高效且经济高效的锂离子邱健蓄电池充电太阳能光伏系统最大功率点跟踪技术

本文提出了一种有效方法，利用单传感器增量电导（InC）方法实现光伏（PV）系统中电池充电的最大功率点跟踪（MPPT）。目标是在最小化传感器数量的同时优化MPPT工艺。建议的技术利用光伏组件输出电压与工作周期的关系，自动调整并达到MPP，从而实现最佳发电。通过从控制电路中去除光伏电流传感器，开发的方法降低了MPPT电路的成本和体积。与传统InC方法相比，该方法在稳态运行中表现出更高的响应速度和精度，并且能够抑制MPP附近的振荡。使用MATLAB/Simulink的广泛模拟验证了该技术在各种环境条件下的性能。结果突出了推荐方法的真实且有效的MPP跟踪能力，在高辐照度条件下，效率高于传统方法（97.8%）。

 

近年来，太阳能光伏（PV）技术取得了重大进展，达到高度成熟度，并作为可靠且安全的能源在全球广泛应用[1,2]。尽管单个光伏系统组件的成本大幅降低，但优化其能量收集效率和成本效益的迫切需求依然存在[3]。即使这些组件的成本降低，这一观点依然成立。最大功率点跟踪（MPPT）控制器对于从这些系统中提取最大功率输出至关重要。此外，这些系统必须设计成在广泛的气候条件下高效运行。然而，由于光伏阵列的动态行为，且深受环境条件影响，MPPT的实施仍是一个复杂的挑战。
近年来，关于各种最大功率点追踪技术的研究进行了广泛，这些技术大致可分为三类：经典方法、人工智能（AI）技术和基于优化的技术，如图1所示。经典方法中，如微扰观察（P&O）、恒压（CV）和爬山法（HC），因其成本低廉且简便，被光伏应用广泛采用。其他传统方法如增量电阻（InR）、增量导电率（InC）、分段开路电压（FOCV）和分段短路电流（FSCC）则具有适中的实施成本、中等复杂度，且需要适中的传感器数量[4]。这些技术可以根据响应速度、实施成本和数学复杂度等因素进行评估。
虽然低成本的P&O和InC方法常用于光伏应用[[5]， [6]， [7]， [8]]，但它们存在某些局限性，包括最大功率点（MPP）周围的过度振荡、高功率损耗以及动态响应较差[9]。因此，基于人工智能的MPPT技术和基于启发式优化的MPPT方法被探索以提升性能和改善PV效率[[10]， [11]， [12]]。选择了基于模糊逻辑（FL）的MPPT技术，因其能够整合语言规则并提供具有固有非线性数学特性的快速解[[13]， [14]， [15]]。此外，神经网络（NN）和自适应神经模糊推断系统（ANFIS）技术已被用于在不同环境条件下实现PV模块或阵列的稳健控制[16]。混合MPPT方法，如将FL与比例积分（PI）控制或神经模糊技术结合，也被提出以解决FL方法的局限性并提升整体性能。
采用优化算法的MPPT方法表现出高效率和快速的跟踪速度。这些优化算法主要分为两类：进化算法和仿生群体优化算法。这些技术是受自然现象或类比启发的随机优化方法，常用于解决传统方法难以解决的复杂优化问题。
进化算法包括常用的算法，如遗传算法（GA）和差分进化算法（DE）。这些算法通过迭代演进候选解，已证明在实现MPPT最佳性能方面非常有效[17,18]。
另一方面，仿生群体优化算法，如粒子群体优化（PSO）、灰狼优化（GWO）、蚂蚁蜂群（ACO）、布谷鸟搜索算法（CSA）、蚂蚁狮优化（ALO）和人工蜂群（ABC），被广泛用于监测和提升光伏模块的性能[19,20]。这些算法具有多项优势，包括快速的动态响应、易于理解的编程代码，以及无需对PV面板的数学模型的需求。
在基于增量导通率（InC）方法的MPPT技术领域，已有多项深入文献研究。作者在文献[21]中的一项研究中提出了一种利用数学剩余定理改进的InC技术。本研究的关键创新在于考虑InC的剩余价值，以确保准确获得MPPT。通过处理InC中哪怕少量残余，操作得到增强，消除了操作点周围的波动。该研究展示了整体能量转换效率的提升，理论分析和模拟结果支持其实现。该技术的一个显著优势是不受外部因素影响，且不需特定的空调数据。
然而，MPPT中使用的传统InC算法可能因转换器占空比的第一步响应不精确而表现不准确，导致外部环境变化时判断失误。为解决这一限制，文献[22]提出了一种增强型InC MPPT控制算法，旨在提高光伏系统的效率和经济可行性。该算法为传统InC算法提供了简化的方法，具有直接的结构，能够区分环境变化引起的电流、电压和功率的瞬时增量。该算法有效识别并防止错误判断，优化系统，提升PV系统的效率、响应速度和跟踪效率。
在[23]中，提出了一种跟踪控制方法，用于调节连接到直流-直流升压变换器的太阳能光伏系统的峰值输出功率。该方法包含增强的增量导电率（InC）和积分调节器（InCIR）。该研究重点关注环境条件如日照和温度对太阳能光伏系统输出的影响。为了最大化光伏系统的发电潜力，预测功率峰值并据此操作系统至关重要。建议采用峰值功率点技术来优化太阳能光伏阵列的性能。该技术确定了考虑太阳日照和模块温度影响的最大输出工作点。
参考文献[24]引入了一种新的改进InC方法，称为InC-FI方法，旨在提升系统整体效率。该方法利用快速智能控制器和可变占空比，提升了与传统InC方法相比的跟踪能力。InC-FI方法展现出比传统方法更高的准确性和性能。然而，传统的自适应可变步长（VSS）MPPT算法需要一个缩放因子来确定必要的微扰步，这极大地影响了自适应VSS算法的性能。为解决这一问题[25]，提出了一种神经网络（NN）与VSSInC方法，利用神经网络获得VSS InC MPPT方法的理想缩放因子。该因子决定了应施加于当前辐射水平的缩放量，特征曲线上只需两个操作点即可获得最佳比例化因子，从而避免了昂贵的辐射和温度传感器的需求。
然而，传统的VSS方法有两个主要局限：预设的缩放因子，以及调整PV特性曲线的斜率以改变步长。这导致整个系统的步长大幅增加，即使光伏模块电压有微小变化，也导致工作点不稳定。为解决这些问题[26]，引入了一种修改后的MVSSInC算法，该算法由一个自主缩放因子和一个斜坡角变化算法组成。自主缩放因子通过持续调整步长，而非依赖预设常数来调节收敛速度与跟踪精度之间的平衡。斜坡角变化算法有助于减少PV电压变化的影响，尤其是在辐照度波动的环境中，从而提高MPPT的效率。
在[27]中，提出了一种基于模糊逻辑（FL）的新算法，用于调整InC方法在PV系统的步长。建议的技术采用可变电压步长，考虑功率-电压（P-V）关系的上升或下降。为此，作者引入了围绕最高PV输出点的五个有效区域，并基于模糊输入相对于这些区域的位置构建了FL系统。P-V关系的斜率为模糊输入的发展提供了灵感，同时建立了合适的成员函数和模糊规则。所提出的基于FL的算法与InC方法协同工作，通过改变InC方法的步长，提升了MPPT效率。
在[28]中，作者提出了一种革命性的MPPT控制器，专为光伏系统中快速变化的辐照度设计。建议方法是InC算法的改进版，能够快速且准确地监测MPP。该方法产生稳态振荡，设计简洁，且能快速追踪数值变化，从而克服传统MPPT方法的不足。作者研究了各种方法的弱点，并提出比较研究，以比较这些建议方法与其他现有手术方法的结合。该方法结合了比例积分尊重（PID）控制器与GA算法，预测基于InC的MPPT技术的可变步长，成功解决了收敛快速、效率和振荡减少等问题。
传统和升级版的MPPT算法需要测量PV电压和电流，这需要使用电压和电流传感器。这增加了系统的整体规模和成本，尤其是在级联配置中。此外，一些控制系统还需要额外的太阳辐照和/或温度传感器，进一步增加了系统成本。针对此，参考文献中的作者们。[[29]， [30]， [31]] 提出了只需单个电流传感器且电路中无需电压传感器的MPPT方法，从而降低成本并简化了在低成本微控制器上的实现[30]。此外，在参考文献[32]中，作者提出了一种简单的全局MPP跟踪方法，仅使用单一电流传感器和确定性PSO来确定全局MPP，使其适用于部分免受阴影保护的太阳能系统。
尽管在减少MPPT电路传感器数量和制造成本方面取得了显著进展，昂贵的电流传感器问题依然存在，如参考文献所述。[31,32]。尤其是电流传感器容易受到磁干扰影响，这使得精确测量变得具有挑战性。为解决这一问题，本文介绍了一种基于电压传感器的InC方法，用于最大化电池充电应用中光伏组件的输出功率。通过消除对电流传感器的需求，这种方法被证明非常有效。本研究的主要目标是消除MPPT电路控制中电流传感器的高成本。在这项工作中，采用了可变步长的InC方法。可变步长使算法能够更动态地适应变化的环境条件，从而更快地收敛到MPP。当太阳辐照度或温度快速变化时，可以使用更小的步长来微调追踪，从而提高响应时间。
本文的主要贡献总结如下。

• i.
  提升光伏系统性能，实现最佳电池充电。
• 二、
  提出一种以最小数量传感器实现成本效益高的MPPT方法。
• 三、
  用于光伏系统控制的控制电路整体尺寸缩小。
• 四。
  通过PIL测试验证建议的MPPT方法。