《精品-调研报告》由会员分享，可在线阅读，更多相关《精品-调研报告（10页珍藏版）》请在金锄头文库上搜索。
1、 精品-调研报告 行 业 精 品 资 料 摘要 跟踪和快速限制光伏电池的最大功率点， 精确地提高光伏电池的输出功率是特别必要的。 在本文中， 对几种现有的最大功率点跟踪方法进行了介绍和分析， 并对其优劣进行了比较， 指出了选择方法要考虑的因素和最大功率点跟踪的发展前景。 关键词： 最大功率点跟踪； 光伏发电； 太阳能 1 光伏发电及最大功率点跟踪背景 随着社会经济的高速发展， 能源和资源的需求越来越大， 人们的目 光正转向可再生能源的开发和利用。 光伏发电是一种公认的技术含量高、 有发展前途的新能源技术。 太阳能取之不尽、 用之不竭， 不产生任何废弃物， 没有噪音等污染， 对环境无不良影响，
2、是志向的清洁能源。 但是光伏电池输出特性具有明显的非线性。 这种非线性受到外部环境（日照强度、 温度、 负载） 及本身 技术指标（输出阻抗） 等因素的影响， 只有在某一电压下才能输出最大功率， 这时间伏阵列的工作点就达到了输出功率电压曲线的最高点， 称之为最大功率点。 目前光伏电池的光电转换率较低，为有效利用 光伏电池， 对光伏发电进行最大功率跟踪（ Maximum Power Point Tracking， MPPT） 显得特别重要。 2 光伏发电最大功率点跟踪的概念 简言之， 光伏电池的电压电流曲线， 呈严峻的非线性。 功率为两者乘积， 功率-电压或功率-电流曲线不是单调曲线， 而是在某个
3、电压或某个电流时， 存在最大功率值， 因此我们希望电池始终工作在此最大功率点或其旁边。 这样就能输出更多的能量， 带来更高的系统效率。 最大功率点不是固定不变的， 随着辐射强度和环境温度的变更， 它会移动。 但是电池并不能自 动跟踪最大功率点， 因此须要采纳肯定的限制电路来人为地加以跟踪。 这就是最大功率点跟踪的缘由和意思。 为使负载获得最大功率， 依据电路原理， 通常要进行恰当的负载匹配， 使负载电阻等于供电系统的内阻， 此时负载上就可以获得最大功率。 这种获得最大功率的原理对一些内阻不变的供电系统是可行的。 但在光伏供电系统中， 光伏电池的内阻不仅受光照强度的影响， 而且还受环境温度及负载
4、的影响， 是处在不断变更之中。 在光伏发电系统中， 要提高系统的整体效率， 一个重要的途径就是实时调整光伏阵列的工作点， 使之始终工作在最大功率点旁边， 这一过程就称之为最大功率点跟踪。 光伏电路原理图如图 1 VRL PVsolarILIdRshIshR5I 图 1 3 光伏最大功率点跟踪的方法及各自优缺点 3.1 电压回授法 电压回授法， 又称恒电压法。 当温度保持某一固定值时， 在不同的日照强度下与伏安特性曲线的交点a， b， c， d， e 对应于不同的工作点。 人们发觉阵列可能供应最大功率的那些点， 如a， b， c， d， e 点连起来几乎落在同一根垂直线的邻近两侧，这就有可能把最
5、大功率点的轨迹线近似地看成电压Uconst= 的一根垂直线， 亦即只要保持阵列的输出端电压U为常数， 就可以大致保证阵列输出在该温度下的最大功率， 于是最大功率点跟踪器可简化为一个稳压器。 这种方法事实上是一种近似最大功率法。 CVT 限制方式具有限制简洁、 牢靠性高、 稳定性好、 易于实现等优点， 比一般光伏系统可望多获得20%的电能。 但该跟踪方式忽视了 温度对太阳电池开路电压的影响。 以单晶硅电池为例， 当环境温度每上升10摄氏度时， 其开路电压的下降率为0. 35%到0. 45%。 这表明光伏电池最大功率点对应的电压mU也随环境温度的变更而变更。 对于四季温差或日 温差较大地区， CV
6、T 限制方式并不能在全部的温度环境下完全地跟踪最大功率。 3.2 开路电压法 开路电压法类似于定电压跟踪CVT 法， 但CVT 法是跟踪恒定的电压， 而开路电压法跟踪变更的电压。 相对于电池板温度变更引起的光伏阵列输出功率的变更而言，辐照度的变更对光伏阵列输出功率的影响更大， 而不同辐照度下最大功率点对应的输出电压mU变更不大。 同时， 由试验验证可知， 同一辐照度下的mU与开路电压oU的比值只与光伏组件的参数有关， 而对环境温度的变更不敏感， 可近似认为是常数0. 76（误差2%）。 0CV 算法依据测量得到的开路电压， 令该电压的76%作为最大功率 点对应的参考电压， 并在肯定时间内保持不
7、变。 采纳开路电压比例系数法不会在最大功率点旁边产生振荡， 且结构简洁， 可用廉价的模拟电路实现。 但实施该算法须要不停地开断开关元件以测量光伏阵列的开路电压， 导致光伏阵列无法持续供电。 同时， 光伏阵列的mU/oU 并不总等于同一常数。 因此， 该算法追踪的稳态误差较大， 能量转换效率低。 3.3 短路电流法 短路电流法是依据同一辐照度下最大功率点对应的输出电流mI与短路电流sI的比值近似等于0. 91 而设计的算法。 该算法的实施须要不断将光伏阵列短接， 以测量阵列的短路电流. 。 因此， 短路电流法与恒定电压法的原理实质是一样的。 但当辐照度变更时， 光伏阵列的sI变更快速， 而开路电
8、压oU 则变更较缓。 因此， 考虑到开关器件的开关频率及跟踪效率， 实际应用中恒定电压法更优于短路电流法。 短路电流比例系数法存在和开路电压比例系数法同样的缺点， 即由于mI/ sI =0. 91 是一个近似的公式， 所以光伏阵列并不是工作在真正的最大功率点上。 另外， 测量短路电流Is 要比测量oU困难， 通常须要在逆变器中添加开关， 以实现短路光伏阵列的周期性， 从而测得Is。 3.4 功率回授法 功率回授法与电压回授法CVT 类似， 但由于CVT 无法在瞬息易变的气候条件下自动跟踪最大功率点， 因此功率回授法PFB 加入了 输出功率对电压变更率的逻辑推断， 以便能随着气候变更达到最大功率
9、跟踪点。 功率反馈法通过采集太阳能电池阵列的直流电压值和直流电流值， 计算出当前的输出功率， 由当前的输出功率P 和上次记忆的输出功率P来限制调整输出电压值， 即可动态地跟踪光伏电池在不同日 照强度和温度下的最大功率点。 此法优点是可削减能量损耗并提升整体效率, 缺点是过程困难且需较多的运算， 由于其牢靠性和稳定性均不佳， 实际系统较少采纳。 3.5 占空比扰动法 占空比扰动法通过当前功率P 与前一时刻的功率P比较， 从而确定增加还是削减占空比。 该方法干脆把占空比作为限制参数， 只须要一个限制循环， 从而削减了限制器设计的难度。 但调整占空比D时仍旧存在调整步长大小的选择问题。 假如步长过小
10、， 跟踪时间就会拉长， 从而影响系统的动态响应特性； 反之， 假如步长过大，输出功率的波动就会加大， 其平均值大大小于最大值， 从而使系统的稳态误差变大。 3.6 间歇扫描法 间歇扫描法的核心思想是定时扫描一段阵列电压（ 一般为0. 5到0. 9倍的开路电压）， 同时记录下不同电压时对应的阵列电流值， 经过比较不同点的太阳电池阵列的输出功率就可以便利地计算出最大功率点， 从而取代了不间断的搜寻过程。 间歇扫描法测定最大功率点所须要的时间随着微处理器性能的不同而有所变更， 而定时扫描的时间间隔可以放宽至秒级。 通过扫描可以快速计算出在近似该日照及温度条件下的最大功率点及其相应的电压值， 并将此电
11、压值作为CVT 内环的给定电压值，通过闭环CVT 限制， 使光伏阵列工作于该点上。 这种方法稳定牢靠， 同时避开了 其他方案由于搜寻振荡而引起的功率损失。 在太阳电池阵列简洁产生遮挡的应用中，这种方法具有较高的好用价值。 此法的最大缺点是在须要有连续输出的光伏系统中无法应用， 如光伏水泵、 不行调度式光伏井网系统。 同时， 该方法须要CPU 具有较大的存储空间和较快的运算实力， 并且不能刚好同步跟踪阵列输出， 在日照变更比较猛烈的状况下， 此方法很难使阵列时刻工作于最大功率点处。 3.7 功率数学模型法 功率数学模型法是建立在拉格朗日定理基础上的一种跟踪方法。 详细描述为在肯定的温度日 照强度
12、下， 通过检测电压及其对应的功率得到若干组数据， 利用拉格朗日插值公式建立光伏阵列的靠近多项式模型， 求得该靠近多项式的最大值， 确定光伏电池的最大功率点。 当温度和日照强度变更时， 重新测得数据， 求得新的模型，得到新的最大功率点。 功率数学模型法的优点是所需检测的参数少， 只须要检测电压和电流， 功率可通过计算获得； 限制效果好， 且限制稳定度高， 当外部参数变更 时， 系统可以快速跟踪其变更。 其缺点是限制算法较困难； 当采集点的个数较少，或是采集点位置分布不匀称时， 靠近曲线相像度较低， 而增加采集点的个数又会加大运算量， 使算法变得更加困难。 3.8 实际测量法 实际测量法主要是利用
13、一片额外的光伏电池模组， 每隔一段时间实际测量此块电池的开路电压和短路电流， 建立光伏电池模组在该日 照量及温度时的参考模型，并计算出在该条件下最大功率点的电压和电流， 再协作限制电路使光伏电池模组满意此电压和电流， 就可跟踪该最大功率点。 这种方法的优点是可避开因光伏电池及元件的老化而失去精确度； 其缺点是对小功率系统而言成本较高， 对大功率系统而言还需考虑阴影覆盖光伏电池模组引起的多重最大值问题。 3.9 模糊逻辑法 模糊逻辑法是以功率对电压或电流的变更及其变更率作为模糊输入变量， 通过模糊化处理并依据专家阅历进行模糊判别， 给出调整输出的隶属度， 最终依据隶属度值进行反模糊化处理得到限制
14、调整量， 以实现限制最大功率输出。 这种方法的优点是不依靠限制对象的精确数学模型， 模糊逻辑限制跟踪快速， 达到最大功率点后基本没有波动， 具有较好的动态和稳态性能。 但定义模糊集， 确定隶属函数的形态，制定规则表等这些关键环节须要设计人员更多的阅历。 3.10 神经网络预料法 神经网络预料法是利用神经网络结构来计算最大功率点的方法。 神经网络的输入信号可以是光伏阵列的参数， 例如当前的开路电压oU， 短路电流sI或者外界环境的参数如光照强度和温度， 也可以是上述参数的合成量， 利用神经网络的自 学习实力， 在线计算输出当前最优的输出电压， 也即最大功率点处的工作电压。 为了精确获得光伏阵列最大功率点， 必需经过神经网络训练确定权重。 这种训练必需运用大量的输入/ 输出样本数据， 其训练过程可能要花费数月甚至数年时间。 此外， 在线反复进行自 学习训练计算对微处理器的性能要求很高。 因此， 在目 前还 没有专用芯片的状况下， NNP 法很少运用。 通过训练， 不仅可使输入输出的训练样本完全匹配， 而且内插模式和肯定数量的外插模式也能达到匹配， 这是简洁的查表功能所不能实现的， 也是NNP 法的优点。 3.11 扰动视察法 扰动视察法也称为爬山法。 是现在最普遍运用的一种方法。 其工作原理为测量当前阵列输出功率， 然后在原输出电压上增加一个小电压重量扰动后， 其输出功率会发生变
