一种基于模糊概率的光伏电池的最大功率点的跟踪方法
【专利摘要】本发明公开了一种基于模糊概率的光伏电池的最大功率点的跟踪方法。所述跟踪方法包括：以ε为采样间隔，获得N个采样点[ui,P(ui)]，i为小于等于N的正整数；其中，ε为0.05UOC/Ns～0.5UOC/Ns，UOC为光伏电池的开路电压，Ns为光伏电池的串联数；通过构造扩散函数fD和隶属度函数fM，求取概率函数Pro(i)，对概率函数Pro(i)的结果从大到小排序，并依次选取排序靠前的概率对应的Xi的并集作为最大功率点的搜索范围，使得所述排序靠前的概率函数Pro(i)之和大于等于概率阈值δ；在所述最大功率点搜索范围中，求得最大功率点[uMPP,P(uMPP)]。通过本发明，解决了多极值情况下，全局扫描法需要密集采样的缺陷，具有跟踪速度快、环境适应性好的优势。
【专利说明】
一种基于模糊概率的光伏电池的最大功率点的跟踪方法
技术领域
[0001] 本发明属于光伏发电技术领域，更具体地，涉及一种基于模糊概率的光伏电池的 最大功率点的跟踪方法。
【背景技术】
[0002] 光伏发电作为可再生的清洁能源，因其低污染、低噪音、储量丰富等优点，得到广 泛的运用。但光伏电池输出能量不稳定、转换效率低。因此需要通过最大功率点的跟踪，以 便控制接口变换器，使得光伏电池能连续稳定的向电网输出最大功率。
[0003] 由于光伏发电系统向电网输送的功率随着光照强度、环境温度、输出阻抗及负载 的变化而变化，其输出特性表现出强烈的非线性且存在多极值的情况。在局部阴影下（即光 伏电池受到周围建筑物、树木或飞行物的遮挡而能量输出能力降低)时，精确快速的跟踪最 大功率点是比较困难的。如图1是光伏电池在局部阴影下的输出功率曲线，其中虚线表示光 伏电池输出电流，实线表示光伏电池输出功率，可见，局部阴影情况下光伏输出曲线呈现多 峰值，光伏电池输出功率随着电压的变化并不规律。
[0004] 在现有技术中，最大功率点的跟踪方法(Maximum Power Point Tracking,MPPT) 有很多，但皆不完善;其中，全局扫描法能比较精确的跟踪全局最大功率点，但该方法采用 全局搜索，需要密集采样的多个采样点，导致其跟踪速度较慢;而两步法的基本思想是引入 等效负载并将工作点移到负载曲线与光伏I-U曲线的交点，随后用常规单峰MPPT搜索最大 功率点；虽然该方法的计算速度较快，但是当最大功率点位于I-U曲线中斜率大于等效负载 曲线时，该方法将不能获得准确的最大功率点。
【发明内容】
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模糊概率的光伏电 池的最大功率点的跟踪方法，其目的在于以少量的采样点构造概率函数，用于解决现有技 术中跟踪速度较慢、最大功率点获取不准确的缺陷。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于模糊概率的光伏电池 的最大功率点的跟踪方法，包括以下步骤：
[0007] S1.以ε为采样间隔，（0，Uqc]为采样区间，对光伏电池的输出电压u及其对应的输出 功率P(U)进行采样，获得N个采样点[ Ul，P(Ul)]，其中，i为采样点的序号，i为小于等于N的正 整数，Ui为采样点的输出电压，P(U i)为采样点的输出功率;ε为〇.〇5UQC/Ns~0.5U〇c/N s，U〇c为 光伏电池的开路电压，队为光伏电池的串联数；
[0008] S2.根据采样点[Ul，P(Ul)]，采样间隔ε，采样点的数量N，常数k，Ul的邻域X 1，光伏 电池的开路电压Uqc，集值化的模糊隶属函I
,及扩 散因=
庚得最大功率点的概率函数
其中，max( ·)表示取最大值，exp( ·)表示以自然常数e为底 的指数函数；
[0009] S3.以概率函数Pro(i)的值从高到低为优先级，依次选取概率函数Pro( i)的值进 行相加获得概率和，并当相加得到的概率和大于等于概率阈值S时，选取的所述概率函数 Pro(i)对应的Xi的并集作为最大功率点搜索区间；
[0010] S4.以所述最大功率点搜索区间作为采样区间，进行二次采样，并在所述二次采样 的采样点中选取输出功率最大的采样点，该采样点则为最大功率点[UMPP，P ( UMPP )]。
[0011] 优选地，N为int(^)，int()表示向上取整。 ε
[0012] 作为进一步优选地，当i = l时，Ui = Uoc，否则Ui+i = m-ε。
[0013] 优选地，所述步骤S2具体包括如下子步骤：
[0014] S21.根据采样点[m，P(m)]，采样间隔ε，采样点的数量N，常数k，m的邻域X1，光伏 电池的开路电压Uqc以及幅值g
获得模 糊隶属函I
[0015] S22.根据模糊隶属函数fMl(u)以及扩散因子
突得扩散函数
获得集值化的模糊隶属函数
[0017] S24.根据集值化的模糊隶属函数fM(u)，获得最大功率点的概率函数
L〇〇1 S」优选地，步骤S2中所述的k为10~100。
[0019] 优选地，当i = l时，Xd(Ui -e/2，Uoc)，i=N 时，Xi 为(0，?Η+ε/2)，否则 Xi 为(m -ε/ 2，ιπ+ε/2) 〇
[0020] 优选地，所述步骤S3中的概率阈值δ为85%~95%。
[0021] 优选地，步骤S4中所述二次采样的采样间隔ξ为ε/1〇〇~ε/1〇。
[0022] 优选地，在所述步骤S4之后还包括步骤S5:控制光伏电池的输出电压为UMPP，使得 所述光伏电池的输出功率保持为P(umpp)。
[0023] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效 果：
[0024] 1、本发明利用了采样点的功率越大，最大功率点位于该采样点的邻域的概率的越 大的原理，将模糊数学和概率论相结合，首先比较采样点属于最大功率点邻域的概率分布 Pro (i )，进而在Pr〇 (i)对应的Xi的并集中，获得最大功率点[Umpp，P (Umpp )];利用该方法，减 少了总的采样点数，从而加快了采样和计算速度，加快了局部阴影下最大功率点的跟踪速 度；
[0025] 2、根据光伏电池的性质，选取采样间隔ε为〇.〇5U〇c/Ns~0.5U〇 c/Ns，使得初始采样 时仅需约8~80个采样点，提高了计算效率;在获得了最大功率点邻域后，再进一步选取最 大功率点，提高了计算精度。
[0026] 3、可根据光伏电池自身的性质，对概率阈值δ或k等常数进行调整，以进一步提高 计算效率。
【附图说明】
[0027] 图1是光伏电池在局部阴影下的输出功率曲线；
[0028] 图2是随机环境下光伏最大功率点分布曲线；
[0029] 图3是随机环境下光伏极大值点分布曲线；
[0030] 图4是本发明实施例1双级式光伏并网电路；
[0031 ]图5是本发明实施例1中的光伏最大功率点；
[0032]图6是本发明实施例1最大功率点位于采样点邻域的概率柱状图；
[0033]图7是本发明实施例1模糊概率算法仿真图。
【具体实施方式】
[0034]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不 用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼 此之间未构成冲突就可以相互组合。
[0035]现有技术中，通常采用全局扫描法在输出电压的整个定义域内进行密集采样，进 而获得最大功率点，然而该方法计算速度较慢。图2和图3分别为随机环境下光伏最大功率 点分布曲线以及极大值点的分布曲线;从图上可以看出，光伏电池在不同光强等级和局部 阴影情况下的最大功率点主要分布在几个比较集中的区域。因此只需要获得该区域作为最 大功率点的搜索范围，并在最大功率点的搜索范围内进一步密集采样，即可减少采样点的 数量，加快采样速度。
[0036] 本发明提供了一种基于模糊概率的光伏电池的最大功率点的跟踪方法，所述跟踪 方法包括以下步骤：
[0037] SI.控制光伏电池的输出电压u，对的光伏电池的输出功率P(U)进行采样，采样空 间S = {(u,P(u)) I (Xu彡Uoc,p = P(U) }，其中Uoc为开路电压，采样点为[Ui ,P(Ui)]，当i = l 时，Ui = UQ(；，否则Ui+l = Ui - ε，ε为采样间隔，i为小于等于N的正整数，采样点集合E贝lJ为{[Ul， P(Ul)]，[U2，P(U2)]，···，[UN ,P(UN)] };
[0038] 不同于全局扫描法，该方法仅需要精度要求下的采样点，其中采样点数目N必须大 于·为了保证精度，N可为^向上取整或i向下取整后+1;其中，采样间隔ε是指能 ε ε ε 够将两个极大值点区分开来的最小采样间距，设光伏电池串联数目为Ns，极大值点通常分 布在
拊近，其中m为整数，且1彡m彡Ns;根据实际情况，ε可取〇. 〇5UQC/Ns~0.5U0C/ Ns之间;精度要求越高，所需采样点越多，采样速度越慢； Y、
[0039] S21.构造采样点上的模糊隶属函数
所 述模糊隶属函数表示最大功率点属于采样点的邻域的隶属度，即，采样点的输出功率越大， 最大功率点位于该采样点的邻域的隶属度越高；其中，幅值因子
k为模糊隶属函数的陡峭程度，max( ·) 表示取最大值，exp( ·)表示以自然常数e为底的指数函数；当光伏电池的输出功率的极大 值点较多，最大功率点可能需要在多个不同的采样点的邻域进行进一步搜索时，k可取较小 值，当光伏电池的输出功率的极大值点较少，最大功率点仅需在少数较集中的采样点的邻 域进行进一步搜索时，k可取较大值;通常对于本发明，k为10~100;
[0040] S22.令扩散函I
听述扩散函数用于将采样点的 模糊隶属函数集值化;其中，扩散因吁
[0041] S23.令集值化的模糊隶属@ 集值化的模糊隶属函数fM(u)表示最大功率点在采样空间S上任意一点的概率；
[0042] S24.令概率函I
，其中，Xi为Ui的邻域，通常指的包括 Ui在内的开区间；例如，可以当i = l时，Xi为(Ui - e/2，U〇c)，i = N时，Xi为(0，Ui+e/2)，否则Xi 为(m- ε/2，ιπ+ε/2);概率函数Pro( i)表示最大功率点在m的邻域Xi上的概率；
[0043] S3.以概率函数Pro(i)的值的从高到低为优先级，依次选取概率函数Pro( i)进行 相加获得概率和，并当相加得到的概率和大于等于概率阈值S时，选取所述概率函数Pro(i) 的值对应的X1的并集作为最大功率点搜索范围；概率阈值δ设置得越高，后续步骤的搜索范 围越大，所需采样点数目越多，从而计算速度也较慢，但其计算精度也较高;通常概率阈值S 为85%~95% ;
[0044] S4.令Uje所述最大功率点搜索范围，以ξ为采样间隔，在所述最大功率点搜索范 围内重新获取采样点[11」，？(11」）]，」为正整数，对应1^逆(11」)时的11」为1?以为￡/100~￡/10， 则最大功率点为[UMPP,P(umpp)]。
[0045] 通过以上步骤可以看出，在步骤Sl中，仅需要全局扫描法约10%的采样点，而通过 步骤S2~S3，将需要搜索的区域减少到了原有的20%~30%，在步骤S4中，则利用全局扫描 法约10 %~20 %的采样点进一步搜索获得最大功率点;本方法仅需全局扫描法约30 %左右 的采样点，而搜索精度与全局扫描法基本相同，从而提高了计算速度。
[0046] 实施例1
[0047] 图4为实施例1基于模糊概率的光伏电池的最大功率点的跟踪方法的电路，包括依 次连接的光伏电池 PV、电容Ci、Boost电路以及逆变电路；图1中虚线框内为控制模块，包括 依次连接的A/D转换器、PI控制器、MPPT控制器以及比较器;其中，A/D转换器的输入端作为 控制模块的输入端，所述比较器的输出端作为所述控制模块的输出端;所述A/D转换器用于 获得光伏电池的电压u以及对应的电流i，MPPT控制器用于控制采样并计算最大功率点，PI 控制器用于对MPPT模块输出的参考电压Uref与输出电压u作差获得误差信号，比较器用于将 误差信号与载波比较后输出PWM波。
[0048]光伏电池的在局部阴影下，其最大功率明显偏离原有的最大功率(如改变率达到 10%~20%)，则需要控制电路对最大功率点进行跟踪。
[0049]本实施例的基于模糊概率的光伏电池的最大功率点的跟踪方法包括以下步骤： [0050] Sl.由光伏电池开路电压Uoc和光伏电池的串联数Ns确定采样点压m和采样点个数 N，i为小于等于N的正整数；在本实施例中，由于Ns = 4,为了满足测试精度，Uoc~160V，比 160V略小，ε可取〇. 〇5UQC/Ns~0.5UQC/Ns，为了达到精度要求^ ;令ε = 10V，从而分别 8 获得的采样电压m = Uoc-（i一I) X ε ;此处仅仅需要16个采样点就可以确定，即N= 16,节约 了大量的搜索时间，如图6所示。
[0051 ] 令i = l，电压参考值Uref = Ui,MPPT控制器将Uref信号输出，并依次通过PI控制器、 比较器，获得PWM波，从而控制boo st电路对光伏电池的电压u和电流i进行采样，电压u和电 流i经过A/D转换器转换为数字信号，并输入MPPT控制器，完成一个控制周期后令i = i+Ι，重 复上述步骤，直至获得采样点集合E为{(Ul，pi)，（U2，P2)…（UN，PN)};
[0052] S2. MPPT控制器根据扩散函数fD，将稀疏的采样信息集值化，对于每一个采样点， 扩散函：
如图5中的正态曲线是每一个采样点的扩散 函数，且每一个米样点的扩散因子
^中最小扩散因子可以表不为
，这样可以保证扩散函数至少扩散一个采样周期；
[0053] 其中，模糊隶属函数为
k是模糊隶属函 数的陡峭程度，k太小会使得S4中遍历法需要搜索的范围变大，降低搜索速度，而k过大则容 易遗漏功率的极大值点，此处k = 80;
[0054]
[0055] 将扩散函数在定义域内进行加总，得集值化后的模糊函数
[0056] 令集值化的模糊隶属函数」
将某一区域的隶属度 函数值加总归一化后计算概率，仿真结果收敛概率;其中，X1Sm的邻域；即当I = (m - ￡/2，1]〇。），1=圈寸，父1为（0，出+￡/2)，否则父1为（1^一￡/2，出+￡/2);
[0057] S3.对概率函I
?值从大到小排序，并依次选取排序 靠前的概率函数Pro ( i)对应的Xi的并集作为最大功率点搜索范围，排序靠前的概率函数 Pro(i)的值之和为概率和，使得所述排序靠前的概率和多概率阈值90%;如图6所示，此处 排序靠前的概率函数Pro(i)依次为Pro( 11)、Pro( 10)以及Pro( 12)，Pro( 11 )+Pro( 10)+Pro (12)=0.916;
[0058] S4.在 Pro(ll)、Pro(10)以及 Pro(12)对应的 Xi 的并集内，SPx1QUX11UX12 内，以 〇. IV为采样间隔，重新获取采样点[Uj，P(Uj)]，遍历法求取maxP(Uj)，对应maxP(Uj)时的Uj为 UMPP，如图7所不，UMPP，iMPP和PMPP分别为最大功率点的电压、电流和功率，UMPP= 104 · 8V;在本 实施例中，0时刻开始第一次采样，t时刻完成步骤S2，t2时刻完成步骤S4，即仅需0.113秒， 按照本发明方法即可获得最大功率点；
[0059] S5 ·令电压参考值Uref = UMPP，Uref依次通过PI控制器、比较器，获得PWM波，从而控制 boost电路对光伏电池的电压输入至PI控制器，PI控制器根据Uref和光伏电池的电压u生成 PWM波，输出至boos t电路，从而对光伏电池的电压u进行调节，使得光伏电池保持最大功率。 [0060]本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种基于模糊概率的光伏电池的最大功率点的跟踪方法，其特征在于，包括W下步 骤： 51. We为采样间隔，（0,化C]为采样区间，对光伏电池的输出电压U及其对应的输出功率 P(u)进行采样，获得N个采样点[Ui，P(m)]，其中，i为采样点的序号，i为小于等于N的正整 数，U功义样点的输出电压，P(Ui)为义样点的输出功率；ε为0 .〇5Uoc/Ns~0.抓oc/化，Uoc为光 伏电池的开路电压，化为光伏电池的串联数；52. 根据采样点[Ui，P(Ui)]，采样间隔ε，采样点的数量N，常数k，m的邻域沿，光伏电池的 开路电压Uoc，集值化的模糊隶属函数53. W概率函数Pro(i)的值从高到低为优先级，依次选取概率函数Pro(i)的值进行相 加获得概率和，并当相加得到的概率和大于等于概率阔值δ时，选取的所述概率对应的Xi的 并集作为最大功率点捜索范围； 54. W所述最大功率点捜索范围作为采样区间，进行二次采样，并在所述二次采样的采 样点中选取输出功率最大的采样点，该采样点则为最大功率点[UMPP，P ( UMPP )]。2. 如权利要求1所述的跟踪方法，其特征在于：I im〇表示向上取整。3. 如权利要求2所述的跟踪方法，其特征在于，当i = 1时，Ui =化C，否则Ui+i = Ui -e。4. 如权利要求1所述的跟踪方法，其特征在于，所述步骤S2具体包括如下子步骤：521. 根据采样点[Ui，P(Ui)]，采样间隔ε，采样点的数量N，常数k，m的邻域Xi，光伏电池 的开路电压UocW及幅值因子522. 根据模糊隶属函数fMi(u) W及扩散因子> 获得扩散函数5. 如权利要求1所述的跟踪方法，其特征在于，步骤S2中所述的k为10~100。6. 如权利要求1所述的跟踪方法，其特征在于，所述步骤S2中，当i = l时，沿为(ι?ι-ε/2， 11〇〇，1=师寸，乂1为（0，化+6/2)，否则乂1为(1^-6/2，化+6/2)。7. 如权利要求1所述的跟踪方法，其特征在于，所述步骤S3中的概率阔值δ为85%~ 95%。8. 如权利要求1所述的跟踪方法，其特征在于，步骤S4中所述二次采样的采样间隔ξ为 ε/100~e/10。9. 如权利要求1所述的跟踪方法，其特征在于，在所述步骤S4之后还包括步骤S5:控制 光伏电池的输出电压为UMPP。
【文档编号】G05F1/67GK105938381SQ201610387930
【公开日】2016年9月14日
【申请日】2016年6月2日
【发明人】徐伟, 唐磊, 叶才勇, 穆朝絮
【申请人】华中科技大学