1、电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 2 期2023 年 2 月Vol.35 No.2Feb.2023基于改进鲸鱼优化算法的光伏发电系统 MPPT 控制研究陈斌1，王俊江2，赵明胤1，赵芳正1（1.山东理工大学电气与电子工程学院，淄博 255049；2.山东科汇电力自动化股份有限公司，淄博 255087）摘要：在局部阴影条件下，常规的最大功率点跟踪 MPPT（maximum power point tracking）算法因含有容易陷入局部极值、跟踪精度低等弊端，使其无法及时、精确地跟踪光伏发电系统的最大功率点，因此，提
2、出了一种基于改进型鲸鱼优化算法的光伏发电系统 MPPT 控制策略。首先，采用混沌映射初始化种群，增加种群的多样性。其次，通过引入非线性收敛因子使局部寻优能力和全局搜索能力达到均衡。最后，通过引入非线性时变的自适应权重使系统及时跳出局部最优解，并提高搜索的精度。经仿真验证，与粒子群优化算法、狮群优化算法、传统的鲸鱼优化算法等相比，改进的鲸鱼算法在跟踪速度、精度、稳定性等方面均有更显著的效果。关键词：局部阴影；光伏；最大功率点跟踪控制；混沌映射；非线性收敛因子；鲸鱼优化算法中图分类号：TM743文献标志码：A文章编号：1003-8930（2023）02-0019-08DOI：10.19635/ki
3、.csu-epsa.001057Research on MPPT Control of Photovoltaic Power Generation System Based onImproved Whale Optimization AlgorithmCHEN Bin1，WANG Junjiang2，ZHAO Mingyin1，ZHAO Fangzheng1（1.School of Electrical and Electronic Engineering，Shandong University of Technology，Zibo 255049，China；2.Shandong Kehui
4、Electric Power Automation Co.，Ltd，Zibo 255087，China）Abstract:Under the condition of local shadow，the conventional maximum power point tracking（MPPT）algorithm hasdisadvantages such as vulnerability to falling into local extreme values and low tracking accuracy，which makes it impossible to track the m
5、aximum power point ofa photovoltaic（PV）power generation system quickly and accurately.Therefore，an MPPT control strategy for the PV power generation system based on an improved whale optimization algorithm（WOA）is proposed.First，the population is initialized with a chaotic map to increase its diversi
6、ty.Second，the local optimization capability and global searchingcapability are balanced by introducing a nonlinear convergence factor.Finally，by introducing a nonlinear time-varying adaptive weight，the system can jump out of the local optimal solutionin time and improve the searching accuracy.It is
7、verified by simulation results that compared with the particle swarm optimizationalgorithm，lion swarm optimization algorithm and the traditional WOA，the improved WOAhas more significant effects in terms of tracking speed，accuracy and stability.Key words:partial shadow；photovoltaic（PV）；maximum power
8、point tracking（MPPT）control；chaotic mapping；nonlinear convergence factor；whale optimization algorithm（WOA）随着全国“碳达峰、碳中和”目标的提出，光伏等新能源发电方式备受人们的青睐，光伏电站规模不断扩大1-2。然而，在实际应用中，受外界环境及天气因素的影响会导致局部阴影情况的出现，使光伏阵列呈现多峰值性，从而降低光伏阵列的发电效率3-6。所以避免陷入局部极值，并提升全局最大功率点跟踪MPPT（maximum power point tracking）能力已成为一个至关重要的研究课题。文献7提
9、出一种基于自适应的扰动观察法，能加快迭代速度并提升优化精度，但不宜在遮阴状态下使用；文献8-9提出一种新型鲸鱼优化算法WOA（whale optimization algorithm），通过引入非线性收敛因子来提升寻优精度；文献10提出一种免疫萤火虫算法，采用建立疫苗库的方式来提高迭代速度，迭代速度较快，但难以精确有效地实现全局MPPT；文献11提出一种改进粒子群优化PSO（particle swarm optimization）算法的MPPT控制方法，可以减少振荡，提高系统稳定性，但无法避免PSO算收稿日期：2022-06-14；修回日期：2022-07-29网络出版时间：2022-08-0
10、9 09：10：42基金项目：国家重点研发计划资助项目(2017YFB0902802)陈斌等：基于改进鲸鱼优化算法的光伏发电系统 MPPT 控制研究电 力 系 统 及 其 自 动 化 学 报20第 2 期法易较早收敛于局部最优解的弊端；文献12对粒子群算法进行了改进，可以提高系统的稳定性，但此算法易较早收敛于局部最优解；文献13将随机惯性权重引入到粒子群算法中，并将其应用于阴影遮蔽情况下MPPT的研究，可以提高跟踪的效率并减少系统的振荡；文献14提出一种粒子群-布谷鸟混合算法，可以使系统及时跳出局部最优解，并提高搜索的精度，但控制相对复杂，成本较高；文献15提出一种改进的粒子群算法，通过引入非
11、线性收敛因子提升寻优的速度及精度，但未对系统的振荡进行抑制；文献16提出一种混合混沌粒子群算法，并将其应用于MPPT控制策略中，可以改善算法后期振荡问题，提高系统稳定性。目前，传统MPPT算法在光伏发电系统的多峰值MPPT应用中存在收敛速度慢、效率低下、容易陷入局部功率极值等弊端。智能算法在多峰值寻优的过程中也存在跟踪速度慢，功率输出不稳定等问题。因此，本文在以上研究的基础上，提出了一种改进型鲸鱼算法IWOA（improved whale optimizationalgorithm），并用其解决局部遮阴等复杂工况下的光伏多峰跟踪问题。采用Tent混沌映射增加种群的多样性；通过引入非线性收敛因子
12、使光伏发电系统的最大功率点跟踪能力得到提升；通过引入非线性时变的自适应权重使系统及时跳出局部最优解，提高全局的搜索精度。最后，通过仿真对比验证了改进型鲸鱼优化算法的优越性和准确性。1光伏阵列的输出特性光伏阵列由光伏组件串并联而成。在太阳光照射的过程中，光伏阵列会受到落叶、遮挡物及云层等的影响，从而导致局部阴影情况的出现。通过Matlab/Simulink软件搭建一个31的光伏阵列。设定光伏电池的温度均为25 C。为更有效地模拟局部阴影对光伏阵列的影响，将光伏电池接收不同情况的光照。各种光照情况的仿真参数如表1所示。光照仿真效果如图1所示。由图1可见，在均匀光照的情况下，光伏阵列仅存在单个峰值点
13、；情况2、情况3、情况4、情况5系统接收的光照不同，出现局部阴影；情况2和情况3系统的I-U曲线呈现双膝型，P-U曲线呈现双峰型；情况4和情况5系统的I-U曲线呈现三膝型，P-U曲线呈现三峰型。由以上仿真结果可知，当光伏系统存在局部阴影情况时，其输出特性曲线会呈现多个局部极值点，若采用传统的MPPT算法，极有可能跟踪到的光伏系统的最大功率为局部最优值，进而导致MPPT失败。因此，本文提出一种基于改进型鲸鱼优化算法的MPPT控制策略，不仅能够加快算法的迭代速度，而且可以提升全局最大功率点跟踪能力，优化跟踪精度。2改进型鲸鱼优化算法在 MPPT 中的应用2.1基本鲸鱼优化算法鲸鱼算法模拟了鲸鱼特殊
14、的泡泡网觅食行为。鲸鱼算法主要由搜索觅食阶段、收缩包围阶段、螺旋更新位置阶段组成7-8。2.1.1搜索觅食阶段在鲸鱼搜索食物的过程中，鲸鱼算法使每头鲸鱼按照彼此的定位进行随机搜寻。此阶段其数学模型为D=|CXrand(t)-X(t)（1）表 1不同阴影下各组件的光照强度Tab.1Light intensity of each component under differentshadesW/m2阴影情况情况1情况2情况3情况4情况5光照强度S11 0001 0001 0001 000900S21 0001 000800800700S31 000800800600500图 1不同光照下光伏阵列的
15、输出特性曲线Fig.1Output characteristic curve of photovoltaic arrayunder different illumination conditions（a）I-U 输出特性曲线108642光伏板电流/A光伏板电压/V100020406080情况1情况2情况3情况4情况5（b）P-U 输出特性曲线600500400300200100光伏板功率/W光伏板电压/V100020406080情况1情况2情况3情况4情况5陈斌等：基于改进鲸鱼优化算法的光伏发电系统MPPT控制研究21第 35 卷X(t+1)=Xrand(t)-A|CXrand(t)-X(t)
16、（2）A=2ar1-a,C=2r2（3）式中：A和C为系数向量；t为当前迭代次数；Xrand(t)为从当前群体中随机选取的鲸鱼个体；X(t)为当前鲸鱼的个体位置；r1和r2分别为0，1的随机数9；a为控制参数，随迭代次数的增加从2线性递减到0，即a=2-2tmax_iter（4）式中，max_iter为最大迭代次数。2.1.2收缩包围阶段当|A1时，鲸鱼进入收缩包围阶段，全部的鲸鱼从各个位置共同游向目前位置最佳的鲸鱼。在此阶段，其数学模型为D=|CXbest(t)-X(t)（5）X(t+1)=Xbest(t)-A|CXbest(t)-X(t)（6）式中，Xbest(t)为在当前所有鲸鱼群体中位置最佳的鲸鱼个体。2.1.3螺旋更新位置阶段在此阶段，鲸鱼个体采用螺旋方式更新移动，逼近位置最佳的鲸鱼。此阶段其数学模型为D=|Xbest(t)-X(t)（7）X(t+1)=Deblcos()2l+Xbest(t)（8）式中：D为当前鲸鱼个体位置与最佳鲸鱼个体之间的距离；b为常量系数；l为-1，1之间的随机数。鲸鱼算法3个阶段的选择取决于参数|A和概率因子9P，当P0.5时处于螺旋更新位置阶段；当
