基于光伏阵列输出特性的GMPPT算法研究

针对局部阴影条件下光伏阵列的P-V曲线呈现多峰值的情况,在研究光伏阵列输出特性的基础上提出了一种全局最大功率点追踪GMPPT(global maximum power point tracking)算法。该算法由均匀光照和局部阴影条件下的两个最大功率点追踪算法构成。通过所提出的局部阴影检测手段判别光伏阵列所处的光照条件,从而决定使用哪个子算法。最后将该算法在Matlab中进行仿真验证。仿真结果表明在局部阴影条件下该算法能快速地追踪到全局最大功率点,且避免了对整条P-V曲线的扫描。在均匀光照条件下要比传统的最大功率点追踪算法(扰动观察法)更快地定位到最大功率点。     

粒子群与细菌觅食混合算法在光伏阵列MPPT中的应用

为了提高光伏阵列光电转换效率,确保光伏阵列功率输出始终维持在最大功率点上,传统最大功率点跟踪算法在应用于局部阴影条件时,可能存在陷入局部最优或跟踪时间过长等问题.提出一种粒子群与细菌觅食混合算法,并将其应用于光伏阵列的最大功率点跟踪中,来改善跟踪过程中的收敛精度与速度.通过仿真实验结果,与传统扰动观察算法以及细菌觅食算...     

基于改进细菌觅食算法的光伏阵列MPPT研究

光伏发电系统具有非线性和时变不确定的特性,因此需要对其进行最大功率点跟踪(maximum power pointtracking,MPPT).现有的MPPT算法在收敛精度或收敛速度上存在一定的缺陷.采用智能探寻游动细菌觅食算法进行光伏电池阵列最大功率点跟踪研究.该算法使细菌提前探测下一位置的适应度大小,若是优于当前时刻,则继续游动,反之,则停止游动.这样可以避免游动到差环境下,大大加快了算法的运行速度,改善了运行过程的平稳性.仿真结果表明,智能探寻游动细菌觅食算法与现有细菌觅食算法相比,具有收敛速度快和平稳性好的优点.     

基于免疫细菌觅食算法的大容量光伏阵列GMPPT算法

老化、温度变化和局部阴影等引起的电池电气特性不同,使光伏阵列P-U曲线出现多个功率峰值点。大容量光伏阵列组件数多,其多峰值问题比小容量光伏阵列更常见和复杂。该文首先根据局部阴影条件下光伏阵列分段函数型输出特性,建立其S函数模型。然后提出免疫细菌觅食算法,实现大容量光伏阵列全局最大功率点跟踪(global maximum power point tracking,GMPPT),利用细菌觅食算法的随机选取方向特性和免疫选择算子,实现时变环境下全局最大功率点的动态跟踪,将所有跟踪到的全局最大功率点保存到全局最大功率点记忆池,再利用全局最大功率点记忆池初始化群体和产生迁移个体新位置,加快重复出现全局最大功率点的跟踪速度。仿真结果表明,免疫细菌觅食算法在动态和重复出现局部阴影条件下都有良好的GMPPT跟踪定位能力。     

一种基于全局最优MPPT算法的研究北大核心

针对光伏阵列出现多个局部功率峰值时,传统的MPPT算法导致系统工作在某个局部最大功率点的问题,提出一种新的基于局部扫描法与P&O相结合的全局最优MPPT算法,该方法在系统启动后先采用固定大步长进行全局扫描来找到全局最大功率点,当系统运行在全局最大功率点附近时,然后采用变步长P&O算法变步长扫描来找到精确的最大功率点。基于Matlab/Simulink的仿真模型,对全局最优MPPT算法进行了仿真验证;并搭建一个功率为6 k W的实验平台验证当系统出现多个峰值时的效果。仿真和实验结果验证了所提出的全局最优MPPT算法在光伏阵列出现多峰值时具有很好的MPPT效果。     

基于改进PSO算法的光伏阵列MPPT研究

针对光伏阵列(photovoltaic array)传统的最大功率点跟踪(maximum power point tracking,MPPT)方法的不足,提出一种改进的粒子群算法(particle swarm optimization algorithm,PSO)。该算法中,粒子位置依据粒子的个体最优解由大到小更新,更新过程中使用当前时刻所产生的全局最优解,同时,将反映粒子聚集程度的粒子位置的标准差和反映粒子偏离程度的距当前最大功率点的距离引入每个粒子的速度阈值,单独自适应地限制每个粒子的更新速度,以便更快地找到最大功率点,提高收敛速度。最后,通过仿真和实验验证了该算法的快速性和有效性。     

基于差分进化算法的阴影影响下光伏阵列MPPT控制研究

当光伏模块受到阴影影响时,其功率-电压（P-V）特性曲线有多个峰值点,传统最大功率跟踪控制（MPPT）算法,如扰动观察法（P&O）,由于采用局部搜索范围,无法准确跟踪全局最大功率点（GMPP）。提出一种基于差分进化（DE）最优算法的全局最大功率点跟踪方法,同时修正了算法的变异方向,使得所有变异算子总能收敛到最优,有助于算法快速收敛。采用Matlab/Simulink对所述算法进行了仿真分析,并与传统扰动观察法进行了对比,本文所述MPPT方法具有更高的效率和功率输出。     

基于局部阴影下光伏阵列电流特性的最大功率点跟踪算法

光伏发电作为目前太阳能利用的主要形式,容易受到局部阴影的影响,其P-V输出特性曲线呈现多峰特点,使得常规的最大功率点跟踪方法难以准确跟踪到全局最大功率点。通过充分利用局部阴影下光伏阵列最大功率点电流与短路电流之间近似的比例关系,提出一种三步骤全局最大功率点跟踪算法,该算法能够快速准确地跟踪到系统全局最大功率点,且不需要任何附加硬件电路。以1k W的Boost变换器为实验平台,将所提出算法和常规全局搜索法的跟踪过程进行比较,证明了该算法的有效性。     

基于飞蛾扑火优化算法的光伏阵列MPPT研究

飞蛾扑火优化(MFO)算法是一种新型智能算法,具有局部避免和快速收敛能力,并且可以很好地协调全局搜索和局部搜索。针对光伏(PV)阵列在局部阴影条件(PSC)下其输出特性曲线呈现多峰的情况,此处提出了一种基于MFO算法的全局最大功率点跟踪(MPPT)控制方法。首先,对电导增量(INC)算法、粒子群(PSO)算法和MFO算法在均匀光照和PSC下分别进行了对比;然后,通过对追踪过程中的飞蛾及火焰位置进行分析,清晰地呈现出了MFO算法的优势;最后,通过仿真和实验证明了MFO算法的有效性。     

基于半监督机器学习法的光伏阵列故障诊断EI北大核心CSCD

由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。     

局部阴影下光伏阵列MPPT算法及实现

针对传统最大功率点跟踪全局扫描法用时长的缺陷,对局部阴影下光伏阵列输出特性进行分析,获得归一化的最大功率点电压的分布规律。利用该规律结合扰动观察法,提出一种改进型全局最大功率跟踪的扫描算法。首先,确定可能存在局部最大功率点的区域;然后,对该区域使用扰动观察法局部扫描,获得所有的局部最大功率点;最后,选取其中最大的点作为全局最大功率点。该算法能够大幅度缩短扫描时间,使系统快速确定全局最大功率点。实验采用Boost和全桥电路作为拓扑,以DSP为主控制芯片搭建了一套验证系统。实验数据表明在双峰和三峰情况下,与全局扫描法相比该算法节约了50%以上的时间。该算法推广到更多峰的情况具有同样的适用性。     

基于猫群算法的光伏阵列多峰MPPT控制策略

在复杂应用环境下,光伏系统输出特性曲线通常呈多峰状、带噪声等特点,且由于光照强度的时变性,导致输出功率变化较快,对最大功率点跟踪(MPPT)算法的实时性、准确性有更高的要求。采用猫群算法(CSO)结合递推最小二乘法对光伏阵列多峰MPPT进行控制,很好地利用了猫的懒散性,多数时间内进行搜索,而少数时间进行跟踪,缩短了收敛时间;同时采用递推最小二乘法,有效提高了最优解的精度。最后,通过仿真和实验分析,并将该算法与多种智能算法比较,验证了该控制策略的实时性和高效性。     

基于功率闭环控制与PSO算法的全局MPPT方法

基于对现有多峰值最大功率点跟踪(maximum power point tracking,MPPT)方法不足的分析,提出一种基于功率闭环控制的动态MPPT跟踪策略。该方法采用功率闭环方式实现全局最大功率点的定位,利用功率闭环控制在P-U曲线上的局部不稳定现象实现P-U曲线的快速全局扫描,克服了峰值点分布及算法参数取值对MPPT动态过程的影响。同时采用电压截止控制克服了功率闭环控制对系统整体稳定性的影响。采用基于粒子群(particle swarm optimization,PSO)算法的变步长跟踪策略消除了最大功率点跟踪的稳态功率震荡问题。最后,通过仿真与实验验证该方法的可行性和有效性,结果表明,该方法不依赖光伏阵列的已知信息,便可实现静态和动态环境下全局最大功率点跟踪,提高多峰值最大功率点跟踪的动态速度和稳态跟踪精度。     

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。     

基于Matlab的光伏阵列输出特性和最大功率点跟踪控制策略的研究

针对光伏并网发电过程中存在的最大功率输出问题,研究了光伏阵列高度的非线性输出特性和最大功率点跟踪(MPPT)问题。根据光伏阵列的等效数学模型,结合Matlab分析环境中的Simulink工具,基于S函数建立光伏阵列的输出特性分析模型。通过对不同温度和光照强度条件下进行模型仿真分析,研究环境温度和光照强度对光伏阵列输出特性的影响。采用S函数对最大功率点进行建模,给出MPPT的控制策略。重点研究了扰动观察法和电导增量法最大功率跟踪特性,并对仿真结果进行对比分析。研究结果对并网控制器的研究和实践具有一定的理论指导和参考价值。     

基于免疫进化细菌觅食算法的多目标无功优化

为了更好地解决电力系统多目标无功优化问题,分析了当前多目标无功优化算法存在的缺陷,提出了一种基于免疫进化的改进多目标细菌觅食优化算法。该算法求得的Pareto最优解分布均匀,收敛性和鲁棒性好。IEEE14,IEEE30节点测试系统的算例结果表明所提的算法在多目标无功优化中具有良好的效果,为各目标之间的权衡分析提供了有效工具,是一种求解多目标无功优化问题的有效方法。     

基于多模型状态估计的光伏阵列MPPT技术

针对光伏阵列最大功率点在局部阴影情况下具有非线性、时变不确定和多个局部功率峰值的特点,采用现代状态估计理论建立光伏阵列输出功率动态模型,利用交互多模型估计算法精确跟踪多状态多峰功率曲线,抑制噪声定位出最大功率点,提出基于多模型状态估计的光伏阵列MPPT技术。仿真和实验验证了所提新MPPT控制策略的正确性和有效性,在有、无阴影情况下都能够快速且准确地跟踪最大功率点,提高光伏发电效率。     

基于长短期记忆神经网络的光伏阵列故障诊断

目前的故障诊断方法无法精确识别与定位光伏发电系统中光伏阵列的故障,导致光伏发电运维成本增加.为此,本文提出一种基于长短期记忆(LSTM)神经网络的光伏阵列故障诊断模型.在MATLAB/Simulink软件环境下,搭建光伏发电系统仿真模型,采用扰动观测的最大功率点跟踪(MPPT)算法和电网电压闭环控制策略,分析光伏组件断...