《IEEE论文原文及中文翻译AN INTELLIGENT MAXIMUM POWER POINT TRACKER USING PEAK CURRENT CONTROL.doc》由会员分享，可在线阅读，更多相关《IEEE论文原文及中文翻译AN INTELLIGENT MAXIMUM POWER POINT TRACKER USING PEAK CURRENT CONTROL.doc（18页珍藏版）》请在三一办公上搜索。
1、翻译部分中文译文一种利用峰值电流控制的智能最大功率点跟踪器Neil S. DSouza, Luiz A. C. Lopes and XueJun Liu肯高迪亚大学电子与计算机工程学院摘要:扰动观察最大功率点跟踪(MPPT)算法，由于其实现简单且具有追踪在不同气候条件也就是不同太阳辐照、电池板温度等因素下的太阳能电池阵列最大功率点的能力，常用在光伏系统中。基于峰值电流控制和利用瞬时采样值来计算下一个扰动动方向的扰动观察法具有更快的暂态以及在在最大功率点更小的振荡。参考电流固定步长的使用会导致这不是一个最合适的解决方案。本文提出一种利用峰值电流控制的基于模糊逻辑的扰动观察最大功率点跟踪算法。而这
2、里的峰值电流控制为了取得更好的暂态与稳态性能而采用了参考电流变步长的方法。仿真结果显示在瞬态响应中有15%增益而在稳定状态时的功率损耗有所减少。另外，参考电流定步长的扰动观察法以及智能MPPT算法,这两种方案都能够在部分被遮荫的太阳能电池组中判别出全局最大功率点，然而智能MPPT算法性能更好。一、简介为了满足由于工业和人口增长而带来的日益增加的能源需求，可再生能源在经济上变得的更加可行。其中,太阳能展现出了额外的特点：是很容易展开更加接近最终用户住宅房顶和建筑物的外面。电池板的输出功率随气候条件(太阳辐射水平和温度)以及它们的输出电压电流而变化。控制太阳能转换系统在最大功率点工作对于提高太阳能
3、系统的输出效率是至关重要的。最大功率点跟踪(MPPT)方法的使用就是为了这个目的。这个MPPT算法给光伏阵列和能量存储设备或负载之间的电力电子接口提供了一个参考电流或电压。太阳能电池板的输出电压或电流根据气候条件来调整，这样太阳能电池板就会在最大功率点或者附近工作。离线或开环MPPT方法一般使用先前获得的训练数据和太阳能辐射测量值,以及光伏阵列的短路电流、开路电压。基于神经网络的几种方法、遗传算法、目标模型模糊建模逻辑可以实现这些方法。这些方法能够降低实现成本,但达不到最优性能。包括扰动和观察法、电导增量法、波纹交互作用控制在内的在线方法是根据光伏阵列电压电流实际值来跟踪最大功率点的，因此可以
4、给光伏系统提供最优化运行点。在线方法由于用到额外的电路而通常价格更高，通常只用于大型光伏系统。然而,随着低成本微控制器以及FPGA的使用这些方法也可以适用于基于模块化的电力电子接口。 当前模糊逻辑被越来越多地用做一个方便的工具，来模拟和控制一些自然界中的非线性系统，时代太阳能光伏阵列也不例外。在过去的一段时间里它已经被使用和其他常用 MPPT算法如扰动观察法一起。它的主要的目标通常是根据光伏阵列的一个或多个参数确定占空比增量或者PWM调制信号。误差E(k)和误差变化量e(k),而其中E(k)=P/I ，已经被用来改变PWM控制的参考电压。在【9】中，为了实现最大功率点跟踪，需由光伏系统的功率变
5、化量及其变化率和现有占空比一起用来输出要增加的占空比。值得一提的是, 使用在先前计算中的参数通常平均值。在峰值电流控制的系统中，利用光伏电压和电流瞬时值的扰动观察法能够有效地提高峰值电流响应时间，这在【10】中已得到证实。然而，它选用了固定的参考电流增量,这样便在瞬态和稳态性能之间做了折中。本文表明了通过使用能够同时判断下一次扰动的方向(参考电流的变化)和扰动大小的模糊逻辑控制器，可以同时提高瞬态和稳态性能。该被提及的智能控制器的优越性能在光伏电池局部遮荫条件下也得以展现。该文按照如下顺序写作的：第二部分论述使用的峰值电流控制和瞬时值取样的优点。第三部分提出了基于模糊逻辑的MPPT方案和模糊控
6、制器、隶属函数、规则库的设计等。固定增量的峰值电流控制和基于模糊控制的峰值电流控制器的MATLAB/Simulink仿真结果呈现在第四部分中。而且也给出了它俩的对比。传统的固定步长的MPPT以及智能MPPT算法在光伏电池部分遮荫情况下的性能也作了阐述。二、在MPPT算法中瞬时值参数的使用扰动观察法已经用于模拟电路和数字电路。它们通常是基于通过低通滤波器而得到的光伏系统电压、电流的平均值的比较。而低通滤波器带来了延迟, 不管是在平均电流还是电压的控制下都引起了响应速度的减缓。例如,基于DSP系统实现的扰动观察法从开始到最大功率点的响应时间能到达几秒钟。 该MPPT方案使用了峰值电流控制的Boos
7、t DC/DC电路。没有电容器并联到光伏阵列。虽然这里会有增加电压纹波,但系统的工作点仍在功率电流曲线上。MPPT算法的为峰值电流控制器输出电流参考值。通过比较两个不同采样时刻时的光伏电池电压电流瞬时值，可以得到使光伏系统输出功率增大的参考电流增量。基于峰值电流控制和光伏参数瞬时值采样的扰动观察MPPT算法的原理可以根据如下所示的图1来解释。我们假设系统工作在最大功率点的左边而且参考电流的增加会使得光伏电流的平均值上升。在每一个开关周期,由于Boost变换器的原因，电流在开关接通时上升，在断开时下降。如果采样时间在开关周期T(k-1)内在是A点，而采样时间开关周期T(k)在B点,那么A点的瞬时
8、电流会小于B点的瞬时电流。可以从图1(b)看出中,A点的瞬时功率小于B点的瞬时功率。因此,因为瞬时电流的增加会引起瞬时输出功率的增加，故应该增加参考电流。我们可以从扰动观察MPPT算法推中断,当工作点在最大功率点的的左侧时，参考电流应该增大来促使运行点向最大功率点移动。如果采样时间在开关周期T(k)内在是C点而不是B点，瞬时取样显示C点的电流小于A点的电流，并且C点的功率比A点的功率小。因为瞬时电流的减小会引起瞬时输出功率的减小，故应该增加参考电流。当MPPT系统在最大功率点右侧运行时情况类似。因此,可以推断出，在两个连续的开关周期中每个开关周期内的一个电压和电流的瞬时采样，就可以决定下一次扰
9、动的方向，从而促使工作点想最大功率点移动。然而,参考电流的变化量还待确定。在本文中,这是由模糊控制器完成的,如图2所示。模糊控制器的输入是对应两个采样时刻的光伏阵列功率变化量和阵列电流变化量。图1 运行点在最大功率点的左侧(a)两个开关周期内的电流波形 (b)电流在电流-功率曲线上的轨迹这两个输入信号经模糊控制器处理，而模糊控制器的输出是参考电流的增量值。增量值会因为系统工作在功率电流曲线的不同区域而有幅度和极性的变化。而模糊控制器的输出将给一个累加器。此累加器将给一个工作在峰值电流模式的Boost变换器提供参考电流。本文中基于模糊逻辑的方案输出一个适当的极性和可变大小参考电流的增量。因此在瞬
10、态条件时，模糊逻辑控制器将输出一个更大参考电流增量来加快瞬态响应。但是在峰值功率区域附近参考电流增量几乎为零，这样便可减少最大功率点的振荡。图2 所述方案的框图三、模糊逻辑控制器一个主观的系统的模糊模型以早先专家知识系统为基础进行设计。模糊逻辑控制器(图3)分为四部分:模糊化、规则库、推理阶段和去除模糊化。模糊逻辑控制器的输入是阵列的功率变化和电流变化，而其输出是变换器的参考电流步进变化。图3 模糊控制器框图A模糊化本文的模糊模型,基于7中模型提出的。然而进行了一些修改来改善我们系统的性能。为了达到预期的性能标准，该模型在反复实验法的基础上逐渐完善。 输入变量讨论范围被划分为七个模糊集：PB(
11、正的大),PM(正的中),PS(正的小),ZZ(零),NB(负的大),NM(负的中)和NS(负的小)。和瞬态响应有关的输出变量的PM, PB、NM、NB这些模糊集合是区别于其他和稳态响应相关联的隶属函数而构造的。 在图4中给出了隶属度函数的输入和输出变量。输入与输出变量的隶属度函数是设计用来模拟太阳能电池板PpvIpv曲线的非对称性。在中心部分隶属度函数更加密集,可以使得在最大全功率点附近区域的灵敏度更高。 输入隶属函数已经标准化，而且合适的调谐增益用来和各自的论域相匹配。图4 模糊模型的隶属度函数(a)输入量(b)输入量(c)输出量B规则库由于7中提供的规则库满足我们的应用要求，所以根据它我
12、们设计了模糊逻辑控制器规则库。模糊算法跟踪最大功率依据主要的规则是：“如果最后一次参考电流的变化引起了功率的则继续按照相同的改变参考电流；如果他使得功率下降,则按照相反的方向变化参考电流。一个由19条规则组成的规则库设计而成了。主要的规则已经转化为表I所示的前12条规则。附加的规则需要来补偿那些导致最佳点的整体漂移的气候条件下光伏阵列特性曲线的变化。规则是13-16为此目的而设计的。在7中表明，人工惯性对于保证无论什么时候检测到功率过零点系统都不会停止工作的必须的。而当检测到功率过零点都会产生在几个周期内不间断运动的趋势。规则17-18也是为了防止在真正峰值功率以外区域的稳定效应而设计的。最后
13、一个规则19是用来使系统稳定运行在最大功率点的。重要性通常应用到规则中来，可以提高推理准确性和减少不合理因素。不同的规则权重已经在7中使用以涵盖不同的条件。最高的权重给了第一套12个规则,因为他们描绘了正常的系统运行。规则13-18是用来对特殊条件作出解释，从而给予一个次高权重。规则19只是当系统运行在最大功率点时有效，因此只需要最小的权重。模糊模型的操作平台(有着标准化的隶属函数)如图5所示。它显示了由于使用模糊控制器产生的非线性。它展示了的不同功率增量与电流增量组合时的系统响应。立方体的边缘描绘系统在瞬态时的反应，然而这个立方体中心描绘了稳态时的系统响应。调谐增益会改变表面的斜率，但是通常
14、情况下反应总是相同的。 表1 模糊模型的规则库C推理方法推理方法确定模糊控制器的输出。Mamdani的推理方法和极大极小组合法一起被用在我们的系统中。这是因为这种方法在计算上的更有效,并具有比基于其他隐含功能的方法更好的较好的插值特性。因此,Mamdani的推理方法在大多数控制工程应用中很流行。图5 模糊模型的控制曲面D去除模糊化方法模糊控制器的输出是一个模糊集合。然而一个确定的输出值是必需的。因此模糊控制器的输出必须去模糊化。重心法是常用的去模糊化方法,而且我们将应用在这个系统中。该方法具有良好的平均性能，而且仿真结果表明它提供了最好的结果。四、仿真结果利用Matlab / Simulink
15、环境进行仿真来验证该方案的性能，仅用一个由太阳能电池板Boost变换器和蓄电池组成的简化模型。这些参数在附录中给出。为了作比较，采用固定参考电流增量的算法的仿真也已给出。图6和7显示了标准外界环境条件下MPPT启动过程中。可以看出使用了变化的参考电流增量(图6)可以同时改善瞬态及稳态响应。可以看出，在额定环境条件启动阶段的上升时间对于固定参考电流增量的是0.32ms，而对于变化的参考电流增量是0.27ms。在图6. b中可以看到，稳态功率降在变增量情况下也较小。这是因为模糊逻辑控制器的使用使得在瞬态时参考电流更大而在稳态时几乎为零。因此，在稳态下，Boost电感器的电流峰峰值对于变参考电流增量
16、的情况是 0.045A，而相对的固定参考电流增量情况则是 0.15A. 为进一步提高光伏阵列的输出功率，一方面应该减少电流纹波，另一方面DC/DC变换器应该使用软开关来提高效率。图8显示了串联在一起四个太阳能电池中的一个电池被部分遮荫情况下，光伏阵列的PpvIpv曲线。而且部分被遮荫电池的短路电流是其他电池的80%，这导致了MPPT算法的主要挑战即局部最大值。图9.a和9.b表明,采用变参考电流增量的基于模糊逻辑的控制器和采用固定参考电流增量的传统的控制器都能够识别输出最大功率的工作点。然而固定增量情况下会有更大的，这是由新的最大功率点的更大的波动和Ppv Ipv 曲线不合理的特性造成的。图6
17、 (a)智能MPPT系统在额定环境条件下的启动过程 (b)稳态的细节特征图7 (a)固定步长MPPT系统在额定环境条件下的启动过程 (b)稳态的细节特征图8 串联的四电池中一个电池被部分遮荫情况下光伏阵列的PpvIpv曲线图9 单个太阳能电池在太阳能辐射平缓变化时的响应(a)智能控制器 (b)标准控制器五、结论本文提出了针对利用峰值电流控制和瞬时值而非平均值采样的扰动观察MPPT算法的模糊逻辑的使用。它输出一个参考电流，这个参考电流是随着一个变化的变量而作调整，这个变量是以光伏阵列电流和功率的瞬时值作为变量的一个函数。这样,既可以得到非常快瞬态响应,同时又可以减少在稳态时最大功率点的抖动。剩下
18、的功率损耗仅仅是由于稳态时的电流纹波。此外,研究结果表明,选择合适的隶属函数可以确保在由于电池板部分遮荫而出现多个最大点时，最大功率跟踪是跟踪的真正的最大功率点。附录系统参数太阳能电池板(在额定日光照射水平下)短路电流(ISC)= 3.452A峰值电流(IMPP)= 3.29A峰值电压(VMPP)= 18.62 V开路电压(VOC)= 21.8 VBoost 变换器电感(L)= 1 mH开关频率(Fsw)= 100kHz蓄电池输出电压(Vo)= 24V须知这项工作得到了加拿大国家自然科学工程研究委员会(NSERC)科研基金资助。参考文献1 T. Hiyama and K. Kitabayash
19、i, “Neural Network based estimation of Maximum Power Generation from PV Module using environmental information”, IEEE Transactions on Energy Conversion, Vol.12, No.3, Sept. 1997, pp. 241-247.2 L. Zhang, B. Yunfei and A. Al-Amoudi, “GA-RBF neural network based maximum power point tracking for grid-co
20、nnected photovoltaic systems; International Conference on Power Electronics, Machines and Drives, 2002, 4-7 Jun. 2002 pp. 18 233 R.M. Hilloowala and A.M. Sharaf, “A Rule-based Fuzzy Logic Controller for a PWM Inverter in Photovoltaic Energy Conversion Scheme”, IEEE Transactions on Industry Applicati
21、ons, Vol. 32, No.1, Jan.-Feb. 1996, pp. 57 65.4 C. Hua and C.Shen, “Comparative study of Peak Power Tracking Techniques for solar storage systems”, APEC 98 13th Annual Applied Power Electronics Conference & Exposition, 1998, Vol. 2, pp. 679-6855 K.H. Hussein, I. Muta, T. Hoshino, and M. Osakada, “Ma
22、ximum Photovolotaic Power Tracking: An Algorithm for rapidly changing atmospheric conditions”, Proc. IEE Generation, Transmission, Distribution, Vol. 142, No.1, Jan. 1995, pp. 59-64.6 P. Midya, P.T. Krein, R.J. Turnbull, R. Reppa, J. Kimball, “Dynamic Maximum Power Point Tracker for Photovoltaic app
23、lications”, Proc. PESC, Baveno, Italy, 24-27 Jun. 1996, pp.1710-1716.7 M.G. Sim es and N.N. Franceschetti, “Fuzzy optimization based control of a solar array system,” Electric Power Applications, IEE Proceedings, Vol. 146, No. 5, Sept. 1999 pp. 552-5588 N. Patcharaprakiti and S. Premrudeepreechachar
24、n, “Maximum Power Point Tracking using Adaptive Fuzzy Logic Control for Grid-Connected Photovoltaic system,”, IEEE Power Engineering Society Winter Meeting, 2002. Vol. 1, 27-31 Jan. 2002, pp. 372377.9 T. Senjyu and K. Uezato, “Maximum Power Point Tracker Using Fuzzy Control for Photovoltaic arrays,”
25、 Proceedings of the IEEE International Conference on Industrial Technology, 1994, 5-9 Dec.1994, pp. 143147.10 X.J Liu and L.A.C. Lopes, “An Improved Perturbation and Observation Maximum Power Point Tracking Algorithm for PV Arrays,” Proceedings of the 35th IEEE Power Electronics Specialists Conferen
26、ce (PESC-04), Aachen Germany, 20-25 Jun. 2004, pp. 2005-2010.11 Y.-M. Chen, Y. C. Liu, F. Y. Wu, and Y. E. Wu, “Multi-Input Converter with Power Factor Correction and Maximum Power Point Tracking Features”, 17th Annual IEEE Applied Power Electronics Conference (APEC-02), Vol. 1, 10-14 Mar. 2002, pp.
27、490-496.12 X.-Z. Wang and D.S. Yeung, “Learning weights of fuzzy production rules by a max-min neural network,” The First International Conference on Machine Learning and Cybernetics 2002, 4-5 Nov.2002, Beijing, China.13 K.M. Passino and S. Yurkovich, “Fuzzy Control”, Addison Wesley Longman Inc, Cal
28、ifornia - USA.14 Tomokazu Mishima and Tokuo Ohnishi, “Power Compensation System for Partially Shaded PV Array using Electric Double Layer Capacitors,” 28th Annual Conference of the IEEE Industrial Electronics Society (IECON-02), Vol. 4, 5-8 Nov. 2002, pp. 3262-3267.15 K. Kobayashi, I. Takano and Y. Sawada, “A Study on the Two Stage Maximum Power Point Tracking Control of a Photovoltaic System under Partially Shaded Insolation Conditions,” IEEE Power Engineering Society General Meeting, 2003, Vol. 4, 13-17 Jul. 2003, pp. 2612- 2617.英文原文
