基于改进扰动观察法与模型预测控制混合策略的光伏系统最大功率点跟踪

《Journal of Engineering Research》：A hybrid improved P&O-Model Predictive Control MPPT strategy for photovoltaic systems

　　

专业术语翻译（论文摘要部分） 光伏发电是各国推动能源结构转型和践行绿色发展的重要抓手，在能源安全和生态可持续发展方面具有双重价值，已成为全球能源领域的研究与应用热点。最大功率点跟踪（Maximum Power Point Tracking, MPPT）技术是提高光伏系统发电效率的核心关键，通过精确跟踪光伏电池的最大功率点来最大化太阳能利用效率，使其成为光伏系统控制的研究重点[1]，[2]。 目前，研究人员已提出涵盖传统、智能和复合控制策略的多类型MPPT算法。其中，扰动观察法（Perturbation and Observation Method, P&O）因其控制策略简单、工程实现容易和响应速度快，已成为光伏系统中应用最广泛的MPPT方法[3]。然而，P&O算法存在显著的内在缺陷：在最大功率点附近，由于扰动的存在，容易产生较大的功率振荡，造成能量损失。除P&O方法外，其他传统MPPT算法如电导增量法（Incremental conductance method, INC）和恒压法（Constant voltage method, CVT）各有优势，但也存在局限性：INC算法计算复杂且硬件要求高，而CVT算法在环境快速变化时难以维持跟踪效率，且难以兼顾工程实用性与控制效果。 近年来，随着人工智能技术的发展，BP神经网络[4]，[5]、模糊控制[6]、粒子群优化[7]、正弦余弦算法（SCA）[8]，[9]、人工蜂群算法（ABC）[10]，[11]、人工原生动物优化（APO）、华丽军舰鸟优化（MFB）和蛛尾角蝰优化（STHVO）[12]，[13]，[14]等也被应用于不同辐照度和局部遮荫条件下的MPPT。这些研究证明了智能和元启发式方法在提升不同光伏运行工况下MPPT性能方面的适用性。例如，文献[5]在仿真和硬件测试平台上进行了多条件实验，在不同辐照度场景下实现了99.98%的峰值跟踪效率和0.22 s的快速响应时间。此外，基于图神经网络的预测控制（GNPC）也被研究用于光伏应用，将在线数据驱动预测与MPC的滚动时域优化框架相结合，并在树莓派平台上完成了硬件验证[15]。该方法在标准与实际辐照度条件下均实现了高跟踪效率和快速响应。然而，部分算法依赖大量训练数据或人工经验设定，参数整定困难，鲁棒性不足，且对硬件计算能力要求较高[4]，[5]，[6]，[7]。文献[10]，[11]，[12]，[13]，[14]仅通过仿真验证，未能反映实际约束。文献[15]保留了传统MPC的有限时域优化和滚动时域实施原则，意味着其计算负载与传统MPC相当（计算需求较高）。文献[8]，[9]需要适当的初始化和周期性整定以保证良好的跟踪性能。不恰当的初始化和参数化会导致跟踪性能不理想，造成跟踪时间长和收敛速度慢，因为占空比属性降低了寻找最优候选解的多样性或随机性。 模型预测控制（Model Predictive Control, MPC）基于系统模型显式预测未来系统行为，并通过滚动时域优化在线确定最优控制动作。一项研究采用纯MPC架构，基于光伏阵列辨识模型设计了MPC-MPPT控制器[16]。该方法在每个采样周期内预测光伏输出特性，通过滚动优化求解最优工作电压，并协同优化光谱截止波长和组件温度以跟踪最大功率点。在1200-800-1000 W/m2阶跃辐照度条件下完成了仿真测试，表现出更好的动态响应和精度性能。另一项研究提出了基于MPC的MPPT方法，预测不同控制动作下的光伏运行状态，并选择最优控制动作来调节Boost变换器，从而驱动光伏工作点向最大功率点移动[17]。该方法通过仿真和实验与P&O、INC和增量电阻（IR）方法进行了比较，表现出更快的动态响应、更高的输出功率和更低的稳态振荡。 基于上述研究，从多步预测、有限控制集控制和事件触发控制的角度对基于MPC的MPPT方法进行了进一步改进。一种多步深度模型预测控制（MDMPC）MPPT方法集成了多步预测模型、深度神经网络和两阶段优化，用于预测未来光伏状态和最大功率点[18]。该方法在均匀辐照度和局部遮荫条件下均表现出快速跟踪、高发电效率和小的稳态振荡。一项研究提出了基于FCS-MPC的MPPT方法，使用P&O生成参考信号，通过代价函数直接选择最优开关状态，从而改善对辐照度变化的动态响应并减少功率振荡[19]。为解决MPC的计算负担，一项研究将P&O与事件触发MPC相结合，采用包含预测误差和状态变化的触发代价函数来确定是否应重新计算控制序列，从而减少在线优化次数[20]。 尽管在预测能力、控制状态选择和在线优化方面取得了上述改进，但如何根据光伏运行条件确定何时实际需要MPC，以及如何基于光伏功率对辐照度变化的响应建立适当的触发阈值，仍未被研究。当辐照度变化相对较小时，改进的P&O通常可以提供有效的MPPT，而在辐照度显著变化时，MPC的快速预测和优化能力变得更有价值。 基于这一考虑，本研究提出了一种改进的P&O-MPC混合MPPT策略，基于P&O-MPC并采用基于功率对辐照度敏感性的阈值设计。MPC触发阈值根据光伏输出功率对辐照度变化的敏感性确定：当功率偏差保持在阈值内时采用改进P&O，当偏差超过阈值时激活MPC进行快速动态调节。该策略仅在必要时激活MPC，减少不必要的MPC调用，并可能降低平均MPC执行频率和计算负担。事件触发机制可以在保持MPC仅在系统状态需要时介入的同时，有效降低平均在线计算负担[21]。

论文解读文章

一、研究背景与问题

光伏发电是各国推动能源结构转型和践行绿色发展的关键路径，在能源安全和生态可持续发展方面具有双重价值。最大功率点跟踪（Maximum Power Point Tracking, MPPT）技术是提高光伏系统发电效率的核心技术，通过精确跟踪光伏电池的最大功率点来最大化太阳能利用效率。

目前，研究者已提出涵盖传统、智能和复合控制策略的多类型MPPT算法。扰动观察法（P&O）因控制策略简单、工程实现容易和响应速度快，成为光伏系统中应用最广泛的MPPT方法，但其在最大功率点附近因扰动存在易产生较大功率振荡，造成能量损失。电导增量法（INC）计算复杂且硬件要求高，恒压法（CVT）在环境快速变化时难以维持跟踪效率。近年来，BP神经网络、模糊控制、粒子群优化、正弦余弦算法（SCA）、人工蜂群算法（ABC）、人工原生动物优化（APO）、华丽军舰鸟优化（MFB）和蛛尾角蝰优化（STHVO）等智能算法也被应用于不同辐照度和局部遮荫条件下的MPPT，但部分算法依赖大量训练数据或人工经验设定，参数整定困难，鲁棒性不足，硬件计算能力要求高，且多仅通过仿真验证，未能反映实际约束。

模型预测控制（Model Predictive Control, MPC）基于系统模型显式预测未来系统行为，通过滚动时域优化在线确定最优控制动作。已有研究采用纯MPC架构设计MPC-MPPT控制器，在阶跃辐照度条件下表现出更好的动态响应和精度性能；另有研究通过预测不同控制动作下的光伏运行状态并选择最优控制动作来调节Boost变换器，与P&O、INC和增量电阻（IR）方法相比表现出更快的动态响应、更高的输出功率和更低的稳态振荡。进一步改进包括多步深度模型预测控制（MDMPC）、有限控制集模型预测控制（FCS-MPC）和事件触发MPC等方向。

尽管在预测能力、控制状态选择和在线优化方面取得了改进，但如何根据光伏运行条件确定何时实际需要MPC，以及如何基于光伏功率对辐照度变化的响应建立适当的触发阈值，仍未被研究。当辐照度变化相对较小时，改进的P&O通常可提供有效MPPT，而在辐照度显著变化时，MPC的快速预测和优化能力更有价值。基于此，本研究提出改进的P&O-MPC混合MPPT策略，根据光伏输出功率对辐照度变化的敏感性建立MPC触发阈值，在功率偏差保持在阈值内时采用改进P&O，超过阈值时激活MPC进行快速动态调节，从而仅在必要时激活MPC，减少不必要的调用，降低平均MPC执行频率和计算负担。

二、主要关键技术方法

研究人员构建了光伏电池等效电路模型与输出特性方程，分析了不同辐照度下的P-V和I-V特性曲线。在改进P&O方面，设计了自适应扰动步长策略，根据功率-电压曲线斜率动态调整步长，在远离最大功率点（MPP）时采用大步长加速收敛，接近MPP时采用小步长抑制振荡。在MPC方面，建立了Boost变换器的离散预测模型，通过滚动时域优化在每个采样周期内预测未来光伏输出状态，求解最优占空比控制动作。在混合策略方面，提出了基于功率对辐照度敏感性的事件触发阈值设计机制，当功率偏差在阈值内时采用改进P&O，超过阈值时切换至MPC进行快速动态调节，并通过仿真对比验证了策略的有效性。

三、研究结果

改进P&O控制技术与问题分析

研究人员建立了光伏电池等效电路模型和输出特性方程，分析了光伏电池在不同辐照度下的输出特性曲线。针对传统P&O算法在最大功率点附近产生功率振荡的问题，设计了改进的P&O算法，通过自适应扰动步长策略在远离MPP时采用大步长加速收敛、接近MPP时采用小步长抑制振荡，有效降低了稳态功率振荡。

MPC-MPPT控制策略设计

研究人员设计了基于MPC的MPPT控制器，建立了光伏阵列辨识模型和Boost变换器离散预测模型，在每个采样周期内预测光伏输出特性，通过滚动时域优化求解最优工作电压和最优占空比，驱动光伏工作点向MPP移动。与传统P&O、INC和IR方法相比，MPC方法表现出更快的动态响应、更高的输出功率和更低的稳态振荡。

改进P&O-MPC混合MPPT策略

研究人员提出了基于功率对辐照度敏感性的MPC触发阈值设计方法，构建了改进P&O与MPC的混合控制策略。当功率偏差保持在阈值内时采用改进P&O维持稳态运行，当偏差超过阈值时激活MPC进行快速动态调节。该策略在常规辐照度条件下大幅抑制功率振荡，在低辐照度条件下实现了97.4%的跟踪效率（改进P&O仅为81.48%），有效平衡了稳态稳定性与动态跟踪性能，降低了平均MPC执行频率和计算负担。

四、讨论与结论

讨论部分指出，传统P&O算法在最大功率点附近因扰动存在易产生功率振荡，而智能算法虽能提升MPPT性能但存在参数整定困难、鲁棒性不足和硬件要求高等问题。纯MPC方法虽具有快速预测和优化能力，但计算负担较高。本研究提出的混合策略通过事件触发机制，在辐照度变化较小时采用改进P&O维持稳态运行，在辐照度显著变化时激活MPC进行快速动态调节，实现了稳态稳定性与动态跟踪性能的平衡，在复杂光照环境下为光伏能量采集提供了高效方案。研究结论表明，该混合策略在常规辐照度下大幅抑制功率振荡，在低辐照度下达到97.4%的跟踪效率，同时降低了平均MPC执行频率和计算负担，为光伏系统在复杂光照环境下的高效能量采集提供了有效方案。