利用动态重构和多目标“坚果钳”优化算法提高阴凉环境下光伏阵列的功率提取效率

《Renewable Energy》：Enhanced power extraction in shaded photovoltaic arrays using dynamic reconfiguration with multi-objective nutcracker optimization algorithm

针对光伏阵列部分阴影条件下的性能问题，提出动态重构策略，采用多目标蒙特卡洛营养算法优化开关配置，提升输出功率并降低损耗，仿真结果显示优于IPDO、ASO和AVOA算法。

　　在太阳能光伏发电系统中，部分遮挡条件（Partial Shading Conditions, PSCs）对光伏阵列的性能具有显著影响。这种现象通常发生在光伏板受到不均匀光照时，例如由于云层、树叶、灰尘或鸟类等遮挡物导致的部分区域光照减弱。PSCs不仅会引发模块间的不匹配损失，还会降低整体的能量输出，甚至对系统的可靠性构成威胁。因此，如何有效应对部分遮挡问题，成为提升光伏系统效率和稳定性的关键课题。

近年来，研究者们致力于开发多种优化方法，以解决光伏阵列在部分遮挡条件下的最大功率点追踪（Maximum Power Point Tracking, MPPT）难题。这些方法主要包括被动和主动两种类型。被动方法通过设计特定的电路结构，如并联-串联（Series-Parallel, SP）、桥接连接（Bridge-Link, BL）、蜂窝式（Honeycomb）和全交叉连接（Total Cross-Tied, TCT）等，来减少部分遮挡带来的负面影响。其中，TCT结构因其在复杂光照条件下仍能保持较高输出功率的能力，被广泛认为是较为有效的解决方案。

然而，被动方法在面对严重部分遮挡情况时，其性能提升有限，无法完全消除不匹配损失。相比之下，主动方法通过动态调整光伏阵列的电气连接，能够更灵活地适应光照变化，从而提高整体的发电效率。这类方法主要包括多追踪转换器、微型转换器以及光伏阵列的动态重构技术。尽管主动方法在理论上具备更强的适应能力，但在实际应用中，仍面临诸多挑战，如控制复杂性、硬件损耗以及执行效率等问题。

为了解决上述问题，本文提出了一种基于多目标优化的动态重构策略，采用一种新型的多目标坚果钳优化算法（Multi-Objective Nutcracker Optimization Algorithm, MONOA）进行光伏阵列的优化配置。该算法结合了快速反向学习机制、拥挤距离计算和非支配排序技术，能够在不依赖权重调整的情况下，有效提升光伏阵列的输出功率，同时减少电流不平衡和开关操作次数。在实验中，研究者们使用了一个9×9的TCT光伏阵列作为测试平台，并在两种不同的部分遮挡模式下对MONOA与其他几种成熟算法（如改进的草原犬鼠优化算法IPDO、原子搜索优化算法ASO以及非洲秃鹫优化算法AVOA）进行了性能对比。

实验结果表明，MONOA在多个关键指标上均表现出色。首先，其在不同部分遮挡模式下均能实现更高的输出功率，这表明该算法在复杂光照条件下的适应能力较强。其次，MONOA的填充因子（Fill Factor）优于其他算法，意味着其在保持电压和电流稳定方面表现更佳。此外，该算法在减少不匹配损失方面也显示出显著优势，这对于提升光伏系统的整体效率至关重要。最后，MONOA的执行时间最短，说明其在计算效率上具有明显优势，适合在实际系统中进行实时优化。

部分遮挡条件不仅影响光伏阵列的输出性能，还可能对系统组件的完整性构成威胁。例如，当某些模块因遮挡而无法正常工作时，可能会导致二极管的开路或短路故障，进而影响整个系统的稳定性。因此，光伏系统通常配备有旁路二极管，用于隔离受遮挡的模块，防止电流倒流或损坏其他正常工作的模块。然而，旁路二极管的使用仅能部分缓解问题，无法从根本上解决部分遮挡带来的不匹配损失。

为了更有效地应对部分遮挡问题，动态重构技术被提出并广泛应用。这种技术的核心在于根据实时光照条件，调整光伏阵列的电气连接方式，从而实现更均匀的能量分布和更高的发电效率。动态重构可以分为静态和动态两种类型。静态重构主要通过物理方式重新排列光伏模块，而动态重构则是在不改变物理布局的前提下，通过调整模块之间的连接关系来优化性能。相比静态方法，动态重构具有更高的灵活性和适应性，尤其适用于光照条件变化频繁的环境。

尽管动态重构技术在理论上具备优势，但目前仍存在一些局限性。例如，许多现有方法依赖于启发式或单目标优化技术，这些技术在提升输出功率的同时，可能忽视其他重要指标，如开关次数、执行时间或电流不平衡程度，从而导致长期运行中的性能下降。此外，部分算法收敛速度较慢，计算资源消耗较大，难以满足实时优化的需求。还有一些策略需要频繁且大规模地调整阵列连接，这不仅增加了硬件损耗，还提高了系统的控制复杂度和运行成本。

针对这些问题，本文提出的MONOA算法具有显著的改进。首先，该算法采用了多目标优化框架，能够在同时优化多个关键指标（如输出功率、电流不平衡和开关次数）的前提下，实现更全面的性能提升。其次，MONOA通过引入快速反向学习机制，加快了优化过程的收敛速度，提高了计算效率。同时，拥挤距离和非支配排序技术的应用，使得算法能够在搜索过程中保持种群的多样性，避免陷入局部最优解，从而提高优化结果的鲁棒性。

此外，MONOA的优化过程无需依赖权重调整，这在实际应用中具有重要优势。权重参数的选择往往对优化结果产生较大影响，不当的权重设置可能导致算法在不同光照条件下表现不稳定。而本文提出的新型目标函数能够在不引入权重的情况下，实现对多个优化目标的均衡处理，提高了算法的适应性和实用性。这一特点使得MONOA在面对多种不同的部分遮挡模式时，仍能保持较高的优化效果。

在实验中，研究者们使用了一个9×9的TCT光伏阵列作为测试平台，并模拟了两种典型的部分遮挡模式。通过对比分析，MONOA在输出功率、填充因子、不匹配损失和执行时间等多个方面均优于其他优化算法。例如，在输出功率方面，MONOA能够实现更高的总功率输出，这表明其在提升光伏系统整体发电能力方面具有显著优势。在填充因子方面，MONOA的优化结果显示出更高的稳定性，这意味着其在维持电压和电流比例方面表现更优。此外，MONOA在减少不匹配损失方面也表现出色，这对于提升光伏系统的可靠性和长期运行效率至关重要。

执行时间的优化是另一个重要的考量因素。在实际应用中，光伏系统需要在较短时间内完成优化配置，以适应光照条件的变化。MONOA的执行时间显著短于其他算法，这表明其在计算效率方面具有明显优势。快速的执行能力不仅有助于提高系统的响应速度，还能降低计算资源的消耗，使其更适合大规模光伏系统的应用。

从实际应用的角度来看，MONOA的动态重构策略具有较高的推广价值。该算法能够自动调整光伏阵列的连接方式，适应不同的光照条件，从而实现更高效的能量利用。同时，其较低的开关次数和硬件损耗，使得系统在长期运行中更加稳定和经济。此外，MONOA的适应性较强，能够在不同的部分遮挡模式下保持较高的优化效果，这使得其在实际工程中具备更强的通用性和可操作性。

研究者们还指出，目前大多数动态重构方法在面对大规模光伏阵列时，往往面临计算效率和算法适应性的挑战。例如，一些算法在处理大规模阵列时，计算复杂度迅速增加，导致执行时间过长，难以满足实时优化的需求。而MONOA通过引入多目标优化框架和高效的搜索机制，能够在保持优化效果的同时，显著降低计算负担，提高算法的可扩展性。

综上所述，本文提出的MONOA算法为光伏阵列在部分遮挡条件下的动态重构提供了一种新的解决方案。该算法不仅能够有效提升光伏系统的输出功率和效率，还能减少不匹配损失和开关操作次数，从而提高系统的稳定性和经济性。实验结果表明，MONOA在多个关键指标上均优于其他现有方法，具有较高的应用潜力。未来的研究可以进一步探索该算法在不同规模和复杂度的光伏系统中的表现，以及如何将其与现有的控制策略相结合，以实现更全面的系统优化。