局部遮荫下改进蝴蝶算法的MPPT控制仿真研究.docxVIP

? ? 局部遮荫下改进蝴蝶算法的MPPT控制仿真研究 ? ? 郑旭彬，李梦达，梁智超，姚林萍 (上海电机学院电气学院，上海201306) 1 引言 为了实现“碳中和”[1]目标，国内外研究者秉持绿色环保理念，对风能与光能、潮汐能等清洁能源的发电进行了深入研究。在光伏发电系统中，如何提高光伏发电系统的利用效率与降低成本是当下研究的热门问题。光伏阵列表面会有灰尘或者杂物等，导致输出的功率曲线出现多峰值现象。在这情况下，用扰动观察法(PO)去追踪最大功率时，会追踪不到全局的最大功率点[2]。因此，众多研究者提出基于群体智能MPPT算法去追踪最大功率点。譬如，文献[3]提出基于神经网络的光伏阵列多峰MPPT的研究，虽然能在局部阴影条件下找到全局最大功率点，但其存在实现算法较复杂的问题。文献[4]提出基于粒子群算法的光伏电池MPPT控制策略，虽然其收敛速度与算法比较简单，但其搜索振荡比较大。文献[5]提出一种基于简化蚁群算法的光伏MPPT跟踪控制，虽然其不断迭代更新占空比，从而找到全局最优点，但其实现的硬件比较多，无疑增加了经费支出。 本研究是基于蝴蝶优化算法(BOA)上，并改进BOA算法，从而实现找寻全局最优功率点，高效地将光能转换为电能。相较其它算法，BOA具有结构简单、调试参数少和公式易实现等特点。目前，已经运用在微电网优化调度、参数调节、水质检测等领域[6]。 2 局部遮荫下光伏电池的多峰值输出特性 2.1 一个光伏电池数学模型 光伏电池的等效电路下图1所示。 图1 光伏电池等效电路 由图1可知，流过电阻Rv的电流可有如下式子表示[7]： (1) 依据(1)式可知，Ipv代表光电流；Id代表VD的反向电流；Rv代表等效的串联电阻；Rvh代表等效并联电阻；K代表的是玻尔兹曼系数；T代表的光伏电池工作时候的温度；q代表的是电子电荷量。 2.2 多个光伏电池数学模型 光伏阵列是由多个光伏电池通过串联或者并联方式构成的。以[1×4]光伏阵列为本论文的研究对象，以此开展研究内容。多个光伏电池建模见下图2。 图2 局部遮荫四个参数不相同的串联光伏板 依据式(1)以及光伏板内部参数推得光伏组件输出的功率Ppv以及输出电压Upv的方程式 (2) 式(2)中，Uoc为开路电压的大小；Imp为最大功率点电流；Ump为最大功率点电压。 2.3 多峰值输出特性 表1 模式 本文的光伏阵列模型是以四个光伏电池为基础，并将其串联。其输出的电压与功率的关系如图3所示。依图3所见，在光伏阵列接受着不均匀光照强度时，其功率输出特性曲线是呈现多峰值状态的。若用传统的扰动观察法是追寻不到全局最大功率点，因此本文运用改进蝴蝶MPPT算法去寻优。 图3 光伏阵列仿真模型图 图4 遮荫下功率与电压的输出特性曲线 3 蝴蝶优化算法的改进策略 3.1 传统的蝴蝶优化算法 蝴蝶优化算法[8](BOA)是于2019年被国外的Arora所提出的一种新型智能算法。在飞行时，每只蝴蝶都会产生一定浓度的香味。每只蝴蝶会将自身的香味会传给所有其它的蝴蝶上，并会对周围空气中的香味进行分析和感知，然后慢慢向香味浓度比较高的蝴蝶个体进行靠近，实现了全局搜索，从而找到了最优解。若蝴蝶并不能感知到其它周围的蝴蝶香味，则会随机飞行，实现局部搜索。 蝴蝶产生香味、全局搜索、局部开采的公式如下 f=cIa (3) (4) (5) 3.2 改进的蝴蝶优化算法 3.2.1 正余弦指引机制 在用BOA的MPPT算法时，会有陷入局部最优且寻优震荡大等问题。这是因为蝴蝶间缺少信息交流，使得BOA算法在一开始的收敛速度较慢，对适应度较差的范围内搜索，使BOA陷入局部最优。 为了解决上述问题，本文引入正余弦算法(SCA)[9]。SCA的策略：在迭代时，使得区间内所有的蝴蝶执行正余弦算法步骤，将适应度值较差个体排除，从而加快对蝴蝶最优个体的位置进行更新。其实现公式 (6) (7) 式(7)的d为系数，t为蝴蝶迭代次数；Tmax为蝴蝶种群最大迭代次数。搜索范围会随着蝴蝶种群迭代次数的改变而变小。 3.2.2 收敛因子 针对传统的BOA收敛速度慢问题，引入收敛因子b到全局搜索的公式中[10]。当b值较大时，能让BOA在迭代前期的收敛速度提升。当b值逐渐变小时，能使BOA在迭代后期的寻优精度提高。这样既可以提高算法的收敛速度又可以提高寻优的精度。收敛因子b可表示为 (8) (8)式中：t为蝴蝶种群迭代次数；Tmax为蝴蝶种群最大迭代次数；其中b属于[0，2]。 则BOA的全局搜索公式如式(9) (9) 3.3 算法测试 为了验证改进的蝴蝶优化算法比传统的蝴蝶优化算法有更好的寻优精度以及收敛性等等，接下来运用改进的蝴蝶优化算法(IBOA)与传统蝴蝶优化算法(BOA)来测试函数。 表3列出了BOA、IBOA对下面四个函数f