第7章-最大功率点跟踪(MPPT)技术doc资料
光伏并网系统最大功率点的跟踪
光伏并网系统最大功率点的跟踪作者：万莉来源：《电子技术与软件工程》2017年第21期摘要并网光伏发电系统的MPPT跟踪装置使光伏阵列持续工作在MPP上。
MPPT随着外界因素条件发生改变去调整扰动步长以控制光伏阵列始终工作在MPP点。
【关键词】光伏并网 MPP MPPT在传统化石能源短缺、环境问题日益严重的今天，开发低污染、安全、环保的光伏发电系统是迫切所需。
光伏电池是一种不稳定的电源，光伏阵列的输出功率受太阳光辐照度、温度、元器件老化一起光伏电池材料等因素影响很大，光伏发电系统的输出电流和输出电压间呈非线性关系，运用光伏系统最大功率点的跟踪技术来提高光伏并网系统的整体效率。
在一定光照与温度的外界条件下，光伏组件在不同的电压下工作，但只有在某一个电压值时，光伏阵列可以达到最大输出功率，那么这个点就叫做最大功率点，简称MPP。
那么在不同光照与温度的外界条件下不断调整光伏组件的工作点，让其始终工作在MPP上，这一技术称之为最大功率点的跟踪，英文简称MPPT。
1 光伏电池最大功率点跟踪原理MPPT跟踪装置是一种高效的DC-DC变换器，为太阳能面板产生合适的电压并提供一个最优的电力负荷。
MPPT的目标是让光伏发电系统实时输出功率达到最大值，发挥光伏发电系统的最大效率，因此MPPT是光伏发电系统运行控制中的一项至关重要的技术。
当光伏阵列的电压值V 和电流值I 的乘积得到最大值，那么这个工作点即为MPP，它所对应的V/I值是一个特殊的阻值。
光伏阵列的V和I成指数关系，功率曲线的拐点就是MPP，该点的阻值等于V/I=-dV/dI电阻微分的负数。
在传统系统中每块光伏电池流过的电流相同，电流的大小由逆变器来控制。
由于生产时的误差、部分被遮挡等原因，不同的光伏发电板I-V特性有不同，所以它们的最大功率点也不一样，一些光伏发电板达不到MPP，导致了能量的损失。
一些太阳能研发公司将峰值功率点转换器植入到每块光伏发电板中，这样不管形状是否平整、是否有遮挡都能使每块光伏发电板工作在MPP。
光伏并网控制系统的最大功率点跟踪（MPPT）方法
光伏并网控制系统的最大功率点跟踪（MPPT）方法光伏并网控制系统的最大功率点跟踪(MPPT)方法【大比特导读】最大功率点跟踪(MPPT)是光伏并网逆变器控制策略中的核心技术之一。
本文首先介绍了光伏组件的输出特性，然后具体分析了3种典型的MPPT控制方法，并总结3种方法各自的特点和不足。
摘要：最大功率点跟踪(MPPT)是光伏并网逆变器控制策略中的核心技术之一。
本文首先介绍了光伏组件的输出特性，然后具体分析了3种典型的MPPT控制方法，并总结3种方法各自的特点和不足。
关键字：光伏发电系统，最大功率点跟踪，MPPT控制方法1 引言日本福岛核电站事故之后，多国陆续宣布暂停核电建设，而太阳能是永不枯竭的清洁能源，并且更加稳定、安全。
据国家权威数据，在“十二五”期间，中国光伏发电装机容量达到2000万千瓦。
但由于光伏组件本身特性的非线性，受环境温度、日照强度、负载等因素的影响，均会使其输出最大功率点发生变化，导致光伏组件转换效率很低。
而所有光伏发电系统均希望光伏组件在相同日照、温度条件下输出尽可大的功率，这就提出了对光伏组件最大功率点跟踪(Maximum Power Point Tracking，MPPT)的问题。
本文首先讨论了光伏组件本身的P-V，I-V特性，以及温度、光照的影响;然后具体分析了几种常用的MPPT控制方法，并对3种MPPT控制方法作简单的比较。
2 光伏组件的特性A. 物理数学模型根据半导体物理学理论，太阳能组件的等效物理模型如图1所示。
其中：IPH 与日照强度成正比的光生电流;I0 光伏组件反向饱和电流，通常其数量级为10-4A;n 二极管因子;q 电子电荷， ;K 玻尔兹曼常数， J/K;T绝对温度( K);RS光伏组件等效串联电阻;RP光伏组件等效并联电阻;式(1)中参数IPH、Io、Rs、RP、n与太阳辐射强度和组件温度有关，而且确定这些参数也十分困难。
B. 温度、光照对输出特性的影响受外界因素(温度、光照强度等)影响，光伏组件输出具有明显的非线性，图2、图3分别给出其I-V特性曲线和P-V特性曲线。
第7章 最大功率点跟踪(MPPT)技术
最大功率点电压与开 路电压之间存在近 似的线性关系
图7-3 光伏电池不同日照强度下的P-V特性曲线
Umpp K1Uoc
14
2016/12/30
济南大学物理学院
定电压跟踪法特点：
(1)开环控制，控制简单，控制易实现; (2)系统不会出现因给定的控制电压剧烈变化而引起 振荡，具有良好的稳定性; (3)控制精度差，系统最大功率跟踪的精度取决于给 定电压值选择的合理性; (4)控制的适应性差，当系统外界环境，如太阳辐射 强度，光伏电池板温度发生改变时系统难以进行准 确的最大功率点跟踪。
2016/12/30
济南大学物理学院
7-1111
• 从上面的分析中看出，光伏电池的输出是一个 随机的、不稳定的供电系统。工作时由于光伏 电池的输出特性受负荷状态、光照强度、环境 温度等的影响而大幅度变化， 其短路电流与日 照量几乎成正比关系增减，开路电压受温度变 化的影响较大。 • 最大功率点时刻在变化。因此，就不能用等效 电阻的方法获取最大功率。 • 由于光伏电池的输出特性是复杂的非线性形式， 难以确定其数学模型，无法用解析法求取最大 功率。
图7-1 光伏电池不同温度、日照强度下的I-V特性曲线
2016/12/30
济南大学物理学院
8
• 由图7-1可知，光伏电池既非恒压源，也非恒流 源，是一种非线性直流源。输出电流在大部分 工作电压范围内相对恒定，最终在一个足够高 的电压之后，电流迅速下降至零。 • 光伏电池的输出特性近似为矩形，即低压段近 似为恒流源，接近开路电压时近似为恒压源。 • 温度相同时，随着日照强度的增加，光伏电池 的开路电压几乎不变，短路电流有所增加；日 照强度相同时，随着温度的升高，光伏电池的 开路电压下降，短路电流有所增加。
光伏发电最大功率点追踪算法
光伏发电最大功率点追踪算法光伏发电是一种利用太阳能将光能转化为电能的技术。
在光伏发电系统中，为了提高系统的能量转换效率，需要对光伏电池阵列进行最大功率点追踪（Maximum Power Point Tracking，简称MPPT）。
光伏发电最大功率点追踪算法可以帮助我们找到电池阵列工作时能够输出最大功率的电压和电流组合。
在本文中，我们将深入探讨光伏发电最大功率点追踪算法的原理、常见的算法类型以及算法的应用。
通过了解这些内容，我们可以更好地理解光伏发电系统的优化以及如何选择合适的MPPT算法。
首先，让我们来了解光伏发电最大功率点追踪算法的原理。
光伏电池的输出特性曲线显示了在不同电压和电流下的功率输出情况。
该曲线通常呈现出一个“倒U”型，即存在一个最大功率点。
光伏发电最大功率点追踪算法的目标就是寻找到这个最大功率点，并调整系统工作点使得光伏电池能够输出最大功率。
常见的光伏发电最大功率点追踪算法可以分为模拟算法和数字算法两种类型。
模拟算法包括传统的开环算法和闭环算法。
开环算法根据光强和温度等环境因素预先设定一个工作点，以此来调整电压和电流。
闭环算法则是根据实时的光强和电压进行反馈调节，以追踪最大功率点。
常见的闭环算法有Perturb and Observe算法和Incremental Conductance算法。
这些算法通过不断调整工作点，使得系统能够在不同光照条件下实现最优的能量转换效率。
除了模拟算法，数字算法也被广泛应用于光伏发电最大功率点追踪。
数字算法通过使用微控制器或数字信号处理器等设备，根据电池阵列当前的电压和电流等参数计算出最大功率点，并调整系统的工作点。
常见的数字算法有P&O算法、IC算法、Hill-Climbing算法等。
这些算法通过快速的运算和调整能够更精确地实现最大功率点追踪。
光伏发电最大功率点追踪算法在实际应用中具有重要意义。
通过采用合适的算法，光伏发电系统可以在不同的光照条件下实现高效的能量转换。
mppt最大功率点控制
最大功率跟踪方法小型风力发电机最大功率跟踪方法综述小型风力发电系统结构框图疑问•什么是最大功率点？•如何确定最大功率点？•常用的最大功率点追踪方法？风力机的输出特性设风力机叶片半径为r ，空气密度为ρ,风速为v ，则风力机轴上输出的机械功率为式中:32),(5.0vr C p P πρβλ=Cp （λ，β）为风能利用系数，反映风力机吸收风能的效率。
风速确定时，风力机吸收的风能只与Cp （λ，β）有关。
（1）什么是最大功率点?•在同一风速下，随着风力机转速的不同，风力机将风能转换为机械能的效率是不同的，有一个效率最高的点。
风能利用系数与叶尖速比的关系桨叶节距角β一定时，Cp （λ，β）是叶尖速比λ的函数，如图1所示，此时存在一个最佳叶尖速比λopt 。
对应最大的风能利用系数Cpmax 。
optwtr v λω=（3）此时，风力机轴上输出的机械功率为：332max _)(5.0wtopt optwtP optmech K R r C Pωλωπρ==2__wt opt wtopt mech opt mech K P T ωω==（4）将式(4)的两边都除以风力机的转速，可得风力机轴上输出的机械转矩为：（5）式(4)、(5)给出的风力机输出的机械功率、机械转矩与转速之间的关系称为最佳功率曲线和最佳转矩曲线。
相应的功率曲线除以转速得到的，所以二者所表示的运行状态是一致的。
最大功率追踪原理2__wtopt wtoptmech opt mech K P T ωω==最大功率点追踪常见方法1.扰动观察法2.最佳叶尖速比法3.最佳功率—转速曲线跟踪法4.爬山搜索法扰动观察法•扰动观察法普遍用在风力和太阳能发电系统上的最大功率跟踪技术，结构简单，程序设计统一，但此技术本身本身工作在最大功率左右，不是停留在最大功率点，有一定的能量损失。
最佳叶尖速比法•较低风速段，由于发电机效率下降很快，离最大功率运行更会相差很远。
太阳能发电系统中的最大功率点跟踪技术
太阳能发电系统中的最大功率点跟踪技术在太阳能发电系统中，最大功率点跟踪（Maximum Power Point Tracking, MPPT）技术是一项重要的研究课题。
太阳能电池的输出电压与环境光强、温度等因素有关，而发电系统的效率取决于电池输出的最大功率。
因此，为了最大限度地提高太阳能发电系统的效率，确保高效率的能量转换和系统的长期稳定运行，MPPT技术应运而生。
MPPT技术是通过对太阳能电池组进行电压和电流的调整，使得系统工作在太阳能电池的最大功率点处。
太阳能电池的输出功率与其电流和电压的乘积有关，即P=I*V。
在太阳能电池的I-V特性曲线中，最大功率点是该曲线上功率最大的点，实现这个点上的功率输出是MPPT算法的核心目标。
MPPT技术的核心思想是实时监测、计算和跟踪太阳能电池组的工作状态，以调整电压和电流，使得系统工作在最大功率点处。
为了实现MPPT技术，研究人员提出了许多方法和算法，常见的有Incremental Resistance（增量电阻法）、Perturbation & Observation（扰动观察法）和模糊控制法等。
增量电阻法是最早提出的一种MPPT方法，该方法通过对太阳能电池组的电压进行微小变化，并测量此时太阳能电池的输出功率变化，根据增量功率与增量电阻之间的关系判断最大功率点位置。
虽然该方法原理简单，但在快速变化的工况下，其响应速度较慢。
扰动观察法是另一种常见的MPPT方法，该方法通过逐步增加或减少太阳能电池的工作点电压，并观察功率的变化情况，根据功率变化趋势确定最大功率点位置。
该方法相对于增量电阻法有着更快的响应速度和更高的精度，但在光照强度变化剧烈的环境下，可能无法快速找到最大功率点。
除了上述两种方法外，模糊控制法也广泛应用于MPPT技术中。
模糊控制利用模糊逻辑推理来实现对电池组的电压和电流进行调整，以使得系统电池工作在最大功率点处。
该方法通过建立模糊控制规则和输入输出模糊化来实现MPPT功能，并具有较好的适应性和鲁棒性。
最大功率跟踪的控制原理
最大功率跟踪（MPPT）是并网发电中的一项重要的关键技术，它是指控制改变太阳电池阵列的输出电压或电流的方法使阵列始终工作在最大功率点上，根据太阳电池的特性，目前实现的跟踪方法主要有以下三种：（1）恒电压法，因为太阳电池在不同光照条件下的最大功率点的电压相差不大，近似为恒定。
这种方法的误差很大，但是容易实现，成本较低；（2）爬山法，通过周期性的不断的给太阳电池阵列的输出电压施加扰动，并观察其功率输出的改变，然后决定下一次扰动的方向。
这种方法的追踪速度较慢，只适合于光强变化较小的环境；（3）导纳微分法(又称增量电导法)，认为太阳电池阵列的的最大功率点处，输出功率对输出电压的一阶倒数等于零。
因此在环境光强发生改变时，根据dI/dV的计算结果是否等于－I/V，决定是否继续调整输出电压，既可实现最大功率点的跟踪。
该方法相对于恒电压法和爬山法有高速稳定的跟踪特性。
上述三种方法各有特点，但是都不同时具有低成本、高稳定性、快速追踪的特性。
第一种方法只是粗略估计了最大功率点的位置，在光强变化到很大或较小时都会产生很大的误差。
后两种方法本质上都是通过判断当前工作点是否处于最大工作点来决定是否继续调整及调整的方向，因此最终的结果是逆变器始终工作在最大功率点的左右，来回振荡，而不是真正的工作在最大功率点处，反应在太阳电池阵列的输出上就是，太阳电池阵列的输出电压或电流总是以一个直流电平为中心上下跳跃，波形很不稳定，而且在光强变化速度较快时，不能及时反应。
三、太阳能电池功率追踪访法及算法扰动观察法是目前太阳能电池最大功率追踪技术中最为成熟以及被采用最多的方法，其系统方块图如图12所示。
由图中可以很明显的看出此法的硬件需求较少，模拟／数字转换器节省得相当多，因此在制造的成本上将大为降低。
扰动观察法之缺点在于最大功率追踪过程中，当大气条件迅速改变时，由于响应速度未能因应调整，会使追踪的速度变缓，造成功率的损失，不过此一缺点可以用软件技术来加以改善，赋予系统自我调整响应速度之功能，这也是本文的研究重点，亦即以软件算法来达到太阳能电池最大功率的追踪，并分析系统操作于较高频率下，其追踪的性能。
最大功率点跟踪(MPPT)
电子知识最大功率点(2)MPPT(14)MPPT控制器的全称“最大功率点跟踪”(Maximum Power Point Tracking)太阳能控制器，是传统太阳能充放电控制器的升级换代产品。
所谓最大功率点跟踪，即是指控制器能够实时侦测太阳能板的发电电压，并追踪最高电压电流值(VI)，使系统以最高的效率对蓄电池充电。
下面我们用一种机械模拟对比的方式来向大家解释MPPT太阳能控制器的基本原理。
要想给蓄电池充电，太阳板的输出电压必须高于电池的当前电压，如果太阳能板的电压低于电池的电压，那么输出电流就会接近0。
所以，为了安全起见，太阳能板在制造出厂时，太阳能板的峰值电压(Vpp)大约在17V左右，这是以环境温度为25°C时的标准设定的。
这样设定的原因，(有意思的是，不同于我们普通人的主观想象，下面的结论可能会让我们吃惊)在于当天气非常热的时候，太阳能板的峰值电压Vpp会降到15V左右，但是在寒冷的天气里，太阳能的峰值电压Vpp可以达到18V!现在，我们再回头来对比MPPT太阳能控制器和传统太阳能控制器的区别。
传统的太阳能充放电控制器就有点象手动档的变速箱，当发动机的转速增高的时候，如果变速箱的档位不相应提高的话，势必会影响车速。
但是对于传统控制器来说，充电参数都是在出厂之前就设定好的，这就像车的档位被固定设置在了1档。
那么不管你怎样用力的踩油门，车的速度也是有限的。
MPPT控制器就不同了，它是自动挡的。
它会根据发动机的转速自动调节档位，始终让汽车在最合理的效率水平运行。
就是说，MPPT控制器会实时跟踪太阳能板中的最大的功率点，来发挥出太阳能板的最大功效。
电压越高，通过最大功率跟踪，就可以输出更多的电量，从而提高充电效率。
理论上讲，使用MPPT控制器的太阳能发电系统会比传统的效率提高50%，但是跟据我们的实际测试，由于周围环境影响与各种能量损失，最终的效率也可以提高20%-30%。
从这个意义上讲，MPPT太阳能充放电控制器，势必会最终取代传统太阳能控制器为什么要使用MPPT ?太阳能电池组件的性能可以用U-I曲线来表示。
最大功率点跟踪（MPPT）
最大功率点跟踪（MPPT）MPPT控制器的全称“最大功率点跟踪”(Maximum Power Point Tracking)太阳能控制器，是传统太阳能充放电控制器的升级换代产品。
所谓最大功率点跟踪，即是指控制器能够实时侦测太阳能板的发电电压，并追踪最高电压电流值(VI)，使系统以最高的效率对蓄电池充电。
下面我们用一种机械模拟对比的方式来向大家解释MPPT太阳能控制器的基本原理。
要想给蓄电池充电，太阳板的输出电压必须高于电池的当前电压，如果太阳能板的电压低于电池的电压，那么输出电流就会接近0。
所以，为了安全起见，太阳能板在制造出厂时，太阳能板的峰值电压(Vpp)大约在17V左右，这是以环境温度为25°C时的标准设定的。
这样设定的原因，(有意思的是，不同于我们普通人的主观想象，下面的结论可能会让我们吃惊)在于当天气非常热的时候，太阳能板的峰值电压Vpp 会降到15V左右，但是在寒冷的天气里，太阳能的峰值电压Vpp可以达到18V!现在，我们再回头来对比MPPT太阳能控制器和传统太阳能控制器的区别。
传统的太阳能充放电控制器就有点象手动档的变速箱，当发动机的转速增高的时候，如果变速箱的档位不相应提高的话，势必会影响车速。
但是对于传统控制器来说，充电参数都是在出厂之前就设定好的，这就像车的档位被固定设置在了1档。
那么不管你怎样用力的踩油门，车的速度也是有限的。
MPPT控制器就不同了，它是自动挡的。
它会根据发动机的转速自动调节档位，始终让汽车在最合理的效率水平运行。
就是说，MPPT控制器会实时跟踪太阳能板中的最大的功率点，来发挥出太阳能板的最大功效。
电压越高，通过最大功率跟踪，就可以输出更多的电量，从而提高充电效率。
理论上讲，使用MPPT控制器的太阳能发电系统会比传统的效率提高50%，但是跟据我们的实际测试，由于周围环境影响与各种能量损失，最终的效率也可以提高 20%-30%。
从这个意义上讲，MPPT太阳能充放电控制器，势必会最终取代传统太阳能控制器为什么要使用MPPT ?太阳能电池组件的性能可以用U-I曲线来表示。
MPPT 技术简介
MPPT 技术简介免费！！免费获得在我站的广告2009-02-02 20:57:14 作者：三生石来源：希萌光伏与可再生能源网太阳电池的工作特性太阳能光电池的输出电压与电流有非线性的特性，如图1；在不同的大气条件下，因日照量与温度不同每个工作曲线都不一样，其输出功率也会随着日照与温度的变化而改变；在一定的温度和日照强度下，太阳电池具有唯一的最大功率点，当太阳能电池工作在该点时，才能输出当前温度和日照条件下的最大功率。
图1.太阳光电模块的特性曲线太阳电池的最大功率点跟踪（MPPT）在光伏系统中，通常要求太阳电池的输出功率始终最大，即系统要能跟踪太阳电池输出的最大功率点。
因此，在最优化的太阳能系统设计中，充电控制器或逆变器必须对太阳能面板的输出电压或电流进行扰动及控制，使得实际的太阳能面板工作点正好和太阳能电池的最大功率点重合；此时，太阳能电池以最大功率输出，这就是所谓的太阳电池的最大功率跟踪，Maximum Power Point Tracking，简称MPPT。
由于实际的太阳能系统运行中，光照条件随时都在变化，因此，MPPT是随时都要进行调整。
MPPT的追踪过程如图2所示：图2.最大功率追踪控制的轨迹图MPPT控制器的全称“最大功率点跟踪”（Maximum Power Point Tracking）太阳能控制器，是传统太阳能充放电控制器的升级换代产品。
所谓最大功率点跟踪，即是指控制器能够实时侦测太阳能板的发电电压，并追踪最高电压电流值(VI)，使系统以最高的效率对蓄电池充电。
下面我们用一种机械模拟对比的方式来向大家解释MPPT太阳能控制器的基本原理。
要想给蓄电池充电，太阳板的输出电压必须高于电池的当前电压，如果太阳能板的电压低于电池的电压，那么输出电流就会接近0。
所以，为了安全起见，太阳能板在制造出厂时，太阳能板的峰值电压（Vpp）大约在17V左右，这是以环境温度为25°C时的标准设定的。
最大功率跟踪的控制原理
最大功率跟踪（MPPT）是并网发电中的一项重要的关键技术，它是指控制改变太阳电池阵列的输出电压或电流的方法使阵列始终工作在最大功率点上，根据太阳电池的特性，目前实现的跟踪方法主要有以下三种：（1）恒电压法，因为太阳电池在不同光照条件下的最大功率点的电压相差不大，近似为恒定。
这种方法的误差很大，但是容易实现，成本较低；（2）爬山法，通过周期性的不断的给太阳电池阵列的输出电压施加扰动，并观察其功率输出的改变，然后决定下一次扰动的方向。
这种方法的追踪速度较慢，只适合于光强变化较小的环境；（3）导纳微分法（又称增量电导法），认为太阳电池阵列的的最大功率点处，输出功率对输出电压的一阶倒数等于零。
因此在环境光强发生改变时，根据dI/dV 的计算结果是否等于－I/V ，决定是否继续调整输出电压，既可实现最大功率点的跟踪。
该方法相对于恒电压法和爬山法有高速稳定的跟踪特性。
上述三种方法各有特点，但是都不同时具有低成本、高稳定性、快速追踪的特性。
第一种方法只是粗略估计了最大功率点的位置，在光强变化到很大或较小时都会产生很大的误差。
后两种方法本质上都是通过判断当前工作点是否处于最大工作点来决定是否继续调整及调整的方向，因此最终的结果是逆变器始终工作在最大功率点的左右，来回振荡，而不是真正的工作在最大功率点处，反应在太阳电池阵列的输出上就是，太阳电池阵列的输出电压或电流总是以一个直流电平为中心上下跳跃，波形很不稳定，而且在光强变化速度较快时，不能及时反应。
三、太阳能电池功率追踪访法及算法扰动观察法是目前太阳能电池最大功率追踪技术中最为成熟以及被采用最多的方法，其系统方块图如图12所示。
由图中可以很明显的看出此法的硬件需求较少，模拟／数字转换器节省得相当多，因此在制造的成本上将大为降低。
扰动观察法之缺点在于最大功率追踪过程中，当大气条件迅速改变时，由于响应速度未能因应调整，会使追踪的速度变缓，造成功率的损失，不过此一缺点可以用软件技术来加以改善，赋予系统自我调整响应速度之功能，这也是本文的研究重点，亦即以软件算法来达到太阳能电池最大功率的追踪，并分析系统操作于较高频率下，其追踪的性能。
太阳能光伏发电系统最大功率点跟踪技术研究
太阳能光伏发电系统最大功率点跟踪技术研究一、本文概述随着全球能源危机和环境污染问题的日益严重，可再生能源的开发和利用已成为全球关注的焦点。
太阳能光伏发电作为一种清洁、可持续的能源利用方式，受到了广泛的关注。
然而，太阳能光伏电池的输出功率受到光照强度、温度等多种因素的影响，存在非线性、时变性和不确定性等特点，使得其最大功率点的跟踪成为一个具有挑战性的技术问题。
因此，研究太阳能光伏发电系统最大功率点跟踪技术，对于提高光伏系统的发电效率、降低运行成本、推动太阳能光伏发电技术的发展具有重要意义。
本文旨在深入研究和探讨太阳能光伏发电系统最大功率点跟踪技术的相关理论和应用。
我们将对太阳能光伏发电系统的基本原理和特性进行详细介绍，为后续的研究提供理论基础。
然后，我们将重点分析最大功率点跟踪技术的基本原理和常用方法，包括恒定电压法、扰动观察法、增量电导法等，并比较它们的优缺点和适用范围。
接着，我们将探讨一些新兴的最大功率点跟踪技术，如基于模糊控制、神经网络、遗传算法等智能优化算法的方法，并分析它们在提高跟踪精度和响应速度方面的优势。
本文还将对最大功率点跟踪技术的实际应用进行研究。
我们将介绍一些典型的太阳能光伏发电系统最大功率点跟踪技术的实现方案和案例分析，包括硬件电路设计、软件编程、实验测试等方面，以期为读者提供全面的技术参考和实践指导。
我们将对太阳能光伏发电系统最大功率点跟踪技术的发展趋势和前景进行展望，分析未来研究方向和挑战，为推动太阳能光伏发电技术的发展提供有益的参考。
二、太阳能光伏电池工作原理及特性太阳能光伏电池，也称为太阳能电池板，是一种将太阳光直接转换为电能的装置。
其工作原理基于光伏效应，即当太阳光照射在光伏电池上时，光子会与电池内部的半导体材料相互作用，导致电子从原子中释放并被收集，从而产生电流。
这个过程不需要任何机械运动或其他形式的中间能量转换，因此太阳能光伏电池是一种高效、无污染的能源转换方式。
太阳能电池最大功率点跟踪专用电路
太阳能电池最大功率点跟踪专用电路近年来，太阳能发电技术得到了广泛的关注和应用。
太阳能电池是将太阳光辐射能直接转化为电能的装置，是目前可再生能源发电中应用最为广泛的一种技术。
在太阳能电池组件中，最大功率点跟踪（MPPT）专用电路起到了至关重要的作用。
1. 什么是太阳能电池最大功率点跟踪专用电路？太阳能电池最大功率点跟踪（MPPT）专用电路是一种用于优化太阳能电池输出功率的控制电路。
由于太阳能电池的输出受到诸多因素影响，如光照强度、温度等，因此其输出功率会随之波动。
而MPPT专用电路能够通过精确的控制算法，实时跟踪太阳能电池的最大功率点，从而使得电池输出功率最大化，提高整个太阳能发电系统的效率。
2. MPPT专用电路的工作原理是什么？MPPT专用电路通过对太阳能电池输出电压、电流进行持续监测和计算，以保证太阳能电池输出功率达到最大值。
在不同光照强度、温度条件下，太阳能电池的最大功率点会发生变化，而MPPT专用电路能够根据实时监测到的太阳能电池输出特性，动态调节电压和电流，使其始终工作在最大功率点附近，从而最大限度地提高太阳能电池的利用率。
3. 太阳能电池最大功率点跟踪专用电路的应用意义MPPT专用电路的广泛应用，使得太阳能发电系统的整体性能得到了极大的提升。
它不仅能够提高太阳能电池的输出效率，降低能源损耗，还能够有效延长太阳能电池组件的使用寿命，减少发电系统的维护成本。
MPPT专用电路在太阳能发电系统中的应用意义非常重大。
4. 个人观点和理解就我个人而言，我认为MPPT专用电路的出现与应用，为太阳能发电技术的进步和发展奠定了坚实的基础。
它不仅提高了太阳能发电系统的整体性能，还为太阳能产业的可持续发展提供了有力支持。
未来，随着太阳能电池技术的不断改进和MPPT专用电路的进一步优化，相信太阳能发电技术将会取得更加显著的进步，为推动清洁能源产业的发展做出更大贡献。
总结和回顾通过本文的介绍，我们了解了太阳能电池最大功率点跟踪专用电路的工作原理和应用意义。
MPPT最大功率追踪
Tracking the global maximum power point of a photovoltaic system under partial shading conditions using a modified firefly algorithmJi-Ying Shi, Fei Xue, Zi-Jian Qin, Le-Tao Ling, Ting Yang, Yi Wang, and Jun WuCitation: Journal of Renewable and Sustainable Energy 8, 033501 (2016); doi: 10.1063/1.4948524View online: /10.1063/1.4948524View Table of Contents: /content/aip/journal/jrse/8/3?ver=pdfcovPublished by the AIP PublishingArticles you may be interested inA novel methodology for simulating maximum power point trackers using mine blast optimization and teaching learning based optimization algorithms for partially shaded photovoltaic systemJ. Renewable Sustainable Energy 8, 023503 (2016); 10.1063/1.4944971Performance of smart maximum power point tracker under partial shading conditions of photovoltaic systems J. Renewable Sustainable Energy 7, 043141 (2015); 10.1063/1.4929665Modeling and global maximum power point tracking for photovoltaic system under partial shading conditions using modified particle swarm optimization algorithmJ. Renewable Sustainable Energy 6, 063117 (2014); 10.1063/1.4904436A maximum power point tracking algorithm for photovoltaic systems using bang-bang controllerJ. Renewable Sustainable Energy 6, 053126 (2014); 10.1063/1.4898358Maximum power point tracking of partial shaded photovoltaic array using an evolutionary algorithm: A particle swarm optimization techniqueJ. Renewable Sustainable Energy 6, 023102 (2014); 10.1063/1.4868025Tracking the global maximum power point of a photovoltaicsystem under partial shading conditions using a modifiedfirefly algorithmJi-Ying Shi,Fei Xue,Zi-Jian Qin,Le-Tao Ling,Ting Y ang,Yi Wang,andJun WuSchool of Electrical and Automation Engineering,Tianjin University,Tianjin,China(Received 10March 2016;accepted 18April 2016;published online 4May 2016)Under partial shading conditions,the power–voltage (P-U)curve may exhibitmultiple local maxima.This makes it challenging to track the global maximumpower point (GMPP).Additionally,in such conditions,conventional maximumpower point tracking (MPPT)methods cannot be used to extract the GMPP.Thispaper describes a modified firefly algorithm (MFA)that can rapidly and accuratelyextract the GMPP under partial shading conditions.The algorithm introduces theconcepts of the global and local firefly densities during each iteration,and devisestwo elimination mechanisms to adaptively adjust the firefly population.Theproposed method is compared with the traditional MPPT algorithms under fourdifferent partial shading conditions.Simulation results demonstrate that the MFAcan immediately and accurately track the global maximum under the partiallyshaded conditions,and that the proposed method outperforms conventionaltechniques in terms of tracking efficiency and speed.Published by AIP Publishing.I.INTRODUCTIONWith the soaring price of fossil fuels and environmental concerns about their use,there isincreasing interest in renewable energy sources.In particular,photovoltaic (PV)systems areconsidered to meet the significant strategic objective of offering energy security.To obtain highPV efficiency,maximum power point tracking (MPPT)is a key technology.1–3Under uniform conditions,there is only a single peak on the P-U curve;4in this condition,the conventional MPPT schemes (including perturbation and observation (P&O),5–7incrementalconductance,8–10hill climbing,11open circuit voltage,12short circuit current,13fuzzy logic con-trol search method,14and sliding seeking control 15)can be used to extract the maximum powerpoint (MPP).However,under partial shading conditions (PSCs)(due to clouds,trees,buildings,and so on),the abovementioned conventional strategies cannot be used,because the P-U curveexhibits several peaks that cannot be distinguished.16–18To alleviate this problem,a number ofintelligent schemes have been proposed.Among them are particle swarm optimization(PSO),19–23the cuckoo search,24artificial bee colony algorithms,25artificial neural networks,26genetic algorithms,27and the firefly algorithm (FA).28,29Despite their global tracking ability,these intelligent schemes are typically complex and more time-consuming than the conventionalmethods.Currently,the best method for finding the global MPP (GMPP)under the PSCs is the FA,which has the advantages of simple computational steps and fast convergence.29Despite theseadvantages,the FA is still time-consuming.Hence,shortening the convergence time and height-ening the tracking efficiency,as well as balancing the tradeoff between the two,are of signifi-cant interest for MPPT.In this paper,we propose a modified firefly algorithm (MFA)whosepopulation can be adaptively adjusted.The MFA introduces the concepts of global and localfirefly densities,and applies low-fitness-value and high-local-density elimination mechanisms tobalance the tradeoff between the tracking efficiency and convergence time.These mechanismsenable the convergence time of the MPPT to be sharply reduced.JOURNAL OF RENEWABLE AND SUSTAINABLE ENERGY 8,033501(2016)II.CHARACTERISTICS OF PV UNDER PARTIAL SHADING CONDITIONSAn accurate PV cell double diode model 30is illustrated in Fig.1.The output current ofthis model is given byI ¼I pv ÀI D 1ÀI D 2ÀU þIR s ðÞR p ;(1)whereI D 1¼I 01e U þIR s a 1U T 1À1;(2)I D 2¼I 02e U þIR s a 2U T 2À1;(3)U T 1¼U T 2¼N s kT q :(4)In the above equations,U and I are the output voltage and current of the PV module,respectively;I pv is the light-generated current;I D1and I D2are the currents of diodes D 1and D 2;I 01and I 02are the reverse saturation currents of diodes D 1and D 2;R s and R p are the series andparallel resistances,respectively;U T is the thermal voltage of the PV module;k is theBoltzmann constant;T is the temperature of the p-n junction in K;q is the electric charge;anda 1,a 2are the diode ideality constants.This model requires seven parameter values to be determined for accurate calculations,which issomewhat complicated.To improve the calculation speed,the model can be simplified as follows:I ¼I pv ÀI 0I p þ2ðÞÀU þIR s R p ;(5)whereI 0¼I sc STC þk i D T exp U oc STC þk V D T a 1þa 2pÁU T 0@1A À1;(6)I p ¼e U þIR s U T þe U þIR s p À1ðÞU T ;(7)p ¼1þa 2!2:2:(8)Table I lists the simulation parameters employed in our PV module under standard testingcondition (STC)with temperature (25 C)and irradiance (1000W/m 2).Traditional MPPT control schemes usually consist of control loops and proportional inte-gral (PI)controllers.However,such control schemes have the following disadvantages:31(1)acomplicated structure;(2)excessive computation times;and (3)the need to tune the PI gain.Inthis study,we develop a direct MPPT control scheme that overcomes these disadvantages.Ourdirect MPPT control scheme is based on the power–duty (P-D)curve.Hence,weshow that theP-D curve of a standalone PV system with boost converter directly.The P-U and P-D curvesunder STC and PSCs are shown in Figs.2and 3,respectively.It is easy to see that the P-Uand P-D curves exhibit the same peaks under each shading condition.III.BASICS OF P&O,PSO,AND FATo evaluate the performance of the proposed MFA,we compare it with P&O,PSO,andFA MPPT methods.To facilitate the discussion of this comparison,we now present a briefoverview of these methods.A.P&OP&O is the most widely used MPPT algorithm,and is regarded as the standard benchmarkagainst which any new MPPT scheme should be compared.The P&O algorithm first calculatesthe power (P)by sensing the voltage and current.A perturbation in the duty (D)of the DC-DCconverter is then provided based on the change of power according toD new ¼D old þD D ðif P >P old Þ;(9)D new ¼D old ÀD D ðif P <P old Þ;(10)where D D is the perturbed duty.Clearly,the size of D D is the most important aspect of this algorithm.If D D is large,the algorithm converges rapidly with large fluctuations in the steady state power.B.PSOThe PSO algorithm iteratively improves a candidate solution with regard to a given mea-sure of quality.PSO uses several cooperative particles that move around the search spaceaccording to the mathematical formulae that determine their position and velocity.The positionof a particle is influenced by its personal best position and global best experienced position.The velocity and position of the particles are calculated byTABLE I.Parameters of the PV module under STC.ParametersValue Parameters Value Power at MPP P max /W100Series resistance R s /X 0.35Voltage at MPP V mp /V18.48Parallel resistance R p /X 176.4Current at MPP I mp /A5.41Current temperature coefficient K i 0.003Open circuit voltage V oc /V22.92Voltage temperature coefficient K vÀ0.08Short circuit current I sc /A 5.7Number of series elements N s36v t i ¼wv t À1i þc 1r 1ðx pbi Àx t À1i Þþc 2r 2ðx gbe Àx t À1i Þ;(11)x t i ¼x t À1i þv t i ;(12)where w is the inertia weight;c 1,c 2are the acceleration constants;x pbi is the i -th particle’s per-sonal best position;x gbe is the global best experienced position;r 1,r 2are the random variablesuniformly distributed within [0,1];and t is the iteration number.C.FAThe evolutionary FA is a relatively new algorithm proposed by Yang in 2008.32–34Thisalgorithm is a kind of stochastic optimization algorithm based on the swarm behavior of fire-flies.The FA has two main elements,namely,brightness and the attraction degree.The bright-ness,reflected by the fitness of a firefly’s location,determines the direction of movement andthe step size.As the brightness and attraction degree are updated,all the fireflies move towardthe brightest one so as to achieve the goal of optimization.In a maximization problem,thebrightness is proportional to the value of the objective function.The attraction degree b is determined byb ¼b 0Âe Àc r 2ij ;(13)where b 0is the initial attractiveness;c is the decrease in light intensity;and r ij is the distancebetween the i th and j th fireflies.The position of the i th firefly on the k th iteration can be adjusted byx k i ¼x k À1i þb Âðx gbe Àx k À1i Þþa Âðrand À1=2Þ;(14)where x gbe is the global best experienced position;a is a random movement factor;and rand isa random number in the range [0,1].Generally,the population number N p is fixed in both FA and PSO.A large population isbeneficial to the global search but will reduce the iteration speed.If the population is small,theiteration speed will be improved,but the algorithm may fall and become stuck at the localextrema.In MPPT problems,the fixed population number is normally set as the number of se-ries PV boards,and the initial positions are uniformly distributed.To maintain the global track-ing ability,the maximum step size is limited.However,this does not resolve the problem ofbalancing the search time and search accuracy.IV.PRINCIPLE OF MFAThe population number is a key parameter in FA.A larger population is advantageous to theglobal search in the early stages,but increases the tracking time later on;in contrast,a small popula-FIG.3.Characteristic curves of a PV system under PSCs:(a)P-U curve and (b)P-D curve.we introduce an elimination mechanism that increases the population in the early stages of the search, and reduces it in the later stages.The initialfirefly population can be set to a large number,and the elimination mechanism reduces the number offireflies during the iterative process.To maintain the search accuracy in thefinal stage,we set the minimum population number N pmin to three.When this condition is made,the elimination mechanism is terminated.A reasonablefirefly density gives the optimal tradeoff between search time and search accuracy.In this study,wefirst introduce the con-cepts of global density and local density.These are defined as follows:The global density q g is calculated asq g¼N pd max;(15)where N p is thefirefly population and d max represents the maximum distance of allfireflies. The initial value of N p is set to be2m(where m is the number of string PV models).The maximum elimination number N em is determined from the global density asN em¼roundððq gÀq setÞÂd maxÞ;(16) where the round()operator rounds the argument to the nearest integer and q set represents the set den-sity.As q set increases,the tracking time will increase,and vice versa.However,if this density is too small,the MFA may become trapped around a local MPP.After repeated simulations,we identified the optimal range to be1.2m–2m.In this paper,we use q set¼1.4m(where m is the number of string PV models).To ensure that the N pmin constraint is not violated,if N pÀN em<N pmin,N em¼N pÀN pmin:(17)The local density is expressed using the adjacent distance array dis[].The elements of dis[] are the distances between two adjacentfireflies.The algorithm sequences thefirefly positions and calculates dis[]at the start of every iteration.To adaptively adjust N p,we define the following low-fitness-value and high-local-density elimination mechanisms:A.Low-fitness-value eliminationIn the initial stages,somefireflies have much smallerfitness values than the global best.If thefitness value of the i thfirefly position P i is less than35%of the global best,the position is defined as a low-fitness-values position.Thefitness values of locations around this position are also assumed to be much smaller than the global best value.The P-D curves offive string PV panels under PSCs are shown in Fig.4(a).The initialfirefly population was set to10.It is easy to see that x5is the best initial position,and that x9,x10are low-fitness-value positions that should be eliminated.We can judge low-fitness-value positions as those for whichp i<0:35;(18)p gbewhere P i is thefitness value of the i thfirefly position,P gbe is thefitness value of the global best experienced position.Increasing this threshold value for lowfitness values would decrease the tracking time,but may cause the proposed method to become trapped in local MPPs.After examining a number of simulations,we suggest a range of0.35–0.5.To enhance the tracking accuracy,we set this parameter to0.35.B.High-local-density eliminationAfter several iterations,thefirefly density would increase significantly.However,a high local density is not necessary.Hence,if the distance between two adjacentfireflies is less than 1/(4m),thefirefly with the lowerfitness is eliminated.As the lower limit of the distance between adjacentfireflies increases,the tracking time and tracking efficiency increase,and vice versa.After examining a number of simulations,we suggest this lower limit should be between 1/(8m)and1/(4m).We set this value to1/(4m).As shown in Fig.4(b),thefirefly density within d max is high.As x1,x2,and x3are very close together,and x7,x8,and x9are also very close,we can eliminate x1,x2,x7,and x9.The termination criterion for MFA isd max <1100ÂN P ;initial ;(19)where N p ,initial is the initial value of population number N p .If the external environment changes suddenly,the MFA would restart.A sudden change isdefined as the scenario in whichP 2ÀP 1P 1 >D P ;(20)where P 1is the sampled power value after the termination of iterations,P 2is the sampledpower value in the next sampling period,and D P is the power change tolerance.A flow chartof the proposed MFA is shown in Fig.5.V.CASE STUDIES AND SIMULATION RESULTSThe PV MPPT system shown in Fig.6includes five series PV panels,a boost circuit,MPPT control module,and load.This system was implemented using the Matlab/Simulink soft-ware.The parameters of the PV panels are given in Table I ,and the circuit parameters arelisted in Table II .To verify the proposed MFA,we designed four scenarios and comparedtheFIG.6.PV MPPT system.TABLE III.Configuration of each algorithm.MethodsParameters Initial positions P&OD D ¼0.01PSON p ¼5c 1¼0.5c 2¼1.00.1,0.3,0.5,0.7,0.9FAN p ¼5a ¼0.01b 0¼0.01c ¼0.010.1,0.3,0.5,0.7,0.9MFA N p,initial ¼10a ¼0.01b 0¼0.01c ¼0.010.05,0.15,0.25,0.35,0.450.55,0.65,0.75,0.85,0.95TABLE II.Circuit parameters.ParametersValue C 1/l F200C 2/l F90L /mH0.15R load /X40MOSFET Frequency/kHz 50results given by the MFA with those from P&O,PSO,and FA.The parameters of the fouralgorithms and the initial population positions are listed in Table III .A.Case AFor this case,the irradiance is shown in Fig.7.The corresponding P-D curve has a singlepeak with an MPP of 502.43W.Tracking trails corresponding to the four comparative algo-rithms are shown in Fig.8.It can be seen that all algorithms traced the MPP.P&O,PSO,FA,and our MFA took approximately 0.54,1.9,1.8,and 0.9s,respectively,to reach the MPP.Thetime response of P&O and MFA is better than that of the other two methods.The tracking effi-ciencies of P&O,PSO,FA,and MFA were 0.99578–0.99928,0.99908,0.99966,and 0.99998,respectively.The accuracy of the MFA is higher than that of the P&O,because P&O fluctuatesaround the MPP.B.Case BFigure 9shows the irradiance condition and P-D characteristics of a solar array in case B.The curve exhibits three peaks,with the second,at 330.81W,being the GMPP.ThetrackingFIG.7.PV string configuration for case A:(a)shading pattern and (b)P-Dcurve.trails of the P&O,PSO,FA,and MFA algorithms are shown in Fig.10.PSO,FA,and MFAsuccessfully found the global MPP,whereas P&O converged to a local MPP and fluctuatesaround 276.18–281.39W.The output power under the P&O scheme is only approximately83.4860%–85.0609%of the GMPP.This result indicates that considerable power losses can beincurred by non-optimal MPPT algorithms.To reach the GMPP,the PSO,FA,and MFA algo-rithms required 2.20,1.90,and 1.22s,respectively.The tracking efficiencies of P&O,PSO,FA,and MFA were 0.83486–0.85061,0.99933,0.99969,and 0.99973,respectively.The MFA algo-rithm has an advantage over the PSO and FA algorithms because the adaptive population sizereduces the iteration time.C.Case CFor case C,the irradiance condition and corresponding P-D curve are shown in Fig.11.Five peaks exist along the curve,with the GMPP at MPP2¼214.30W.The MPPT trails of thefour algorithms are shown in Fig.12.The PSO,FA,and MFA algorithms successfully identi-fied the GMPP,whereas P&O converged to a local MPP at approximately 165.30W.The out-put power with P&O is only 76.8409%–77.1442%of the GMPP.This again indicatestheFIG.9.PV string configuration for case B:(a)shading pattern and (b)P-Dcurve.FIG.11.PV string configuration for case C:(a)shading pattern and(b)P-D curve.FIG.12.Tracking trails for case C:(a)P&O,(b)PSO,(c)FA,and(d)MFA.FIG.13.PV string configuration for case D:(a)shading pattern and(b)P-D curve.considerable power losses that may occur with sub-optimal algorithms.The GMPP was reachedby PSO,FA,and MFA in 2.70,2.10,and 1.28s,respectively.The tracking efficiencies ofP&O,PSO,FA,and MFA were 0.76841–0.77144,0.99514,0.99491,and 0.99505,respectively.Thus,the MFA algorithm clearly outperformed the PSO and FA algorithms in this scenario.D.Case DCase D considers a rapid change in the PV array irradiance.The corresponding P-D curveis shown in Fig.13.The trails of the solar array for the P&O,PSO,FA,and MFA algorithmsare plotted in Fig.14.In this scenario,PSO,FA,and MFA successfully found the GMPP,whereas P&O diverged from the MPP following the change in irradiance after 3s.At the inter-val of [03]s,the tracking efficiencies of P&O,PSO,FA,and MFA were 0.99578–0.99928,0.99918,0.99958,and 0.99999,respectively;and at the interval of [36]s were0.82141–0.82314,0.99934,0.99889,and 0.99996,respectively.VI.CONCLUSIONSFast and accurate tracking are the key points of any MPPT algorithm.In this paper,wedescribed the MFA for MPPT,and demonstrated its ability to rapidly and accurately extract theGMPP under PSCs.The proposed method uses the concepts of the global and local densities,and employs low-fitness-value elimination and high-local-density elimination mechanisms toadaptively adjust the population.These mechanisms ensure that the firefly density in differentstages gives the optimal balance between tracking efficiency and computation time.The simula-tion results show that the MFA outperforms three conventional algorithms,offering significantlyreduced tracking time with high efficiency.ACKNOWLEDGMENTSThis work was sponsored by the National Program of International S&T Cooperation(2013DFA11040),the National Natural Science Foundation of China (61571324and 61172014),and the Natural Science Foundation of Tianjin(12JCZDJC21300).FIG.14.Tracking trails for case D:(a)P&O,(b)PSO,(c)FA,and (d)MFA.1P.Bhatnagar and R.K.Nema,“A maximum power point tracking algorithm for photovoltaic systems using bang-bang controller,”J.Renewable Sustainable Energy6,053126(2014).2T.Esram and P.L.Chapman,“Comparison of photovoltaic array maximum power point tracking techniques,”IEEE Trans.Energy Convers.22(2),439–449(2007).3S.K.Dash,S.Nema,R.K.Nema,and D.Verma,“A comprehensive assessment of maximum power point tracking tech-niques under uniform and non-uniform irradiance and its impact on photovoltaic systems.A review,”J.Renewable Sustainable Energy7(6),063113(2015).4M.A.Farahat,M.A.Enany,and A.Nasr,“Assessment of maximum power point tracking techniques for photovoltaic system applications,”J.Renewable Sustainable Energy7(4),042702(2015).5N.Fermia,D.Granozio,G.Petrone,and M.Vitelli,“Predictive and adaptive MPPT perturb and observe method,”IEEE Trans.Aerosp.Electron.Syst.43(3),935–950(2007).6L.Piegari and R.Rizzo,“Adaptive perturb and observe algorithm for photovoltaic maximum power point tracking,”IET Renewable Power Gener.4(4),317–328(2010).7A.K.Abdelsalam,A.M.Massoud,S.Ahmed,and P.Enjeti,“High-performance adaptive perturb and observe MPPT technique for photovoltaic-based microgrids,”IEEE Trans.Power Electron.26(4),1010–1021(2011).8Z.Xu,P.Yang,D.Zhou,P.Li,J.Lei,and Y.Chen,“An Improved variable step size MPPT algorithm based on INC,”J.Power Electron.15(2),487–496(2015).9Y.Kou,Y.Xia,and Y.Ye,“Fast variable step-size maximum power point tracking method for photovoltaic systems,”J.Renewable Sustainable Energy7(4),043126(2015).10Y.Tian,B.Z.Xia,Z.H.Xu,and W.Sun,“Modified asymmetrical variable step size incremental conductance maximum power point tracking method for photovoltaic systems,”J.Power Electron.14(1),156–164(2014).11B.N.Alajmi,K.H.Ahmed,S.J.Finney,and B.W.Williams,“Fuzzy-logic-control approach of a modified hill-climbing method for maximum power point in microgrid standalone photovoltaic system,”IEEE Trans.Power Electron.26(4), 1022–1030(2011).12A.W.Leedy,L.Guo,and K.A.Aganah,“A constant voltage MPPT method for a solar powered boost converter with DC motor load,”in Proceedings of IEEE Southeastcon(2012),Vol.1,pp.1–6.13H.A.Sher,A.F.Murtaza,A.Noman,K.E.Addoweesh,and M.Chiaberge,“An intelligent control strategy of fractional short circuit current maximum power point tracking technique for photovoltaic applications,”J.Renewable Sustainable Energy7(1),013114(2015).14M.M.Algazar,H.Al-Monie,H.A.El-Halim,and M.E.E.K.Salem,“Maximum power point tracking using fuzzy logic control,”Int.J.Electrical Power Energy Syst.39(1),21–28(2012).15K.Boulaam and A.Boukhelifa,“Maximum power point tracking based on sliding mode control,”International Aegean Conference on Electrical Machines and Power Electronics and Electromotion,Joint Conference(IEEE,2011),pp.59–63. 16K.Ding,X.Wang,Q.X.Zhai,J.W.Xu,J.W.Zhang,and H.H.Liu,“Improved global maximum power point tracking method based on voltage interval for PV array under partially shaded conditions,”J.Power Electron.14(4),722–732(2014). 17A.P.Bhatnagar and B.R.K.Nema,“Conventional and global maximum power point tracking techniques in photovoltaic applications,”J.Renewable Sustainable Energy5(3),032701(2013).18D.Verma,S.Nema,A.M.Shandilya,and S.K.Dash,“Comprehensive analysis of maximum power point tracking tech-niques in solar photovoltaic systems under uniform insolation and partial shaded condition,”J.Renewable Sustainable Energy7(4),042701(2015).19M.Seyedmahmoudian,S.Mekhilef,R.Rahmani,R.Yusof,and A.A.Shojaei,“Maximum power point tracking of partial shaded photovoltaic array using an evolutionary algorithm:a particle swarm optimization technique,”J.Renewable Sustainable Energy6(2),023102(2014).20Y.Tian,B.Xia,W.Sun,Z.Xu,and W.Zheng,“Modeling and global maximum power point tracking for photovoltaic system under partial shading conditions using modified particle swarm optimization algorithm,”J.Renewable Sustainable Energy6(6),063117(2014).21K.Ishaque,Z.Salam,M.Amjad,and S.Mekhilef,“An improved particle swarm optimization(PSO)–based MPPT for PV with reduced steady-state oscillation,”IEEE Trans.Power Electron.27(8),3627–3638(2012).22Y.H.Liu,S.C.Huang,J.W.Huang,and W.C.Liang,“A particle swarm optimization-based maximum power point tracking algorithm for PV systems operating under partially shaded conditions,”IEEE Trans.Energy Convers.27(4), 1027–1035(2012).23K.Ishaque and Z.Salam,“A deterministic particle swarm optimization maximum power point tracker for photovoltaic system under partial shading condition,”IEEE Trans.Ind.Electron.60(8),3195–3206(2013).24J.Ahmed and Z.Salam,“A maximum power point tracking(MPPT)for PV system using cuckoo search with partial shading capability,”Appl.Energy119(15),118–130(2014).25K.Sundareswaran,P.Sankar,and P.Nayak,“Enhanced energy output from a PV system under partial shaded conditions through artificial bee colony,”IEEE Trans.Sustainable Energy6(1),198–209(2015).26P.Kofinas,A.I.Dounis,and G.Papadakis,“An intelligent MPPT controller based on direct neural control for partially shaded PV system,”Energy Build.90(1),51–64(2015).27Y.Shaiek,M.B.Smida,A.Sakly,and M.F.Mimouni,“Comparison between conventional methods and GA approach for maximum power point tracking of shaded solar PV generators,”Sol.Energy90(4),107–122(2013).28K.Sundareswaran,P.Sankar,and P.Nayak,“MPPT of PV systems under partial shaded conditions through a colony of flashingfireflies,”IEEE Trans.Energy Convers.29(2),463–472(2014).29Y.M.Safarudin,A.Priyadi,and M.H.Purnomo,“Maximum power point tracking algorithm for photovoltaic system under partial shaded condition by means updating bfirefly technique,”in6th International Conference on Information Technology and Electrical Engineering(ICITEE),Yogyakarta(IEEE,2014),pp.1–5.30K.Ishaque,Z.Salam,and H.Taheri,“Accurate MATLAB simulink PV system simulator based on a two-diode model,”J.Power Electron.11(2),179–187(2011).31K.Ishaque,Z.Salam,A.Shamsudin,and M.Amjad,“A direct control based maximum power point tracking method for photovoltaic system under partial shading conditions using particle swarm optimization algorithm,”Appl.Energy99(2), 414–422(2012).。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 温度相同时，随着日照强度的增加，光伏电池 的开路电压几乎不变，短路电流有所增加；日 照强度相同时，随着温度的升高，光伏电池的 开路电压下降，短路电流有所增加。
2020/4/22
济南大学物理学院
9
• 图7-2分别给出了光伏电池在不同的温 度，日照强度下的P-U特性曲线。
• 图7-1分别给出了光伏电池在不同的温度， 日照强度下的I-V特性曲线。
图7-1 光伏电池不同温度、日照强度下的I-V特性曲线
2020/4/22
济南大学物理学院
8
• 由图7-1可知，光伏电池既非恒压源，也非恒流 源，是一种非线性直流源。输出电流在大部分 工作电压范围内相对恒定，最终在一个足够高 的电压之后，电流迅速下降至零。
2020/4/22
济南大学物理学院
16
• 扰动观测法示意图如图7-4所示
图7-4 扰动观测法示意图
2020/4/22
济南大学物理学院
17
• 扰动观测法程序流程如图7-5所示
图7-5 扰动观测法流程图
扰动观测法按照每次扰动的电压变化量是否固 定，可分为定步长和变步长扰动观测法。
2020/4/22
济南大学物理学院
2020/4/22
济南大学物理学院
2
并网控制的工作原理：首先由并网控制给定 的有功、 无功功率指令和电网电压矢量，计 算出输出电流矢量I*；
再由 Ui = U L+E ；可得交流侧输出电压指令 Ui * jLI * E
通过SPWM或SVPWM 控制逆变器输出所需交流侧 电压矢量，实现逆变器并网电流的控制。
第六章 光伏并网逆变器控制策略
电力电子系统的控制主要包括对给定信号的跟 随（跟随性）和对扰动信号的抑制（抗扰性） 两个方面。
两个基本控制要求： 一是要保持前后级之间的直流侧电压稳定
二是要实现并网电流控制
2020/4/22
济南大学物理学院
1
显然通过控制交流侧Ui的幅值和相位，便可 控制UL的幅值和相位，也即控制了电感电流 的幅值和相位。
2020/4/22
济南大学物理学院
7-1111
• 从上面的分析中看出，光伏电池的输出是一个 随机的、不稳定的供电系统。工作时由于光伏 电池的输出特性受负荷状态、光照强度、环境 温度等的影响而大幅度变化， 其短路电流与日 照量几乎成正比关系增减，开路电压受温度变 化的影响较大。
• 最大功率点时刻在变化。因此，就不能用等效 电阻的方法获取最大功率。
Um ppK1Uoc
2020/4/22
济南大学物理学院
14
定电压跟踪法特点：
(1)开环控制，控制简单，控制易实现; (2)系统不会出现因给定的控制电压剧烈变化而引起 振荡，具有良好的稳定性; (3)控制精度差，系统最大功率跟踪的精度取决于给 定电压值选择的合理性; (4)控制的适应性差，当系统外界环境，如太阳辐射 强度，光伏电池板温度发生改变时系统难以进行准 确的最大功率点跟踪。
• 由于光伏电池的输出特性是复杂的非线性形式， 难以确定其数学模型，无法用解析法求取最大 功率。
2020/4/22
济南大学物理学院
7-1212
常见几种MPPT方法: (l)恒定电压跟踪法; (2)扰动观测法（爬山法）; (3)导纳增量法; (4)智能控制的方法。
2020/4/22
济南大学物理学院
13
以上两种并网逆变器控制策略的控制性能取决于 电网电压矢量位置的精确获得。
2020/4/22
济南大学物理学院
5
第七章 最大功率点跟踪技术
7.1 概述 光伏电池由于受外界因素(温度、日照强度等)影 响很多，因此其输出具有明显的非线性。
不同的外界条件下，光伏电池可运行在不同且唯一 的最大功率点(Maximum Power Point, MPP)上。
2020/4/22
济南大学物理学院
7-6 6
光伏系统应寻求光伏电池的最优工作状态， 以最大限度的实现光能转换为电能
利用控制方法实现光伏电池最大功率输出运行 的 技术称为最大功率点跟踪(Maximum Power Point Tracking, MPPT)技术。
2020/4/22
济南大学物理学院
7-7 7
7.2 定电压跟踪法
✓ 由图7-3可以看出，在光伏电池温度变化不大时， 光伏电 池的P-U输出特性曲线上的最大功率点几 乎分布于一条垂直直线的两侧，因此将光伏电池 输出电压控制在其最大功率点电压处，此时光伏 电池将工作在最大功率点。
最大功率点电压与开 路电压之间存在近 似的线性关系
图7-3 光伏电池不同日照强度下的P-V特性曲线
图7-2 光伏电池不同温度、日照强度下的P-V特性曲线
2020/4/22
济南大学物理学院
10
•从图7-2中可以看出，在一定的温度和日照强度下， 光伏电池具有唯一的最大功率点，当光伏电池工作 在该点时， 能输出当前温度和日照条件下的最大 功率。 • 在最大功率点左侧，光伏电池的输出功率随着工 作点电压的增加而增大；在最大功率点右侧，光伏 电池的输出功率随着工作点电压的增加而减小。 • 当结温增加时，光伏电池的开路电压下降，短路 电流略有增加，最大输出功率减小, 当日照强度增 加时，光伏电池的开路电压变化不大，短路电流增 加明显，最大输出功率增加。
2020/4/22
济南大学物理学院
15
7.3 扰动观测法（爬山法）
• 扰动观测法(Perturbation Observation, PO)是 目前实现 MPPT常用的方法，它通过不断扰动 光伏系统的工作点来寻找最大功率点的方向。
• 工作原理：先扰动输出电压值，然后测其功率 变化并与扰动之前的功率值比较，如果功率值 增加，则表示扰动方向正确，继续朝同一方向 扰动，如果扰动后功率值小于扰动前的值，则 往相反的方向扰动。
2Hale Waihona Puke 20/4/22济南大学物理学院
3
间接电流控制：通过控制并网逆变器交流侧电压来 间接控制输出电流矢量。
直接电流控制方案依据系统动态模型构造电流闭 环控制系统，
2020/4/22
济南大学物理学院
4
• 相对于电网电压矢量位置的电流矢量控制， 称为基于电压定向的矢量控制(VOC)。
• 相对于电网电压矢量位置的功率控制，称为 基于电压定向的直接功率控制(V-DPC)。