均匀辐照度和局部遮光条件下光伏系统的新型样条-MPPT技术（Simulink）

💥💥💞💞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。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Simulink仿真、Matlab代码、文献

💥1 概述

文献：

光伏（PV）系统中使用的不同最大功率点跟踪（MPPT）技术根据简单性、速度和准确性等多个标准进行评估。这些标准之间存在权衡，通常以牺牲速度和简单性为代价来实现更高的精度。本文旨在介绍样条-MPPT技术作为一种快速、准确、简单的方法，用于在光伏组串特性失真的均匀辐照度和部分阴影条件下（PSC）下找到光伏系统的最大功率点。所提出的方法基于三次样条插值，该插值定义了几个采样点的近似函数。文献中提出了几种基于插值的方法，以找到均匀辐照度下的MPP。然而，它们无法在部分阴影条件下找到全局最大功率点（GMPP）。样条-MPPT技术仅使用少量电流和电压样本来估计系统的MPP，并在环境条件保持不变的情况下保持该点。仿真结果证明了所提方法的优越性。

在过去的几十年里，温室气体排放量急剧增加，根据预测，其不断增长的速度将在未来几年继续下去。温室气体的增加导致全球变暖，对地球产生许多深远的影响[1]，[2]。燃烧化石燃料发电是造成这一问题的主要原因之一。因此，有必要用适当的替代品代替化石燃料，因为如果不这样做，肯定会产生可怕的后果。光伏能源系统提供无污染、可持续和安全的电力，显示出成为化石燃料的便捷替代品的巨大潜力。由于光伏技术的众多进步，光伏组件的效率大幅提高，而近年来其价格有所下降[3]，[4]。尽管光伏系统在某些地区是价格最低的选择，但在其他一些地区，风电场和天然气发电厂比光伏系统更实惠[1]，[5]。然后，尚未进行进一步的研究以提高光伏系统的渗透率。太阳能系统的经济性与从光伏组件中提取的功率量密切相关。此外，在光伏系统中，由于P-V曲线的非线性行为，只有一个最佳工作点，即最大功率点（MPP）。MPP在P-V曲线上的位置在很大程度上取决于环境条件，例如辐照度和温度。此外，在部分阴影条件（PSC）下，由于云，树木和建筑物的阴影，串联串中的不同模块受到不相等的辐照度，P-V曲线变得失真。在这种情况下，P-V曲线上会出现几个局部最大功率点（LMPP）和一个全局最大功率点（GMPP），导致收集最大可用能量的过程变得复杂。

传统的MPPT方法，如扰动和观察（P&O），爬山（HC）和增量电导（INC）在部分阴影条件下无法找到GMPP，因为它们可能被困在局部最大功率点之一中。跟踪速度慢是这些方法在PSC下的另一个缺点。但是，这些方法与其他方法一起使用以查找GMPP。例如，0.8V超频[6]中提出的方法使用开路电压（OCV）方法的概念，通过假设峰值位于0.8开路电压V处来找到峰值（LMPP和GMPP）的近似位置超频.到达一个峰的估计位置后，该方法切换到P&O方法以达到峰的最大点。对其他峰重复此过程，直到找到GMPP。[7] 中的作者使用类似的方法并结合 0.8V超频方法与公司。这两项研究假设，在从一个峰值到另一个峰值向GMPP移动的过程中，峰值的幅度增加。换句话说，峰值越接近GMPP，它的幅度就越高。因此，当它们到达一个较低星等的峰时，它们会停止扫描该方向的其他峰。然而，在实践中，峰值并不总是按GMPP的升序排列[8]，因此在某些情况下，这些方法可能会忽略GMPP。此外，使用两种不同的方法会导致跟踪过程缓慢。[9]中提出的方法在第一步中使用全局MPPT程序，通过该过程将几个电压样本施加到PV模块上。然后，检测具有最高功率的样品，并使用P&O细化GMPP的位置。整个过程每15分钟重复一次，以找到可能由大气变化引起的新GMPP。这是减轻大气变化影响的唯一策略，该方法无法立即响应变化。

基于人工神经网络（ANN）和模糊逻辑控制（FLC）的软计算技术在部分着色条件下表现不佳[10]。然而，已经提出了ANN和FLC与各种其他方法的组合来提高其性能[11]。显然，将ANN和FLC与其他方法一起使用会增加跟踪过程的复杂性。进化优化方法，如粒子群优化（PSO）[12]，人工蜂群（ABC）[13]，灰狼优化（GWO）[14]，差分进化（DE）[15]和蚁群优化（ACO）[16]是用于查找GMPP的其他流行方法。需要相对较高的迭代次数来收敛、对初始设计的依赖性和实现复杂性是这些方法的普遍缺点。

科学中使用了各种数据拟合和近似方法来定义各种现象的函数[17]，[18]。对于一组给定的采样点，近似方法定义了一个函数，该函数正确表示采样点的行为。曲线拟合和插值是两种最常见的近似方法，在一些论文中使用，以找到光伏系统的最大功率点。[19]–[21]的作者使用不同的曲线拟合方法来查找MPP。[19]中提出的方法使用曲线拟合法和六阶多项式来估计多晶硅电池的P-V曲线。虽然它能准确地找到MPP，但它使用递归最小二乘法和牛顿-拉夫森方法，这些方法相当复杂和耗时。[20]中引入的基于曲线拟合的方法使用大量的采样点和复杂的过程，这使得它不太适合MPPT应用。在[21]中，该算法使用6个点通过有点复杂的过程来估计I-V曲线，而其提取的功率始终小于简单的P&O方法。[22]中提出的分析方法通过估计I-V曲线来找到MPP。不幸的是，与传统方法相比，这种方法产生的能量更少。在持续的环境变化过程中缺乏跟踪策略是该方法的另一个弱点。此外，[19]–[22]中提出的所有方法都无法在部分阴影条件下找到全局最大功率点。[23] 和 [24] 中提出的方法是 [25] 和 [26] 的主要参考，使用二次插值法估计 MPP。由于二次插值不够精确，无法近似P-V曲线，因此该方法必须使用多次迭代和占空比过程才能获得适当的结果。此外，该方法仅在均匀辐照度下有效，不能解决部分阴影条件下的最大功率点跟踪问题。[27]中提出的方法采用曲线拟合法在局部阴影条件下检测GMPP。除了耗时的过程外，它还仅限于两个辐照度水平。但是，在现实世界中，阴影模式比假设的模式复杂得多。[28]中的分析方法也旨在发现部分阴影条件下的GMPP。该方法通过从曲线中抽取少量样本，将I-V曲线划分为几个较小的子区域。然后，它估计每个次区域的曲线，以保留当之无愧的次区域并丢弃其他次区域。该方法重复此过程，直到达到GMPP。不幸的是，作者没有提供有关其方法效率的任何信息。在[29]中，作者使用组合方法来查找光伏组件的MPPT。第一步，该方法使用三阶多项式插值法确定MPP在I-V曲线上的大致位置，然后使用PSO找到最大功率点的确切位置。然而，作者没有解释他们选择样本点的策略。不准确的插值，加上不正确的采样点，导致完全错误的初级估计。此外，使用两种不同的方法增加了MPPT技术的复杂性。

在多项式插值中，估计函数通过所有采样点;因此，该方法得到的P-V曲线仅在采样点附近准确。另一方面，为了向电网提供辅助服务，应准确估计光伏组件的整体P-V特性。增加采样点可以导致多项式的次数更高，从而可以在P-V曲线的整个域上产生更精确的近似。另一方面，它也可能是估计函数中不希望的高振幅振荡的来源。

本文旨在利用样条-MPPT方法求出均匀辐照度和局部阴影条件下的最大功率点。基于三次样条插值的样条-MPPT作为一种高效的MPPT方法具有一些优点，使其更适合于最大功率点跟踪。这种插值方法通过一个简单的过程定义了分段三度平滑函数。样条-MPPT使用少量采样点来查找最大功率的电压，并保持在该电压下而不会在其周围波动。第二部分将回顾三次样条插值的基本概念。第三和第四部分描述了均匀辐照度和局部阴影条件下的样条-MPPT方法。该方法在第五部分中进行了验证。最后，给出了结论。