局部阴影环境下基于改进型粒子群优化算法的MPPT控制

光伏发电系统包含了多组光伏电池,在局部阴影环境中,系统的功率输出呈多峰特性。传统的最大功率点跟踪(MPPT)不能使光伏阵列的能量最优化,输出功率值趋于陷入局部极大值点。基于改进型粒子群优化算法的MPPT控制不仅能提高多峰输出效率的精度,且可通过自适应动量因子和惯性权重对最大功率点的搜索速度进行优化。     

基于粒子群优化算法的光伏最大功率跟踪

针对光伏发电系统在局部阴影条件下呈现高度非线性、时变不确定性和多个局部功率峰值的特点[1],提出一种粒子群优化和改进的扰动观察法结合的MPPT算法。此算法首先利用粒子群算法来快速寻找最大功率区域,然后改进的扰动观察法精确化最大功率点,克服光伏发电系统最大功率陷于局部最优。建立仿真模型,通过仿真实验验证了这种控制方法能快速找到全局最大功率,具有更加突出的动态响应性能,避免了功率损失,提高光伏发电效率。     

部分遮挡下光伏组件MPPT技术研究

因云雾、植物、建筑等物体遮挡,或光伏器件本身的不一致性,可能导致多个功率极值出现,从而使传统的最大功率点跟踪方法失效。在光伏组件出现多功率极值的条件下,采用合理最大功率追踪算法,不陷入局部最大功率点,找到全局最大功率点值得研究。文中提出结合粒子群优化和常规最大功率点跟踪的复合算法,用于实现最大功率点跟踪,并与常规最大功率点跟踪算法进行仿真实验比较。以解决光伏组件工作在恶劣条件下的严重功率失配问题,提高光伏组件的能量转换率,保护光伏组件不受损坏。     

基于细菌觅食算法的光伏阵列MPPT控制方法

针对光照不均匀条件下光伏阵列P-V输出特征呈现多波峰,传统算法无法摆脱局部最优值的缺点,提出了一种基于细菌觅食的优化算法,并首次应用于光伏阵列的最大功率点跟踪(MPPT)。算法引入了趋向性操作,用以进行局部范围内的最优寻找。分析了光伏阵列在遮挡条件下输出功率的变化特性,然后使用细菌觅食算法进行了最大功率点跟踪控制方法实验。实验表明,该算法能够成功摆脱局部最优值的约束,快速寻找到全局最大功率点,控制精度高,为光伏阵列最大功率点跟踪提供了一种新的实现方法。     

局部遮挡条件下的最大功率点跟踪

最大功率点跟踪(MPPT)算法在光伏发电系统中具有至关重要的作用,只有当光伏阵列工作在最大功率点时,才能将光伏阵列的利用率最大化。当光伏阵列受到外界灰尘、阴影等遮挡时,原来的单极值问题会转化为多极值问题,传统的MPPT算法可能收敛到局部最大值,而非全局最大值。本文在现有的MPPT算法上改进,提出了一种新的MPPT策略,将跟踪过程细分为4个阶段,针对每个阶段使用不同的跟踪算法。仿真实验证明,该方法既有处理多极值问题的能力,还有收敛速度快,无多点振荡的优点。     

基于改进蜜獾优化算法的光伏MPPT研究

光伏阵列的输出功率易受外界影响而呈现功率多峰值现象,传统的最大功率追踪算法难以寻得最优功率输出。为了提升光伏发电系统的效率,提出一种改进的蜜獾优化算法作为光伏最大功率点追踪的方法。结合Tent映射,使种群在初始化过程中均匀分布,以增加算法全局寻优能力。在Matlab2018b/Simulink环境下仿真,基于Boost电路验证最大功率的追踪效果,结果显示,该方法在不同工况下,较粒子群算法的MPPT,均具有较好的追踪效果,且改进的HBA算法较HBA本身,追踪时间缩短了0.104 s。     

基于SG/Simulink的一种改进MPPT算法

针对传统MPPT算法响应速度慢和追踪精度不够理想的特点,分析了光伏电池在不同环境下的输出特性,提出一种改进的变步长扰动观测法,即采用新的自适应步长公式 作为扰动步长,使光伏电池以较大步长快速接近最大功率点,然后以较小步长稳定于最大功率点。在SG/Simulink混合建模仿真平台下进行了仿真,所得结果表明算法可显著提高最大功率点追踪速度与精度。     

基于DSP的改进蚁群二阶段MPPT控制器设计

针对局部阴影条件下光伏阵列输出效率低并且对最大功率点跟踪MPPT(Maximum Power Point Tracking)收敛速度慢的问题,设计出一种基于DSP的智能MPPT控制器,提出一种目标因子与过渡机制的改进蚁群全局寻优二阶段MPPT全局寻优算法作,引入目标导向因子避免盲目寻优,引入过渡机制而弥补寻优末期的振荡完成最大功率跟踪,通过仿真与实验的 分析表明,改进后的算法在光照突变时具有较快的响应速度和较高的跟踪精度,避免系统趋于稳定时的功率振荡,提高了系统效率。     

基于改进SCSO算法的光伏MPPT研究

在解决光伏阵列在局部遮挡时发电效率降低的问题时,传统最大功率点追踪（MPPT）方法容易追踪失败。为此,提出一种改进沙猫群优化算法的最大功率点追踪方法。该算法在标准沙猫群算法的基础上,引入了精英反向学习和自适应t分布,同时优化沙猫群算法（SCSO）的局部搜索并融合Jaya算法。通过对4种典型单峰、多峰函数的测试,证明该算法具有极高的收敛速度,容易跳出局部最优值。将算法应用于MPPT控制中,仿真结果表明：在静态遮荫情况下,所提方法的搜索最大功率点的时间更少;在动态遮荫条件下,重新搜寻到最大功率点的响应时间平均为0.2 s。实验表明所提算法可以适应动态变化的天气,解决了传统算法收敛速度和防止陷入局部最优等问题。     

光伏电池输出特性与最大功率点跟踪的仿真分析

根据太阳能光伏电池的等效电路特点,建立了相应的光伏电池组件的仿真模型。该模型可以实现在不同光照强度和温度下光伏组件的输出特性,在此模型基础上研究了光伏组件最大功率追踪方法(MPPT)。在众多最大功率追踪方法中,扰动法有着比较优秀的控制效果。针对最常用的最大功率点跟踪方法-扰动观察法,提出一种改进型的扰动法算法,通过仿真结果和实验证明该方法在一定程度上可解决光伏电池输出非线性的问题,有效避免跟踪偏差,提高光伏电池的输出效率,且动态响应速度快,使光伏系统具有良好的动态和稳态性能。     

改进Hausdorff距离和粒子群算法在激光制导中的应用

为提高激光成像制导精度,实现遮挡条件下的有效识别,提出一种基于改进Hausdorff距离和粒子群算法的激光图像匹配算法。首先提取基准图和实时图的边缘特征;而后针对原始Hausdorff距离易受噪声、孤立点及遮挡影响的不足,提出一种自适应部分均值Hausdorff距离,并将其作为相似性测度;最后改进粒子群算法以完成搜索匹配,一方面提出混沌惯性权值以提高其搜索能力,另一方面通过引入混沌局部搜索避免算法过早收敛。实验结果表明,该算法不仅具有较高的匹配成功率,而且实时性较好。     

基于改进粒子群算法的多UAV协同侦察任务规划

针对多无人机（UAV）协同侦察的任务规划问题,充分考虑侦察目标的侦察分辨率和时间窗约束,建立了数学模型;提出了一种改进的粒子群算法,使得粒子群能够较均匀地在问题空间内搜索,避免陷入局部极值,在保持传统PSO算法快速收敛的同时,加强了算法局部搜索能力。基于该模型和优化算法,制定了合理的多UAV协同侦察任务计划,使得多UAV协同侦察任务在满足任务要求、平台性能和战场约束的条件下具有最小代价和最优作战效能。     

基于复合式PSO的光伏最大功率点跟踪控制

针对不均匀光照条件下光伏阵列的MPPT跟踪控制问题,提出了基于粒子群的复合式MPPT控制算法。复合式PSO-MPPT控制算法包括离线寻优和在线寻优两个部分。离线寻优环节采用相邻粒子信息交换机制加强了在寻优过程中的收敛性以及对关键区域的搜索力度;在线寻优环节采用适应度模糊判断的方法解决了粒子群算法在线工作时扰动大、耗时长的问题。复合式PSO-MPPT控制算法将离线和在线的优化方法结合到一起,弥补了各自方法的不足。与传统的方法相比,所提出的方法具有更快的响应速度和更高寻优精度。最后通过Matlab仿真证明了所提出的算法可以实现在不均匀光照条件下的最大功率点跟踪。     

基于进化计算的二元序列优化算法研究

具有良好非周期自相关特性二元序列在通信同步、雷达等领域具有广泛的应用。通过对遗传算法、粒子群算法与量子粒子群算法三种进化算法进行对比分析,设计了具有良好非周期自相关特性的二元序列的搜索算法。研究结果表明,粒子群算法的搜索能力优于遗传算法,而量子粒子群算法具有参数少,易于控制的优点,取得了较好的优化结果。     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

基于余弦距离的多目标粒子群优化算法

针对粒子群优化算法具有的个体分布不均匀以及重复个体较多等缺陷,提出了一种基于余弦距离的多目标粒子群优化算法,该算法根据外部精英存储策略,利用余弦距离排挤机制来选取最分散的粒子,扩大 Pareto最优解集的收敛性和多样性,增强算法的全局寻优能力。通过采用标准多目标优化问题ZDTl～ZDT3进行仿真实验与粒子群算法、混沌粒子群算法、基于拥挤距离的多目标优化算法对比表明,该算法在Pareto前沿的收敛性和多样性方面均优于基于拥挤距离排挤机制,并具有较高的效率     

一种基于权重优化的σ策略的微粒群优化算法

微粒群算法是一种受鸟类和鱼类群体行为启发而产生的一种智能化计算方法,针对微粒群算法易于陷入局部最优的缺点,对标准PSO算法进行了改进,提出了一种更为简化的PSO算法,即σ-PSO。在σ-PSO中,用相位角的增量代替速度的增量,通过绘制相位角来确定微粒的位置。用这种新的权重优化算法与标准PSO算法对大学生的评价进行仿真的结果进行比较,证明该算法具有一定的优越性。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。     

基于IAFS算法的毫米波大规模MIMO混合预编码方法

毫米波大规模多输入多输出系统可以通过部分连接混合预编码方法克服其信号路径损耗带来的不利影响,具有硬件实现复杂度低、能量效率高的优点,当输入的数据流数与射频链路数相等时,可以采用基于串行干扰消除的混合预编码方法。当输入的数据流数与射频链路数不相等时,提出了一种基于改进人工鱼群（IAFS）算法的混合预编码方法。其核心思想是基于频谱效率最优化准则和部分连接结构的特点,将针对模拟预编码矩阵变量的频谱效率优化问题转化为基于矢量变量的频谱效率最优化问题,利用IAFS算法进行寻优求解完成预编码矩阵设计。仿真结果表明,所提方法在低信噪比条件下具有较好的频谱效率与能量效率性能,有望在现实场景中得到应用。     

Research on swarm intelligence optimization algorithm

The bionics-based swarm intelligence optimization algorithm is a typical natural heuristic algorithm whose goal is to find the global optimal solution of the optimization problem. It simulates the group behavior of various animals and uses the information exchange and cooperation between individuals to achieve optimal goals through simple and effective interaction with experienced and intelligent individuals. This paper first introduces the principles of various swarm intelligent optimization algorithms. Then, the typical application of these swarm intelligence optimization algorithms in various fields is listed. After that, the advantages and defects of all swarm intelligence optimization algorithms are summarized. Next, the improvement strategies of various swarm intelligence optimization algorithms are explained. Finally, the future development of various swarm intelligence optimization algorithms is prospected.