光伏发电系统最大功率点跟踪研究

随着经济持续发展和世界人口急剧增长,现代社会对能源的需求量越来越大,而传统的化石能源不符合可持续发展的要求,同时会造成严重的环境污染,因此寻求新型绿色可持续能源已刻不容缓。太阳能是一种绿色无污染、可持续的能源,为提高光伏发电效率,本文选择光伏发电系统中的最大功率点跟踪(maximum power point tracking, MPPT)作为研究课题。 本文根据光伏电池实体输出特性建立了光伏电池等效电路结构图以及等效输出数学模型,上利用Matlab软件创建了光伏电池仿真模型。利用光伏电池模型对不同光照强度及电池温度条件下光伏电池的P-V和Ⅰ-Ⅴ特性进行了仿真研究,并通过仿真结果对光照强度和电池温度对最大功率点电压、电流及输出的最大功率影响总结概括。 通过对光伏电池特性研究,探讨最大功率点跟踪方法及改进措施。本文选取基于扰动自寻优控制方法中的扰动观察法和电导增量法进行研究,首先通过Matlab建立基于此两种方法的电路仿真模型,对跟踪效果进行分析,针对方法的不足,对扰动步长地设定及跟踪过程中地误判问题做了优化,并通过Matlab仿真验证。采用自适应步长和防误判进行优化的两种MPPT控制方法扰动步长确定灵活同时避免了误判地发生,有效地增加光伏电池的输出功率,提高了光伏电池发电效率。 在人工智能方法应用于最大功率点跟踪控制上,本文采用了基于支持向量机回归(Support Vector Regression, SVR)的光伏MPPT控制方法。在建立了基于SVR的光伏MPP预测模型基础上,构建了基于SVR的光伏MPPT控制器,并应用于光伏发电系统电路,运行结果验证了基于SVR的光伏MPPT控制器可行性和有效性。对比采用基于BP(Back Propagation)神经网络的预测模型,预测结果表明基于SVR的预测模型预测精度好于BP神经网络,更适应于作为光伏MPPT控制器的应用算法。由于基于SVR的光伏MPPT控制器对MPP预测准确性取决于SVR预测模型,而SVR预测模型预测能力表现与模型参数之间有重要的关联,本文对SVR预测模型参数分别采用了网格搜索算法(Grid SearchAlgorithms, GSA)、遗传算法(Genetic Algorithms, GA)和粒子群优化算法(Particle Swarm optimization, PSO)三种算法进行优化,并比较三种方法优化下模型性能。结果表明GSA-SVR法预测精度较高,但同时需要大量时间对模型参数寻优；PSO-SVR法预测精度稍低于GSA-SVR,但高于GA-SVR。PSO-SVR预测模型优化简便,用时短,预测精度较高,光伏MPPT控制器更宜采用PSO算法优化的SVR预测模型来构建。