✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
太阳能光伏发电作为一种清洁、可再生的能源技术,在全球能源结构转型中扮演着越来越重要的角色。光伏阵列,作为太阳能发电系统的核心组成部分,由多个太阳能电池板串联和/或并联而成。理想情况下,光伏阵列的所有电池板都受到均匀的太阳辐照和温度影响,其输出功率(P)与电压(V)以及电流(I)与电压(V)之间的关系曲线呈现出理想的单峰特性。然而,在实际应用中,由于建筑物、树木、云层、灰尘、积雪等多种因素的影响,光伏阵列常常会遭受部分遮光(Partial Shading, PS)的情况。
部分遮光会导致阵列中不同电池板接收到的太阳辐照不均匀,进而引起电池板之间输出电流的失配。这种电流失配会在未被遮挡的电池板上产生高反向偏压,可能导致被遮挡电池板进入反向工作区域,消耗能量并产生热点,严重影响阵列的输出性能、可靠性和使用寿命。更重要的是,部分遮光条件下,光伏阵列的P-V和I-V特性曲线会呈现出多个峰值,即存在多个局部最大功率点(Local Maximum Power Point, LMPP)和一个全局最大功率点(Global Maximum Power Point, GMPP)。这给传统的最大功率点跟踪(Maximum Power Point Tracking, MPPT)算法带来了巨大的挑战,如果MPPT算法陷入LMPP,将导致系统输出功率大幅降低,能源利用效率低下。
因此,深入研究部分遮光条件下光伏阵列的电路特性,理解其P-V和I-V曲线的多峰形成机理,并探究有效的电路模型和分析方法,对于设计高性能的光伏发电系统、开发先进的MPPT算法以及评估阵列在实际运行中的性能至关重要。本文将从电路学的角度出发,对部分遮光条件下太阳能光伏阵列的P-V和I-V特性进行深入分析和研究。
第一章:太阳能电池和电池板的基本电路模型
为了理解光伏阵列的电路特性,首先需要了解单个太阳能电池和电池板的基本电路模型。
1.1 单个太阳能电池的等效电路模型
单个太阳能电池通常可以用单二极管模型来表示,该模型考虑了光生电流、二极管的正向导通特性以及串联电阻和并联电阻的影响。
1.2 太阳能电池板的等效电路模型
太阳能电池板由多个太阳能电池串联而成。在理想情况下,可以将电池板视为由多个相同的单电池串联组成的等效电路。其输出电流和电压特性可以通过将单个电池的特性进行叠加得到。然而,当存在部分遮光时,电池板内部的电池会受到不同的辐照,导致其输出电流能力不同。为了解决这个问题,现代太阳能电池板通常会在每串或每几个电池并联一个旁路二极管(Bypass Diode)。
[图2: 带有旁路二极管的太阳能电池串模型]
如图2所示,当一串电池中的某个或某几个电池被遮挡时,其输出电流会降低。如果其反向偏压超过旁路二极管的开启电压,电流就会通过旁路二极管绕过被遮挡的电池,从而避免被遮挡电池承受过高的反向电压和消耗能量。旁路二极管的存在显著改变了电池板在部分遮光条件下的I-V和P-V特性。
第二章:部分遮光条件下光伏阵列的电路结构与特性
光伏阵列通常由多个太阳能电池板串联和/或并联组成。常见的阵列结构包括串联配置、并联配置以及串并联混合配置。
2.1 串联配置的光伏阵列
在串联配置中,多个太阳能电池板首尾相连。在理想条件下,所有电池板的输出电流相等,总电压为各电池板电压之和。当发生部分遮光时,被遮挡的电池板输出电流会显著下降。由于所有串联的电池板必须流过相同的电流,因此未被遮挡的电池板也会被迫工作在较低的电流水平,其多余的光生电流会通过旁路二极管绕过被遮挡的电池板。这导致整个串联阵列的输出电流受限于电流最低的电池板(即被遮挡的电池板)。在这种情况下,I-V曲线会在多个电压点出现电流平台,P-V曲线则会呈现出多个功率峰值。
[图3: 串联光伏阵列在部分遮光条件下的电流流向示意图]
如图3所示,当一块电池板被遮挡时,其内部的旁路二极管会导通,电流绕过该电池板。整个串联串的电流由被遮挡电池板的光生电流决定。未被遮挡电池板的输出电压会累加,而被遮挡电池板的电压接近于零或负值。
2.2 并联配置的光伏阵列
在并联配置中,多个太阳能电池板并联连接。在理想条件下,所有电池板的输出电压相等,总电流为各电池板电流之和。当发生部分遮光时,被遮挡的电池板输出电流会降低,但其输出电压依然由并联母线的电压决定。整个并联阵列的总电流为各电池板电流之和。与串联配置不同,并联配置下的部分遮光主要影响总电流,而对电压的影响相对较小。I-V曲线会表现出在多个电流点出现电压平台,P-V曲线也可能出现多个峰值,但通常比串联配置下的峰值数量少。
2.3 串并联混合配置的光伏阵列
实际的光伏阵列通常采用串并联混合配置,即由多个串联串并联而成。这种配置结合了串联和并联的特点,是实际应用中最常见的形式。在串并联混合阵列中,部分遮光的影响取决于被遮挡电池板所在的串以及被遮挡电池板的数量和位置。一个串中的部分遮光会影响该串的整体特性,而不同串之间的遮光情况也会相互影响。其P-V和I-V特性曲线会更加复杂,可能出现更多数量和位置不同的峰值。
第三章:部分遮光条件下P-V和I-V特性的形成机理与电路分析
部分遮光条件下光伏阵列的P-V和I-V特性曲线之所以呈现多峰,其根本原因在于阵列中不同电池板在不同工作点下的非线性I-V特性以及旁路二极管的切换作用。
3.1 I-V曲线的形成机理
考虑一个由N块相同的太阳能电池板串联组成的阵列。假设其中k块电池板受到部分遮光(辐照度为GshGsh),其余N-k块电池板受到均匀辐照(辐照度为GunshGunsh)。每块电池板内部都带有旁路二极管。
当输出电压较低时,所有电池板都工作在光生电流产生区域,整个串联串的电流由电流最低的电池板决定,即被遮挡的电池板。此时,I-V曲线表现为一个接近恒定的电流平台,电流值约为被遮挡电池板在短路状态下的光生电流。随着电压升高,未被遮挡的电池板开始进入正向偏压区域,其输出电压增加。当某个被遮挡电池板上的反向电压达到旁路二极管的开启电压时,旁路二极管导通,电流绕过该电池板。此时,I-V曲线会出现一个“拐点”,电流可能会稍微升高或保持不变,而电压则继续升高。随着更多被遮挡电池板上的旁路二极管依次导通,I-V曲线上会出现多个电流平台和电压拐点,形成阶梯状的曲线。
当输出电压进一步升高,未被遮挡的电池板开始进入工作区域,其输出电压继续增加。最终,所有电池板(包括通过旁路二极管绕过的被遮挡电池板)的电压之和达到阵列的输出电压。当输出电压接近开路电压时,电流会迅速下降。
因此,部分遮光条件下串联阵列的I-V曲线呈现出多个电流平台和电压拐点,这些拐点对应着不同数量的旁路二极管导通状态。
3.2 P-V曲线的形成机理
光伏阵列的P-V特性曲线是通过I-V曲线计算得到的:P=V×IP=V×I。由于I-V曲线在部分遮光条件下呈现非线性和多平台特性,P-V曲线自然也会出现多个峰值。
每一个电流平台或电压拐点都可能对应着一个功率的局部峰值。 GMPP 是所有局部峰值中功率最高的点。 GMPP 的位置取决于遮光程度、被遮挡电池板的数量和位置以及阵列的连接方式。 在串联阵列中,通常情况下, GMPP 位于I-V曲线的第一个电流平台之后,对应于未被遮挡电池板工作在接近最大功率点附近。 后续的电流平台通常对应着较低的功率峰值,因为虽然电压在增加,但电流受到被遮挡电池板的限制。
例如,考虑一个由三块电池板串联组成的阵列,其中一块被严重遮挡。其I-V曲线可能呈现出两个明显的电流平台:第一个电流平台对应于所有电池板都试图输出电流(被遮挡板输出低电流),第二个电流平台对应于被遮挡电池板的旁路二极管导通,电流绕过被遮挡板,由另外两块未被遮挡的电池板决定。计算得到的P-V曲线上可能会出现两个峰值,其中第二个峰值通常为GMPP,因为此时两块未被遮挡的电池板在产生大部分功率。
在并联阵列中,部分遮光导致总电流降低,但电压影响相对较小。P-V曲线也可能出现多个峰值,但其形成机理与串联阵列略有不同,更多是由于不同并联支路电流之和的非线性变化引起的。
3.3 电路建模与仿真分析
为了准确分析和预测部分遮光条件下光伏阵列的P-V和I-V特性,需要建立精确的电路模型并进行仿真。 常用的仿真工具包括 MATLAB/Simulink、PSPICE 等。 在建模时,需要考虑以下因素:
- 单个太阳能电池模型参数:
包括IphIph、I0I0、nn、RsRs、RshRsh等参数。这些参数受温度和辐照度的影响。
- 电池板模型:
将多个电池串联并考虑旁路二极管。需要确定旁路二极管的模型参数(如开启电压)。
- 阵列结构:
根据实际阵列的串并联方式连接电池板模型。
- 遮光模式:
定义不同电池板的辐照度,模拟不同的部分遮光场景。
通过建立上述模型并在不同的电压或电流范围内进行仿真,可以得到光伏阵列在特定遮光条件下的I-V和P-V特性曲线。仿真结果可以帮助我们理解多峰的形成,预测GMPP的位置和功率,并评估不同遮光模式对阵列性能的影响。
第四章:旁路二极管的作用与影响
旁路二极管在部分遮光条件下对光伏阵列的性能和可靠性至关重要。其主要作用包括:
- 避免热点效应:
当被遮挡电池板被迫工作在反向偏压区域时,会消耗能量并产生热量,形成热点,可能导致电池板损坏。旁路二极管的导通可以将电流绕过被遮挡的电池板,避免其进入深反向偏压区域,从而减轻或消除热点效应。
- 提高输出功率:
旁路二极管的导通使得未被遮挡的电池板能够继续向负载供电,避免整个串联串的电流完全受限于被遮挡电池板的低电流,从而提高阵列的整体输出功率。
- 改变P-V和I-V特性:
旁路二极管的切换特性是导致P-V和I-V曲线出现多个峰值和平台的直接原因。不同的旁路二极管开启电压和导通特性会影响曲线的形状和峰值的位置。
然而,旁路二极管本身也存在一些局限性:
- 功耗:
旁路二极管在导通时会存在一定的压降,消耗一部分功率。
- 可靠性:
旁路二极管在长期工作和热循环下可能失效,导致被遮挡电池板无法被有效绕过。
- 增加成本和复杂性:
安装旁路二极管会增加电池板的制造成本和电路的复杂性。
第五章:部分遮光对MPPT算法的挑战与电路相关的解决方案
部分遮光导致P-V曲线出现多个峰值,对传统的MPPT算法提出了严峻挑战。传统的MPPT算法,如扰动观测法(Perturb and Observe, P&O)和电导增量法(Incremental Conductance),通常只能在局部范围内寻找最大功率点,很容易陷入LMPP,无法达到GMPP,从而导致发电效率低下。
为了解决这一问题,需要开发能够识别和跟踪GMPP的先进MPPT算法。这些算法通常需要全局搜索策略,例如:
- 扫描法:
周期性地对整个电压或电流范围进行扫描,找到所有的局部峰值,然后选择功率最高的作为GMPP。这种方法实现简单,但扫描过程会造成一定的功率损失。
- 人工智能算法:
利用神经网络、模糊逻辑、遗传算法、粒子群优化等算法来搜索GMPP。这些算法具有较强的全局搜索能力,但计算复杂度较高。
- 基于阵列重构的MPPT:
通过改变光伏阵列的连接方式(例如,利用开关阵列),使阵列在部分遮光条件下呈现出更理想的单峰P-V特性,从而简化MPPT。
除了改进MPPT算法,从电路设计的角度也可以采取一些措施来减轻部分遮光的影响:
- 优化旁路二极管的布局和数量:
增加旁路二极管的数量(例如,每个电池都带有旁路二极管)可以更精细地绕过被遮挡的电池,但会增加成本和复杂性。优化旁路二极管的布局可以更好地适应常见的遮光模式。
- 分布式最大功率点跟踪(Distributed MPPT, DMPPT):
在每个电池板或每个串联串层面实现MPPT。通过在每个单元级别进行功率优化,可以提高整个阵列的输出功率,尤其是在部分遮光条件下。DMPPT系统通常采用微逆变器或直流优化器等技术。
- 智能旁路技术:
利用智能开关代替传统的旁路二极管,可以更灵活地控制电流路径,进一步优化功率输出。
第六章:结论与展望
部分遮光是影响太阳能光伏阵列性能和可靠性的重要因素。深入研究部分遮光条件下光伏阵列的电路特性,理解P-V和I-V曲线的多峰形成机理,对于提高光伏发电系统的效率和可靠性至关重要。
本文从电路学的角度出发,分析了单个太阳能电池、电池板以及不同阵列结构在部分遮光条件下的电路模型和特性。阐述了旁路二极管的作用及其对P-V和I-V曲线的影响。并探讨了部分遮光对传统MPPT算法的挑战以及相关的电路解决方案。
未来的研究方向可以包括:
- 更精确的光伏电池和阵列模型:
考虑温度、老化等因素对模型参数的影响,提高仿真精度。
- 复杂遮光模式下的特性分析:
研究复杂和动态遮光场景下光伏阵列的特性。
- 先进的DMPPT和智能旁路技术:
开发更高效率、更可靠、更具成本效益的分布式功率优化方案。
- 基于数据驱动的特性预测和MPPT:
利用机器学习等技术对光伏阵列的特性进行预测,并开发基于数据驱动的MPPT算法。
- 对阵列长期运行和可靠性的影响:
研究部分遮光对电池板寿命和阵列整体可靠性的长期影响。
⛳️ 运行结果
🔗 参考文献
[1] 张昆,万勇善,刘风珍,等.花生幼苗光合特性对弱光的响应[J].应用生态学报, 2009, 20(12):7.DOI:CNKI:SUN:YYSB.0.2009-12-022.
[2] 李冬林,王火,江浩,等.遮光对香果树幼苗光合特性及叶片解剖结构的影响[J].生态学报, 2019, 39(24):12.DOI:10.5846/stxb201810312347.
[3] 孙涛 葛强 李娟 王璐 王铂钊.基于I-V特性的光伏MPPT滑模变结构控制策略[J]. 2025.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇