基于改进蜻蜓算法的光伏全局最大功率追踪

光伏阵列的P-U特性曲线在局部遮蔽条件下呈现多峰现象,针对传统最大功率点跟踪方法易陷入局部极值、群智能算法跟随速度慢的问题,提出一种基于蜻蜓算法和扰动观察法的改进最大功率点跟踪算法.该算法通过优化算法角色,引入Lévy飞行模式加快算法的收敛速度并提高全局搜索能力;结合扰动观察法,提出种群密度的概念,制定最优局部搜索策略...     

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).     

基于改进粒子群算法的光伏最大功率跟踪研究

在局部阴影情况下,带有旁路二极管的光伏阵列P-U呈现多峰特性,导致常规的最大功率点跟踪方法失效。针对多峰值问题,在建立和分析光伏阵列P-U特性曲线的基础上,提出了采用自适应变异粒子群算法进行光伏阵列的最大功率点跟踪方法。该算法根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群,在传统粒子群算法基础上,通过引入自适应权因子和变异机制来加速算法收敛及防止算法陷入局部极值。仿真测试表明,提出的改进方法能够快速有效地实现光伏局部阴影下的最大功率点跟踪,相比于粒子群算法,可有效避免陷入局部极值点,收敛速度更快,且具有应对太阳光照变化的能力,提高了局部阴影时光伏发电的效率。     

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。     

基于混沌量子蜂群优化SVR的多峰MPPT算法研究

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。     

基于权重指数递减粒子群算法在光伏MPPT中的应用

针对光伏阵列局部遮阴情况下输出电压-功率曲线呈现多峰特性,传统粒子群算法进行最大功率跟踪时会陷入局部最优的问题,提出了权重指数递减粒子群算法。该算法通过改变粒子搜索方式,在每次迭代结束前对搜寻到的最优粒子执行精英突变,对反方向空间进行搜索;并添加惯性权重调节参数,其惯性权重随迭代次数的增加以指数形式递减,使算法前期跳出局部最优点的能力提高以及后期搜索更加准确。仿真结果表明,该算法在遮阴或者光照突变情况下,均能准确的追踪到最大功率点,能有效避免陷入局部最优点,收敛速度较快,能够在复杂情况下实现最大功率追踪。     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

基于粒子群遗传算法的光伏MPPT控制研究

局部阴影条件下,光伏阵列的功率特性曲线会出现多个峰值,传统的MPPT跟踪算法容易陷入局部极值点,无法准确地跟踪到最大功率点。粒子群算法具有很强的全局搜索能力,可以有效解决多峰寻优问题,但是普通粒子群算法容易出现收敛速度慢、早熟现象。提出一种改进的粒子群遗传（IPSO-GA）算法,该算法的惯性权重与学习因子随着迭代次数不断改变,可以同时兼顾算法的局部搜索与全局寻优能力,并且引进遗传算法的交叉、变异操作以增加种群多样性。仿真结果表明,改进算法在多峰最大功率跟踪过程中,具有良好的跟踪速度与寻优精度。     

基于电压扫描和电导增量法的局部遮荫条件下多峰MPPT方法

传统的最大功率点跟踪(maximum power point tracking, MPPT)方法在均匀辐射条件下效率较高,但由于光伏阵列与辐射、温度之间的强非线性特性,在局部遮荫条件下阵列的多峰特性易使传统的MPPT方法陷入局部极值,无法有效追踪最大功率。建立了局部遮荫条件下的光伏阵列模型,针对局部遮荫产生的多峰情况,采用电压扫描比较的方法确定最大功率点附近的电压,并以此电压值作为变步长电导增量法的初始值进行搜索,最终确定最大功率点的位置。该方法避免了在多峰条件下最大功率点跟踪陷入局部极值,实现了有效跟踪。     

基于变步长扰动观察法结合改进天牛群优化算法的三步复合光伏最大功率跟踪算法

局部遮阴情况下,光伏系统的功率-电压曲线呈多峰特性,传统算法跟踪最大功率点时易陷入局部最优,智能优化算法跟踪耗时较长。对此,设计了一种变步长扰动观察法（IP&O）结合改进天牛群优化（IBSO）算法的三步复合最大功率点跟踪（MPPT）算法。该算法首先采用IP&O快速跟踪到极大功率点,并利用此点功率值调整电压搜索范围;然后使用IBSO算法在电压搜索范围内进行全局寻优,以保证搜索精度;最终在IBSO算法跟踪到最大功率点附近后,再次切换为IP&O,以加快跟踪速度、减小功率振荡。将所提出算法与IP&O、天牛群优化（BSO）、布谷鸟算法结合变步长扰动观察法（CSA-IP&O）3种算法进行仿真对比,仿真结果表明:所提出算法不易陷入局部最优,能准确快速地跟踪到最大功率点,且跟踪过程中功率振荡更小。     

基于GSASO的局部阴影下光伏最大功率追踪

光伏系统在局部阴影遮挡条件下其输出功率会大幅度减少,同时其光伏功率特性曲线出现多峰现象,其最大功率追踪过程的复杂性也会加大.将黄金正弦(Golden-SA)作为局部优化算子嵌入到原子搜索优化算法(ASO)中,解决其收敛速度较慢并且容易陷入局部最优的缺陷;构造出一种新的算法——黄金正弦原子搜索优化算法(GSASO),原子个体通过黄金正弦操作与最优个体进行充分的信息交流,能够更加快速准确地收敛到最大功率点.设置了多种光照情况进行仿真,将其与原子优化算法和粒子群方法进行对比,结果表明,所提出的方法在局部遮阴环境条件下能准确快速地跟踪最大功率点.     

一种新型算法在光伏最大功率跟踪中应用

最大功率点跟踪算法是实现太阳能利用率的最大化有效途径之一,光伏组件的非线性和光伏阵列的多峰特性导致最大功率点跟踪变得更为困难。传统算法易陷入局部极值,大多智能算法存在计算成本高、时间长和系统振荡等问题,这将进一步导致系统不稳定。径向移动算法具有简单、快速和消除振荡等优势,但在搜索过程中,粒子的随机性导致系统振荡大,对此提出一种改进方法。最后,以AD260组件为对象,建立基于BOOST电路的光伏系统模型,分别验证光伏组件在各光照下的最大功率点跟踪和光伏阵列在局部阴影下的最大功率点跟踪,结果发现改进后算法能快速准确地进行最大功率点跟踪。     

部分遮阴条件下光伏阵列最大功率点跟踪方法

在部分遮阴情况下,光伏阵列功率-电压(P-U)特性曲线呈现多个极值点,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法会失效。提出了一种基于电导增量法的全局搜索（Global search based on Incremental conductance,GSINC）方法来实现最大功率点跟踪,该方法保证不会陷入局部最优且不会错过任何极值点。最后通过仿真验证了该算法能快速且准确的跟踪最大功率点,有效提高了光伏阵列输出效率。     

粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用

局部阴影情况下,光伏阵列功率-电压(P-U)特性曲线呈现多个极值点,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法会失效。研究了粒子群优化算法(particle swarm optimization,PSO)在光伏阵列(photovoltaic array)多峰MPPT中的应用,该方法根据多峰P-U曲线的特性,提出将粒子初始位置分散定位在可能的峰值点电压处这一新思路,保证了粒子群算法不会陷入局部极值点且不会错过任何极值点。设置了粒子群算法的参数,同时提出有效的迭代终止策略,能够避免系统趋于稳定时的功率振荡。最后通过仿真验证了该算法在有、无阴影情况下均能够快速且准确地跟踪最大功率点,有效地提高了光伏阵列输出效率。     

基于差分进化人工蜂群算法的光伏最大功率跟踪策略研究

带有旁路二极管的光伏阵列在局部阴影时其P-U特性曲线会出现多个极值点,此时常规MPPT方法在多峰值寻优时可能会失效。对光伏阵列输出特性功率极值点的个数进行了研究,在此基础上将基于差分进化的人工蜂群算法应用于最大功率点跟踪。首先对蜜蜂的初始位置进行预定义初始化,避免遗漏极值点。将差分进化算法中的变异策略与人工蜂群算法相结合,实现时变条件下全局最大功率点跟踪控制。并且在上述算法中加入迭代终止策略,从而有效避免系统稳态时的功率振荡现象。在Matlab中搭建S-Function仿真模型,验证了该算法的有效性。     

扩展记忆优化人工鱼群算法在光伏系统 MPPT的仿真研究

针对不均匀光照下,光伏发电系统中的光伏阵列输出功率曲线呈现多峰特性,传统光伏阵列最大功率点跟踪 (MPPT)监控算法易陷入局部最优解误区,提出一种扩展记忆优化人工鱼群算法 (EPＧFSA).该算法在标准鱼群算法上引入速度参数和记忆行为,既保证鱼群算法的全局搜索能力,又增加了记忆算法的快速收敛性,快速得出全局最优解.仿真分析证明,扩展记忆优化人工鱼群算法较持续扰动法和标准人工鱼群算法具有更快的收敛速度和更强的全局搜索性能。     

基于蚁群优化算法的光伏阵列多峰特性最大功率点跟踪

在局部阴影条件下光伏阵列的功率输出曲线呈现多峰特性,这时常规算法将不能跟踪到阵列的全局最大功率点。因此,本文提出一种基于蚁群算法跟踪全局最大功率点的方法,算法利用蚂蚁爬行十进制数的每位来生成系统的给定电压,根据实测功率值来调整路径的信息素,使蚂蚁逐渐集中在最优的给定电压路径附近,最终实现光伏阵列的全局最大功率点跟踪。通过Simulink搭建光伏阵列仿真模型,结果表明,在环境发生变化时,蚁群算法可以快速准确地跟踪到具有多峰输出特性的光伏阵列的全局最大功率点,提高了光伏阵列在复杂环境下的输出功率。     

考虑多点局部阴影的光伏阵列建模及复合型最大功率跟踪算法研究

构成光伏组件的每个光伏电池在运行中由于制造、遮挡等因素的影响,其输出会有差异。当若干个光伏电池受到不同程度阴影遮挡导致其输出与正常电池有较大差异的时候,组件输出的P-U曲线会出现多峰情况,针对单峰的传统最大功率点跟踪（Maximum Power Point Tracking, MPPT）策略很可能失效,从而陷入局部最优值。为解决该问题,推导了多点局部阴影下的光伏阵列数学模型,该模型能够理想描述任意阴影情况下的阵列输出特性曲线。基于此模型,提出了结合全局扫描法、电导增量法,以及快速逼近公式的复合型MPPT算法,并进行了仿真验证。仿真结果表明：相比于传统算法,算法在光伏组件受到遮挡时不会陷入局部最优;同时,相比于全局搜索法,该算法寻优效率更高。     

梯度与极值搜索复合算法的多峰值MPPT控制

当多个光伏组件串联组成的光伏阵列被部分遮挡时,带有旁路二极管的光伏组件会呈现出多峰值的输出特性,此时基于单峰值的最大功率点跟踪(MPPT)算法易陷入局部最优点从而导致寻优跟踪失败。为得到全局最大功率点(GMPP),需采用多峰值MPPT算法。提出一种结合梯度法和极值搜索(ESC)法的多峰值MPPT复合算法。该算法用梯度法搜索到第一个峰值附近的功率点,以该点为ESC法的起始点搜索出局部最大功率点(LMPP),再利用该LMPP为起始点进行迭代搜索,直到获取GMPP。与传统多峰值MPPT算法相比,该复合算法能快速准确地跟踪光伏阵列的最大功率点(MPP),具有良好的动态性能。     

不规则阴影影响下光伏阵列最大功率点跟踪方法

在不规则阴影影响下,光伏阵列输出特性曲线存在多个局部最大功率点,传统最大功率点跟踪算法在此情况下难以找到全局的最大功率点,从而陷入局部最优值。为解决该问题,根据滑模变结构控制在非线性系统控制中具有响应速度快、鲁棒性强等优点和扰动观察法具有算法简洁、跟踪效率高的特点,提出了将滑模变结构控制和扰动观察法相结合的算法,将其应用到不规则阴影影响下光伏阵列的最大功率跟踪控制中,用于解决局部遮阴下多峰寻优的问题。为了验证该算法的有效性,建立了不规则阴影影响下光伏阵列的实验电路。通过与传统扰动观察法的比较,实验结果表明:在光伏阵列被部分遮蔽的情况下,该算法可以快速跟踪到全局最大功率点,使系统稳定地工作在最大功率点附近,减小输出功率的波动,从而有效地利用太阳能。