基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型.通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪.Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法.     

粒子群优化BP神经网络光伏锂电池充电系统

通过对太阳能光伏电池最大功率点的跟踪和锂电池的充电控制两部分实现了对锂电池的快速充电。首先利用SIMULINK的s-function的自定义模块和粒子群优化BP神经网络算法实现了对在辐射度、电池板温度、环境温度和风速共4种工作环境下的光伏电池进行最大功率点跟踪和建模,然后通过单片机编程对开关管进行PWM控制,完成充电电路的智能控制。之后,结合MATLAB和SIMULINK完成粒子群优化BP神经网络并在PROTEUS平台上完成充电电路的仿真,最后程序下载到硬件中并通过调试完成对锂电池充电过程的检测。结果表明,粒子群优化后的BP神经网络光伏锂电池充电控制系统具有较高的充电速度和充电效率。     

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。     

基于Boost-Cuk拓扑的优化滑模控制MPPT技术

针对现有最大功率点跟踪(MPPT)控制方法的不足,结合光伏系统非线性和滑模控制动态响应速度快、鲁棒性好的特点,提出一种基于Boost-Cuk拓扑的优化滑模控制MPPT技术。光伏阵列DC/DC升压电路采用最新高增益Boost-Cuk拓扑结构,控制器采用优化滑模控制技术。为削弱功率抖振,系统稳定在最大功率点(MPP)时采用固定占空比控制,MPPT模式下采用优化滑模控制。在建立光伏发电系统平均状态数学模型的基础上对BoostCuk DC/DC变换电路以及优化滑模MPPT控制器进行了数字仿真和实验验证。仿真和实验结果表明,在光照强度变化情况下,采用Boost-Cuk拓扑的优化滑模控制器稳态抖振很小,能快速稳定地跟踪到MPP,控制算法实用有效。     

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。     

粒子群优化在光伏系统MPPT控制中的应用

粒子群优化(PSO)是一种基于生物智能的优化方法,能快速地搜索出多极点非线性函数的最优解,非常适合作为遮阴条件下光伏系统的最大功率点跟踪(MPPT)控制算法。针对因局部遮阴函数产生多极点的问题,在传统PSO的基础上加以改进,增加了粒子淘汰的环节。实验结果表明,改进后的算法使系统的MPPI控制更加快速有效。     

一种优化MPPT控制算法及应用

大型光伏水泵系统在特殊工作环境下光伏阵列时常处于局部阴影状态,其输出具有高度非线性和多个局部功率峰值,此时传统最大功率点跟踪(MPPT)方法不再适用。对此提出将粒子群优化(PSO)算法引入光伏阵列MPPT控制,根据阵列输出特性给出了初始粒子定位、算法参数调整和算法重启策略方法,实现了部分遮蔽情况下光伏水泵系统最大功率点(MPP)的稳定跟踪,避免了系统工作点在MPP附近振荡,同时还具有全局搜索功能,进一步提高光伏水泵系统的工作效率。最后实验结果表明了该算法的稳定性和有效性。     

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。     

复杂应用环境下粒子群光伏MPPT控制方法

通过建立基于采样数据的光伏曲线离散化非线性状态空间模型,分析复杂应用环境对光伏最大功率点跟踪(MPPT)控制的影响,运用递推最小二乘滤波减弱量测误差,针对状态变化造成的多功率极值问题,采用粒子群优化(PSO)算法跟踪全局最大功率点,最后通过仿真与实验验证所提跟踪策略能克服复杂应用环境影响,准确跟踪阵列全局最大功率点且能抑制量测噪声,提高算法的跟踪精度。     

考虑局部阴影的光伏阵列最大功率点追踪优化控制策略

针对局部阴影下光伏阵列出现多峰值输出的情况,提出一种优化粒子群算法与模糊控制扰动观察法相结合的最大功率点追踪方法。利用优化粒子群算法在全局范围内寻找极值点及最大功率点;通过设置语言变量、定义模糊子集及模糊控制推理,进行跟踪调节和稳定控制,实现光伏系统最大功率输出。提高了搜寻精度,缩短了搜寻时间,避免了在最大功率点处的震荡。仿真结果验证了所提算法的有效性和合理性。     

考虑局部阴影的光伏阵列MPPT优化控制策略

针对局部阴影下光伏阵列出现多峰值输出的情况,提出一种优化粒子群算法与模糊控制扰动观察法相结合的最大功率点追踪方法。利用优化粒子群算法在全局范围内寻找极值点及最大功率点;通过设置语言变量、定义模糊子集及模糊控制推理,进行跟踪调节和稳定控制,实现光伏系统最大功率输出。提高了搜寻精度,缩短了搜寻时间,避免了在最大功率点处的震荡。仿真结果验证了所提算法的有效性和合理性。     

基于PSO-PSA的光伏系统最大功率点跟踪技术

为弥补恒定电压法实现最大功率点跟踪时忽略外界条件变化的缺陷,提高其跟踪精度和光伏系统的发电效率,本文提出了基于混合粒子群-模式搜索算法(PSO-PSA)的光伏发电最大功率点跟踪方法。对光伏电池模型进行仿真分析,绘制其在外界条件变化的情况下的输出特性曲线,分析环境变化对最大功率点的影响;通过对比PSO-PSA与粒子群算法,对基准测试函数的求解速度、精度与稳定性,验证本文算法的有效性,进而在不同环境条件下将混合算法优化输出结果与模型输出结果进行对比;将PSO-PSA与光伏阵列结合应用到Boost电路,实现模型动态输出结果与理论计算值匹配,从而实现最大功率点的有效跟踪。结果表明:基于PSO-PSA的光伏系统最大功率点跟踪技术合理,跟踪精度较高,弥补了使用固定电压值时无法适应环境改变而造成能源浪费的不足。     

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。     

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。     

蚁群算法优化RBF神经网络的光伏发电MPPT

针对如何提高光伏电池最大功率点预测跟踪精度的问题,讨论了光伏电池非线性输出特性。在此基础上,建立基于RBF神经网络的光伏电池最大功率点预测跟踪模型,以光照强度和温度为模型的输入,光伏电池的最大功率点电压为模型输出,并将RBF神经网络的中心参数采用蚁群算法进行优化,从而实现最大功率点预测跟踪。仿真结果表明,该方法比传统的RBF神经网络方法具有更高的预测精度,能更好地预测跟踪光伏电池的最大功率点。     

部分遮蔽光伏发电系统的建模及MPPT控制

为了优化利用大型光伏发电系统的阵列组件,设计了一个改进的多元结构部分遮挡光伏系统数学模型。采用一个集中的最大功率点跟踪(maximum power point tracking, MPPT)控制器,在 Matlab环境下进行建模仿真,证明该多元结构的光伏系统数学模型可以优化系统结构,节约设备,降低成本。为了提高最大功率点的跟踪准确度和速度,提出了一种基于改进的粒子群优化算法(particle swarm optimization,PSO)的最大功率点跟踪方法,并进行建模仿真和实验,与扰动观察法(perturbation and observation,PO)的性能指标和输出波形图对比,验证改进的粒子群优化算法对最大功率点具有更快的跟踪速度,避免在最大功率点附近产生振荡。     

单相光伏并网逆变器的反步滑模控制策略

为了克服光伏并网逆变系统受外界干扰和系统参数的不确定性等多种因素的干扰,以逆变器的输出滤波电容电压及其导数为状态变量,将反步法和滑模控制相结合,提出了基于反步滑模控制的光伏并网逆变器控制策略。推导了具有参数不确定和外界干扰情况下的逆变器的反馈控制律。为了获取光伏阵列的全局最大功率点(maximum power point,MPP),提出了一种基于改进粒子群优化算法(particle swarm optimization,PSO)的最大功率点跟踪(maximum power point tracking,MPPT)方法,将占空比分为两部分进行初始化,建立了光伏阵列运行功率与占空比之间的线性关系。仿真和试验结果验证了所提控制策略的有效性。     

基于NN模型估计的光伏最大功率点跟踪控制技术研究

为了有效利用光伏阵列转换能量,提高并网发电效率,需要对其进行最大功率点跟踪控制( MPPT).提出了基于二级神经网络-遗传寻优的方法,通过利用PV神经网络模型拟合光伏电池输出功率与输出电压的非线性特点,为MPPT寻优提供模型依据,采用遗传算法编码灵活的特性实行并行搜索,并采用存储器函数变换技术使得系统达到在线控制的效果.仿真及实验表明,遗传算法对PV曲线进行最大值寻优,经过52代遗传得到最大功率为135.811 4 W,对应的电压值为72.138 24 V,这与实际最大功率点相比的误差为1.45％,取得了精度较高的跟踪效果,提高了系统稳定性.并且该方法能够准确跟踪最大功率点,克服了传统爬山法等在最大功率点附近振荡引起功率损耗的问题,同时也克服了传统神经网络方法采集训练数据的难度.     

基于自适应滑模层极值搜索的光伏发电最大功率跟踪方法

保证光伏阵列快速到达最大功率点并且能稳定运行,一直以来是光伏发电研究领域关注的重要问题之一。为此,文中提出了基于参数自适应调整滑模层极值搜索控制的光伏发电系统最大功率跟踪新方法。首先证明了基于滑模极值搜索的光伏发电系统最大功率跟踪控制策略的稳定性;然后提出采用具有更低控制频率及更低控制噪声的滑模层函数代替简单的开关函数。在此基础上,进一步提出了控制参数的自适应调整方法,使得控制系统在具有较好的控制品质的同时,避免了繁琐的人为参数调整。算例证明了所提方法的有效性。     

基于GA-BP神经网络的光伏阵列MPPT研究

为了有效提高光伏发电系统的最大输出功率,在综合考虑传统算法优缺点的基础上,研究一种基于遗传算法(GA)优化BP神经网络的光伏最大功率点跟踪(MPPT)方法。通过建立神经网络最大功率点预测模型,并将预测模型转化为可在Simulink中直接使用的模块,避免了使用传统的S函数控制方法。在Matlab/Simulink环境下进行了仿真验证,仿真结果表明在光照强度和温度迅速变化时,该新型算法较传统电导增量法明显缩短了MPPT的跟踪时间,并且有效抑制了系统在最大功率点附近的波动。