基于改进CPSO的动态阴影环境下光伏MPPT仿真研究

动态阴影下,传统最大功率点追踪(MPPT)算法易陷入局部极值,而常规粒子群(PSO)算法实现的MPPT控制易给系统带来较大的振荡。针对上述问题,提出一种自适应精英策略改进混沌粒子群(AEM-CPSO)算法的MPPT控制策略。该算法对粒子前三次迭代进行混沌搜索,使粒子在初始状态具有全局遍历性。自适应精英策略运用于粒子搜索后期,用于缓解算法后期振荡的问题。仿真结果表明,AEM-CPSO算法在全局搜索性,追踪速度以及暂态稳定性都优于传统方法。     

基于鲸鱼粒子群融合算法的MPPT研究

在局部阴影遮挡条件下,经典最大功率点跟踪(MPPT)算法容易失效,导致无法追踪到最大功率点,针对此问题,提出了一种基于鲸鱼粒子群融合算法的多峰MPPT控制策略。该算法实现了混合算法的优势互补,增强了鲸鱼算法后期收敛效率,且避免了粒子群算法易停滞于局部极值的缺陷,提高了鲸鱼粒子群融合算法的收敛精度和寻优效率。在MATLAB/Simulink环境中建立光伏阵列仿真模型,仿真结果表明：该算法追踪过程中震荡幅度减小,能够快速准确地搜索到最大功率点。     

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。     

IFA在光伏遮蔽情况下MPPT中的应用

在遮蔽情况下,光伏阵列输出的P-U特性曲线呈现出多峰状态,传统最大功率点跟踪(MPPT)算法可能会陷入局部极值。提出了一种基于改进萤火虫算法(IFA)的MPPT算法,首先在原始算法步长更新公式中引入具有变权重系数的惯性项,使得追踪过程能很好地实现全局搜索能力与局部寻优的平衡;其次在步长更新公式中引入加速系数,在功率值较低的区域加大步长,减少追踪所用时间和能量损失。最后,通过仿真和实验,与经典粒子群优化(PSO)算法进行了比较,证明了所提算法跟踪能力更优。     

基于改进Levy特征蝙蝠算法的光伏MPPT研究∗

针对传统MPPT算法存在收敛速度慢和易陷入局部极值的问题,在分析Levy飞行特征蝙蝠算法优化原理与 局限性的基础上,提出了一种利用随机数动态迭代更新参数的改进方法.为了避免算法后期种群多样性减弱而陷入局 部极值,动态调整算法中的音强衰减系数和频率增强系数的值,从而对适应度值进行扰动.利用MATLAB/Simulink 在不同光照强度条件下对3种MPPT算法的最大功率点追踪进行测试,结果表明改进后的蝙蝠算法的追踪时间更短、 追踪效果更好.     

APSO算法在光伏阵列MPPT追踪器中的应用

针对传统的MPPT算法无法在光伏阵列局部遮阴或光照不均等情况下对最大功率点进行有效追踪的问题,提出了一种自适应粒子群优化(APSO)算法。阐述了APSO算法的基本思想以及将该算法实际应用到光伏阵列最大功率点追踪(MPPT)追踪器中的设计思路,并给出了带APSO算法的追踪器硬件实现原理框图。测试结果表明,基于该算法的追踪器能够快速、准确地实现光伏阵列在部分遮挡条件下全局最大功率点的追踪,具有一定的工程应用价值。     

基于自适应种群粒子群的光伏全局MPPT研究

局部遮蔽条件(PSC)下,传统最大功率点跟踪(MPPT)算法会陷入局部极值,智能算法追踪时间过长。针对上述问题,提出了一种基于自适应种群粒子群算法(APPSO)的MPPT控制方法,引入全局和局部粒子密度的概念,并设计了两种自适应调整的粒子种群数量的机制。对该方法与常规粒子群算法(PSO)在均匀光照和PSC下分别进行了对比。仿真和实验结果均表明,在PSC下APPSO可迅速、准确地追踪到全局最大功率点(GMPP),追踪时间仅为PSO的50%左右。     

改进PSO算法在光伏阵列多峰值中的应用

最大功率点跟踪(MPPT)能有效提高光伏利用效率,当局部阴影时,光伏阵列P-U曲线易呈现多极值问题,传统MPPT算法不适用于在多极值中寻优,因此算法易出现跟踪失效问题.粒子群算法(PSO)更适应复杂的多极值系统求最优解,但不易跳出局部寻优.通过正弦改进策略的动态惯性权重优化方式,应用正弦函数周期变化属性扰动粒子,并配合...     

基于BSO的局部阴影下光伏最大功率点追踪

为了减小局部遮阴情况PSC(partial shading condition)下光伏系统的功率失配损失,提高最大功率点追踪MPPT(maximum power point tracking)的追踪速度和准确性,提出了基于天牛群优化BSO(beetle swarm optimization)算法的MPPT控制方法。把由天牛须搜索BAS(beetle antennae search)借鉴粒子群的群体优化思想而得到的BSO方法应用到MPPT控制,利用天牛的个体进化和群体学习等优势来提高MPPT的追踪速度和精确度。设置了多种光照情况来作仿真验证,并用粒子群方法进行比较分析。结果表明,所提的方法追踪速度更快、精确度更高,且追踪过程更稳定、功率波动较小。     

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。