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。     

基于粒子群优化算法和电导增量法的多峰值MPPT控制

复杂环境条件下,光伏阵列由于被遮挡其输出特性呈现多峰值特性,传统最大功率点跟踪MPPT(maximum power point tracking)算法不再适用。为此,在研究光伏阵列多峰值输出特性的基础上,提出一种基于粒子群优化PSO(particle swarm optimization)算法和电导增量法INC(incremental conductance)的多峰值MPPT算法。该算法分成2步:第1步先由PSO算法将输入位置调整到最优值附近;第2步再由INC算法得到全局最优解,其中对传统PSO算法进行改进,INC算法采用变步长扰动。在Matlab中进行仿真,结果表明该算法可实现复杂环境条件下的最大功率跟踪,并具备较快的响应速度和稳定的寻优效果。     

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。     

基于功率闭环控制与PSO算法的全局MPPT方法

基于对现有多峰值最大功率点跟踪(maximum power point tracking,MPPT)方法不足的分析,提出一种基于功率闭环控制的动态MPPT跟踪策略。该方法采用功率闭环方式实现全局最大功率点的定位,利用功率闭环控制在P-U曲线上的局部不稳定现象实现P-U曲线的快速全局扫描,克服了峰值点分布及算法参数取值对MPPT动态过程的影响。同时采用电压截止控制克服了功率闭环控制对系统整体稳定性的影响。采用基于粒子群(particle swarm optimization,PSO)算法的变步长跟踪策略消除了最大功率点跟踪的稳态功率震荡问题。最后,通过仿真与实验验证该方法的可行性和有效性,结果表明,该方法不依赖光伏阵列的已知信息,便可实现静态和动态环境下全局最大功率点跟踪,提高多峰值最大功率点跟踪的动态速度和稳态跟踪精度。     

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.     

单相光伏并网逆变器的反步滑模控制策略

为了克服光伏并网逆变系统受外界干扰和系统参数的不确定性等多种因素的干扰,以逆变器的输出滤波电容电压及其导数为状态变量,将反步法和滑模控制相结合,提出了基于反步滑模控制的光伏并网逆变器控制策略。推导了具有参数不确定和外界干扰情况下的逆变器的反馈控制律。为了获取光伏阵列的全局最大功率点(maximum power point,MPP),提出了一种基于改进粒子群优化算法(particle swarm optimization,PSO)的最大功率点跟踪(maximum power point tracking,MPPT)方法,将占空比分为两部分进行初始化,建立了光伏阵列运行功率与占空比之间的线性关系。仿真和试验结果验证了所提控制策略的有效性。     

基于改进PSO算法的光伏阵列MPPT研究

针对光伏阵列(photovoltaic array)传统的最大功率点跟踪(maximum power point tracking,MPPT)方法的不足,提出一种改进的粒子群算法(particle swarm optimization algorithm,PSO)。该算法中,粒子位置依据粒子的个体最优解由大到小更新,更新过程中使用当前时刻所产生的全局最优解,同时,将反映粒子聚集程度的粒子位置的标准差和反映粒子偏离程度的距当前最大功率点的距离引入每个粒子的速度阈值,单独自适应地限制每个粒子的更新速度,以便更快地找到最大功率点,提高收敛速度。最后,通过仿真和实验验证了该算法的快速性和有效性。     

粒子群优化模糊控制器在光伏发电系统最大功率跟踪中的应用

针对采用干扰观察法时最大功率跟踪系统的输出功率在最大功率点附近小幅振荡的问题,设计了一种应用粒子群优化算法(particle swarm optimization,PSO)的模糊控制器,并将其应用于光伏发电系统的最大功率点跟踪(maximum power point tracking,MPPT)。该控制器采用粒子群算法优化模糊控制的隶属度函数,能够实时调整跟踪步长,保证系统在光照强度和温度变化时有较快的动态响应速度和较高的稳态精度。分别对采用干扰观察法、常规模糊控制方法和带粒子群优化的模糊控制器在相同情况进行了仿真和试验,结果证明了所提方法的有效性和鲁棒性。     

自适应果蝇算法多峰值光伏阵列最大功率点跟踪

光伏PV(photovoltaic)阵列在实际应用中常存在遮挡现象,与光照均匀时的单峰特性不同,遮挡情况下的PV输出曲线呈多峰特性,常规的最大功率点跟踪方法大多寻找到第1个峰值点即停止搜索,易使光伏阵列因陷入局部极值点的跟踪而失效。提出一种基于自适应的果蝇优化算法AFOA(adaptive fruit fly optimization algorithm),对原有果蝇算法的初始值设定及寻优步长进行改进,并定时与扰动观察法PO(perturbobserve)相结合,增强寻优算法的实时性。通过Matlab仿真,分别在光照均匀和遮挡情况下,与扰动观察法和粒子群优化PSO(particle swarm optimization)算法的跟踪效果进行了比较,仿真结果表明,无论有无遮挡现象,AFOA算法都可准确跟踪到系统的全局最大功率点,提高了系统输出功率的稳定性及发电效率。     

基于粒子群-量子操作算法的同步发电机非线性模型参数辨识

为解决同步发电机三阶非线性模型参数辨识问题,在将参数辨识问题转化为非线性优化问题的基础上,引入粒子群优化(particle swarm optimization,PSO)算法.考虑到PSO收敛速度慢、参数辨识精度低,而量子粒子群优化(quantum particle swarm optimization,QPSO)算法收敛速度快、具有较好的全局搜索能力,将量子操作引入到PSO算法中,提出了粒子群-量子操作(particle swarm optimization with quantum operation,PSO-QO)优化算法.仿真试验结果表明,与PSO算法、QPSO算法相比,PSO-QO算法收敛速度快、参数辨识精度高、算法更为稳定;与经典扩展卡尔曼滤波(extended Kalman filter,EKE)方法相比,PSO-QO具有更强的鲁棒性,尽管强噪声条件下参数辨识精度有所下降,但效果仍优于EKF.     

电压波动估计的混沌简化粒子群算法

针对粒子群算法(particle swarm optimization,PSO)估计电压波动频率收敛速度慢,采样频率和窗口长度选择不当算法易陷入局部最优的问题,采用简化进化公式和混沌理论两项策略加以改进,提出基于混沌简化粒子群(chaotic simple particle swarm optimization,CSPSO)算法的电压波动幅值和频率估计新方法.去掉粒子群算法进化公式的速度项,仅由粒子位置控制进化过程,避免由于速度项引起的粒子发散而导致算法收敛速度慢的问题;并引入混沌理论,利用其随机性、遍历性和规律性提高算法的全局寻优能力,避免简化粒子群算法陷入局部最优.仿真结果验证了该方法的有效性和准确性.     

一种优化MPPT控制算法及应用

大型光伏水泵系统在特殊工作环境下光伏阵列时常处于局部阴影状态,其输出具有高度非线性和多个局部功率峰值,此时传统最大功率点跟踪(MPPT)方法不再适用。对此提出将粒子群优化(PSO)算法引入光伏阵列MPPT控制,根据阵列输出特性给出了初始粒子定位、算法参数调整和算法重启策略方法,实现了部分遮蔽情况下光伏水泵系统最大功率点(MPP)的稳定跟踪,避免了系统工作点在MPP附近振荡,同时还具有全局搜索功能,进一步提高光伏水泵系统的工作效率。最后实验结果表明了该算法的稳定性和有效性。     

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。     

基于粒子群算法的MPPT仿真及应用

利用PSIM软件建立了太阳能电池仿真模型。光伏模块的伏安特性曲线显示了在出现局部阴影时,使用传统的最大功率点跟踪(MPPT)方案跟踪多个局部的最大功率点(MPP)以获得全局MPP是很难的。鉴于此,提出了一种新型基于粒子群优化算法(PSO)的MPPT。仿真及实验结果表明,即使在复杂的条件下,光伏模块的输出电压也能够稳定运行在MPP附近,基于PSO的跟踪算法为实时光伏系统提供了一个可行的替代解决方案。     

一种基于全局最优MPPT算法的研究北大核心

针对光伏阵列出现多个局部功率峰值时,传统的MPPT算法导致系统工作在某个局部最大功率点的问题,提出一种新的基于局部扫描法与P&O相结合的全局最优MPPT算法,该方法在系统启动后先采用固定大步长进行全局扫描来找到全局最大功率点,当系统运行在全局最大功率点附近时,然后采用变步长P&O算法变步长扫描来找到精确的最大功率点。基于Matlab/Simulink的仿真模型,对全局最优MPPT算法进行了仿真验证;并搭建一个功率为6 k W的实验平台验证当系统出现多个峰值时的效果。仿真和实验结果验证了所提出的全局最优MPPT算法在光伏阵列出现多峰值时具有很好的MPPT效果。     

考虑混沌特征的增强型大脑情绪神经网络光伏发电功率超短期预测模型

为进一步提高光伏发电功率超短期预测的准确度,根据光伏功率时间序列固有的非线性混沌特征,提出一种基于改进粒子群优化(improved particle swarm optimization,IPSO)算法和增强型大脑情绪神经网络(enhanced brain emotional neural network,EENN)的...     

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。     

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。     

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。