改进粒子群算法在光伏阵列多峰值MPPT中的应用

在局部遮荫下,光伏阵列的P-U特性曲线存在多个极值点,常规最大功率跟踪(MPPT)算法在光伏阵列多峰值MPPT应用中将失效。粒子群算法(PSO)有良好的全局搜索能力,被应用于光伏阵列多峰值MPPT,但是PSO存在收敛精度低和收敛不稳定性的缺点。为了提高PSO算法的收敛稳定性和收敛精度,引入非线性策略对PSO算法进行改进,Matlab仿真结果表明,改进的粒子群算法在多峰值MPPT应用中可以稳定、准确的跟踪光伏阵列的最大输出功率。     

基于光伏阵列模型预测的混合型MPPT研究

阴影条件下光伏阵列的输出特性曲线呈现多峰值特性,现有的在线式MPPT方法的追踪时间长,追踪过程中电压波动大,容易造成阵列失配.为解决这一问题,提出了一种基于模型预测的混合型MPPT算法,将初步寻优过程放入软件中处理,通过“检测—预测—再寻优”的过程完成多峰值情况下的MPPT.建模仿真证明:与现有MPPT方法相比,基于模型预测的混合型MPPT算法能够有效缩短系统的寻优时间,且电压波动更小,适用于阴影条件下光伏阵列的最大功率追踪.     

基于改进粒子群算法的光伏系统MPPT控制研究

光伏(PV)阵列输出的功率-电压特性曲线在部分阴影条件下具有多个峰值,传统的最大功率点跟踪算法,无法准确跟踪光伏系统的全局最大功率点而且效率低下.由于粒子群优化(PSO)算法非常适合解决多极优化问题,因此,提出了一种随机惯性权重的PSO算法来实现全局最大功率点跟踪.通过改善传统PSO算法的惯性权重系数并优化粒子的搜索顺序,可以减少迭代次数,从而在更短的时间内找到MPP(最大功率点),以确保准确的跟踪最大功率,使系统始终保持最高效率运行.最后,搭建了局部阴影条件下的光伏阵列仿真模型,对提出的算法进行了仿真验证,并与传统的扰动观察法对比分析,仿真结果表明,相较于传统的扰动观察法,利用改进的智能算法,有效地解决了光伏系统在局部阴影条件下准确的追踪系统全局最大功率点的问题,并且加快了系统控制器的响应速度、有效地抑制震荡并且提高了追踪效率.     

基于粒子群优化的光伏系统MPPT控制方法

局部遮阴条件下光伏阵列P-V特性引起的多个极值点使常规的最大功率点跟踪(MPPT)算法失效。针对上述问题,提出一种基于粒子群优化算法的控制方法,以解决局部遮阴下的最大功率跟踪问题。实验结果显示,光伏模板的输出电压被稳定地控制在最大功率点附近,证明算法是有效的。     

基于密度峰值的依维度重置多种群粒子群算法

针对粒子群算法无法有效兼顾开采与勘探的问题, 提出一种基于密度峰值的依维度重置多种群粒子群算法. 首先采用密度峰值聚类中相对距离的思想并结合适应度值将种群分为两个子种群: 顶层群和底层群. 之后为顶层群设计专注于开采的学习策略而为底层群设计倾向于勘探的学习策略, 以均衡种群的勘探与开采. 最后依维度将陷入局部最优的粒子与全局最优粒子交叉重置, 在有效避免早熟收敛的同时也显著减少了无效计算次数. 将提出的算法与其他改进的优化算法在基础优化问题与CEC2017测试集上进行实验对比, 实验结果均值的统计检验证明了提出算法的改进具有统计学显著性.     

基于改进黏菌优化算法的光伏MPPT方法

光伏阵列在局部遮荫的情况下会导致光伏系统输出的功率-电压曲线出现多个极值点,具有全局寻优能力的传统群体智能优化算法进行最大功率追踪（maximum power point tracking,MPPT）,普遍存在收敛速度慢、易陷入局部最优等问题。该文提出了一种基于改进黏菌优化算法的控制方法。先采用正态分布初始化种群,增加种群的多样性。然后应用莱维飞行策略和螺旋搜索策略,提高算法的全局搜索能力,避免陷入局部最优。经仿真验证,与粒子群算法和普通黏菌算法相比,改进黏菌算法在跟踪速度、稳定性等方面均有更显著的效果。     

基于粒子进化的多粒子群优化算法

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地避免了"早熟"问题,提高了算法的稳定性。对3个测试函数进行了对比实验,结果表明该算法优于标准粒子群算法。     

局部阴影下光伏阵列呈多波峰特性的MPPT算法研究

带有旁路二极管的光伏组件在局部阴影的遮蔽下,其输出的P-U特性是由多个局部峰值构成的非线性曲线,使传统的单峰MPPT算法无法准确跟踪最大功率点。通过建立并分析局部阴影下光伏组件的数学模型可避免陷入局部峰值。在传统电导增量法寻找峰值的基础上,应用聚拢峰值扫描判别法,分别从短路电流和开路电压处向中间聚拢扫描峰值并比较大小,直到找出真正的最大功率点。仿真结果表明,该算法在局部阴影下不会陷于局部峰值,能够快速跟踪最大功率点,明显提高了系统的光电转换效率。     

基于改进PSO算法的光伏发电系统MPPT控制策略

光伏发电系统运行在局部阴影条件下,其P-V曲线呈现多个峰值,为了保证光伏发电系统能够工作在最大功率点下,提出一种改进粒子群优化(PSO)算法的最大功率点跟踪(MPPT)的控制策略.改进算法采用非线性自适应的学习因子和加速因子同时采用随机惯性权重.仿真实验和真实实验验证所提出的算法在光伏发电系统的MPPT控制中具有较快的...     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

基于极值搜索的光伏电池最大功率点跟踪仿真

针对光伏发电系统中最大功率点跟踪问题,在太阳能电池的数学模型的基础上建立了PV模块的Matlab仿真模型;考虑到了太阳能的波动性和随机性对太阳电池阵列的影响,利用一种基于极值搜索方法的实时MPPT控制原理,控制Buck DC/DC变换电路,结合S函数在Matlab/Simulink环境下建立其动态仿真模型,实现了光伏电池输出的最大功率跟踪;仿真结果表明,该算法具有较好的动态特性和稳态特性,具有一定的实用价值。     

基于粒子群算法的自动门控制研究

以自动门的控制系统中的主要的受控对象无刷直流电动机为研究对象,对其速度控制进行了深入的研究.首先对无刷直流电动机的参数和结构进行分析,建立起数学模型,然后将粒子群群算法与PID控制相结合,应用于电机的速度控制,使得自动门的开门关门速度和时间可以快速地响应外部要求,达到控制要求.     

基于差分进化算法的光伏阵列MPPT控制方法

针对遮挡情况下光伏阵列P-V输出特性曲线呈现多个局部功率峰值点,传统最大功率点跟踪算法无法摆脱局部最优值的缺点,提出一种基于差分进化(DE)算法的最大功率点跟踪算法。因局部阴影下各个局部最大功率点所对应的电压值有一定规律可循,算法首先使用DE算法找到全局最大功率点所对应的电压值附近,以保证不会陷入局部最优值;然后重新初始化种群个体在该电压值附近,继续使用DE算法寻找全局最大功率点。仿真结果表明,该算法可以成功摆脱局部最优值的约束,正确地找到全局最大功率点。与基本DE算法进行对比,二者的寻优精度具有同样的优势,而且所提出的算法收敛速度更快,为遮挡情况下光伏阵列最大功率点跟踪提供了一种新的方法。     

基于滑模控制的光伏系统MPPT控制方案

结合光伏系统的工作原理和滑膜控制的特点,提出一种最大功率点跟踪(MPPT)控制方案。将滑模控制应用于该系统最大功率点的跟踪,包括改进变换电路,设计滑模变结构控制器。实验结果表明,该方案能快速跟踪太阳能电池的最大功率点,使系统稳定地工作在最大功率点附近,减小输出功率和电压的波动以及超调量,削弱滑模控制的稳态抖振。     

基于粒子群算法的多匝道协调控制

高速公路入口多匝道协调控制是调节各个入口匝道进入到主线的交通量,从而使主线交通流处于最佳状态。由于多个入口匝道相互关联和相互影响,多匝道协调控制具有强的耦合性、非线性和时变性。针对上述问题,提出了一种基于系统分层和粒子群优化算法的控制方法。首先论述了高速公路多匝道系统的原理模型;然后阐述了多匝道协调控制系统的实现,系统由协调控制层和直接控制层组成,其中前者负责模型选择、参数调整和确定期望的密度轨迹,后者采用比例积分微分控制器实施控制,并引入粒子群算法对控制器的比例系数、积分系数和微分系数进行优化;最后进行了仿真实验。结果表明,当高速公路出现交通拥堵时,系统能够快速地消除拥堵,并使主线交通流趋于稳定。该方法为高速公路多匝道控制提供了一种切实可行的新途径。     

基于粒子群算法的遗传算法研究

针对传统遗传算法存在的早熟收敛和易陷入局部最优解的问题,提出了一种基于粒子群算法的遗传算法,其原理是用粒子群算法来构造变异算子和进行种群分割.通过对三个典型多峰值函数的优化来评估算法性能.实验结果表明,该算法能很好地保持种群的多样性和克服早熟现象,显著提高遗传算法的收敛速度.     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

MQPSO: 一种具有多群体与多阶段的QPSO算法

提出了一种改进的QPSO(Quantum-behaved Particle Swarm Optimization)算法,即一种具有多群体与多阶段的具有量子行为的粒子群优化算法.在该算法中,粒子被分为多个群体,利用多个阶段进行全局搜索,这样可以有效地避免粒子群早熟,提高了算法的全局收敛性能.对几个重要测试函数的测试结果证明,MQPSO算法的收敛性能优于标准粒子群算法(Standard Particle Swarm Optimization, SPSO)以及QPSO算法.