粒子群优化模糊控制器在光伏发电系统最大功率跟踪中的应用

针对采用干扰观察法时最大功率跟踪系统的输出功率在最大功率点附近小幅振荡的问题,设计了一种应用粒子群优化算法(particle swarm optimization,PSO)的模糊控制器,并将其应用于光伏发电系统的最大功率点跟踪(maximum power point tracking,MPPT)。该控制器采用粒子群算法优化模糊控制的隶属度函数,能够实时调整跟踪步长,保证系统在光照强度和温度变化时有较快的动态响应速度和较高的稳态精度。分别对采用干扰观察法、常规模糊控制方法和带粒子群优化的模糊控制器在相同情况进行了仿真和试验,结果证明了所提方法的有效性和鲁棒性。     

基于极值搜索算法的光伏系统MPPT控制

在分析太阳能光伏阵列工作特性和常规最大功率点跟踪(MPPT)及控制方法基础上,研究了一种基于极值搜索算法的光伏系统MPPT控制方法。该算法与现有方法比较,可在外部环境突变的情况下,快速准确地跟踪光伏阵列的最大功率,具有良好的动态性能。基于该方法设计出光伏发电MPPT的控制系统,并通过仿真与样机实验与常规MPPT算法进行了对比分析。分析结果显示,极值搜索算法可快速、精确地跟踪光伏系统最大功率点,且动态特性良好。     

基于模糊PI的光伏发电双MPPT研究

针对光伏阵列非线性工作特性及传统MPPT控制中响应外界环境变化缓慢、最大功率点附近功率振荡现象明显等缺点,对其最大功率点跟踪算法进行分析,提出了一种模糊PI控制下扰动观察法(PO)和恒电压控制法(CVT)相结合的双MPPT(dual maximum power point tracking MPPT)控制方法应用于光伏发电系统。通过建立模糊PI控制下的光伏发电双MPPT系统模型,构建系统控制量及变化量变化规则,设计仿真参数。仿真实验结果表明本方法在外部环境变化时能快速准确地跟踪光伏阵列最大功率点,具有良好的动态和稳态性能。     

基于自适应占空比扰动算法的光伏发电系统MPPT控制

常规的扰动观察法在光伏阵列的最大功率点跟踪中应用广泛,算法简洁,容易实现,但由于采用固定步长扰动,不能同时获得较高的跟踪速度与稳态跟踪精度.针对这个矛盾,提出了一种新的自适应占空比扰动算法,运用Matlab/Simulink对光伏发电系统MPPT控制进行了建模与仿真,并研制了一台控制器,在BOOST变换器上与定步长扰动法进行了对比实验,仿真和实验结果证明该算法能准确快速地跟踪光伏阵列的最大功率点,大大提高了系统的动态和稳态性能.     

基于分布估计算法的动态环境下光伏MPPT的应用研究

采用分布估计算法实现动态环境下光伏系统的最大功率点跟踪(MPPT)。基于光伏发电原理,通过Matlab建立了光伏电池的仿真计算模型。针对传统最大功率点跟踪方法在动态环境下跟踪速度和精度难以兼顾的问题,应用分布估计算法建立了动态环境下的最大功率点跟踪模型。仿真结果表明,当光强、温度变化时,该方法能快速、准确地跟踪最大功率点。通过与PSO算法的Matlab仿真对比验证可得,在保证精度条件下,分布估计算法能提高跟踪速度并减少迭代,具有良好的综合性能,验证了算法有效性和可行性。     

基于改进PSO算法光伏并网系统MPPT控制策略

通过对传统粒子群优化(PSO)算法的设计参数、约束条件及执行流程等方面进行优化,提出一种基于改进型PSO算法的全局最大功率点跟踪(MPPT)控制策略,该控制策略可准确跟踪光伏阵列最大功率点(MPP)。以单级式光伏并网系统为研究对象对所提控制策略进行仿真和实验研究,并与传统扰动观察法进行比较,仿真和实验结果证明了所提控制策略的正确性。     

基于滑模控制的光伏发电MPPT控制

为了快速进行最大功率点跟踪控制,提高太阳电池输出效率,将滑模控制应用在光伏系统最大功率点跟踪控制中,设计了基于光伏MPPT控制的滑模控制器。搭建太阳电池组件模型及Boost变换器和滑模MPPT控制模型,并在MATLAB仿真环境下进行了仿真,结果表明采用滑模MPPT控制可以快速地实现光伏系统的最大功率点跟踪控制,缩短系统调整时间,减小超调量与稳态误差。     

模糊自适应PID控制在光伏发电MPPT中的应用

研究了光伏阵列的非线性功率输出特性,讨论了几种常用的最大功率点跟踪(MPPT)的控制方法,在此基础上设计了基于模糊控制的自适应PID控制器,该模糊控制器能快速响应外界环境的变化,使光伏发电系统始终工作在最大功率点(MPP);同时PID控制能有效地消除在MPP附近的振荡现象,提高系统的稳定性。在Matlab软件的Simulink下进行系统的建模和仿真,结果表明,该方法能够快速准确地跟踪MPP的变化,有着优越的稳态性能。     

基于TS模型的模糊神经网络光伏MPPT控制

为了克服传统最大功率点跟踪(MPPT)方法的一些缺点,使光伏系统更加快速准确地工作在最大功率输出点,提出了基于模糊控制和神经网络控制相结合的自适应控制方法。该方法充分利用模糊神经网络处理非线性问题的优点,通过模糊控制来改变步长,利用神经网络的自学习能力来快速达到平衡,使光伏MPPT在跟踪速度和稳定性之间达到一个较优的平衡。仿真和试验结果表明,基于模糊神经网络自适应控制的MPPT方法具有较强的鲁棒性和自适应能力。     

基于CSA-FPI算法的光伏发电MPPT仿真研究

对光伏阵列进行最大功率点跟踪控制(Maximum Power Point Tracking,简称MPPT),是提高光伏发电系统输出功率的有效措施之一。文章以光伏阵列非线性输出特性为切入点展开研究,在分析了常规算法的优缺点基础上,针对其在最大功率点处(MPP)动态和稳态性能不佳等问题,提出了一种基于布谷鸟搜索算法(CSA)和模糊PI(FPI)控制相结合的光伏阵列MPPT算法。在MATLAB/Simulink下进行了仿真建模,仿真结果表明该方法能够迅速准确地跟踪光伏阵列的最大功率点,防止算法跟踪方向误判情况的发生,具有快速跟踪性和鲁棒性;同时实验结果也证实了上述算法的正确性和有效性。     

光伏系统最大功率点跟踪算法的改进及应用

在光伏发电系统中需对光伏电池的最大功率点进行跟踪来提高系统的输出功率.这里以光伏电池输出非线性特性为切入点展开研究,分析常规电导增量法和自适应算法的优缺点,针对其最大功率点跟踪(MPPT)动态和稳态性能不佳及启动过程特性较差的问题,提出改进的MPPT算法.在Madab/Simulink下进行了建模和仿真,仿真结果表明该...     

光伏发电阵列输出的变论域模糊滞环MPPT控制研究

通过研究光伏发电系统的最大功率点跟踪算法,分析光伏电池的输出特性。根据分析结果,提出一种基于变论域模糊滞环理论的最大功率点跟踪控制方法。该方法能快速感知外部环境变化,有效消除采用单一模糊控制带来的在最大功率点附近振荡的问题,减少了能量流失。实验结果证明,该方法能使光伏系统稳定在最大功率点处工作,消除了振荡,提高了转换效率。     

基于多模型状态估计的光伏阵列MPPT技术

针对光伏阵列最大功率点在局部阴影情况下具有非线性、时变不确定和多个局部功率峰值的特点,采用现代状态估计理论建立光伏阵列输出功率动态模型,利用交互多模型估计算法精确跟踪多状态多峰功率曲线,抑制噪声定位出最大功率点,提出基于多模型状态估计的光伏阵列MPPT技术。仿真和实验验证了所提新MPPT控制策略的正确性和有效性,在有、无阴影情况下都能够快速且准确地跟踪最大功率点,提高光伏发电效率。     

基于改进变步长电导增量法光伏阵列MPPT研究

通过分析光伏阵列特性,针对变步长电导增量( INC)法在光照强度发生大幅度变化时由于错误计算步长引起的系统振荡的缺点,采用了一种改进的变步长INC法,能够快速并准确地进行最大功率点跟踪(MPPT).最后搭建了Boost MPPT控制的硬件电路进行实验验证.结果表明,在光照强度发生大幅度变化时,改进后的算法能快速、准确地...     

变结构模糊控制在光伏发电MPPT中的应用

讨论了光伏发电系统最大功率点跟踪(Maximum Power Point Tracking,简称MPPT)常用控制方法的优缺点,对光伏电池功率电压曲线进行了分析。根据分析结果将变结构模糊控制应用到光伏发电系统MPPT的控制,能快速响应外界环境的变化,使光伏发电系统始终工作在最大功率点(Maximum Power Point,简称MPP)。在两种天气条件下的实验结果证明,该方法能使系统在MPP稳定工作,并能快速跟踪外部环境的变化,具有良好的动、稳态性能。     

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。     

一种改进INC和MPC的光伏最大功率点跟踪算法

最大功率点跟踪(MPPT)常用于在光伏发电系统中获取最大的功率输出。针对光伏系统最大功率点跟踪过程中存在动态响应速度和稳态跟踪精度难以兼顾的问题,提出了一种改进电导增量法(INC)结合模型预测控制算法(MPC)的光伏发电系统最大功率点跟踪技术。利用改进电导增量法获取光伏系统下一时刻的电流参考值,与模型预测控制器获取的电流值相比较,通过建立和评价系统两步长模型指标函数,达到MPPT快速跟踪的目的。仿真结果验证了该方法的有效性。     

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。