面对日趋严重的能源危机问题，太阳能作为可再生能源发挥着越来越重要的作用[1]。光伏发电作为当前利用太阳能的主要方式之一，其开发和利用得到不断的发展[2]。为了提高光伏发电系统的光电转换效率，应使光伏组件动态地工作在最大功率点附近，因此需要建立并分析光伏电池的数学模型，并匹配合适的MPPT算法找到最大功率点。理想状态下，可认为光伏组件内部的每个光伏电池都工作在相同的环境，其输出是完全相等的，因此光伏组件在日照强度以及工作温度恒定的情况下，其P-U特性曲线存在唯一的最大功率点[3]。

    然而在局部阴影条件下，失配的电池不但对组件输出没有贡献，而且会消耗其余电池产生的能量，导致局部过热，产生热斑效应[4]。当若干个光伏组件串联成光伏阵列时，为了避免产生“热斑”，需要在光伏组件两端并联旁路二极管，当某组件被遮挡时，该旁路二极管导通，使组件的输出特性发生较大变化，显示出多峰值特性[5]。局部阴影下P-U曲线的多峰值特性使系统对最大功率点的跟踪造成了一定的干扰，常规的MPPT算法会使系统陷于局部峰值而无法跟踪到真正的最大功率点，降低了光伏组件对光能的利用率，导致系统的输出功率大幅度降低，造成资源浪费。通过建立局部阴影条件下光伏组件的数学模型，分析P-U曲线的多峰值特性，提出在传统电导增量法跟踪峰值的基础上，通过聚拢峰值扫描判别法实现最大功率点的跟踪，具有一定的实际应用价值。
1 局部阴影下光伏电池的数学模型
    由于单个光伏电池输出的电压和功率都比较低，所以只有由一系列的光伏电池经过合理的串、并联组成的光伏组件才能够达到一定要求的输出等级。根据光伏电池的等效电路可以推出光伏组件的数学模型为：
  
    当光照均一时，传统的最大功率跟踪方法（扰动观察法、电导增量法、恒定电压法等）的效率都在99%以上[6]。然而在局部阴影条件下，位于串联支路上的局部电池会被遮挡，进而形成反向偏置，相当于损耗功率的元件，形成热斑效应，通常采用在光伏组件的串联支路上并联一个旁路二极管来消除热斑效应。由于旁路二极管的影响，光伏组件的输出特性发生了明显的变化，即表现为多峰值曲线，呈现出多个局部最大功率点。在太阳能电池中，当单串阵列组成的太阳能电池受到X种不同强度光照照射时，阵列的I-U曲线将出现X个膝形平台，P-U曲线将出现X个极值点[7]。当光伏组件受到三种不同强度的光照时，结合式(1)和参考文献[8]建立的数学模型可以得到局部阴影条件下光伏组件的输出特性曲线，如图1所示。

    由图1可以看出，在局部阴影条件下，光伏组件的输出特性与光照均一时相比发生了明显的变化，不再表现为单峰值特性，而是出现了多个局部峰值。此时，传统的单峰MPPT算法会让系统工作在某一个局部峰值附近，但无法确保系统工作在最大的峰值点上[9]。若系统内部仅有10%的阵列面积受到阴影遮挡而无法同时达到最大功率点时，其功率就会下降50%[10]。因此针对局部阴影条件下的光伏组件数学模型，需要建立新的MPPT算法，避免系统在多峰值情况下陷入局部峰值而降低输出功率。
2 局部阴影下的聚拢峰值扫描判别法
    为了有效地提高光伏发电系统的输出功率，在均一光照下，常规的单峰值MPPT算法随着光伏技术的发展日趋成熟，并且种类繁多、成效明显，已被广泛应用。由于受到光伏组件结构特性的差异和越来越复杂的环境条件的影响，局部阴影条件下光伏组件中部分单体光伏电池接收的光照强度要小于其他正常的单体光伏电池[11]，光伏组件呈现出明显的多波峰特性，常规的单峰MPPT算法会使系统陷入局部峰值而无法跟踪到真正的最大功率点，造成资源浪费和功率损耗，不利于人们对高效率光电转换的需求。
    通过构建和分析光伏组件的多波峰输出特性曲线，在传统电导增量法跟踪局部峰值的基础上，提出了通过聚拢峰值扫描判别法来实现全局最大功率点的跟踪控制。该算法能够快速扫描从短路电流处到开路电压处之间的所有峰值，并且逐次判断比较对应的功率大小，最终能够准确定位到真正的最大功率点，同时也避免了最大功率点出现在极端情况下(短路电流和开路电压附近处)捕捉失效而无法跟踪的情况，使系统能够全面准确地跟踪最大功率点，时刻都能输出最大功率值。如图2所示。

    聚拢峰值扫描判别法的具体实现步骤为：
    (1)在系统上电后求出短路电流值Isc和开路电压值Uoc，在电导增量法跟踪峰值的基础上，从短路电流处向右搜索相邻的局部峰值点功率PA，从开路电压处向左搜索相邻的局部峰值点功率PB，为了便于辅助分析，在I-U坐标上作出每个局部峰值点的等功率线，如图2中虚线所示。
    (2)判定比较采集到的局部峰值点功率PA和PB的大小：若PA&ge;PB，则说明局部峰值点B位于A点等功率线的下方，在搜索跟踪最大功率点的过程中，B点肯定不是最大功率点，所以应当跳过B点，向左搜索距离B点最近的局部峰值点功率PC；若PA<PB，则说明局部峰值点B位于A点等功率线的上方，A点肯定不是最大功率点，所以可以跳过B点，向右搜索距离A点最近的局部峰值点功率PD。
    (3)比较在PA&ge;PB情况下局部峰值点功率PA和PC的大小，以及在PA<PB情况下局部峰值点功率PB和PD的大小,具体的搜索分析方法参考步骤(2)的实现过程，并且依此类推。
    (4)为了找到全局最大功率点，搜索并比较各种情况下局部峰值点功率的大小，当需要判定的功率点和当前的功率点重合时，就可以判定这个点是全局最大功率点，例如在图3所示的流程控制图中，利用步骤(2)的方法判定PD和PA的大小后，若PD&ge;PA，则系统向右搜索距离A点最近的局部峰值点功率PD，此时系统定位在相同的局部峰值点，PD&equiv;PD，那么就可以知道此种情况下D点是真正的最大功率点。
    局部阴影条件下聚拢峰值扫描判别法的跟踪控制流程图如图3所示。

3 聚拢峰值扫描判别法跟踪的仿真结果分析
    不同的阴影分布对系统的最大功率输出造成了很大的影响，为最大限度地减小被遮挡光伏电池的功率损耗，应使系统滤掉局部峰值点而时刻工作在真正的最大功率点。当并联有旁路二极管的串联光伏电池在局部阴影下受到4种不同强度的入射光照时，光伏系统的I-U曲线将出现4个膝形平台(如图2所示)，对应的P-U曲线就会出现4个极值点。为验证聚拢峰值扫描判别法的可行性，采用TDB125&times;125-72-P光伏面板进行仿真。该面板包含4个旁路二极管，为便于分析，可将其简化为4个串联电池模块。在阴影的作用下，4个电池模块接收到的光照强度分别为1 000 W/m2、800 W/m2、500 W/m2和100 W/m2。通过聚拢峰值扫描判别法对系统进行仿真分析，并在同等条件下与常规的扰动观察法、全局扫描法的输出特性进行了比较，如图4所示。

    通过仿真分析局部阴影情况下3种算法的输出功率特性曲线可知，面对多波峰对系统的干扰，常规的扰动观察法会陷入一个局部峰值，并以此点为最大功率点进行跟踪，输出功率维持在70 W左右，系统的输出功率明显降低了很多；全局扫描法通过整体扫描短路电流和开路电压之间的所有峰值点功率，比较大小后找到最大功率点，但整体扫描比较耗时，跟踪速度慢，不利于系统的动态响应；聚拢峰值扫描判别法能够快速扫描并跟踪最大功率点，功率维持在100 W左右，在每个膝形平台处进行相应的判断避免陷入局部峰值，从而减小了被阴影遮挡的光伏电池引起的功率损耗，在跟踪速度上比全局扫描法快了近一倍，使系统在局部阴影条件下能够快速准确地跟踪到最大功率点，保证可靠有效地输出功率。
    随着新能源技术的日趋成熟和完善，光伏发电系统的广泛应用与推广，导致了系统的安装环境越来越复杂多样化。在实际的应用系统中，光伏组件随时都可能被局部阴影笼罩，其输出特性表现为多个峰值。为避免常规的MPPT算法使系统陷入局部峰值而失效，本文提出的新算法能够逐次扫描并比较每个局部峰值点功率的大小，并快速精确地找到真正的最大功率点，避免了在极端情况下无法跟踪的情况。仿真结果表明，该新算法在局部阴影条件下不会使系统陷入局部峰值，能够迅速准确地跟踪最大功率点，明显提高了系统的光电转换效率，减少了局部电池的功率损耗，具有一定的研究意义和应用价值。
参考文献
[1] 赵玉文．太阳能利用的发展概况和未来趋势[J]．中国电力，2003，36(9)：63-69．
[2] 高金辉，李迎迎，苏军英.一种新颖的孤岛检测方法研究[J]．电力系统保护与控制，2010，38(19)：122-124．
[3] 肖潇，李德英．太阳能光伏建筑一体化应用现状及发展趋势[J]．中国储能，2010，12(2)：12-18．
[4] 周治.并网光伏电站子方阵最佳配置选择[J]．西北水电，2012，3(7)：81-87．
[5] 李宏刚，吕辉，李刚．一种BP神经网络的改进方法及其应用[J]．中国工程科学，2005，7(5)：63-65．
[6] 陈侃，冯琳，贾林壮，等．光伏系统在局部阴影条件下避免困于局部最大功率点跟踪算法研究[J]．可再生能源，2013，31(1)：13-16．
[7] 肖景良，徐政，林崇，等．局部阴影条件下光伏阵列的优化设计[J]．中国电机工程学报，2009，29(11)：119-124．
[8] 刘晓艳，祁新梅，郑寿森，等．局部阴影条件下光伏阵列的建模与分析[J]．电网技术，2010，34(11)：192-197．
[9] 项丽，王冰，李笑宇，等．光伏系统多峰值MPPT控制方法研究[J]．电网与清洁能源，2012，28(8)：68-76．
[10] 吴永忠，邹立珺.光伏电站太阳能电池阵列间距的计算[J]．能源工程，2011，39(1)：39-40．
[11] 陈如亮，崔岩，李大勇，等．光照不均匀情况下光伏组件仿真模型的研究[J]．系统仿真学报，2008，20(7)：1681-1690．