基于粒子群算法的光伏电池板最大功率跟踪方法及系统的制作方法
【专利摘要】本发明公开了一种基于粒子群算法的光伏电池板最大功率跟踪方法，首先设置功率初始值以及确定粒子位置的初始位置和粒子个数；然后以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；最后通过各粒子最优值的比较选出最大值作为粒子群的群最优值并输出；本发明根据粒子群算法获取光伏电池板的输出电压，PWM的占空比作为粒子的更新速度，电池板的输出功率作为判断粒子位置的目标函数；以粒子更新速度作为输出对Boost电路的开关管进行PWM调制，得出更新后的粒子位置，选出优化值对粒子的更新指出方向；搜索粒子的最优值，实现了MPPT目标。该跟踪方法智能化程度高，跟踪精度高，电池板能跟踪到最大功率值点而不陷入局部最优。
【专利说明】基于粒子群算法的光伏电池板最大功率跟踪方法及系统
【技术领域】
[0001] 本发明涉及光伏电池控制领域，特别涉及一种基于粒子群算法的光伏电池板最大 功率跟踪方法及系统。
【背景技术】
[0002] 光伏电池板的输出功率会随着输出电压的增大先逐渐增大再减小，为了使光伏电 池板的输出功率最大，就必须对输出电压进行跟踪使其工作在最大功率点处。经过多年来 国内外的相关研究，实际最大功率跟踪（MaximumPowerPointTracking,MPPT)中，应用 较为普遍的有恒压跟踪法、扰动观察法、电导增量法、模糊控制法和粒子群算法（particle swarmoptimization,PS0)等。
[0003] 扰动观察法（PerturbandObvserve,P&0);此方法是通过扰动改变电池板的输出 电压，然后观察不同电压下的电池板输出功率P和（P+ΛP)，比较其大小关系后确定电池 板应该工作在电压U还是（U+ΛU)处才能使功率最大。当（Ρ+ΛΡ) >Ρ时，按照扰动的方 向进行跟踪；当（Ρ+ΛΡ)〈Ρ时，按照扰动的反方向进行跟踪；通过前后时刻大小比较确定 下一时刻的方向，目标是找到最大值，但是当扰动步长太大时会产生剧烈震荡，步长太小会 使跟踪速度变慢。虽然在专利CN201410225403中控制了跟踪步长，但在快速变化的外界环 境下光照强度的变化会使P-V曲线出现多峰值现象，会使扰动观察法出现误跟踪；如图1的 P-V曲线所示，图1为变化光照强度下的电池板P-V曲线；图1中，在跟踪过程中的M点，光 照强度增大，此时的P-V曲线为NB段。当跟踪到B点是光照强度突然变小，此时的扰动观 察法还是会跟踪到B点而不是A点。如果B点比A点高度高,则跟踪正确,如果A点比B点 高就出现了误跟踪。
[0004] 其中恒压法是取统计过程中的最大功率对应电压值，由于不能根据一天中的光照 强度变化所以误差较大。扰动观察法应用简单，但跟踪效率不高，甚至有时候会出现跟踪错 误。虽然模糊控制法在跟踪准确性上有所提高，但跟踪速度无法摆脱方法原理限制。
[0005] 因此需要一种智能化程度高、跟踪精度高的光伏电池板的输出功率跟踪方法及系 统。
【发明内容】
[0006] 有鉴于此，本发明所要解决的技术问题是提供一种智能化程度高、跟踪精度高的 光伏电池板的输出功率跟踪方法及系统。
[0007] 本发明的目的之一是提出一种基于粒子群算法的光伏电池板最大功率跟踪方法； 本发明的目的之二是提出一种基于粒子群算法的光伏电池板最大功率跟踪系统。
[0008] 本发明的目的之一是通过以下技术方案来实现的：
[0009] 本发明提供的基于粒子群算法的光伏电池板最大功率跟踪方法，包括以下步骤：
[0010]Si:调整电池板负载与电池板内阻相匹配；
[0011]S2 :从电池板输出功率值中选取一个小于最大输出功率的功率值，作为与迭代后 所计算的适应度作比较的功率初始值，赋给控制器中的功率参数Pmax ;
[0012]S3:在0?电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置 和粒子个数，分别赋给控制器中的参数；
[0013]S4:以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值；
[0014] S5 :通过各粒子最优值的比较选出最大值作为粒子群的群最优值与功率参数 Pmax的值比较，将较大者赋给功率参数Pmax ;
[0015] S6 :功率参数Pmax对应值即为粒子群跟踪到的电池板最大功率；
[0016] S7:将粒子速度、粒子位置、粒子最优值和粒子群最优值代入以下迭代公式计算出 新的粒子速度和位置：
[0017]vid (t+1) =w· vid (t)+C1· T1·(pid(t)-xid(t))+c2· r2 ·(pgd(t)-xid(t))；
[0018] xid(t+1) =xid(t)+vid (t+1)；
[0019] 其中，vid是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；
[0020] w为惯性权重因子；
[0021]Pid是D维空间中第d维的粒子i的最优值；
[0022] Xid是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；
[0023] Cp C2为学习因子；
[0024]A、r2为随机数h r2 e[0,1];
[0025]Pgd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值；
[0026]S8 :根据更新前后粒子位置差值控制PWM信号，当更新前后差值为正，则减小PWM 信号占空比，反之则增大；
[0027]S9:由新的粒子位置即电池板输出电压来计算出粒子最优值和粒子群最优值：
【权利要求】
1. 基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在于：包括以下步骤： 51 :调整电池板负载与电池板内阻相匹配； 52 :从电池板输出功率值中选取一个小于最大输出功率的功率值，作为与迭代后所计 算的适应度作比较的功率初始值，赋给控制器中的功率参数Pmax; 53 :在O?电池板开路电压Voc之间分散取若干电压值作为粒子位置的初始位置和粒 子个数，分别赋给控制器中的参数； 54 :以每个粒子初始位置对应的功率值作为对应粒子的粒子最优值； 55 :通过各粒子最优值的比较选出最大值作为粒子群的群最优值与功率参数Pmax的 值比较，将较大者赋给功率参数Pmax; 56 :功率参数Pmax对应值即为粒子群跟踪到的电池板最大功率； 57 :将粒子速度、粒子位置、粒子最优值和粒子群最优值代入以下迭代公式计算出新的 粒子速度和位置： Vid (t+1) =W·Vid (t)+C1 ·T1 · (pid(t)-xid(t))+c2 ·r2 · (pgd (t)-xid (t))；xid (t+1) =xid (t)+vid (t+1); 其中，vid是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度；w为惯性权重因子； Pid是D维空间中第d维的粒子i的最优值； Xid是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置； CpC2为学习因子； A、r2 为随机数!T1,r2e[〇, 1]; Pgd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值； 58 :根据更新前后粒子位置差值控制PWM信号，当更新前后差值为正，则减小PWM信 号占空比，反之则增大； 59 :由新的粒子位置即电池板输出电压来计算出粒子最优值和粒子群最优值：
Ir 其中，办/fisc·--；P=VXI为优值；从各优值中选出最大值即为粒子群最优值； IrO V和I分别是电池板输出电压和电流，Rs为串联电阻的阻值，Rsh为并联电阻的阻值；a是二极管的理想常数，k表示波尔兹曼常数，q表示电荷量常数，T表示热力学温度，Is表示 二极管的饱和电流，Is。表示电池板短路电流，Iril表示参考光照强度，L表示当前光照强度； SlO:重复循环步骤S5?S9,直到预设定的迭代次数。
2. 根据权利要求1所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在 于：所述粒子最优值按以下公式来进行： Vid (t+1) =W·Vid (t)+C1 ·T1 · (pid(t)-xid(t))+c2 ·r2 · (pgd (t)-xid (t))；xid (t+1) =xid (t)+vid (t+1)； ie(1，2, · · ·，N)，de(1，2, · · ·，D)，r"r2e[〇, 1]; 其中，i表示第i个粒子，N表示总的粒子数。
3. 根据权利要求2所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在 于：所述惯性权重因子按以下公式来进行：
式中，m为常数因子，对每一次迭代后的惯性权值进行约束调整，取O?1之间的随机 数； fg(t)为全局最优值所对应的适应度；fi(t)为第i个粒子的适应度； N为粒子群中的粒子数；i为第i个粒子。
4. 根据权利要求2所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在 于：所述学习因子
C1、(?按以下公式来进行： 式中，j表示当前迭代次数，η表示总共迭代次数。
5. 根据权利要求1所述的基于粒子群算法的光伏电池板最大功率跟踪方法，其特征在 于：所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。
6. 基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在于：包括电池板、控制 器、AD转换芯片、Boost电路、PWM模块和蓄电池； 所述电池板的输出端与Boost电路的输入端连接； 所述PWM模块连接在控制器和Boost电路中的开关管之间； 所述AD转换芯片连接在控制器和Boost电路的输入端之间； 所述Boost电路和蓄电池连接； 所述电池板，用于将太阳能转换为电能； 所述控制器，用于根据粒子群算法获得计算结果并调整电池板负载； 所述AD转换芯片，用于检测电池板输出电信号； 所述Boost电路,用于充当电池板的负载； 所述PWM模块，用于控制Boost电路，以频率大小调整Boost电路的等效负载； 所述蓄电池，用于存储光伏电池板产生的电能。
7. 根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在 于：所述Boost电路包括电感L、开关管、二极管D、电容C和电阻R; 所述电感L、开关管串联后连接在电池板的输出端； 所述二极管D连接在电感L与开关管连接点和蓄电池之间； 所述电容C和电阻R分别与蓄电池两端并联。
8. 根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在 于：所述控制器包括初始值设置单元、粒子初始值单元、粒子位置更新单元、群最优值生成 单元和输出单元； 所述初始值设置单元，用于从电池板输出功率值中选取一个小于最大输出功率Pmax的功率作为功率初始值； 所述粒子初始值单元，用于在〇?电池板开路电压Voc之间分散取若干电压值作为粒 子位置的初始位置和粒子个数； 所述粒子位置更新单元，用于以每个粒子初始位置对应的功率值作为对应粒子的粒子 最优值； 所述群最优值生成单元，用于通过各粒子最优值的比较选出最大值作为粒子群的群最 优值； 所述输出单元，用于输出群最优值作为电池板的最大功率。
9. 根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征在 于：所述粒子最优值按以下公式来进行： Vid(t+1) =W·Vid(t)+C1·T1 · (pid(t)-xid(t))+c2 ·r2 · (pgd (t)-xid (t))；xid (t+1) =xid (t)+vid (t+1); ie(1，2, · · ·，N)，de(1，2, · · ·，D)，r"r2e[〇, 1]; 其中，w为惯性权重因子；Cl，c2为学习因子； xid是D维空间中第d维的粒子i的位置，电池板的输出电压作为粒子的位置；vid是D维空间中第d维的粒子i的速度，PWM的占空比作为粒子的速度； Pid是D维空间中第d维的粒子i的最优值； Pgd为整个粒子群的最优值，表示D维空间中第d维的所有粒子i的最优值； 所述惯性权重因子按以下公式来进行：
式;中，m为芾数凶于，对母一次迗代后的惯性权值进行约束调整，取0?1之间的随机 数； fg(t)为全局最优值所对应的适应度；fi(t)为第i个粒子的适应度； N为粒子群中的粒子数；i为第i个粒子； 所述学习因子Cl、C2按以下公式来进行： Ci= 2xcos(-X-) ; η2 c2 = 2-2xcos(1x|)； 式中，j表示当前迭代次数，n表示总共迭代次数。
10. 根据权利要求6所述的基于粒子群算法的光伏电池板最大功率跟踪系统，其特征 在于：所述电池板负载与电池板内阻的匹配调整是通过Boost斩波电路来实现的。
【文档编号】G05F1/67GK104317348SQ201410594790
【公开日】2015年1月28日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】冯文林, 薛继元, 冯序, 牟小燕 申请人:重庆理工大学