利用Perturb and Observe(P&O)实现光伏供电的直流-直流升压变换器的最大功率跟踪附Simulink仿真

✅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

光伏发电作为一种清洁可再生的能源,在全球能源结构转型中扮演着日益重要的角色。然而,光伏阵列的输出功率受到环境因素(如辐照强度和温度)的影响,呈现出非线性的伏安特性曲线,存在唯一的最大功率点(MPP)。为了最大限度地利用光伏能源,实现对MPP的精确跟踪显得尤为关键。本文将深入探讨Perturb and Observe(P&O)算法在光伏供电的直流-直流升压变换器最大功率跟踪(MPPT)中的应用。通过对P&O算法的原理、实现方法、优缺点以及改进策略的详细阐述,旨在为光伏发电系统的优化设计和高效运行提供理论依据和技术支持。

1. 引言

随着全球能源需求的增长和对环境保护的日益重视,太阳能作为一种取之不尽、用之不竭的绿色能源,其开发利用已成为全球关注的焦点。光伏发电系统以其无污染、少维护、运行可靠等优点,在分布式发电、离网供电以及大型并网电站等领域得到了广泛应用。然而,光伏电池的输出特性是非线性的,其最大功率点(MPP)会随着太阳辐照强度和环境温度的变化而不断漂移。这意味着,如果不能有效地跟踪MPP,光伏系统的发电效率将大打折扣。

为了解决这一问题,最大功率点跟踪(MPPT)技术应运而生。MPPT控制器通过实时调整光伏阵列的工作点,使其始终工作在MPP,从而确保光伏系统输出最大功率。在众多MPPT算法中,Perturb and Observe(P&O)算法因其原理简单、易于实现等特点,被广泛应用于各种光伏发电系统中,尤其在与直流-直流升压变换器(Boost Converter)结合使用时,能有效提升光伏系统的能量转换效率。

2. 光伏阵列的输出特性与最大功率点

光伏电池是一种将光能直接转换为电能的半导体器件。单个光伏电池的输出电压较低,通常通过串并联组合形成光伏阵列以满足实际应用需求。光伏阵列的输出特性可以用伏安(I-V)曲线和功率-电压(P-V)曲线来描述。

2.1 I-V曲线和P-V曲线

  • I-V曲线(电流-电压曲线):

     描述了在特定辐照强度和温度下,光伏阵列输出电流与输出电压之间的关系。该曲线呈现非线性特性,存在一个短路电流点(Isc)和开路电压点(Voc)。

  • P-V曲线(功率-电压曲线):

     描述了在特定辐照强度和温度下,光伏阵列输出功率与输出电压之间的关系。P-V曲线通常呈现单峰特性,峰值即为最大功率点(MPP)。

2.2 影响MPP的因素

光伏阵列的MPP并非固定不变,它主要受以下环境因素的影响:

  • 太阳辐照强度:

     辐照强度越高,光伏阵列产生的电流越大,MPP也越大。

  • 环境温度:

     温度升高会导致光伏阵列的开路电压和MPP电压略微下降,但对短路电流影响较小。总体而言,温度升高会使MPP略微减小。

由于MPP的动态变化,采用MPPT算法实时跟踪MPP是提高光伏系统发电效率的必要手段。

3. 直流-直流升压变换器的工作原理

直流-直流升压变换器(Boost Converter)是一种DC-DC转换器,其输出电压高于输入电压。在光伏发电系统中,光伏阵列的输出电压可能较低且波动较大,通过升压变换器可以将其提升到所需的负载电压或逆变器输入电压,并提供与MPPT控制器接口,实现最大功率跟踪。

3.1 拓扑结构

典型的直流-直流升压变换器主要由电感L、开关管S(通常为MOSFET)、二极管D和输出电容C构成。

3.2 工作模式

升压变换器的工作模式通常分为连续导通模式(CCM)和非连续导通模式(DCM)。在MPPT应用中,为了获得更好的效率和更小的纹波,通常工作在连续导通模式。

  • 开关管导通时(ON):

     电源通过电感L为电感充电,能量储存在电感中。二极管D反向截止,输出电容C为负载供电。

  • 开关管关断时(OFF):

     电感L储存的能量通过二极管D和开关管S(如果存在续流回路)释放,同时对输出电容C充电并为负载供电。

通过调节开关管的占空比(Duty Cycle),可以控制输出电压,进而改变光伏阵列的工作点。这是P&O算法实现MPPT的关键机制。

4. Perturb and Observe (P&O) 算法原理

Perturb and Observe(P&O)算法,又称扰动观测法,是MPPT算法中最常用和最简单的方法之一。其基本思想是通过周期性地对光伏阵列的输出电压或电流进行微小扰动,并观察其输出功率的变化,从而判断MPP的方向,并调整工作点向MPP靠近。

4.1 算法流程

P&O算法的详细步骤如下:

  1. 初始化:

     设置初始占空比D,测量当前光伏阵列的输出电压V(k)和输出电流I(k)。

  2. 计算功率:

     计算当前输出功率P(k) = V(k) * I(k)。

  3. 扰动:

     在下一个采样周期,对占空比进行微小扰动(增加或减小一个固定步长ΔD)。

  4. 测量新功率:

     测量新的输出电压V(k+1)和输出电流I(k+1),计算新的输出功率P(k+1) = V(k+1) * I(k+1)。

  5. 比较与判断:
    • 如果V(k+1) > V(k):说明之前占空比是减小的,现在需要反向操作,增大占空比。

    • 如果V(k+1) < V(k):说明之前占空比是增大的,现在需要反向操作,减小占空比。

    • 如果V(k+1) > V(k):说明之前占空比是减小的,现在继续减小占空比。

    • 如果V(k+1) < V(k):说明之前占空比是增大的,现在继续增大占空比。

    • 如果P(k+1) > P(k):

       这表明扰动方向是正确的,系统正向MPP靠近。

    • 如果P(k+1) < P(k):

       这表明扰动方向是错误的,系统正在远离MPP。

  6. 更新占空比:

     根据判断结果调整占空比D,然后返回步骤2,继续循环。

4.2 算法原理图

 <!-- 请在此处替换为实际的P&O算法流程图链接 -->

4.3 P&O算法与升压变换器的结合

在与直流-直流升压变换器结合时,P&O算法通过调整升压变换器的开关管占空比来改变光伏阵列的工作点。当占空比增加时,升压变换器输出电压升高,光伏阵列的输入电压可能下降;当占空比减小时,升压变换器输出电压下降,光伏阵列的输入电压可能上升。P&O算法根据功率变化趋势,智能地调整占空比,从而驱动光伏阵列的工作点始终向MPP移动。

5. P&O算法的优缺点

5.1 优点

  • 实现简单:

     P&O算法的逻辑清晰,易于理解和编程实现,对硬件要求不高。

  • 成本较低:

     不需要复杂的传感器,仅需测量电压和电流即可。

  • 通用性强:

     适用于各种类型的光伏阵列,无需预先了解光伏电池的具体参数。

5.2 缺点

  • 稳态振荡:

     当系统达到MPP附近时,由于持续的扰动,工作点会在MPP附近来回振荡,导致一定的功率损失和效率下降。

  • 跟踪速度慢:

     在环境条件快速变化(如辐照强度剧烈变化)时,P&O算法的跟踪速度可能较慢,难以快速捕捉到新的MPP。

  • 局部最优:

     在存在多峰P-V曲线(例如部分阴影遮挡)的情况下,P&O算法可能陷入局部最优,无法找到全局MPP。

6. P&O算法的改进策略

为了克服P&O算法的固有缺点,研究人员提出了多种改进策略,旨在提高其跟踪精度、速度和鲁棒性。

6.1 变步长P&O算法

传统的P&O算法采用固定步长的扰动,导致在MPP附近振荡大,而在远离MPP时跟踪速度慢。变步长P&O算法的核心思想是根据P-V曲线的斜率来动态调整扰动步长。当工作点远离MPP时,P-V曲线斜率较大,采用较大的步长以加快跟踪速度;当工作点接近MPP时,P-V曲线斜率较小,采用较小的步长以减小振荡,提高跟踪精度。

6.2 结合其他算法

将P&O算法与其他MPPT算法(如增量电导法、模糊逻辑控制、神经网络等)相结合,可以取长补短。例如,在P-V曲线斜率较大的区域使用P&O算法快速跟踪,而在MPP附近切换到增量电导法等更精确的算法来消除振荡。

6.3 消除振荡的策略

  • 死区控制:

     在MPP附近设置一个死区,当工作点进入死区时,停止扰动,保持当前占空比,从而减少振荡。

  • 预测控制:

     根据历史数据预测下一个采样周期的MPP位置,提前调整占空比,以减少跟踪延迟。

6.4 应对部分阴影遮挡

对于多峰P-V曲线,单一的P&O算法难以有效应对。可以考虑以下策略:

  • 全局扫描与局部跟踪:

     定期进行全局扫描,找到全局MPP的大致区域,然后切换到P&O算法进行局部精确跟踪。

  • 分布式MPPT:

     为每个光伏组件或子阵列配备独立的MPPT控制器,从而有效地应对部分阴影遮挡。

7. 结论

Perturb and Observe(P&O)算法作为一种简单有效的MPPT方法,在光伏供电的直流-直流升压变换器中发挥着至关重要的作用。它通过周期性扰动和观察功率变化,实现对光伏阵列最大功率点的跟踪,有效提升了光伏系统的能量转换效率。尽管P&O算法存在稳态振荡、跟踪速度和应对部分阴影遮挡能力有限等缺点,但通过引入变步长、结合其他算法以及采取消除振荡等改进策略,可以显著提升其性能。

随着光伏技术的不断发展和MPPT算法的深入研究,未来将会有更多高效、智能的MPPT算法被开发出来。P&O算法作为MPPT领域的基础算法之一,其理论和应用价值将持续存在,并通过与其他先进技术的融合,为光伏发电系统的进一步优化和普及贡献力量。通过对P&O算法的深入理解和灵活应用,我们将能够更好地 Harness 太阳能,推动可持续发展。

⛳️ 运行结果

图片

图片

🔗 参考文献

[1] 杨增瑞,孙凤伟,戴兆乐,等.基于分组粒子群的光伏最大功率点跟踪方法[J].计算机测量与控制, 2020.DOI:10.16526/j.cnki.11-4762/tp.2020.07.049.

[2] 梁宏晖.小功率光伏发电及最大功率跟踪控制的研究[D].天津大学,2009.DOI:CNKI:CDMD:2.2009.071791.

[3]  Wiqar M .基于粒子群算法和模糊算法的光伏控制方法研究[D].华北电力大学(北京),2022.

📣 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

👇

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

matlab科研助手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值