基于自适应预测算法的光伏系统MPPT技术研究_马桂龙

第 33 卷 第 12 期2012 年 12 月太 阳 能 学 报ACTA ENERGIAE SOLARIS SINICAVol ． 33， No． 12Dec． ， 2012文章编号 ： 0254-0096（ 2012） 12-2062-06基于自适应预测算法的光伏系统 MPPT 技术研究收稿日期 ： 2010-11-30基金项目 ： 广东省自然科学基金 （ 9451027501002597 ） ； 广东省部产学研项目 （ 2011B090400066 ； 2011B090400159 ）通讯作者 ： 付 青 （ 1976— ） ， 男 ， 博士 、 副教授 ， 主要从事光伏系统与电力系统控制技术方面的研究 。 fuqing@ mail ．sysu ．edu． cn马桂龙 ， 付 青 ， 陈淑华（ 中山大学物理科学与工程技术学院 ， 广州 510006）摘 要 ： 根据光伏阵列的特性 ， 对光伏发电系统的最大功率点跟踪 （ MPPT） 技术进行分析 。 在扰动观察法的基础上引进自适应预测的方法以提高 MPPT 的跟踪速度 。 对光伏阵列及自适应预测机制进行建模仿真 。 结果表明 ： 在扰动观察法的基础上加入自适应预测算法 ， 能及时跟踪光伏阵列的最大功率点 ， 达到快速稳定的 MPPT控制 。关键词 ： 光伏 ； 最大功率点跟踪 ； 扰动观察法 ； 自适应预测中图分类号 ： TK514 文献标识码 ： A0 引 言随着世界能源危机的加剧 ， 光伏发电技术在新能源技术中的地位日益重要 。 有效降低光伏系统成本 ， 提高系统发电效率是目前的研究重点 。 由于太阳电池易受外界环境因素的影响导致其功率损失 ，因此从电子系统方面考虑 ， 最大功率点跟踪是降低发电成本 、 提高发电效率最直接有效的方法 。 但常规最大功率点跟踪方式在快速性及稳定性上均存在一定缺陷 ， 如扰动观察法在提高跟踪速度的同时会导致光伏阵列在最大功率点的振荡增大 ， 系统稳定性降低 ， 造成系统功率的损失 。 由此可见 ， 如何获得快速稳定的 MPPT 控制仍是光伏发电系统的重要难题和关键技术之一 。影响光伏阵列 MPP 的主要因素是太阳能辐照强度与光伏阵列的温度 。 光伏阵列的温度通常是慢时变的 ， 在采样频率较高时 ， 如不考虑光伏阵列温度的变化 ， 光伏阵列的最大功率由其输出电压决定 ， 为其非线性函数 。 因此可认为光伏阵列的最大输出功率是可预测的 ， 可将自适应预测机制引入 MPPT 控制来提高 MPPT控制的快速性 。 本文提出采用自适应预测的方法来提高 MPPT 的跟踪速度 。1 光伏系统的 MPPT 控制在光伏应用系统中 ， 太阳电池是关键部件 ， 通常为了满足实际应用的功率和电压要求 ， 将多个光伏组件进行串并联后构成光伏阵列 ， 承担将光能转换为电能的任务 。 图 1 为光伏阵列输出特性 ， 由于其输出电流和电压之间存在非线性关系 ［ 1］ ， 在某特定电压下 ， 光伏阵列的输出功率达到最大值 。 如图 2所示 ，12 期 马桂龙等 ： 基于自适应预测算法的光伏系统 MPPT技术研究 2063光伏阵列的最大功率点电压和功率都会随太阳辐照强度的变化而变化 ， 由于实际应用中 ， 外界环境因素不断变化 ， 为了使光伏阵列始终输出最大功率 ， 必须对光伏阵列的输出电压进行控制 ， 使其始终处于最大功率点电压上 。目前 ， 最大功率点跟踪的常用方法包括定电压跟踪 （ CVT） 法 、 功率回授法 、 增量电导法及扰动观察法等 。 定电压跟踪法 ［ 2］ 将光伏阵列输出电压保持在一恒定电压值 ， 其特点是方法简单 、 稳定性强 、 硬件实现容易 ， 但它不能跟踪日照强度和光伏阵列温度的变化 ， 因此并非真正的 MPPT 控制方法 。 功率回授法 ［ 3］ 是通过采集光伏阵列的输出功率 ， 根据当前的输出功率和上次记忆的输出功率来调整光伏阵列的输出电压值 ， 它实际上是扰动观察法的反向推理过程 ， 由于单个功率对应有多个电压和电流值 ， 其稳定性受到一定影响 。 增量电导法 ［ 4］ 根据在最大功率点附近功率对电压的导数接近于零进行判断 ， 也就是说 ， 当输出电导的变化量等于输出电导的负值时 ，太阳电池工作于最大功率点 。 若不相等时 ， 则根据dP /d V 的斜率是否大于零来调节 。 这种方法的特点是跟踪速度快 ， 但由于采用差分来代替微分 ， 因此具有一定的跟踪误差 。 扰动观察法 ［ 5］ 又被称为登山法（ 爬山法 ） ， 通过对光伏阵列输出电压施加扰动 ， 根据其输出功率的变化和电压扰动来判断输出电压的改变方向 ， 如果功率变化为正 ， 则电压扰动方向不变 ； 如果功率变化为负 ， 则电压扰动方向相反 。 经过不断扰动 、 比较 ， 最终达到最大功率点 。 其特点是算法简单 、 实现容易 ， 但无法稳定在 MPP， 只能在其附近波动 ， 且跟踪速度慢 ， 当大气条件迅速改变时 ， 由于较大的跟踪误差而造成在输出功率上的一些损失 。 此外 ， 步长的大小对跟踪速度及控制精度有较大影响 。 步长大时 ， 跟踪速度快 ， 但输出功率在最大功率点附近振荡较大 ； 步长小则跟踪速度慢 ， 但输出功率振荡较小 ， 这是常规扰动观察法在跟踪速度及控制精度上无法解决的一个难题 。本文将针对常规 MPPT 控制方法的缺点 ， 以扰动观察法为基础 ， 引进自适应预测机制 ， 以弥补扰动观察法在快速性与控制精度上的不足 。2 自适应预测机制系统采用基于有限脉冲响应 （ FIR） 的自适应预测模型 ， 输出 y 可表示为当前和过去输入 x 的线性组合 ［ 6， 7］ ：y^（ n + 1） = ∑N － 1k = 0hk x（ n － k） = H NX N（ n） （ 1）式中 ， X N （ n） — — — 自适应预测器输入信号向量 ，XN（ n） =［ x （ n ） ， x （ n － 1 ） ， … ， x （ n － N + 1） ］ ；H N— — — 预测器的系数向量 ， 是决定自适应预测机制的关键因素 ， H N =［ h0 ， h1 ， … ， hN － 1 ］ ； N— — — 线性组合的数量 ， 是影响预测算法的另一个因素 ［ 8］ ； hk — — —对应系数向量中的各元素 。自适应预测机制的原理框图如图 3 所示 。 图 3中 ， y（ n） 为期望输出 ； y^（ n） 、 y^（ n + 1） 为预测计算结果 ； e（ n） 为期望输出与预测计算结果之间的误差 ，即 ：e（ n） = y（ n） － y^（ n） （ 2）图 3 自适应预测机制Fig ． 3 Adaptive predictive algorithm预测器的系数向量决定了自适应机制的预测精度 ， 因此为了保证预测算法对系统时变性和环境不确定性的适应 ， 必须对预测器系数在线滚动优化 ， 即系数的自适应调整 。 所谓预测器系数的自适应调整就是根据预测误差 ， 采取一定准则在线优化系数 。一般采用的优化准则是以预测误差的均方值最小为基准 ， 典型代表为 LMS 算法 。由式 （ 2） 可知 ：e2 （ n） =［ y（ n） － y^（ n） ］ 2 （ 3）定义 ε （ n） 为 e2（ n） 的期望值 ， 即均方误差 ：ε （ n） = E［ e2（ n） ］ （ 4）将式 （ 1） ～ 式 （ 3） 代入式 （ 4） ， 可得 ：ε （ n） = E［ y（ n） － H N XN （ n） ］ 2 （ 5）为了使 ε （ n） 最小 ， 须求出一组 h k（ n） （ k = 0， 1， … ，N － 1） ， 使其满足要求 。 可通过对式 （ 5） 采用微分置零法得到 N 个方程 ， 求解可得预测器系数 ［ 9］ ：H *N = R － 1NN p N （ 6）式中 ， pN— — — y （ n） 与 X （ n） 的 互 相 关 量 ； RNN — — —2064 太 阳 能 学 报 33 卷X（ n） 的自相关矩阵 。 即 ：pN = E［ y（ n） X（ n） ］ （ 7）RNN = E［ X（ n） X N （ n） ］ （ 8）一般来讲 ， 预测器的系数调整可由式 （ 6） 获得 ，但当 N 较大时 ， 计算量较大 ， 不利于数字处理器上编程实现 。 实际应用中 ， 可采用递推方式进行求解 ， 常用最陡梯度法 ：H N （ n + 1） = H N（ n） + 2μ ［ pN － RNN H N （ n） ］ （ 9）式中 ， μ — — — 步长因子 ， 其大小影响每次迭代在最陡方向行进长度 。 可证明 ， 只要 μ 取值恰当 ， 从任何H N（ 0） 出发 ， 总能使预测器系数收敛至 H *N 。但是采用这种迭代法计算使均方误差最小的预测器系数向量 H *N 时 ， 仍需计算 p N 与 RNN ， 存在较复杂的矩阵运算 。 因此 ， 为了减少计算量 ， Widrow 提出了一种有效的简化方法 ［ 10 ， 11］ ， 并推导出最陡梯度迭代法的近似实现形式 ：HN （ n + 1） = H N （ n） + 2μ e（ n） X N（ n） （ 10）这就是 Widrow-Hoff LMS 算法 ， 在对预测器系数进行初值设置后 ， 就可以通过在线更新迭代 ， 使误差均方值最小 。根据上述描述的自适应预测机制 ， 设计出基于FIR 模型的自适应预测算法步骤为 ： ① 根据具体应用对象 ， 初始化 H N （ 0） 、 μ ； ② 输入信号经过自适应预测机制 ， 输出 y^（ n + 1） ； ③ 信号 y^（ n + 1） 经过一个延时环节 z－ 1， 输出 y^（ n） ； ④ 计算 e（ n） = y（ n） －y^（ n） ； ⑤ 计算 H N（ n + 1） = H N （ n） + 2μ e（ n） X（ n） 。至此一次滚动优化计算完成 ， 新的迭代计算周期到来时 ， 返回第二步 ， 开始新的滚动优化计算 。3 基于自适应预测机制的 MPPT 控制光伏阵列的 MPPT控制的关键是其快速性和精度之间的矛盾 ， 改进后的预测 MPPT 算法是在扰动观察法的基础上 ， 加入自适应预测算法 ， 从而提高MPPT 的快速性 。 图 4 为自适应预测机制的 MPPT控制框图 ， 其中 p（ n） 为光伏阵列输出功率 ， u（ n） 、I（ n） 分别为采样得到的光伏阵列的输出电压与电流 ， d（ n） 为输出占空比 。 输入电压信号经过自适应预测机制预测下一时刻的光伏阵列的输出功率 ， 进入扰动观察法比较判断扰动方向 ， 从而确定占空比 ，占空比与三角波进行比较后 ， 生成驱动开关器件的PWM 脉冲信号 ， 实现动态调节负载 ， 最终实现最大功率点跟踪控制 。图 4 自适应预测 MPPT 控制框图Fig ．4 Adaptive predictive MPPT control在自适应预测机制中 ， X（ n） 为当前及过去光伏阵列的输出电压向量 ， 即 X（ n） =［ u（ n） ， u（ n － 1） ，… ， u（ n － N + 1） ］ ， y（ n） 和 y^ 分别为当前时刻光伏阵列的输出功率及其预测值 ， y^（ n + 1） 为下一时刻输出功率的预测值 。 基于自适应预测机制的 MPPT 算法与传统的扰动观察法区别在于 ： 光伏阵列下一时刻输出的功率由自适应预测机制得出 ， 并通过扰动观察法与当前时刻的功率进行比较 ， 及时改变扰动方向 ， 在提高 MPPT 的快速性的同时减少功率损失 。图 5 为自适应预测机制 MPPT 算法控制流程图 。图 5 自适应预测 MPPT算法流程图Fig ．5 Flow of the adaptive predictive MPPT algorithm12 期 马桂龙等 ： 基于自适应预测算法的光伏系统 MPPT技术研究 20654 仿真与实验结果为了验证自适应预测 MPPT 的理论分析 ， 应用Matlab/Simulink 对预测算法进行仿真研究 ， 并与常规扰动观察法进行比较 。 系统的仿真框图如图 6 所示 ， 选用 STP270多晶硅电池组件为基础构建光伏阵列的仿真模型 ， 其中自适应预测算法采用 S 函数编写实现 ， 主电路采用 boost升压电路 ， 主要参数为 ： 标准日照下 ， Voc = 44． 5V， I sc = 8． 2A ， Vm = 35V， I m =7． 71A， C1 = 100μ F， C2 = 470μ F， L = 2mH， RL = 50Ω 。仿真时 ， 经过多次试验 ， N 取 20， μ 取 0． 005。图 6 系统的仿真框图Fig ． 6 Simulation of the proposedsystem图 7 为传统扰动观察法的仿真结果 。 VPV 、 I PV 分别为光伏阵列输出电压电流 ； PPV 为光伏阵列输出功率 ； E 为日照强度 。 光照强度随时间的变化 ， 在 0 ～0． 3s 时 为 标 准 日 照 ， 0． 3s 时 日 照 降 为 900W /m2，0． 5s时日照突变为 1200W /m2， 0． 7s 时日照恢复为初始日照强度 。 由于扰动步长为 0． 001， 故光伏阵列在最大功率点的振荡较小 ， 但跟踪速度却受到限制 。 系统初始阶段由 0s 时刻开始跟踪 ， 经过一段缓慢振荡后才稳定在最大功率点 ， 此阶段耗时 80ms。在 0． 5s 日照发生突变时 ， 系统不能及时跟踪在新的最大功率点 ， 由于扰动步长的影响 ， 只能缓慢跟踪 ，在 60ms 后才稳定工作在最大功率点 。 由此可见 ， 由于常规扰动观察法无法兼顾跟踪速度及控制精度 ，在日照变化较大的地区 ， 将会给系统带来部分功率损失 。 在仿真过程中 ， 系统所采用的电路结构较简单 ， 且未加入逆变电路 ， 算法仅包含 MPPT 控制技术 ， 而实际工程应用中的光伏发电系统结构与算法相对复杂 ， 常规扰动观察法的跟踪速度会比仿真结果更慢 ， 造成更大的功率损失 。图 7 扰动观察法 MPPT 仿真结果Fig ． 7 Simulation result of P＆Q MPPT图 8 为自适应预测 MPPT 的仿真结果 。 该算法将自适应预测机制加入常规扰动观察法 ， 是改进后的扰动观察法 。 由于扰动步长不变 ， 故系统在最大功率点处振荡较小 。 加入自适应预测机制后 ， 系统的跟踪速度明显提高 ， 在初始阶段 ， 系统经过短暂的振荡后 ， 迅速到达稳定点 ， 此阶段耗时 10ms。 纵观日照强度突变的几个阶段 ， 自适应预测 MPPT 算法使系统的跟踪速度较于常规扰动观察法成倍提高 ，迅速到达稳定点 ， 同时 ， 系统的控制精度却不会因此而降低 ， 弥补了常规扰动观察法的不足 。为了进一步验证自适应预测 MPPT 算法的功效 ， 以仿真模型的电路结构及参数为基础搭建实验平台 。 采用 TI 公司的 TMS320F2812 型号的 DSP芯片构建控制电路 ， 并采用霍尔电压电流传感器实时采样光伏组件的电压与电流 。 将采用两种不同算法的实验装置于广州某天进行测试运行 ， 并选取当天08∶ 00 ～ 16∶ 00 的采样的光伏组件电流与电压数据进行详细分析 。 表 1 为根据采样的数据对两种不同的跟踪模式下的性能比较 。2066 太 阳 能 学 报 33 卷图 8 自适应预测 MPPT 仿真结果Fig ．8 Simulation result of Adaptive predictive MPPT表 1 MPPT 算法性能比较Table 1 Performancecomparison for the MPPT algorithm时段平均日照强度/W· m － 2平均输出功率 /W常规MPPT法自适应预测算法效率提高比例 /%08∶ 00 ～ 09∶ 00 273． 99 67． 48 69． 59 3． 1309∶ 00 ～ 10∶ 00 436． 39 111． 95 115． 08 2． 8010∶ 00 ～ 11∶ 00 522． 46 135． 78 139． 46 2． 7111∶ 00 ～ 12∶ 00 701． 36 185． 21 189． 28 2． 2012∶ 00 ～ 13∶ 00 711． 66 187． 92 191． 70 2． 0113∶ 00 ～ 14∶ 00 731． 77 193． 92 197． 76 1． 9814∶ 00 ～ 15∶ 00 699． 95 185． 05 189． 66 2． 4915∶ 00 ～ 16∶ 00 515． 86 133． 82 137． 38 2． 66由表 1 可知 ， 自适应预测 MPPT 算法的跟踪效率比固定步长扰动观察法高约 2% ， 在低日照强度时 ， 该数据更接近于 3% ， 由此更直观地体现了自适应预测 MPPT 算法的高效性与实用性 。 若将该算法应用于大型的光伏发电系统 ， 与采用常规扰动观察法相比 ， 光伏阵列将多产生约 2% 的电能 ， 这在一个大型的光伏发电系统是不可忽视的 ， 同时这也是降低光伏发电成本最直接有效的手段 。图 9 分别为实验过程中 ， 太阳受到云层的短暂遮挡下常规 MPPT 算法和自适应预测 MPPT 算法下光伏阵列输出的电流波形 。 可看出 ， 实验结果与仿真结 果 一 致 ， 基 于 自 适 应 预 测 MPPT 算 法 比 常 规MPPT算法响应速度快 ， 跟踪速度成倍提高 ， 当日照变化时 ， 能够快速跟踪新的最大功率点 。 由于实验过程中光伏阵列的输出电压基本为一直线 ， 因此不列出 。图 9 两种 MPPT 算法下光伏阵列输出电流波形Fig ． 9 PV array output current waveformoftwo MPPT algorithm5 结 论本文提出了一种自适应预测 MPPT 控制算法 ，该算法是在常规扰动观察法的基础上加入自适应预测机制 ， 预测下一采样时刻的光伏阵列输出功率 ， 及时改变扰动方向 ， 在提高跟踪速度的基础上 ， 兼顾系统的控制精度 ， 减少功率损耗 。 仿真与实验结果证明该算法的有效性 ， 改进后的算法能够弥补常规扰动观察法的不足 ， 成倍提高系统的跟踪速度 ， 同时保证系统的稳态精度 ， 达到快速稳定的 MPPT 控制 。此外 ， 自适应预测算法控制简单 ， 易于软件编程实现 ， 在光伏系统应用中 ， 有较大的实用意义 。［ 参考文献 ］［ 1］ 王长贵 ， 王斯成 ． 太阳能光伏发电实用技术 ［ M］ ． 北京 ： 化学工业出版社 ， 2005， 31— 40．［ 2］ 杨海柱 ， 金新民 ． 最大功率跟踪的光伏并网逆变器研究 ［ J］ ． 北方交通大学学报 ， 2004， 28（ 2） ： 65— 68．［ 3］ 首福俊 ， 黄念慈 ， 窦 伟 ． 一种新型的光伏逆变器控制方法 ［ J］ ． 电力电子技术 ， 2004， 38（ 2） ： 66— 68．［ 4］ 崔 岩 ， 蔡炳煌 ， 李大勇 ， 等 ． 太阳能光伏系统 MPPT控制算法的对比研究 ［ J］ ． 太阳能学报 ， 2006， 27（ 7） ：535— 539．［ 4］ Cui Yan， Cai Binghuang， Li Dayong， et al ． Comparativestudies on the MPPT control algorithms of solar energyphotovoltaic system［ J］ ． Acta Energiae Solaris Sinica，2006， 27（ 7） ： 535— 539．［ 5］ OuyangMingsan， Yu Shijie， Shen Yuliang ．Implementa-tion of MPPT controller in photovotaic array and research12 期 马桂龙等 ： 基于自适应预测算法的光伏系统 MPPT技术研究 2067of resting method［ J］ ． Measurement and Instrument，2004， 18（ 2） ： 30— 34．［ 6］ Su Mei， Wang Lina， Zhang Taishan， et al ． Harmonicprediction method based on adaptive filter［ J］ ． Controland Decision， 2004， 19（ 12） ： 1429— 1432．［ 7］ Dai Liping ， Liu Kaipei ． Harmonic detection based onadaptively predictive filter［ J］ ． Electric Power AutomationEquipment， 2005， 25（ 8） ： 63— 65．［ 8］ 罗 安 ． 电网谐波治理和无功补偿技术及装备 ［ M］ ．北京 ： 中国电力出版社 ， 2006， 58— 71．［ 9］ 陆秀令 ， 张振飞 ， 胡红艳 ， 等 ． 基于自适应 FIR 预测滤波器的谐波检测 ［ J］ ． 高电压技术 ， 2008， 34（ 7） ：1494— 1498．［ 9］ Lu Xiuling， Zhang Zhenfei， Hu Hongyan， et al ． Harmon-ic detection based on adaptive FIR predictive filter［ J］ ．High Voltage Engineering， 2008， 34（ 7） ： 1494— 1498．［ 10］ Qian L， Cartes D A， Li H． An improved adaptive detec-tion method for power quality improvement［ J］ ． IEEETransactions on Industry Applications， 2008， 44 （ 2） ：525— 533．［ 11］ 王群京 ， 王 强 ． 有源滤波器中谐波电流自适应预测方法研究 ［ J］ ． 电子测量与仪器学报 ， 2008， zl： 114—117．［ 11］ Wang Qunjing， Wang Qiang ． Research on the adaptivepredictive algorithm for harmonic current in the activepowerfilter ［ J］ ． Journal of Electronic Measurement andInstrument， 2008， z1： 114— 117．RESEARCH ON MAXIMUM POWER POINT TRACKING BASED ONADAPTIVE PREDICTIVE ALGORITHMMa Guilong， Fu Qing， Chen Shuhua（ School of Physics and Engineering， Sun Yat-sen University， Guangzhou510006， China）Abstract ： According to the characteristics of photovoltaic array， the maximum power point tracking（ MPPT） controlof PV power systemwas introduced ．The adaptive predictive MPPT algorithm was presented based on the perturba-tion and observationin detail ．The new MPPT algorithm increase the speed of tracking maximum power point ． Sim-ulation results show that the adaptive predictive MPPT control can track the maximum power point rapidly， and thesystemcan operate steadily with this method．Keywords ： photovoltaic； maximum power point tracking； perturbation and observation algorithm； adaptive predic-tion