基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究

针对恒压控制法中采用BP神经网络预测最大功率点处电压存在较大误差的情况,提出了用遗传算法来优化BP神经网络,然后用优化后的算法来预测光伏系统最大功率点之处的电压,并以此值代替基于恒电压的光伏发电系统MPPT控制算法中的恒电压参数;同时结合恒电压控制法建立了基于GA-BP神经网络学习算法的改进恒压型光伏系统MPPT控制的仿真模型。最后算例仿真结果证明所提的基于GA-BPNN的光伏系统MPPT控制算法能够快速准确地进行光伏最大功率点跟踪,并且相比于BP神经网络算法、干扰观察法及FUZZY控制算法其稳定性更好、精度更高。     

基于GA-BP神经网络的光伏阵列MPPT研究

为了有效提高光伏发电系统的最大输出功率,在综合考虑传统算法优缺点的基础上,研究一种基于遗传算法(GA)优化BP神经网络的光伏最大功率点跟踪(MPPT)方法。通过建立神经网络最大功率点预测模型,并将预测模型转化为可在Simulink中直接使用的模块,避免了使用传统的S函数控制方法。在Matlab/Simulink环境下进行了仿真验证,仿真结果表明在光照强度和温度迅速变化时,该新型算法较传统电导增量法明显缩短了MPPT的跟踪时间,并且有效抑制了系统在最大功率点附近的波动。     

基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪

针对光伏阵列处于局部遮阴情况下其P-U特性曲线呈现出多极值点特性,传统最大功率点跟踪(MPPT)算法由于搜索机制导致难以跳出局部最优准确跟踪到最大功率点问题,提出一种基于改进鲸鱼算法优化支持向量机回归(SVR)的最大功率点跟踪方法.该方法在普通鲸鱼算法的基础上引入对数权重因子与随机差分变异策略,增强了算法在全局搜索与局部开发协调性能、避免陷入局部最优的能力.利用该改进鲸鱼算法对SVR参数寻优,建立光伏阵列最大功率点电压预测模型,并与电导增量法(INC)相结合应用于MPPT控制.Matlab/Simulink仿真结果表明,所提的复合MPPT控制算法在各种局部遮阴及光照突变情况下都能够有效避免陷入局部寻优,迅速准确地跟踪到全局最大功率点(GMPP).     

一种新型光伏阵列最大功率点预测模型的研究

光伏阵列最大功率点预测在光伏发电控制系统具有重要地位,由于光伏阵列受到温度、光强、阴影等非线性因素的影响,传统的解析方法难以获得理想的预测结果。研究了一种基于遗传算法改进的BP网络光伏阵列最大功率点预测模型,利用遗传算法的全局搜索能力,对BP神经网络的权值和阈值进行优化,有效克服了BP网络容易陷入局部最小的问题。仿真表明,基于遗传算法优化的光伏阵列最大功率点预测BP网络具有良好的泛化能力和一定的有效性。     

利用智能水滴算法优化神经网络的MPPT

光伏系统最大功率点跟踪(MPPT)对于提高光伏发电效率有着重大意义。给出一种智能水滴(IWD)算法优化Elman神经网络的MPPT方法。利用IWD算法对Elman神经网络的权值和阈值进行优化,提高Elman神经网络的训练效果。将IWD算法优化Elman神经网络的MPPT方法与传统预测方法进行对比,结果验证了所提方法的有效性。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。     

基于数值方法的光伏发电系统MPPT控制算法研究

针对传统的太阳能最大功率点跟踪(MPPT)算法跟踪速度及精准度不理想的缺点,提出了一种新型的基于数值方法的光伏发电系统最大功率点跟踪控制算法。该方法利用二次插值的思想,仅通过一步就可以跟踪到最大功率点。在该MPPT的启动中还采用了恒定电压法来提高跟踪速度。利用MATLAB搭建了光伏发电系统MPPT跟踪控制仿真模型。仿真结果表明,该算法能够显著提高MPPT跟踪的速度和准确度。     

基于混沌量子蜂群优化SVR的多峰MPPT算法研究北大核心

针对局部阴影条件下光伏阵列P—V曲线具有多峰特性,而传统的MPPT算法无法有效跟踪其最大功率点的问题,研究了一种多峰MPPT算法。采用混沌搜索和量子计算对传统蜂群算法进行改进,并将改进后的算法应用于支持向量回归机(SVR)的参数寻优,最终实现了基于混沌量子蜂群优化SVR的多峰MPPT算法。通过仿真和实验对算法的有效性进行了验证。实验结果表明:该算法在均匀光照或局部阴影条件下均能够准确跟踪全局最大功率点,有效克服了传统MPPT算法容易陷入局部极值的问题。     

蚁群算法优化RBF神经网络的光伏发电MPPT

针对如何提高光伏电池最大功率点预测跟踪精度的问题,讨论了光伏电池非线性输出特性。在此基础上,建立基于RBF神经网络的光伏电池最大功率点预测跟踪模型,以光照强度和温度为模型的输入,光伏电池的最大功率点电压为模型输出,并将RBF神经网络的中心参数采用蚁群算法进行优化,从而实现最大功率点预测跟踪。仿真结果表明,该方法比传统的RBF神经网络方法具有更高的预测精度,能更好地预测跟踪光伏电池的最大功率点。