【《基于simulink的复杂光照条件下光伏发电最大功率点跟踪问题的原理及应用研究》9800字（论文）】

[10]。在理论光伏电池模型中，该算法在局部阴影条件下的数据和实际情况有出入，致使在这种情况下输出的最大功率于真正的输出功率相比差距较大，而且在极小扰动干扰时，该算法无法准确快速找到最大功率点。而且算法初始化的随机性也会对收敛产生一定的影响，比如控制效果。虽然变步长扰动法和其它常规观测方法一样，在复杂光照环境中容易陷入局部最优，但在接近最大性能点的跟踪精度方面，具有很高的实用价值。

由此可知,在光伏系统具有外界各种复杂环境条件的影响下，提出粒子群与可变步长扰动观察法相结合的研究方法,借助粒子群优化算法，快速定位最大功率点，再通过采用变步长扰动观察法寻找准确的值。并通过Matlab仿真对模型进行验证,证明该方法能快速，准确的定位和跟踪最大功率点，无论是在局部阴影较强或者阴影较弱的情况下，都具有良好的可靠性和控制特性。

4.3仿真实验及结果要想验证PSO算法的准确性，需要对其进行仿真实验，搭建了如图4-4-1所示的模型图4-4-1Simulink光伏电路仿真模型上图光伏仿真系统主要由这几个模块组成：广度阵列，粒子群算法模块，PWM脉冲信号模块和Boost阻抗变换模块。图4-4-2PWM脉冲信号模型上图是PWM脉冲信号模块，在自适应权重PSO-MPPT模块的控制信号产生后，PWM脉冲信号模块就会形成该电路的控制状态，控制Boost电路的占空比。Boost电路如图4-4-3所示：图4-4-3Boost电路模块整个最大功率点跟踪过程可分为两步，第一步是利用粒子群算法找到最大功率点对应的最优电压值Um，第二步是通过Boost电路，使光伏发电系统的输出电压与最优电压匹配，输出最大功率。图4-4-4U—P功率电压图图4-4-5I-U关系示意图图4-4-5MPPT的输出功率波形4.4本章小结本章在分析介绍了PSO算法的定义及在光伏系统中的运行过程，搭建其仿真模型，得出输出的特性曲线，结果表明该算法可以在复杂光照的条件下快速定位到最大功率点附近，这种算法大大提高了太阳能的利用率；对复杂的情况下也可以快速适应，具备应用到实际中的条件。第5章总结与展望5.1总结光伏发电技术作为可再生新能源的一种，在推动我国经济可持续发展中扮演着至关重要的角色。本文以光伏发电作为对象，并在MATLAB/SIMULINK搭建的模型下分别进行了系统的仿真实验研究和实例分析，对比传统算法及现代人工智能算法，对复杂光照下的光伏阵列的最大功率功率进行分析，总结以下几点。（1）首先介绍了课题的来源及意义，然后详细分析了光伏电池的基本工作原理，并建立等系电路和搭建数学模型，对其输出特性曲线进行分析。（2）对比在不同光照条件下，常规MPPT算法和人工智能算法的优缺点，搭建模型并进行仿真，分析输出功率的特性曲线得到，常规MPPT算法因其最大输出功率呈现单峰值的特点只适用于在光照强度不变的情况下，人工智能算法因其可以输出多个峰值并且可以快速寻找到最优解，可以应用于复杂光照条件下（遮荫等），极大程度上降低了功率损耗，本课题采用了粒子群算法为例来进行分析。

（3介绍粒子群算法的定义，分析其工作原理和特点，建立其仿真模型，对输出的功率的特性曲线进行分析。验证本课题的结果。5.2展望随着科技的进步，光伏发电会在未来能源舞台上占据更加重要的位置，其能量的转换效率是人们认可的关键，所以对MPPT算法的研究尤为重要。目前仍存在问题需要进--步的探讨:

（1）对光伏组件参数的分析研究，使光伏发电的能力进一步提升，尽可能多的太阳能被吸收转化。在对复杂光照的研究还不够细致，还要对多种情况下进行更加深入的研究，参考文献张海龙.中国新能源发展研究[D].吉林大学,2014.王涛.太阳能发电系统现状及发展趋势[J].电子技术与软件工程,2017(23):228.PallaveeBhatnagar,B.R.K.Nema.Conventionalandglobalmaximumpowerpointtrackingtechniquesinphotovoltaicapplications:Areview[J].JournalofRenewableandSustainableEnergy,2013,5(3).冯佩云,冯俊青,段小汇.光伏发电系统最大功率点跟踪研究[J].软件导刊,2018,17(12):173-176+181.项若轩.智能光伏充电控制系统的研究[D].合肥工业大学,2009.吴理博,赵争鸣,刘建政,王健,刘树.单级式光伏并网逆变系统中的最大功率点跟踪算法稳定性研究[J].中国电机工程学报,2006(06):73-77.杜柯.基于DSP的光伏电池数字模拟系统研究[D].华中科技大学,2006.朱艳伟,石新春,但扬清,李鹏,刘文颖,魏德冰,付超.粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J].中国电机工程学报,2012,32(04):42-48+20.王雨,胡仁杰.基于粒子群优化和爬山法的MPPT算法[J].太阳能学报,2014,35(01):149-153.徐刚,瞿金平,杨智韬.一种改进的自适应粒子群优化算法[J].华南理工大学学报(自然科学版),2008(09):6-10.杜丽芳.独立的光伏最大功率点跟踪器的研制[D].上海交通大学,2008.卞英杰.黑龙江垦区大兴农场农业信息化发展问题研究[D].吉林大学,2018.张胜利.SEI-free层状Ti基Na~+负极材料[D].内蒙古大学,2019.廉小亲,张晓力,王嵩,陈俊.光伏系统在部分遮挡条件下的GMPPT算法研究[J].电源技术,2012,36(10):1470-1473.严威.电网电压不平衡下光伏并网逆变器控制策略研究[D].湖南工业大学,2019.张晓珍.基于石墨烯/硅异质结高性能光伏器件的研究[D].苏州大学,2013.汪海宁,苏建徽,张国荣,丁明.具有无功功率补偿和谐波抑制的光伏并网功率调节器控制研究[J].太阳能学报,2006(06):540-544.龚剑.中小型光伏发电并网逆变器的设计与仿真[D].山东科技大学,2011.李振华.风光互补发电嵌入式数据采集器的设计研究[D].上海交通大学,2010.陈文治.基于ARM的太阳能控制器的研究与设计[D].湖北大学,2011.田苗苗.光伏并网逆变器及其反孤岛控制策略研究[D].西安工程大学,2011.陈玉鸣.光伏并网发电系统最大功率点跟踪方法研究[D].浙江理工大学,2013.张正武.光伏并网系统逆变器的SVPWM优化及反孤岛研究[D].电子科技大学,2012.马进,王猛,马云龙,刘卫亮.基于改进MPPT算法的光伏并网系统研究[J].国网技术学院学报,2014,17(04):5-8.龙际根.带有源滤波功能的三相光伏并网逆变器研究[D].湖南大学,2015.冯燕闯.光伏并网系统暂态特性及低电压穿越技术的研究[D].华北电力大学,2013.赵阳.典型海岛多能互补发电站负载分配技术的研究[D].哈尔滨工程大学,2012.黄明明.基于阻抗的风电逆变器的建模与稳定分析[D].广西大学,2017.梁冬原.基于两级式软开关变换器光伏并网技术研究[D].东北石油大学,2016.王志法.太阳能光伏发电并网控制系统的研究[D].青岛科技大学,2011.彭龙祥.光伏发电并网逆变器控制策略优化研究[D].华北电力大学,2011.马昊,张庆超.基于粒子群优化算法和变步长扰动观察法的局部阴影情况下MPPT控制[J].电源学报,2016,14(03):94-101.孟超,赵咪,周伟绩.光伏发电系统的MPPT优化控制与仿真研究[J].计算机仿真,2019,36(03):128-132+242.巴忠镭.局部阴影下的光伏阵列MPPT控制策略研究[D].重庆理工大学,2019.马昊.基于改进差分进化算法的局部遮挡情况下光伏发电MPPT控制[D].天津大学,2016.刘畅,李渝曾,李海英.基于遗传算法与粒子群算法的机组开停机规划[A].《电力系统保护与控制》杂志社、清华大学电机工程与应用电子技术系、华中科技大学电气与电子工程学院、华北电力大学电气与电子工程学院.2008中国电力系统保护与控制学术研讨会论文集[C].《电力系统保护与控制》杂志社、清华大学电