光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤研究.pdf

1、隨著經(jīng)濟(jì)持續(xù)發(fā)展和世界人口急劇增長(zhǎng)，現(xiàn)代社會(huì)對(duì)能源的需求量越來(lái)越大，而傳統(tǒng)的化石能源不符合可持續(xù)發(fā)展的要求，同時(shí)會(huì)造成嚴(yán)重的環(huán)境污染，因此尋求新型綠色可持續(xù)能源已刻不容緩。太陽(yáng)能是一種綠色無(wú)污染、可持續(xù)的能源，為提高光伏發(fā)電效率，本文選擇光伏發(fā)電系統(tǒng)中的最大功率點(diǎn)跟蹤(maximumpowerpointtracking，MPPT)作為研究課題。
　　本文根據(jù)光伏電池實(shí)體輸出特性建立了光伏電池等效電路結(jié)構(gòu)圖以及等效輸出數(shù)學(xué)模型，上利

2、用Matlab軟件創(chuàng)建了光伏電池仿真模型。利用光伏電池模型對(duì)不同光照強(qiáng)度及電池溫度條件下光伏電池的P-V和I-V特性進(jìn)行了仿真研究，并通過(guò)仿真結(jié)果對(duì)光照強(qiáng)度和電池溫度對(duì)最大功率點(diǎn)電壓、電流及輸出的最大功率影響總結(jié)概括。
　　通過(guò)對(duì)光伏電池特性研究，探討最大功率點(diǎn)跟蹤方法及改進(jìn)措施。本文選取基于擾動(dòng)自尋優(yōu)控制方法中的擾動(dòng)觀察法和電導(dǎo)增量法進(jìn)行研究，首先通過(guò)Matlab建立基于此兩種方法的電路仿真模型，對(duì)跟蹤效果進(jìn)行分析，針對(duì)方法的不

3、足，對(duì)擾動(dòng)步長(zhǎng)地設(shè)定及跟蹤過(guò)程中地誤判問(wèn)題做了優(yōu)化，并通過(guò)Matlab仿真驗(yàn)證。采用自適應(yīng)步長(zhǎng)和防誤判進(jìn)行優(yōu)化的兩種MPPT控制方法擾動(dòng)步長(zhǎng)確定靈活同時(shí)避免了誤判地發(fā)生，有效地增加光伏電池的輸出功率，提高了光伏電池發(fā)電效率。
　　在人工智能方法應(yīng)用于最大功率點(diǎn)跟蹤控制上，本文采用了基于支持向量機(jī)回歸(SupportVectorRegression，SVR)的光伏MPPT控制方法。在建立了基于SVR的光伏MPP預(yù)測(cè)模型基礎(chǔ)上，構(gòu)建了

4、基于SVR的光伏MPPT控制器，并應(yīng)用于光伏發(fā)電系統(tǒng)電路，運(yùn)行結(jié)果驗(yàn)證了基于SVR的光伏MPPT控制器可行性和有效性。對(duì)比采用基于BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，預(yù)測(cè)結(jié)果表明基于SVR的預(yù)測(cè)模型預(yù)測(cè)精度好于BP神經(jīng)網(wǎng)絡(luò)，更適應(yīng)于作為光伏MPPT控制器的應(yīng)用算法。由于基于SVR的光伏MPPT控制器對(duì)MPP預(yù)測(cè)準(zhǔn)確性取決于SVR預(yù)測(cè)模型，而SVR預(yù)測(cè)模型預(yù)測(cè)能力表現(xiàn)與模型參數(shù)之間有重要的關(guān)聯(lián)，本文對(duì)SVR預(yù)測(cè)模型參

5、數(shù)分別采用了網(wǎng)格搜索算法(GridSearchAlgorithms，GSA)、遺傳算法(GeneticAlgorithms，GA)和粒子群優(yōu)化算法(ParticleSwarmoptimization，PSO)三種算法進(jìn)行優(yōu)化，并比較三種方法優(yōu)化下模型性能。結(jié)果表明GSA-SVR法預(yù)測(cè)精度較高，但同時(shí)需要大量時(shí)間對(duì)模型參數(shù)尋優(yōu);PSO-SVR法預(yù)測(cè)精度稍低于GSA-SVR，但高于GA-SVR。PSO-SVR預(yù)測(cè)模型優(yōu)化簡(jiǎn)便，用時(shí)短，預(yù)測(cè)精