摘要：微生物燃料电池的功率与电压或电流呈现非线性关系，只存在唯一的最大功率点。目前研究微生物燃料电池最大功率点跟踪最常用的方法是扰动观察法，这种方法应用于微生物燃料电池最大功率点跟踪控制，系统达到稳态时输出功率总是在最大功率邻域内波动，这样会造成大量的功率损失，并且跟踪的时间比较缓慢，极值搜索算法相比于扰动观察法，极值搜索算法是一种更为优越的控制算法，当醋酸盐的流量Qa或浓度Cac突然发生改变时，微生物燃料电池达到最大功率点的跟踪时间比较短，并且系统达到稳态时震荡几乎没有，所以基于极值搜索算法的微生物燃料电池具有很大的优越性。
关键词：微生物燃料电池；最大功率点跟踪；极值搜索算法；干扰观测法；
1.引言
随着各种能源资源的大量消耗，世界能源短缺问题日益显著，开发大量的可再生能源也就顺应了时代的发展。本文主要介绍微生物燃料电池的最大功率点跟踪控制研究，通过使用基于极值搜索算法的控制器，当燃料电池外部条件发生变化时，能够让微生物燃料电池总是工作在最大功率点，从而使微生物燃料电池输出更多的电能。
2.极值搜索算法的原理
.png)
图4-1 极值搜索算法示意图
Figure 4-1 schematic diagram of extremum search algorithm
图4-1是极值搜索算法的示意图，该算法主要的工作原理是通过施加等幅值的正弦干扰信号，来观察功率的变化方向，从而找到微生物燃料电池的最大功率点。
3.系统仿真
.png)
P
图5 基于极值搜索算法的微生物燃料电池仿真模型
Figure 5 microbial fuel cell simulation model based on extremum search algorithm
.png)
图5-2-1 外电阻发生突变时功率密度变化曲线
Figure 5-2-1 power density change curve with abrupt change of external resistance
.png)
图5-2-2 当外电阻发生突变时功率密度变化曲线
Figure 5-2-2 power density change curve with abrupt change of external resistance
如图5-1-1和图5-2-1是基于扰动观察算法的微生物燃料电池模型的仿真波形，图5-1-2和图5-2-2是基于ESC算法的微生物燃料电池模型的仿真波形，两种系统模型受到同样的外界干扰，即底物浓度Cac在300h变为原来的2倍，在某一时刻底物浓度Cac变回原来值，和外电阻R在300h时由35欧变为100欧，由上图可以看出，当底物浓度发生突变时，前者经过100h趋于稳定，后者经过5h趋于稳定。当外电阻发生突变时，前者经过50h趋于稳定，后者经过10h趋于稳定状态，所以的结论如下：（1）当底物浓度Cac适当增加时，燃料电池的功率会增加；（2）当外电阻发生突变时，基于极值搜索法的控制器要比基于扰动观察的控制器的跟踪速度快。
4. 参考文献
[1]翟荣欣．局部阴影条件下光伏系统的 MPPT 控制研究[D]．长沙：湖南大学，2018．
[2]邹才能，赵群，张国生．能源革命：从化石能源到新能源[J]．然气工业，2016，36(01)：1-10
[3]drissi R E L, Abbou A, Salimi M. Artificial neural-network-based maximum power point tracking for photovoltaic pumping system using backstepping controller[C]//2018 IEEE 59th International Scientific Conference on Power and Electrical Engineering of Riga Technical University (RTUCON). IEEE, 2018:1-7.
作者简介：任鹏鲲，1993年3月，男，汉，河南省沁阳市人，研究生，研究方向：微生物燃料电池最大功率跟踪。