不同大气条件下光伏系统基于群集的MPPT控制器的仿真与实验评估

《Energy》：Simulation and experimental assessment of swarm -based MPPT controller for PV system under various atmospheric conditions

　　

摘要

太阳能在电力行业中表现出色，能够以环保的方式发电。然而，在光伏发电（PV）系统中，面临的主要挑战是在天气条件不断变化的情况下维持稳定的电力供应。因此，本文提出了一种名为非支配排序鳗鱼觅食优化算法（NSMRFO）的新混合算法，用于获取全局最大功率（GP），并将其与现有的另一种方法在稳定时间、收敛速度、精度和效率方面进行了比较。仿真结果表明，所提出的NSMRFO方法在各种模式下的功率表现优异：在模式#1中达到193.4W，耗时0.013秒；模式#2为94.4W，耗时0.008秒；模式#3为133.2W，耗时0.014秒；模式#4和模式#5分别为151.2W，耗时0.011秒。所提出的NSMRFO方法在跟踪全局最大功率方面优于其他方法，且具有较低的稳定时间。此外，该系统已在光伏发电实验室中开发，并与仿真结果进行了验证。同时，该系统在不同的负载和辐照度条件下进行了测试。基于实验和仿真结果，所提出的混合NSMRFO方法在各种部分遮挡条件下（PSCs）实现了更好的提升，以获取全局最大功率。

引言

随着近年来工业的指数级增长，能源利用发挥着至关重要的作用，特别是在购物中心、广告牌、电动汽车交通和水泵系统等领域。为了满足电能需求，可持续和不可再生能源来源被广泛使用[1]。然而，由于成本增加、能源枯竭和有毒气体排放，不可持续/不可再生能源来源不适合用于发电[2]。目前，为克服这些障碍，大多数研究人员转向可再生能源，如光伏、风电和潮汐能[3]。光伏是发电的最佳替代方案之一，同时对环境友好[4]。光伏板利用太阳的热量能量来发电[5]。由于技术的发展，光伏板的成本相比之前的面板更低[6]。此外，一些政府机构通过提供补贴来鼓励光伏板的安装[7]。然而，光伏板在部分遮挡条件下（PSC）无法产生最大功率[8]。部分遮挡的主要原因包括云层遮挡、树木和建筑物的阴影、鸟粪以及灰尘积聚[9]。

多位研究人员提出了不同的最大功率点跟踪（MPPT）技术，用于在部分遮挡条件下运行的光伏系统，以提高功率提取能力和跟踪性能[10]。这些技术对于即使在PSC下跟踪最大功率也非常有用[11]。研究人员使用了不同类型的MPPT方法，如传统方法、软计算和基于元启发式的MPPT方法[12]。

最初，传统/常规MPPT方法被用于获取最大功率。传统方法包括扰动观察法（P&O）[13]和增量电导法（INC）[14]。一种改进的扰动观察法（P&O）MPPT技术被用于并网光伏系统，采用DC-DC升压变换器。可变步长方法提高了最大功率点跟踪精度，减少了稳态振荡，并在不同辐照度和温度条件下提取了更高的功率[15]。然而，这些方法在天气条件变化的情况下，由于最大功率点（MPP）附近的波动，无法准确收集最大峰值功率（MPP）。为了解决上述问题，后来的研究人员转向了软计算方法，这些方法可以跟踪MPP并避免振荡。软计算方法包括人工神经网络（ANN）[16]和模糊逻辑控制器（FLC）[17]。这些方法的主要缺点是需要在实施和维护方面具备专业技能，导致成本增加[18]。

目前，大多数研究人员提出了基于元启发式的MPPT方法，以在PSC下提高光伏板的输出。此外，这些方法可以解决复杂的非线性问题，且易于实施。其中快速使用的元启发式算法包括粒子群优化（PSO）[19]、人工蜂群（ABC）[20]、蚁群（ACO）[21]、蝙蝠（BAT）[22]、差分进化（DE）[23]、遗传算法（GA）[24]、萤火虫（FA）[25]、灰狼优化（GWO）[26]、改进的入侵杂草优化（MIWO）[27]、黏菌群体算法（SSA）[28]和帝国主义竞争算法（ICA）[29]。

PSO基于模拟鸟类的觅食行为原理，可以解决多目标问题[30]。PSO在包括优化问题和电能质量在内的各种工程问题中得到了应用[31]。在光伏系统的研究中，PSO可以在PSC下跟踪全局最大功率（GMPP），但其缺点是具有较大的振荡[31]。后来，ABC方法被用于跟踪GMPP，具有良好的探索能力，但在开发能力方面存在不足[32]。BAT可以计算各种复杂问题，具有良好的开发能力，但探索能力较差[33]。该方法与ABC具有相反的特性，可以通过单独的控制策略来改善。DE和GA技术由于交叉操作表现出相似的性能[34]。这两种方法都面临一些挑战，如设计复杂性和基于种群大小的早熟收敛问题。此外，GWO方法被用于在不同辐照度水平变化下跟踪最大功率。功率增强通过四个群体完成：第一层为alpha（α），第二层为beta（β），第三层为delta（δ），最后一层为omega（ω）。该方法的主要缺点是在探索与开发能力方面平衡不足[35]。MIWO基于入侵杂草优化（IWO）开发，由于杂草的殖民化行为，它被应用于各种工程和科学问题。此外，它被用于光伏系统在PSC下的MPP跟踪[27]。SSA属于元启发式方法，已应用于不同的实现场景，如输电线稳定性、电力系统中的自动发电控制（AGC）、在不同辐照条件下的太阳能系统最大功率跟踪，在优化问题中具有先进的搜索过程[28]。然而，在PSC下收敛速度较慢，且优化性能较低。后来，ICA被应用于多种场景，如电力系统中的AGC、光伏参数估计和在PSC下光伏系统的最大功率跟踪。然而，该方法在光伏功率跟踪方面面临一些困难，如收敛速度慢和最优性能低[29]。

最近，原始鳗鱼觅食优化（MRFO）算法的改进版本——非支配排序鳗鱼觅食优化（NSMRFO）已被提出，用于解决多目标优化问题。NSMRFO中非支配排序机制的整合表现出更好的种群多样性和探索与开发之间的更好平衡，从而改善了复杂优化问题的收敛特性。该算法成功应用于包含风电、太阳能和小水电的多目标最优潮流问题，显示出优于多种传统优化技术的优化性能[36]。此外，NSMRFO还被应用于比例-微分（PD）控制器的调谐优化，在工程控制应用中显示出更好的控制精度、收敛速度和优化能力[37]。

近年来，多项先进的元启发式和智能优化算法被提出，用于改善部分遮挡条件下的全局最大功率点（GMPP）跟踪。一种改进的豺狼启发优化算法已被引入，以提高最大功率提取能力，改善收敛速度并减少稳态振荡[38]。同样，基于烟燕优化的全局MPPT技术也展示了在复杂部分遮挡条件下有效跟踪GMPP的能力[39]。星鼻鼹鼠优化（SNMO）算法也被应用于光伏系统的MPPT，提供了更好的搜索能力和跟踪精度[40]。此外，基于电压的预测技术已被开发，以减少不均匀辐照条件下的跟踪时间并提高效率[41]。最近，基于蒲公英优化（DO）的MPPT和基于电压扫描的MPPT方法在复杂部分遮挡条件下的跟踪精度、收敛速度和功率提取方面也展现了令人满意的表现[42]。这些研究表明，近期的基于优化的MPPT技术持续改善了光伏系统在变化环境条件下的动态性能。为了更好地了解传统和近期的MPPT方法，如表1所述。

近期的研究调查了集成智能优化和基于静态同步补偿器（STATCOM）的控制技术的混合可再生能源系统，以改善低电压穿越（LVRT）、电压稳定性、电能质量和电网故障条件下的动态性能。此外，粒子群优化（PSO）、水循环算法（WCA）、蚱蜢优化算法（GOA）和混合优化技术等优化算法在光伏（PV）和风电集成电力系统中展现了改善的收敛特性、减少的振荡和增强的控制性能[45]。

近年来，智能混合控制技术已被引入可再生能源和微电网应用，以改善系统稳定性、能源管理和运行效率。将优化算法与人工智能方法相结合的混合智能控制器在不同环境和负载条件下展现了更好的动态性能。在此方面，研究人员提出了一种混合智能人工鱼群算法-人工神经网络（h-AFSA-ANN）控制器，用于太阳能光伏-电池储能系统-柴油发电机（SPV-BESS-DG）基于直流（DC）的微电网集成系统。该方法将人工鱼群算法（AFSA）和人工神经网络（ANN）技术相结合，以改善电压调节、功率共享能力和系统整体稳定性。所提出的混合控制器在可再生能源应用中展现了减少的振荡、改善的收敛特性和更好的能源管理性能。这些研究表明，混合智能优化技术可以有效提升可再生能源系统的性能，并鼓励进一步研究面向光伏（PV）系统在部分遮挡条件下运行的最大功率点跟踪（MPPT）技术[46]。

因此，开发一种鲁棒、高效且计算复杂度较低的MPPT方法，能够在变化的辐照度条件下实现快速和精确的全局最大功率点（GMPP）跟踪，仍然是光伏系统中的重要研究领域。

尽管已有大量MPPT技术被开发用于在部分遮挡条件下运行的光伏系统，但实现收敛速度、跟踪精度、效率和实现复杂度之间的理想平衡仍然是实时光伏应用中的主要挑战。传统方法在快速变化的天气条件下存在振荡和不准确跟踪的问题，而软计算方法需要专业的实施技能和增加的计算努力。同样，现有的元启发式算法如PSO[19]、ABC[20]、GWO[26]、SSA[28]、MIWO[27]和ICA[29]展现了改善的跟踪能力，但它们仍面临一些局限性，包括探索与开发能力平衡不足、早熟收敛、响应缓慢、优化性降低以及在动态辐照度条件下的稳态振荡。

为解决这些问题，一些混合优化技术通过结合不同算法被引入，以改善跟踪性能和系统效率。尽管这些混合方法提供了优于单一技术的结果，但控制器复杂性、硬件实现、传感器需求、计算负担和稳定时间等挑战仍然限制了其实际适用性。因此，仍然迫切需要一种鲁棒、高效且复杂度较低的混合MPPT方法，能够在变化的环境条件下提供快速和精确的全局最大功率跟踪。受这些研究挑战的启发，本文的贡献是应用和评估现有的基于NSMRFO算法的MPPT技术，以改善在部分遮挡条件下运行的光伏系统的输出功率提取能力、收敛特性和跟踪效率。

上述技术在探索与开发能力的均衡特性、收敛时间和效率方面存在共同问题。为解决这些困难，许多研究人员通过结合算法来研究混合方法，以增强光伏系统在不同天气条件下的输出功率。包括模拟退火与PSO结合、GWO-FLC、自适应模糊比例积分微分（FPIDN）控制器、确定性改进的 Jaya（DM-Jaya）以及MIWO与P&O的混合方法等。MIWO-P&O已被用于光伏应用，以在快速气候变化和PSC下实现协调的功率管理[47]。这些混合方法在实现最优解、效率和稳定时间方面优于单一算法。然而，控制器的设计复杂性、稳定时间、传感器需求和硬件设计仍然具有一定难度。从这些方面的考虑出发，新的混合控制方法在实时控制问题中始终是受欢迎的。

本文的创新之处在于开发和实施了一种基于非支配排序鳗鱼觅食优化（NSMRFO）的MPPT技术，用于在部分遮挡条件下运行的光伏（PV）系统。

与传统的软计算和现有的元启发式方法不同，本文提出的NSMRFO方法有效地平衡了探索与开发能力，从而实现了更快的收敛速度、更高的跟踪效率以及全局最大功率点（GMPP）跟踪过程中振荡的减少。该方法在部分阴影条件（PSC）下增强了光伏系统的输出功率，此外，它还是一种基于群体的新元启发式方法。为了克服现有方法的局限性，本文的贡献总结如下：

- 首先，搭建3串（3S）和3串2并（3S2P）配置的光伏系统，并研究各种辐照条件。
- 开发基于NSMRFO的最大功率点跟踪（MPPT）方法，并应用于所提出的配置中。
- 确定NSMRFO相对于巨嘴鸟觅食优化（MRFO）和混合PSO-PO在收敛速度和效率方面的显著优势。
- 在光伏实验室中建立所建议的系统，并通过检查不同辐照水平下的仿真结果来评估其性能。此外，利用所提供的方法评估了各种负载情况。

图1展示了本研究的整体工作流程。它说明了基于NSMRFO的MPPT技术的开发、其在部分阴影条件下光伏系统中的实施，以及后续的仿真与实验验证过程。

本文的结构安排如下：第2节描述部分阴影条件下光伏系统的设计及现有方法的核心理论。第3节提出非支配排序巨嘴鸟觅食优化（NSMRFO）方法。第4节概述了研究工作及仿真结果。第5节展示实验结果。最后，第6节总结结论并指出未来研究方向。

**光伏建模**

光伏（PV）模型根据二极管的使用进行分类[48]。每种模型具有不同的特性，双二极管和三二极管模型是较为先进的模型，然而与单二极管模型相比，这两种模型的计算复杂度非常高[49]。本文基于简单性和准确性采用了单二极管模型。图2展示了单二极管模型的理想电路和实际电路。

二极管电流方程[50]：

其中光子……

**非支配排序巨嘴鸟觅食优化**

本节分两步开发非支配排序巨嘴鸟觅食优化（NSMRFO）。首先开发标准巨嘴鸟觅食优化方法用于求解单目标问题，然后通过帕累托策略开发NSMRFO方法，此处按小节呈现。

**结果与讨论**

为了评估所提出的3S和3S2P光伏配置在潜在NSMRFO方法以及标准MRFO和PSO-PO下的性能。本文在MATLAB/Simulink中执行了系统性能评估。NSMRFO、MRFO和PSO-PO三种方法作为控制器运行，并连接到DC-DC升压转换器以获得所需占空比。为在MATLAB中运行，升压转换器所需的重要参数如输入电压……

**实验验证**

如图17所示，本文使用了一套实验装置来验证所提出方法的有效性。装置包括数字存储示波器（DSO）、DC-DC升压转换器、霍尔传感器（PEC16DSM01）、安捷伦模拟器（E4360A）和Dspace。

光伏模拟器生成所需的非理想环境条件，即此处考虑了快速变化的辐照度，此外，它作为一个电流源运行，输出功率为600W。为实现……

**结论**

本文提出的基于NSMRFO的MPPT技术在各种部分阴影条件下，对3S和3S2P光伏配置均表现出优异的性能。该算法始终实现了高精度的跟踪、快速的收敛以及最小的稳态振荡，并在不同的电压区域中成功定位了全局最大功率点（GMPP）。所提出的方法在模式1–6中提取了89.82 W、193.4 W、97.4 W、133.2 W、151.2 W和89.9 W的功率，对应跟踪……

**CRediT作者贡献声明**

Janandra Krishna Kishore Dokala：论文原创撰写、验证、软件、方法论、调查、形式分析、概念构思。Sudhakar Kumarasamy：论文审阅与编辑、指导。Anilkumar Chappa：论文审阅与编辑、论文原创撰写、形式分析、概念构思。Peddakapu Kurukuri：论文审阅与编辑、软件。

**利益冲突声明**

? 作者声明不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

作者未获得本研究的具体资金支持。

我们感谢斯里·瓦萨维工程学院电气与电子工程系所提供的宝贵见解与支持。

Janandra Krishna Kishore Dokala | Sudhakar Kumarasamy | Anilkumar Chappa | Peddakapu Kurukuri

斯里·瓦萨维工程学院电气与电子工程系，安得拉邦，塔德帕利吉杜姆，印度