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。     

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。     

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NACS-PSO算法的光伏系统 MPPT控制研究

对于局部遮阴下的光伏阵列,传统的最大功率点跟踪算法收敛速度慢、精度差、功率波动大且容易陷入局部最优。为此,提出一种基于新型自适应布谷鸟算法与粒子群算法相结合的复合算法。该方法在布谷鸟算法中引入自适应发现概率和自适应莱维飞行步长控制因子,同时加入对立种群策略,以提高算法收敛速度和全局寻优能力。在算法前期,用粒子群算法全局搜索快速找到全局最大功率点附近,后期用新型自适应布谷鸟算法在局部范围内精准寻优,以快速、准确和稳定地跟踪到全局最大功率点。仿真结果表明,本文提出的算法在四种光照模式下的收敛时间和跟踪误差分别为0.106 s和0.012%、0.108 s和0.034%、0.110 s和0.059%、0.106 s和0.031%,均优于其他算法,验证了本文算法在六种对比算法中,收敛速度最快、跟踪精度最高、功率波动最小、陷入局部最优的可能性最小。     

APSO算法在光伏阵列MPPT追踪器中的应用

针对传统的MPPT算法无法在光伏阵列局部遮阴或光照不均等情况下对最大功率点进行有效追踪的问题,提出了一种自适应粒子群优化(APSO)算法。阐述了APSO算法的基本思想以及将该算法实际应用到光伏阵列最大功率点追踪(MPPT)追踪器中的设计思路,并给出了带APSO算法的追踪器硬件实现原理框图。测试结果表明,基于该算法的追踪器能够快速、准确地实现光伏阵列在部分遮挡条件下全局最大功率点的追踪,具有一定的工程应用价值。     

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(adaptive particle swarm optimization,APSO)算法MPPT控制策略.通过引入自适应参数算法和随机粒子加快粒子群的收敛速度,既解决了传统方法无法找寻到全局最大点、寻找速度慢的问题,又解决了传统粒子群算法随机性大、收敛速度慢、会产生较大震荡的问题.在Matlab/Simulink上搭建光伏系统模型,在固定辐照度和动态辐照度的条件下对所提算法进行仿真,结果表明:相对于传统方法和传统粒子群算法,所提出的MPPT控制策略在追踪精度、追踪速度和响应速度上均有大幅提升,能够提升光伏组件的转换效率.     

局部阴影条件下光伏阵列 MPPT算法研究

光伏阵列在局部阴影条件下P-U曲线呈现多峰值现象,传统的MPPT算法将会失效。采用粒子群算法可有效解决多峰值最大功率点跟踪问题,但标准粒子群算法存在容易陷入局部最优、收敛速度较慢和稳定精度较差等问题。针对标准粒子群算法的不足,文章提出一种改进型自适应学习因子粒子群算法。该方法对学习因子C_1和C_2进行自适应调整,平衡粒子向"自身认知"和"社会认知"学习的能力;与此同时,引入惯性权重调节参数,以提高算法的收敛速度和精度。仿真结果表明,该算法在均匀光照强度、动态阴影和静态阴影条件下,均能快速精确实现最大功率点跟踪,有效地提高了光伏阵列输出效率。     

改进麻雀搜索算法在光伏阵列MPPT中的应用

在局部遮阴条件下光伏阵列的输出功率存在多个峰值,传统的最大功率点追踪(MPPT)技术在寻优过程中易陷入局部峰值,难于快速准确地追踪到最大功率点。针对这一问题,提出了一种改进麻雀搜索算法应用于光伏MPPT技术。首先,借鉴于乌鸦搜索算法引入了飞行步长,并采用一种动态递变规则调节飞行步长,增强加入者的探索能力,解决了麻雀搜索算法在低维下寻优精度低的问题;其次,设计了一种自适应规则应用于发现者位置更新中,同时通过边界处理策略约束麻雀位置更新,保证了麻雀搜索算法能够有效地解决搜索范围较小情况下的寻优问题;最后,在MATLAB中对6个基准函数进行测试验证,并将改进的算法应用于非均匀光照条件下光伏阵列的最大输出功率点追踪中进行仿真。结果表明,所提出的改进麻雀搜索算法具有较快的收敛速度和较高的追踪精度,在寻优过程中能有效避免陷入局部峰值并快速精确地追踪到最大功率点。     

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).     

基于部分阴影条件下的粒子群和自适应干扰观察法复合MPPT控制

基于传统单调性光伏最大功率点控制方法在光伏阵列处于局部阴影条件下会出现控制失效的问题,提出了粒子群和自适应干扰观察法复合MPPT控制方法,利用粒子群算法全局寻优的能力来解决光伏阵列的输出多峰值特性,并为了提高搜索精度,复合应用自适应占空比干扰观察法进行两次搜索,通过仿真实验证明了该算法的可行性。     

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。     

基于SNDPSO的多峰值光伏最大功率追踪控制研究

常规最大功率点追踪(MPPT)方法在光伏阵列局部阴影时,易陷入局部最优解从而追踪失败.提出了迭代步长呈正态分布衰减的粒子群算法(SNDPSO).该算法中引入了最近邻学习过程,通过粒子相对距离的判断提高了最优解的精度,同时算法充分地将正态分布收敛速度快的优点和粒子群的全局峰值搜索能力结合起来.由仿真结果可知,SNDPSO算法在静态及动态阴影、均匀光照情况下均能实现快速精确的最大功率追踪.     

基于SA-CPSO算法的光伏列阵多峰值最大功率点追踪的研究

快速准确追踪到光伏列阵多峰值最大功率点具有重要的工程意义。传统粒子群算法应用于最大功率追踪时会产生稳定性较差和容易陷入局部最优解等问题,通过结合模拟退火算法能快速跳出局部最优解和混沌理论的遍历性的优点,得到模拟退火混沌粒子群算法。算法后期能快速稳定地向全局最大功率点收敛,可较好地解决光伏发电系统接收光照不均匀时多峰值最大功率追踪的问题。最后建立多组光伏列阵接收不同光照的场景,使用MATLAB仿真验证了模拟退火混沌粒子群算法在追踪最大功率点时寻优速度和收敛稳定性上的优越性。     

自适应权重粒子群算法在阴影光伏发电最大功率点跟踪（MPPT）中的应用

在光伏发电系统中,光伏阵列往往会受到局部阴影现象的影响,造成系统的不稳定运行和输出功率的降低,且光伏阵列的P-U特性曲线会出现多峰值,常规最大功率点跟踪（MPPT）算法因其只能单峰寻优而不能完成对最大功率点的跟踪.粒子群优化（PSO）算法则有着良好的多峰全局寻优能力,被广泛应用在局部阴影的最大功率点跟踪中,但是PSO算法有着收敛速度不足和搜索精度低的缺点.为此,提出了基于自适应权重的粒子群优化（APSO）算法,即在运算过程中通过引入非线性动态惯性权重系数,有效地提高整体算法的全局搜索能力和局部改良能力.利用Matlab仿真,在恒定阴影和快速变化阴影2种条件下验证APSO算法的可行性.结果表明,APSO算法能够避免早熟收敛问题,可有效地提高算法的收敛速度和搜索精度.     

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。     

基于混合ICS-PSO算法的温差发电系统MPPT设计

针对温差发电系统非均匀温度场条件下，功率电压曲线呈现多峰特性，传统粒子群算法易陷入到局部最优，布谷鸟算法收敛时间慢等问题，提出了改进布谷鸟算法与粒子群算法相混合的最大功率点跟踪控制算法。引入自适应发现概率，扩大种群搜索范围，以最小收敛时间为约束函数，通过参数寻优确定最佳功率区间划分临界点参数，将寻优过程划分为粒子群快速粗寻优与改进布谷鸟稳态精寻优两个阶段，以提升算法的收敛速度和发电效率。仿真结果表明，本算法在均匀温度场条件下，收敛时间024 s，发电效率9989%，在非均匀温度场条件下，收敛时间013 s，发电效率9992%，均优于其他算法，该算法收敛迅速，跟踪精度高，并通过了基准测试函数测试，验证了该算法的有效性和通用性。     

基于并行组合进化算法的光伏阵列最大功率点追踪

针对光伏阵列在局部遮阴时功率的多峰输出,提出了一种新型并行组合进化算法(GA-DE-PSO),解决了传统采用的单一进化算法以及单一改进算法追踪最大功率时的不稳定性和精确性不足的缺点。该方法将所有的可行解个体随机分为两个子种群,并行采用向量的差分进化模式和染色体的遗传模式,产生新型个体和备选个体。再通过粒子群算法进行混合选择,得到更为有效的可行域的指导信息,从而更快速地收敛到最优点,实现最大功率点追踪。仿真结果表明,组合算法保留了三种进化算法的优点,具有较高的寻优精度与稳定性。     

基于并行组合进化算法的光伏阵列最大功率点追踪

针对光伏阵列在局部遮阴时功率的多峰输出,提出了一种新型并行组合进化算法(GA-DE-PSO),解决了传统采用的单一进化算法以及单一改进算法追踪最大功率时的不稳定性和精确性不足的缺点。该方法将所有的可行解个体随机分为两个子种群,并行采用向量的差分进化模式和染色体的遗传模式,产生新型个体和备选个体。再通过粒子群算法进行混合选择,得到更为有效的可行域的指导信息,从而更快速地收敛到最优点,实现最大功率点追踪。仿真结果表明,组合算法保留了三种进化算法的优点,具有较高的寻优精度与稳定性。