粒子群优化算法在多峰值MPPT控制中的应用

光伏发电系统的多峰值特性,出现在局部遮阴环境下包含多组光伏电池的发电系统中。传统的最大功率跟踪(MPPT)算法会导致最大功率点(MPP)搜索陷入局部极值,不能最大发挥光伏阵列的输出能力。基于粒子群优化算法的MPPT控制有效地解决了多峰值特性下的最大功率搜索问题,提高了响应速度和控制精度。仿真结果证明了优化算法较传统算法在多峰值情况下控制的优越性。     

狼群搜索算法在光伏阵列MPPT中的应用

光伏阵列最大功率点在外部环境条件变化时往往难以进行有效地跟踪,而传统的最大功率点跟踪(MPPT)方法常常会导致搜索陷入局部极值并且响应速度慢。针对此问题,本文提出一种基于狼群搜索算法的最大功率点跟踪方法。仿真结果表明:该算法能够有效地进行全局最大功率点跟踪,验证了该算法的可行性。     

适用于光伏多峰功率跟踪的改进型粒子群优化算法

针对在自然环境下光伏阵列上时常发生的局部阴影而引起P-V曲线由单峰转变成多峰状态,从而导致常规最大功率跟踪算法失效的问题,在研究传统粒子群算法的基础上,提出了一种改进型控制算法。该算法采用全局模式和局部模式两种运行手段定位最大峰值点,在对粒子群优化的速度更新方式上,去除了大量的随机变量干扰,使结构优化非常明显。改进后粒子群优化算法能够使功率跟踪避免陷入局部最优,使之找到真正的最大功率点。通过与传统粒子群算法对比仿真及试验,结果表明,在光伏阵列局部遮荫的情况下,改进后的粒子群优化算法可以快速准确地搜索到最大功率点,追踪精度高达95%,并且比传统的粒子群算法在搜索效率上提升28%,较好地避免了陷入局部最优。     

光伏系统模糊PSO的MPPT控制

在局部阴影条件下,光伏阵列的功率–电压特性曲线呈现多峰状,传统最大功率点跟踪方法出现搜索精度低和收敛速度慢的问题.针对此问题提出一种基于模糊控制的粒子群优化算法,采用模糊控制器对粒子群优化算法的惯性权重ω进行优化,实时调整参数,使光伏阵列在光照强度变化时有较好的动态特性和稳态性能.分别采用常规PSO算法和模糊PSO算法在相同条件下对系统进行仿真,结果表明所提出的算法在局部阴影条件下能快速跟踪外部环境变化,且准确地工作在最大功率点.     

遮挡条件下的光伏阵列最大功率点跟踪

光伏发电系统在遮挡条件下会出现阴影效应,为了解决光伏阵列最大功率点跟踪方法精度低的问题,提出一种光伏阵列最大功率点跟踪方法.根据光伏发电系统的结构和局部遮挡条件下的最大功率点输出特性,由光伏电池等效电路建立光伏电池的数学模型,采用人工鱼群算法实现光伏阵列最大功率的轨迹跟踪,并在Matlab实验平台上测试其有效性.该方法克服了传统方法的局限性,能够对光伏阵列最大功率点进行高精度跟踪,提高了光伏阵列最大功率点的跟踪效率,改善了光伏发电系统的工作性能.     

局部遮挡下光伏组件MPPT复合算法

当光伏组件受到局部阴影遮挡时,其最大功率点跟踪(maximum power point tracking, MPPT)过程常出现误跟踪、跟踪速度慢、光伏组件输出功率低等问题.为使局部阴影下光伏组件保持快速、稳定、准确地最大功率输出,基于电导增量法(incremental conductance algorithm, INC),结合全局比较算法(global comparison algorithm, GCA),提出一种基于电导增量/全局比较的复合MPPT算法(INC-GCA),并通过搭建Simulink仿真模型和设计光伏试验平台,验证该算法的可行性.结果表明：基于电导增量/全局比较的复合MPPT算法在光伏组件受到局部阴影遮挡时可准确追踪到最大功率,且跟踪速度快、可靠性高,完全避免了误跟踪问题;相较于电导增量法,该算法可有效提高光伏系统的发电效率,提升光伏电站的经济效益.     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

基于蚁群算法的局部阴影光伏最大功率跟踪算法

针对局部阴影情况下光伏输出曲线非线性和多峰值的特性,提出基于蚁群算法的光伏多峰值最大功率跟踪算法.通过对光伏输出曲线的结构及均匀分布特性的分析,构建蚁群极值寻优过程,对特定区间进行极值点搜索,最后求出最大功率点.仿真表明,该算法能够有效地跟踪全局最大功率点,避免其收敛于局部最优解,与传统全局扫描算法不同,其收敛速度及精度不受光伏曲线形状的影响.     

3步光伏最大功率点跟踪算法

光伏阵列的P-U特性曲线在局部阴影的情况下会呈现多个极值点,传统算法容易陷于局部极值,智能算法追踪耗时过多.在研究两类算法的基础上,提出一种基于扰动观察法和粒子群算法的3步最大功率点跟踪(MPPT)算法.该算法采用大步长扰动观察法缩小搜索范围并确定粒子数目;采用改进粒子群算法实现全局搜索寻找最优局部;采用逐步逼近的扰动观察法在最优局部内搜索最大功率点.仿真结果表明:该算法在均匀光照和局部遮阴情况下均能准确迅速地跟踪到最大功率点,相比于粒子群算法,追踪时间缩短35%,以上.     

光伏系统中全局最大功率点的优化

针对当光伏列阵接收到不均匀光照时,整个光伏系统的P-V曲线变为多峰值曲线,采用传统的最大功率点跟踪方法不能很好地追踪最大功率点的问题,提出一种基于改进的模拟退火-粒子群算法的最大功率点跟踪方法。研究结果表明:该优化算法中加入存储单元,保证了算法不会陷入局部最大值点,同时引入粒子群适值函数,调整退火温度,保证了运行速度;通过该方法可以快速的准确地找到光伏系统的全局最大功率点;仿真结果证明了该算法的正确性。     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,本文提出基于自适应差分进化的改进布谷鸟(ICS)算法与电导增量法(INC)相结合的复合算法(ICS-INC)。该算法提出自适应抛弃概率和自适应步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,避免陷入局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,由INC实现局部快速搜索,稳定输出最大功率。仿真结果表明,与其他算法相比,该算法的追踪速度,全局搜索性以及环境变化的适应能力均得到提升。     

基于改进萤火虫算法的光伏最大功率点跟踪

光伏电池的最大功率点跟踪是实现光伏系统高效发电的关键技术.分析光伏阵列的输出特性,提出一种改进的萤火虫算法(IFA).将混沌理论与正态分布引入传统萤火虫算法(FA),提高全局搜索范围并避免陷入局部最优;在MATLAB中搭建模型进行仿真.结果表明:该改进算法在均匀光照、局部遮阴和温度突变时均能快速精准地实现对全局最大功率点的跟踪和控制,提高了光伏阵列的发电效率.     

基于变尺度混沌优化搜索的局部阴影条件下光伏阵列MPPT研究

为提高混沌搜索在局部阴影条件下光伏阵列最大功率点跟踪中的速度和效率,提出一种变尺度混沌优化搜索方法。在搜索过程中首先采用Logistic映射产生混沌变量,将其映射到光伏阵列的输出电压空间;然后进行变尺度操作,将搜索区间缩小,直到搜索到最大功率点。研究结果表明:与传统混沌搜索方法相比,该混沌搜索方法能快速准确地跟踪最大功率点的变化,为局部阴影条件下光伏阵列最大功率点跟踪提供了一种新的有效方法。     

改进FA算法在阴影条件下光伏MPPT中的应用

为解决光伏阵列最大功率点在外部环境条件变化时难以进行有效的跟踪,以及传统的最大功率点跟踪(MPPT)方法常常会导致搜索陷入局部极值而且响应速度慢的问题,采用理论分析和仿真的方法,提出一种基于萤火虫算法(FA)的变步长MPPT算法,对传统FA算法的结构和参数进行分析改进,将萤火虫初始位置分散定位在可能的峰值点电压处,并设...     

基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制

在局部阴影的条件下,由于光伏阵列的P-U曲线会存在多个峰值点,传统的扰动观测方法不能快速追踪到最大功率点。本文对粒子群算法的设计参数、执行流程等方面进行优化,提出了一种基于自适应粒子群算法对光伏并网系统MPPT的控制策略,最后进行了Matlab/Simulink仿真。结果表明,该控制策略可以快速、准确地搜寻到最大功率点,能够抑制复杂条件下环境因素的影响,提高算法的跟踪精度和光伏电池的整体工作效率。     

反向传播神经网络及其改进算法用于光伏MPPT的研究

研究了反向传播神经网络(BPNN)、粒子群优化反向传播神经网络(PSO-BPNN)、萤火虫优化反向传播神经网络(FA-BPNN),以及斐波那契优化反向传播神经网络(IM-FSM-BPNN)用于光伏组件在局部阴影下最大功率点的跟踪，以及上述算法在太阳能无人机中飞行光伏发电跟踪。结果首先表明，局部阴影下，IM-FSM-BPNN功率预测精度最低，跟踪时间最长，鲁棒性差，原因是控制参数多，依赖参数初始值。FA-BPNN功率预测精度最高且鲁棒性较好，原因是在训练过程中有效避免梯度消失的问题。其次，在样本数据量增加和太阳能无人机的应用中，发现FA-BPNN的预测效果好和IM-FSM-BPNN的局限性。最后，探讨了参数变化对预测结果的影响。IM-FSM-BPNN、PSO-BPNN和FA-BPNN较BPNN更适用于多样本数据预测，IM-FSM-BPNN相较于其他3种算法更适用于较小的学习率，4种算法的平均跟踪时间和功率平均预测精度随隐含层节点数震荡。     

基于改进灰狼优化的开关磁阻风力发电最大功率点跟踪控制策略

以中小型开关磁阻风力发电机为研究对象,针对发电过程中,在不同风速条件下最大功率点跟踪控制快速性和准确性的需求,提出一种基于自适应加权灰狼优化PID算法的最大功率点跟踪控制策略。当外界风速发生变化时,根据实时风速计算出风力机最佳转速,其与实际转速的差值作为加权自适应灰狼优化PID控制算法的输入,作为转速闭环的PID控制参数,从而输出电压脉宽调制的最优占空比,实现变风速下的最大功率点跟踪控制。仿真结果表明,与传统PID控制相比,自适应加权灰狼优化PID算法能够在风速变化情况下,更加快速准确地实现最大功率点跟踪控制。     

局部阴影条件下光伏阵列最大功率点跟踪研究

以1/4阴影覆盖下的光伏阵列为对象,用Matlab/Simulink仿真软件,通过构建阴影条件下光伏阵列数学模型,分别采用瞬时扫描法和扰动观察法进行最大功率点跟踪研究.结果表明:在1/4阴影覆盖情况下,扰动观察法只能跟踪到太阳能电池低压侧20V附近极大功率点,瞬时扫描法能跟踪到高压侧60V左右最大功率点.采用新型的瞬时扫描法能对局部阴影覆盖的光伏阵列实现更准确的最大功率点跟踪.     

光伏并网发电系统MPPT算法研究

针对光伏并网发电系统最大功率点跟踪(MPPT)问题进行研究,在详细分析光伏电池阵列的基础上,对常用的最大功率点跟踪算法进行了分析,提出了逐次逼近型算法,并对该算法与其他常用算法进行了比较。结果表明,该算法可以快速、准确地追踪到最大功率点,具有很好的效果。