Matlab|基于粒子群优化算法及鲁棒MPPT控制器提高光伏并网的效率

  欢迎来到本博客❤️❤️❤️

博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者
目前更新：电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
支持：如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

                            

本文目录如下：⛳️⛳️⛳️

目录

1 光伏特性

2 动机

3 基于粒子群优化的MPPT算法

4 运行结果

5 结论

6 Simulink&Matlab代码实现

---

1 光伏特性

光伏电池特性是非线性的，其输出功率随辐照度和温度的变化而变化。非线性的原因是，光照照度和温度的值全天变化，从而降低了输出效率。此外，这些光伏组件的效率并不能满足电力需求。因此，需要设计一种提高光伏组件效率的算法，以解决电池效率与功率需求之间的差异。因此，本文目标是设计和建立相关模型，然后基于粒子群优化算法及辅助 MPPT 算法并提高光伏系统的效率。

2 动机

目前，大部分路灯都是通过常规能源供电。但是，日益增长的需求与可利用的资源之间存在巨大的差距。因此，对可再生能源，即太阳能路灯的需求增加。
太阳能供电装置最好适用于再生资源稀缺的地方。这些太阳能供电装置的初始成本较多。因此，需要集成鲁棒MPPT控制器。最大功率点跟踪( MPPT )由从光伏发电机中提取最大功率组成。有了MPPT，更多的器件可以用更少的电能供电。

3 基于粒子群优化的MPPT算法

步骤1 (参数选择)：在所提出的系统中，粒子位置定义为DC-dc变换器的占空比值d，适应度值评价函数选择为所产生的功率P。从算法的角度来看，即使在复杂的阴影模式下，粒子数目越多，MPP跟踪越精确。然而，更多的粒子也会导致更长的计算时间。因此，应进行权衡，以保证良好的跟踪速度和精度。

步骤2 ( PSO初始化)：在PSO初始化阶段，粒子可以放在固定的位置上，也可以放在空间中，随机进行。基本上，如果有关于Global _ MPP在搜索空间中位置的信息，那么初始化它周围的粒子就更有意义。本文将粒子初始化在复盖等距离搜索空间[Dmin , Dmax]的固定位置上。

步骤3（适应度评估）：提出的 MPPT 算法的目标是最大化生成的功率 PPV。数字控制器输出后，根据粒子i的位置的PWM命令（代表占空比命令），可以测量VPV和当前IPV，然后利用这些值计算粒子i的适应值PPV。应该注意的是，为了获得正确的样本，连续粒子评估之间的时间间隔必须大于电源转换器的稳定时间。

步骤 4（更新个体和全局最佳数据）：如果粒子 i 的适应度值优于历史上的最佳适应度值 p_(best,i)，则将当前值设置为新的 p_(best,i)。然后，选择所有粒子中适应度值最好的粒子作为g_best。此步骤类似于标准 PSO 方法的步骤 3。

步骤 5（更新每个粒子的速度和位置）：在评估所有粒子之后，应该更新群体中每个粒子的速度和位置。
步骤6（收敛确定）：本文使用了两个收敛标准。如果所有粒子的速度都小于阈值，或者达到最大迭代次数，则提出的 MPPT 算法将停止并输出获得的 g_best 解。

步骤7 (重新初始化)：典型地，PSO方法用于求解最优解为时不变的问题。但是，在这个应用程序中，适应值( 全球最大可用功率 )经常会随着环境和加载条件而变化。在这种情况下，必须重新初始化粒子以再次搜索新的GMPP。以下约束用于检测阴凉变化和遮阳模式变化。

4 运行结果

   

5 结论

本文的目的是提高光伏组件的效率。光伏电池特性是非线性的，输出功率随辐照度和温度的变化而变化。一个DC-DC Boost变换器，它将16 ~ 21v的太阳能电池板输出的电压升压到为器件供电所需的电压。然后设计了一种DC-DC Boost变换器以提高输出电压，找到合适的电感和电容值。为了验证电路的稳定性，对DC-DC Boost变换器进行了建模。

采用粒子群优化( PSO )辅助MPPT算法，提高了光伏模块的效率。实现了粒子群优化技术，并演示了输出功率的增加。该方法是针对不同的大气条件进行测试的。研究发现，即使在部分遮阴和大气变化的条件下，PSO方法也能快速准确地跟踪MPP。

6 Simulink&Matlab代码实现

博客主页：电气辅导帮