文献综述
前言
随着全球能源结构向低碳化转型加速，光伏发电作为最具潜力的可再生能源形式之一，其并网规模持续扩大。在高比例可再生能源接入电网的背景下，电力系统的惯性水平显著下降，频率调节能力面临严峻挑战。传统同步发电机所提供的天然惯性响应正在被逆变器主导的电源所取代，因而对分布式电源提出新的运行要求------不仅要实现最大功率输出，还需具备主动支撑电网稳定的能力。在此背景下，柔性功率点跟踪（Flexible Power Point Tracking, FPPT）技术应运而生，成为连接光伏系统自主发电特性与电网调度需求的关键接口。
FPPT的核心思想在于放弃始终运行于最大功率点（Maximum Power Point, MPP）的传统模式，转而根据上级能量管理系统或电网调度指令，将光伏阵列的工作点调节至某一预设功率参考值。这一机制使得光伏系统能够在必要时主动削减有功出力，参与调频、电压支撑等辅助服务，提升整个电力系统的灵活性与可靠性。然而，在实际运行环境中，尤其是在部分遮阴条件下，光伏阵列的P-V曲线呈现出多峰特征，导致常规MPPT算法极易陷入局部极值，无法准确追踪目标工作点。因此，如何在复杂工况下实现快速、鲁棒且全局最优的功率调节，催生了"全局柔性功率点跟踪"（Global Flexible Power Point Tracking, GFPPT）这一前沿研究方向。
近几年，围绕GFPPT的技术路径不断拓展，涵盖经典控制策略改进、智能优化算法融合以及混合架构设计等多个层面。尽管已有若干综述性文献梳理了MPPT领域的发展脉络，但针对FPPT特别是其在全球搜索意义上的实现机制尚缺乏系统归纳。本文旨在基于最新研究成果，聚焦于GFPPT的技术演进路径，剖析不同方法在应对部分遮阴场景下的适用边界与性能差异，揭示当前研究中存在的共性难题与发展瓶颈，并对未来可能的技术突破方向进行前瞻性讨论。通过整合多篇实证研究与仿真验证成果，力求呈现一个兼具深度与广度的学术图景，为后续理论深化与工程应用提供参考依据。
主体
光伏系统在部分遮阴条件下的非线性输出特性构成了GFPPT研究的基本物理前提。当组件因云层移动、建筑物阴影或积尘等原因受到不均匀光照时，其电流-电压（I-V）和功率-电压（P-V）关系呈现多重局部极大值，形成所谓的"多峰"现象。若控制系统未能识别真正的全局最大功率点（Global Maximum Power Point, GMPP），则可能导致高达30%以上的能量损失 1。而在FPPT框架下，问题进一步复杂化：控制器的目标不再是单一峰值，而是需在多个可行解中选择最符合能效或稳定性要求的操作点。例如，某些应用场景倾向于选择较高电压侧的等功率点，以降低变换器热应力并提高整体转换效率 6。
面对上述挑战，早期研究主要依赖于扫描式（sweeping-based）FPPT方法，即周期性地对整个电压范围执行全范围扫描，获取当前P-V曲线形态后确定目标操作点。这种方法虽理论上能够保证全局收敛，但在动态环境变化频繁的情况下，响应速度慢、能量损耗大，难以满足实时控制需求。此外，频繁的电压扰动也会引发输出波动，影响电能质量。为此，研究者开始探索更具前瞻性的搜索策略，其中基于数值迭代的方法展现出良好前景。
Kumaresan等人提出一种基于割线法（secant method）的改进型GFPPT算法，利用函数逼近原理加快搜索过程 1。该方法通过构建两点之间的斜率估计梯度方向，避免了传统梯度计算所需的微分信息，同时保留了较快的收敛速率。实验结果显示，该算法不仅能在多种遮阴模式下迅速锁定目标功率点，还具备跨越多个局部极值的能力。更为关键的是，作者强调了算法在双侧操作上的灵活性，即无论目标功率位于MPP左侧还是右侧，均可实现稳定跟踪，这对于需要灵活功率调控的应用场景尤为重要。然而，该方法仍依赖初始猜测点的选择，若起始区间远离真实解，则可能延长收敛时间甚至失效。
为进一步提升收敛速度与稳定性，Kumaresan团队后续提出了融合牛顿法（Newton's method）与割线法的混合型GFPPT算法 7。牛顿法以其二次收敛特性著称，但对初值敏感且需精确计算一阶导数；而割线法则以较低计算成本换取稳健性。二者结合后形成的混合策略试图在"速度"与"可靠"之间寻求平衡：初期采用割线法粗略定位潜在区域，随后切换至牛顿法精细逼近最终解。仿真结果表明，相较于传统扰动观察法（P&O）为基础的GFPPT方案，新算法在响应时间和稳态精度方面均有明显改善。值得注意的是，该研究并未完全脱离模型依赖假设，其有效性建立在P-V曲线连续可导的基础之上，对于极端非连续或噪声干扰严重的现场数据，实际表现仍有待验证。
除基于数学优化的经典方法外，元启发式（metaheuristic）算法近年来在GFPPT领域获得广泛关注。这类算法模拟自然界中的生物行为或物理过程，具有较强的全局搜索能力和对复杂地形的适应性。Draoui等人引入小龙虾优化算法（Crayfish Optimization Algorithm, COA）用于MPPT控制，在MATLAB/Simulink平台上验证了其在多峰环境下有效识别GMPP的能力 3。COA通过模拟小龙虾的社会行为与避敌机制，在解空间中进行协同探索与局部开发，表现出良好的抗干扰性和快速响应能力。尽管原文未直接应用于FPPT场景，但其所展示的全局寻优特性为后续扩展至柔性功率控制提供了理论基础。
Mishin与Zhuravlev提出基于蚁群优化（Agent Colony Optimization, ACO）的MPPT策略，明确将其应用于部分遮阴条件下的全局最大功率点追踪 4。不同于传统ACO主要用于离散组合优化问题，该研究将其改造为连续域搜索工具，通过代理个体的信息素沉积与路径更新机制实现对P-V曲面的高效采样。Python与MATLAB联合仿真的结果表明，该算法在不同遮阴模式下均能达到99.7%的追踪准确率，均方根误差（RMSE）低于0.03%，显著优于经典的P&O与增量电导法。尤为突出的是，该算法展现出较强的环境适应能力，能够在辐照度与温度快速变化的情境中维持稳定性能。虽然该研究尚未直接嵌入FPPT架构，但其高精度与强鲁棒性提示我们，此类群体智能算法有望作为GFPPT的核心引擎。
另一种值得关注的混合策略是灰狼优化与扰动观察相结合的GWO-P&O算法 8。该方法采用灰狼优化器（Grey Wolf Optimizer, GWO）完成全局粗搜索阶段，一旦接近GMPP邻域，则切换至P&O进行精细化调整。这种"先全局后局部"的分阶段设计既规避了纯智能算法后期收敛缓慢的问题，又弥补了传统方法易陷局部最优的缺陷。仿真测试显示，该算法在多种复杂遮阴条件下实现了99.95%以上的追踪效率，响应时间缩短至0.04秒以内，且稳态振荡几乎可以忽略。尽管该研究仍聚焦于MPPT而非FPPT，但其架构设计思路极具迁移价值------未来可在FPPT控制器中借鉴类似的层级化决策机制，先由元启发式模块识别所有可能的等功率点，再由规则引擎择优选取最佳操作位置。
人工智能驱动的方法也逐渐进入研究视野。Eze等人系统评述了机器学习、模糊逻辑与遗传算法在MPPT中的集成应用，指出AI技术能够显著增强控制器对外部扰动的感知与预测能力 6。特别地，他们提到扫描粒子群优化（Scanning PSO）在实现近实时收敛方面的优势，暗示该类方法在动态功率调度任务中具备潜力。Wu等人进一步提出一种基于贪心策略的自适应粒子群优化（PSO）算法，通过引入全局最优与局部最优粒子差值动态调整惯性权重与学习因子，缓解标准PSO中存在的振荡剧烈、收敛缓慢等问题 9。该控制策略在部分遮阴条件下有效提升了太阳能利用率，显示出更强的环境适应性。尽管目前多数AI-MPPT研究仍集中于最大功率提取，但其内在的学习与泛化能力为未来实现真正智能化的FPPT奠定了基础。
Anantha等人关注FPPT过程中能量转换效率的优化问题，提出"直接山丘优化"（Direct Hill Optimization）策略，旨在识别包含最高电压操作点的功率峰 5。由于同一功率参考值在多峰P-V曲线上可能存在两个及以上交点，选择更高电压侧的操作点有助于减少电流等级，从而降低功率器件的导通损耗与温升风险。该研究摒弃了完全依赖元启发式搜索的做法，转而采用一种定向爬坡机制，优先探测那些蕴含更高电压潜力的功率峰。仿真结果显示，该方法在保持合理响应速度的同时，有效提升了系统的整体效率。这提示我们，未来的GFPPT不应仅追求"找到目标功率点"，更应考虑"如何最优地实现该目标"。
尽管各类先进算法不断涌现，其实用性仍受限于计算资源、传感器精度与通信延迟等因素。大多数研究仍停留在MATLAB/Simulink仿真层面，仅有少数开展实验验证 1。此外，现有文献普遍缺乏统一的评估标准，不同研究使用的遮阴模型、测试平台与性能指标存在较大差异，难以进行横向比较。例如，有的研究以追踪效率为主要评价指标，而另一些则侧重响应时间或稳态波动水平。这种碎片化的评估体系不利于技术路线的优选与推广。
另一个尚未充分解决的问题是算法的可移植性与通用性。许多高性能算法高度依赖特定硬件配置或理想化建模假设，一旦应用于不同类型或拓扑结构的光伏系统，性能可能大幅下降。此外，随着光伏电站规模扩大，集中式控制面临通信瓶颈，分布式或多代理协调控制成为必然趋势。然而，目前关于GFPPT在多节点系统中的协同机制研究极为有限，尚未形成成熟的理论框架。
部分研究已尝试将FPPT与更高层级的能量管理策略相耦合。例如，Kumaresan等人在最新工作中强调，GFPPT不仅是底层控制功能，更是实现电网频率支撑的重要手段 7。这一视角转变意味着FPPT不再孤立存在，而是嵌入到更大尺度的电力系统运行逻辑之中。未来的研究或将更多关注FPPT与其他辅助服务功能的集成，如无功补偿、电压调节与储能协同控制，推动光伏系统从"被动发电单元"向"主动参与者"角色演进。
总结
光伏全局柔性功率点跟踪（GFPPT）正处于从理论探索向工程实践过渡的关键阶段。现有研究表明，传统基于扫描或扰动的FPPT方法虽具可行性，但在动态性和效率方面存在固有局限。为突破这些限制，研究者正积极探索两类主流技术路径：一类是以割线法、牛顿法为代表的数值优化方法，强调算法收敛性与数学严谨性；另一类则是以蚁群优化、灰狼优化、粒子群优化等为代表的元启发式算法，注重全局搜索能力与环境适应性。近期发展的混合架构，如GWO-P&O与Secant-Newton融合策略，显示出兼顾速度与鲁棒性的潜力，代表了当前较为先进的解决方案。
当前研究仍存在若干亟待解决的问题。首先是算法的实际部署障碍。多数研究成果依赖理想化仿真环境，缺乏真实气候数据与长期运行测试的支持，导致其在复杂工况下的可靠性存疑。其次是评估体系的缺失。缺乏标准化测试协议与公开基准数据集，使得不同方法之间难以公平比较，阻碍了技术路线的筛选与优化。再次是系统级集成不足。现有工作大多局限于单个光伏阵列的控制层面，较少涉及多机协调、通信延迟补偿以及与上级调度系统的联动机制，限制了其在大型电站中的应用前景。
未来的发展方向可能体现在三个方面。其一，深度融合人工智能技术，发展具备在线学习与预测能力的智能FPPT控制器。借助深度神经网络或强化学习框架，系统可提前预判阴影移动趋势并主动调整工作点，实现从"反应式控制"向"预测式调控"的跃迁。其二，推动边缘计算与嵌入式优化，使高级算法能在低成本微控制器上高效运行，提升其实用价值。其三，构建面向GFPPT的标准测试平台与性能评估体系，促进研究成果的可重复性与可比性。
理想的GFPPT方案不应仅仅是一个高效的搜索算法，而应是一个融合物理建模、数据驱动与系统协同的综合性控制架构。它既要能在瞬息万变的自然环境中快速响应，又要服务于更广泛的电网运行目标。唯有如此，才能真正释放光伏系统在现代电力体系中的全部潜能。
参考文献
1 Kumaresan, Anusha, H. D. Tafti, N. Beniwal, N. Gorla, G. Farivar, J. Pou, and G. Konstantinou. "Improved Secant-Based Global Flexible Power Point Tracking in Photovoltaic Systems Under Partial Shading Conditions." IEEE Transactions on Power Electronics 38 (2023): 10383--10395. https://doi.org/10.1109/TPEL.2023.3277580.
2 Elsafi, Abubakar, Akram A. Almohammedi, Mohammed Balfaqih, Zain Balfagih, and Saeed Sabri. "Comparative analysis of maximum power point tracking methods for power optimization in grid tied photovoltaic solar systems." Discover Applied Sciences (2025). https://doi.org/10.1007/s42452-025-07606-w.
3 Draoui, Abdelghani, Ahmed Saidi, Oubelaid Adel, Mohammed Amine Meziane, B. Allaoua, and Abdrabbi Bourezg. "Maximum Power Point Tracking Based on Crayfish Optimization Algorithm for Photovoltaic Systems Operating Under Partial Shading Conditions." In 2024 2nd International Conference on Electrical Engineering and Automatic Control (ICEEAC), pp. 1--8. IEEE, 2024. https://doi.org/10.1109/ICEEAC61226.2024.10576295.
4 Mishin, Aleksandr S., and Oleg V. Zhuravlev. "Enhancing Global Maximum Power Point Tracking in Partically Shaded Photovoltaic Systems Using Agent Colony Optimization." In 2025 7th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE), pp. 1--6. IEEE, 2025. https://doi.org/10.1109/REEPE63962.2025.10971126.
5 Anantha, Sadhana, Vinay Kumar Kolakaluri, and Vaskar Sarkar. "Direct Hill Optimization for the Efficiency Maximizing Flexible Power Point Tracking of a PV Array under Partial Shading." In 2024 IEEE International Conference on Power Electronics, Drives and Energy Systems (PEDES), pp. 1--5. IEEE, 2024. https://doi.org/10.1109/PEDES61459.2024.10961575.
6 Eze, V., P. E. Bubu, Charles Ibeabuchi Mbonu, Ogenyi Fabian C, and Ugwu Chinyere Nneoma. "AI-Driven Optimization of Maximum Power Point Tracking (MPPT) for Enhanced Efficiency in Solar Photovoltaic Systems: A Comparative Analysis of Conventional and Advanced Techniques." INOSR EXPERIMENTAL SCIENCES (2025). https://doi.org/10.59298/inosres/2025/151.6381.
7 Kumaresan, Anusha, H. D. Tafti, G. Farivar, Josep Pou, Kai Strunz, and D. Niyato. "Hybrid Global Flexible Power Point Tracking Algorithm for Photovoltaic Systems." In 2024 Energy Conversion Congress & Expo Europe (ECCE Europe), pp. 1--6. IEEE, 2024. https://doi.org/10.1109/ECCEEurope62508.2024.10751949.
8 Bilal, Leghrib, Bensiali Nadia, and Adjabi Mohamed. "Maximum power point tracking technique based on the grey wolf optimization-perturb and observe hybrid algorithm for photovoltaic systems under partial shading conditions." International Journal of Electrical and Computer Engineering (IJECE) (2025). https://doi.org/10.11591/ijece.v15i4.pp3566-3582.
9 Wu, Bohui, Zhongli Wang, and Jiatong Jiang. "Research on Maximum Power Point Tracking Technology of Adaptive Particle Swarm Optimization Based on Greedy Strategy." In 2024 IEEE 2nd International Conference on Control, Electronics and Computer Technology (ICCECT), pp. 1422--1425. IEEE, 2024. https://doi.org/10.1109/ICCECT60629.2024.10545954.
10 Yaqoob, S. J., Husam Arnoos, N. T. Alwan, Mohit Bajaj, Ietiqal M. Alwan, Mohanad Aljanabi, Basem Abu Zneid, and M. Geremew. "Advanced Maximum Power Point Tracking in Photovoltaic Systems: A Comprehensive Review of Classical, AI‐Based, and Metaheuristic Optimization Techniques." Engineering Reports 7 (2025). https://doi.org/10.1002/eng2.70404.