基于OPAL-RT的户用光伏系统优化混合MPPT技术的性能评估与实时验证

《Sustainable Computing: Informatics and Systems》：Performance assessment and real-time validation of optimized hybrid MPPT techniques for PV household systems using OPAL-RT

　　鲁图拉吉·帕塔纳亚克|巴纳贾·莫汉蒂印度桑巴尔普尔布尔拉维尔·苏伦德拉·赛科技大学，邮编768018摘要近年来，光伏系统作为一种可持续的环保发电方案受到了广泛关注。然而，由于环境条件变化导致的间歇性问题，使得持续获取最大功率面临巨大挑战。与那些主要研究单一MPPT方法或传统控制器结构的现有研究不同，本研究提出了一种新型混合MPPT框架，该框架将扰动观察法、增量电导法和分数开路电压法与比例积分控制器、倾斜积分控制器、分数阶比例积分控制器以及分数阶倾斜积分控制器相结合，并运用河豚优化算法对这些控制器进行优化。在相同的环境条件下，对独立太阳能光伏系统进行了对比分析。仿真结果表明，FOTI-FOCV混合控制器在收敛速度、跟踪效率（99.7%）、最佳功率输出（44.9千瓦）以及标准测试条件下的最小均方根误差（0.11×103瓦特）等方面均优于其他控制器。本研究首次在统一基准下全面评估了经河豚优化算法调优的基于FOTI的混合MPPT策略，并通过OPAL-RT平台上的实时应用验证了其性能。实时验证显示，稳态功率与仿真结果之间的偏差小于2%，这证明了所提方法的有效性和实用性。此外，还通过负载变化和噪声干扰测试了该控制方法的稳健性与有效性。所提出的框架为在多变环境条件下提升光伏能量收集效率提供了实用且计算成本较低的解决方案，非常适合用于下一代独立太阳能系统。引言由于迫切需要缓解气候变化并减少对化石燃料的依赖，全球能源结构正在向可再生能源大幅转型。在各种可再生能源技术中，光伏系统因其可扩展性、较低成本以及在多种环境条件下的适用性而成为主要解决方案。光伏系统通常分为并网型和独立型两类。在无法接入电网或接入电网不切实际的应用场景中，独立型光伏系统发挥着至关重要的作用[1]。对于那些在技术上难以扩展电网或经济上不可行的偏远地区，独立运行的系统具有明显优势[2]。它们被广泛应用于农村电气化、太阳能抽水、通信网络等诸多领域。独立光伏系统能够在不同条件下稳定供电，这一特性凸显出先进控制策略在提升系统效率的同时确保其稳定性的重要性。此外，环境因素如太阳辐射强度的变化、温度波动、部分遮阴以及其他负载动态条件都会影响系统的效率或产出性能，从而导致光伏系统无法始终处于最大功率点。因此，为了解决这些问题，最大功率点控制器就显得尤为重要，它们能够不断调整光伏系统的运行状态，从而实现最佳功率输出。尽管扰动观察法、分数开路电压法和增量电导法等传统MPPT技术已在工业和商业领域得到了广泛应用，但它们在不确定环境条件下的局限性表明，需要更先进的自适应解决方案。MPPT技术能够确保太阳能电池板在环境条件变化时仍能输出尽可能多的电能。随着太阳能在全球可再生能源结构中的重要性日益凸显，其发电量已接近2000太瓦时，正如[3]中所指出的那样，MPPT技术的发展也受到了越来越多的研究关注。其主要挑战在于光伏系统的非线性特性，即输出功率会随着太阳辐射和温度的变化而改变，这就产生了许多局部最大值，给最大功率提取带来了困难[4]。为了提升功率输出，现代MPPT控制器会考虑效率、跟踪速度等多重参数，这些控制器大致可分为传统方法（如扰动观察法、增量电导法）和先进技术（如模糊逻辑、人工神经网络、ANFIS）两类[5]。选择合适的最大功率点控制器还需根据部分遮阴、温度变化等多种环境条件来决定。由于其结构简单且硬件成本较低，扰动观察法至今仍是应用最广泛的MPPT技术之一[6]。这种爬山式算法通过持续监测光伏阵列电压的微小变化以及功率输出情况来工作，如果功率发生变化，则继续沿原方向进行调整，反之则反向调整。在传统的扰动观察法中，通常通过调节占空比来控制直流-直流转换器（多为升压拓扑结构）。Naima等人[7]提出了改进型的扰动观察法，并将其与其他技术如改进型有限控制集模型预测控制相结合，从而使总谐波失真降低到1.22%（传统扰动观察法为6%），同时响应时间提升了35%。此外，结合回退法的改进扰动观察法有助于检测边界点以避免陷入局部最大值，同时通过回退机制实现电压跟踪，从而减少功率波动[8]。模拟退火与扰动观察法相结合的方法首先用于检测最大功率点区域，然后再通过扰动观察法进一步优化搜索过程，从而在部分遮阴条件下提升系统性能[9]。尽管通过整合其他方法对扰动观察法进行了改进，但在环境条件发生变化时（如云层经过），该方法仍存在一些根本性的缺陷，导致跟踪精度下降，无法达到全局最大功率值。与扰动观察法相比，增量电导法具有更高的精度。增量电导法通过分析光伏电压和电流的导数，从而实现更精准的跟踪，在环境条件变化时也能保持稳定性能[10]。有研究建议将增量电导法与其他先进控制器如自适应控制器和非线性控制器相结合，以此实现更精准的跟踪并减少系统振荡，进而提升光伏系统的整体动态性能。将增量电导法与模糊逻辑或混合自适应控制器相结合，可以将控制步长调整得非常接近于零，从而在最大功率点附近大幅减少振荡，实现极为稳定的输出[11]。在部分遮阴条件下，增量电导法虽能尝试寻找局部最大值，但与灰狼优化器或增量电导法与模拟退火相结合的混合方法配合使用时，其表现更为出色。增量电导法能够快速适应各种间歇性变化，从而在遮阴条件下实现更快速的跟踪，进一步提升系统可靠性[12]。不过，增量电导法仍需要较为复杂的电路结构，这会导致成本上升。在面对突然的环境变化时，该算法可能会误判数据，从而导致跟踪速度变慢[13]。与其他控制器相比[14]，模糊逻辑控制器在稳定性、精度和响应速度方面表现更为优异，因此优于前述各类控制器。模糊逻辑控制器通过一组预定义的语言规则来模拟人类思维，而非依赖复杂的数学模型[15]。在大多数情况下，它以光伏系统的功率/电压变化作为输入，通过调节占空比作为输出。一旦系统达到最大功率点，模糊逻辑控制器就能很好地实现跟踪功能。通过将模糊逻辑控制器与其他元启发式算法或其他控制器相结合，可以进一步提升其在不同运行条件下的动态性能[16]。集成增量电导法与模糊逻辑控制器的系统，由于其具备适应环境变化的能力，且能够同时识别多个最大功率点，因此实现了97.7%的总体跟踪效率，收敛时间仅为53.5毫秒。结合模型参考自适应控制与模糊逻辑控制器的方法，则可以通过全局范围内识别多个最大功率点并动态调整参数增益，从而实现99%的跟踪效率[17]。不过，模糊逻辑控制器依赖于专家经验、复杂的调试过程以及较高的处理能力才能实现精准跟踪，这一缺点可以通过采用基于人工神经网络的MPPT技术来克服。基于人工神经网络的MPPT算法运用机器学习技术自动收集光伏系统数据，并尽可能精确地定位最大功率点（精度超过98%）[18]。这类控制器会借助海鸥优化算法等元启发式算法来优化人工神经网络结构，使其能够适应不断变化的环境条件，从而实现最大功率输出[19]。这类控制器可通过历史数据离线训练，从而合理调整隐藏层和神经元的参数，一旦投入使用即可立即获得最优的电压和电流值，其性能优于扰动观察法、基于人工神经网络的控制器以及粒子群优化算法。但如果人工神经网络模型未能得到妥善训练，或者无法获取准确的数据，就会导致跟踪效率和速度下降[20]。ANFIS MPPT技术结合了模糊逻辑控制器和人工神经网络的优势，其中模糊逻辑控制器充当预测模型，而人工神经网络则利用语言规则来实现精准的功率跟踪。尤其是当模糊逻辑控制器与灰狼优化算法或粒子群优化算法等元启发式算法相结合时，ANFIS MPPT技术的性能会优于其他各类控制器[21]。然而，由于基于人工神经网络的控制器具有较高的计算复杂度，且需要庞大的数据库进行训练，因此其在光伏系统最大功率点跟踪应用中仍面临诸多挑战[22]、[23]。在适应环境变化的能力方面，分数开路电压法优于其他所讨论的控制器，但在面对部分遮阴情况时，其效率仍不够理想[24]。通过将分数开路电压法与优化算法相结合，可以克服这些缺陷。例如，将遗传算法与分数开路电压法相结合，不仅可以提升跟踪效率与速度，即使在部分遮阴条件下也能实现99.96%的平均效率，且收敛速度极快，仅为0.07秒。这种混合方法还能有效减少稳态时的振荡现象，其性能优于传统的MPPT技术以及其他混合式MPPT方法[25]。将音乐椅算法与分数开路电压法相结合，不仅可以实现更快的收敛速度（0.08秒），还能在效率方面较标准分数开路电压法提升多达7%，同时还能减少稳态运行时的振荡现象[26]。MPPT算法与控制器之间的协同作用对于保证系统稳定性至关重要。有研究将PI控制器、分数阶比例积分控制器以及模糊逻辑控制器分别与原子搜索优化算法相结合，并将其与IC技术和分数开路电压法一起应用于实际系统中[27]，随后与传统控制器进行了对比分析。进一步的研究表明，虽然分数开路电压法因其结构简单、成本低廉而备受青睐，但将分数开路电压法与遗传算法或其他元启发式算法相结合的混合方法，能够在动态环境和部分遮阴条件下显著提升系统的跟踪速度、效率以及稳健性[28]。总体而言，将分数开路电压法、增量电导法MPPT技术以及各种先进或混合控制器相结合，已成为提升现代可再生能源系统性能、适应能力及可靠性的重要趋势[29]。Rajaram等人[30]提出的河豚优化算法，通过模仿河豚的捕食策略来平衡探索与利用之间的关系，其在多模态优化任务中的性能优于粒子群优化算法和遗传算法。Al-Baik等人指出，河豚优化算法具有无需预设参数、效率高、探索与利用能力平衡以及在实际应用中表现优异等优点，未来的研究将进一步聚焦于多目标优化、二元版本开发以及更多应用场景的探索[31]。Singla等人则证明了通过河豚优化算法可以提升光伏电池参数的计算精度[32]。近期的研究主要集中在通过先进的跟踪技术和智能MPPT算法来提升光伏系统的性能[33]。有研究探讨了能够实现最大能量输出的太阳能跟踪机制[34]，还有研究介绍了多种冷却策略和能源管理方法，旨在帮助系统在各种气候条件下保持高可靠性[35]。另有研究对用于MPPT应用的各类智能优化算法进行了比较分析[36]，还有研究提出了一种基于LPWHO算法的集成升压型MPPT电路，用以提升功率输出效率；而还有研究则为复杂的部分遮阴条件设计了一种基于深度神经网络的混合式MPPT方案[37]。在这些研究中，优化算法仅被用于调整MPPT方案的参数，尚未出现采用混合式MPPT方法的案例。尽管已经取得了诸多进展，但将基于分数阶控制器的混合式MPPT方案与新兴的元启发式算法相结合，并通过OPAL-RT平台进行实时验证，这一领域目前仍几乎未被探索。通过文献综述可以发现，已有不少研究采用了不同的混合式MPPT方法来提升系统效率。表1汇总了各类混合式MPPT方法的优点、局限性以及相关验证结果。从表1的结果可以看出：1. 虽然已有混合式MPPT技术被应用，但并未在相同的评估标准下进行过对比。2. 目前仅有PI控制器、TI控制器和FOPI控制器被研究过，而FOTI控制器以及其他类型的MPPT方法尚未被实际应用。3. 扰动观察法虽然可以通过河豚优化算法进行优化，但目前在混合式MPPT方法中，尚未见到将河豚优化算法用于优化控制器参数的案例。4. 目前现有的文献中尚未有关于在OPALRT平台上进行硬件仿真的研究。综上所述，尽管扰动观察法、增量电导法以及分数开路电压法等传统MPPT技术因其结构简单、易于实现而被广泛使用，但它们存在诸如在最大功率点附近出现振荡、在光照强度快速变化时跟踪精度下降以及动态响应速度较慢等问题。为了解决这些缺陷，研究人员开始探索将传统MPPT技术与智能控制技术相结合的方法，尤其是将传统MPPT算法与PI控制器、FOPI控制器等相结合，已经取得了不错的效果。此外，人们还通过优化算法来微调控制器参数，进一步提升系统性能。然而，大多数研究在整合控制器与优化技术时仅聚焦于FOCV方法。此外，对于将FOTI和TI等更先进的控制器与多种传统MPPT技术结合使用的应用，相关研究也相对较少。而且，现有的优化工作大多依赖传统或已成熟的算法，这在探索更新、可能更有效的元启发式优化算法方面存在不足。为弥补这一研究缺口，本文提出了一种新方法，旨在提升光伏系统在多变且恶劣的天气条件下的动态性能。本研究的主要目标如下：1.设计并开发一种适用于家庭负载消耗的独立光伏系统；2.在统一评估标准下，通过整合三种传统MPPT技术（P&O、INC和FOCV）与四种控制器结构（PI、TI、FOPI和FOTI），构建一种新型混合MPPT框架；3.采用POA算法对控制器参数进行最优调整，并通过收敛特性以及与其他优化技术的参数化与非参数化测试来验证其有效性；4.分析所提混合MPPT在标准运行条件、光照强度变化、部分遮阴、负载突变、电压下降以及噪声环境下的稳健性与适应性；5.在动态环境条件下比较所提混合MPPT控制器的各项性能指标，如跟踪效率、超调量、稳态误差和均方根误差；6.利用OPAL-RT平台验证所提控制框架的实时实用性。据作者所知，这是首项全面结合POA优化后的FOTI控制与多种传统MPPT技术（P&O、INC和FOCV），并通过OPAL-RT实时实现来验证结果的研究。该框架为评估在不同运行条件下的先进分数阶MPPT控制器提供了统一的评估标准，这些运行条件包括光照强度变化、部分遮阴、电压下降以及负载突变等。第一部分介绍研究背景、文献综述、研究动机及现有研究缺口，第二部分阐述系统特性与建模方法。第三部分介绍混合MPPT控制器架构及其中的优化算法。第四部分给出简要的仿真结果与分析。第五部分是对光伏-MPPT系统的实时仿真。第六部分简述所提控制器的性能分析，最后是结论部分。

系统特性与建模
本节中，图1展示了带有家庭负载的简化光伏系统。通常，光伏模块先连接到DC-DC升压转换器，然后再连接负载。该转换器可通过MPPT控制器提供的占空比控制来调节光伏系统的工作电压。在太阳能光伏组件中，太阳电池板的电压和电流曲线会因大气条件的变化而发生显著变化，这种情况下确定最大功率点较为困难。为避免这一问题……

MPPT技术
P&O方法是光伏系统中广泛应用的MPPT算法，因其实现简单且成本较低。该算法通过微调工作电压或电流，并观察输出功率的变化，从而引导系统向最大功率点移动[5]。不过，传统的P&O算法可能会出现稳态振荡，在部分遮阴等条件下未必能找到全局最大值。为解决这些问题，近年来出现了诸多改进方案……

仿真结果与分析
本文中的光伏系统模型由太阳能光伏阵列、DC/DC升压转换器、MPPT控制器以及电阻负载组成，如图1所示，该模型是在MATLAB Simulink中构建的。文中考虑的系统参数见表2。在本研究中，针对不同类型的MPPT算法，如P&O、INC和FCV，以及相应的PI、TI、FOPI和FOTI控制器，对太阳能发电系统进行了测试。该系统通过在OPALRT平台上的实时仿真进行了验证。仿真共设置了三种不同的场景：标准测试条件……

所提出的光伏-MPPT系统及其实时仿真（OPAL RT-5700）
OPAL-RT 5700实时仿真器可用于构建如图10(a)所示的光伏系统模型。该模型是通过结合Simulink模型与OPAL-RT库来创建的。将模型部署在OPAL-RT 5700上，即可实现实时仿真与性能评估。实际配置中，光伏阵列会连接不同的MPPT控制器，这些控制器基于最大化太阳能发电量的原理，进而为家庭直流负载供电……

元启发式优化算法的对比分析
以STP场景为例，针对相同的种群规模和最大迭代次数（即100次），使用GA、PSO、POA、GWO和HHO五种算法对光伏系统的FOCV-FOTI混合MPPT算法进行了仿真，以均方根误差作为评价目标函数，以便进行公平比较。这三种算法的收敛曲线如图14所示。从图中可以看出，POA算法的均方根误差值最低，且收敛速度也优于本文研究的其他两种算法。

上述案例的时域分析……

局限性及未来研究方向
尽管所提出的POA优化后的FOTI-FOCV混合MPPT策略在所研究的运行条件下表现出更优的跟踪效率与动态性能，但仍存在一些局限性。与传统MPPT技术相比，经过POA优化的混合MPPT在优化过程中需要更多的计算资源。此外，所提FOTI控制器的性能还取决于控制器增益和分数阶参数的合理选择……

结论
本文通过将P&O、INC和FOCV方法与PI、TI、FOPI和FOTI控制器相结合，并运用鱼群优化算法对后者进行优化，对独立光伏系统的混合MPPT技术进行了全面的性能评估。在标准测试条件、光照强度变化以及部分遮阴条件下的对比分析表明，FOCV–FOTI–POA组合始终优于其他研究过的方法。所提出的控制器……

CRediT作者贡献声明
Ruturaj Pattanayak：撰写——初稿、可视化、验证、软件、资源、方法论、数据整理、概念构思。Banaja Mohanty：撰写——审阅与编辑、可视化、监督、研究、形式分析。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。