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。     

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。     

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。     

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.     

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PSO算法的光伏阵列MPPT研究

由于光伏组件的P-V特性是单峰非线性曲线,由它组成的光伏阵列的发电功率易受温度、光照强度等外界环境因素的影响,导致实际工程中光伏发电效率大大降低,因此追踪最大功率点(Maximum Power Point Tracking, MPPT)使光伏发电系统的发电功率一直处于最大功率点,对提高系统整体的发电效率有着十分重要的意义。引用进化差分算法对传统的粒子群算法(PSO)的寻优过程进行差分进化选择,并将非线性策略与改进后的PSO算法相结合。通过仿真计算分析,改进后的PSO算法相较于传统的PSO算法能够更快速、更准确地找到部分阴影情况下的最大功率点,进而提升了光伏系统的发电效率。     

基于模糊和声搜索算法的光伏MPPT控制研究

针对光伏MPPT算法在对多峰值P-V曲线搜索中的跟踪精度和速度不能兼顾、存在搜索震荡、容易陷入局部极值功率点的问题,提出了一种基于模糊和声搜索(fuzzy harmony search,FHS)算法的光伏MPPT算法,同时引入模糊自适应因子k对音调调节步长BW进行自适应调整,实现高精度跟踪、迅速收敛和高稳定性.通过在M...     

基于分布估计算法的动态环境下光伏MPPT的应用研究

采用分布估计算法实现动态环境下光伏系统的最大功率点跟踪(MPPT)。基于光伏发电原理,通过Matlab建立了光伏电池的仿真计算模型。针对传统最大功率点跟踪方法在动态环境下跟踪速度和精度难以兼顾的问题,应用分布估计算法建立了动态环境下的最大功率点跟踪模型。仿真结果表明,当光强、温度变化时,该方法能快速、准确地跟踪最大功率点。通过与PSO算法的Matlab仿真对比验证可得,在保证精度条件下,分布估计算法能提高跟踪速度并减少迭代,具有良好的综合性能,验证了算法有效性和可行性。     

基于混合式蝴蝶算法的局部阴影光伏MPPT研究

针对传统最大功率跟踪(MPPT)算法在跟踪局部阴影时的光伏最大功率失效问题，以及目前元启发式MPPT算法中较多初始种群数导致算法计算负担过大，寻优时间过长的现象，提出了一种新的蝴蝶算法(BOA)-爬山法(HC)混合MPPT控制算法。该算法利用BOA进行全局寻优，在搜索至全局最大功率附近时采用HC进行后续搜索。利用传统MPPT方法的快速收敛性来提高元启发式算法的搜索速度，减小BOA的搜索空间，加快整体算法的全局跟踪速度。利用MATLAB/Simulink仿真软件搭建了局部阴影下的光伏发电系统，并在相同种群数目下对粒子群(PSO)和BOA算法进行测试对比，验证了所提算法的有效性。     

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.     

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。     

基于简化蚁群算法的光伏MPPT跟踪控制

近年来,光伏发电因太阳能绿色无污染等原因被高度关注,光伏发电的核心技术问题是如何提高光伏发电效率,即提高光伏发电系统的"最大功率点"跟踪速度,进而提升平均发电功率。根据光伏电池原理提出MPPT控制方法,根据智能仿生优化算法蚁群算法,提出一种简化的蚁群优化算法,并将简化蚁群算法应用在MPPT控制中,通过不断迭代使占空比更新,从而找到最大功率点并稳定跟踪。并通过数值仿真实验,验证所提出的优化算法在光伏MPPT控制中具有较快的收敛速度,同时与传统扰动观测法相比具有较高的精准度和较小的搜索振荡;在搭建的光伏发电系统真实实验平台上也验证了简化蚁群算法的可行性。     

基于FPA的光伏发电全局MPPT算法的研究

传统最大功率点跟踪(MPPT)算法在非均匀光照下可能失效,而基于粒子群优化算法(PSO)的全局MPPT算法存在参数设置复杂、输出震荡大的缺点。花粉传播算法(FPA)是一种新颖的智能全局群优化算法,具有收敛速度快,参数设置简单,结果稳定性好等优点。本文提出了一种基于FPA的MPPT算法,在理论分析和大量仿真的基础上对算法参数进行了合理设置。将其与基于PSO的MPPT算法进行对比仿真和实验,结果表明不论光伏阵列光照是否均匀,本文算法都可以有效锁定最大功率点,而且在参数设置,系统输出振荡,收敛时间等方面更具优势。     

恒定电压法与变步长滞环比较法结合的MPPT算法研究

针对光伏发电系统中最大功率点跟踪算法在跟踪速度和精确度等方面存在优缺点,提出了恒定电压法与变步长的滞环比较法相结合的MPPT新算法.该算法有效地克服了传统MPPT算法中存在的振荡和误判现象,同时兼顾到跟踪速度和精度的要求.在Matlab/Similink下进行MPPT控制算法的建模与仿真,仿真结果表明,该方法能够显著提高MPPT跟踪的速度和精度,并且有效地克服了振荡和误判现象.     

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.     

基于Boost电路光伏发电系统MPPT采样周期分析

由于光伏发电系统的非线性特性,难以运用数学手段确定其最大功率跟踪MPPT(maximum power pointtracking)过程输出功率的合理采样周期。针对基于Boost电路光伏发电系统进行MPPT过程,对工作点输出功率最佳采样周期进行仿真和采样,分析了全过程采样周期的分布规律。分析表明,不同环境条件下,最佳采样周期最大值近似为恒定值,因而选取该恒定值作为适合于MPPT全过程的采样周期,保证了MPPT算法的跟踪速度和跟踪精度。     

基于储能型准Z源光伏并网逆变器的改进型自适应粒子群最大功率点跟踪算法研究

在解决光伏电池阵列在局部阴影条件下的多峰寻优问题中,传统的粒子群(PSO)最大功率点跟踪(MPPT)算法存在稳定性差、振荡严重、跟踪速度慢等缺点.针对上述缺点,结合准Z源逆变器的优点并在准Z源阻抗网络电容上并联储能单元,提出了一种基于储能型准Z源光伏并网逆变器的改进型自适应粒子群最大功率点跟踪算法.该算法不再依赖迭代次数,而是直接采用个体最优功率和全局最优功率更新惯性权重和学习因子并引入电压窗口限制,有效地提高了跟踪速度和减小了功率振荡.仿真结果验证了该优化算法在储能型准Z源光伏并网逆变器应用中具有较好的多峰值光伏曲线全局最大功率点跟踪能力,提高了光伏阵列的发电效率,具有较好的可行性.     

基于插值计算法和变步长滞环比较法结合的MPPT算法研究

针对光伏发电系统中太阳能最大功率跟踪点(MPPT)算法的不足,基于插值计算法和变步长滞环比较法结合,提出了改进算法。该算法有效克服了传统MPPT算法中存在的误判与震荡现象,并提高了算法的精度和跟踪速度,在Matlab/Simulink下进行MPPT控制算法的建模与仿真,仿真结果表明,该算法有效提高了系统的动态响应速度和稳态精度。     

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。