策略混合改進MVO算法，以進一步提高光伏多峰MPPT性能．一方面，利用拉丁超立方抽樣策略對宇宙種群進行初始化，并在光伏陣列MPP全局搜索過程中，將柯西變異引入隨機交換機制中，提高宇宙種群多樣性，防止全局搜索陷入局部最優，同時對部分宇宙采用萊維飛行式量子粒子群優化算法進行迭代更新，加快搜索速度，提高MPP全局搜索能力;另一方面，對MVO算法中的蟲洞存在概率及旅行距離率進行自適應調整，提高MPP局部跟蹤能力．最后，通過Matlab仿真驗證該算法的優越性，并給出相關結論．

1光伏陣列數學模型及輸出特性

光伏陣列是由多個相同型號的光伏組件經串行、并行聯結后構成的．作為光伏陣列的基本組成單元，光伏組件的工程用數學模型［19］為

由圖1可知，在局部遮蔭工況下，光伏陣列輸出具有多峰特性，即在固定工況下，光伏陣列P-U輸出曲線有多個局部極值點，但僅有唯一的MPP，且當其運行工況發生變化時，MPP亦隨之變化．

2MPPT算法

由第一部分分析可知，要實現MPPT，就需要調節輸出電壓，使其在整個可行域內搜索MPP，且當運行工況發生變化時，需重啟MPP搜索，以便實時跟蹤至當前工況下的MPP．通常將光伏陣列的輸出連接至Boost電路進行調理，通過改變Boost電路中電子開關管的占空比來調節光伏陣列的輸出電壓，最終完成MPPT［20］．因此，光伏陣列MPPT實際上是一個以占空比為變量、以最大功率輸出為目標的優化過程，要實現高效MPPT，需采取合適的優化算法．

2.1基本MVO算法

MVO算法是一種基于物理學中多元宇宙理論的新興群智能優化算法，它將優化問題的解轉變為宇宙中的多元體系，將目標優化值視為宇宙膨脹率，通過模擬多元宇宙種群在白洞、黑洞及蟲洞三者共同作用下的運動行為建立數學模型，經宇宙種群的演變求取最優解［21］，在解決低維度、小規模優化問題中具有突出的優勢．將宇宙種群U記為

2.2多策略混合改進MVO算法

由基本MVO算法的優化過程可知，它采用不同的機制進行最優宇宙的全局勘探和局部開發，因此優化性能較好．但對其數學模型進行分析可知，存在以下4方面的缺陷：

1）宇宙種群的尋優效果對初始參數敏感，而算法本身的初始化缺乏一定的約束機制，通常采取隨機性初始化策略，容易導致種群在迭代初期遍歷性較差，影響宇宙種群的多樣性及尋優性能．

2）在迭代初期，宇宙種群較分散，膨脹率差異較大，則各宇宙通過輪盤賭策略選擇交換的白洞基本上為當代同一個最優宇宙，導致宇宙種群同質化，大大降低了種群多樣性，容易使種群迭代陷入局部最優．

3）依據宇宙膨脹率或蟲洞存在概率選擇性地實現了部分宇宙的變遷，但未被選中的其他宇宙則不參與任何迭代更新，則該部分宇宙沒有發揮尋優作用，降低了算法的尋優能力．

4）各宇宙的蟲洞存在概率及旅行距離率僅受迭代次數的影響，而與其迭代進程及種群當前的狀態不發生關聯，導致參與蟲洞穿越的宇宙數量及宇宙搜索范圍均無法進行自適應調整，影響尋優性能．

基于此，本文在基本MVO算法基礎上進行以下改進：

對圖3分析可知：在宇宙種群迭代初期，η緩慢減小，使變異量能夠在較長時間內保持較大幅值，便于宇宙種群進行全局勘探;隨著迭代的進行，η快速減小，便于算法加速收斂，加快尋優進程;而在迭代后期，η再次緩慢減小，并在較長時間內保持較小值，便于宇宙種群的局部開發．

3）對于未被選擇實施物質交換及蟲洞穿越的宇宙，引入量子粒子群優化（QPSO）算法進行迭代更新．其中，QPSO是一種基于量子力學理論的全局優化算法，通過模擬量子概率化的隨機運動特性建立δ勢阱模型，并通過量子波函數計算各粒子的概率密度函數，最后采用蒙特卡羅模擬算法求解各粒子位置［9］．文獻［22］進一步提出了慣性權重自適應調整量子粒子群優化（Dynamically Changing Weights Quantum-behaved Particle Swarm Optimization，DCWQPSO）算法以提高其優化性能．采用DCWQPSO算法對宇宙進行迭代更新的算子為

2.3算法的MPPT應用

3Matlab仿真及分析

3.1建立仿真模型

3.2仿真結果及分析

4結論

本文針對光伏陣列在局部遮蔭工況下MPPT問題，在分析其多峰輸出特性基礎上，提出了基于多策略混合改進MVO的控制算法．首先采用拉丁超立方抽樣策略初始化宇宙種群，而后在MVO算法中引入柯西變異，并采用萊維飛行式QPSO算法對未參與遷移過程的宇宙進行補充優化，同時按照宇宙種群進化過程對MVO算法中的蟲洞存在概率及旅行距離率參數進行自適應調整，以提高光伏陣列MPPT性能，最后利用Matlab仿真進行光伏陣列MPPT的啟動測試及光照變化測試，并與其他算法進行仿真結果的對比分析，由分析結果可得到以下主要結論：

1）本文算法可使光伏陣列輸出避免陷入局部極值功率點，并最終收斂至MPP，可滿足光伏多峰MPPT控制需求;

2）相對其他算法，本文算法的MPPT時間縮短了45％以上，跟蹤速度更快，且跟蹤精度更高，故具有相對突出的優越性，可有效提高光伏陣列發電效率．

參考文獻

References

［1］張和平.雙碳背景下新能源技術發展現狀及展望［J］.現代化工，2022，42（8）：7-9ZHANG Heping.Prospect of new energy technology under “carbon peak and carbon neutralization”［J］.Modern Chemical Industry，2022，42（8）：7-9

［2］苗青青，石春艷，張香平.碳中和目標下的光伏發電技術［J］.化工進展，2022，41（3）：1125-1131MIAO Qingqing，SHI Chunyan，ZHANG Xiangping.Photovoltaic technology under carbon neutrality［J］.Chemical Industry and Engineering Progress，2022，41（3）：1125-1131

［3］陳佳凝，魏霞，王維慶.基于多工況的光伏陣列的建模及輸出特性分析［J］.電源技術，2022，46（9）：1038-1042CHEN Jianing，WEI Xia，WANG Weiqing.Modeling and output characteristic analysis of photovoltaic array based on multiple working conditions［J］.Chinese Journal of Power Sources，2022，46（9）：1038-1042

［4］章文龍，肖文波，郁紀，等.局部遮蔭下12種光伏陣列結構的輸出特性研究［J］.實驗技術與管理，2022，39（3）：70-79ZHANG Wenlong，XIAO Wenbo，YU Ji，et al.Research on output characteristics of twelve photovoltaic array structures under partial shading［J］.Experimental Technology and Management，2022，39（3）：70-79

［5］花赟昊，朱武，郭啟明.光伏發電系統MPPT算法研究綜述［J］.電源技術，2020，44（12）：1855-1858HUA Yunhao，ZHU Wu，GUO Qiming.Review of MPPT algorithm of photovoltaic power generation system［J］.Chinese Journal of Power Sources，2020，44（12）：1855-1858

［6］周睿，徐良，劉文浩，等.基于改進擾動觀察法的光伏MPPT控制算法研究［J］.電源技術，2023，47（3）：388-392ZHOU Rui，XU Liang，LIU Wenhao，et al.Research on MPPT algorithm based on improved perturbation and observation method［J］.Chinese Journal of Power Sources，2023，47（3）：388-392

［7］張東寧.基于改進電導增量法的光伏最大功率點跟蹤策略研究［J］.太陽能學報，2022，43（8）：82-90ZHANG Dongning.Research on photovoltaic maximum power point tracking strategy based on improved conductance increment method［J］.Acta Energiae Solaris Sinica，2022，43（8）：82-90

［8］姜萍，欒艷軍，張偉，等.局部遮陰下基于改進PSO的多峰值MPPT研究［J］.太陽能學報，2021，42（8）：140-145JIANG Ping，LUAN Yanjun，ZHANG Wei，et al.Research of mult-peak MPPT under partial shaded conditions based on improved PSO algorithm［J］.Acta Energiae Solaris Sinica，2021，42（8）：140-145

［9］房俊龍，張衛丹，宋朝，等.基于QPSO的MPPT控制研究［J］.電氣傳動，2019，49（11）：88-91FANG Junlong，ZHANG Weidan，SONG Chao，et al.Research on MPPT control based on QPSO［J］.Electric Drive，2019，49（11）：88-91

［10］毛明軒，許釗，崔立闖，等.基于改進灰狼優化算法的光伏陣列多峰MPPT研究［J］.太陽能學報，2023，44（3）：450-456MAO Mingxuan，XU Zhao，CUI Lichuang，et al.Research on multi-peak MPPT of photovoltaic array based on modified gray wolf optimization algorithm［J］.Acta Energiae Solaris Sinica，2023，44（3）：450-456

［11］岳有軍，成亞東，趙輝，等.基于退火算法優化的PSO-PID光伏MPPT［J］.電源技術，2023，47（5）：678-681YUE Youjun，CHENG Yadong，ZHAO Hui，et al.PSO-PID photovoltaic MPPT based on annealing algorithm optimization［J］.Chinese Journal of Power Sources，2023，47（5）：678-681

［12］馬永翔，王雨陽，閆群民，等.基于CSA算法的光伏陣列多峰最大功率跟蹤研究［J］.電源技術，2021，45（1）：51-55MA Yongxiang，WANG Yuyang，YAN Qunmin，et al.Research on multi-peak maximum power tracking of photovoltaic array based on CSA［J］.Chinese Journal of Power Sources，2021，45（1）：51-55

［13］徐建國，王海新，沈建新.基于電導增量法與改進粒子群算法混合控制的最大功率點跟蹤策略［J］.可再生能源，2019，37（6）：824-831XU Jianguo，WANG Haixin，SHEN Jianxin.The hybrid control maximum power point tracking （MPPT） strategy based on incremental conductance method and improved particle swarm optimization algorithm［J］.Renewable Energy Resources，2019，37（6）：824-831

［14］張奕楠.基于改進量子粒子群的光伏多峰MPPT研究［D］.天津：河北工業大學，2020ZHANG Yinan.Study of photovoltaic multimodal maximum power point tracking based on improved quantum particle swarm optimization［D］.Tianjin：Hebei University of Technology，2020

［15］王金玉，苗飛祥，董秀波.基于灰狼＆電導增量的局部遮陰下光伏最大功率跟蹤［J］.電氣自動化，2023，45（3）：37-39WANG Jinyu，MIAO Feixiang，DONG Xiubo.Photovoltaic maximum power point tracking control under local shading based on gray wolf algorithm ＆ conductance increment［J］.Electrical Automation，2023，45（3）：37-39

［16］朱娟娟，劉新宇，閆群民，等.基于ICS-INC的局部陰影下光伏最大功率點追蹤研究［J］.陜西科技大學學報，2023，41（2）：184-190ZHU Juanjuan，LIU Xinyu，YAN Qunmin，et al.Research on photovoltaic maximum power point tracking under local shadow based on ICS-INC［J］.Journal of Shaanxi Universityof Science ＆ Technology，2023，41（2）：184-190

［17］李大虎，周泓宇，周悅，等.基于多元宇宙優化算法的混合光伏-溫差系統MPPT設計［J］.中國電力，2023，56（11）：197-205LI Dahu，ZHOU Hongyu，ZHOU Yue，et al.Multi-verse optimization based MPPT design of hybrid PV-TEG systems under partial shading condition［J］.Electric Power，2023，56（11）：197-205

［18］吳忠強，曹碧蓮，侯林成，等.基于改進多元宇宙優化算法的光伏系統最大功率點跟蹤［J］.電子與信息學報，2021，43（12）：3735-3742WU Zhongqiang，CAO Bilian，HOU Lincheng，et al.Maximum power point tracking for photovoltaic system based on improved multi-verse optimization［J］.Journal of Electronics ＆ Information Technology，2021，43（12）：3735-3742

［19］蘇建徽，余世杰，趙為，等.硅太陽電池工程用數學模型［J］.太陽能學報，2001，22（4）：409-412SU Jianhui，YU Shijie，ZHAO Wei，et al.Investigation on engineering analytical model of silicon solar cells［J］.Acta Energiae Solaris Sinica，2001，22（4）：409-412

［20］劉建成.局部陰影條件下光伏陣列MPPT模糊控制最優算法［J］.南京信息工程大學學報（自然科學版），2018，10（4）：473-479LIU Jiancheng.Optimal fuzzy control for MPPT of photovoltaic array under partial shadow conditions［J］.Journal of Nanjing University of Information Science ＆ Technology （Natural Science Edition），2018，10（4）：473-479

［21］Mirjalili S，Mirjalili S M，Hatamlou A.Multi-verse optimizer：a nature-inspired algorithm for global optimization［J］.Neural Computing and Applications，2016，27（2）：495-513

［22］黃澤霞，俞攸紅，黃德才.慣性權自適應調整的量子粒子群優化算法［J］.上海交通大學學報，2012，46（2）：228-232HUANG Zexia，YU Youhong，HUANG Decai.Quantum-behaved particle swarm algorithm with self-adapting adjustment of inertia weight［J］.Journal of Shanghai Jiao Tong University，2012，46（2）：228-232

Photovoltaic multi-peak MPPT via multi-strategy hybrid improved MVO algorithmFANG Shengli ZHU Xiaoliang MA Chunyan HOU Maojun

1College of Electrical and Information Engineering，Hubei University of Automotive Technology，Shiyan 442002，China

2Shiyan Juneng Power Design Co.，Ltd.，Shiyan 442000，China

AbstractThe electric power output of photovoltaic array exhibits multi-peak characteristics under partial shading conditions，and changes with the external environment.To achieve efficient power output，the Multi-Verse Optimization （MVO） algorithm，which has outstanding advantages in solving low dimensional and small-scale optimization problems，is exploited to carry out Maximum Power Point Tracking （MPPT），and multiple strategies are integrated to address its defects.Then Latin hypercube sampling is used to initialize the universe population，and Cauchy mutation is carried out on the universe randomly swapped according to roulette strategy，thus increasing the diversity of the universe population.Meanwhile，the Levy flight Quantum Particle Swarm Optimization （QPSO） algorithm is introduced，and the wormhole existence probability and travel distance rate are adaptively adjusted to enhance the global exploration and local development capabilities of the algorithm.Simulation on Matlab shows that the proposed approach reduces MPPT time by more than 45％ and improves MPPT accuracy，indicating its better MPPT performance to improve the photovoltaic power generation efficiency.

Key wordsphotovoltaic array;multi-peak characteristics;maximum power point tracking （MPPT）;multi-verse optimizer;Latin hypercube sampling strategy;Cauchy mutation;Levy flight;quantum particle swarm optimization （QPSO）