基于模糊控制的光伏阵列MPPT仿真

研究了光伏阵列的非线性功率输出特性,建立了基于Matlab simulink/Power system的光伏阵列仿真模型,对基于模糊控制采用扰动观察法进行光伏发电最大功率点跟踪进行了仿真.     

基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

基于BP神经网络光伏发电系统MPPT的研究

本文首先研究了温度、光强、阴影三个外界因素对光伏电池输出特性的影响。然后,考虑这些因素设计BP神经网络跟踪光伏发电系统的最大功率点。最后,建立MPPT控制的光伏发电系统的仿真模型,并进行了仿真研究。结果表明,该方法能够正确、快速地跟踪光伏电池的最大功率点,具有较好的控制精度。     

基于量子粒子群算法的光伏阵列MPPT控制方法研究

提出一种基于量子粒子群优化算法的光伏阵列MPPT控制方法,对光伏阵列中多个太阳能板的最大功率点进行寻优。结合仿真和实测结果表明,该控制方法能够迅速适应环境变化,算法响应速度快,能保证光伏系统最大功率的持续输出。     

基于神经网络的光伏阵列局部阴影建模研究

在局部阴影条件下,光伏阵列的输出特性将发生变化。利用神经网络具有逼近任意复杂非线性函数的能力,采用粒子群算法（PSO）来优化BP神经网络的内部连接权值和阈值,以改善神经网络的预测性能,并基于这种改进的神经网络结构搭建局部阴影下的光伏阵列模型。仿真结果表明,此算法泛化能力强、收敛速度快,能够对阴影下的光伏阵列进行建模。     

基于改进PSO的局部阴影下光伏阵列MPPT控制

光伏阵列在局部阴影情况下,其功率-电压曲线将呈现多峰值特征,针对传统粒子群算法在最大功率点跟踪时存在易陷入局部最优、收敛速度慢等问题,采用一种改进的粒子群算法,在粒子群算法中引入自适应调节的惯性权重和学习因子,使系统快速、精确地搜索到最大功率点。通过仿真验证了所采用的算法在不同阴影条件下能够提高收敛速度,快速追踪到最大功率点,避免陷入局部最优。     

基于改进PSO的局部阴影下光伏阵列MPPT控制

针对光伏阵列在局部阴影情况下、传统的最大功率点跟踪算法存在容易陷入局部最优、收敛速度较慢等问题,采用一种改进的粒子群算法,并将其运用于最大功率点控制中.在粒子群算法中引入自适应调节的惯性权重和学习因子,使光伏系统在局部阴影下能够实现最大功率点跟踪,增强实用性.     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

自适应权重扰动观察法在光伏阵列发电MPPT中的应用

光伏阵列有着非线性输出的特点,外界环境的变化往往导致其不能最大限度地输出电能。为了降低成本,提高光伏发电系统的利用效率,就需要研究控制算法来最大限度地保证系统工作在最大功率点附近。在光伏系统MPPT中,控制周期和扰动步长的选取往往对扰动观察法的跟踪效果有着较大影响。现提出了自适应权重扰动观察法来选定控制周期和扰动步长,结果表明,该方法能降低系统在最大功率点的振荡,有着较好的自适应能力。     

基于递阶遗传算法优化神经网络的研究

基于递阶结构的遗传算法可以同时对神经网络进行拓扑结构优化和权重的求解,具有较高的学习效率。针对HGA在优化神经网络过程中的一些参数,如适应度函数、交叉概率和变异概率等做了一些研究,并且比较HGA与一般遗传算法、BP算法的区别,把HGA和BP2种算法结合起来优化神经网络,最后给出仿真实例。     

基于多峰值模型优化的光伏阵列故障研究

在光伏阵列的实际使用中,设备老化、局部阴影等因素会导致阵列故障现象的发生。为了消除故障对光伏阵列输出的不利影响,提出对原有的多峰值模型进行优化处理,在光伏组件模型上并入对求解参数进行修正的旁路二极管,以提高光伏发电系统转化效率。仿真对比分析了模型优化前后的光伏阵列输出特性,验证了此优化模型能有效减小系统的功率损耗。     

改进遗传算法在MPPT中的应用研究

为了提高光伏电池的利用率,需对光伏电池的最大功率点进行准确快速的追踪控制.根据光伏电池的非线性特性,建立光伏阵列的数学模型.针对基于遗传算法的占空比扰动法的不足,提出了一种基于改进遗传算法的MPPT法,并在Matlab下进行了建模与仿真,实验结果表明,该算法具有良好的搜索速度,能使系统稳定工作在最大功率点.     

基于神经网络的齿轮传动遗传算法优化

以一对齿轮机构分度圆柱体积之和最小为优化目标，建立了优化设计的数学模型。由于传统的优化方法存在着求解过程复杂和寻优过程容易陷入局部最优解的问题，故通过神经网络方法拟合待求系数，结合遗传算法，应用manab遗传算法工具箱寻求最优解，使求解过程得到简化，确保可靠地获得全局最优解。     

基于光伏电池数学模型的MPPT算法的研究

最大功率点跟踪方法（MPPT）可以明显提高光伏阵列的输出效能。为了克服其在光伏电池温度快速变化的情况下会出现误判的缺点,文中介绍一种结合光伏电池数学模型的MPPT算法以防止误判;并针对传统的MPPT算法的跟踪精度和响应速度不理想的缺点,提出一种根据光伏电池温度寻找最大功率点的数值方法,通过Matlab／Simulink仿真验证了其优越性。为光伏电池最大功率输出点跟踪的研究提供参考。     

基于粒子群算法的光伏MPPT控制策略研究

为解决光伏发电系统中传统最大功率点跟踪方法存在的受光照、温度等环境因素影响严重的局限性,利用粒子群算法求取最大功率点。粒子群算法是一种群体智能领域的优化算法,具有参数少、收敛速度快、容易实现等优点。通过定义直流侧电压给定值为粒子位置变量,光伏电池输出功率值为粒子位置优劣的衡量标准变量,构造目标函数。然后仿真分析在不均匀条件下对比了恒电压法的跟踪效果,验证了粒子群算法的优越性。最后实验结果也验证了所提方案的有效性。     

基于PSO算法的光伏发电MPPT控制研究

针对光伏电池输出呈现非线性特性,传统控制方法控制效率低的问题。文章提出采用粒子群(Particle Swarm Optimization,PSO)算法进行光伏电池输出最大功率跟踪控制。结果表明:PSO方法可实现恒定天气条件下和变化天气条件下的最大功率跟踪控制,跟踪功率精度高,速度快,不存在稳态振荡。     

基于改进扰动观察法的光伏MPPT控制研究

为解决传统扰动观察法无法兼顾最大功率点跟踪速度及稳定性的问题,提出一种改进的扰动观察法。新的控制策略将|d P/d V|作为步长的调整系数,通过步长的不断调整来更好地跟踪最大功率点。利用Matlab/Simulink进行仿真实验,实验结果表明,改进的扰动观察法不仅能够保证最大功率点的跟踪速度,还明显降低了系统在最大功率点的振荡幅度,在一定程度上保证了系统运行的稳定性,避免了能量的过多损失。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

基于遗传算法优化神经网络的机器人臂重力补偿研究

利用遗传算法优化的神经网络,对机器人臂的重力补偿进行研究。首先,根据力学基本知识和D-H参数建模法得出机器人臂各关节转矩的重力项理论计算公式;其次,在Solid Works仿真软件中,得到个别位姿下的重力项仿真值,并验证理论公式的正确性;最后,用遗传算法优化的神经网络对重力项进行预测。实验结果表明,采用该算法得到的重力项预测值和理论值基本一致,减少了运算量,提高了效率,为进一步实时控制提供了可能。