粒子群算法在光伏阵列多峰MPPT中的应用

为了解决在局部阴影的条件下,传统的最大功率点跟踪(MPPT)控制方法不能准确跟踪到最大功率点的问题,采用了粒子群优化算法,并通过粒子初始位置的设定、粒子群算法参数的设定和终止策略的制定提高了算法的准确性。通过添加粒子淘汰环节,提高了算法的执行效率。在Matlab/Simulink环境下进行了仿真,并且对仿真结果进行了分析,验证了该方法的正确性。     

一种高效光伏多峰MPPT控制算法

在局部阴影条件下,光伏阵列的输出功率会出现多峰现象,传统MPPT控制方法搜索全局最大功率点会发生寻优失效。提出了一种高效的光伏多峰MPPT控制算法。该算法基于天牛须搜索算法,通过引入随时间变化的自适应步长因子,在算法初期自动的选取较大的搜索步长,使之保持较高的全局搜索能力;中期逐渐增大步长的衰减速度,加快算法收敛;后期逐渐减小步长的衰减速度,以提高收敛精度。Matlab结果表明,该算法可有效地减小搜索时间和搜索震荡,显著提高收敛速度,同时又可大大地提高搜索精度,准确搜索到光伏最大输出功率。     

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。     

基于光伏功率等效面积法的多峰最大功率追踪控制方法

当光伏组串受到不均匀照射时,其输出特性将会从原来的单峰曲线变成有多个峰值点的多峰曲线,因此受到非均匀照射的光伏阵列含有多个局部峰值点(Local Maximum Power Point,LMPP),使用常规的最大功率跟踪控制方法很难准确的追踪到全局最大功率点(Global Maximum Power Point,GMPP)。针对上述问题,首先基于MATLAB仿真软件搭建了光伏组串在受到非均一阴影遮挡情况下的模型;其次研究了其功率-电压(P-U)特性和导数(dP/dU-U)特性,分析了全局最大功率点与光伏功率等效面积之间的关系;最后提出了基于光伏功率等效面积所决定的工作区间定位的新型多峰最大功率点追踪(Maximum Power Point Trace,MPPT)控制方法。仿真结果表明,所提出的光伏功率等效面积法算法能够有效且快速的寻找到全局最大功率点。     

基于多模型状态估计的光伏阵列MPPT技术

针对光伏阵列最大功率点在局部阴影情况下具有非线性、时变不确定和多个局部功率峰值的特点,采用现代状态估计理论建立光伏阵列输出功率动态模型,利用交互多模型估计算法精确跟踪多状态多峰功率曲线,抑制噪声定位出最大功率点,提出基于多模型状态估计的光伏阵列MPPT技术。仿真和实验验证了所提新MPPT控制策略的正确性和有效性,在有、无阴影情况下都能够快速且准确地跟踪最大功率点,提高光伏发电效率。     

自适应BP神经网络在光伏MPPT中的应用

首先介绍了光伏电池的特性,并在比较了扰动观察法、电导增量法、恒定电压法、开路电压法等几种光伏系统最大功率跟踪(MPPT)算法的基础上,提出了一种基于BP神经网络的最大功率跟踪的控制策略。该策略将温度和光强作为输入变量,通过神经网络识别后可得到最大功率点。仿真结果表明,该方法能够快速、准确地跟踪光伏电池的最大功率点,具有良好的控制精度和适应性,显著提高了光伏系统的转换效率。     

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。     

基于APID-RBF神经网络的光伏MPPT方法

针对光照强度急速变化和局部阴影时光伏发电系统最大功率点追踪响应速度慢、多峰值等问题,提出一种基于RBF神经网络与自适应PID控制相结合的控制方法。首先,采用RBF神经网络对环境的实时变化直接跟踪光伏最大功率点。然后,利用自适应PID的辅助修正,抑制光伏电池输出功率的波动。神经网络能提升在复杂环境下的跟踪速度,自适应PID能增强对神经网络误差的消除能力,提升跟踪精度。仿真结果表明,APIDRBF双控策略具有稳态性能高和控制精度高等优点,能有效提高光伏发电效率和稳定性。     

局部阴影条件下光伏阵列最大功率点跟踪方法对比研究

近年来涌现了许多针对局部阴影条件的光伏阵列最大功率点跟踪(MPPT)方法,这些方法的跟踪性能表现不一,目前也缺乏统一的评价标准。基于对大量文献的阅读与总结,选取了五种较为典型的多峰MPPT方法,对其在大量典型局部阴影案例下的跟踪性能进行Matlab仿真分析,并总结对比了各类MPPT算法的静态跟踪性能、动态跟踪性能以及MPPT效率。本文有助于光伏工程设计与装置研发人员快速了解并掌握当前最新的MPPT方法及其性能,为实际应用中MPPT方法的选取以及提高发电效率提供借鉴。     

基于SVR与扰动观察法的光伏阵列多峰值MPPT研究

当光伏组件出现局部阴影遮挡或光照不均匀时,光伏阵列的输出特性将发生改变,此时的P-U特性曲线将呈现多峰值现象,传统的基于单峰P-U特性曲线的MPPT算法将失效,很难准确地跟踪到全局的最大功率点。为解决该问题,提出了一种基于支持向量机回归与扰动观察法的MPPT融合算法。利用支持向量机的全局优化、泛化性能高的特点,结合扰动观察法的控制简单、容易实现的优点来实现最大功率点的跟踪。仿真结果表明,在真实的光照、温度及光照突变等外界条件下,该新型融合算法与传统的扰动观察法相比,光伏阵列在局部阴影下不会陷于局部峰值,能迅速准确地搜寻到全局最大功率点。     

基于RBF神经网络的光伏动态重组系统

光伏系统的模块重组对于改善系统的P-V特性有非常重要的作用。提出了一种在部分阴影遮蔽情况下基于人工神经网络算法的光伏模块重组方案。这个方案中,光伏模块分为固定部分和自由部分,并通过开关矩阵来连接。然后测量的每个自由模块以及每行固定模块的短路电流值,测量值通过人工神经网络算法得到的结果决定开关矩阵的连接方式。仿真实验显示所提出的方案的参数测量实时简易、重组策略高效,能有效地改善部分阴影状态下的光伏阵列的功率输出。最重要是所提出的控制策略能应用于较大规模光伏系统结构重组。     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

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。     

局部阴影下光伏阵列MPPT算法的研究

针对局部阴影状态下光伏阵列P-U特性曲线多峰值的问题,提出了一种基于搜索-计算-判断的三步法全局最大功率点跟踪(GMPPT)策略。该方法使用改进型扰动观察法反向搜索第一个峰值点,利用计算和判断减小搜索区域,将多峰值间接转化为单峰值搜索,解决了搜索过程中陷入局部极值的问题。通过建立3种阴影状态下的模型,将该方法与现有最大功率点跟踪(MPPT)算法进行仿真对比,并建立相应的试验进行验证。仿真及试验结果表明,该方法在有、无阴影状态下均能稳定实现GMPPT,有效地提高了系统的跟踪精度和跟踪速度。     

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。     

基于反馈神经系统的MPPT的实现

以常见硅太阳电池为例,搭建电池仿真模型,采用反馈神经网络调节算法对该仿真系统实现了最大功率点的追踪。实验数据表明,所建立的电池模型能很好地模拟出硅电池的输出特性,反馈神经网络也能快速准确地实现MPP的追踪,具有较好的追踪效果。     

基于RBF神经网络的光伏系统MPPT研究

针对光伏发电最大功率点跟踪(MPPT)技术的研究和现状,提出了一种基于径向基(Radical Basis Function,RBF)神经网络的MPPT算法。建立太阳能电池板的数学模型,分析光伏发电的主要影响因素。选取电池板的电压、电流为RBF神经网络的输入层,输出层直接调整Boost电路的占空比,达到最大功率点跟踪的目的。与传统的扰动观察法(P&O)相比,所提出的方法无需设定步长,通过RBF神经网络,直接调节Boost电路的占空比进行最大功率点跟踪。仿真和实验结果表明,所提出的MPPT算法与传统的P&O算法相比有更好的快速性和光伏利用效率。     

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。     

基于广义动态模糊神经网络的光伏电池MPPT控制

依照最大功率点跟踪(MPPT)的原理,在综合考虑各种不同的控制方法优缺点的基础上,提出了一种新的基于椭圆基的广义动态模糊神经网络(GD-FNN)的光伏电池的智能控制方法.通过GD-FNN算法调节PWM的占空比来控制光伏电池的输出电压,实现阻抗匹配,达到能量的最优化.仿真结果表明,这种控制方法能够有效地跟踪到电池的最大功率,并且具有较好的稳定性.