局部阴影条件下光伏阵列的建模与仿真 1.docx
- 文档编号:29374552
- 上传时间:2023-07-22
- 格式:DOCX
- 页数:17
- 大小:176.66KB
局部阴影条件下光伏阵列的建模与仿真 1.docx
《局部阴影条件下光伏阵列的建模与仿真 1.docx》由会员分享,可在线阅读,更多相关《局部阴影条件下光伏阵列的建模与仿真 1.docx(17页珍藏版)》请在冰豆网上搜索。
局部阴影条件下光伏阵列的建模与仿真1
毕业设计(论文)
题目局部阴影条件下光伏阵列的建模与仿真
学生姓名学号2014109441
专业电气工程及其自动化专业班级20141096
指导教师黎蓉
评阅教师
完成日期年月日
毕业设计(论文)课题任务书
(2017—2018学年)
学院名称:
电气与新能源学院
课题名称
局部阴影条件下光伏阵列的建模与仿真
学生姓名
宁逸菲
专业
电气工程及其自动化
学号
2014109441
指导教师
黎蓉
任务书下达时间
2017年11月03日
课题概述:
务必表述清楚本课题能培养学生如何解决复杂工程问题
毕业设计(论文)要求:
1课题相关技术指标(工程设计型)\课题相关目标(工程研究型)
2开题报告(列出开题报告需要完成的重点内容和要求,正文字数不得少于2500字。
)
3毕业设计(论文)的主要工作内容(列出毕业设计需要完成的具体各环节内容及完成时间)
4毕业设计说明书(论文)质量要求(列出毕业设计说明书(论文)的主要内容,工程设计型必须包含成本效益分析)
5毕业设计(论文)成果清单
开题报告:
页≥2500字
外文翻译:
页≥3000汉字
说明书(论文):
页≥15000字
图纸:
页张
小论文:
页≤3000字
其它:
按要求提供小论文及论文全文电子文档
(间距段前1.5)
学位论文原创性声明(黑体三号居中)
(间距段后1.5)
本人郑重声明:
所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
本人完全意识到本声明的法律后果由本人承担。
(宋体小四号)
作者签名:
必须本人签字年月日
(间距段前1.5)
学位论文版权使用授权书(黑体三号居中)
(间距段后1.5)
本学位论文作者完全了解学校有关保障、使用学位论文的规定,同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。
本人授权省级优秀学士学位论文评选机构将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
本学位论文属于
1、保密□,在_________年解密后适用本授权书。
2、不保密□。
(请在以上相应方框内打“√”)(宋体小四号)
作者签名:
必须本人签字年月日
导师签名:
必须本人签字年月日
(间距段后1.5)
摘要(黑体四号)………………………………(页码宋体小四号)1
前言(黑体四号)……………………………………………………2
1计算机测量与控制(黑体四号)……………………………………3
1.1(宋体小四号)………………………………………………3
2.2(宋体小四号)………………………………………………8
2虚拟仪器(黑体四号)……………………………………………12
2.1(宋体小四号)………………………………………………14
2.2(宋体小四号)………………………………………………15
……………
致谢(黑体四号)………………………………………………………………54
参考文献(黑体四号)………………………………………………55
附录(黑体四号)……………………………………………………56
局部阴影条件下光伏阵列的建模与仿真
学生:
宁逸菲
指导教师:
黎蓉
(三峡大学电气与新能源学院)
(间距段后1.5)
摘要:
本文在介绍最大功率追踪技术的基础上,分析了光伏电池的基本原理,并通过Matlab建立了考虑局部阴影的光伏阵列仿真模型。
对电压功率多峰曲线进行了仿真分析,为研究局部阴影下光伏阵列的功率输出提供理论支持,使用量子粒子群算法实现光伏发电系统的MPPT控制,无需依照光伏阵列的规模设定初始离子个数,在传统粒子群算法的基础上提高了功率收敛速度。
关键词:
光伏阵列;量子粒子群算法;阴影;仿真;MPPT
(间距段前1.5)
Modelingandsimulationofpvarrayinlocalshadowcondition
(间距段后1.5)
Student:
NingYiFei
Supervisor:
LiRong
(CollegeofElectricalEngineeringandNewEnergy,ChinaThreeGorgesUniversity)
(间距段后1.5)
Abstract:
Onthebasisofintroducingthemaximumpowertracingtechnology,Thearticleanalyzesthebasicprincipleofphotovoltaiccells,andestablishesaphotovoltaicarraysimulationmodelconsideringlocalshadowbyMatlab.Voltagepowermulti-peakcurveforthesimulationanalysis,forthestudyofpartialshadowthepoweroutputofpvarraystoprovidetheorysupport,usingquantumparticleswarmalgorithmtorealizetheMPPTcontrolofphotovoltaicpowergenerationsystems,withoutnumber,accordingtothesizeofthepvarraytosettheinitialiononthebasisofthetraditionalparticleswarmoptimization(pso)algorithmraisestheconvergencespeedofpower.
(间距段后1.5)
Keywords:
Quantumparticleswarmalgorithm;Shadow;Thesimulation;MPPT
(间距段后1.5)
前言(黑体三号)(约1500字)
在传统化石资源日益枯竭,太阳能被大量开发用于发电的形势下,人们更应关注如何高效利用太阳能资源。
要提高太阳能利用率,就要解决光伏发电的阴影遮挡问题。
我国多数光伏电站采用传统的最大功率追踪技术,如恒定电压法、扰动观测法等,这些方法在阴影条件下不能精准追踪最大功率点,阵列失配现象特别严重。
恒定电压法是人为根据经验所得,该算法简单,可简化为稳压控制,却忽略了外界环境的影响,不是真正的最大功率点跟踪,逐渐被其他算法取代。
扰动观察法是目前比较流行的最大功率追踪算法,该算法结构简单,被测参数少,容易实现,但是在光伏阵列最大功率点附近振荡运行,容易导致一定功率损失。
近年提出的平抛运动法,是一种光伏电池工程数学模型;该模型使用三个不同重力场g0、g1和g2,以质点平抛运动轨迹代替光伏电池输出特性曲线,即运用物理学中的三个平抛运动公式近似得出电池输出特性曲线,但需要调节g0、g1分界点的位置,才能模拟不同环境下的功率输出。
因此本课题提出了量子粒子群MPPT算法,目的是克服传统算法的缺点,增强全局寻优能力。
光伏电池板的阴影区不仅会导致输出功率减小,电池伏安曲线非线性特点加强;还可能导致局部发热严重,损毁光伏电池板。
为了保证光伏阵列在阴影条件下尽可能多的输出有功功率,就需要建立阴影下的光伏阵列仿真模型,研究局部阴影下光伏阵列的非线性电气特征。
本课题为局部阴影条件下的光伏阵列的建模与仿真,采用量子粒子群算法。
课题来源于生产实际,具有工程背景;同时对局部阴影下的光伏阵列的研究具有重要理论价值,课题类型为论文型。
本课题与电力系统及其自动化专业相关,对新能源发展研究有重大意义。
通过matlab/simulink建模,研究不同阴影条件对光伏阵列的影响,并对光伏阵列的输出功率进行优化改良。
本课题以粒子群算法(PSO)为基础,使用量子粒子群算法(QPSO)来优化光伏发电系统的MPPT控制,并对比这两种算法的仿真结果。
目前国际上使用的光伏阵列研究方法可分为两种:
多峰值寻优法,单峰值寻优法。
多峰值寻优法,根据局部阴影的情况,给受影响的光伏模块并联功率补偿单元,目的是使其输送到后级变流器的功率在特性曲线上不出现多极值点特性。
不用添加大量硬件,仅从控制算法上进行研究,受到了各国学者的广泛关注。
根据光伏阵列的输出特性,国内外在阴影条件下的最大功率控制的研究上做了大量的尝试,许多实用的多峰值功率追踪控制算法各显其能,例如粒子群算法、模糊逻辑算法、神经网络算法、蚁群算法、黄金分割法、矩阵分割法等。
本课题研究的就是多峰值寻优的粒子群算法优化。
单峰值寻优法,通过对局部阴影下的光伏阵列进行拓扑结构优化或补偿,达到改善其输出特性曲线的目的,把多峰值寻优问题变成了单峰值寻优问题;实际操作时应先估算局部阴影的分布特征及散射光照比,再运用最大功率追踪技术,对光伏阵列的结构做出优化设计。
在此重点介绍本课题涉及的两种MPPT算法:
粒子群算法和量子粒子群算法。
粒子群算法(PSO)即微粒群算法。
它是由J.Kennedy等人在1995年开发的演化计算技术,来自于对社会简化模型的模拟。
其中“群”来源于群体智能的5个基本原则:
邻近原则,群体能够进行简单的空间和时间计算;品质原则,群体能够响应环境中的品质因子;多样性反应原则,群体的行动范围不应该太窄;稳定性原则,群体不应在每次环境变化时都改变自身的行为;适应性原则,在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。
粒子群算法中的“粒子”,是将群体中的成员描述为没有体积、质量的,但有速度和运动状态的微粒。
粒子群算法是本课题的对比研究对象。
量子粒子群算法(QPSO),是对传统粒子群算法的优化。
克服了PSO算法的缺点,无需结合光伏阵列的规模来考虑初始粒子的个数与位置,采用一定的粒子个数即可实现不同规模光伏阵列多峰跟踪寻优。
该算法无需依照光伏阵列的规模设定初始离子个数,比传统粒子群算法有更快的功率收敛速度,克服了传统粒子群算法早熟收敛的缺点,增强了全局寻优能力。
因此本课题选择量子粒子群算法作为光伏技术研究对象。
(间距段前1.5)
1课题研究背景(黑体三号)
1.1能源危机与应对(黑体小三号)
世界经济的现代化发展,离不开化石能源,工业发展需要消耗大量的石油、天然气、煤炭。
然而,以现在的工业发展速度推算,数量有限的化石资源将在21世纪上半叶接近枯竭。
比如,可支配石油资源的储能极限大约为1180-1510亿吨,以世界石油的年开采量33.2亿来算,可开采的石油储备在2050年左右将临近枯竭。
可利用天然气的储备在131800-152900兆立方米左右,年开采量大约2300兆立方米,将在57-65年内枯竭。
煤的储量约5600亿吨,按煤炭年开采量33亿吨推算,最多供应200年。
化石资源的枯竭,将迫使以化石能源为燃料的工业停产,失业率上升,进而引发世界经济冲突加剧,引起社会动荡。
历史上并不是没有前车之鉴,非洲和中东地区的战争就是由化石能源危机引发的。
未来,这种军事冲突,会伴随着能源枯竭变得更猛烈、更频繁。
解决化石能源危机唯一的办法,是大力发展可再生能源,用可再生能源全面取代化石资源,进行全方位的工业革命,这样才能维持全球经济的可持续发展。
在新一轮的工业革命中,可再生能源相关的高精尖科技将是能源改革的主力军。
可再生能源主要包括:
太阳能,潮汐能,水能,风能,生物质能,地热能等。
其中太阳能的发展前景非常可观。
据天文物理学家估算,太阳系还能存在45亿年,而每年太阳能创造的价值是世界人口商品消费量的1.5万倍。
相对于太阳能带来的巨大效益,它的占地面积却非常经济。
例如,德国每平方米年的平均日照量是1100千瓦时,其电力总需求量约为5000千瓦时,按太阳辐射量的10%计算光伏技术的年平均功率,需要5000平方公里的光伏转化模板面积。
这些光伏板可以在建筑物的表面安装,这一做法意味着德国的光伏发电只需占用建筑物顶部的10%。
此外,光伏板不仅可以用于发电,还可直接用于光热转换;光伏发热在中欧和北欧等缺少阳光的地区备受青睐,甚至出现了完全依赖阳光供暖的建筑物。
除太阳能以外的其他可再生能源,也能为社会发展中作出巨大贡献。
生物质能中光合作用只需不到1200平方公里的可耕地和林地面积(不计沼气),就能创造年产量约2200亿吨的干料,约等于每年80亿吨生化能源所提供的能量。
氢能源的提取绿色环保:
利用自然界大量存在的水,通过电解水产生氢气或由光能作为催化剂分解出氢气。
潮汐发电与水利发电也能提供可观的电力,比如中国的三峡大坝,是目前世界上最大的水力发电设施,三峡大坝的年发电量占全国发电总量的3%,占全国水力发电的20%,有效缓解了华东地区的电力短缺问题。
此外,丹麦利用6300座风力发电机,提供了全国13%的电力需求,是当之无愧的风电大国。
总而言之,可再生能源潜力无限,可以完全满足可持续发展的能源需求,从根源上解决化石能源危机。
1.2国内外研究现状
光伏发电技术,是利用太阳能(光能)在半导体界面产生光生伏特效应,从而将光能直接转换为太阳能的新能源技术。
光伏发电的优点很多,比如,节约能源,对环境零污染,而且区域限制少,只要是太阳光照到的地方就能用光伏发电。
此外,分布式光伏发电与建筑结合,可以大大减少对土地资源的占用,节约空间。
光伏发电有着巨大的优势的同时,也存在一些急需解决的问题:
一、光伏电池造价高,企业难以独自承担昂贵的初期建设投资;因此,许多国家通过多种企业补贴和惠利政策来扶持发展光伏产业,光伏产业对政府的依赖性很高。
二、光伏电池转换效率低,平均转换效率不超过20%。
且由于灌木、虫鸟、云阴、建筑等环境因素,会不可避免的产生阴影区,使输出功率变得更小。
三、光伏发电设备大多安装在城市建筑表面,虽然节省了土地资源,但是城市建筑会增加光伏阴影区;阴影部分阻值更大、输出功率更低,会导致热斑效应,严重时会损坏光伏板,甚至引发火灾。
国内外研究局部阴影下光伏阵列功率问题,普遍采用两种方法:
第一种方法,研究改进光伏阵列结构的组合。
将集中式发电转变为分布式发电,这种结构优化需要增加大量的控制器和变换器,无形中提高了发电成本,使系统变得复杂,增加了系统控制难度。
另一种方法是,采用具备全局搜索能力的最大功率点跟踪算法。
该算法针对局部阴影下的功率多峰问题,能捕捉到最大功率点。
缺点是,算法复杂,因此对控制器性能要求很高。
1.3最大功率追踪法研究现状
光伏发电研究的核心问题是最大功率追踪问题。
其中,单峰值功率追踪法,研究对象不存在遮阴区;多峰值功率追踪法,则需要考虑遮阴区的存在,并在全局找出最大功率点。
1.3.1传统最大功率追踪法
传统的最大功率跟踪方法有:
恒定电压法、电导增量法、扰动观察法等等。
恒定电压法较为简单,因此广泛应用于早期功率追踪。
恒定电压法的工作原理是,在一定温度范围内,阳光辐照度大于电池工作最低值,那么光伏电池的最大输出功率可近似取一个定值。
电压跟踪法根据该电池特性,设置一个恒定不变的运行电压,使系统输出的功率尽可能大。
恒定电压法的使用有局限性,只适合外界环境变化不大的、小型光伏发电系统,并且功率跟踪精度差,现在已趋于淘汰。
现在广泛使用的是扰动观察法和电导增量法。
电导增量法,不受电池组件特性的影响,能够适应快速变化的光照强度,且电压波动较小,追踪精度高。
其功率追踪原理是,在光伏电池的P-U输出特性曲线上,找到功率对电压的导数为零的点,该点即对应最大功率点。
电导增量法的缺点是,算法复杂难实现,对传感器要求高,容易受信号干扰产生震荡,此外,由于电压导数、电流导数取值小,因此电压、电流取值必须精确,否则会导致误差。
还有人提出变步长改进、定步长与变步长结合等改进方法,有效减少了系统震荡问题。
扰动观察法,是应用最广的光伏阵列最大功率追踪算法。
其成本较低,算法简单,因此被广泛使用。
扰动观察法与扰动观察法控制原理类似,其控制原理是:
不间断地扰动光伏电池的输出电压,并观察光伏电池输出功率的变化情况,再参照功率变化趋势,连续改变扰动电压方向,最终迫使光伏电池工作于最大功率点。
扰动观测法简单易实现,但是由于“扰动”始终存在,会造成光伏电池输出功率在最大功率点附近震荡,耗能增加;扰动观察法适应能力差,不能在环境变化很大的条件下跟踪最大功率点。
1.3.2多峰最大功率追踪法
光伏发电系统输出特性曲线的多峰情况,一般是由于光伏阵列受到阴影遮挡而造成。
多峰最大功率跟踪法可分为两大类:
一类是基于代数算法的多峰值MPPT方法,通过对光伏特性的简单计算得到;另一类是基于智能算法的多峰MPPT方法,例如神经网络算法、粒子群算法、人工鱼群算法、粒子群优化算法等。
(1)本文简要介绍基于代数算法的三种MPPT方法:
功率增量法、负载线交点法、负载线对称法。
功率增量法,是将功率变换器作为一个可调恒功率负载。
功率增量法的优点有很多,它可以同时适用于并网光伏系统和独立光伏系统,跟踪速度非常快,而且不需要光伏阵列中PV模块配置的先验知识。
功率增量法的缺点是,若搜索过程中参出现电压为0的情况,光伏系统会退出运行。
负载线交点法,可以在局部阴影条件下跟踪最大功率点。
负载线交点法的前提是工作点落在全局功率最大点附近,因此不能用于复杂的多峰值P-U曲线,也不能用于全局功率寻优,尤其是最大功率点位于负载线左侧的情况。
另外,使用负载线交点法需要设置实时测量短路电压、短路电流的电路。
负载线对称法,可以实现阴影下的最大功率追踪。
这种算法不需要额外的检测电路,可用于光照强度变化快的环境,但是不可用于全局最大功率与局部最大功率差值较大的情况。
负载线对称法依据一个线性函数,将工作点设置在全局最大功率附近,然后再用传统的MPPT方法跟踪全局最大功率点。
(2)基于智能算法的最大功率追踪法有:
神经网络算法、粒子群算法、人工鱼群算法、粒子群优化算法等。
神经网络算法,其核心思想是调整权值使网络总误差最小,即利用梯度搜索,使系统的期望输出值和实际输出值的误差均方值最小。
神经网络算法适合非线性特征的拟合,经过多层神经网络系统,能够精准拟合光伏非线性系统。
神经网络算法有一个最佳隐含层节点数,若隐含层节点数太少,复杂网络映射关系会无法建立,容错率降低;若隐含层节点数过多,则网络计算时间增加,误差也会增大;因此最佳隐含层节点数需根据实验结果和实际经验确定。
人工鱼群算法,其原理是,在一片水域中,鱼生存数目最多的地方一般就是本水域中营养物质最多的地方。
人工鱼群算法就是依照这个特点,通过构建人工鱼群来模仿鱼类的觅食、聚集和尾随行为,进而实现功率寻优。
粒子群算法,(PSO)即微粒群算法。
它是由J.Kennedy等人在1995年开发的演化计算技术,来自于对社会简化模型的模拟。
其中“群”来源于群体智能的5个基本原则:
邻近原则,群体能够进行简单的空间和时间计算;品质原则,群体能够响应环境中的品质因子;多样性反应原则,群体的行动范围不应该太窄;稳定性原则,群体不应在每次环境变化时都改变自身的行为;适应性原则,在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。
粒子群算法中的“粒子”,是将群体中的成员描述为没有体积、质量的,但有速度和运动状态的微粒。
粒子群算法是本课题的对比研究对象。
量子粒子群算法(QPSO),是对传统粒子群算法的优化。
克服了PSO算法的缺点,无需结合光伏阵列的规模来考虑初始粒子的个数与位置,采用一定的粒子个数即可实现不同规模光伏阵列多峰跟踪寻优。
该算法无需依照光伏阵列的规模设定初始离子个数,比传统粒子群算法有更快的功率收敛速度,克服了传统粒子群算法早熟收敛的缺点,增强了全局寻优能力。
量子粒子群算法,在局部阴影条件下能够更准确、快速的进行光伏最大功率追踪。
由于原理简单、收敛速度很快、操作较容易、能用于全局搜索等特性,因此本课题选择量子粒子群算法作为光伏技术研究对象。
(间距段前1.5)
2光伏发电(黑体三号)
太阳能发电包括光伏发电和光热发电。
光伏发电简称“光电”,是利用半导体电池的光生伏特效应将光能直接转变为电能的一种新能源技术。
其核心元件是太阳能电池。
太阳能电池经过串联后进行封装保护形成大面积的太阳电池阵列,再配合功率控制器等部件就形成了光伏发电装置。
光伏发电的优点是地域限制小,建设周期短、发电安全可靠、零噪声、低污染、不消耗燃料、无需架设输电线路即可实现就地发电。
2.1光伏发电系统组件
光伏发电系统的基本构成是:
功率控制器,负载,光伏电池,变换器等等。
光伏系统的基本结构如下图所示:
图1光伏发电系统
(1)光伏电池,是由多个光伏组件按一定方式组装起来的直流发电单元。
只要在适宜光照下(无论是太阳光、或是其他发光体),光照大于最低辐照度,光伏电池就通过吸收光能,积累电池两端的异号电荷,即产生“光生伏特效应”。
在光生伏特效应的作用下,太阳电池的两端产生电动势,将光能直接转换成电能,完成能量转换。
(2)DC-DC变换器,作用是控制光伏电池输出电压的升高、降低,并且在控制器作用下实现最大功率跟踪。
(3)DC-AC变换器,也称为逆变器,是将直流转换成交流的设备。
太阳电池是直流电源,而负载大多是交流负载,因此DC-AC变换器是必不可少的。
DC-AC变换器按运行方式,分为并网逆变器和离网逆变器。
并网逆变器用于并网的太阳电池发电系统;离网逆变器,用于独立的太阳电池发电系统。
(4)控制器,控制变换器的最大功率跟踪、控制变换器直流逆变产生交流电。
2.2光伏发电系统结构
系统结构会影响发电功率,根据光伏阵列的不同分布以及功率等级,可把光伏发电系统结构分为以下三类:
(1)集中式结构,通过串联或并联光伏元件构成光伏阵列,达到额定电压、功率等级,输出的直流电压经过逆变器处理后输送到电网。
集中式结构曾经广泛用于10000W以上较大功率的光伏系统。
集中式结构的缺点是,不能有效完成阴影下的功率追踪,容易出现热斑问题,加大了最大功率点的跟踪难度。
它的优点是发电成本低,较适合大功率光伏发电。
集中式结构如图2所示:
图2光伏发电集中式结构
(2)串联式结构,即光伏元件通过串联组成光伏阵列。
串联式结构使抗阴影能力加强,多串联设计,提高了运行效率,但支路可能会有不匹配现象。
串联式结构如图3所示:
(a)单串联式结构(b)多串联式结构
图3串联式结构
(3)分布式结构,每个光伏组件都和一个变换器相连,可以分别实现最大功率跟踪,如图4所示。
分布式结构不仅省去了旁路二极管,减低了元件损耗,还能消除热斑问题;分布式每个组件可以独立运行,最大程度提高了系统的发电效率。
它的缺点是,需要大量变换器,会使系统结构复杂,提高发电成本。
幸运的是,随着小型变换器的生产改进,分布式发电成本将会下降。
分布式结构优点良多,是未来光伏发电的发展趋势。
图4分布式结构
2.3光伏电池
2.3.1简介P-N结
本征半导体,是完全纯净的、具有晶体结构的半导体,比如纯净的硅导体,硅原子之间有共价键,共价键中的两个电子,称为价电子。
价电子在获得一定能量(温度升高或受光照)后,即可挣脱原子核的束缚,成为自由电子(带负电),同时共价键中留下一个空位,称为空穴(带正电)。
自由电子和空穴都称为载流子。
本征半导体中载流子数目极少,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 局部阴影条件下光伏阵列的建模与仿真 局部 阴影 条件下 阵列 建模 仿真