孙 恺， 刘光宇

(杭州电子科技大学 自动化学院，浙江 杭州 310000)

0 引 言

太阳能在光伏(photovoltaic,PV)发电领域运用越来越广泛，由于光伏电池独特的非线性I-V特性，光伏电池功率输出受环境的影响很大，为了保证光伏发电系统能够工作在最大功率点下以提高光伏发电系统的效率达到充分利用太阳能，研究人员在光伏发电系统中引入了最大功率点跟踪(maximum power point tracking,MPPT)技术。其中有传统的控制方法如电导增量(incremental conductance,INC)法[1,2]，扰动观察(perturb and observe,P&O)法[3]等和智能控制算法如光伏发电系统如遗传算法(genetic algorithm,GA)[4]、人工神经网络(artificial neural networks,ANN)[5]、蚁群优化(ant colony optimization,ACO)算法[6]、粒子群优化(particle swarm optimization,PSO)算法[7～9]等。传统的方法在均匀光照条件下的跟踪具有良好的效果，在局部遮挡情况下传统控制方法常常会陷入局部最大点,但智能算法表现出良好的性能。其中PSO算法被广泛应用于各个领域[10～12]在MPPT控制中应用的最为广泛。传统的PSO算法虽然能够跟踪到全局最大功率点但仍然存在搜索时间长，收敛精度差，不够稳定,剧烈振荡等问题[13]。

本文提出采用非线性的加速因子和学习因子并采用动态的惯性权重来提高PSO算法的搜索时间和收敛精度，搜索振荡。

1 光伏阵列特性

如图1所示是典型的4个光伏模块串联而成的光伏阵列模型。在光伏发电系统中，太阳的光照强度对光伏阵列产生的输出功率具有很大的影响，当光伏阵列接收到的太阳光照强度越强时，输出的电流就越高从而输出功率也越高；反之输出电流和输出功率也越弱。当整个PV阵列所受到的太阳辐射是均匀的，如图1(a)所示，光伏阵列的P-V曲线只存在唯一的极值点即全局最大功率点(maximum power point,MPP)。……