基于分段控制的光伏全工况MPPT研究.pdf

D0I:10.13878/ki.jnuist.20220427001方胜利1马春艳侯贸军朱朱晓亮?基于分段控制的光伏全工况MPPT研究摘要光伏（PV）阵列输出特性随运行环境及自身工况的变化而变化.为满足不同工况下最大功率点跟踪（MPPT）控制需求，在对光伏阵列各工况下输出特性进行分析的基础上，提出了一种改进量子粒子群算法（QPSO）与扰动观察法相结合的MPPT分段控制方法.在跟踪控制初期，采用非一致性自适应变异DCWQPSO算法进行最大功率点全局搜索，使功率点快速收敛至最大功率点附近，提高跟踪速度；在跟踪控制后期，采用闭环模糊控制扰动观察法进行最大功率点局部搜索，提高跟踪精度.Matlab仿真结果表明，该分段控制方法在光伏阵列各工况下仅需0.32 s即可完成MPPT，并保持稳定，比其他控制方法具有更快的跟踪速度及更高的跟踪精度，可有效提高光伏发电效率.关键词最大功率点跟踪（MPPT）；全工况；改进量子粒子群算法；闭环模糊控制；光伏发电中图分类号TM912文献标志码A收稿日期2 0 2 2-0 4-2 7资助项目湖北省教育厅科学技术研究中青年人才基金（Q20171802）；2 0 2 2 年度十堰市市级引导性科研项目（2 2 Y04）作者简介方胜利,男，讲师，电力系统智能化监控.qyfsl 1湖北汽车工业学院电气与信息工程学院，十堰,442 0 0 22十堰巨能电力设计有限公司，十堰，442 0 0 00引言光伏发电作为一种清洁环保、取能丰富、补能便捷的发电方式，在当下环境污染、能源短缺背景下得到了越加广泛的应用.但由于光伏阵列的输出功率受光照强度、温度等环境因素影响,且具有典型的非线性特征，故对其进行最大功率点跟踪（Maximum Power Point Tracking，MPPT)是实现光伏发电效率最大化的重要手段.同时光伏阵列在实际运行过程中存在多种工况，如灰尘附着、阴影遮挡、散热不均等，导致其内部各光伏组件的温度、光照的一致性存在差异，使其电气输出呈现单峰或多峰特性2 ,故需采取合适的控制算法以满足各种工况下的MPPT需求.传统MPPT算法包括恒定电压法、扰动观察法（P&O）、电导增量法(INC)等，仅能满足光伏阵列均匀光照工况下的MPPT控制需求，而在非均匀光照工况下易陷人局部最优，无法跟踪到全局最大功率点（M PP）3-6 .粒子群优化算法(ParticleSwarmOptimization,PSO)7、混沌搜索算法8 、遗传算法（GA）9 等进行MPPT 控制,能基本实现多峰输出特性时的MPPT需求,但跟踪时间长、跟踪精度低.文献10 从量子力学角度出发,采用可调参数更少、收敛速度更快、寻优范围更广的量子粒子群算法（QuantumParticle SwarmOptimization，Q PSO）进行MPPT,虽然能准确跟踪到MPP,但仍存在早熟收敛、跟踪速度慢的缺陷.文献11 在QPSO的基础上引人莱维飞行策略增加算法收敛后期粒子种群的多样性,虽然可在一定程度上避免早熟收敛，但跟踪过程中存在输出功率波动较大的问题.文献12-14 提出先进行MPPT全局跟踪、后采用扰动观察法进行MPPT局部跟踪的混合算法,其中文献12 采用负载电压闭环控制算法进行MPP全局跟踪,文献13 采用PSO算法进行MPP全局跟踪，文献14则采用GA算法进行MPP全局跟踪，三者虽然能基本满足MPPT控制需求,但全局跟踪算法中可调参数较多、收敛性较差、易早熟，且局部跟踪算法中采用定步长或开环式模糊变步长控制，导致输出功率波动仍较大，影响其跟踪速度及精度.文献15则提出利用QPSO进行MPP全局跟踪，并在满足一定收敛条件时利用恒定电压法进行MPP局部跟踪，提高了跟踪速度，但在跟踪前期存在早熟风险.文献16 提出一种改进QPSO与INC相结合的控制算法，在惯性权重自适应调整量子粒子群优化算法（DynamicallyChanging Weights Quantum-behaved Particle Swarm Optimization,DC-WQPSO)中引人惯性权重及粒子位置周期性变异以提高MPP全局跟南京信息工统大学学报（自然科学版）,2 0 2 3,15(4):47 8-48 7Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(4):478-487踪能力,但变异过程具有随机性,缺乏理论指导,且MPP局部跟踪时采用定步长INC,不仅对采集电压、电流的硬件要求高，而且一定程度上影响了跟踪速度和精度.基于此，为提高光伏阵列在不同工况下MPPT速度和精度，本文提出一种改进QPSO与扰动观察法相结合的MPPT分段控制方法.跟踪初期，该算法在DCWQPSO的基础上引人非一致性自适应变异进行MPP的全局搜索，当满足一定条件后转入后期定向跟踪，利用闭环模糊控制扰动观察法进行MPP的局部搜索，最终实现高效、精确的MPPT.为验证该控制方法的实用性及优越性，搭建Matlab仿真模型,对其仿真结果进行分析与比较,并给出结论.1光伏组件数学模型光伏电池利用光生伏特效应将光能转换成电能，但由于单个光伏电池电压较低、容量不足，无法投人实际使用，故通常将多个光伏电池经串并联且封装后得到光伏组件.在实际工程应用中，光伏组件数学模型17 为(1)P,=I,V,(2)其中：mp-1n(1 C2Vlse=I ere(1+a T,)Gsps,scmp=Imper(1+aT,)Gsps,Vo=Vocrer(1-cT,)ln(e+bGp),oc(vmm=Vmr(1-cT,)n(e+bCp),rT,=T-TR,Gp=G-GRr,Gsps=G/GR,工况类别工况1均匀受热、均匀光照工况2非均匀受热、均匀光照工况3均匀受热、非均匀光照工况4非均匀受热、非均匀光照479式中：Ip,V,Pp分别表示光伏组件的输出电流、电压、功率;Isc，Vo c，Imp，Vmp 分别表示光伏组件在实际条件下（光强G、温度T）的短路电流、开路电压、最大功率点电流、最大功率点电压;Lerer,Vee,Impe，Vmprer分别表示参考条件下（光强GR、温度TR）的短路电流、开路电压、最大功率点电流、最大功率点电压;Tp,Gp，G s p s 分别表示实际条件下与参考条件下的温度差值、光强差值、光强比值;=0.00251，b=0.0005m/W,c=0.00288-1,均为补偿系数，e2.7 18 2 8，为自然常数.由式(1)一(5)可知,光伏组件输出具有典型非线性特征，且受光强及温度等环境因素影响。2光伏阵列不同工况下的输出特性在实际光伏发电工程中，将多个相同参数的光伏组件经串、并联组成光伏阵列，由光伏阵列向负载供电.本文以3个相同光伏组件串联组成的光伏阵列作为研究对象，各光伏组件的特征参数为：GR=1 000 W/m,Tr=25,Ve c e r =45 V,Is e r e r =5.1 A,Vmpr=35,mper=4.5 A.根据式（1)一(5)进行Matlab建模，而后按照光伏阵列自身工况改变其内部各光伏组件的温度、光照强度.其中按照光伏阵列内部各组件温度、光照强度的一致性进行划分,存在均匀受热-非均匀光照、exrmpVoc工况条件T,=25、T,=40.T;=6 5T,=T2=T;=25T,=25、T 2 =40、T 3=6 5非均匀受热-非均匀光照、非均匀受热-均匀光照及均匀受热-均匀光照等4种典型工况.本文设定4种运(3)行工况参数如表1所示，通过Matlab仿真可得到光伏阵列的P-U输出特性如图1中所示.对仿真数据进行统计，可得到各工况下的最大功率点.（4）3光伏阵列MPPT实现原理由图1可知,光伏阵列的输出电压不同时,输出功率也不同,且在某工况下仅存在唯一的最大功率点，同时该最大功率点会随着自身工况的变化而变(5)化,因此要实现最大功率追踪，就需要调节其电压输出，使其追踪当前工况下最大功率点处的电压，通常表1光伏阵列工况Table 1PV array working conditions温度/光强/(W/m)T,=T2=T;=25G;=G2=G3=1 000G,=G2=G;=1 000Gj=1 000,G2=800,G,=600G,=1 000,G2=800,G,=600最大功率点电压/V最大功率点功率/W105.0099.97106.87100.63472.50464.09312.32323.34方胜利，等.基于分段控制的光伏全工况MPPT研究.480FANG Shengli,et al.MPPT of photovoltaic at all operation conditions based on segmented control.500工况1450工况2400工况3-工况43503001501005000(105.00,472.50)(99.97,464.09)(100.63,323.34)(67.85,264.96)(106.87,312.32)(69.11,262.48)(33.11,150.20)2040图14种典型工况下光伏阵列输出特性Fig.1 Output characteristics of PV array under four typical working conditions16080电压/V100120140采用Boost电路通过调节其电子开关管S的开合占空比D来实现，如图2 所示12 .故光伏阵列MPPT实际上是一个是以输出功率最大化为控制目标、以搜寻最大功率点电压为控制过程、以调节电子开关管占空比为控制手段的不断搜索及寻优过程.1D1PVU1占空比DMPPT控制器PWM发生器载波发生器图2 MPPT实现原理Fig.2 Schematic diagram of MPPT implementation进一步对图1分析可知，按照光伏输出特性曲线的形状进行区分，存在两种不同的输出特性，为获得良好的MPPT性能，需采取不同的MPPT控制方法：1)均匀光照时的单峰特性.此时各光伏组件光照强度相同,无论是否均匀受热（即各组件温度是否相同）,其P-U曲线均存在唯一的极值点，该极值点即为最大功率点.因此在最大功率点跟踪全程均可采用规则性扰动，即通过扰动前后输出功率大小的比较结果进行下一轮的定向扰动，直到其达到最大功率点.2)非均匀光照时的多峰特性.此时各光伏组件光照强度不同，无论是否均匀受热,其P-U曲线均存在多个极值点，但仅有一个极值点为其最大功率点，故不宜全程采用规则性电压扰动，尤其在跟踪初期，容易陷人局部极值点.为取得较好的MPPT效果，首先采用非规则性扰动将功率点扰动至最大功率点附Boost电路近的单峰区间，而后采用规则性扰动将功率点快速扰动至最大功率点，防止功率上下波动.综上可知，为兼顾光伏阵列在各种工况下=C1PWMeSJLOPWMC2=R,U。MPPT需要，在MPPT初期采用非规则性扰动进行全局搜索，探寻最大功率点所在的区域，防止陷入局部极值点，后期采用规则性扰动进行快速局部搜素，以实现功率点的精准定位，最终完成MPP的高效跟踪.4MPP全局搜索算法根据第3部分分析可知，MPP全局搜索需能跳出局部最优，避免陷入局部极值点.当前常见的全局搜索方法包括PSO、SFO、G A、A CO、Q PSO 等集群式仿生智能算法,其中QPSO是针对PSO易陷人局部最优、收敛速度慢等问题引人量子力学特性进行改进的寻优算法，因其可调参数少、收敛性好而被广泛应用.QPSO基于量子力学理论在粒子种群中引人8势阱模型,通过求解薛定谔方程得出波函数，进而计算出粒子在解空间内某一处的概率密度函数，最后通过蒙特卡洛随机模拟算法求得粒子基本方程16 粒子i经过t次迭代后的位置X（t+1）可表示为X,(t+1)=P,(t)In2L;(t)(6)u(12)(14)南京信息工经大学学报（自然科学版）,2 0 2 3,15(4):47 8-48 7Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(4):478-487式中，u为0,1 范围内服从均匀分布的随机数,P（t）,L(t)分别为势阱中心、势阱特征长度,其表达式分别为P;(t)=Pbseti(t)+(1-)Pgbset(t),L;(t)=2 I mbse(t)-X,(t)I,式中，为0,1 范围内服从均匀分布的随机数，Pbeti（t）为粒子i经t次迭代局部最优位置，Pgbes（t)为粒子种群经t次迭代的全局最优位置,X（t）为粒子i迭代前的位置，mbest（t）为粒子种群局部最优位置的平均值,即mel（t)=ZPe s t(（t)/M,M 为粒子群规模.惯性权重是该算法除种群规模及最大迭代次数外唯一的可调参数.为了提高算法搜索效率,通常随迭代次数t从1.0 线性减小至0.5.为防止例子种群早熟收敛或收敛过慢，文献18 提出了惯性权自适应调整的量子粒子群优化算法(DCWQPSO）,将量子粒子群进化速度因子sa和聚集度因子j引人惯性权重的动态调整中,即：=f(sd,ja)=o-Sa+ja2,(8)式中,o,1,2为待定系数,通常取=1、=0.5、入=2 +3(2=0.2,Sd,j可分别表示为Sa=FPgbes(t-1)/F Pges(t),lia=M(t)/FPgbes(t),式中，Fx表示x位置处的粒子适应度,M(t）为t次迭代时粒子种群局部最优适应度的均值，可表示M为 M(t)=ZFL Pbseti/M.i1为克服DCWQPSO算法中粒子种群多样性不高、易陷人局部最优的缺陷，本文在DCWQPSO的基础上对粒子种群进行非一致性自适应变异，以进一步提高粒子的搜索范围及种群多样性，从而提高全局搜索能力.首先对迭代后种群中每个粒子的适应度大小进行升序排序，得到粒子i的排列序号k,则k值越大，适应度越大.即：FX(t)1 FX,(t)2.FX(t)h.FX,(t)M,(10)则粒子i在t次迭代时的变异概率可表示为(11)log(M)式中j为粒子种群聚集度因子，反映了种群的成熟度,计算如式(9）所示.由式（11）可知,粒子变异概率的变化范围约为0.014ja,0.1ja,且随着ja的增大,其变化幅度亦增481大，以便于在粒子种群逐渐成熟的同时提高粒子变异概率，避免陷入局部最优.此外，粒子变异概率随着适应度排列序号k的增大而减小，即粒子适应度值越大，其变异概率越小，以防止变异时破坏最优(7)粒子.确定各粒子变异概率后，采用轮盘赌策略对粒子进行选择性变异，而变异量采用非一致性自适应变异策略19 来确定,即若粒子i被选中变异,则其位置X（t）将变异为 X,(t),其表达式为MX,(t)*=()(0.X-X(0),0,若当前功率点处于MPP右侧时,dP/dU0时,输出电压增大，当前功率点正向右移动;反之，当前功率点向左移动.基于此，本文选择dP/dU和dU作为模糊控制器的输入感应量，通过对其进行模糊化、模糊推理得到扰动步长U，的模糊值,即将U。作为模糊控制器的输出控制量，最后经反模糊得到精确的输出电压扰动步长，从而动态调整扰动步长，提高调节速度.为获得较高的模糊控制精度，同时简化模糊规则、降低模糊控制调节频率，输入感应量dP/dU及输出控制量U.的论域均定义为-5,5，并取相同的模糊变量语言值集合（负大、负中、负小、零、正小、收敛依据,如式(15)所示：方胜利，等.基于分段控制的光伏全工况MPPT研究.484FANG Shengli,et al.MPPT of photovoltaic at all operation conditions based on segmented control.正中、正大），对应的模糊子集记为：dP/dU,U。=使算法收敛后停止更新粒子位置，并切换为闭环模(NB,NM,NS,ZO,PB,PM,PS),输人感应量dU论域糊控制扰动观察法进行MPP的局部跟踪.而在全局定义为-1,1,模糊变量语言值取负、零、正,对应搜索过程中,粒子位置（即PWM波占空比D;,i=1，的模糊子集dU=N,ZO,P,三者的隶属度函数曲2，,N）的标准差反映了粒子种群的分散程度，线如图6 所示，根据其输出特性设计模糊控制规则体现了全局搜索进程，是对当前粒子种群收敛程度如表2 所示.的量化，即标准差越大，则粒子群收敛程度越低，反之,则粒子群收敛程度越高.基于此，故本文以表2 模糊控制规则MPP全局搜索过程中粒子位置标准差的大小作为Table 2Fuzzy control ruleU.dUNBNMNSNNMNSZONSPNB本文按照表2 的控制规则采用Mamdani法进行模糊推理，而后采用通用的重心法（COA）进行反模糊输出U。的单一精确值.该输出也即光伏阵列参考输出电压Urer与当前输出电压U之间的误差量.为进一步减小系统波动、消除稳态误差，提高控制精度，将该误差量作为PID控制器输入量，经PI运算后输出占空比D,最后通过PWM发生器输出Boost电路中电子开关管的驱动信号，进行高精度的闭环控制，最终完成光伏阵列MPP的局部高效搜索，使工作点稳定在MPP处.6全局搜索到局部搜索的切换控制为实现光伏阵列高效的MPPT控制，需在非一致性自适应变异DCWQPSO算法中加入收敛判据，1.0/NBNM0.80.60.50.20-5-4-3-2-1012345dPldUa.输人感应量dPldU隶属度函数曲线1.0NENM0.80.60.40.20-5-4-3-2-1012345Uc.输出控制量U隶属度函数曲线图6 输人输出变量隶属度函数曲线Fig.6 Membership function curves of input and output variables2(D.-2D)ZOPSZOPSNSNSNBNSNSPMPSPBZOPSNSZOZOPSPBPBPSPSPSPMPMPBJNS20=8.(15)VN-1本文取8=0.0 2,即MPPT过程中先采用非一致性自适应DCWQPSO算法进行MPP全局搜索，直到0.02时,切换为闭环模糊控制扰动观察法进行MPP的局部跟踪.7工况改变时重启条件当光伏阵列工况发生改变时，需要重启最大功率点跟踪过程，即先全局搜索后局部搜索，本文设置寻优重启条件，如式（16)所示：P,-P,-10.1,P-1其中，P,P,-1分别为光伏阵列转人局部搜索条件下前后两次采样时刻的输出功率值.8仿真验证根据以上分析，非一致性自适应DCWQPSO算1.0N0.80.60.40.20-10.8 0.6-0.4 0.20dUb.输人感应量dU隶属度函数曲线ZOPS(16)ZOP0.20.40.60.81.0PMPB南京信息工统大学学报（自然科学版）,2 0 2 3,15(4):47 8-48 7Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(4):478-487法与闭环模糊控制扰动观察算法相结合的MPPT分段控制流程如图7 所示.为验证本文提出的非一致性自适应变异DC-WQPSO算法与闭环模糊控制扰动观察法相结合的MPPT分段控制方法在不同静态工况及突变工况下的有效性及优越性，本文设置光伏阵列在0 1 s内处于单峰输出特性的工况2,在1 2 s内处于多峰输出特性的工况3,各工况参数如表1所示，并与文献16 提出的周期变异DCWQPSO与INC相结合的控制算法进行对比.仿真结果如图8 所示.由图8 可知，本文提出的MPPT分段控制方法在两种不同工况下的搜索时间均为0.32 s左右，收敛后的光伏阵列输出功率分别稳定在47 2.3 47 2.5W、32 2.1 32 3.3W，相比于文献16 提出控制算法，不仅跟踪时间更短，并且跟踪精度更高，功率输出波动更小，从而验证了该控制方法在不同工况下的实用性和优越性。9结论本文针对全工况下光伏阵列MPPT问题，在分析光伏各工况下不同输出特性的基础上，阐述了硬开始485件实现电路及其控制原理，并提出了最大功率点全局搜索及局部搜索相结合的分段控制方法.首先采用非一致性自适应变异DCWQPSO算法进行最大功率点全局搜索，并对粒子种群的分散程度进行实时评估，当其满足收敛条件后，再采用闭环模糊扰动观察法对最大功率点进行局部搜索.最后进行了Matlab仿真及分析，对该算法在各种工况下的实用性及相对其他算法的优越性进行验证.由仿真结果可得到以下主要结论：1)非一致性自适应变异DCWQPSO提高了粒子种群全局寻优性能，不仅缩短了种群寻优时间，而且提高了种群收敛后的稳定性.2)非一致性自适应变异DCWQPSO与闭环模糊控制扰动观察法结合的分段控制方法解决了QPSO寻优过程中因粒子不停波动导致输出长时间振荡题.3)本文提出的分段控制算法可满足光伏阵列全工况下MPPT控制需求，在不同静态或动态工况下均能快速、稳定地收敛至最大功率点，相对其他控制算法具有突出的优越性.粒子种群设置（种群规模M、最大迭代次数t）及初始化（粒子初始位置X最优粒子、选代次数t=0)4测量并计算每个粒子(占空比D)对应的适应度值(光伏输出功率P)是满足式(15)粒子种群收敛性依据？更新全局最优粒子、局部最优粒子及其对应的适应度值按照式(6)一(9)更新各粒子位置按照式(10)一(11)计算各粒子变异率否是下闭环模糊控制扰动观察法局部跟踪计算光伏输出功率选代次数t=t+1满足式(16)重启条件？按照式(12)一(14)对粒子种群进行非一致性自适应变异图7 MPPT分段控制流程Fig.7Flow chart of MPPT subsection control方胜利，等.基于分段控制的光伏全工况MPPT研究.486FANG Shengli,et al.MPPT of photovoltaic at all operation conditions based on segmented control.500400300O200100000.20.40.60.81.01.21.41.61.82.0时间/sa.文献16 方法500150400100300S200100000.20.40.60.81.01.21.41.61.82.0时间sb.本文方法图8 动态工况下光伏阵列输出变化曲线Fig.8 Variation curves of PV array output under dynamic operations参考文献References1刘晓博，郭中华.光伏最大功率点跟踪变步长电导增量法的算法优化J.科学技术与工程，2 0 18,18（13）：61-67LIU Xiaobo,GUO Zhonghua.Algorithm optimization ofvariable step-size incremmental conductance method forphotovoltaic maximum power point tracking J.ScienceTechnology and Engineering,2018,18(13):61-672Mirza A F,Ling Q,Javed M Y,et al.Novel MPPT tech-niques for photovoltaic systems under uniform irradianceand partial shading J.Solar Energy,2019,184:628-6483Ahmed J,Salam Z.An improved perturb and observe(P&O）ma x i mu m p o w e r p o i n t t r a c k i n g（M PPT)algorithm for higher efficiency J.Applied Energy,2015,150:97-1084周宏飞，杨旭海，赵咪，等.基于改进模糊控制算法的光伏系统中MPPT控制策略J.石河子大学学报（自然科学版）,2 0 2 0,38（5）：554-559ZHOU Hongfei,YANG Xuhai,ZHAO Mi,et al.MPPTcontrol strategy in photovoltaic system based on improvedfuzzy control algorithm J.Journal of Shihezi University(Natural Science),2020,38(5):554-5595陈景文，张文倩，李晓飞.基于改进电导增量法的光伏MPPT控制J.智慧电力,2 0 2 1,49(9)：47-55CHEN Jingwen，ZH A NG W e n q i a n，LI Xi a o f e i.PhotovoltaicMPPTcontrolbasedonimprovedconductance increment method J.Smart Power,2021,49(9):47-556花赞昊，朱武，郭启明.光伏发电系统MPPT算法研究综述J.电源技术,2 0 2 0,44(12)：18 55-18 58HUA Yunhao,ZHU Wu,GUO Qiming.Review of MPPTalgorithm of photovoltaic power generation system J.15010050000.20.40.60.81.01.21.41.61.82.0时间/50010.20.40.60.81.01.21.4 1.61.82.0时间/Chinese Journal of Power Sources,2020,44（12):1855-18587Dehghani M,Taghipour M,Gharehpetian G B,et al.Opti-mized fuzzy controller for MPPT of grid-connected PVsystems in rapidly changing atmospheric conditions J.Journal of Modern Power Systems and Clean Energy,2021,9(2):376-3838Zhou L,Chen Y,Liu Q,et al.Maximum power pointtracking（M PPT)c o n t r o l o f a p h o t o v o l t a i c s y s t e m b a s e don dual carrier chaotic search JJ.Journal of Control The-ory and Applications,2012,10(2):244-2509Al-Dhaifallah M,Nassef A M,Rezk H,et al.Optimal pa-rameter design of fractional order control based INC-MPPT for PV system J.Solar Energy,2018,159:650-66410 孔德川，牛立元，王建平，等.基于量子粒子群算法的光伏阵列MPPT控制方法研究J.制造业自动化，2014,36(5):86-89KONG Dechuan,NIU Liyuan,WANG Jianping,et al.Study on photovoltaic array MPPT controlling methodbased on quantum particle swarm optimization J.Manu-facturing Automation,2014,36(5):86-8911 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,2 0 2 1,44（2 1）：171-174ZHANG Zhi,ZHOU Yuanyuan,WANG Lin.Applicationof hybrid quantum particle swarm optimization algorithmin MPPT for photovoltaic array J.Modern ElectronicsTechnique,2021,44(21):171-17412 刘建成.局部阴影条件下光伏阵列MPPT模糊控制最优算法J.南京信息工程大学学报（自然科学版），2018,10(4):473-479LIU Jiancheng.Optimal fuzzy control for MPPT of photo-voltaic array under partial shadow conditions J.Journal11上南京信息工经大学学报（自然科学版),2 0 2 3,15(4)：47 8-48 7Journal of Nanjing University of Information Science&Technology(Natural Science Edition),2023,15(4):478-487of Nanjing University of Information Science&Technology（Na t u r a l Sc i e n c e Ed i t i o n),2 0 18,10（4):473-47913Soufi Y,Bechouat M,Kahla S.Fuzzy-PSO controllerdesign for maximum power point tracking in photovoltaicsystem J.International Journal of Hydrogen Energy,2017,42(13):8680-868814郭昆丽，刘璐雨，蔡维正.基于混合算法的光伏多峰值MPPT研究J.电源技术,2 0 2 1,45(8)：10 40-10 43GUO Kunli,LIU Luyu,CAI Weizheng.Research on pho-tovoltaic multi peak MPPT based on hybrid algorithmJ.Chinese Journal of Power Sources,2021,45(8):1040-104315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):101-108HAN Peng,LI Yinhong,HE Xuan,et al.Improved maxi-mum power point tracking method for photovoltaic multi-peak based on quantum-behaved particle swarm optimiza-tion algorithmJ.Automation of Electric Power Systems,2016,40(23):101-10816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，2 0 2 1,42(5):221-229LI Zhijun,ZHANG Yinan,WANG Lijuan,et al.Study ofphotovoltaic multimodal maximum power point trackingFANG ShengliMA Chunyan1 College of Electrical and Information Engineering,Hubei University of Automotive Technology,Shiyan 4420022 Shiyan Juneng Power Design Co.,Ltd.,Shiyan 442000Abstract The output characteristics of photovoltaic(PV)array change with the environmental conditions and run-ning state.In order to meet the control requirements of Maximum Power Point Tracking(MPPT)under dfferent op-eration conditions,a segmented control method combining improved Quantum Particle Swarm Optimization(QPSO)and perturb and observe algorithm is proposed after analyzing the output characteristics of photovoltaic array undervarious working conditions.The inconsistent adaptive mutation DCWQPSO is used to search the maximum powerpoint globally in the initial stage of tracking control to make the power point converge to the maximum power pointquickly in order to improve the tracking speed,then the perturb and observe algorithm based on closed-loop fuzzycontrol is used to search the maximum power point locally to improve the tracking accuracy.The Matlab simulationresults show that the segmented control method can complete MPPT in only 0.32 s under various working conditionsof photovoltaic array and remains stable,which has faster tracking speed and higher tracking accuracy than others,indicating its capacity to improve the efficiency of PV generation effectively.Key words maximum power point tracking(MPPT);all operation conditions;improved QPSO;closed-loop fuzzycontrol;PV power generation487based on improved quantum particle swarm optmizationJ.Acta Energiae Solaris Sinica,2021,42(5):221-22917苏建徽，余世杰，赵为，等.硅太阳电池工程用数学模型J.太阳能学报，2 0 0 1,2 2（4)：40 9-412SU Jianhui,YU Shijie,ZHAO Wei,et al.Investigation onengineering analytical model of silicon solar cells J.Acta Energiae Solaris Sinica,2001,22(4):409-41218黄泽霞，俞