PDF《光伏系统最大功率点跟踪控制仿真模型》

9 3

2 ― 系统内部特性和结构参数 ,就可以实时模拟任何功率、 电压 组合的光伏阵列.

2 太阳电池的伏安特性分析 太阳电池的伏安特性是指在某一确定的日照强度和温 度下 ,太阳电池的输出电压和输出电流之间的关系 ,简称 V - I 特性. 图 1为太阳电池伏安特性曲线. 从V-I特性曲线上可 以看出 ,太阳电池既非恒压源 ,也非恒流源 ,也不可能为负载 提供任意大的功率 ,是一种非线性直流电源. 其输出电流在 大部分工作电压范围内近似恒定 ,在接近开路电压时 ,电流 下降很大. 在一定的太阳光照射下 ,该曲线完全由电池的 P - N结特性和电阻分散参数确定. 图1太阳电池 V / I特性曲线 图中 Isc、 Voc、 I m 、 Vm 和Pm 分别为太阳电池的短路电流、 开路电压、 最大功率点电流、 最大功率点电压和最大功率点 功率. 太阳电池的 V - I特性除了与太阳电池模块本身非线性 特性及其串并联方式有关以外 ,还与环境温度 ,太阳辐射强 度有关. 通过对太阳电池的输出特性的分析可得出以下特 点:1) 太阳电池的输出特性近似为矩形 ,即低压段近似为 恒流源 ,接近开路电压时近似为恒压源 ;

2) 开路电压近似同温度成反比 ,短路电流近似同日照 强度成正比 ;

3) 最大功率点电压约为开路电压的 80%. 4) 输出功率在某一点达到最大值 ,该点即为太阳电池 的最大功率点 (MPP,Maximum Power Point) ,且随着外界环 境的变化而变化 ;

3 太阳电池数学模型 根据太阳电池的伏安特性曲线的分析 ,以及太阳电池的 物理模型 ,建立其数学模型 : I = Iph - Io exp q(V + IRs ) A KT -

1 - V + IRs Rsh (1) 当Rsh >

>

Rs 时,I=Iph - Io exp q (V + IRs ) A KT -

1 (2) 其中 , Io = Ior T Tr

3 exp qEG KA

1 Tr -

1 T (3) Iph = { Iscr + ki ( T - Tr ) } λ

100 (4) 在等式 (4) 中 ,相电流 Iph 与太阳日照 λ成正比. Io 是反 相饱和电流 ,随温度 T的变化而变化. Rs是串联电阻. Rsh是并 联电阻 ,表明电子穿过 P - N 结时产生的电流损失. 由于一个光伏阵通常由几组太阳电池串联和 / 或并联 连接而成 ,因此一个光伏阵等效的数学模型通常表示为 : I(1 + Rs Rsh ) = np Iph - np Io exp q (V + IRs ) A KT -

1 - (V /ns + IRs ) Rsh (5) 其中 , ns 表示太阳电池串联的数目. np 为并联的数目. 光伏阵的输出功率是电流与终端电压的乘积 ,其数学表 达式为 : P = np IphV - np Io exp q(V + IRs ) A KT -

1 V - (V /ns + IRs ) V Rsh (6)

4 最大功率点跟踪算法介绍 最大功率点跟踪 (MPPT) 的算法有 [1 ] : ①增量电导法 ( incremental conductance,简称 IncCond法),②曲线拟合法 (curve - fitting) , ③神经网络 ( neural network) , ④干扰观测 法(perturbation and observation,简称 P&

O法)等. 增量电导法常用于 PV能量系统中 ,通过比较 PV模块增 加的电导率和瞬时电导率来跟踪最大功率点. 太阳能方阵的 电压和电流的谐波组成部分需要测量 ,并用于调整方阵的参 考电压 ,因此 ,系统需要更多的转化时间 ,并且还会导致大量 功率流失. 另外 ,系统还需要实施额外的硬件电路. 曲线拟合法使用数字分析寻找最大功率点的电流与相 电流之间的近似关系 ,其中相电流与日照水平成正比. 这种 方法只用于温度变化相对小的地区. 神经网络法需要给定数据进行训练 ,从而辨识出最优的 操作点和估计出太阳能方阵的最大功率. 这种方法的缺点是 ①需要离线训练 ;