基于鲸鱼粒子群融合算法的MPPT研究

在局部阴影遮挡条件下,经典最大功率点跟踪(MPPT)算法容易失效,导致无法追踪到最大功率点,针对此问题,提出了一种基于鲸鱼粒子群融合算法的多峰MPPT控制策略。该算法实现了混合算法的优势互补,增强了鲸鱼算法后期收敛效率,且避免了粒子群算法易停滞于局部极值的缺陷,提高了鲸鱼粒子群融合算法的收敛精度和寻优效率。在MATLAB/Simulink环境中建立光伏阵列仿真模型,仿真结果表明：该算法追踪过程中震荡幅度减小,能够快速准确地搜索到最大功率点。     

改进APSO算法在光伏MPPT控制中的应用

局部阴影条件下,光伏发电系统中P-U曲线会呈现多峰现象,传统的最大功率点跟踪(Maximum Power Point Tracking, MPPT)算法易失效,粒子群(PSO)算法适用于复杂多极值系统的寻优,因而在多峰全局MPPT中得到应用。针对寻优过程中传统PSO算法搜索精度低以及易出现早熟现象的缺点,本文提出了自适应惯性权重粒子群(APSO)算法,在PSO算法中引入非线性惯性权重,以提高多峰全局寻优的精度与速度。最后利用MATLAB/Simulink对系统进行仿真,仿真结果表明：在均匀光照和可变阴影条件下,APSO算法能有效提高系统寻优的收敛速度与精度。     

粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用

局部阴影情况下,光伏阵列功率-电压(P-U)特性曲线呈现多个极值点,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法会失效。研究了粒子群优化算法(particle swarm optimization,PSO)在光伏阵列(photovoltaic array)多峰MPPT中的应用,该方法根据多峰P-U曲线的特性,提出将粒子初始位置分散定位在可能的峰值点电压处这一新思路,保证了粒子群算法不会陷入局部极值点且不会错过任何极值点。设置了粒子群算法的参数,同时提出有效的迭代终止策略,能够避免系统趋于稳定时的功率振荡。最后通过仿真验证了该算法在有、无阴影情况下均能够快速且准确地跟踪最大功率点,有效地提高了光伏阵列输出效率。     

梯度与极值搜索复合算法的多峰值MPPT控制

当多个光伏组件串联组成的光伏阵列被部分遮挡时,带有旁路二极管的光伏组件会呈现出多峰值的输出特性,此时基于单峰值的最大功率点跟踪(MPPT)算法易陷入局部最优点从而导致寻优跟踪失败。为得到全局最大功率点(GMPP),需采用多峰值MPPT算法。提出一种结合梯度法和极值搜索(ESC)法的多峰值MPPT复合算法。该算法用梯度法搜索到第一个峰值附近的功率点,以该点为ESC法的起始点搜索出局部最大功率点(LMPP),再利用该LMPP为起始点进行迭代搜索,直到获取GMPP。与传统多峰值MPPT算法相比,该复合算法能快速准确地跟踪光伏阵列的最大功率点(MPP),具有良好的动态性能。     

IFA在光伏遮蔽情况下MPPT中的应用

在遮蔽情况下,光伏阵列输出的P-U特性曲线呈现出多峰状态,传统最大功率点跟踪(MPPT)算法可能会陷入局部极值。提出了一种基于改进萤火虫算法(IFA)的MPPT算法,首先在原始算法步长更新公式中引入具有变权重系数的惯性项,使得追踪过程能很好地实现全局搜索能力与局部寻优的平衡;其次在步长更新公式中引入加速系数,在功率值较低的区域加大步长,减少追踪所用时间和能量损失。最后,通过仿真和实验,与经典粒子群优化(PSO)算法进行了比较,证明了所提算法跟踪能力更优。     

改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪

针对光伏阵列处于局部遮阴情况下其P-U特性曲线呈现出多极值点特性,传统最大功率点跟踪(MPPT)算法由于搜索机制导致难以跳出局部最优准确跟踪到最大功率点问题,提出一种基于改进鲸鱼算法优化支持向量机回归(SVR)的最大功率点跟踪方法.该方法在普通鲸鱼算法的基础上引入对数权重因子与随机差分变异策略,增强了算法在全局搜索与局部开发协调性能、避免陷入局部最优的能力.利用该改进鲸鱼算法对SVR参数寻优,建立光伏阵列最大功率点电压预测模型,并与电导增量法(INC)相结合应用于MPPT控制.Matlab/Simulink仿真结果表明,所提的复合MPPT控制算法在各种局部遮阴及光照突变情况下都能够有效避免陷入局部寻优,迅速准确地跟踪到全局最大功率点(GMPP).     

基于混合式蝴蝶算法的局部阴影光伏MPPT研究

针对传统最大功率跟踪(MPPT)算法在跟踪局部阴影时的光伏最大功率失效问题，以及目前元启发式MPPT算法中较多初始种群数导致算法计算负担过大，寻优时间过长的现象，提出了一种新的蝴蝶算法(BOA)-爬山法(HC)混合MPPT控制算法。该算法利用BOA进行全局寻优，在搜索至全局最大功率附近时采用HC进行后续搜索。利用传统MPPT方法的快速收敛性来提高元启发式算法的搜索速度，减小BOA的搜索空间，加快整体算法的全局跟踪速度。利用MATLAB/Simulink仿真软件搭建了局部阴影下的光伏发电系统，并在相同种群数目下对粒子群(PSO)和BOA算法进行测试对比，验证了所提算法的有效性。     

基于改进鸽群算法的光伏阵列MPPT方法

针对光伏系统最大功率点跟踪MPPT(maximum power point tracking)控制方法在多峰状态下易陷入局部最优,导致光伏系统输出效率较低的不足,提出一种基于学习因子改进鸽群算法的MPPT控制方法.首先对光伏阵列输出多峰值进行分析,在鸽群算法中引入学习因子,通过前后两阶段学习因子的相互交流,有效增强了全局寻优能力.然后提出改进鸽群算法光伏MPPT控制策略和算法重启策略,较好地改善了输出功率的稳态振荡.通过仿真结果表明,基于改进鸽群算法的MPPT控制方法在多峰状态下能够有效规避陷入局部最优,具有较好的追踪效果,有效地提高了光伏系统的输出效率.     

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.     

TVAC-PSO算法在光伏最大功率点追踪中的应用

在局部阴影遮挡条件下,光伏列阵P-U输出特性曲线呈现非线性多个极值点。在应对多峰值非线性曲线时,传统算法容易失效。而粒子群算法因设置参数少、收敛速度快、适应性好等特点而常被应用于复杂非线性多峰值寻优,但传统粒子群算法在应对动态环境时,更易陷入局部最优极值。对此提出一种时变加速系数粒子群算法(TVAC-PSO),引入时变加速系统学习因子和惯性权重,以提高其准确性和加快收敛速度。通过搭建光伏MPPT模型,将传统粒子群与TVAC-PSO算法进行对比并仿真。     

基于混沌量子蜂群优化SVR的多峰MPPT算法研究北大核心

针对局部阴影条件下光伏阵列P—V曲线具有多峰特性,而传统的MPPT算法无法有效跟踪其最大功率点的问题,研究了一种多峰MPPT算法。采用混沌搜索和量子计算对传统蜂群算法进行改进,并将改进后的算法应用于支持向量回归机(SVR)的参数寻优,最终实现了基于混沌量子蜂群优化SVR的多峰MPPT算法。通过仿真和实验对算法的有效性进行了验证。实验结果表明:该算法在均匀光照或局部阴影条件下均能够准确跟踪全局最大功率点,有效克服了传统MPPT算法容易陷入局部极值的问题。     

改进猎人猎物优化算法的光伏发电MPPT控制策略

光伏发电在局部遮挡时的功率-电压（P-U）特性曲线呈现多峰状态,导致传统MPPT控制策略易陷入局部最大功率点。提出了一种改进猎人猎物优化算法的MPPT控制策略。该优化算法引入非线性收敛因子,提高了算法全局探索与局部开发的能力。结合黄金正弦算法更新位置,提高了算法的寻优速度。在算法搜索后期利用莱维飞行策略避免算法陷入局部最优。经仿真验证,结果表明,与猎人猎物优化算法、布谷鸟算法和传统扰动观察法相比,所提算法跟踪速度快、收敛精度高且有效抑制了系统功率输出的振荡,能够满足光伏发电局部遮挡MPPT的要求。     

基于粒子群遗传算法的光伏MPPT控制研究

局部阴影条件下,光伏阵列的功率特性曲线会出现多个峰值,传统的MPPT跟踪算法容易陷入局部极值点,无法准确地跟踪到最大功率点。粒子群算法具有很强的全局搜索能力,可以有效解决多峰寻优问题,但是普通粒子群算法容易出现收敛速度慢、早熟现象。提出一种改进的粒子群遗传（IPSO-GA）算法,该算法的惯性权重与学习因子随着迭代次数不断改变,可以同时兼顾算法的局部搜索与全局寻优能力,并且引进遗传算法的交叉、变异操作以增加种群多样性。仿真结果表明,改进算法在多峰最大功率跟踪过程中,具有良好的跟踪速度与寻优精度。     

基于改进鲸鱼优化算法的光伏发电系统MPPT控制研究

在局部阴影条件下,常规的最大功率点跟踪MPPT(maximum power point tracking)算法因含有容易陷入局部极值、跟踪精度低等弊端,使其无法及时、精确地跟踪光伏发电系统的最大功率点,因此,提出了一种基于改进型鲸鱼优化算法的光伏发电系统MPPT控制策略。首先,采用混沌映射初始化种群,增加种群的多样性。其次,通过引入非线性收敛因子使局部寻优能力和全局搜索能力达到均衡。最后,通过引入非线性时变的自适应权重使系统及时跳出局部最优解,并提高搜索的精度。经仿真验证,与粒子群优化算法、狮群优化算法、传统的鲸鱼优化算法等相比,改进的鲸鱼算法在跟踪速度、精度、稳定性等方面均有更显著的效果。     

基于储能型准Z源光伏并网逆变器的改进型自适应粒子群最大功率点跟踪算法研究

在解决光伏电池阵列在局部阴影条件下的多峰寻优问题中,传统的粒子群(PSO)最大功率点跟踪(MPPT)算法存在稳定性差、振荡严重、跟踪速度慢等缺点.针对上述缺点,结合准Z源逆变器的优点并在准Z源阻抗网络电容上并联储能单元,提出了一种基于储能型准Z源光伏并网逆变器的改进型自适应粒子群最大功率点跟踪算法.该算法不再依赖迭代次数,而是直接采用个体最优功率和全局最优功率更新惯性权重和学习因子并引入电压窗口限制,有效地提高了跟踪速度和减小了功率振荡.仿真结果验证了该优化算法在储能型准Z源光伏并网逆变器应用中具有较好的多峰值光伏曲线全局最大功率点跟踪能力,提高了光伏阵列的发电效率,具有较好的可行性.     

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明：该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。     

改进粒子群算法在光伏MPPT中的应用

在光伏阵列受到局部阴影遮挡条件下,针对光伏阵列的功率-电压(P-V)输出特性曲线在多峰值状态下的最大功率点跟踪(maximum power point tracking, MPPT)问题,通过对粒子群(particle swarm optimization, PSO)算法的改进,提出了一种基于新型粒子群(novel particle swarm optimization,NPSO)算法的MPPT方法(以下简称NPSO＿MPPT算法)。NPSO算法通过将种群粒子分为收敛粒子和自由粒子两类,提高了原始PSO算法的全局搜索能力。在Simulink环境下,分别对P&O、基于PSO算法的MPPT方法(以下简称PSO＿MPPT算法)和NPSO＿MPPT算法进行仿真测试,仿真结果表明,NPSO＿MPPT算法相比较现有的P&O和PSO＿MPPT算法,具有发电效率高和不易陷入局部功率极大值等优点。     

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。     

基于粒子群优化算法和电导增量法的多峰值MPPT控制

复杂环境条件下,光伏阵列由于被遮挡其输出特性呈现多峰值特性,传统最大功率点跟踪MPPT(maximum power point tracking)算法不再适用。为此,在研究光伏阵列多峰值输出特性的基础上,提出一种基于粒子群优化PSO(particle swarm optimization)算法和电导增量法INC(incremental conductance)的多峰值MPPT算法。该算法分成2步:第1步先由PSO算法将输入位置调整到最优值附近;第2步再由INC算法得到全局最优解,其中对传统PSO算法进行改进,INC算法采用变步长扰动。在Matlab中进行仿真,结果表明该算法可实现复杂环境条件下的最大功率跟踪,并具备较快的响应速度和稳定的寻优效果。     

自适应果蝇算法多峰值光伏阵列最大功率点跟踪

光伏PV(photovoltaic)阵列在实际应用中常存在遮挡现象,与光照均匀时的单峰特性不同,遮挡情况下的PV输出曲线呈多峰特性,常规的最大功率点跟踪方法大多寻找到第1个峰值点即停止搜索,易使光伏阵列因陷入局部极值点的跟踪而失效。提出一种基于自适应的果蝇优化算法AFOA(adaptive fruit fly optimization algorithm),对原有果蝇算法的初始值设定及寻优步长进行改进,并定时与扰动观察法PO(perturbobserve)相结合,增强寻优算法的实时性。通过Matlab仿真,分别在光照均匀和遮挡情况下,与扰动观察法和粒子群优化PSO(particle swarm optimization)算法的跟踪效果进行了比较,仿真结果表明,无论有无遮挡现象,AFOA算法都可准确跟踪到系统的全局最大功率点,提高了系统输出功率的稳定性及发电效率。