光伏发电系统最大功率点跟踪方法的比较.docx

光伏发电系统最大功率点跟踪方法的比较
随着环境污染、气候变化等问题的日益严峻，在清洁、可再生能源的应用越来越重要的时代，光伏发电系统作为一种非常有前途的能源解决方案得到越来越广泛的使用。光伏发电系统可以将太阳能直接转换为电能，无需使用传统的能源资源，具有成本低、零排放、使用安全等优点。而光伏发电系统最大功率点跟踪技术则是光伏发电系统能够高效率并稳定输出电能的关键所在。
本文将在已有的光伏最大功率点跟踪方法的基础上，分别对比仅基于开环控制的P&O法、基于维纳滤波的P&O法、基于人工神经网络的方法以及模糊控制方法的优缺点，为光伏系统的最大功率点跟踪方法的选用提供参考和建议。
一、基于开环控制的P&O法
P&O法是目前最广泛使用的一种光伏发电系统最大功率点跟踪方法。其主要思路是根据光伏电池的伏安特性曲线，不停地增加或减少光伏电池的工作电压，以测量光伏电池的输出功率，并且比较当前输出功率与前一次的输出功率，从而得到光伏电池的最大输出功率点。然而，由于受到光照、温度、天气等环境因素影响很大，P&O法很难做到稳定的最大功率点跟踪，存在一定的误差。
优点：
P&O法实现简单，无需高精度设备，而且在实际应用中非常广泛。
缺点：
在不稳定的光照条件下，P&O法很难实现准确的最大功率点跟踪。而且，由于其基于开环控制，无法通过反馈控制对受到的干扰进行补偿，导致其跟踪误差较大。同时，当光伏电池输出功率在最大功率点的两侧波动时，P&O法很难实现最大功率点的稳定跟踪。
二、基于维纳滤波的P&O法
为了克服P&O法这种方法的弊端，研究人员尝试引入维纳滤波的方法，利用滤波处理去除环境因素的干扰，提高了最大功率点跟踪的精度和稳定性。
优点：
相比传统的P&O法，基于维纳滤波的P&O法通过滤波器的引入，减少了干扰的影响，从而提高了稳定性和精度。同时，该方法实现简单，不需要过多补偿电路，非常适合中小规模的光伏电站。
缺点：
在实际操作过程中，由于受到滤波器设计和参数调节等原因的影响，基于维纳滤波的P&O法的开销往往需要比传统的P&O法更为昂贵，这一方面限制了该方法在大规模光伏电站中的应用。
三、基于人工神经网络的最大功率点跟踪方法
极限学习机作为一种非监督神经网络，在非线性的近似问题上展现出了很好的性能，也应用于越来越多的领域中。光伏系统最大功率点跟踪也是其中之一。较智能的把握环境因素的适时调整被视为一种能够显著改善最大功率点跟踪结果的方法。极限学习机，EDNN等方法也是在量化环境变量的情况下以及可持续改进控制模型。
优点：
相比P&O法和基于维纳滤波的P&O法，基于人工神经网络的方法具有更好的精确性和实时性。它不仅能够将各种环境因素，例如光照、温度、风力等融入到最大功率点跟踪中，而且能够实现对环境因素的适时调整。同时，人工神经网络的自适应特性也保证了光伏系统的高效率输出。
缺点：
基于人工神经网络方法需要较高的硬件设备和计算资源，需要实现在线训练和反馈调整等操作。
四、模糊控制方法
模糊控制根据输入和输出之间的关系，应用模糊推理的方法进行控制。模糊控制有其自身特定的缺点，比如说如果输出结果靠近一个控制输出的终止效果，那么可能发生振荡问题。但是，模糊控制在最大功率点跟踪中是一个不错的解决方案，因为它借助模糊推理将模糊语言（关于输出的输出功率和输入的光照）转化为连续的控制输入。
优点：
与传统的P&O法相比，模糊控制的跟踪结果更准确。模糊控制方法灵活，能够适应不同的环境变化，使输出功率相对稳定，这一点也是其优势之一。
缺点：
无论是基于开环控制的P&O法，还是其他反馈控制策略的方法，在最大功率点跟踪上有所劣势，需要根据实际环境和应用需求选择不同的跟踪方法。
总的来说，对于目前最广泛采用的P&O法，其实现简单是其优势，但是在不稳定的光照条件下，难以实现准确的最大功率点跟踪。而且由于其基于开环控制，无法通过反馈控制对受到的干扰进行补偿，导致其跟踪误差较大。在实际操作和规模较大的光伏发电站中，基于人工神经网络的跟踪方法可以充分考虑各种环境因素，具有更好的精密度和实时性。最后，模糊控制方法在最大功率点跟踪中也是一个不错的解决方案，具有较高的稳定性和精确性，但它也有自己的缺点，需要在具体应用中进行权衡选择。对于不同规模、不同环境下的光伏发电站，应选用不同的最大功率点跟踪方法以确保能够实现高效率的输出。