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。     

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。     

局部阴影条件下光伏阵列 MPPT算法研究

光伏阵列在局部阴影条件下P-U曲线呈现多峰值现象,传统的MPPT算法将会失效。采用粒子群算法可有效解决多峰值最大功率点跟踪问题,但标准粒子群算法存在容易陷入局部最优、收敛速度较慢和稳定精度较差等问题。针对标准粒子群算法的不足,文章提出一种改进型自适应学习因子粒子群算法。该方法对学习因子C_1和C_2进行自适应调整,平衡粒子向"自身认知"和"社会认知"学习的能力;与此同时,引入惯性权重调节参数,以提高算法的收敛速度和精度。仿真结果表明,该算法在均匀光照强度、动态阴影和静态阴影条件下,均能快速精确实现最大功率点跟踪,有效地提高了光伏阵列输出效率。     

GSO的局部阴影光伏阵列MPPT控制的研究

在若干个串联太阳电池两端并联旁路二极管消除光伏阵列处于局部阴影时形成的"热斑效应"的同时,P-U特性输出曲线会呈现出多个峰值。因此,传统最大功率跟踪方法可能会失效。针对多峰值问题,在建立和分析特性输出曲线的基础上,将改进的萤火虫群算法应用到局部阴影下光伏阵列最大功率点跟踪中。仿真表明,此方法能够快速准确的跟踪到全局最大功率点,保证了功率的高效利用。并与粒子群算法进行对比,验证了此方法的优越性。     

自适应权重粒子群算法在阴影光伏发电最大功率点跟踪（MPPT）中的应用

在光伏发电系统中,光伏阵列往往会受到局部阴影现象的影响,造成系统的不稳定运行和输出功率的降低,且光伏阵列的P-U特性曲线会出现多峰值,常规最大功率点跟踪（MPPT）算法因其只能单峰寻优而不能完成对最大功率点的跟踪.粒子群优化（PSO）算法则有着良好的多峰全局寻优能力,被广泛应用在局部阴影的最大功率点跟踪中,但是PSO算法有着收敛速度不足和搜索精度低的缺点.为此,提出了基于自适应权重的粒子群优化（APSO）算法,即在运算过程中通过引入非线性动态惯性权重系数,有效地提高整体算法的全局搜索能力和局部改良能力.利用Matlab仿真,在恒定阴影和快速变化阴影2种条件下验证APSO算法的可行性.结果表明,APSO算法能够避免早熟收敛问题,可有效地提高算法的收敛速度和搜索精度.     

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...     

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。     

光伏列阵的全局最大功率点追踪研究

针对光伏电池的最大功率点跟踪(MPPT)影响着光伏系统的发电效率,对光伏阵列的功率输出特性曲线进行了建模仿真分析,根据MPPT的目标是保持光伏阵列输出电压一直保持在最大功率点处,重点分析在光伏阵列出现局部阴影情况时的,光伏阵列的P-V输出特性为多峰曲线情况下,提出了一种基于改进的模拟退火粒子群算法的最大功率点跟踪控制方法,将模拟退火算法思想融入到粒子群算法中,改善粒子的探索能力,提升了最大功率点跟踪算法的收敛速度和精确性。     

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).     

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。     

基于多策略ABC算法的光伏MPPT控制

光伏阵列受到局部阴影的影响,其P-U特性曲线呈现多峰特性,采用传统最大功率跟踪算法易陷入局部最优。为保证光伏阵列输出最大功率,提出一种多策略融合的人工蜂群算法（MSFABC）。首先,一方面通过均匀化与随机化相结合的初始化策略以保证蜜源的多样性,另一方面执行精英个体引导和自适应权重因子调节的协同搜索策略,以平衡全局和局部搜索能力;其次,引入随机-定向的双变异策略,使蜂群个体根据其种类的角色特性发生相应变异,避免算法陷入局部最优;最后,将MSFABC算法应用于光伏MPPT中,与P&O、PSO和ABC算法对比。结果表明,静态和动态多峰条件下,MSFABC算法在保证较高跟踪精度的同时具有较快的跟踪速度以及较少的功率波动。     

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。     

TVAC-PSO算法在光伏最大功率点追踪中的应用

在局部阴影遮挡条件下,光伏列阵P-U输出特性曲线呈现非线性多个极值点。在应对多峰值非线性曲线时,传统算法容易失效。而粒子群算法因设置参数少、收敛速度快、适应性好等特点而常被应用于复杂非线性多峰值寻优,但传统粒子群算法在应对动态环境时,更易陷入局部最优极值。对此提出一种时变加速系数粒子群算法(TVAC-PSO),引入时变加速系统学习因子和惯性权重,以提高其准确性和加快收敛速度。通过搭建光伏MPPT模型,将传统粒子群与TVAC-PSO算法进行对比并仿真。     

局部遮挡下的自适应变步长扰动观察法

在局部遮挡下,光伏阵列输出功率—电压(P-U)曲线呈现多峰值现象,传统最大功率点跟踪方法可能因收敛于局部最大值点而失效。在分析多种局部遮挡情况下P-U曲线模型的基础上,设计了一种自适应变步长扰动观察法,能实现多峰值现象下的最大功率点跟踪。在3 k W光伏并网逆变器的实验平台上进行相关工程实验,理论分析及实验结果证明了控制算法的有效性和快速性。     

粒子群与细菌觅食混合算法在光伏阵列MPPT中的应用

为了提高光伏阵列光电转换效率,确保光伏阵列功率输出始终维持在最大功率点上,传统最大功率点跟踪算法在应用于局部阴影条件时,可能存在陷入局部最优或跟踪时间过长等问题.提出一种粒子群与细菌觅食混合算法,并将其应用于光伏阵列的最大功率点跟踪中,来改善跟踪过程中的收敛精度与速度.通过仿真实验结果,与传统扰动观察算法以及细菌觅食算法进行对比,验证了混合算法在跟踪速度、收敛精度、稳定性上的优越性,以及在动态光照条件下的适应性能力.     

一种光伏系统的多峰值最大功率点跟踪策略

局部阴影条件下,光伏阵列的输出功率-电压(P-U)特性曲线存在多个局部峰值(LMPP)。传统的最大功率点跟踪(MPPT)法可能使系统工作于LMPP,错失真正的全局最大功率点(GMPP)。通过分析局部阴影条件下光伏阵列的输出电流-电压(I-U)特性曲线,提出了将电流控制和扰动观察法(PO)结合的MPPT策略,实现了跟踪GMPP的目标。仿真结果表明该算法比扫描整条P-U曲线法节省了50%的时间,实验验证了其易用性。     

基于免疫细菌觅食算法的大容量光伏阵列GMPPT算法EI北大核心CSCD

老化、温度变化和局部阴影等引起的电池电气特性不同,使光伏阵列P-U曲线出现多个功率峰值点。大容量光伏阵列组件数多,其多峰值问题比小容量光伏阵列更常见和复杂。该文首先根据局部阴影条件下光伏阵列分段函数型输出特性,建立其S函数模型。然后提出免疫细菌觅食算法,实现大容量光伏阵列全局最大功率点跟踪(global maximum power point tracking,GMPPT),利用细菌觅食算法的随机选取方向特性和免疫选择算子,实现时变环境下全局最大功率点的动态跟踪,将所有跟踪到的全局最大功率点保存到全局最大功率点记忆池,再利用全局最大功率点记忆池初始化群体和产生迁移个体新位置,加快重复出现全局最大功率点的跟踪速度。仿真结果表明,免疫细菌觅食算法在动态和重复出现局部阴影条件下都有良好的GMPPT跟踪定位能力。     

基于免疫细菌觅食算法的大容量光伏阵列GMPPT算法

老化、温度变化和局部阴影等引起的电池电气特性不同,使光伏阵列P-U曲线出现多个功率峰值点。大容量光伏阵列组件数多,其多峰值问题比小容量光伏阵列更常见和复杂。该文首先根据局部阴影条件下光伏阵列分段函数型输出特性,建立其S函数模型。然后提出免疫细菌觅食算法,实现大容量光伏阵列全局最大功率点跟踪(global maximum power point tracking,GMPPT),利用细菌觅食算法的随机选取方向特性和免疫选择算子,实现时变环境下全局最大功率点的动态跟踪,将所有跟踪到的全局最大功率点保存到全局最大功率点记忆池,再利用全局最大功率点记忆池初始化群体和产生迁移个体新位置,加快重复出现全局最大功率点的跟踪速度。仿真结果表明,免疫细菌觅食算法在动态和重复出现局部阴影条件下都有良好的GMPPT跟踪定位能力。     

基于鲸鱼粒子群融合算法的MPPT研究

在局部阴影遮挡条件下,经典最大功率点跟踪(MPPT)算法容易失效,导致无法追踪到最大功率点,针对此问题,提出了一种基于鲸鱼粒子群融合算法的多峰MPPT控制策略。该算法实现了混合算法的优势互补,增强了鲸鱼算法后期收敛效率,且避免了粒子群算法易停滞于局部极值的缺陷,提高了鲸鱼粒子群融合算法的收敛精度和寻优效率。在MATLAB/Simulink环境中建立光伏阵列仿真模型,仿真结果表明：该算法追踪过程中震荡幅度减小,能够快速准确地搜索到最大功率点。