一種基于改進螢火蟲算法的光伏MPPT控制方法

張鵬 羅正華 唐成達 黃建剛

摘?要：局部陰影條件下，光伏發電系統輸出功率降低且P-U曲線存在多峰值，標準螢火蟲算法易陷入局部極值且收斂后期易發生震蕩現象。針對這一問題，提出一種基于模糊-螢火蟲算法（FFA）的MPPT算法，利用模糊控制器自適應調整隨機移動步長因子α。算法運行前期賦予較大α值，螢火蟲能快速向最優值附近移動，后期快速減小α值，避免震蕩現象，使算法能穩定收斂。通過在MATLAB/Simulink下對FFA算法建模、仿真，并對比了標準螢火蟲算法（FA）仿真結果，實驗證明螢火蟲算法與模糊控制技術相結合，能快速、準確、穩定的收斂到最大功率點，實現光伏發電最大效益輸出。

關鍵詞：最大功率點跟蹤;局部陰影;螢火蟲算法;模糊控制

DOI：10.15938/j.jhust.2020.03.009

中圖分類號：?TM615

文獻標志碼：?A

文章編號：?1007-2683（2020）03-0053-08

Abstract：Under?partially?shaded?conditions，?the?power?of?the?photovoltaic?system?becomes?lower?and?the?P-U?characteristic?curve?has?multiple?peaks.?The?standard?firefly?algorithm?will?fail?to?work?and?is?prone?to?oscillation?during?the?final?phase?of?convergence.?To?solve?this?problem，?the?MPPT?algorithm?based?on?fuzzy-firefly?algorithm?（FFA）?is?proposed，?which?uses?fuzzy?controller?to?adaptively?adjust?the?factor?of?random?moving?step.?In?the?early?stage?of?the?algorithm，the?fuzzy?controller?output?a?large?α?so?that?firefly?can?quickly?move?to?the?vicinity?of?the?optimal?value.?In?the?later?stage?of?algorithm，?the?value?of?α?decrease?sharply?to?avoid?oscillation，?so?that?the?algorithm?can?converge?stably.?By?modeling?and?simulating?in?the?MATLAB/Simulink?and?comparing?the?simulation?results?of?FFA?with?the?standard?firefly?algorithm?（FA），?the?experiment?proves?that?the?FFA?can?quickly，?accurately?and?stably?converge?to?the?MPP?so?that?the?PV?system?can?output?the?maximum?power.

Keywords：maximum?power?point?tracking?（MPPT）;?partial?shading;?firefly?algorithm?（FA）;?fuzzy?control

0?引?言

隨著全球變暖以及能源危機的日益加重，人們對新型清潔能源的開發與利用越來越迫切?？稍偕茉幢徽J為是產生清潔能源的技術選擇。豐富的太陽能資源逐漸成為各國新能源開發和應用的主要選擇[1]。為了獲得光伏發電的最大功率輸出，最大功率點跟蹤（Maximum?Power?Point?Tracking，MPPT）技術應運而生，并產生了眾多成熟算法。如Buciarelli等人提出的擾動觀察法（P&O）和Hussein等人提出的增量電導法（IncCond）。但上述算法均只適用于均勻光照條件下，即每個光伏板接受相同的光照強度。當周圍環境出現陰影情況如光伏板表面有灰塵，樹木遮擋等情況時，光伏系統輸出P-U曲線會出現多個峰值，上述傳統MPPT算法易陷入局部峰值而不能追蹤到最大功率點，造成系統功率失配和功率浪費，甚至會影響光伏陣列的壽命[2-6]。因此，如何解決局部陰影下的MPPT顯得至關重要。

為此，國內外研究人員進行了大量研究。文[7-9]利用蟻群算法對MPPT進行研究，該算法搜索精確度高，不易陷入局部最優，但搜索速度緩慢。文[10-11]利用遺傳算法對MPPT進行研究，該算法常用于無遮擋情況，對多峰值問題解決效果一般。文[12-14]利用粒子群算法對MPPT進行研究，該算法是研究MPPT的主要方法之一，但該算法中粒子位置是隨機產生的，容易產生丟失現象，最終會導致跟蹤失敗。文[15-18]采用神經網絡算法進行陰影條件下的MPPT，運算速度快，效率高，但可能因訓練數據的數量不足而陷入局部極值點。

針對這些問題，本文提出一種基于模糊-螢火蟲（FFA）算法的MPPT算法。針對標準螢火蟲算法易陷入局部極值以及后期易發生震蕩的問題，引入模糊控制器來優化螢火蟲算法中的隨機移動步長因子α，在局部陰影以及光照強度發生突變時，能夠實時調整α，使算法快速收斂到全局最大值。結果表明，在局部陰影情況下，FFA算法能夠快速、準確的收斂到全局最大功率點，使得光伏系統輸出功率得到最大化利用。本文利用MATLAB/Simulink仿真軟件搭建光伏發電系統的MPPT仿真模型，并利用仿真結果驗證了基于模糊-螢火蟲算法的MPPT算法的可行性。

1?局部陰影下的光伏系統特性

1.1?光伏電池模塊

光伏電池通過光電效應將太陽能轉換為電能進行發電，其光生電流與光照強度成比例關系。單個光伏電池只能產生0.5～0.8V電壓，故實際中通常將多個光伏電池進行串并聯成光伏模塊。單個光伏電池的等效電路圖如圖1所示[19]。

其輸出特性方程如式（1）所示。

式中：Ipv為光生電流;Io為二極管反向飽和電流;q為單位電子電荷量;A為二極管特性擬合系數;K為玻爾茲曼常數;T為電池工作絕對溫度值;Rs為串聯電阻，其與表層電阻、電極接觸電阻和材料體電阻等有關;Rsh為并聯電阻，其與漏電流有關。

1.2?局部陰影下的光伏系統

在實際應用中，根據功率需求，常常需要將多個光伏模塊進行串并聯為光伏陣列以獲得足夠大的輸出電壓。此情況下，如果所有模塊均接受相同的陽光輻射，則陣列輸出最大功率為所有模塊最大功率之和。但當出現局部陰影時，光伏陣列的P-U曲線表現為多峰值狀，且最大功率也隨之下降。本文將5個光伏電池串聯，且每個電池均并聯旁路二極管，以減小熱斑效應，防止電流倒流。根據5個光伏電池的光照強度，分為4種情況研究其輸出特性，模塊光照強度分布如表1所示。輸出特性P-U曲線和I-U曲線分別如圖2和圖3所示（溫度均為25℃）。

從圖2和圖3可以看出，當光伏陣列接受均勻光照強度時（分布1），P-U曲線只有一個峰值，I-U曲線只有一個拐點;當出現局部陰影情況，即光伏陣列中各組件接受不同的光照強度時（分布2、分布3、分布4），P-U曲線會出現多峰值情況，I-U曲線呈現出幾個拐點，且峰值個數和拐點個數與陣列中接受不同光照強度的組件數有關。這種情況下常規MPPT算法極易陷入局部峰值而不能追蹤到最大功率點，需研究新的智能算法。

2?模糊-螢火蟲算法分析

2.1?標準螢火蟲算法（FA）

螢火蟲算法是由劍橋學者Yang?Xin.she[20]?在2008年提出，該算法受自然界中螢火蟲的社會行為所啟發，通過模擬自然界螢火蟲的群體行為來實現優化。算法通過學習螢火蟲相互之間溝通、求偶的方式，達到目標函數優化與求解的過程。在算法中，螢火蟲通過比較相互之間的發光亮度來決定其位置移動，遵循亮度低的螢火蟲向亮度高的移動，而亮度最高的則做隨機移動，最終螢火蟲將匯聚到全局亮度最高點，也即目標函數最大點，達到全局尋優的目的。

算法遵循以下規則：

1）所有螢火蟲無性別之分。

2）發光亮度低的螢火蟲被亮度高的螢火蟲吸引。吸引力與發光亮度成正比，且隨著距離增大而減小。亮度高的螢火蟲做隨機移動。

3）螢火蟲的發光亮度由目標函數決定。

標準螢火蟲算法步驟如下：

1）初始化階段：輸入待優化函數I=f（x），即目標函數，取輸出功率P為目標函數，即P=f（D）。初始化螢火蟲數目n，最大迭代次數maxGen，螢火蟲位置xi（i=1，2，3，…，n），隨機移動步長因子α，最大吸引度β0，光強吸收系數γ，并計算I0=f（x）。

2）更新階段：在每一次迭代中，對于所有螢火蟲n，計算各自發光亮度Ii，（i=1∶n），計算個體之間的距離d（i，j），計算之間相對吸引度β。若Ii

3）輸出階段：當迭代次數達到最大迭代次數時，螢火蟲聚集在最優位置，此時輸出目標函數最優值處的螢火蟲位置，即為最優占空比D。

其中：α∈[0，1），β0為光源處（d（i，j）=0）螢火蟲的吸引度，γ∈[0，∞），I0為螢火蟲最大發光亮度，即自身（d（i，j）=0）的發光亮度，螢火蟲i與j間的距離d（i，j）定義為：

2.2?螢火蟲算法的改進

從式（4）中可以看出，螢火蟲位置的移動包含兩部分：基于歷史信息的移動（前兩項）與隨機移動（后一項）方式。隨機移動部分由參數α控制。在標準FA算法中，α為固定值，在迭代過程中始終保持初始化時的數值，其值根據經驗或反復試驗來確定。若α值初始設置較大，螢火蟲具有較強的全局搜索能力，能以較大步長隨機搜索周圍空間。在迭代初期，螢火蟲能快速向全局最優值移動;但在迭代后期，當螢火蟲接近最優值并向其移動時，可能出現因移動步長過大而跳過了最優值的情況，此種情況若多次出現則會造成函數值在最優解附近震蕩，影響算法的收斂精度。若α值初始設置較小，隨機移動步長減小，螢火蟲具有較強的局部搜索能力。因此在迭代后期當螢火蟲向最優值移動時，較小的移動步長能避免發生震蕩;但在迭代初期，因隨機步長的減小，螢火蟲隨機搜索空間變小，且易陷入局部極值，全局搜索能力減弱，搜索時間增長，算法收斂速度降低。