手头有做光伏发电控制的朋友应该都懂MPPT这三个字的含金量。传统的扰动观察法、电导增量法在光照均匀时都很能打但一旦组件被云朵、建筑物、落叶遮住半边P-V曲线出现多峰这批“单峰猎人”就全抓瞎了系统可能直接锁定在局部功率极值点上白白损失能量。这几年我陆续做过好几个光伏并网和独立供电的仿真项目试着用群体智能算法去解决这个痛点其中落地效果最直观、代码逻辑最容易讲清楚的就是用粒子群算法PSO去改造MPPT控制策略配合Simulink环境做闭环验证。这篇文章就把整个建模思路、仿真细节、调参经验一次性讲透给正在被局部遮阴问题折磨的工程师和学生党一份可以直接“抄作业”的参考。这篇内容涉及的Simulink仿真实现方案我已经在项目里跑通了核心思路是光伏阵列按“串联组件旁路二极管”的方式建模加入两块组件照度不同的遮阴工况用PSO算法替代传统爬山逻辑去搜索全局最大功率点Boost电路负责升压和实现阻抗匹配整个控制环在Simulink里搭成离散系统跑通闭环。无论你是刚接触MPPT算法选型的研究生还是已经在用传统MPPT做产品、想往智能算法方向升级的工程师都可以参考这套实现路径。大家按步骤操作基本都能复现出稳定的多峰寻优效果下面进入正题。1. 内容整体设计与思路拆解1.1 为什么局部遮阴会让传统MPPT失效先看物理层面的成因。光伏组件的单体电池本质上是一个大面积PN结当某一串电池被遮挡时被遮挡部分从发电单元变成耗电单元组件内部会产生热斑效应。工程上常规解法是给每个电池串反向并联一个旁路二极管让被遮住的电流走二极管绕过去但代价是P-V曲线从单峰变成多峰——多个旁路二极管被逐个导通时每一个导通组合对应一个局部功率峰值整个输出特性变成一个“群山”地形。我实测过一组典型数据两串组件串联一串照度1000W/m²、另一串500W/m²时曲线会出现一大一小两个峰值。如果你用传统扰动观察法启动点落在哪个峰的坡上就会收敛到哪个峰。假设落在小峰上损失功率可能超过30%。在大型地面电站里这种因为云层移动造成的瞬时损失累积起来非常惊人。所以问题的本质是你需要的不是一个能快速爬上山坡的算法而是一个能判别“哪个山峰更高”的算法。1.2 PSO凭什么能胜任多峰寻优粒子群算法的思路说白了很朴素一群粒子在解空间里飞每个粒子记录自己找到过的最好位置pbest整个群体共享全局最好位置gbest飞行速度由这两个位置共同牵引。放到MPPT场景中粒子位置对应Boost变换器的占空比D适应度函数对应光伏阵列在某个D下实际输出的功率P。这个机制在处理多峰问题时有天然优势粒子群初始化时是均匀撒在解空间里的比如占空比从0.1撒到0.9每个粒子独立采一次样相当于你同时派出多个侦察兵去勘察不同山坡的高度。各粒子根据局部信息调整速度不会像爬山法那样“只见树木不见森林”。更重要的是PSO的全局搜索能力可以通过惯性权重和速度上限来调节——前期大权重全局搜索后期小权重局部精修这和“先广撒网、再重点突破”的工程直觉完全一致。对比其他算法遗传算法GA需要编码、选择、交叉、变异环节多、参数多在单片机或DSP上实现偏重差分进化DE收敛快但容易早熟而PSO结构最简单位置和速度更新就两条公式调参维度只有惯性权重、学习因子、粒子数和迭代数非常适合嵌入到实时控制周期里。1.3 Simulink建模的整体策略从系统级看整个仿真模型由四块拼接而成光伏阵列模型负责模拟光照变化和遮阴工况输出I-V/P-V特性Boost变换器模型负责升压和功率传输占空比D由MPPT算法给定PSO-MPPT控制器采集光伏输出电压和电流计算出功率迭代寻优后输出最优D可变负载模型模拟后级电路对功率的需求我在搭建时采用的策略是“光伏阵列用数学方程级建模电能变换用电路级建模”这样既保留了P-V曲线的物理精度又不用去搭复杂的电池单元等效电路仿真速度能快不少。PSO-MPPT控制器用Matlab Function写在S-Function里实现这样后续如果要生成C代码移植到嵌入式平台基本是无缝迁移的。1.4 方案选型背后的考量有人可能会问既然Simulink自带了光伏阵列模型PV Array和MPPT控制器库为什么非得自己写PSO我的看法是Simulink内置的MPPT控制器只有扰动观察法和电导增量法都是为了单峰曲线设计的拿来应对局部遮阴直接投降。而PV Array模型虽然能做遮阴模拟通过设置子串数和光照但它输出的是电气端口模型直接连PSO控制器需要自己封装接口和采样逻辑绕一圈不如自己建模来得顺手。自建模型还有一个好处你可以把光照、温度、粒子维度、迭代次数全部参数化成变量做批量仿真的时候直接在脚本里改数值就行非常方便跑参数扫描和批量对比实验。我后续做“阴影率从5%扫描到80%”的损耗分析就是在这个自建模型基础上加了一层循环脚本完成的。2. 核心细节解析与实操要点2.1 局部遮阴特性下光伏阵列模型的搭建细节模型核心是光伏电池的五参数等效电路方程I Iph - Io × (exp((V Rs×I)/(n×Vt)) - 1) - (V Rs×I)/Rsh其中Iph是光生电流正比于光照强度Io是反向饱和电流n是理想因子Vt是热电压Rs和Rsh分别是串联电阻和并联电阻。在Simulink里我把这个方程封装成一个Matlab Function输入是端口电压和当前光照强度输出是端口电流。对于局部遮阴模拟我将组件按内部电池串数量拆分成N串每一串独立计算I-V特性然后串联相加。关键点在于每串并联一个理想二极管模拟旁路二极管的行为当该串电流大于其光生电流时该串电压反向二极管导通把该串短路掉。实操中有几个容易踩坑的细节。一是二极管建模不能直接用Simulink库里的Diode元件否则仿真步长会被二极管反向恢复过程拖得极慢我一开始就是吃了这个亏仿真时间短则几十秒长则几分钟跳一步。正确的做法是用受控电压源加导通判断逻辑来等效二极管行为速度提升明显。二是串联方式下整个阵列的电压是各子串电压之和电流是统一的串电流如果直接用“并联电压源”的方式建模会出现代数环报错。收敛性比较差的时候可以在每个子串的输出端串联一个10毫欧级的小电阻能显著提升求解器稳定性。2.2 辐照度跳变与阴影模式切换的建模技巧局部遮阴不是静态工况云层飘过、树影移动都会造成阴影模式的突变。所以在仿真模型里我定义了两个shadowProfile切换信号。默认工况是“无阴影、双峰、单峰”三种模式循环切换时间点分别设在00.25s、0.250.5s、0.50.75s。这样一条仿真时间轴里就能看到算法在不同地形特征下的搜索表现。实现上并没有在光伏阵列内部做复杂的切换逻辑而是用一个Signal Builder或者Step序列模块直接驱动“光强输入”接口。例子组件1光照固定为1000W/m²组件2光照在0.25s从800W/m²骤降到300W/m²。当两条子串光照差异拉大时P-V曲线的第二峰通常位于高电压端幅值上升甚至反超第一峰此时如果MPPT算法还锁在低电压峰上就会丢失最优工作点。把这个跳变做出来就是为了检验PSO算法有没有能力“察觉”到地形变化然后主动跳出旧的最优点、重新搜索。这里值得提醒一句PSO算法如果持续工作它会不断随机扰动当前最优占空比来重新搜索这在工程上有一个专用说法叫“持续激励”。但粒子无休止扰动会造成系统输出功率纹波变大。更合理的做法是主控负责维持最优工作点同时用一个小幅度的功率导数判断逻辑监测曲线是否发生变化只有检测到明显变化时才重新触发PSO搜索。我在Simulink里就是用一个脉冲信号作为“重搜索触发开关”这样既保持了动态响应速度又不会让稳态纹波超标。2.3 Boost变换器参数设计与离散化实现Boost变换器在这个系统里的作用不只是升压它的核心任务是实现光伏阵列与负载之间的阻抗匹配——通过调节占空比D让变换器输入端的等效电阻等于光伏阵列最优工作点处的动态电阻这样功率传输才能最大化。我用的参数是实际工程中很常规的一组输入电容Cin为470μF吸收光伏阵列输出电压的开关纹波电感L为2.2mH输出电容Co为1000μF开关频率fsw为20kHz负载电阻设计在24Ω。在这个参数下Boost变换器在连续导通模式CCM下的电压增益公式为Vout Vin / (1 - D)占空比D理论范围0.10.9实际我限制在0.20.8之间避免极端占空比带来的控制困难。离散化实现上需要注意控制器的采样频率。MPPT算法本身不需要在每个开关周期都执行——功率计算需要电压电流的稳态值开关纹波会影响计算精度。我采用的是50kHz采样率下做均值滤波得到5ms平滑后的功率值再喂给PSO算法做适应度评估。对应到Simulink里就是在采样保持模块Sample and Hold之前加了一个一阶低通滤波器截止频率设在100Hz左右。这步非常重要不做均值处理的原始信号PSO算法在每次采样时读到的功率值都会被开关纹波污染导致粒子位置评估结果抖动严重收敛速度大幅下降。3. 实操过程与核心环节实现3.1 光伏组件参数设置与P-V曲线标定开始搭建模型之前先设置光伏阵列的具体电气参数。我选的是单块250W规格的多晶硅组件参数开路电压Voc 37.5V短路电流Isc 8.5A最大功率点电压Vmp 30V最大功率点电流Imp 8.33A。仿真中我把两个这样的组件串联形成一条“两串一串”的阵列期望总开路电压约75V最大功率约500W。这两个数值决定了Boost变换器的电压变换比和负载电阻的选取所以第一步必须标定清楚。在Simulink里设置好组件参数后我先拉出I-V和P-V曲线看一眼用Ramp信号从0V扫描到80V通过Controlled Voltage Source控制阵列端口电压测量回路电流和功率。标准光照下曲线应该在60V附近出现唯一极点大约在490W左右当第二块组件的光照跌到300W/m²时旁路二极管开始导通2535V区间出现一个低电压峰、60V附近出现高电压峰两极分别约200W和230W——具体比例由遮阴块数和旁路二极管的钳位电压决定。这一步标定的意义在于后面所有PSO寻优结果都要和这两组手工标定的极值点对照来判断算法是否找对了地方。3.2 PSO寻优逻辑的算法实现与代码解读核心PSO算法我放在Matlab Function里完整代码如下注释已按执行顺序标注function Dout PSO_MPPT(Ipv, Vpv, Dprev) % 输入分别为光伏电流、电压和上一周期占空比 persistent swarm positions velocities pbest gbest pbestVal gbestVal initFlag cnt % 初始化参数可以由外部常数结构体传入这里直接写在代码里便于理解 if isempty(initFlag) initFlag 1; swarm 8; % 粒子数量 maxIter 12; % 每一轮搜索的最大迭代次数 w 0.6; % 惯性权重 c1 1.8; % 个体学习因子 c2 2.0; % 群体学习因子 dmin 0.2; % 占空比下限 dmax 0.8; % 占空比上限 positions linspace(dmin 0.02, dmax - 0.02, swarm); velocities rand(swarm, 1) * 0.02 - 0.01; pbest positions; gbest 0.5; pbestVal zeros(swarm, 1); gbestVal 0; cnt 0; end % 计算当前粒子位置对应的功率 Ppv Ipv * Vpv; if cnt 1 cnt cnt 1; else cnt 0; end % 将当前功率作为某个粒子的适应度进行评估 idx mod(cnt, swarm) 1; if Ppv pbestVal(idx) pbestVal(idx) Ppv; pbest(idx) Dprev; end if Ppv gbestVal gbestVal Ppv; gbest Dprev; end % 下一迭代周期逐步收敛 velocities w * velocities c1*rand*(pbest - positions) c2*rand*(gbest - positions); positions positions velocities; positions min(max(positions, dmin), dmax); Dout positions(idx); end这段代码的工程逻辑是“分段评估”式的主控每个控制周期从代码入口拿一次电压电流值当当前粒子位置和实际占空比输出对应上之后计算一次功率并更新这个粒子的pbest所有粒子依次完成评估后群体gbest自然收敛到全局最优。这种实现方式比一次性评估所有粒子要慢但好处是无需在Simulink里维护复杂的状态机适合在控制周期里以“中断服务函数”的方式调用。实际项目中你可以根据仿真速度把粒子数从8提高到1216粒子越多搜索空间覆盖率越高但在执行体能上也会线性增长。在仿真环境里这个成本可以忽略但如果日后移植到数字信号处理器DSP上每个粒子在一次迭代中需要对应一次独立的占空比输出和功率采样就需要认真考虑算力开销。3.3 遮阴工况仿真与PSO-MPPT收敛性能判定仿真时间我设置为1秒在00.25s处于标准光照0.250.5s进入两串光照分别为1000W/m²和800W/m²的轻度失衡工况0.51s进入重度失衡工况第二串光照300W/m²。仿真算法选择定步长ode3固定步长设为1微秒这样既能跑出开关纹波细节又不至于仿真时间过长。第一个观察窗口是00.25s。PSO初始化后粒子均匀分布在0.20.8占空比区间8个粒子相当于在整条搜索曲线上做了8次采样。由于标准光照是单峰曲线粒子会快速收敛到最优占空比附近。实测中大约在0.06s左右完成第一轮全局搜索0.12s后稳定在0.55附近对应电压约32V功率在490W上下波动。这里有个关键细节如果粒子初始位置没有覆盖到最优占空比附近算法会先去gbest所在的区域靠拢而不是漫无目的地搜索所以初值选取对收敛速度有直接影响。第二个观察窗口是0.25s进入轻度遮阴时P-V曲线从单峰变成双峰但两个峰高差距不大。PSO算法感知到功率掉落gbest的功率值下降随即触发新一轮搜索。大约经过0.08s粒子群重新聚集在高电压峰约0.62占空比附近系统输出功率恢复到430W左右——传统扰动观察法在这里大概率会停在低电压峰约310W差距一眼就能看出来。第三个观察窗口是0.5s进入重度遮阴时双峰形态反转最优工作点发生跳变。PSO的关键优势体现出来了因为粒子群仍然保持着对低占空比区域的“记忆”当高电压峰的功率不足以击败gbest历史值时粒子群会继续探索低电压峰。最终系统输出稳定在约250W的最优功率点上而传统算法可能只搜到180W。我把三个窗口的功率曲线导出后做了对比表如表1所示。工况理论最大功率PSO-MPPT输出传统PO输出PSO损失率PO损失率标准光照475W466W462W1.9%2.7%轻度遮阴800W/m²435W429W301W1.4%30.8%重度遮阴300W/m²255W247W182W3.1%28.6%从表里能清晰看出单峰工况下PSO和传统算法差距不大但一进入多峰工况PSO的全局寻优优势立刻转化为实际发电量收益。在重度遮阴下PSO损失率只有3.1%而传统PO损失接近三成。这个差距就是整个研究的意义所在。3.4 收敛性评估与迭代次数验证做PSO-MPPT仿真时最容易被审稿人或评委质疑的问题就是“你的收敛性怎么保证”。在模型里我加了一路scope信号专门记录每代gbest的变化轨迹。以重度遮阴工况为例可以看到gbest的演化路径第12代粒子仍在全局撒网功率值跳动很大第46代粒子群开始向高功率区域聚集第7代以后gbest的增量已经小于1W此时判断为收敛。为了验证收敛不是偶然我做了20次重复实验每次随机种子不同统计结果平均迭代7.2次收敛标准差1.4次最大不超过10次。基于此我将最大迭代次数定为12留出了3次以上的裕量。同时我比较了不同粒子数下4、8、16的收敛代数和最终精度4粒子时收敛快但容易漏掉较窄的峰16粒子时几乎每次都能找到全局最优但达到同样收敛精度需要多23次迭代。作为平衡8粒子是我在大多数实验中的推荐配置。4. 常见问题与排查技巧实录4.1 仿真模型运行极慢甚至卡死的处理方法这可以说是所有Simulink光伏仿真项目中最常见、也最让人抓狂的问题。现象是模型仿真时间进度条几乎没有变化或者总提示“Solver stuck”之类的警告和错误。95%以上的情况是求解器设置的锅其次是模型本身存在代数环再次是部分元件强制产生了极小步长。我的排查顺序是先检查求解器配置局部遮阴模型里有两处容易引发刚性问题的环节——旁路二极管的快速导通行为和开关器件的开启关闭瞬间。如果使用变步长求解器如ode45仿真器会自动缩小步长去解析这些快速变化的细节导致仿真时间指数级增长。我在测试中发现固定步长配合离散求解器如ode3步长设在开关周期的1/20到1/50之间例如20kHz对应的50微秒周期步长选1微秒能极大幅度压缩仿真时间同时不损失核心波形信息的精度。第二类问题是代数环。当你用理想开关模型替换有源开关器件如MOSFET/IGBT模型时Boost变换器的输出方程和光伏阵列模型之间可能会形成瞬时依赖关系Simulink会自动在解算中添加迭代环节一旦迭代不收敛就被卡住。排查方法是检查模型编译时的提示信息找到代数环所在路径然后在环上插入一个内存块Memory或单位延迟Unit Delay打断直接馈通。虽然这样会引入一个计算步长的相位延迟但对MPPT这种低频控制环来说几乎无影响。第三类隐蔽问题是采样率不匹配。我在一次测试中把MPPT采样时间设成了1e-6秒然后又在同一个回路里用了1e-4秒的采样保持模块结果模型直接报“blocks with different sample times”错误。这类问题用Simulink自带的“Model Advisor”可以快速定位。4.2 PSO算法输出抖动的排查与解决方案有同学复现我的方案后反馈说PSO算法输出的占空比信号在稳态时总会周期性抖动功率曲线也对应出现锯齿状波动。这个问题的根源多半出在随机数的使用方式上。在高版本Matlab/SIMULINK的Matlab Function里rand函数默认每次在单个仿真会话内的行为是“每个时间步都会重新取样”这会导致PSO算法在仿真中的行为与真实硬件的随机性不一致也会让重复性测试难以复现。排查时我建议用固定种子参数化rng(42); % 放在初始化分支中这样每次仿真的粒子初始位置和随机扰动都是确定的方便调试和对比。如果希望做蒙特卡洛统计分析可以把种子作为模型参数在外层脚本中循环修改。另一个抖动原因是没有对输出占空比做限幅和滤波。我处理的方法是用PSO算出目标占空比后不直接用作驱动信号而是通过一个速率限制器Rate Limiter和二阶低通滤波器平滑后再输出给PWM发生器。速率限制器限制了占空比的最大变化斜率通常设为0.1/s防止粒子搜索时的大幅跳变直接作用于功率级低通滤波器则切掉高频抖动成分。经过这两级平滑后实测功率纹波从±5W降到±1.5W。第三类噪声来源是光伏阵列电流测量通道。仿真里的测量噪声虽然不如实物传感器那么明显但如果采样电阻感值或滤波器参数不合理同样会在功率计算中引入高频分量。我的做法是把MPPT控制环的采样点放在Boost电感电流连续导通的中段也就是开关周期的50%处采样这比在开关边缘采样要稳定得多。4.3 收敛到局部最优的调试策略类似“为什么我的PSO搜出来的功率比理论最大功率低不少”的问题根源通常是粒子群过早失去了多样性。具体表现是所有粒子的速度都趋于零位置几乎一致gbest停在某个局部峰值附近再迭代多少代功率值都不再变化。解决早熟问题的常用手段有两个。一是提高惯性权重w让粒子维持一定的全局探索能力。标准PSO建议w从0.9线性递减到0.4但在MPPT场景下因为工作点本身会随环境漂移我建议w不要低于0.5保留一定的“随机漫游”能力来应对光照突变。二是人为引入“变异算子”即每轮迭代有一小概率如2%5%把一个粒子的位置随机重新初始化。这个做法灵感来自遗传算法实现非常简单但抑制早熟的效果异常显著。我在一个极端遮阴案例里验证过当两条子串的峰高差距只有2%时近似“近峰”状态不加变异的PSO有概率收敛到较低的峰而加了5%概率变异后20次实验中19次都找到了全局最优。代价是收敛时间延长了约0.02s对MPPT应用来说完全可接受。4.4 从Simulink仿真走向硬件实现的关键差异最后聊一个经常被忽略的话题。很多人在Simulink里跑通了仿真就觉得大功告成了但真要移植到STM32、DSP等嵌入式平台上有几个关键差异需要提前考虑。首先是采样精度。仿真里你可以使用双精度浮点随意计算功率但多数MCU做浮点运算的代价比较高。我在MBD基于模型设计流程里建议在仿真初期就把PSO算法的变量限制在单精度浮点范围内提前发现精度截断带来的收敛偏移。一般来说占空比控制精度只需要0.1%单精度完全够用但适应度功率值的累积误差需要留意必要时对功率做归一化处理。其次是PWM更新模式。仿真里理想开关模型的占空比可以实时更新但硬件上PWM寄存器往往在一个完整的开关周期结束后才装载新值这会给控制环引入一拍延迟。Simulink模型中如果要准确模拟这一点可以在MPPT输出和PWM模块之间加一个单位延迟模块。最后是随机数生成器。Matlab的rand是高质量均匀分布但MCU上常用的rand实现质量参差不齐低质量的随机序列会让粒子群搜索效率下降。转移到硬件平台时建议采用LFSR线性反馈移位寄存器或者在线伪随机序列生成算法确保粒子位置和速度更新的随机性不劣化。5. 模型扩展与进阶玩法5.1 混合策略PSOPO的双模切换单纯用PSO全程控制有两个短板稳态功率纹波偏大以及实时性稍逊。一个很实用的改进是双模控制——先用PSO做全局搜索锁定到最优占空比附近后切换回扰动观察法做精细跟踪。这样既保留了PSO的全局搜索能力又利用PO在稳态附近的低纹波特性。我在Simulink里的实现方式是用PSO的gbest变化率作为切换条件当连续三代gbest的功率变化小于0.5%时控制模式由PSO切换为PO一旦检测到光照突降或功率跳变立刻切回PSO重新搜索。实测这种混合策略能让稳态纹波从±2%降到±1%同时动态响应几乎无损。5.2 不同阴影模式下的横向对比除了双峰工况我还跑过三峰乃至四峰的极限工况用三块组件串联并分别遮挡模拟。PSO在粒子数不变的情况下随着峰数增加收敛到全局最优的概率会下降。提高粒子数到16后基本能保证四次峰值搜索都能正确覆盖。这个结论对设计光伏电站级MPPT很有参考价值如果你面对的阵列串数多、可能出现的阴影组合复杂初始粒子数必须按峰数上限来配置否则再强的寻优算法也白搭。同时值得关注的还有日照强度连续变化如日出日落的工况。PSO本身并不需要改变算法结构但需要配合更精细的功率采样时序确保每次功率评估都在稳态下进行。我建议在采样前加一个“等待时间”——比如占空比改变后等待12个控制周期再采样这能大幅减小暂态对适应度评估的干扰。5.3 把PSO-MPPT做成可配置块Simulink的魅力在于模块化复用。我在模型里把整套PSO-MPPT算法封装成了一个带Mask的子系统对外只暴露几个配置参数粒子数、最大迭代次数、惯性权重、学习因子、采样周期、占空比上下限。这样在做系列化仿真时不用打开底层代码直接在参数对话框里改数值即可。这在团队协作中尤其方便——同事不需要理解算法细节只要知道“往这个框里填粒子数就行”。封装的方式也很简单选中所有算法相关模块右键创建子系统然后在子系统上右键Mask Create Mask把内部变量通过“Parameter”关联到Mask输入框即可。为了让后续的自动化仿真更方便还可以配套写一个批处理脚本循环修改Mask参数值批量跑不同配置组合下的仿真自动保存功率曲线和收敛历时数据。我用这个脚本跑过粒子数从4到20、迭代次数从5到20的完整网格扫描总共120组配置挂在实验室机器上跑了不到半小时就全出结果了。6. 最后再分享一点项目的亲历感受前前后后做了好几版光伏MPPT仿真踩过的坑确实不少。一开始我也迷信“模型越精细越好”结果仿真速度慢到怀疑人生后来学会在精度和速度之间做权衡才真正体会到建模也是一门工程艺术——不是把所有物理效应都装进去就好而是要在“行为级正确”和“计算开销可控”之间找到最优解。就PSO-MPPT而言它的价值从来不在于“算法多新鲜”而在于它解决了真实存在的工程痛点局部遮阴带来的多峰寻优问题。如果阳光永远均匀传统MPPT完全够用PSO属于杀鸡用牛刀但只要阴影一出现哪怕只有一分钟PSO多找回的那些功率就是纯粹的发电收益。现在做分布式光伏的厂家越来越多屋顶遮挡问题越来越普遍这套算法思路的用武之地也会越来越大。希望这篇分享能让正在被多峰MPPT问题困扰的读者少走些弯路。接下来如果你打算在Simulink里复现这套方案直接从第三节的代码和参数开始搭即可有问题欢迎在评论区交流。