基于改进蚁狮算法的光伏多峰值MPPT控制

针对局部阴影下光伏阵列的多峰特性以及传统蚁狮算法的缺陷,提出一种基于改进蚁狮优化的MPPT控制算法.通过针对性的初始化蚁狮位置、将蚂蚁的位置更新公式引入自适应变权重系数调整策略、优化蚁狮陷阱范围大小的改进措施,运用仿真并通过统计分析将提出的算法与传统蚁狮、粒子群、鸡群、蛙跳、花粉授粉和扰动观察法、电导增量法等多种算法进...     

基于自适应变异粒子群算法的光伏MPPT控制研究

针对局部遮阴(PSC)时,光伏阵列输出P-U曲线出现多峰值现象,传统最大功率点追踪(MPPT)算法易陷入局部最优解,无法追踪到全局最优解的问题,该文提出基于自适应变异粒子群算法的光伏MPPT控制方法.在粒子群算法寻优过程中同步调整学习因子与惯性权重,以提高算法收敛速度与精度,同时引入变异机制以扩大粒子搜索范围,增强算法...     

基于改进粒子群优化算法光伏阵列多峰值MPPT的研究

光伏阵列局部处于阴影时,其功率输出会呈现多峰值特征,将造成传统的MPPT算法跟踪失效。文章针对标准粒子群算法(PSO)在实现多峰值MPPT控制时,存在容易进入局部最优、收敛速度较慢和跟踪精度较低等问题,提出了一种基于改进PSO算法的多峰值MPPT控制算法。该方法把非线性变化的变异策略引入到PSO算法中,在显著提高跟踪速度的前提下,扩大了粒子的搜索范围,从而增强了全局寻优能力。仿真与实验结果表明,与传统的PSO方法相比,文章所提出的方法在均匀光照、静态阴影和动态阴影下,均能快速精准地实现对全局最大功率点的跟踪和控制,在一定程度上提高了光伏阵列的发电效率。     

基于改进灰狼优化算法的光伏阵列多峰MPPT研究

针对局部阴影条件下光伏阵列呈现出的非线性多峰值P-V输出特性,提出一种基于改进灰狼优化算法的最大功率点跟踪（MPPT）控制方法。该算法将传统灰狼优化算法中线性减小的收敛因子改进为按非线性规律变化,以改善算法的动态性能。结果表明：所提出的MPPT方法在局部阴影条件下能有效跟踪到光伏阵列的最大功率点,不仅具有较快的跟踪速度,且跟踪精度达到99.1%。     

基于TSO-MSMA算法在光伏系统MPPT中的研究

传统MPPT算法存在易陷入局部最优的问题,且目前采用的智能优化算法解决该类问题也有追踪精度不足、追踪速度慢等问题。为解决上述问题,该文提出一种基于金枪鱼算法（TSO）与改进黏菌觅食算法（MSMA）的混合优化算法。该方法通过早期金枪鱼算法的抛物线觅食策略来加快搜索速度,对黏菌觅食算法采用基于混沌映射的反向学习策略进行改进,达到扩大算法探索范围的目的,使之不易于陷入局部最优,并提高算法运算速度。将改进后的算法应用于光伏系统MPPT中,仿真实验结果表明：改进后算法相较于单独TSO与MSMA算法,在不同遮光条件下追踪速率有较大提升,精确度高于单独的TSO与MSMA算法,拥有更好的追踪速度与追踪精度。     

复杂遮荫下基于改进GWO的光伏多峰MPPT控制

光伏阵列在复杂遮荫环境下的P-U曲线呈现多个峰值导致最大功率跟踪（MPPT）算法失效,为此提出双层控制模型,在上层模型中将Levy飞行和多项式变异策略嵌入灰狼算法,构建Levy-变异灰狼优化算法（LPGWO）搜索全局最大功率点;在下层模型中采用扰动观察法对最大功率点进行局部跟踪,进而有效降低复杂遮荫环境下的功率振荡。仿真结果表明,在多峰MPPT控制中,所提模型具有跟踪速度快、收敛精度高、整体功率振荡小等特点,能有效提升复杂遮荫环境下光伏阵列的最大功率跟踪效率和精度。     

光伏系统多峰值MPPT控制方法研究

实际光伏系统在被部分遮挡的情况下,带有旁路二极管的串联光伏组件呈现出多峰值的输出特性。为得到全局最大功率点,需要对其进行多峰值最大功率点跟踪（MPPT）。在单峰值MPPT控制算法的基础上,提出新的多峰值MPPT控制方法,能够通过4步,实现对最大功率点的有效跟踪。该算法的关键在于确定输出特性的谷值,以便进行定界和多区域搜索。最后通过仿真实例验证该算法的有效性。     

基于布谷鸟算法的光伏MPPT改进

为减小光伏阵列在存在局部阴影时光伏系统输出功率的损失,提高最大功率点追踪（MPPT）的速度和准确性,提出基于布谷鸟（CS）算法和扰动观察法（P&O）相结合的MPPT控制方法（ICS-P&O）。对CS算法中的种群进行分组,在随机游走阶段为2个种群设置不同的更新策略,在偏好游走阶段加入信息共享策略来辅助更新,从而加快算法的收敛,提升收敛精度,而后利用小步长P&O算法进一步提高后期的收敛精度。仿真结果表明,所提算法在不同的外界环境下追踪速度和追踪精度均得到有效提升。     

基于粒子群算法的光伏电池MPPT控制策略

针对光伏电池的非线性特性,文章将优化粒子群算法全局寻优的特点应用到光伏电池的最大功率点跟踪中,并利用MATLAB对光伏电池最大功率点跟踪进行不同环境条件下的仿真。仿真结果表明,该控制策略能够快速、准确地跟踪到光伏电池的最大功率点,而且有效地减小了输出功率的振荡。     

光伏并网发电系统的MPPT改进算法及其在光照突变时的仿真

利用MATLAB软件中的S函数编写了光照突变时光伏组件的模型,并依此建立了一个三相光伏并网发电系统的仿真模型。对传统的最大功率点跟踪（MPPT）算法进行了分析,提出了扰动观测法和电导增量法的改进算法,给出了基于光照突变时传统的恒定电压法和所提改进算法的跟踪仿真曲线,通过根据跟踪曲线的局部和总体的相对误差以及方差比较了这些算法的效果,指出改进的扰动观测法是一种特性较好并具有实用性的MPPT算法。由于仿真分析采用了三相并网运行光伏发电系统的仿真模型,得到的结论更适合作为实际应用参考。     

基于改进电导增量法的光伏MPPT控制

为了提高光伏发电效率及系统稳定性,需要对光伏阵列进行最大功率点跟踪(MPPT)控制.针对传统扰动观测法存在的系统振荡及误判问题,提出一种改进的电导增量法,通过计算系统当前时刻电导与电导变化率的差值,利用积分器进行调节,消除其差值,最终实现对系统最大功率点的稳定跟踪.为验证所提算法的有效性,将改进电导增量法与传统扰动观测...     

局部阴影下基于遗传蚁群算法对MPPT的研究

针对光伏阵列局部遮挡时P-V特性曲线存在多个峰值的情况,以最大功率跟踪点为研究对象,提出基于遗传蚁群算法的MPPT算法,该算法基于遗传算法的计算理念,通过引入蚁群算法中信息素累积的概念,将两种算法进行有效融合,解决了遗传算法寻优效率低的问题。文章对基于遗传蚁群算法的MPPT算法进行建模、仿真。研究结果表明:在仿真计算中,与遗传算法相比,基于遗传蚁群算法的MPPT算法在收敛速度和精确性方面均有明显提高;在实际工程应用中,与遗传算法相比,基于遗传蚁群算法的MPPT算法不仅可以稳定跟踪到最大功率点,而且跟踪用时缩减了80%。     

基于差分进化的光伏MPPT算法改进

基于差分进化(DE)算法提出一种改进的最大功率追踪(MPPT)算法。针对DE算法MPPT时收敛较慢且追踪过程中会产生较大的尖峰电压和振铃的问题,该文采用新的差分策略并增加种群个体排序,提出一种差分进化和扰动观察法(P&O)相结合的OMDE-P&O算法。首先通过OMDE算法快速达到最大功率对应的电压附近,然后通过P&O算法快速稳定到最大功率点。通过Matlab仿真及硬件实验,验证该算法的可行性。     

基于拟合反演滑模方法的光伏系统MPPT控制

该文提出一种基于拟合优化的反演滑模控制的混合MPPT方案。该方案首先根据光伏发电系统的P-V特征曲线,使用3次插值函数来拟合最大功率点处的参考电压,然后基于参考电压以及反演滑模控制原理,设计相应的控制器并通过PWM调制控制占空比,使之在不同的环境条件下能迅速有效跟踪最大功率点。最后,通过Matlab/Simulink仿真验证所提出优化方案的有效性,并与其他经典方法进行对比分析。结果显示,该方法跟踪速度快、稳态功率波动小,跟踪性能优异。     

光伏电池最大功率点跟踪控制方法的对比研究及改进

光伏发电系统中光伏电池的输出特性具有唯一的最大功率点(MPP),需要对光伏电池的最大功率点进行跟踪(MPPT)。文中分析了几种常见的最大功率点跟踪控制方法对比分析了它们的优缺点。针对MPPT控制方法中存在的启动特性较差、跟踪过程不稳定、精度不高等特点,采用一种改进爬山法,该法以恒定电压法作为启动特性及采用变步长进行跟踪控制,并利用Matlab/Simulink搭建了改进爬山法的MPPT控制模型,仿真结果验证该方法的有效性。     

基于改进多种群遗传算法的光伏阵列多峰值MPPT研究

光伏阵列在实际工作条件下因灰尘、受照不均匀等影响而功率输出呈现多峰特性,传统的最大功率点跟踪（maximum power point tracking,MPPT）算法不能实现全局寻优,无法精确跟踪到最大功率点。遗传算法可以有效解决多峰寻优问题,但一般遗传算法在跟踪过程中会出现早熟、准确率较低等问题,为此,提出一种多种群遗传算法（multiple population genetic algorithm,MPGA）与扰动法相结合的算法来解决此类问题。在光伏电池拓扑模型中,采用优化双二极管代替单二极管模型,并在Matlab/Simulink下进行建模仿真。结果表明：该算法可以准确快速高效地找到局部阴影条件下光伏阵列的最大功率点。     

遮阴条件下光伏MPPT自适应粒子群算法优化

针对在局部阴影情况下光伏阵列的功率-电压（P-U）特性曲线呈多峰特性,粒子群算法应用于局部阴影下的最大功率点跟踪（MPPT）跟踪,存在搜索速度慢、精度低的缺点。提出自适应惯性权重粒子群优化（PSO）算法的最大功率点跟踪算法,自动更新惯性权重w和学习因子C₁、C₂,通过仿真实验,优化前的全局最大功率点（GMPP）跟踪时间是0.045 s,输出功率为468 W。优化后的自适应粒子群算法GMPP跟踪时间为0.020 s,输出功率稳定在为480 W,光伏阵列的输出功率跟踪误差小于30%。在所搭建辐照度突变模型仿真中,在4.022 s突变到300 W/m²时经过0.05 s又重新跟踪到了新的最大功率点稳定在0.075 MW。最后通过实验平台验证,优化后的自适应粒子群优化算法与传统的粒子群优化算法相比,追踪时间减少了55.5%,误差小于5%,验证了该算法可行性和实用性。     

基于IP&O-ICS算法的光伏系统MPPT控制研究

传统的光伏系统MPPT算法易陷入局部最优,而基于智能优化算法的MPPT方法追踪速度慢,皆不能同时兼顾准确性和快速性。对此,该文设计一种变步长扰动观察法（IP&O）结合自适应布谷鸟搜索（ICS）算法的复合算法,先利用IP&O迅速到达对应电压最大的功率极大值点,再根据复杂光照环境下光伏阵列的输出特性,利用该点的功率值调整ICS算法的搜索范围,使其快速准确地追踪到最大功率点。通过仿真对比,验证了此算法在追踪速度和精度上的优越性。     

基于功率二次微分的光伏系统改进MPPT算法研究

提出了一种基于功率二次微分的改进最大功率点跟踪（MPPT）算法（简称PQD-MPPT算法）。算法在系统启动时采用恒定占空比启动,并给出了恒定占空比的求解公式,提出了根据功率变化量来调整跟踪步长的方法,当功率变化较大时,采用自适应大步长以使系统快速跟踪到最大功率点附近,反之较小时,根据功率对占空比的二次微分值的正负进一步划分跟踪区域：即当功率二次微分值为正时,采用固定大步长以使系统快速跟踪到最大功率点附近;当功率二次微分值为负时,采用自适应小步长以使系统能够稳定工作在最大功率点处。实验结果表明,与现有变步长MPPT算法相比,该算法具有良好的跟踪性能     

多目标粒子群优化算法在光伏MPPT中的应用

为提高光伏电池的利用率,需要进行光伏阵列的最大功率点跟踪(MPPT),针对传统粒子群优化算法在多目标优化中的不足,提出了基于最小粒子角度的多目标粒子群优化算法,利用目标空间中不同粒子之间的角度进行粒子全局极值更新,通过比较粒子的浓度值给出粒子群及粒子个体极值更新方法,并在Matlab/Simulink下进行了建模与仿真。仿真结果显示,该算法在外界环境变化时能快速准确地跟踪太阳能电池的最大功率点,并能保证系统的稳定性。