基于自適應(yīng)布谷鳥搜索和擾動(dòng)觀察法的光伏最大功率點(diǎn)跟蹤

商立群，李 帆

基于自適應(yīng)布谷鳥搜索和擾動(dòng)觀察法的光伏最大功率點(diǎn)跟蹤

商立群，李 帆

(西安科技大學(xué)電氣與控制工程學(xué)院，陜西 西安 710054)

當(dāng)光伏陣列板暴露在不均勻的光線下時(shí)，功率電壓(-)特性曲線會(huì)變?yōu)槎喾?，在這種情況下，傳統(tǒng)的最大功率點(diǎn)跟蹤(MPPT)算法將無法跟蹤到正確的全局最大功率點(diǎn)(GMPP)，而具有全局搜索能力的人工智能算法通常是高度參數(shù)化和復(fù)雜的。為了解決上述問題，提出了一種結(jié)合自適應(yīng)布谷鳥搜索算法和擾動(dòng)觀察方法(ACS-P&O)的復(fù)合跟蹤算法。該方法將布谷鳥搜索(CS)算法中的切換概率和Lévy飛行步長系數(shù)通過自適應(yīng)調(diào)整，在跟蹤早期，擴(kuò)大算法的搜索范圍。引入邊界個(gè)體的處理策略，可進(jìn)一步減少算法的迭代次數(shù)。該算法使系統(tǒng)更容易跳出局部最大功率點(diǎn)(LMPP)，而在跟蹤后期，算法精確運(yùn)行在小范圍內(nèi)，提高了局部開發(fā)能力。擾動(dòng)觀察法(P&O)的加入緩解了系統(tǒng)位于GMPP附近時(shí)的功率振蕩，穩(wěn)定了輸出。仿真結(jié)果表明，ACS-P&O復(fù)合算法能夠適應(yīng)環(huán)境變化的影響，并快速準(zhǔn)確地跟蹤GMPP。

光伏；MPPT；自適應(yīng)布谷鳥搜索算法；擾動(dòng)觀察法；Lévy飛行；邊界個(gè)體

0 引言

為防止環(huán)境惡化，響應(yīng)國家“碳中和”可持續(xù)性戰(zhàn)略目標(biāo)，尋找替代性新能源成為當(dāng)今社會(huì)的熱點(diǎn)話題[1-3]。光伏能源在眾多新能源中分布較廣，清潔、高效、易獲取，所以受到了廣泛的關(guān)注。然而，光伏系統(tǒng)的能量轉(zhuǎn)換率較低，輸出通常具有非線性的特點(diǎn)。為了最大限度地利用光伏陣列輸出的能量，使用最大功率跟蹤技術(shù)(Maximum Power Tracking technology, MPPT)來減少有效功率的損失[4-6]。在目前的研究中，MPPT方法研究主要分為兩類：傳統(tǒng)算法和具有全局性的元啟發(fā)算法。傳統(tǒng)算法通常用于尋找光照條件均勻時(shí)光伏陣列輸出特性曲線的單一峰值，如恒定電壓法、擾動(dòng)觀察法(P&O)和增量電導(dǎo)法(Incremental Conductance, INC)[7-10]。恒定電壓法的輸出只是一個(gè)近似值，取決于原始電路的性能，所以通常與其他算法結(jié)合使用，以找到最佳解決方案。P&O法和INC法的控制邏輯簡單，易于在工程實(shí)踐中應(yīng)用，但固定的步長不能適應(yīng)環(huán)境的巨大變化。當(dāng)光伏系統(tǒng)因云層、飛鳥等物體發(fā)生部分遮擋后，在部分遮擋條件(Partial Shading Conditions, PSC)下運(yùn)行時(shí)，輸出功率-電壓曲線由單峰變?yōu)槎喾?，傳統(tǒng)算法因無法跳出局部最大功率點(diǎn)(LMPP)而損失大量能量。

尋找多峰曲線對(duì)應(yīng)的全局最大功率點(diǎn)(Global Maximum Power Point, GMPP)是目前國內(nèi)外的研究熱點(diǎn)[11-13]。常用的元啟發(fā)算法有粒子群算法[14]、鯨魚優(yōu)化算法[15]、差分進(jìn)化算法[16]、人工蜂群算法[17]等。文獻(xiàn)[18]提出了一種結(jié)合粒子群和P&O的混合算法，根據(jù)電流、電壓和功率的變化規(guī)律來確定PSC，只在PSC發(fā)生時(shí)使用PSO算法，在遮陰結(jié)束后使用P&O來跟蹤系統(tǒng)，提高系統(tǒng)運(yùn)行效率。文獻(xiàn)[19]提出了一種跟蹤GMPP的并行組合進(jìn)化算法，首先使用遺傳算法和差分進(jìn)化算法分別在平行空間進(jìn)行搜索，然后使用PSO在兩個(gè)子種群中選擇優(yōu)勢(shì)種群再繼續(xù)更新。文獻(xiàn)[20]將灰狼優(yōu)化算法與P&O結(jié)合，可減少灰狼優(yōu)化算法在-曲線上的搜索范圍，使系統(tǒng)更快地收斂。文獻(xiàn)[21]提出一種改進(jìn)羊群算法，通過在原始算法的基礎(chǔ)上加入反向種群及自適應(yīng)策略來擴(kuò)大算法的全局搜索性能，避免陷入局部最優(yōu)。文獻(xiàn)[22]提出了一種免疫螢火蟲算法，通過免疫補(bǔ)充環(huán)節(jié)將較弱個(gè)體去除，可有效地提高算法收斂時(shí)間。

CS算法[23-24]是Yang和Deb在觀察了布谷鳥群尋找其巢穴和繁殖的獨(dú)特方式后于2009年提出的一種生物啟發(fā)式算法。與其他優(yōu)化算法相比，CS算法的初始化參數(shù)少，簡單高效，運(yùn)行速度快，所以非常適用于尋找光伏陣列的最大功率點(diǎn)。文獻(xiàn)[25]提出了一種確定性CS算法，為克服CS算法的隨機(jī)性問題，將原有計(jì)算方程中的隨機(jī)數(shù)刪去，使整個(gè)算法流程的結(jié)構(gòu)參數(shù)更易調(diào)整。文獻(xiàn)[26]將CS算法與黃金分割搜索(Golden Section Search, GSS)算法相結(jié)合，依靠CS算法的全局性首先定位在GMPP區(qū)域，然后切換到GSS算法繼續(xù)跟蹤。CS算法做為元啟發(fā)算法會(huì)因其固有屬性導(dǎo)致后期收斂精度較差，在運(yùn)行前期也有陷入最優(yōu)的可能性，因此本文首先對(duì)傳統(tǒng)的CS算法進(jìn)行改進(jìn)，使其切換概率和步長系數(shù)具有自適應(yīng)性，還增添了飛躍邊界個(gè)體的處理?xiàng)l件，使算法在跟蹤初期能夠加速收斂，順利跳出LMPP，當(dāng)自適應(yīng)布谷鳥搜索算法(Adaptive Cuckoo Search Algorithm, ACS)跟蹤到GMPP附近時(shí)，算法切換到小步長的P&O繼續(xù)跟蹤，這樣可以保證在跟蹤后期功率振蕩處于最小振幅狀態(tài)。

1 光伏陣列建模分析

光伏電池的單二極管等效模型如圖1所示[27]。

圖1 光伏電池單二極管模型

在圖1中，應(yīng)用KVL可以得到光伏電池輸出電流的表達(dá)式。

式中：是光伏電池的輸出電流；ph是光生電流；d是二極管的反向飽和電流；是光伏電池的輸出電壓；s是串聯(lián)等效電阻；p是并聯(lián)等效電阻；是二極管的理想系數(shù)；T是熱電壓；s和p分別是串聯(lián)和并聯(lián)在光伏陣列中的單個(gè)電池?cái)?shù)量。其中二極管的光生電流值和反向飽和電流值可以從式(2)和式(3)中得到。

式中：SC_STC和OC_STC分別是光伏陣列在標(biāo)準(zhǔn)環(huán)境下(= 25℃，= 1 000 W/m2)對(duì)應(yīng)的短路電流和開路電壓；和分別是電流和電壓的溫度系數(shù)；是光伏板接收的輻照度；STC是標(biāo)準(zhǔn)條件下的輻照度。

光伏電池的熱電壓可以用式(4)表示。

式中：是玻爾茲曼常數(shù)，其值通常為1.38×10-23J/K；是絕對(duì)溫度；值為1.6×1019C。

光伏系統(tǒng)的輸出特性通常是非線性的。在光伏系統(tǒng)的運(yùn)行中，為了避免功率不匹配造成的“熱斑效應(yīng)”，通常會(huì)將一個(gè)旁路二極管與光伏電池并聯(lián)起來。當(dāng)系統(tǒng)處于PSC狀態(tài)時(shí)，處于陰影部分的光伏電池元件并聯(lián)的旁路二極管會(huì)導(dǎo)通，輸出特性因此從單峰變?yōu)槎喾?，模塊中的電流大小與接收的輻照度成正比。圖2顯示了當(dāng)光照條件均勻和發(fā)生部分遮擋時(shí)，系統(tǒng)的功率-電壓曲線的變化?？梢宰⒁獾?，當(dāng)遮陽發(fā)生時(shí)，曲線發(fā)生了變化，三個(gè)峰值中的兩個(gè)是LMPP，GMPP是唯一存在的。

圖2 均勻光照和部分陰影下的光伏串和P-V特性曲線

2 ACS-P&O算法在GMPPT中的應(yīng)用

2.1 布谷鳥搜索算法

布谷鳥種群在繁殖時(shí)不建造自己的巢穴，而是將卵產(chǎn)在其他宿主鳥建造的巢里，由宿主鳥代替孵化。然而，如果宿主鳥發(fā)現(xiàn)卵是外來的，它將放棄這些卵或重新建造一個(gè)新的巢。為了便于建模，提出了以下三個(gè)理想規(guī)則。

(1) 布谷鳥在繁殖時(shí)隨機(jī)找到一個(gè)寄生巢穴后只產(chǎn)一個(gè)卵。

(2) 具有最佳質(zhì)量卵(最佳適應(yīng)度值)的寄生巢穴被保留到下一代。

(3) 可選擇的寄生巢穴的數(shù)量是固定的，宿主鳥將有a(0≤a≤1)的概率發(fā)現(xiàn)該卵為外來卵。

為了獲得最佳的寄生巢穴，CS算法需要不斷地更新位置，然后進(jìn)行比較，在多次迭代過程中找到對(duì)應(yīng)于最佳適配度的解決方案。CS算法有兩種更新位置的方式：偏好局部隨機(jī)游動(dòng)與全局Lévy飛行。在布谷鳥把卵放在寄生巢穴中后，宿主鳥有一個(gè)發(fā)現(xiàn)卵的概率a，每個(gè)巢對(duì)應(yīng)一個(gè)隨機(jī)數(shù)r，如果r＞a，則寄生巢穴被宿主發(fā)現(xiàn)并丟棄，此時(shí)需要用偏好局部隨機(jī)游動(dòng)更新巢穴的位置，更新公式為

全局Lévy飛行的更新公式為

2.2 自適應(yīng)布谷鳥搜索算法

1) 自適應(yīng)切換概率

在CS算法中，只有當(dāng)r＞a時(shí)，偏好隨機(jī)游動(dòng)位置更新方法才會(huì)被激活，而原算法通常對(duì)a取固定值0.25，這使得算法在整個(gè)迭代期中，偏好隨機(jī)游動(dòng)出現(xiàn)的概率相同。為了更準(zhǔn)確地找到全局峰值，算法在迭代初期需要有良好的全局探索能力，以便跳出LMPP，而在算法運(yùn)行的后期需要提高局部開發(fā)能力，使系統(tǒng)運(yùn)行更加穩(wěn)定。根據(jù)這一要求，本文提出了自適應(yīng)切換概率a。在算法運(yùn)行初期，較小的a值可以增加偏好隨機(jī)游動(dòng)的發(fā)生概率，使搜索范圍增大；在算法運(yùn)行后期，較小的a可以通過縮小搜索范圍來提高精度，加速收斂。自適應(yīng)切換概率的建議公式為

式中：為當(dāng)前迭代次數(shù)；為最大迭代次數(shù)。a的變化區(qū)間為0.2～0.54，可以適應(yīng)算法在搜索過程中的探索和開發(fā)需要。

2) Lévy飛行的自適應(yīng)步長系數(shù)

從式(6)中可以看出，當(dāng)布谷鳥通過Lévy飛行尋找寄生巢時(shí)，步長系數(shù)可以影響算法的搜索范圍。當(dāng)步長值較大時(shí)，尋找鳥巢的范圍可以增加，使算法更容易跳出局部最優(yōu)。當(dāng)值較小時(shí)，可產(chǎn)生的寄生巢的范圍會(huì)減少，算法可以在小范圍內(nèi)更快地找到最優(yōu)解。在原來的CS算法中，通常以固定值的形式存在，這就不能平衡算法在早期階段的探索和后期開發(fā)的需要。本文提出了Lévy飛行的自適應(yīng)步長系數(shù)，以提高全局優(yōu)化求解的能力。改動(dòng)公式為

本文提出的自適應(yīng)步長系數(shù)從1到0.6非線性遞減，使算法在運(yùn)行初期有較大的搜索空間，防止在局部最優(yōu)處收斂，并在算法后期減少可搜索空間，有效提高運(yùn)行精度。

3) 邊界個(gè)體的處理

在原始CS算法中，當(dāng)檢測(cè)到布谷鳥飛離系統(tǒng)設(shè)定邊界值時(shí)，會(huì)令飛離的個(gè)體停留在邊界值處。盡管此方法可在一定程度上限制搜索范圍的無限擴(kuò)大，但停留在邊界的個(gè)體到達(dá)最優(yōu)解處仍需要進(jìn)行多次的迭代，本文為提高收斂速度，增強(qiáng)算法的全局性能重新設(shè)定了邊界處理?xiàng)l件：當(dāng)有個(gè)體值大于系統(tǒng)的搜索空間上界，或小于系統(tǒng)的搜索空間下界，則令其返回目前迭代最優(yōu)值與邊界值中間的隨機(jī)位置，新的搜索路徑使個(gè)體更易接近最優(yōu)值處，也有助于算法的全局尋優(yōu)能力，其公式可表示為

式中，與均表示為[0,1]中可能出現(xiàn)的隨機(jī)數(shù)。

2.3 算法性能驗(yàn)證

生物啟發(fā)式算法因自身特點(diǎn)問題會(huì)存在很強(qiáng)的隨機(jī)性，為了驗(yàn)證改進(jìn)算法針對(duì)多種情況均有良好的適用性，選取4個(gè)國際通用的基準(zhǔn)測(cè)試函數(shù)來對(duì)CS算法與ACS算法進(jìn)行對(duì)比測(cè)試，基準(zhǔn)函數(shù)的基本信息如表1所示。將函數(shù)的維度設(shè)置為30，種群數(shù)為100，最大迭代次數(shù)設(shè)置了400次，圖3中列出了在算法運(yùn)行20次后目標(biāo)值的箱線圖。

表1 基準(zhǔn)測(cè)試函數(shù)

圖3 算法測(cè)試箱線圖

由圖3可以看出，CS算法在對(duì)基準(zhǔn)函數(shù)進(jìn)行跟蹤時(shí)目標(biāo)值的波動(dòng)范圍較大，表現(xiàn)出較強(qiáng)的隨機(jī)性。在跟蹤Generalized函數(shù)時(shí)，明顯停留在局部最優(yōu)值處，全局搜索性能較差。ACS算法在應(yīng)對(duì)不同的基準(zhǔn)函數(shù)所求目標(biāo)值均可達(dá)到其理論最優(yōu)值，無陷入局部最優(yōu)的現(xiàn)象，且所得目標(biāo)值的范圍相對(duì)集中，穩(wěn)態(tài)性較好。綜上可以看出，ACS算法在準(zhǔn)確性與穩(wěn)定性上均優(yōu)于CS算法。

2.4 結(jié)合P&O算法

在光伏MPPT應(yīng)用中，與人工智能算法相比，小步長P&O算法在穩(wěn)態(tài)跟蹤過程中的輸出更為穩(wěn)定，因此本文采用ACS算法和P&O算法結(jié)合尋優(yōu)方式，P&O算法可以通過式(11)來更新占空比。首先利用ACS算法的全局搜索性能進(jìn)行迭代到GMPP附近，當(dāng)滿足以下兩個(gè)條件之一時(shí)，將目前找到的最佳值作為P&O算法的起始占空比，在-曲線上繼續(xù)進(jìn)行精確搜索。1) 滿足設(shè)定的最大跳轉(zhuǎn)迭代次數(shù)；2) 迭代更新的寄生窩點(diǎn)位置和目前發(fā)現(xiàn)的最佳窩點(diǎn)位置滿足式(12)的比較關(guān)系。

當(dāng)使用P&O算法繼續(xù)跟蹤GMPP時(shí)，由于外部環(huán)境的動(dòng)態(tài)變化，-曲線可能會(huì)發(fā)生偏移，GMPP的位置可能會(huì)發(fā)生變化，如果繼續(xù)使用P&O算法，可能無法找到新的GMPP，需要重新啟動(dòng)ACS算法進(jìn)行跟蹤。本文設(shè)置了兩個(gè)算法重啟條件，當(dāng)滿足其中一個(gè)條件時(shí)重新啟動(dòng)。1)設(shè)定重啟時(shí)間為1min；2) 功率變化情況滿足式(13)，采用ACS-P&O復(fù)合算法跟蹤光伏系統(tǒng)GMPP的流程圖如圖4所示。

具體步驟為

步驟1 初始化ACS算法中的參數(shù)。主要有：種群大小、跳躍迭代次數(shù)jump以及每個(gè)系數(shù)參數(shù)值的大小。

步驟2 根據(jù)采集的電流、電壓值計(jì)算適應(yīng)度值，保留計(jì)算所得的最佳適應(yīng)度值。

步驟3 判斷迭代次數(shù)是否滿足跳轉(zhuǎn)迭代數(shù)jump，若滿足則轉(zhuǎn)至步驟8。

步驟4 結(jié)合式(6)與式(9)來更新寄生巢穴的位置，若優(yōu)于上一代則保留其值。

步驟5 通過式(8)計(jì)算本次迭代的切換概率a的值，并產(chǎn)生一個(gè)隨機(jī)數(shù)r(0≤r≤1)與a進(jìn)行比較，若r

步驟6 根據(jù)式(5)更新寄生巢穴的位置，若優(yōu)于上一代則保留其值。

步驟7 計(jì)算本次迭代更新的寄生巢穴位置與目前找到的最佳鳥巢位置是否滿足式(12)，若不滿足轉(zhuǎn)回步驟2。

步驟8 將最前得到的最佳占空比做為P&O的起始步長值，根據(jù)式(11)來對(duì)占空比進(jìn)行更新。

步驟9 查看是否到達(dá)重啟時(shí)間或滿足式(13)，若符合重啟條件則轉(zhuǎn)至步驟1，否則轉(zhuǎn)至步驟8。

步驟10 輸出當(dāng)前的最優(yōu)占空比值，結(jié)束算法迭代。

圖4 光伏系統(tǒng)MPPT控制算法的流程圖

3 算法性能驗(yàn)證與仿真結(jié)果分析

為了驗(yàn)證所提光伏MPPT算法的性能改進(jìn)，ACS-P&O算法與PSO算法和CS算法在Matlab/Simulink上進(jìn)行了仿真和驗(yàn)證。用于仿真系統(tǒng)的模型結(jié)構(gòu)如圖5所示。光伏陣列是由四個(gè)單獨(dú)的電池元件串聯(lián)而成的，所使用的單個(gè)光伏組件型號(hào)為TP250MBZ?？刂品椒橹苯涌刂品?，利用占空比的變化配合boost電路來促使外接負(fù)載阻值與光伏陣列的內(nèi)阻相匹配，從而使功率輸出最大化。電路中的原始參數(shù)設(shè)置如下：1= 400mF，2= 0.5 mF，= 0.8 mH，load= 20 Ω，開關(guān)頻率為20 kHz。

圖5 光伏系統(tǒng)MPPT控制系統(tǒng)

該模擬將分別在STC(模式1)和PSC(模式2)和動(dòng)態(tài)變化環(huán)境(模式1突變至模式2)中進(jìn)行，模擬所用的曲線如圖6所示。為了比較，種群數(shù)量都被設(shè)定為4。

圖6 仿真實(shí)驗(yàn)陣列的P-V曲線變化情況

3.1 無陰影狀況下的仿真

光伏陣列的設(shè)置通常是為了在寬闊、無遮擋的環(huán)境中接受較大面積的光線，因此一般來說，接受均勻光線的光伏陣列在曲線上有一個(gè)且只有一個(gè)極值點(diǎn)。模式1顯示了標(biāo)準(zhǔn)條件下的曲線，最大系統(tǒng)功率為996 W。設(shè)置仿真時(shí)間為1 s，三種算法的仿真結(jié)果如圖7所示。

從圖7中可以看出，三種算法都收斂到了接近GMPP的水平。PSO、CS和ACS-P&O算法跟蹤到的平均功率值分別為975.28 W、994.65 W和995.95 W。當(dāng)?shù)M(jìn)行到接近GMPP時(shí)，PSO算法和CS算法仍然存在比較明顯的電流和電壓紋波及功率振蕩現(xiàn)象。相比之下，本文提出的算法在功率收斂到GMPP附近時(shí)自動(dòng)切換到小步長的P&O算法，調(diào)整占空比變化的形式，使功率輸出更加穩(wěn)定。表2記錄了在光照均勻時(shí)的三種算法跟蹤時(shí)間、功率波動(dòng)范圍與發(fā)電效率(發(fā)電效率=平均輸出功率/最大功率點(diǎn)處功率)。

圖7 無遮擋情況下的光伏陣列輸出波形

表2 實(shí)驗(yàn)結(jié)果對(duì)比

3.2 局部遮陰狀況下的仿真

當(dāng)光伏陣列被云層、鳥類等遮擋時(shí)，-曲線從單峰轉(zhuǎn)變?yōu)槎喾?。模?是四個(gè)串聯(lián)的光伏板分別接收800 W/m2、800 W/m2、300 W/m2和600 W/m2的輻照度的曲線。同一條曲線上有三個(gè)極值點(diǎn)，其中兩個(gè)LMPP的功率值分別為389.6 W、342.1 W，GMPP的功率值為483.8 W。圖8中顯示了三種算法在1 s模擬時(shí)間內(nèi)的光伏電池輸出波形。

圖8 部分遮擋下的光伏陣列輸出波形

從圖8中可以看出，PSO、CS和ACS-P&O算法跟蹤的平均功率分別近似為482.29 W、483.31 W和483.76 W。在圖8中還可以發(fā)現(xiàn)，PSO算法在跟蹤GMPP時(shí)，首先在LMPP附近的功率上有波動(dòng)，然后在0.2 s后跳出局部最優(yōu)。與其他算法相比，ACS-P&O算法收斂速度更快，精度更高，跟蹤時(shí)振蕩更小。三種算法的實(shí)驗(yàn)結(jié)果對(duì)比值如表3所示。

表3 實(shí)驗(yàn)結(jié)果對(duì)比

3.3 動(dòng)態(tài)變化狀況下的仿真

為了模擬改進(jìn)后的算法在動(dòng)態(tài)環(huán)境中跟蹤光伏系統(tǒng)GMPP的能力，模擬時(shí)間被設(shè)定為3 s，光伏電池的-輸出特性曲線在1.5 s時(shí)從模式1切換到模式2。三種算法的仿真輸出如圖9所示。

如圖9所示，盡管PSO算法在環(huán)境突然變化后跟蹤到了正確的GMPP，但存在明顯的功率振蕩，系統(tǒng)難以保持穩(wěn)定。觀察CS算法的仿真結(jié)果可發(fā)現(xiàn)，在光線變化后的0.5 s，系統(tǒng)重新追蹤到新的GMPP，但在2 s后趨于平穩(wěn)之前，系統(tǒng)仍然經(jīng)歷了小幅度的功率振蕩。而ACS-P&O算法在1.5 s時(shí)檢測(cè)到功率的突然變化，并將P&O算法切換到ACS算法，以確保系統(tǒng)不會(huì)陷入局部最優(yōu)，只有當(dāng)算法檢測(cè)到收斂至GMPP附近時(shí)才會(huì)再次切換P&O算法，以保持穩(wěn)定的跟蹤，而重新收斂到最大功率點(diǎn)只需要0.18 s。P&O算法的小步長也能滿足后續(xù)跟蹤的要求，且功率振蕩始終處于最小振幅，很大程度上提升了跟蹤效率。

圖9 動(dòng)態(tài)變化下的光伏陣列輸出波形

4 結(jié)論

本文提出了一種基于ACS-P&O算法的光伏陣列最大功率點(diǎn)跟蹤控制方法。為了解決CS算法問題，將Lévy飛行方程中的步長系數(shù)改為自適應(yīng)遞減形式，以滿足前后期探測(cè)與開發(fā)的需要；令CS算法的切換概率隨著迭代的進(jìn)行而線性增長，這使得布谷鳥在早期有更大的機(jī)會(huì)隨機(jī)游動(dòng)，以保證算法在運(yùn)行初期順利跳出LMPP，同時(shí)也加速了后期的收斂；邊界個(gè)體處理?xiàng)l件的加入使個(gè)體向最優(yōu)值處靠攏，減少迭代次數(shù)；為避免算法收斂在全局最優(yōu)值后產(chǎn)生不必要的功率振蕩，將在GMPP附近時(shí)切換小步長P&O算法，以保持功率輸出的穩(wěn)定性。仿真結(jié)果表明，所提出的方法在早期收斂速度和后期穩(wěn)態(tài)振蕩方面都優(yōu)于PSO算法和CS算法，并有效提高了光伏系統(tǒng)的能量利用率。

[1] KERMADI M, BERKOUK E M.Artificial intelligence-based maximum power point tracking controllers for Photovoltaic systems: comparative study[J].Renewable & Sustainable Energy Reviews, 2017, 69: 369-386.

[2] MOHAPATRA A, NAYAK B, DAS P, et al.A review on MPPT techniques of PV system under partial shading condition[J].Renewable and Sustainable Energy Reviews, 2017, 80: 854-867.

[3] 王志豪, 李自成, 王后能, 等.基于RBF神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)MPPT研究[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 85-91.

WANG Zhihao, LI Zicheng, WANG Houneng, et al.MPPT study of solar PV power system based on RBF neural network algorithml[J].Power System Protection and Control, 2020, 48(6): 85-91.

[4] YANG B, ZHU T, WANG J, et al.Comprehensive overview of maximum power point tracking algorithms of PV systems under partial shading condition[J].Journal of Cleaner Production, 2020, 268.

[5] 李立雄, 陽同光, 袁越陽, 等.基于改進(jìn)有限集模型預(yù)測(cè)控制策略的光伏發(fā)電系統(tǒng)最大功率點(diǎn)追蹤算法[J].電力系統(tǒng)保護(hù)與控制, 2021, 49(17): 28-37.

LI Lixiong, YANG Tongguang, YUAN Yueyang, et al.Maximum power point tracking algorithm of a photovoltaic power generation system based on an improved finite set model predictive control strategy[J].Power System Protection and Control, 2021, 49(17): 28-37.

[6] 韓鵬, 李銀紅, 何璇, 等.結(jié)合量子粒子群算法的光伏多峰最大功率點(diǎn)跟蹤改進(jìn)方法[J].電力系統(tǒng)自動(dòng)化, 2016, 40(23): 101-108.

HAN Peng, LI Yinhong, HE Xuan, et al.Improved maximum power point tracking method for photovoltaic multi-peak based on quantum-behaved particle swarm potimization algorithm[J].Automation of Electric Power Systems, 2016, 40(23): 101-108.

[7] BDEL-SALAM M, EL-MOHANDES M T, EL-GHAZALY M.An efficient tracking of MPP in PV systems using a newly-formulated P&O-MPPT method under varying irradiation levels[J].Journal of Electrical Engineering & Technology, 2020, 15(1): 501-513.

[8] 盛四清, 陳玉良.基于功率預(yù)測(cè)的新型變步長電導(dǎo)增量法最大功率點(diǎn)跟蹤策略[J].電力系統(tǒng)保護(hù)與控制, 2017, 45(23): 42-48.

SHENG Siqing, CHEN Yuliang.Maximum power point tracking strategy based on power predication for a novel variable step-size incremental conductance algorithm[J].Power System Protection and Control, 2017, 45(23): 42-48.

[9] 陳景文, 張文倩, 李曉飛.基于改進(jìn)電導(dǎo)增量法的光伏MPPT控制[J].智慧電力, 2021, 49 (9): 47-55.

CHEN Jingwen, ZHANG Wenqian, LI Xiaofei.Photovoltaic MPPT control based on improved conductance[J].Smart Power, 2021, 49(9): 47-55.

[10] SHANG L, GUO H, ZHU W.An improved MPPT control strategy based on incremental conductance algorithm[J].Protection and Control of Modern Power Systems, 2020, 5(2): 176-163.

[11] 吳志程, 江智軍, 楊曉輝.一種基于功率閉環(huán)控制的改進(jìn)全局MPPT方法[J].電力系統(tǒng)保護(hù)與控制, 2018, 46(1): 57-62.

WU Zhicheng, JIANG Zhijun, YANG Xiaohui.An improved global MPPT method based on power closed-loop control[J].Power System Protection and Control, 2018, 46(1): 57-62.

[12] 商立群, 朱偉偉.基于全局學(xué)習(xí)自適應(yīng)細(xì)菌覓食算法的光伏系統(tǒng)全局最大功率點(diǎn)跟蹤方法[J].電工技術(shù)學(xué)報(bào), 2019, 34(12): 2606-2614.

SHANG Liqun, ZHU Weiwei.Photovoltaic system global maximum power point tracking method based on the global learning adaptive bacteria foraging algorithm[J].Transactions of China Electrotechnical Society, 2019, 34(12): 2606-2614.

[13] SHANG L, ZHU W, LI P, et al.Maximum power point tracking of PV system under partial shading conditions through flower pollination algorithm[J].Protection and Control of Modern Power Systems, 2018, 3(4): 400-406.

[14] SEN T, PRAGALLAPATI N, AGARWAL V, et al.Global maximum power point tracking of PV arrays under partial shading conditions using a modified particle velocity-based PSO technique[J].IET Renewable Power Generation, 2018, 12(5): 555-564.

[15] PREMKUMAR M, SOWMYA R.An effective maximum power point tracker for partially shaded solar photovoltaic systems[J].Energy Reports, 2019, 5: 1445-1462.

[16] TEY K S, MEKHILEF S, SEYEDMAHMOUDIAN M, et al.Improved differential evolution-based MPPT algorithm using SEPIC for PV systems under partial shading conditions and load variation[J].IEEE Transactions on Industrial Informatics, 2018, 14(10): 4322-4333.

[17] 盛四清, 陳玉良, 張晶晶.基于差分進(jìn)化人工蜂群算法的光伏最大功率跟蹤策略研究[J].電力系統(tǒng)保護(hù)與控制, 2018, 46(11): 23-29.

SHENG Siqing, CHEN Yuliang, ZHANG Jingjing.Research on maximum power point tracking strategy based on differential evolution artificial bee colony algorithm of photovoltaic system[J].Power System Protection and Control, 2018, 46(11): 23-29.

[18] MANICKAM C, RAMAN G R, RAMAN G P, et al.A hybrid algorithm for tracking of GMPP based on P&O and PSO with reduced power oscillation in string inverters[J].IEEE Transactions on Industrial Electronics, 2016, 63(10): 6097-6106.

[19] 朱梓嘉, 肖輝, 趙帥旗, 等.基于并行組合進(jìn)化算法的光伏陣列最大功率點(diǎn)追蹤[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(4): 1-10.

ZHU Zijia, XIAO Hui, ZHAO Shuaiqi, et al.Maximum power point tracking of photovoltaic array based on parallel combination evolutionary algorithm[J].Power System Protection and Control, 2020, 48(4): 1-10.

[20] MOHANTY S, SUBUDHI B, RAY P K.A grey wolf-assisted perturb & observe MPPT algorithm for a PV system[J].IEEE Transactions on Energy Conversion, 2016, 32(1): 340-347.

[21] 吳忠強(qiáng), 謝宗奎, 王國勇, 等.一種基于改進(jìn)羊群算法的光伏系統(tǒng)最大功率跟蹤策略[J].電子學(xué)報(bào), 2020, 48(10): 2017-2024.

WU Zhongqiang, XIE Zongkui, WANG Guoyong, et al.A maximum power point tracking strategy for photovoltaic system based on improved sheep behaviors optimization[J].Acta Electronica Sinica, 2020, 48(10): 2017-2024.

[22] 張明銳, 陳喆旸, 韋莉.免疫螢火蟲算法在光伏陣列最大功率點(diǎn)跟蹤中的應(yīng)用[J].電工技術(shù)學(xué)報(bào), 2020, 35(7): 1553-1562.

ZHANG Mingrui, CHEN Zheyang, WEI Li.Application of immune firefly algorithms in photovoltaic array maximum power point tracking[J].Transactions of China Electrotechnical Society, 2020, 35(7): 1553-1562.

[23] AHMED J, SALAM Z.A maximum power point tracking (MPPT) for PV system using cuckoo search with partial shading capability[J].Applied Energy, 2014, 119:118-130.

[24] 趙帥旗, 肖輝, 劉忠兵, 等.基于CSA-IP&O的局部遮陰下光伏最大功率點(diǎn)追蹤[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(5): 26-32.

ZHAO Shuaiqi, XIAO Hui, LIU Zhongbing, et al.Photovoltaic maximum power point tracking under partial shading based on CSA-IP&O[J].Power System Protection and Control, 2020, 48(5): 26-32.

[25] PENG B R, HO K C, LIU Y H.A novel and fast MPPT method suitable for both fast changing and partially shaded conditions[J].IEEE Transactions on Industrial Electronics, 2017, 65(4): 3240-3251.

[26] NUGRAHA D A, NUGRAHAD A, LIAN K L.A novel MPPT method based on Cuckoo search algorithm and golden section search algorithm for partially shaded PV system[J].Canadian Journal of Electrical and Computer Engineering, 2019, 42(3): 173-182.

[27] 劉宜罡, 鄒應(yīng)全, 張曉強(qiáng), 等.基于差分進(jìn)化的光伏MPPT算法改進(jìn)[J].太陽能學(xué)報(bào), 2020, 41(6): 264-271.

LIU Yigang, ZOU Yingquan, ZHANG Xiaoqiang, et al.An improved photovoltaic MPPT algorithm based on differential evolution algorithm[J].Acta Energiae Solaris Sinica, 2020, 41(6): 264-271.

PV power point tracking based on adaptive cuckoo search and perturbation observation method

SHANG Liqun, LI Fan

(School of Electrical and Control Engineering, Xi’an University of Science and Technology, Xi'an 710054, China)

When a photovoltaic array panel is exposed to uneven light, the power-voltage (-) characteristic curve becomes multi-peaked, and conventional maximum power point tracking (MPPT) algorithms will not be able to track the correct global maximum power point (GMPP), and artificial intelligence algorithms with global search capabilities are usually highly parameterized and complex.To address the above problems this paper proposes a composite tracking algorithm combining the adaptive cuckoo algorithm and perturbation observation method (ACS-P&O).This improved method takes the switching probabilities and Lévy flight step coefficients from the cuckoo search (CS) algorithm and adaptively adjusts them to extend the search range of the algorithm at an early stage.The introduction of a processing strategy for bounding individuals further reduces the number of algorithm iterations.The improved algorithm makes it easier for the system to jump out of the local maximum power point (LMPP), while at a later stage the algorithm operates precisely in a small area, improving the local exploitation capability.The addition of the perturbation and observation (P&O) method mitigates power oscillations when the system is located near the GMPP and stabilizes the output.Simulation results show that the ACS-P&O composite algorithm can adapt to the effects of environmental changes and track the GMPP quickly and accurately.

photovoltaic; MPPT; adaptive cuckoo search algorithm; perturbation and observation method; Lévy flight; boundary individuals

10.19783/j.cnki.pspc.211309

2021-09-25；

2021-11-12

商立群(1968—)，男，博士，教授，研究方向?yàn)殡娏ο到y(tǒng)分析與控制、新能源發(fā)電及微網(wǎng)技術(shù)；E-mail: shanglq@ xust.edu.cn

李 帆(1996—)，女，碩士研究生，研究方向?yàn)楣夥l(fā)電及并網(wǎng)技術(shù)。E-mail: 903806082@qq.com

陜西省自然科學(xué)基金項(xiàng)目資助(2021JM-393)

This work is supported by the Natural Science Foundation of Shaanxi Province (No.2021JM-393).

(編輯 張愛琴)