1、2023.3Vol.47No.3研 究 与 设 计收稿日期：2022-08-17基金项目：国家自然科学基金面上项目(51977164)作者简介：陈逸峰(1999)，男，福建省人，硕士研究生，主要研究方向为电力电子。通信作者：朱文超，E-mail：基于动态温变特性的全局温差发电MPPT方法陈逸峰1，朱文超1,2，谢长君1,2，杨扬1,2，李浩1(1.武汉理工大学 自动化学院，湖北 武汉 430070；2.现代汽车零部件技术湖北省重点实验室(武汉理工大学)，湖北 武汉 430070)摘要：最大功率跟踪(MPPT)技术是提高温差发电器(TEG)发电效率的必要手段。然而，传统的多峰值MPPT方法往往只
2、关注其静态搜索能力和光照突变情况下的追踪过程。不同于光伏电池，TEG两端温差无法突变而是呈现出缓慢变化趋势。因此，提出一种基于动态粒子群算法(DPSO)的MPPT算法，用于动态温差环境下温差发电的最大功率点跟踪。DPSO通过多阈值检测和群体定向淘汰，避免算法频繁重启，减小了能量损失，提升了多峰值MPPT算法的动态性能。最后，与扰动观察法、改进粒子群算法进行对比仿真，结果表明所提出的算法在各种环境下可以更加准确并快速地实现MPPT。关键词：温差发电器；最大功率点跟踪；粒子群算法；多阈值检测中图分类号：TM 913文献标识码：A文章编号：1002-087 X(2023)03-0377-05DOI:
3、10.3969/j.issn.1002-087X.2023.03.024Global thermoelectric power generation MPPT method based ondynamic temperature difference characteristicsCHEN Yifeng1,ZHU Wenchao1,2,XIE Changjun1,2,YANG Yang1,2,LI Hao1(1.School of Automation,Wuhan University of Technology,Wuhan Hubei 430070,China;2.Hubei Key Lab
4、oratory of Modern Auto Parts Technology，Wuhan University of Technology,Wuhan Hubei 430070,China)Abstract:Maximum power tracking(MPPT)technology is necessary to improve the efficiency of temperaturedifference generators(TEGs)for power generation.Traditional multi-peak MPPT methods focus solely on the
5、irstatic search capability and tracking process under sudden temperature changes.Unlike photovoltaic modules,the temperature difference between the two ends of thermoelectric materials cannot be abruptly changed butshows a slow change trend.Therefore,an MPPT algorithm based on dynamic particle swarm
6、 optimization(DPSO)wasproposedforthermoelectricgenerationmaximumpowerpointtrackingunderdynamictemperature difference environment.Through multi-threshold detection and group-oriented elimination,thefrequent restart of the algorithm of DPSO was avoided,energy loss was reduced,and the dynamic performan
7、ceof the multi-peak MPPT algorithm was improved.Finally,the simulation was compared to the perturbationobservation method and the improved particle swarm algorithm,with the results demonstrating that theproposed algorithm could achieve MPPT more precisely and quickly in a variety of environments.Key
8、 words:thermoelectric generators;maximum power point tracking;particle swarm algorithm;multi-threshold detection温差发电技术是最有前途的绿色环保技术之一1。TEG采用热电能量转换技术，该项技术能将热能直接转换为电能。同时，TEG具有模块小、寿命长、质量轻等突出特点，在燃料电池、锂电池领域有着广泛应用2。TEG 工作环境的温度可能时刻变换，最大功率点跟踪(MPPT)技术已经广泛应用于温差发电系统，是使其输出功率最大化的必要手段3-4。扰动观测法(P&O)和电导增量法(INC)是应用最广
9、泛的MPPT技术。文献5提出一种用于向锂电池充电的车载热电发电系统。然而，上述方法不具有全局搜索能力，在收敛时往往会出现明显的稳态功率振荡，输出功率也较低。粒子群算法(PSO)广泛应用于光伏组件的 MPPT 中6。在温差发电领域，文献7-8分别采用贪婪搜索和自适应罗盘算法来寻找温度分布不均匀条件下集中式 TEG 系统的全局最大功率点(GMPP)。然而，以上所述算法5-8搜索的过程主要是外界处于恒定时的静态过程，而动态过程的研究也只限于光照或温度突变，突变后算法仍然在恒定的条件下搜索。由于其材料的热特性，温差发电机冷热端的温度不可能发生突变。若温度在算法搜索过程中发生了持续变化，采样数据和迭代结
10、果会产生混乱，算法可能搜寻不到全局最大功3772023.3Vol.47No.3研 究 与 设 计表 1 温差发电机相关参数 系数 a/(VK-2)b/(VK-1)c/V d/(K-2)e/(K-1)f/值 7105 0.063 9 0.853 6 9106 0.006 2 1.197 2 率点或陷入无法收敛的震荡。针对以上问题，本文在传统PSO 算法的基础上提出动态粒子群算法(dynamic particleswarm optimization，DPSO)，该算法动态性能好，具有多峰值搜索能力，结合DC/DC电路设计了温差发电系统的MPPT控制模型，通过仿真验证了DPSO的优越性。1 温差模块
11、建模TEG是一种固体半导体器件，当TEG的热端和冷端之间存在温差时TEG上会产生电动势，电动势的计算公式为：Voc=np(Th-Tc)=np T(1)式中：np为材料的塞贝克系数；Th和 Tc分别为热端和冷端温度；T 为热端和冷端的温差。TEG 模块的电气模型为串联有内阻的电压源，等效电路图及其电路特性如图 1所示。流过负载的电流可确定如下：ITEG=VocRTEG+RL(2)式中：Voc为TEG端子之间的开路电压；RTEG为TEG模块的内阻；RL为负载电阻。输送至负载的功率可确定如下：P=V2oc(RTEG+RL)2 RL(3)从式(2)(3)可以推出，TEG的I-V特性是线性的，P-U特性
12、曲线则为抛物线型。根据最大功率转移定理，当RTEG=RL时最大功率从电源转移到负载。最大功率点 Vmpp出现在 Voc/2处(或Impp=Isc/2)。开路电压与塞贝克系数 np成正比，其中 np不是恒定常数，在汤姆逊效应下np随温差变化而变换。为了解释 np和RTEG随温差T的变化，使用了二阶多项式进行曲线拟合。np=aT+b+c/T(4)RTEG=dT2+eT+f(5)负载电压可由式(6)得出：Vload=(aT2+bT+c)-(dT2+eT+f)Iload(6)式中：a，b，c，d，e和 f为常数系数，根据文献5中实验数据拟合所得。表1列出了所有系数的值。2基于DPSO的新型MPPT控制
13、算法2.1粒子群优化算法粒子群算法由 Kennedy和 Eberhart 博士所提出，该算法模仿了鸟类和鱼类的觅食过程。粒子群算法的迭代方程如式(7)：vki+1=ivki+c1r1(Pibest-dki)+c2r2(Gbest-dki)dki+1=dki+vki+1(7)式中：di和 vi为第 i个粒子的位置和速度；为惯性权重；c1和c2分别为自学习因子和社会学习因子；Pibest为粒子的个体最佳解；Gbest为粒子的全局最佳解；k为迭代次数；r1和r2为介于0，1之间的随机值。粒子群算法的迭代过程十分依赖最初几次迭代中粒子的功率信息。若迭代过程中温度降低，粒子的历史最优位置有可能一直无法更
14、新。若外界温度在迭代过程中增加，则粒子的历史最优位置可能会被频繁更新而产生混乱。因此，外界温度的持续变化可能导致算法无法收敛或收敛在一个错误的位置。综上所述，在温差发电领域中现有的多峰值 MPPT算法在环境温度持续变化的条件下难以追踪到最大功率点。2.2 新型混合智能算法针对上述问题本文提出了一种改进的动态粒子群算法DPSO，有效避免了动态环境下的温差发电系统的剧烈功率震荡。2.2.1 淘汰机制传统的PSO算法在迭代过程中，通过当前个体向最优食物源聚集的方式更新所有粒子的位置。适应值较差的个体，对算法的收敛速度和寻优精度存在很大的影响。本文通过模拟自然界生物间的互相竞争，引入个体淘汰机制，淘汰
15、群体中适应值较差的粒子。算法中的位置更新机制如下：在 MPPT控制中，粒子初始位置的随机取值可能会使粒子过于集中，导致粒子在搜索过程陷入局部极值，所以粒子的初始位置设置为均匀分布的固定值。dmin和 dmax是占空比的最小和最大限值，分别取0.1和0.9。d0i=1/(Np+1)i(i=1,2,3,Np)(8)dmin dki dmax(9)首先将全局最佳粒子所处位置定义为最佳环境的中心，最佳环境半径为r，环境的半径随着迭代次数增加而减少。r=r (1-KKmax)(10)将不在最佳环境范围中的粒子定义为适应值较差的粒子。只有适应值较差的粒子存在被淘汰的概率。离最佳环境中心越远，被淘汰的概率越
16、大。最佳环境范围中的粒子位置更新方程为 PSO 算法。适应值较差的粒子则有概率被淘汰，粒子的位置更新方程改为指向最佳环境中心的小范围随机运动。|dk+1i=dki+(Gbest-dki)(1-KKmax)+rand(0,r),if|Gbest-dki-r rand(0,r)dk+1i=dki+ivki+c1r1()Pkibest-dki+c2r2(Gbest-dki),if|Gbest-dki-r rand(0,r)(11)在本文中设置最佳环境的半径初始值为 0.25，当所有粒子都进入最佳环境时则不会发生淘汰。在搜索过程中适应度值较差粒子的运动被改为指向最佳位置(Gbest)的运动，最大功率追踪的收敛得到改善。粒子初始位置均匀分布在0,1中，随着粒子位置的不断更新，粒子们会越来越靠近最大功率点。因此当所有粒子位图1TEG等效电路图和特性曲线3782023.3Vol.47No.3研 究 与 设 计置 di(i=1，2，3,.Np)的标准差 小于 0.01时，则认为粒子已经收敛，算法停止搜索并输出最优粒子位置Gbest，判定条件如下：davg=(d1+d2+d3+.+dn)/Np(12)=
