一种用于动态自遮挡条件下曲面光伏系统最大功率点跟踪（MPPT）的内源性自适应黏菌算法

《Energy Conversion and Management》：An endogenous adaptive slime mould algorithm for curved photovoltaic systems MPPT under dynamic self-shading

弯曲光伏系统的动态多峰最大功率点跟踪难题，传统元启发式算法因固定搜索策略难以适应漂移的GMPP。本文提出闭环控制的Endogenous Adaptive Slime Mould Algorithm（EA-SMA），融合SMA与差分进化（DE）的混合算子，通过种群状态反馈实现参数自适应性调整。实验表明，EA-SMA在标准测试下跟踪时间0.1923秒，步变更时0.3126秒，较传统SMA和P&O分别降低30.27%和79.57%，长期动态测试跟踪效率达99.3%，RMSE降低91.99%。

　　

向麒麟|徐丽杰|袁成清|蔡敬勇

中国厦门集美大学海洋工程学院船舶与海洋工程省级重点实验室，361021

摘要

由于独特的几何形态，曲面光伏（PV）系统面临着由自身阴影效应引起的动态多峰最大功率点跟踪（MPPT）挑战。传统的元启发式算法通常受限于开环固定搜索策略，难以适应不断变化的全球最大功率点（GMPP），导致跟踪响应迟缓或陷入局部最优解。此外，传统的静态或阶跃变化测试无法充分评估算法在真实动态环境中的鲁棒性。为了解决这些问题，本文提出了内生自适应黏菌算法（EA-SMA），并基于测量的秋冬数据建立了长期动态阴影场景。该方法摒弃了传统的开环范式，采用种群状态作为反馈信号，实现控制参数的在线自适应调整。同时，通过结合SMA与差分进化（DE）的混合运算器和混合收敛机制，智能平衡全局探索和局部利用。实验结果表明，EA-SMA在标准条件和阶跃变化条件下的平均跟踪时间分别为0.1923秒和0.3126秒，相比SMA和扰动观察（Perturb and Observe）等算法分别提高了30.27%和79.57%。此外，在长期实际动态条件下，其平均跟踪效率在秋季和冬季测试中分别达到了99.3%和99.29%，能量产出分别提高了2.23%和30.54%，最小均方根误差（RMSE）为0.5509瓦，相比SMA降低了91.99%。

引言

随着全球能源结构向低碳解决方案转型，光伏（PV）应用不再局限于传统的地面电站，而是逐渐发展为分布式、多样化和环境融合的方向[1]、[2]、[3]。在这一趋势下，建筑集成光伏（BIPV）和车辆集成光伏（VIPV）等新兴领域推动了适应不规则表面的曲面和柔性PV技术的发展[4]、[5]。然而，曲面PV系统的独特几何形态虽然提升了美观性和空间利用率，但也引入了复杂的照明条件和固有的阴影问题[6]、[7]、[8]。随着太阳的移动，模块的曲率导致的阴影区域和强度会不断变化[9]、[10]、[11]。这种由系统自身形态决定的非均匀辐照度，在电气上等同于高度动态变化的局部阴影条件（PSC）。这导致功率-电压（P-V）特性曲线出现复杂的多峰形状，以及全球最大功率点（GMPP）的持续漂移[7]、[12]。显然，这种由阴影效应引起的高度动态PSC场景对MPPT算法的跟踪速度、适应性和全局搜索鲁棒性提出了更高的要求。

目前，主流的MPPT控制策略主要分为传统算法和智能优化算法。传统算法如扰动观察（P&O）和增量电导（INC）由于其结构简单和部署成本低，在均匀辐照度条件下表现出优异的跟踪性能[13]、[14]、[15]。然而，当PV系统在PSC条件下呈现多峰P-V曲线时，这些基于梯度的局部搜索算法容易陷入局部最大功率点（LMPP），导致严重的功率损失，无法满足曲面PV系统等复杂场景的优化要求[16]、[17]。为克服这一限制，元启发式智能优化算法如粒子群优化（PSO）、灰狼优化器（GWO）和黏菌算法（SMA）已被引入MPPT领域[18]、[19]、[20]。依靠其内在的随机性和全局探索机制，这些算法理论上能够逃离局部极值并锁定到GMPP。

为了进一步提高复杂PSC环境下的收敛性能和稳定性，近年来进行了大量改进研究，主要集中在搜索机制的优化和混合策略的融合上。在搜索机制改进方面，研究人员尝试调整算法的更新逻辑，以平衡全局探索和局部利用能力。例如，混合粒子群优化（HPSO）算法通过修改更新策略，在特定静态PSC情况下提高了收敛速度[21]；增强型自主群组粒子群优化（EAGPSO）通过简化更新机制和优化加速系数，在阶跃变化PSC条件下表现出更好的动态性能[22]。同样，改进的自适应贾亚优化（MAJO）算法用自适应占空比替代了随机初始化，并引入了动态权重因子，有效加速了收敛过程[23]。

在混合策略方面，不同算法优势的互补性成为研究热点。例如，将混沌映射理论与GWO（LGWO）结合，利用混沌序列的遍历性增强全局搜索能力[24]，或将GWO与Nelder-Mead单纯形方法（GWO-NM）结合，以平衡全局搜索范围和局部搜索精度[25]。此外，海洋捕食者算法与PSO（MPA-PSO）[26]以及差分进化（DE）与双积分滑模控制（DE-DISMC）[27]的融合，在缩短收敛时间和提高响应速度方面取得了进展。最近的研究还强调了先进混合策略在提升系统动态性能中的应用。例如，萤火虫算法与PSO（FA-PSO）[28]通过直接数学融合算法运算器实现了理论平衡，而改进的入侵杂草优化与P&O（MIWO-P&O）[29]利用多阶段搜索机制在全局探索和局部开发之间切换，从而提高了系统稳定性和收敛时间。

随着人工智能的发展，基于神经网络的MPPT方法也应运而生。例如，将GWO与自适应深度神经网络（GWO-AL-DNN）结合，利用GWO动态调整网络权重和学习率以提高适应性[30]；将河马优化算法与卷积Kolmogorov-Arnold网络（HO-CKAN）融合，利用预测模型有效减少跟踪误差[31]。此外，还应用了基于物理浮力机制的阿基米德优化算法（AOA）[32]。还有研究提出了元优化策略，其中外环算法优化内环PSO的参数，然后执行MPPT任务，在特定PSC条件下实现比标准PSO更高的能量产出[33]。

尽管上述策略在不同程度上提高了MPPT性能，但现有研究在处理曲面PV系统时仍存在某些局限性。首先，在验证场景方面，大多数研究主要集中在静态或阶跃变化的局部阴影条件上，很少涉及由于曲面PV自阴影导致P-V特性曲线随时间连续变化的动态PSC场景，且在长期实际复杂天气条件下的算法鲁棒性验证不足。其次，在控制范式方面，大多数算法仍采用由固定迭代次数驱动的开环搜索模式。它们的控制参数和平衡探索与利用的策略在操作前预先设定，无法根据P-V曲线的实时状态进行在线调整。面对曲面PV系统连续且快速变化的PSC环境，这种僵化的搜索策略可能导致跟踪滞后，甚至在极端环境变化时丢失全局峰值。

为了解决这些挑战，本文提出了一种名为内生自适应黏菌算法（EA-SMA）的新MPPT方法。该方法摒弃了传统的开环范式，通过状态驱动的闭环控制框架实现参数的在线自适应调整。这使得算法能够感知P-V曲线的实时动态特征，智能地在全局探索和局部利用之间切换搜索策略，并结合混合收敛机制，平衡动态响应速度和稳态跟踪精度。此外，为了解决现有研究中缺乏动态场景验证的问题，本文基于测量的环境数据构建了长期动态阴影场景，从而提供了对所提算法在真实复杂环境中鲁棒性和有效性的更全面和客观的评估。

本文的其余部分组织如下：第2节详细介绍了EA-SMA算法；第3节介绍了曲面PV系统的建模；第4节基于测量的环境数据，通过不同的阴影情况和模拟，对EA-SMA的性能进行了全面的比较验证和讨论；第5节总结了本文。

部分摘录

提出的EA-SMA

为有效解决曲面PV系统在动态自阴影条件下面临的不断变化的P-V特性曲线的GMPP跟踪问题，本文提出了一种名为内生自适应黏菌算法（EA-SMA）的新MPPT方法。EA-SMA的核心设计理念是构建一个以种群多样性为核心反馈信号的状态驱动闭环控制框架。这使得算法能够感知自身的搜索状态

曲面光伏系统的建模

为了全面系统地验证第2节提出的EA-SMA算法的性能，本节构建了一个针对曲面光伏应用的仿真模型。该模型使用MATLAB/Simulink构建，其结构如图2所示。模型包括PV阵列、Boost型DC/DC转换器、MPPT控制器和电阻负载。PV阵列的输出电压$V_{\mathrm{pv}}$

结果与讨论

为了全面评估第2节提出的EA-SMA的性能，本节基于第3节构建的仿真平台进行了系统性能测试和深入讨论。首先，在标准测试条件（STC）下评估了算法的基本性能。随后，设置辐照度阶跃变化和负载阶跃变化场景来测试算法的全局搜索能力和动态响应速度。接下来，进行了实际场景的测试

结论

为了解决曲面PV系统中固有的动态自阴影问题，本文提出了内生自适应黏菌算法（EA-SMA）。本研究的主要理论贡献是从传统的开环搜索策略转向状态驱动的闭环控制框架。通过将SMA与差分进化（DE）结合，并建立内生反馈机制，该框架有效平衡了自适应全局探索和稳态

CRediT作者贡献声明

向麒麟：撰写——原始草案，可视化，验证，方法论，调查，数据整理。徐丽杰：资源，方法论，资金获取。袁成清：监督，概念化。蔡敬勇：监督，方法论。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本研究工作得到了国家自然科学基金（52201410）的支持。