0 前言

目前，光伏发电受到各个国家的关注[1]，[2]。由于光伏电池的输出呈非线性，导致光伏阵列不能持续工作在最大输出功率点，需要采用适当的最大功率点追踪 （Maximum Power Point Tracking，MPPT）算法，使光伏电池工作在最大功率 点[3]～[5]。

在IntelliJ IDEA新建JAVA Web项目，添加SpringMVC框架支持，并进行相关xml文件配置。通过上文的分析，系统主要功能为与统一认证系统交互、调用AC接口URL实现无线上网认证，由两个页面 "/ssosync"与"/home"来实现。

文献[1]～[12]介绍了多种MPPT方法。扰动观察法（P＆O）易于模块化实现、被测参数少，但存在振荡和误判问题，不能准确跟踪到最大功率点，造成功率损耗[6]，[7]。 电导增量法（INC）通过比较光伏电池的电导增量和瞬间电导来改变系统控制信号，在环境突变时改善系统的动态性能和跟踪精度。电导增量法要求高速数模转换取样，对传感器要求较高[8]，[9]。传统变步长方法虽然能够取得良好的跟踪效果，但存在收敛性问题。为了维持稳态输出功率和快速的动态响应，需要一个恒定系数。当光照辐射突变时，仍使用这个恒定系数会导致功率-电压曲线显著变化，动态响应变慢。变步长恒定系数不能适应外界温度和光照的变化[10]～[12]。本文提出了一种改进的自动缩放变步长算法，该算法考虑了光照辐射突变的情况，防止算法误判。

1 可变步长MPPT的原理

为解决固定步长法在最大功率追踪中的问题，变步长MPPT法对步长进行了调整，如图1所示。

  

图1 变步长跟踪MPP图Fig.1 Illustration of the MPP tracking with a variable step

假设系统在点1处启动，MPPT控制器向MPP操作点1处进行扰动，其步长为可变步长（1-2-3-4-MPP）：1 处的工作点远离 MPP，使用较大步长，当工作MPP点附近时则使用较小步长。这种跟踪方法可以使系统具有更快动态响应、较稳定的工作状态和较小的功率损耗。

文献[14]提出一种光伏电池板的功率-电压曲线斜率变步长MPPT方法，其表达式为

 

式中：N为缩放因子。

在微格课堂教学中，8～10名医学生为一个教学小组，轮流扮演操作者和评价员角色，并由一名指导教师负责组织实施，一名摄像人员负责视频拍摄（可由教师或学生担任）。根据所训练的临床操作项目的不同特点，一次医学生操作约为10～15分钟，并用摄像机记录下来。

由于

2 改进的自动缩放步长MPPT算法

2.1 自动缩放功能

因此，当工作点接近MPP时，新型缩放功能1-A2的步长逐步减小。

 

本文在Matlab中建立光伏系统模型。模型中MPPT算法通过修改脉冲宽度调制（PWM）发生器的占空比达到寻找MPP的目的。仿真模型如图4所示。

由于在MPP处，为了提高跟踪速度，近似可得：

 

A表达式为

 

为了消除常数缩放因子N的缺点，文献[14]介绍了一种自动调节变步长MPPT方法，该方法占空比为

地瓜虫害主要有地老虎、卷叶虫、斜纹夜蛾等。防虫技术包括：①种苗消毒。用300倍敌百虫和300倍多菌灵同时浸种2小时后捞起种植。②叶面喷施杀虫剂。田间虫害严重时，可用2.5%敌杀死500倍液进行防治，注意消除田间杂草。

系统中元件参数：KC40光伏面板最大功率为40 W，最大功率时电压为16.9 V，最大功率时电流为2.34 A，开路电压为21.5 V，短路电流为2.48 A；降压转换器 C1为 350 μF，C2为 335 μF，L为4 mH；负载电阻为10 Ω；电池额定电压为12 V，内部电阻为5.8 mΩ。

2.2 对天气突变的判断

当光照辐射突变时，dI/dV值会发生变化，但是功率-电压曲线却不能突变，这可能导致1，影响功率追踪，导致ΔD＞ΔDmax[14]。 要解决此问题，首先要在MPP附近观察，对于相同的电压，辐射越大，I/V值就越大，反之亦然。MPP的移动遵循同样的道理，要实现对MPP的跟踪，光照辐射的增加，电压也必须增大。如果辐射减小，电压也随之减少。光照分别为1 000 W/m2和400 W/m2情况下dI/dV和I/V的曲线如图2所示。

  

图2 有关该方法的改进图Fig.2 Illustrations relative to improvements of the method

2.3 改进的自动缩放步长MPPT的流程图

本文改进的自动缩放步长MPPT算法首先判断ΔD值，然后判断Ik/Vk与dI/dV大小。若天气状况突变，通过 Dk=Dk-1±ΔDmax（1-A2）自行调节缩放步长，直至最后该时刻的步长Dk与前一时刻步长Dk-1相等。当Dk，Vk-1和Ik-1自动更新后，该MPPT算法又重新回到起点。其流程图如图3所示。

苹果树适合生长在土层深厚、土壤疏松且富含大量有机物的沙质土壤中，PH值以微酸性到中性为佳。苹果树喜爱阳光，合理的日照量可以有效促进苹果树的生长，提高苹果树产量和苹果质量，通常日照量在2000h以上/年为佳。地理位置不能使盐碱地，地势阴凉低洼处。因此，果园选址应该同时考虑地势、土壤、阳光三重因素，同时满足为最佳。

  

图3 本文方法的流程图Fig.3 The flowchart of the proposed method

3 仿真分析

3.1 仿真系数设置

式中：ΔDmax为允许的每个跟踪更新最大的步长。

  

图4 光伏系统的模型图Fig.4 The scheme of the PV system

(8) 车载安全设备中的安全通信模块接收到RSSP-I安全通信包后，进行安全协议解析和验证，并将验证通过的安全数据提交至安全应用模块进行处理。

在相同条件下，分别对固定步长的电导增量法（方法 1）、可变步长（方法 2）、自动缩放变步长 （方法3）与改进的自动缩放变步长MPPT法（N=2）（方法 4）进行了比较。改进的自动缩放变步长MPPT对当N=3与N=4也进行了模拟，来证明方法4的可行性。然后估算光照辐射的突变量：第1秒从1 000 W/m2突变到400 W/m2以及第 2秒从400 W/m2突变到1 000 W/m2。采样周期为50 ms，周期最大步长 为0.02。

3.2 结果与分析

 

光照突变时，光伏输出功率的仿真波形如图5所示。表1为不同的MPPT算法结果的比较，从表中可以容易地得出，改进的自动缩放变步长MPPT算法是最快速有效的。由图5可知，方法1能够快速应对天气突变，光伏输出的平均功率为26.926 4 W，但由于使用的步长（ΔD=ΔDmax=0.02）过大，稳定状态下的振荡引起了功率损耗，导致系统不能产生稳定的输出功率，整个系统输出功率减少。由于方法2，3和4在MPP附近使用较小步长，具有稳定的输出功率，但最大功率跟踪速度没有固定步长法快。方法4的MPPT效率高达97.81%，表现出良好的动态响应，跟踪时间分别是0.088 s和0.087 s。改进的自动缩放变步长法跟踪到最大功率点的时间都很短，系统的输出功率稳定，动态响应迅速。

在光照突变条件下，方法4在收敛速度、输出的功率以及最大功率的追踪效率等方面均优于其他传统方法。这4种方法的跟踪性能均与每个周期功率开关管MOSFET占空比的改变量ΔD有关。为了验证步长ΔD对系统跟踪性能的影响，本文对方法3，4的跟踪步长ΔD进行比较，如图6所示。

  

图5 光照突变条件下的仿真波形Fig.5 Simulation waveforms under the irradiance change condition

 

表1 不同的方法结果的比较Table 1 Comparison of results of different methods

  

M P P T控制方式 平均功率/W M P P T效率/% 跟踪时间/s方法1 2 6.9 2 6 4 9 2.2 2 0.1 5 9 0.0 5 8方法2 2 8.6 3 9 5 9 6.2 4 0.5 7 0 0.4 8 7方法3 2 8.9 5 5 7 9 7.7 0 0.1 2 7 0.1 4 7方法 4（N=2） 2 8.9 8 3 1 9 7.8 1 0.0 8 8 0.0 8 7

  

图6 两种方法步长变化曲线图Fig.6 Step change curve of two methods

由图5，6可知，在最大功率点附近，跟踪步长近似为0，即ΔD的值很小。当光照突变时，本文方法能够加快跟踪最大功率的速度，提高追踪性能。对比表明，改进的自动缩放变步长在光照强度剧烈变化的条件下，通过调节跟踪步长ΔD，保证最大功率跟踪系统具有更好的动态响应速度和跟踪精度。

地质勘查资料是对矿区中各矿体的各种地质特性观测的结果。齐波夫定律认为矿体是观测对象的函数。人们对矿床（体）的认识深浅程度，反映了观察者的认识和理解能力及其思维活动能力的特性。一个矿床（体）的赋存条件及其是否能被人们所发现，在很大程度上取决于观察者对其认识的水平。齐波夫秩在理论上可以取到无穷大，齐波夫秩越大，预测值越趋近于0。地质相关行业标准决定齐波夫取值范围，即预测值不应小于最小工业矿床储量。

4 结束语

本文提出了一种改进的自动缩放变步长方法实现MPPT。与固定步长方法、变步长方法和自动缩放的变步长方法相比，本文的最大功率跟踪方法在光照和温度聚变的情况下，依然具有较好的动态响应和稳定的输出功率，达到较好的控制效果。

参考文献：

[1]焦阳，宋强，刘文华．光伏电池实用仿真模型及光伏发电系统仿真[J]．电网技术，2011，34（11）：198-202．

[2]李春华，朱新坚．光伏/燃料电池联合发电系统的建模和性能分析[J]．电网技术，2009，33（12）：88-92．

[3]周建良，王冰，张一鸣.基于实测数据的光伏阵列参数辨识与输出功率预测[J].可再生能源，2012，30（7）：1-4.

[3]黄志鹏，潘三博．模型预测控制结合黄金分割点法的MPPT 控制[J]．可再生能源，2016，34（12）：1677-1771．

[5]刘邦银，段善旭，刘飞，等．基于改进扰动观察法的光伏阵列最大功率点跟踪 [J]．电工技术学报，2009，24（6）：91-94．

[6]查晓锐，王冰，黄存荣，等.一种基于遗传算法的光伏阵列参数辨识方法 [J].可再生能源，2014，32（8）：1075-1080.

[7]赵争鸣，陈剑，孙晓瑛，等．太阳能光伏发电最大功率点跟踪技术 [M]．北京：电子工业出版社，2012.49-78，92-93.

[8]周林，武剑，栗秋华，等．光伏阵列最大功率点跟踪控制方法综述[J]．高电压技术，2008，34（6）：1145-1154.

[9]H Koizumi， T Mizuno， T Kaito， et al.A novel microcontroller for grid connected photovoltaic systems[J].IEEE Transactions on Industrial Electronics，2006，53（6）：1889-1897.

[10]F Liu，S Duan，F Liu， et al.A variable step size INC MPPT method for PV systems[J].IEEE Trans.Industr.Electron，2008，55（7）：2622-2628.

[11]E M Ahmed，M Shoyama.Highly efficient variablestep-size maximum power point tracker for PV systems[A].Electrical and Electronics Engineering（IEEE），2010 3rd International Symposium on[C].Galati：IEEE，2010.112-117.

[12]A Pandey， N Dasgupta， A K Mukerjee.Design issues in implementing MPPT for improved tracking and dynamic performance[A].IEEE Industrial Electronics，IECON 2006-32nd Annual Conference on[C].Paris：IEEE，2006.4387-4391.

[13]彭会锋，孙建平，曹相春，等．基于功率占空比微分曲线的光伏系统MPPT算法 [J]．电力设备自动化，2013，33（6）：124-127.