阴影条件下基于迁移强化学习的光伏系统最大功率跟踪

在光伏系统中,光伏阵列往往会受到阴影条件(partial shading condition,PSC)的影响,造成光伏系统输出功率偏低以及功率-电压($P-V$)特性曲线出现多峰值的现象,从而导致常规最大功率跟踪(maximum power point tracking,MPPT)算法易陷入局部最优的问题.对此,设计一种基于迁移强化学习(transfer reinforcement learning,TRL)的MPPT算法.该算法将连续变量的动作空间分解为若干个小范围的子搜索空间,从而有效提高TRL的学习效率.同时,引入知识迁移,即将旧任务的最优知识矩阵应用到新任务中,进而大幅提高TRL的收敛速度.通过对3种算例的研究,即恒温变光照强度、变温变光照强度和香港实地测试,其仿真结果表明,与传统增量电导法(incremental conductance,INC)、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization, PSO)算法、人工蜂群(artificial bee colony,ABC)算法、布谷鸟算法(cuckoo search algorithm,CSA)、教-学优化(teaching-learning based optimization,TLBO)算法以及Q学习算法相比,TRL能在PSC下实现最快速的全局最大功率跟踪,同时具有最小的功率波动.最后,基于dSpace的硬件在环实验验证了TRL的硬件可行性.     

基于粒子群多峰值MPPT算法的光伏系统研究

局部遮荫时,光伏阵列P-V特性曲线呈现多个峰值点,传统算法难以追踪到最大功率点(MPPT),针对此问题提出了粒子群多峰值MPPT算法,该算法通过粒子群搜索最大功率点处电流,并控制光伏阵列输出电流,从而实现最大功率点跟踪;仿真结果表明粒子群多峰值MPPT算法可以用在光伏并网发电系统中,并且该算法比传统算法收敛速度更快,稳态效果更好。     

基于粒子群优化的光伏系统MPPT控制方法

局部遮阴条件下光伏阵列P-V特性引起的多个极值点使常规的最大功率点跟踪(MPPT)算法失效。针对上述问题,提出一种基于粒子群优化算法的控制方法,以解决局部遮阴下的最大功率跟踪问题。实验结果显示,光伏模板的输出电压被稳定地控制在最大功率点附近,证明算法是有效的。     

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。     

改进粒子群算法在光伏阵列多峰值MPPT中的应用

在局部遮荫下,光伏阵列的P-U特性曲线存在多个极值点,常规最大功率跟踪(MPPT)算法在光伏阵列多峰值MPPT应用中将失效。粒子群算法(PSO)有良好的全局搜索能力,被应用于光伏阵列多峰值MPPT,但是PSO存在收敛精度低和收敛不稳定性的缺点。为了提高PSO算法的收敛稳定性和收敛精度,引入非线性策略对PSO算法进行改进,Matlab仿真结果表明,改进的粒子群算法在多峰值MPPT应用中可以稳定、准确的跟踪光伏阵列的最大输出功率。     

粒子群算法在光伏系统最大功率点跟踪中的应用

介绍了光伏电池的特性,并在Matlab/Simulink中进行建模仿真研究.针对局部遮阴条件下光伏阵列的P-U特性呈现多个极值点,导致常规的最大功率点跟踪算法失效的问题,提出了一种基于粒子群算法(PSO)的最大功率点跟踪(MPPT)控制方法.仿真结果表明,该方法能够快速、准确地跟踪光伏阵列的最大功率点,具有较好的控制精度,有效地提高了光伏阵列的输出效率.     

基于改进PSO算法的光伏发电系统MPPT控制策略

光伏发电系统运行在局部阴影条件下,其P-V曲线呈现多个峰值,为了保证光伏发电系统能够工作在最大功率点下,提出一种改进粒子群优化(PSO)算法的最大功率点跟踪(MPPT)的控制策略。改进算法采用非线性自适应的学习因子和加速因子同时采用随机惯性权重。仿真实验和真实实验验证所提出的算法在光伏发电系统的MPPT控制中具有较快的收敛速度的同时具有较高的精准度和较小的搜索振荡。     

基于分组粒子群的光伏最大功率点跟踪方法

针对光伏发电系统在复杂遮阴条件下,光伏输出P-V特性曲线呈现高度非线性,采用基于分组粒子群算法（particle swarm optimization, PSO）和优化的扰动观察法(perturb and observe, P&O)相结合的MPPT（maximum power point tracking）算法进行光伏发电系统输出功率的提升。提出的最大功率点算法分为两个阶段,首先通过将混合蛙跳算法(shuffled frog leaping algorithm, SFLA)的分组思想引入到传统粒子群算法,并采用改进后算法实现近似全局最大功率点的快速搜索,以加快最大功率点跟踪的收敛速度和稳定性。然后,采用优化的扰动观察法实现最大功率点附近的动态精确跟踪,同时减少后续最大功率点跟踪过程中的计算量。通过在不同阶段发挥两种MPPT算法的各自优点来提高光伏最大功率点跟踪控制的效率。最后进行光伏系统遮阴条件变化的仿真实验,与传统粒子群算法相比,提出MPPT方法具有较快的跟踪速度和稳定的功率输出。     

基于自适应线性调节抗干扰PSO的光伏群体MPPT控制

光伏发电已成为新能源发电的主要研究方向,但当外界环境发生突变或由于遮挡使光伏阵列出现阴影时,传统的最大功率点跟踪(MPPT)算法会出现误判或因陷入局部最大功率点等问题而失效。针对这些问题,提出了一种自适应线性调节的粒子群(PSO)算法,并采用一个MPPT控制器同时实现多支路光伏阵列群体MPPT控制。最后,通过仿真验证所提控制策略的有效性。结果表明,自适应线性调节PSO群控方法振荡小,可实时精准跟踪最大功率点,控制电路较为简单,降低系统控制成本。     

基于自适应正态云模型的引力樽海鞘群算法

针对樽海鞘群算法(salp swarm algorithm,SSA)在求解复合问题时存在收敛速度慢和容易陷入局部最优等缺点,提出一种结合引力搜索技术与正态云发生器的樽海鞘群算法(cloud gravitational SSA,CGSSA).在更新樽海鞘领导者位置阶段引入引力搜索算法(gravitational sear...     

Enhanced whale optimization algorithm for maximum power point tracking of variable-speed wind generators

This paper proposes an enhancement of the meta-heuristic whale optimization algorithm (WOA) for maximum power point tracking (MPPT) of variable-speed wind generators. First of all, twenty-three benchmark functions tested the enhanced whale optimization algorithm (EWOA). Then the statistical results of EWOA compared with the results of other algorithms (WOA, salp swarm algorithm (SSA), enhanced SSA (ESSA), grey wolf optimizer (GWO), augmented GWO (AGWO), and particle swarm optimization (PSO). Also, the non-parametric statistical test and convergence curves proved the superiority and the speed of the EWOA. After that, the EWOA and WOA are implemented to design optimal Takagi–Sugeno fuzzy logic controllers (FLCs) to enhance the MPPT control of variable-speed wind generators. Moreover, real wind speed data has confirmed the robustness of optimal EWOA-MPPT. In conclusion, the simulation results revealed that the EWOA is a promising algorithm to be applied for solving different engineering problems.     

A new maximum power tracking in PV system during partially shaded conditions based on shuffled frog leap algorithm

Abstract

Maximum Power Point Trackers (MPPTs) are power electronic conditioners used in photovoltaic (PV) system to ensure that PV structures feed maximum power for the given ambient temperature and sun’s irradiation. When the PV panels are shaded by a fraction due to any environment hindrances then, conventional MPPT trackers may fail in tracking the appropriate peak power as there will be multi power peaks. In this work, a shuffled frog leap algorithm (SFLA) is proposed and it successfully identifies the global maximum power point among other local maxima. The SFLA MPPT is compared with a well-entrenched conventional perturb and observe (P&O) MPPT algorithm and a global search particle swarm optimisation (PSO) MPPT. The simulation results reveal that the proposed algorithm is highly advantageous than P&O, as it tracks nearly 30% more power for a given shading pattern. The credible nature of the proposed SFLA is ensured when it outplays PSO MPPT in convergence. The whole system is realised in MATLAB/Simulink environment.     

改进樽海鞘群算法求解柔性作业车间调度问题

针对以最小化最大完工时间的柔性作业车间调度问题,在标准樽海鞘群算法(salp swarm slgorithm, SSA)的基础上,提出一种改进的樽海鞘群算法。采用基于工序和基于设备的二维向量进行编码,并考虑设备负载进行种群初始化。基于Lévy飞行对领导者位置更新方式进行离散化改进;在追随者位置更新公式中引入自适应惯性权重,使算法的全局搜索和局部搜索能力得到更好的平衡。为提高搜索效率,设计了交叉算子和基于关键路径的变异算子来保证种群的多样性,同时引入模拟退火(simulated annealing,SA)策略,改善算法的局部搜索能力。通过采用标准算例进行对比计算,结果验证了所提算法的有效性。     

双领导者樽海鞘群算法

为了提升樽海鞘群(Salp Swarm Algorithm,SSA)算法的求解精度和全局搜索能力,提出了一种基于正态过程搜索和差分进化(Differential Evolution,DE)算法的改进樽海鞘群算法——双领导者樽海鞘群算法(Two Types of Leaders Salp Swarm Algorithm,TTLSSA)。该算法设置了两类领导者和两种跟随群体,其中执行正态过程搜索的领导者需要进行正态过程游走、交叉、选择等操作,主要用于全局勘探;当前最优解附近的领导者在随迭代次数呈锯齿状变化的参数gap的影响下,兼顾了全局搜索和局部开发两种功能。用18个不同类型的标准测试函数检验所提算法的性能,并与DE、SSA、正弦余弦算法(Sines and Cosines Algorithm,SCA)、灰狼优化(Grey Wolf Optimizer,GWO)算法以及鲸鱼优化算法(Whale Optimization Algorithm,WOA)做对比,TTLSSA在16个测试函数上的平均精度排名第1或并列第1,在2个测试函数上的平均精度排名第2,在6种算法中平均耗时排名第2,说明了TTLSSA在没有增加SSA时间成本的前提下,显著提升了优化能力。     

基于深度军队联合作战算法的永磁同步发电机最大功率跟踪

提出一款新型启发式算法,即深度军队联合作战算法(DJOA),用于调节永磁同步发电机(PMSG)的比例–积分–微分(PID)控制器最优参数.从而实现不同风速下的最大功率跟踪(MPPT). DJOA由如下3类策略构成,即:a)进攻作战:DJOA与传统军队联合作战算法(JOA)的进攻作战机理一致,以实现最优解的全局搜索(global exploration);b)深度防御作战:DJOA引入两名副官(当前两个次最优解),通过综合考虑军官(当前最优解)与两名副官的信息,从而合理引导士兵以实现更深度的局部探索(local exploitation); c)混合重组作战:DJOA引入混合蛙跳算法(SFLA)机制来有效避免算法陷入局部最优.本文通过4个算例对DJOA的优化性能进行研究,即阶跃风速、低频随机风速、高频随机风速以及鲁棒性测试.仿真结果表明,与量子遗传优化算法(QGA)、生物地理学习的粒子群算法(BLPSO)和JOA相比,所提算法能够最大程度地获取风能且仅需最低的控制成本,同时在发电机参数不确定下具有最高的鲁棒性.     

基于自适应t分布与动态权重的樽海鞘群算法

针对樽海鞘群算法寻优精度低、收敛速度慢和易陷入局部最优等缺点,提出一种基于自适应t分布与动态权重的樽海鞘群算法。首先,在领导者位置更新中引入蝴蝶优化算法中的全局搜索阶段公式,以此来增强全局探索能力;然后,在追随者位置更新中引入自适应动态权重因子来加强精英个体的引导作用,从而增强局部开发能力;最后,为了避免算法陷入局部最优,引入自适应t分布变异策略对最优个体进行变异。通过对12个基准测试函数进行求解,根据平均值、标准差、求解成功率、Wilcoxon检验和收敛曲线分析,表明所提出的算法要优于标准樽海鞘群算法,以及参与比较的其他改进樽海鞘群算法和其他群智能算法,说明了其在寻优精度和收敛速度方面都有显著提升,并且具备跳出局部最优的能力。通过将其应用在脱硝入口浓度最低点寻找上,验证了算法的有效性。     

采用自适应扰动观察法的光伏并网系统最大功率点跟踪

提出了一种自适应扰动观察（P＆O）算法,用于在不同天气条件下太阳能光伏（PV）并网系统的最大功率点跟踪（MPPT）控制策略。该策略对于从太阳能光伏电池板中,获取最大的功率输出是十分重要的。利用一种依赖于功率变化的可变的扰动步长,提出了改进的自适应扰动观察算法。最后将通过仿真所得到的数据与传统的扰动观察算法进行了比较,结果表明所提出MPPT算法的收敛值和速度得到了改善,稳定时间缩短25%,稳态值提高20%以上,在太阳能光伏并网系统的最大功率点跟踪时是有效而实用的。     

基于自适应惯性权重的樽海鞘群算法

针对标准樽海鞘群算法收敛精度低、收敛速度慢的问题,提出一种基于自适应惯性权重的樽海鞘群算法(AIWSSA).首先,在追随者位置更新公式中引入惯性权重因子评价个体之间的影响程度;然后,结合种群成功率与非线性递减函数对惯性权重因子进行自适应调整,使算法的全局和局部搜索能力得到更好地平衡;最后,为防止算法陷入局部最优,引入差分变异思想对非最优个体进行变异.对12个基准测试函数进行求解,实验结果表明:AIWSSA具有较高的收敛精度、收敛速度和鲁棒性; Wilcoxon统计检验结果表明:与标准樽海鞘群算法、改进的樽海鞘群算法、其他群体智能算法相比, AIWSSA表现出较好的性能.通过将其应用于两种带约束的工程设计问题,验证了AIWSSA的有效性.