近些年来全球经济的高速发展严重依赖传统化石能源，致使不可再生能源面临消耗 殆尽的危险。因此，改变能源结构已成为了必然趋势。太阳能作为一种新型能源被广泛 应用到发电系统中，但在实际应用中，光伏电池板所处环境较为复杂多变，难以使光伏 系统稳定工作在最大功率点，进而降低发电效率。为提高光伏发电效率，本文对最大功 率点跟踪（Maximum Power Point Tracking，MPPT）策略展开研究。 首先，介绍了本课题研究背景及意义，对光伏 MPPT 研究现状进行了综述，在 Matlab/Simulink 上构建光伏阵列模型，分析了光照强度和温度对光伏阵列输出特性曲线 的影响。对常规 MPPT 算法工作原理进行了介绍，基于常规算法对处于特定环境下的光 伏阵列进行仿真分析。 其次，针对均匀光照下应用广泛的传统算法存在的响应速度慢、跟踪精度低、震荡 大等问题，提出了改进电导增量法（Improved Incremental Conductance，IINC）。在 Matlab/Simulink 上构建 MPPT 仿真模型，将 IINC 算法与基于传统滑模控制的变步长电 导增量法（Variable Step-Size Incremental Conductance，VSINC）进行仿真对比，结果表 明 IINC 算法相比于 VSINC 算法，响应速度明显加快，跟踪精度得以提高，震荡减小。 此外，在光伏 DC-DC 半实物实验平台上对 IINC 算法进行验证，结果表明了该算法在 MPPT 上的有效性。 最后，针对局部遮阴下应用广泛的智能算法存在的收敛速度慢、易陷入局部优化、 算法早熟等问题，提出了改进粒子群算法（Improved Particle Swarm Optimization，IPSO）。 采用智能算法测试函数对 IPSO 算法进行性能测试，结果表明 IPSO 算法在极值寻优上 的显著优势。在 Matlab/Simulink 上构建 MPPT 仿真模型，将 IPSO 算法与扰动观察法 （Perturb and Observe，P&O）、粒子群算法（Particle Swarm Optimization，PSO）、自 适应混沌粒子群算法（Adaptive Chaotic Particle Swarm Optimization，ACPSO）、灰狼算 法（Grey Wolf Optimization，GWO）、布谷鸟算法（Cuckoo Search，CS）进行仿真对比， 结果表明 IPSO 算法在避免粒子早熟，收敛速度及全局寻优上的优越性。此外，在光伏 阵列模拟器上对 IPSO 算法进行实验验证，结果符合预期要求。

The rapid growth of the global economy in recent years has relied heavily on traditional fossil energy sources, resulting in the danger of running out of non-renewable energy sources. Therefore, changing the energy mix has become an inevitable trend. Solar energy is widely used as a new energy source in power generation systems, but in practice, the environment in which photovoltaic panels are located is complex and variable, making it difficult to stabilise the system at the maximum power point, thereby reducing the efficiency of power generation. In order to improve the efficiency of photovoltaic power generation, this paper investigates the Maximum Power Point Tracking (MPPT) strategy. Firstly, we introduce the background and significance of this research, review the current status of PV MPPT research, build a PV array model on Matlab/Simulink, and analyse the effects of light intensity and temperature on the output characteristics curve of PV arrays. The working principle of the conventional MPPT algorithm is introduced, and the simulation analysis of PV arrays in a specific environment is carried out based on the conventional algorithm. Secondly, the Improved Incremental Conductance (IINC) method is proposed to address the problems of slow response, low tracking accuracy and large oscillations of the conventional algorithm widely used under uniform illumination. The MPPT simulation model is constructed on Matlab/Simulink, and the IINC algorithm is compared with the Variable Step-Size Incremental Conductance (VSINC) algorithm based on the traditional sliding mode control. The results show that the IINC algorithm has a significantly faster response, improved tracking accuracy and reduced oscillation than the VSINC algorithm. In addition, the IINC algorithm is validated on a PV DC-DC semi-physical experimental platform, and the results show the effectiveness of the algorithm on MPPT. Finally, the Improved Particle Swarm Optimization (IPSO) algorithm is proposed to address the problems of slow convergence, easy to fall into local optimisation and premature maturity of the algorithm, which are widely applied under local shading. The performance of the IPSO algorithm is tested using the intelligent algorithm test function, and the results show that the IPSO algorithm has significant advantages in extreme value finding. The MPPT simulation model was constructed on Matlab/Simulink, and the IPSO algorithm was compared with Perturb and Observe (P&O), Particle Swarm Optimization (PSO), Adaptive Chaotic Particle Swarm Optimization (ACPSO), Grey Wolf Optimization (GWO), and Cuckoo Search (CS). The results demonstrate the superiority of the IPSO algorithm in terms of particle prematureness avoidance, convergence speed and global optimisation search. In addition, the IPSO algorithm is experimentally validated on a photovoltaic array simulator and the results meet the expectations.

[1] 李昭. 我国能源消费结构与经济增长关系研究[J]. 中国能源, 2018(15): 71.

[2] 刘立宅. 合理开发新能源推进绿色经济发展的建议[J]. 能源, 2019, 31(01): 215-216.

[3] 孔凡太, 戴松元. 我国太阳能光伏产业现状及未来展望[J]. 中国工程科学, 2016,

18(4): 51-54.

[4] 谢晓惟, 梁秀红, 梁勃. 德国光伏发电综述[J]. 太阳能, 2015(02): 6-10.

[5] 吴迎新, 田李剑. 太阳能光伏发电现状研究及问题分析[J]. 技术与市场, 2019,

26(01): 115-116.

[6] Bidram A, Davoudi A S, Balog R. Control and circuit technique to mitigate shading effects in photovoltaic arrays[J]. IEEE, Journal of Photovoltaics, 2018, 4(2):2612-2617.

[7] Kaizuka I, Ohigashi T, Matsukawa H, et al. PV trends in Japan: New framework for introduction of PV system[P]. Photovoltaic Specialists Conference(PVSC), 2009 34thIEEE,2009.

[8] 毛明轩, 许钊, 崔立闯, 等. 基于改进灰狼优化算法的光伏阵列多峰 MPPT 研究[J].太阳能学报, 2023, 44(03): 450-456.

[9] 罗茜, 陈卓, 郝正航, 等. 基于新型趋近律的光伏 MPPT 控制策略[J]. 电力系统保护与控制, 2023, 51(05): 139-153.

[10] 荣德生, 刘凤. 改进型扰动观察法在光伏 MPPT 中的研究[J]. 电力系统及其自动化.学报, 2017, 29(03): 104-109.

[11] 周睿, 徐良, 刘文浩, 等. 基于改进扰动观察法的光伏 MPPT 控制算法研究[J]. 电源.技术, 2023, 47(03): 388-392.

[12] 王仁明, 张癸滨, 王凌云. 基于改进型电导增量法的光伏系统最大功率点跟踪策略[J]. 三峡大学学报(自然科学版), 2019, 41(2): 78-83.

[13] 徐建国, 沈建新, 王海新, 等. 基于新型变步长电导增量法的最大功率点跟踪策略[J]. 可再生能源, 2018, 36(09): 1305-1313.

[14] 万庆祝, 张翃帆. 基于模糊控制与自适应步长相结合的光伏发电系统最大功率点跟踪研究[J]. 电气工程学报, 2017, 12(03): 33-40.

[15] 王志豪, 李自成, 王后能, 等. 基于RBF神经网络的光伏系统MPPT研究[J]. 电力系统保护与控制, 2020, 48(06): 85-91.

[16] 李畸勇, 张伟斌, 赵新哲, 等. 改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪[J]. 电工技术学报, 2021, 36(09): 1771-1781.

[17] Kandil K M, Altouq M S, Alasaad A M, et al. Investigation of the Performance of CISPhotovoltaic Modules under Different Environmental Conditions[J]. Smart Grid & Renewable Energy, 2011, 2(1): 375-387.

[18] Barchowsky A, Parvin J P, Reed G F, et al. A comparative study of MPPT methods for distributed photovoltaic generation[C]. IEEE PES Innovative Smart Grid Technologies(ISGT), 2012: 1-7.

[19] 张抗, 苗淼, 张立勤. 能源转型与碳达峰、碳中和[J]. 中外能源, 2022, 27(03): 1-6.

[20] 刘杰. 太阳能光伏发电系统及应用前景分析[J]. 新能源科技, 2020(09): 31-34.

[21] Zhang M, Li X. Development status and prospect of new energy technology[C]. E3S Web of Conferences, 2021, 233: 01065.

[22] 张丽, 陈硕翼. 光伏发电并网技术发展现状与趋势[J]. 科技中国, 2020(02): 18-21.

[23] 陈毅东, 杨育林, 王立乔. 一种新型变步长 MPPT 控制在风电并网系统中的运用[J].太阳能学报, 2012, 33(03): 462-467.

[24] 罗驰, 任一峰, 安坤, 等. 基于Hermite插值多项式的光伏MPPT改进算法的研究[J].现代电子技术, 2021, 44(05): 137-142.

[25] 缑新科, 马士伟, 陈维铅, 等. 基于遗传算法与模式搜索法组合的 MPPT 技术[J]. 兰州理工大学学报, 2018, 44(01): 91-94.

[26] 王雅, 曾成碧, 付文雯. 基于蚁群算法的局部阴影光伏最大功率跟踪算法[J]. 内蒙古师范大学学报(自然科学汉文版), 2015, 44(04): 523-527.

[27] 吴忠强, 谢宗奎, 王国勇, 等. 一种基于改进羊群算法的光伏系统最大功率跟踪策略[J]. 电子学报, 2020, 48(10): 2017-2024.

[28] 朱艳伟, 石新春, 但扬清, 等. 粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J]. 中国电机工程学报, 2012, 32(04): 42-48.

[29] 万晓凤, 戴雅晨, 刘琦, 等. 基于 SVR 与扰动观察法的光伏阵列多峰值 MPPT 研究[J]. 电源技术, 2017, 41(05): 770-773.

[30] 商立群, 朱伟伟. 基于全局学习自适应细菌觅食算法的光伏系统全局最大功率点跟踪方法[J]. 电工技术学报, 2019, 34(12): 2606-2614.

[31] 韩鹏, 李银红, 何璇, 等. 结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法[J]. 电力系统自动化, 2016, 40(23): 101-108.

[32] 刘晓彦, 姚玉霞, 隋庆茹. 改进粒子群算法的光伏最大功率点跟踪控制[J]. 激光杂志, 2016, 37(10): 129-132.

[33] Bosco J, Mabel C. A novel cross diagonal view configuration of a PV system under partial shading conditions[J]. Solar Energy, 2017, 158: 760-773.

[34] Bana S, Saini R P. Experimental investigation on power output of different photovoltaic array configurations under uniform and partial shading scenarios[J]. Energy, 2017, 127:438-453.

[35] Daliento S, Dinapoli F, Guerriero P, et al. A modified bypass circuit for improved hot

spot reliability of solar panels subject to partial shading[J]. Solar Energy, 2016, 134:

211-218.

[36] 夏永洪, 李梦茹, 曾繁鹏, 等. 基于 TCT 结构及开关控制的光伏阵列重构[J]. 太阳能学报, 2018, 39(10): 2797-2802.

[37] Nguyen D, Lehman B. An adaptive solar photovoltaic array using model-based reconfiguration algorithm[J]. IEEE Transactions on Industrial Electronics, 2008, 55(7):2644-2654.

[38] 林虹江, 周步祥, 冉伊, 等. 基于遗传优化 BP 神经网络算法的光伏系统最大功率点跟踪研究[J]. 电测与仪表, 2015, 52(05): 35-40.

[39] Dileep G, Singh S N. An improved particle swarm optimization based maximum power point tracking algorithm for PV system operating under partial shading conditions[J].Solar Energy, 2017, 18(9): 1006-1015.

[40] 裴婷婷, 郝晓弘. 局部阴影条件下光伏阵列的动态建模[J]. 太阳能学报, 2020,

41(02): 268-274.

[41] 徐可寒, 张哲, 刘慧媛, 等. 光伏电源故障特性研究及影响因素分析光伏电源故障特性研究及影响因素分析[J]. 电工技术学报, 2020, 35(2): 359-371.

[42] 聂晓华, 王薇. 混沌改进猫群算法及其在光伏 MPPT 中的应用[J]. 中国电机工程学报, 2016, 36(22): 6103-6110.

[43] 游国栋, 李继生, 侯勇, 等. 部分遮蔽光伏发电系统的建模及 MPPT 控制[J]. 电网技

术, 2013, 37(11): 3037-3045.

[44] 周天沛, 孙伟. 不规则阴影影响下光伏阵列最大功率点跟踪方法[J]. 电力系统自动

化, 2015, 39(10): 42-49.

[45] 胡依林, 成奎, 杨博. 阴影条件下基于集体智慧的光伏系统最大功率跟踪[J]. 电力

系统保护与控制, 2021, 49(24): 78-87.

[46] 姜萍, 栾艳军, 张伟, 等. 局部遮阴下基于改进PSO的多峰值MPPT研究[J]. 太阳能

学报, 2021, 42(08): 140-145.

[47] 赖昌伟, 黎静华, 陈博, 等. 光伏发电出力预测技术研究综述[J]. 电工技术学报,

2019, 34(6): 1201- 1217.

[48] ISHAQUE K, SALAM Z. A review of maximum power point tracking techniques of PV

system for uniform insolation and partial shading condition [J]. Renewable &

Sustainable Energy Reviews, 2013, 19(1): 475-488.

[49] SEYEDMAHMOUDIAN M. HORAN B, SOON T K, et al. State of the art artificia

intelligence-based MPPT techniques for mitigating partial shading effects on PV systems

A review [J]. Renewable & Sustainable Energy Reviews, 2016, 64(12): 435-455.

[50] 邵文权, 王猛, 吴朝俊, 等. 基于改进滑模控制的光伏系统 MPPT 控制策略[J]. 太阳

能学报, 2021, 42(10): 87-93.

[51] 杨东海, 刘洋, 王毅, 等. 基于二进制蚁群模糊神经网络的光伏系统 MPPT 控制算

法研究[J]. 电气工程学报, 2017, 12(06): 41-46.

[52] 胥芳, 张任, 吴乐彬, 等. 自适应 BP 神经网络在光伏 MPPT 中的应用[J]. 太阳能学

报, 2012, 33(03): 468-472.

[53] 陈亮, 张永革, 许建奎, 等. 杂食鱼群算法在光伏系统 MPPT 控制中的仿真研究[J].

太阳能学报, 2017, 38(02): 333-338.

[54] 聂晓华, 赖家俊. 基于人工鱼群算法的光伏阵列多峰 MPPT 控制策略[J]. 电测与仪

表, 2016, 53(20): 26-30.

[55] 龚瑞昆, 刘昊晟, 张堪傲, 等. 基于 PSO-BFO 混合算法的 MPPT 优化研究[J]. 电源

技术, 2022, 46(01): 98-101.

[56] 郭雷, 黄敬党. 基于 PSO 算法的光伏 MPPT 控制研究[J]. 机电技术, 2021(04): 51-53.

[57] 雷茂杰, 许坦奇, 孟凡英. 基于自适应粒子群算法的 MPPT 控制策略[J]. 电源技术,

2021, 45(08): 1036-1039.

[58] 李荣, 杨勇, 郭苏, 等. 基于改进粒子群算法的光伏最大功率跟踪研究[J]. 电源技术,

2019, 43(11): 1839-1842.

[59] 韩鹏, 李银红, 何璇, 等. 结合量子粒子群算法的光伏多峰最大功率点跟踪改进方

法[J]. 电力系统自动化, 2016, 40(23): 101-108.

[60] J．Prasanth Ram, N. Rajasekar. A new robust，mutated and fast tracking LPSO method

for solar PV maximum power point tracking under partial shaded conditions[J]. Applied

Energy, 2017, 34(11): 435-455.

[61] 石季英, 凌乐陶, 薛飞, 等. 领地粒子群算法在光伏最大功率跟踪的应用[J]. 太阳能

学报, 2019, 40(09): 2554-2560.

[62] 张治, 周媛媛, 王林. 混合量子粒子群算法在光伏阵列 MPPT 中的应用[J]. 现代电

子技术, 2021, 44(21): 171-174.

[63] 梁明玉, 蔡新红, 赵咪. 基于改进粒子群算法的光伏系统 MPPT 控制研究[J]. 计算

机仿真, 2021, 38(10): 133-139.

[64] 夏一峰, 朱金荣, 黄圣铧. 局部阴影条件下光伏阵列 MPPT 算法研究[J]. 电工技术,

2020, 18(4): 60-63.

[65] 黄思源, 王鲁杨, 张浩. 基于光伏功率等效面积法的多峰最大功率追踪控制方法[J].

电测与仪表, 2017, 54(18): 65-71.

[66] 袁清, 赵斌, 王力, 等. 基于 TSA-P&O 混合算法的光伏多峰值 MPPT 控制[J]. 电力

系统及其自动化学报, 2021, 33(12): 101-109.

[67] 李志军, 张奕楠, 王丽娟, 等. 基于改进量子粒子群算法的光伏多峰 MPPT 研究[J].

太阳能学报, 2021, 42(05): 221-229.

[68] 杨标, 张晓虎. 基于粒子群优化算法和占空比扰动观察法的光伏阵列 MPPT 控制[J].

电工技术, 2021(05): 32-36.