光伏发电系统中改进型MPPT控制技术研究

对光伏发电系统提出了一种新的最大功率点跟踪（MPPT）控制方法。对固定电压法、电导增量法以及所提的两者的结合方法分别进行仿真,结果表明,所提方法能够快速、准确地跟踪光伏阵列的最大功率点,减少了在最大功率点振荡的能量损失,提高了光伏发电系统的能量转换效率。     

光伏发电系统MPPT控制仿真模型

在光伏发电系统优化的研究中,为了有效提高太阳能利用率,建立了光伏电池等效电路和数学模型,在MATLAB/Simulink仿真环境下搭建光伏电池通用工程模型,光伏电池通过串并联方式组合成光伏阵列,并利用电导增量法原理通过控制Boost电路占空比实现光伏阵列最大功率点跟踪(MPPT).仿真结果表明:改进模型可仿真任意光照强度、环境温度下,不同型号光伏电池及其串并联组合成光伏阵列的I-V特性,并能较好控制并实现MPPT,模型动态性能好,具有较强的实用性.     

局部阴影遮蔽下光伏阵列MPPT算法的研究综述

光伏阵列作为太阳能光伏发电系统的基本发电单元,在局部阴影条件下,它的输出特性发生改变,相应的功率曲线含有多个局域峰值,使常规的最大功率点跟踪算法很难准确地跟踪到真正的最大功率点,在分析常规最大功率点跟踪方法(恒定电压法、扰动观测法、电导增量法)的基础上,对多峰值最大功率点跟踪方法做了比较全面的比较和分析(模糊免疫算法、粒子群优化算法PSO等),为实现光伏阵列在部分遮蔽下实现最大MPPT设计与实现提供参考。     

光伏并网发电系统最大功率点跟踪算法研究

针对神经网络算法在太阳能电池最大功率点跟踪中收敛速度慢,结果容易陷入局部极小等缺点,提出了一种基于遗传算法优化神经网络来实现最大功率点跟踪的控制方法。该算法利用遗传算法具有全局搜索问题解的特性,通过选择、交叉、变异等遗传操作,实现了神经网络权值优化,克服了神经网络初始权值对控制效果的不利影响。实验结果表明：该算法提高了神经网络在最大功率跟踪中的收敛性与非线性逼近能力,在日照强度、环境温度变化时仍能快速、准确地跟踪到太阳能电池的最大功率点,具有较好的稳定性。     

光伏发电系统改进复合算法

提出一种复合的MPPT算法,即以恒定电压法启动的自适应变步长的增量电导法。恒定电压法用来迅速跟踪近似最大功率点,变步长导纳增量法则用来进行精确跟踪,并在Matlab/Simulink系统仿真模型中进行验证。实验结果证明改进的算法要比传统的固定步长算法优越。     

局部阴影下的光伏阵列MPPT算法研究

存在局部阴影时,光伏阵列的功率-电压(P-V)特性曲线出现多个极值点,电流-电压(I-V)特性曲线呈现阶梯状,使得基于单峰寻优的传统最大功率点跟踪(MPPT)算法失效。为此,在研究遮阴光伏阵列输出特性规律的基础上,提出了一种具有全局搜索能力的MPPT算法。该算法先用粒子群优化(PSO)算法将输入位置调整到全局最优附近,再用变步长电导增量法得到全局最优解。新的算法在减轻系统振荡和加快搜索速度方面做了改进。仿真结果表明,该方法不仅较好地克服了现有算法使用PSO大幅度随机初始化粒子位置而导致系统振荡问题,而且有效利用传统单峰寻优算法的优点,增强了系统搜索的快速性和稳定性,取得了较好的控制效果。     

基于改进粒子群算法的光伏系统MPPT控制研究

光伏(PV)阵列输出的功率-电压特性曲线在部分阴影条件下具有多个峰值,传统的最大功率点跟踪算法,无法准确跟踪光伏系统的全局最大功率点而且效率低下.由于粒子群优化(PSO)算法非常适合解决多极优化问题,因此,提出了一种随机惯性权重的PSO算法来实现全局最大功率点跟踪.通过改善传统PSO算法的惯性权重系数并优化粒子的搜索顺序,可以减少迭代次数,从而在更短的时间内找到MPP(最大功率点),以确保准确的跟踪最大功率,使系统始终保持最高效率运行.最后,搭建了局部阴影条件下的光伏阵列仿真模型,对提出的算法进行了仿真验证,并与传统的扰动观察法对比分析,仿真结果表明,相较于传统的扰动观察法,利用改进的智能算法,有效地解决了光伏系统在局部阴影条件下准确的追踪系统全局最大功率点的问题,并且加快了系统控制器的响应速度、有效地抑制震荡并且提高了追踪效率.     

MPPT算法与输入输出反馈线性化控制技术在光伏发电系统中的应用

针对目前光伏发电系统采用的固定电压法、增量电导法等最大功率点跟踪控制技术跟踪速度慢、精度不佳的问题,提出采用变步长电导增量法进行最大功率点跟踪控制;为了控制光伏系统中电网电流和直流母线电压,采用输入输出反馈线性化控制技术,使得系统的功率因数和直流母线电压可用相同的算法进行控制。在Matlab/Simulink环境下对基于变步长电导增量法算法与输入输出反馈线性化控制技术的光伏发电系统进行了建模仿真,结果表明,采用反馈线性化技术控制逆变器后,日照强度和温度变化不会对电网功率因数产生影响;变步长电导增量法提高了光伏发电系统的动态和稳态性能,且降低了电网电流的总谐波失真率。     

基于DSP的光伏并网系统MPPT算法研究

介绍了以DSP为主控芯片的光伏并网系统,它能跟踪光伏阵列最大输出功率点,实现光伏阵列和负载优化匹配,使负载获得最大功率。在光伏阵列输出功率最大为跟踪目标的定步长MPPT一阶差分算法的基础上,采用以使负载获得最大功率为跟踪目标的变步长寻优MPPT算法,能够更好地实现最大功率点的跟踪。实验结果表明:该系统能够快速准确地跟踪太阳能电池最大功率点,并自动同步跟踪电网频率和相位,实现并网电流的正弦波形以便与电网电压同频同相馈入电网,提高了系统逆变效率和可靠性。     

基于改进型遗传算法的前馈神经网络优化设计

阐明了遗传算法和神经网络结合的可行性，提出了一种改进的面向神经网络权值学习的遗传算法。通过对XOR问题的实验，显示出其快速学习网络权值的能力，且能摆脱局部极值的困扰和初始权值的限制，从各方面都表现出优于标准遗传算法和BP算法的性能。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

一种基于改进遗传算法的新型小波神经网研究

提出了一种基于改进遗传算法（Improved Genetic Algorithm , IGA）的新型BP小波神经网络，并通过异或问题和非线性辨识问题进行仿真实验。实验结果表明，基于改进遗传算法的BP小波网络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力，而且具有遗传算法全局快速寻优的特点，与简单遗传算法相比，在收敛快速性和稳定性方面都有了明显的改善。     

基于GA-BP神经网络的BDS轨道误差模型研究

在对导航卫星轨道误差数据进行研究时发现,卫星广播星历轨道误差客观存在着一些不确定性的规律现象,针对这一无法用现有确定性模型表示的误差信息,建立了基于遗传算法优化BP神经网络的轨道误差预测模型。利用遗传算法来全局寻优BP神经网络的初始权值与阈值,同时根据广播星历解算出的卫星位置和速度,结合参考时刻及摄动改正项对神经网络进行训练和测试。试验结果表明,上述模型能较好的预测轨道误差,应用该模型进行卫星轨道解算时能有效提高轨道精度,降低轨道误差。     

神经网络方法用于分辨三种化学物质

采用了一种基于神经网络的杂交算法，用于识别来自氧化锡传感器阵列的三种化学品：丙酮、甲醇和乙醇的信号．算法利用梯度收敛方法并结合仿真退火和遗传算法进行权值初值化来加速运算速度和提高分类准确度。这种方法能较好地避免局部最小点，大量运算实例用来构造最优网络结构并说明这种方法是较好的模式分类方法并可以作为“人工电子鼻”的数据处理方法。     

集中控制型分布式MPPT光伏系统的研究

针对光伏系统部分组件受到遮蔽会造成各组件间电压和电流失配的问题,介绍一种集中控制型分布式MPPT光伏系统,并通过Matlab进行仿真验证.     

基于BP神经网络固冲发动机燃气流量调节控制

在针阀式固冲发动机燃气流量调节优化控制问题的研究中,为优化燃气流量调节,建立了针阀式燃气流量调节燃气发生器工作过程中的动态模型,分析了动态模型的频域特性,并通过仿真进行了验证.针对燃气流量调节系统是一非最小相位系统,具有负调特性,设计了一种遗传算法优化BP神经网络PID控制器.仿真结果表明所提出的控制方法可以有效减小固体火箭冲压发动机燃气流量调节的负调峰值和超调量,缩短系统调节时间,有效地提高了固冲发动机的工作性能.     

基于模糊神经网络的光伏系统MPPT控制方法

在讨论分析现有光伏电源最大功率点跟踪(MPPT)控制方法的基础上,根据光伏电源系统的特性将补偿模糊神经网络方法应用在最大功率点跟踪控制上,能够根据外界环境变化及时进行调整,具有自学习和自适应能力,使系统始终稳定工作在最大功率点上,避免了使用传统方法时存在的最大功率点附近剧烈震荡的现象.