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。     

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。     

基于自然选择的改进粒子群优化MPPT算法

光伏阵列在非均匀光照条件下的输出具有非线性、多峰值的特点。针对目前传统粒子群优化MPPT算法(PSO算法)易陷入早熟收敛及在迭代后期搜寻能力下降的缺陷,首次提出将基于自然选择机理的改进粒子群算法运用到光伏最大功率点寻优当中。新算法通过对迭代过程中适应度低的粒子进行淘汰和替换,使粒子群在迭代过程中具有更佳的寻优能力和求解速度,并大大减少了算法早熟收敛的情况。经过Matlab建模仿真及实验验证,验证了基于自然选择的改进粒子群算法比传统PSO算法拥有更好的最大功率点追踪效果。     

粒子群算法在光伏阵列多峰MPPT中的应用

为了解决在局部阴影的条件下,传统的最大功率点跟踪(MPPT)控制方法不能准确跟踪到最大功率点的问题,采用了粒子群优化算法,并通过粒子初始位置的设定、粒子群算法参数的设定和终止策略的制定提高了算法的准确性。通过添加粒子淘汰环节,提高了算法的执行效率。在Matlab/Simulink环境下进行了仿真,并且对仿真结果进行了分析,验证了该方法的正确性。     

基于粒子群优化算法和占空比扰动观察法的光伏阵列MPPT控制

处在局部阴影情况下,光伏发电系统的P-U输出特性曲线由均匀光照下的单峰值变为多峰值,导致使用传统的MPPT算法跟踪最大功率点时无法兼顾收敛速度与稳定性.为此提出一种基于粒子群优化算法和占空比扰动观察法的组合算法用于MPPT中.当光照强度在均匀光照与局部阴影之间相互切换时,流经旁路二极管的电流也会在有和无之间变化;当光照...     

基于多策略ABC算法的光伏MPPT控制

光伏阵列受到局部阴影的影响,其P-U特性曲线呈现多峰特性,采用传统最大功率跟踪算法易陷入局部最优。为保证光伏阵列输出最大功率,提出一种多策略融合的人工蜂群算法（MSFABC）。首先,一方面通过均匀化与随机化相结合的初始化策略以保证蜜源的多样性,另一方面执行精英个体引导和自适应权重因子调节的协同搜索策略,以平衡全局和局部搜索能力;其次,引入随机-定向的双变异策略,使蜂群个体根据其种类的角色特性发生相应变异,避免算法陷入局部最优;最后,将MSFABC算法应用于光伏MPPT中,与P&O、PSO和ABC算法对比。结果表明,静态和动态多峰条件下,MSFABC算法在保证较高跟踪精度的同时具有较快的跟踪速度以及较少的功率波动。     

基于改进粒子群优化模糊控制的MPPT算法研究

在光照强度和温度变化时,常规的最大功率点跟踪(MPPT)算法难以快速准确地跟踪光伏系统最大功率点。针对此问题,设计了一种改进粒子群优化算法(PSO)的模糊控制器。首先,依据常规MPPT特性,设计了一种带调整因子的模糊控制算法以快速收敛到最大功率点;然后,采用参数自适应PSO对设计的模糊控制器调整因子进行动态优化。仿真结果表明:所设计的参数自适应PSO优化模糊控制器能快速准确地跟踪最大功率点,保证了MPPT的动态响应速度和稳态精度,提高了光伏系统的工作效率。     

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。     

基于蝙蝠与粒子群混合优化算法的光伏MPPT研究

在局部遮荫条件下,传统最大功率点追踪(MPPT)算法容易失效,群智能优化算法追踪时间较长.为此,提出了一种基于蝙蝠与粒子群混合优化(BPSHO)的MPPT算法.在算法的前期,采用蝙蝠算法;在算法中后期,采用粒子群优化算法.按照指数规律调节算法的参数,并在算法的中期加入局部搜索机制.仿真与实验结果表明:BPSHO算法能够...     

基于权重指数递减粒子群算法在光伏MPPT中的应用

针对光伏阵列局部遮阴情况下输出电压-功率曲线呈现多峰特性,传统粒子群算法进行最大功率跟踪时会陷入局部最优的问题,提出了权重指数递减粒子群算法。该算法通过改变粒子搜索方式,在每次迭代结束前对搜寻到的最优粒子执行精英突变,对反方向空间进行搜索;并添加惯性权重调节参数,其惯性权重随迭代次数的增加以指数形式递减,使算法前期跳出局部最优点的能力提高以及后期搜索更加准确。仿真结果表明,该算法在遮阴或者光照突变情况下,均能准确的追踪到最大功率点,能有效避免陷入局部最优点,收敛速度较快,能够在复杂情况下实现最大功率追踪。     

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。     

基于改进花授粉算法的光伏MPPT控制研究

针对传统光伏最大功率点跟踪(MPPT)算法在解决局部遮荫环境下系统跟踪灵活性和时效性差,以及稳态输出振幅过大等问题,提出了基于改进花授粉算法(IFPA)的光伏最大功率跟踪控制策略。在对光伏阵列输出特性曲线进行分析的基础上,通过引入t-分布扰动机制和变异策略,分别对经典FPA算法的异花全局授粉过程与自花局部授粉过程进行优化,构建了基于IFPA的光伏最大功率点跟踪模型。以{3*2}的光伏阵列为例进行仿真实验,结果表明所研究模型在动态遮荫下的最大功率点跟踪速度较改进前大幅提高,系统在稳态时的震荡明显减小。     

基于自适应粒子群算法的MPPT控制策略

最大功率点追踪(MPPT)技术的使用使得光伏组件的转换效率大幅提升,在有遮挡的情况下,光伏阵列会呈现多峰的输出曲线,传统的MPPT方法容易陷入局部最大功率点,无法追踪到全局的最大功率点.全局算法中,传统粒子群算法存在收敛速度慢、种群容易早熟、对初始条件敏感等问题,为解决这一问题,提出了一种全新的基于自适应粒子群(ada...     

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。     

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MPPT控制更加快速有效.     

基于自适应种群粒子群的光伏全局MPPT研究

局部遮蔽条件(PSC)下,传统最大功率点跟踪(MPPT)算法会陷入局部极值,智能算法追踪时间过长。针对上述问题,提出了一种基于自适应种群粒子群算法(APPSO)的MPPT控制方法,引入全局和局部粒子密度的概念,并设计了两种自适应调整的粒子种群数量的机制。对该方法与常规粒子群算法(PSO)在均匀光照和PSC下分别进行了对比。仿真和实验结果均表明,在PSC下APPSO可迅速、准确地追踪到全局最大功率点(GMPP),追踪时间仅为PSO的50%左右。     

基于改进蜉蝣算法的光伏MPPT研究

针对光伏(PV)阵列难以兼顾局部遮荫情况(PSC)下准确跟踪多峰全局最大功率点(GMPP)和均匀辐照度情况(UIC)下快速完成单峰最大功率点跟踪(MPPT)的问题,提出一种基于改进蜉蝣算法(IMA)的PV MPPT方法。首先,分析了PV阵列在理想电流源区域的电流-电压(I-U)特性曲线,提出阴影检测机制对PV阵列的遮光情况进行监测以区分PV阵列功率-电压(P-U)曲线的多峰-单峰情况;然后,采用末位淘汰策略的IMA进行多峰MPPT,同时,利用二等分搜索策略的IMA快速实现单峰MPPT;最后,仿真和实验结果表明基于IMA的PV MPPT方法可有效判断多峰-单峰情况,并在单峰MPPT场景和多峰MPPT场景下均具有更高的跟踪时效和精确度。     

基于改进粒子群算法的配电网多目标优化控制

随着光伏机组大量接入配电网,需要在增加间歇性可再生能源使用的同时,保持电力系统的电压稳定。储能技术的快速发展允许部署储能系统来支持电压调节。为了在光伏储能优化出力系统中达到网络损耗和调压措施成双优化的目的,提出了一种改进的Pareto档案粒子群多目标优化算法。在非支配排序环节计算拥挤距离时,加入小生境技术,避免陷入局部最优同时,增加Pareto解集分布的多样性。基于IEEE 30配电网系统测试了所提出的PV-ESS（photovoltaic-energy-storage-system）优化方法。结果证明,该算法对抑制光波动、提高电压稳定性以及降低网损有着良好的表现,进而维护系统运行的稳定性,降低电力行业经济成本。     

基于改进P&O与MPC算法的光伏MPPT控制研究

在光伏发电系统中,针对传统的最大功率点跟踪控制方法难以同时满足追踪精度与追踪速度的问题,提出了一种新的改进PO和MPC相结合的光伏MPPT控制方法,先将扰动之后的电压和电流作为参数输入MPC控制器,再由控制器的两步长函数分析预测出未来变量的动作并生成输出曲线。仿真结果表明,相较于传统的扰动观察法,该算法可以同时满足追踪精度与追踪速度的要求。