基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

粒子群优化在光伏系统MPPT控制中的应用

粒子群优化(PSO)是一种基于生物智能的优化方法,能快速地搜索出多极点非线性函数的最优解,非常适合作为遮阴条件下光伏系统的最大功率点跟踪(MPPT)控制算法.针对因局部遮阴函数产生多极点的问题,在传统PSO的基础上加以改进,增加了粒子淘汰的环节.实验结果表明,改进后的算法使系统的MPPT控制更加快速有效.     

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。     

脉冲充电在光伏系统充电控制中的应用

考虑到光伏发电系统的特点,将脉冲充电方式应用于光伏发电系统充电控制中,提出了一种新的蓄电池充放电控制策略,能够有效改善蓄电池充电过程中的极化现象,实现快速充电,提高光伏电池的输出效率和蓄电池的充电效率。在充放电控制过程中,保证了直流母线电压的稳定,提高了光伏系统对负载的供电质量。通过对蓄电池分组充放电控制,改善了蓄电池长期欠充问题。针对蓄电池的充放电控制技术建立了Matlab/Simulink仿真模型,验证了该控制策略的可行性。     

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。     

基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型.通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪.Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法.     

独立光伏系统高效充电策略研究

首先介绍了光伏电池的特点和独立式光伏系统的一般结构,然后重点对充电算法进行了研究,提出了将MPPT应用于充电系统的方案,指出了普通三段式充电算法应用于独立光伏系统存在的问题和解决的方法,并建立了matlab仿真模型进行了仿真验证,仿真结果证明了算法的正确性。     

基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究

针对恒压控制法中采用BP神经网络预测最大功率点处电压存在较大误差的情况,提出了用遗传算法来优化BP神经网络,然后用优化后的算法来预测光伏系统最大功率点之处的电压,并以此值代替基于恒电压的光伏发电系统MPPT控制算法中的恒电压参数;同时结合恒电压控制法建立了基于GA-BP神经网络学习算法的改进恒压型光伏系统MPPT控制的仿真模型。最后算例仿真结果证明所提的基于GA-BPNN的光伏系统MPPT控制算法能够快速准确地进行光伏最大功率点跟踪,并且相比于BP神经网络算法、干扰观察法及FUZZY控制算法其稳定性更好、精度更高。     

基于灰色BP神经网络的光伏发电系统最大功率点跟踪

为了提高太阳能的利用率,应使光伏阵列时刻都工作在最大功率点上。提出分别利用BP神经网络法与灰色BP神经网络法对最大功率点进行跟踪,对给定参数的光伏电池特性进行仿真分析,对建立好的BP神经网络通过Matlab编程进行训练,得到最优的训练系数,从而可以得到给定参数的光伏电池的最大功率点跟踪模型;计算出跟踪误差,再结合灰色预测方法对误差进行校正,进而得出误差较小的预测模型和最大功率点跟踪模型。计算结果表明,基于灰色BP神经网络法对最大功率点的跟踪迅速、准确。     

粒子群优化算法及其在神经网络中的应用

对基本粒子群优化PSO算法进行改进,并将改进粒子群优化算法与误差反向传播BP算法结合。与传统BP网络诊断结果相比,本方法具有运算效率高、收敛速度快的特点,是一种有效可靠的新型故障诊断技术。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.     

基于粒子群算法的BP神经网络光伏电池建模

针对光伏电池复杂难以建模的非线性特性,本文提出一种基于粒子群算法(PSO)的反向传播(BP)神经网络建模方法.神经网络具有很强的非线性拟合能力,但同时也存在收敛速度慢、容易陷入局部极值、建模精度不高等缺点.本文采用粒子群算法来优化神经网络的内部连接权值,以改善神经网络的性能,并基于这种改进的神经网络构建光伏电池动态模型...     

基于粒子群优化算法的VSC-HVDC系统的控制参数优化策略

建立了双端基于电压源型换流器的高压直流输电(VSC-HVDC)系统的小信号模型;利用特征根分析法,基于线性化状态空间模型,将与系统特征根直接相关的振荡模式和衰减模式的罚函数作为目标函数;提出了基于粒子群优化算法的VSC-HVDC系统的控制参数优化策略,对整个系统的控制参数同时进行整体优化。仿真结果验证了小信号模型的正确性;优化后的系统在小扰动、大扰动、潮流反转及故障情况下均具有较高的控制精度,整个系统的稳态与暂态特性均得到较大改善。     

基于全局粒子群算法的无功优化

针对粒子群(PSO)算法的局限性,提出了全局粒子群(GPSO)算法,并将其应用于电力系统无功优化.建立基于全局粒子群算法的无功优化数学模型,给出全局粒子群算法的具体步骤.通过对IEEE30节点算例的测试,得到全局粒子群算法在无功优化问题上的收敛速度和优化效果.     

基于风光互补的蓄电池充电技术研究

为提高风光互补发电系统中蓄电池使用寿命,设计并实现了新型节能铅酸蓄电池快速充电系统。采用安时计量法确定蓄电池SOC估计容量,实时调节蓄电池充电状态和充电控制。通过分析比较传统三阶段蓄电池充电方法,结合风光互补发电系统中蓄电池充电易受外部环境影响的特点,建立风光互补发电系统蓄电池快速充电控制策略。实验结果表明,在外部风光环境发生变化扰动时,该充电策略可根据蓄电池状态合理控制充电电流大小,提高充电速度和延长使用寿命。     

基于改进粒子群算法的配电网无功优化

无功优化是保证系统可靠运行的重要措施,针对配电网无功优化的特点,提出一种基于局部电压稳定指标分区与改进粒子群算法相结合的配电网无功优化方法。首先计算系统负荷节点的局部电压稳定指标,根据电压稳定指标大小将负荷节点进行排序,选取排序在后的一部分负荷节点作为候选补偿点集合,结合电气距离将其分区;然后借助改进粒子群算法获得系统最佳补偿点位置与无功补偿量;最后在MATLAB中用IEEE33节点系统进行仿真验证,仿真结果表明,由局部电压稳定指标与电气距离相结合的方法可以缩小寻优范围,得到的候选补偿区合理有效,改进粒子群算法初始化粒子多样性更好,具有更快的收敛速度。     

基于自适应聚焦粒子群算法的电力系统无功优化

自适应聚焦粒子群算法(AFPSO)是根据PSO算法的全局搜索与局部搜索平衡特性,改进得到的一种具有较好全局搜索能力和寻优速度的自适应群体智能优化算法.通过采用AFPSO算法,对电力系统进行无功优化.该方法是以最优控制原理为基础,以网损最小为目标函数,在IEEE 30节点系统上进行测试,通过仿真测试以及不同算法优化结果的对比,表明基于AFPSO算法在算法计算精度、收敛稳定性、寻优时间等方面都具有普遍优势,能有效地应用于电力系统无功优化中,证明了AFPSO算法的有效性和优越性.     

Optimization of a battery energy storage system using particle swarm optimization for stand-alone microgrids

The main challenge in integrating a Battery Energy Storage System (BESS) into a microgrid is to evaluate an optimum size of BESS to prevent the microgrid from instability and system collapse. The installation of BESS at a random size or non-optimum size can increase in cost, system losses and larger BESS capacity. Thus, this paper proposes the new method to evaluate an optimum size of BESS at minimal total BESS cost by using particle swarm optimization (PSO)-based frequency control of the stand-alone microgrid. The research target is to propose an optimum size of BESS by using the PSO method-based frequency control in order to prevent the microgrid from instability and system collapse after the loss of the utility grid (e.g., blackout or disasters) and minimize the total cost of BESS for 15 years installation in the microgrid. Then, the economical performance of BESS with modern different storage technologies is investigated and compared in the typical microgrid. Results show that the optimum size of BESS-based PSO method can achieve higher dynamic performance of the system than the optimum size of BESS-based analytic method and the conventional size of BESS. In terms of BESS economical performance with modern storage technologies, the installation of the polysulfide–bromine BESS is likely to be more cost-effective than the installation of the vanadium redox BESS for 15 years installation in the typical microgrid. It is concluded that the proposed PSO method-based frequency control can improve significantly power system stability, grid security, and planning flexibility for the microgrid system. At the same time, it can fulfill the frequency control requirements with a high economic profitability.