基于NN模型估计的光伏最大功率点跟踪控制技术研究

为了有效利用光伏阵列转换能量,提高并网发电效率,需要对其进行最大功率点跟踪控制( MPPT).提出了基于二级神经网络-遗传寻优的方法,通过利用PV神经网络模型拟合光伏电池输出功率与输出电压的非线性特点,为MPPT寻优提供模型依据,采用遗传算法编码灵活的特性实行并行搜索,并采用存储器函数变换技术使得系统达到在线控制的效果.仿真及实验表明,遗传算法对PV曲线进行最大值寻优,经过52代遗传得到最大功率为135.811 4 W,对应的电压值为72.138 24 V,这与实际最大功率点相比的误差为1.45％,取得了精度较高的跟踪效果,提高了系统稳定性.并且该方法能够准确跟踪最大功率点,克服了传统爬山法等在最大功率点附近振荡引起功率损耗的问题,同时也克服了传统神经网络方法采集训练数据的难度.     

基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究

针对恒压控制法中采用BP神经网络预测最大功率点处电压存在较大误差的情况,提出了用遗传算法来优化BP神经网络,然后用优化后的算法来预测光伏系统最大功率点之处的电压,并以此值代替基于恒电压的光伏发电系统MPPT控制算法中的恒电压参数;同时结合恒电压控制法建立了基于GA-BP神经网络学习算法的改进恒压型光伏系统MPPT控制的仿真模型。最后算例仿真结果证明所提的基于GA-BPNN的光伏系统MPPT控制算法能够快速准确地进行光伏最大功率点跟踪,并且相比于BP神经网络算法、干扰观察法及FUZZY控制算法其稳定性更好、精度更高。     

基于数值方法的光伏发电系统MPPT控制算法研究

针对传统的太阳能最大功率点跟踪(MPPT)算法跟踪速度及精准度不理想的缺点,提出了一种新型的基于数值方法的光伏发电系统最大功率点跟踪控制算法。该方法利用二次插值的思想,仅通过一步就可以跟踪到最大功率点。在该MPPT的启动中还采用了恒定电压法来提高跟踪速度。利用MATLAB搭建了光伏发电系统MPPT跟踪控制仿真模型。仿真结果表明,该算法能够显著提高MPPT跟踪的速度和准确度。     

基于TS模型的模糊神经网络光伏MPPT控制

为了克服传统最大功率点跟踪(MPPT)方法的一些缺点,使光伏系统更加快速准确地工作在最大功率输出点,提出了基于模糊控制和神经网络控制相结合的自适应控制方法。该方法充分利用模糊神经网络处理非线性问题的优点,通过模糊控制来改变步长,利用神经网络的自学习能力来快速达到平衡,使光伏MPPT在跟踪速度和稳定性之间达到一个较优的平衡。仿真和试验结果表明,基于模糊神经网络自适应控制的MPPT方法具有较强的鲁棒性和自适应能力。     

基于GA-BP神经网络的光伏阵列MPPT研究

为了有效提高光伏发电系统的最大输出功率,在综合考虑传统算法优缺点的基础上,研究一种基于遗传算法(GA)优化BP神经网络的光伏最大功率点跟踪(MPPT)方法。通过建立神经网络最大功率点预测模型,并将预测模型转化为可在Simulink中直接使用的模块,避免了使用传统的S函数控制方法。在Matlab/Simulink环境下进行了仿真验证,仿真结果表明在光照强度和温度迅速变化时,该新型算法较传统电导增量法明显缩短了MPPT的跟踪时间,并且有效抑制了系统在最大功率点附近的波动。     

基于外推追赶迭代法的MPPT算法仿真

为提高整个光伏(PV)发电系统的控制性能,克服传统最大功率点跟踪(MPPT)算法稳定性差、跟踪速度慢等问题,在研究MPPT技术的基础上,提出了一种新的MPPT算法—变步长外推追赶迭代法,并与传统的扰动观察法进行了比较。结果表明:采用提出的MPPT算法后,整个系统跟踪最大功率点的时间由0.5 s缩短为0.35 s;所提方法实现了在相同的跟踪精度下,迭代次数由8次减少为4次,且达到最大功率点后几乎没有振荡,从而避免了过多的功率损失,同时保证了最大功率点跟踪的精准性,并实现了控制的快速性。所提算法为提高整个光伏发电系统的优越性奠定了理论基础,具有很好的应用及推广价值。     

光伏系统最大功率点追踪方法的改进

针对传统的最大功率点跟踪(MPPT)法、恒定电压法不能准确地跟踪最大功率点和登山法跟踪速度慢、误判断和输出电压不稳定等缺点,提出了定步长与变步长相结合的三点最小二乘MPPT方法.建立了光伏发电系统的数学模型,并进行了系统设计和实验,在不同的起始电压和初始步长的情况下,追踪光伏发电系统的最大输出功率.仿真结果证明,三点最小二乘MPPT能够准确追踪光伏发电系统的最大功率点,但跟踪速度受初始条件的影响.以TMS320F2812为控制芯片对光伏系统MPPT电路进行系统设计并进行试验,结果表明该系统输出电压稳定,与无MPPT相比,输出功率明显提高,系统效率提高约15%.     

光伏逆变器输出侧无测量装置最大功率跟踪控制方法

最大功率点跟踪控制问题是光伏并网发电系统中经常遇见的问题。通过对太阳能电池板模型的建立及伏安特性、功率电压曲线的分析,对一种光伏输出侧无测量装置(PV Output Sensorless,POS)的最大功率跟踪控制方法进行了建模仿真实验,验证了该方法的可行性与正确性。在大规模的光伏发电中,这种控制方法更为安全;而且发生跟踪失败的几率较传统的MPPT算法更低,控制简单并且可靠。     

免疫小脑模型神经网络优化光伏输出

最大功率跟踪控制方法是光伏发电系统的关键技术,以Matlab/Simulink为仿真平台,建立了光伏模块和最大功率跟踪仿真模块。提出将小脑模型神经网络并行PID应用于跟踪系统的最大功率点,并利用免疫响应理论改进CMAC。仿真结果验证了免疫CMAC控制方法的有效性,该MPPT方法不但可以实时跟踪到光伏发电系统的最大功率点,而且显著减小了系统的输出振动,改善了电能质量,提高了电器设备的供电可靠性。     

免疫小脑模型神经网络优化光伏输出

最大功率跟踪控制方法是光伏发电系统的关键技术,以Matlab/Simulink为仿真平台,建立了光伏模块和最大功率跟踪仿真模块.提出将小脑模型神经网络并行PID应用于跟踪系统的最大功率点,并利用免疫响应理论改进CMAC.仿真结果验证了免疫CMAC控制方法的有效性,该MPPT方法不但可以实时跟踪到光伏发电系统的最大功率点,而且显著减小了系统的输出振动,改善了电能质量,提高了电器设备的供电可靠性.     

基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型.通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪.Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法.     

利用智能水滴算法优化神经网络的MPPT

光伏系统最大功率点跟踪(MPPT)对于提高光伏发电效率有着重大意义。给出一种智能水滴(IWD)算法优化Elman神经网络的MPPT方法。利用IWD算法对Elman神经网络的权值和阈值进行优化,提高Elman神经网络的训练效果。将IWD算法优化Elman神经网络的MPPT方法与传统预测方法进行对比,结果验证了所提方法的有效性。     

基于模糊PI的光伏发电双MPPT研究

针对光伏阵列非线性工作特性及传统MPPT控制中响应外界环境变化缓慢、最大功率点附近功率振荡现象明显等缺点,对其最大功率点跟踪算法进行分析,提出了一种模糊PI控制下扰动观察法(PO)和恒电压控制法(CVT)相结合的双MPPT(dual maximum power point tracking MPPT)控制方法应用于光伏发电系统。通过建立模糊PI控制下的光伏发电双MPPT系统模型,构建系统控制量及变化量变化规则,设计仿真参数。仿真实验结果表明本方法在外部环境变化时能快速准确地跟踪光伏阵列最大功率点,具有良好的动态和稳态性能。     

光伏电池最大功率点跟踪控制方法的对比研究及改进

光伏发电系统中光伏电池的输出特性具有唯一的最大功率点（MPP）,需要对光伏电池的最大功率点进行跟踪（MPPT）。文中分析了几种常见的最大功率点跟踪控制方法,对比分析了它们的优缺点。针对MPPT控制方法中存在的启动特性较差、跟踪过程不稳定、精度不高等特点,采用一种改进爬山法,该法以恒定电压法作为启动特性及采用变步长进行跟踪控制,并利用Matlab/Simulink搭建了改进爬山法的MPPT控制模型,仿真结果验证该方法的有效性。     

基于模型参考电导增量法的光伏电池MPPT控制

由于光伏电池输出电压的非线性特性,需要进行MPPT(Maximum Power Point Tracking)控制,即最大功率点跟踪控制.通过建立光伏电池的数学模型,对光伏电池的输出特性进行了分析.分析了太阳能光伏阵列在不同外界环境的输出特性和几种传统的最大功率跟踪方法的优缺点,并且仿真验证了电导增量法的优点和缺点.在此基础上提出了一种基于模型参考的电导增量法.当光照强度和温度发生快速变化时,系统通过获得仿真模型在当前光照和温度的最大功率点电压,利用电导增量法在此电压附近寻找实际的最大功率点电压.仿真结果表明,和传统的电导增量法相比,该方案能够在外界环境发生变化时快速跟踪太阳能电池的最大功率点,有效提高了最大功率点的跟踪精度,具有良好的动态和稳态性能.     

基于滑模控制的光伏发电MPPT控制

为了快速进行最大功率点跟踪控制,提高太阳电池输出效率,将滑模控制应用在光伏系统最大功率点跟踪控制中,设计了基于光伏MPPT控制的滑模控制器。搭建太阳电池组件模型及Boost变换器和滑模MPPT控制模型,并在MATLAB仿真环境下进行了仿真,结果表明采用滑模MPPT控制可以快速地实现光伏系统的最大功率点跟踪控制,缩短系统调整时间,减小超调量与稳态误差。     

固定电压法与改进电导增量法结合的光伏发电系统最大功率点跟踪

由于光照强度、光伏阵列温度、负载时时变化,使光伏电池阵列的最大功率点也发生变化,需采用适当的最大功率点跟踪(MPPT)算法提高光伏转换率。提出固定电压法与改进的电导增量法结合的MPPT方法,先采用固定电压法将光伏阵列的工作点调整到最大功率点附近,以保证跟踪的快速性;而后利用变步长的电导增量法,使工作点电压与最大功率点电压近似相等。仿真结果表明,固定电压与电导增量法结合追踪最大功率点能够快速、准确地跟踪光伏阵列的最大功率点,减少了在最大功率点振荡的能量损失,提高了光伏发电系统的能量转换率。     

基于扰动观察法的光伏发电系统MPPT控制策略

由于光伏电池的输出功率受到光照、温度等外界因素的影响,具有非线性特性。为了提高光伏发电系统的效率必须对其输出功率进行跟踪控制。在详细分析光伏电池等效电路及输出特性的基础上,利用Matlab/Simulink平台建立了光伏系统的仿真模型,阐述了最大功率跟踪(Maximum Power Point Tracking,MPPT)控制原理,重点研究了电压型扰动观察法的实现算法,通过MPPT控制器比较前后两次的功率大小来决定光伏电池的电压扰动方向,使光伏电池最终达到最大功率点。最后对整个光伏系统进行仿真试验,仿真结果表明在光照发生改变时,MPPT控制器能够及时调节,实现最大功率点跟踪,验证了光伏系统仿真模型的正确性和控制策略的可靠性。     

基于最大功率点跟踪与储能补偿的光伏-制氢系统研究

利用太阳能发电制氢既是消纳高比例新能源的有效途径,也是实现“双碳”目标的重要支撑。建立了共用直流母线的光伏-制氢系统模型,通过对光伏系统进行最大功率点跟踪（maximum power point tracking,MPPT）控制,光伏电池的最大功率点可以与制氢电解槽的工作曲线动态匹配,实现光伏能量的最大化利用。为了解决非均匀照度时的全局最大功率点搜索问题,提出了基于Fibonacci搜索的MPPT控制方法。研究结果表明：基于Fibonacci搜索的MPPT方法可对均匀照度以及非均匀照度条件下的光伏系统进行MPPT控制,其中功率单峰曲线的跟踪准确度接近99%,功率多峰曲线的平均跟踪准确度接近98%;碱式电解槽工作在电压控制模式,通过与MPPT控制器和储能补偿装置的配合,当功率充足时可以使制氢效率保持在70%以上。     

蚁群算法优化RBF神经网络的光伏发电MPPT

针对如何提高光伏电池最大功率点预测跟踪精度的问题,讨论了光伏电池非线性输出特性。在此基础上,建立基于RBF神经网络的光伏电池最大功率点预测跟踪模型,以光照强度和温度为模型的输入,光伏电池的最大功率点电压为模型输出,并将RBF神经网络的中心参数采用蚁群算法进行优化,从而实现最大功率点预测跟踪。仿真结果表明,该方法比传统的RBF神经网络方法具有更高的预测精度,能更好地预测跟踪光伏电池的最大功率点。