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.     

基于改进神经网络的一种新型MPPT预测方法

针对传统最大功率追踪(MPPT)算法存在跟踪速度慢、准确度不高和局部阴影等问题,采用基于改进遗传算法优化的BP神经网络对最大功率点进行追踪.该算法针对传统BP神经网络预测算法的不足,采用梯度下降法与高斯牛顿法相结合的学习算法来提高收敛速度,并采用遗传算法优化的BP神经网络避免陷入局部最小值.在总结现有研究成果的基础上,...     

结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法

光伏阵列在局部阴影时的P-U曲线呈现多峰特性,需要设计光伏多峰最大功率点跟踪方法,以实现光伏发电最大功率输出,提高光伏发电效率。相比粒子群优化算法,量子粒子群优化算法具有收敛速度更快和全局收敛性等优势。提出了一种基于量子粒子群优化算法的光伏多峰最大功率点跟踪改进方法。该方法采用量子粒子群优化算法实现最大功率点的全局搜索;根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群中的粒子总数及其电压;并根据量子粒子群优化算法收敛时粒子自身最优位置的特点,提出了更适合光伏多峰最大功率点跟踪的收敛判据。仿真测试表明,提出的改进方法能够快速有效地实现光伏多峰最大功率点跟踪,收敛速度更快,避免了不收敛的问题,且具有应对光照情况变化的能力,提高了局部阴影时光伏发电的效率。     

光伏列阵的全局最大功率点追踪研究

针对光伏电池的最大功率点跟踪(MPPT)影响着光伏系统的发电效率,对光伏阵列的功率输出特性曲线进行了建模仿真分析,根据MPPT的目标是保持光伏阵列输出电压一直保持在最大功率点处,重点分析在光伏阵列出现局部阴影情况时的,光伏阵列的P-V输出特性为多峰曲线情况下,提出了一种基于改进的模拟退火粒子群算法的最大功率点跟踪控制方法,将模拟退火算法思想融入到粒子群算法中,改善粒子的探索能力,提升了最大功率点跟踪算法的收敛速度和精确性。     

粒子群优化BP神经网络光伏锂电池充电系统

通过对太阳能光伏电池最大功率点的跟踪和锂电池的充电控制两部分实现了对锂电池的快速充电。首先利用SIMULINK的s-function的自定义模块和粒子群优化BP神经网络算法实现了对在辐射度、电池板温度、环境温度和风速共4种工作环境下的光伏电池进行最大功率点跟踪和建模,然后通过单片机编程对开关管进行PWM控制,完成充电电路的智能控制。之后,结合MATLAB和SIMULINK完成粒子群优化BP神经网络并在PROTEUS平台上完成充电电路的仿真,最后程序下载到硬件中并通过调试完成对锂电池充电过程的检测。结果表明,粒子群优化后的BP神经网络光伏锂电池充电控制系统具有较高的充电速度和充电效率。     

基于改进粒子群算法的光伏最大功率跟踪研究

在局部阴影情况下,带有旁路二极管的光伏阵列P-U呈现多峰特性,导致常规的最大功率点跟踪方法失效。针对多峰值问题,在建立和分析光伏阵列P-U特性曲线的基础上,提出了采用自适应变异粒子群算法进行光伏阵列的最大功率点跟踪方法。该算法根据光伏阵列在局部阴影时P-U曲线上功率极值点的分布特点初始化种群,在传统粒子群算法基础上,通过引入自适应权因子和变异机制来加速算法收敛及防止算法陷入局部极值。仿真测试表明,提出的改进方法能够快速有效地实现光伏局部阴影下的最大功率点跟踪,相比于粒子群算法,可有效避免陷入局部极值点,收敛速度更快,且具有应对太阳光照变化的能力,提高了局部阴影时光伏发电的效率。     

部分遮蔽光伏发电系统的建模及MPPT控制

为了优化利用大型光伏发电系统的阵列组件,设计了一个改进的多元结构部分遮挡光伏系统数学模型。采用一个集中的最大功率点跟踪(maximum power point tracking, MPPT)控制器,在 Matlab环境下进行建模仿真,证明该多元结构的光伏系统数学模型可以优化系统结构,节约设备,降低成本。为了提高最大功率点的跟踪准确度和速度,提出了一种基于改进的粒子群优化算法(particle swarm optimization,PSO)的最大功率点跟踪方法,并进行建模仿真和实验,与扰动观察法(perturbation and observation,PO)的性能指标和输出波形图对比,验证改进的粒子群优化算法对最大功率点具有更快的跟踪速度,避免在最大功率点附近产生振荡。     

基于粒子群优化的BP神经网络在火电厂大气环境评价中的应用

利用粒子群优化算法对传统的BP神经网络算法改进,建立了基于粒子群优化BP神经网络的评价模型,并将其应用到火电厂大气环境评价研究中。结合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效防止了网络陷入局部极小值,同时能保证评价结果的准确性。火电厂实例验证结果表明:利用粒子群优化的BP神经网络模型进行火电厂环境评价不仅计算简便,而且评价结果具有较高的可靠性。     

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。     

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。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

基于改进 BP 神经网络的螺杆转子 铣削表面粗糙度预测

以提高螺杆转子等具有螺旋曲面零件铣削表面质量为目的。根据螺杆转子加工特点,针对主轴转速、进给倍率和间歇进给量进行单因素轮换铣削加工实验。采用改进粒子群算法确定BP神经网络初始权值和阈值的最优值,采用训练后的改进BP神经网络算法对铣削后的螺杆转子表面粗糙度进行预测,并与传统BP神经网络进行对比。结果表明,传统BP神经网络对表面粗糙度的训练精度最低,改进算法中粒子群迭代2 000次的平均相对误差最小,为1.21%。利用模型进行工艺参数对表面粗糙度影响规律的预测,可以看出,其他工艺参数不变的前提下,随着主轴转速的升高,表面粗糙度呈现降低趋势;随间歇进给量的增大,表面粗糙度先降低后升高;表面粗糙度随进给倍率的增加,呈现先降低后升高的趋势。结论：改进神经网络算法可以准确预测铣削后的螺杆转子表面粗糙度,为螺杆转子铣削加工中的工艺参数选择提供理论指导。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。     

基于模糊粗糙集和GA-BP神经网络的L配电网故障选线方法

针对BP神经网络故障选线当输入数据量大时,其结构复杂、收敛慢,并且易陷入局部最优的缺点,将模糊粗糙集和遗传算法优化神经网络的方法引入配电网单相接地故障选线中.通过MatLab仿真试验,得出大量的各线路零序电流信号,并将多种提取的特征量进行信息融合.利用粗糙集理论对条件属性进行约简,去掉冗余条件属性,将约简后的属性作为输入层的BP神经网络,然后通过遗传算法优化BP神经网络进行训练和测试.测试结果表明,该方法具有训练速度快、误判率低的优点,能够满足电力系统对选线精度和准确性的要求.