微❤关注“电气仔推送”获得资料（专享优惠）

简介

光伏电池阵列的输出特性曲线不是线性变化的。当光伏电池遮荫时，产生的功 率会不断变化，致使光伏电池阵列的输出功率不断变化，其输出特性曲线呈现多峰值的现象。

多峰值 MPPT 技术的产生是由于光伏发电系统的失配问题导致的。当光伏发 电系统处于失配状态时，其 P-U 输出特性曲线会变成一条多峰值的曲线，导致传统的单峰值 MPPT 控制算法跟踪到的最大功率点极有可能只是局部的极大值点， 并不是全局的极大值点，即造成算法失效；从而致使光伏发电系统的输出功率降低， 发电效率下降。

传统的光伏 MPPT 算法，如扰动观察法和电导增量法等，因其自身原理的缺陷，在太阳辐照度 不均匀的情况下易陷入局部解。为了解决陷入局部最优问题，近年来，国内外 研究 者 们 通 过 对 粒 子 群 优 化 ( particle swarm optimization，PSO) 算法的学习，针对光伏阵列 MPPT 进行了大量的研究。

粒子群算法的参数设置有着重要意义，可直接决定终止时间以及精确度。 为符合具体的目标要求合理设置参数，将详细介绍粒子群算法中参数的设置规 则如下：

（1）种群规模N：种群规模的大小直接影响算法的收敛时间。N比较小 则收敛时间较短，但算法很有可能陷入局部极值；N比较大时算法复杂度增

加，但精确性能够得到提高。

（2）粒子的最大速度Vmax：Vmax偏大则相应的算法寻优速度快，但是容 易发散越过最优值。尽管Vmax过小不会错过最优解，但粒子搜寻速度过慢并且

容易难于摆脱局部最优，降低算法效率。

（3）惯性权重w：惯性权重是粒子群算法中最为重要的研究参数，决定了当前粒子速度对于上代粒子的继承度，本章采用自适应惯性权重能够兼顾粒子的局部与全局寻优能力。在初始阶段采用较大的w能够防止算法陷入局部最 优，在算法后期采用较小的w提升收敛速度使收敛更加平稳。

（4）学习因子c1和c2：c1反映粒子趋向个体极值的比重，c2反映粒子趋向全局极值的比重。学习因子比较小时，粒子在接近目标区域时被拉回；学习 因子较大时，粒子搜索速度太快导致越过目标地区。

（5）空间维数E：待寻优问题中的变量的个数决定了空间的维数。 （6）适应度函数：通常直接将目标函数设为适应度函数。

对于光伏阵列系统采用粒子群算法寻找光伏阵列系统的最大功率点，将目 标函数设定为光伏阵列系统的输出总功率，粒子的位置表示光伏阵列的输出电 压值。

仿真模型

PSO-MPPT

U/V特性曲线

输出功率

参考文献

基于改进ＭＰＰＴ算法的局部阴影光伏阵列系统的研究——赵娟

光伏发电系统中多峰值 MPPT 控制算法研究——高震