共查询到20条相似文献,搜索用时 34 毫秒
1.
2.
构成光伏组件的每个光伏电池在运行中由于制造、遮挡等因素的影响,其输出会有差异。当若干个光伏电池受到不同程度阴影遮挡导致其输出与正常电池有较大差异的时候,组件输出的P-U曲线会出现多峰情况,针对单峰的传统最大功率点跟踪(Maximum Power Point Tracking,MPPT)策略很可能失效,从而陷入局部最优值。为解决该问题,推导了多点局部阴影下的光伏阵列数学模型,该模型能够理想描述任意阴影情况下的阵列输出特性曲线。基于此模型,提出了结合全局扫描法、电导增量法,以及快速逼近公式的复合型MPPT算法,并进行了仿真验证。仿真结果表明:相比于传统算法,算法在光伏组件受到遮挡时不会陷入局部最优;同时,相比于全局搜索法,该算法寻优效率更高。 相似文献
3.
局部阴影情况下光伏阵列输出特性的P-U曲线呈多峰形,I-U曲线呈多膝形。利用传统跟踪方法跟踪全局最大功率点时会陷入局部峰值点。文章针对细菌觅食算法(BFOA)在全局范围内收敛速度较慢的不足,提出一种改进BFOA。该改进算法首先在阴影遮挡发生时判断阴影情况,然后设法缩减电压跟踪范围,并在重新确定的电压范围内跟踪全局的最大功率点。文章在Matlab/Simulink环境中搭建光伏阵列,并将改进BFOA的模拟结果与传统扰动观察法、常规BFOA的模拟结果进行对比。研究结果表明:改进BFOA能够在局部阴影条件下成功地跟踪到全局最大功率点,且跟踪过程的动态响应时间明显缩短。 相似文献
4.
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。 相似文献
5.
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。 相似文献
6.
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。 相似文献
7.
8.
9.
10.
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。 相似文献
11.
12.
在局部阴影的情况下,由于串联式光伏组件的输出特性不同而产生多个极值点,使得传统的最大功率追踪(maximum power point tracking, MPPT)方法陷入局部极值点而失效。文中提出一种针对两级并网光伏系统的改进电导增量法以适应光伏阵列在局部阴影下的多峰值最大功率跟踪,通过分析最大功率点电压的变化范围,设定最大功率电压搜索范围以提高搜索效率,并通过DC/DC Boost变换器占空比实现输入电压控制,保证算法不陷入局部极值点。最后利用仿真实验验证了该算法在有、无阴影情况下均能准确地跟踪光伏方阵最大功率,有效提高了光伏阵列输出效率。 相似文献
13.
14.
基于粒子群优化神经网络光伏并网最大功率点跟踪技术研究 总被引:1,自引:0,他引:1
针对电导增量法无法搜索全局光伏系统最大功率点的不足,文章将神经网络与电导增量法相结合,提出一种新型光伏并网最大功率点跟踪算法。该算法在不同光照和温度情况下,采集光伏阵列电压值和电流值,建立神经网络模型。通过人工神经网络预测光伏阵列输出电压,并将此电压作为电导增量法参考电压,从而实现局部阴影下最大功率点跟踪。实验结果表明,神经网络与电导增量法相结合可以准确实现局部阴影下光伏阵列最大功率点跟踪,具有较高的跟踪精度。 相似文献
15.
16.
17.
18.