3步光伏最大功率点跟踪算法

光伏阵列的P-U特性曲线在局部阴影的情况下会呈现多个极值点,传统算法容易陷于局部极值,智能算法追踪耗时过多.在研究两类算法的基础上,提出一种基于扰动观察法和粒子群算法的3步最大功率点跟踪(MPPT)算法.该算法采用大步长扰动观察法缩小搜索范围并确定粒子数目;采用改进粒子群算法实现全局搜索寻找最优局部;采用逐步逼近的扰动观察法在最优局部内搜索最大功率点.仿真结果表明:该算法在均匀光照和局部遮阴情况下均能准确迅速地跟踪到最大功率点,相比于粒子群算法,追踪时间缩短35%,以上.     

基于混合优化算法的最大功率点追踪方法

针对部分阴影条件下粒子群优化（PSO）算法追踪最大功率点时间较长与功率波动大的问题,提出一种基于万有引力与粒子群混合优化(GPSHO)算法的最大功率点追踪（MPPT）方法。该方法将万有引力搜索算法引入粒子群算法,在迭代过程中通过调节PSO算法的惯性权重、认知因子和社会因子提高算法的收敛速度,实现追踪全局最大功率点。仿真与实验结果表明:该方法能够在不同光照情况下精准地追踪全局最大功率点,其搜索速度大约比基于自适应惯性权重粒子群(APSO)算法的MPPT方法快１倍,功率振荡亦更小。     

基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制

在局部阴影的条件下,由于光伏阵列的P-U曲线会存在多个峰值点,传统的扰动观测方法不能快速追踪到最大功率点。本文对粒子群算法的设计参数、执行流程等方面进行优化,提出了一种基于自适应粒子群算法对光伏并网系统MPPT的控制策略,最后进行了Matlab/Simulink仿真。结果表明,该控制策略可以快速、准确地搜寻到最大功率点,能够抑制复杂条件下环境因素的影响,提高算法的跟踪精度和光伏电池的整体工作效率。     

粒子群优化算法在多峰值MPPT控制中的应用

光伏发电系统的多峰值特性,出现在局部遮阴环境下包含多组光伏电池的发电系统中。传统的最大功率跟踪(MPPT)算法会导致最大功率点(MPP)搜索陷入局部极值,不能最大发挥光伏阵列的输出能力。基于粒子群优化算法的MPPT控制有效地解决了多峰值特性下的最大功率搜索问题,提高了响应速度和控制精度。仿真结果证明了优化算法较传统算法在多峰值情况下控制的优越性。     

光伏系统中全局最大功率点的优化

针对当光伏列阵接收到不均匀光照时,整个光伏系统的P-V曲线变为多峰值曲线,采用传统的最大功率点跟踪方法不能很好地追踪最大功率点的问题,提出一种基于改进的模拟退火-粒子群算法的最大功率点跟踪方法。研究结果表明:该优化算法中加入存储单元,保证了算法不会陷入局部最大值点,同时引入粒子群适值函数,调整退火温度,保证了运行速度;通过该方法可以快速的准确地找到光伏系统的全局最大功率点;仿真结果证明了该算法的正确性。     

适用于光伏多峰功率跟踪的改进型粒子群优化算法

针对在自然环境下光伏阵列上时常发生的局部阴影而引起P-V曲线由单峰转变成多峰状态,从而导致常规最大功率跟踪算法失效的问题,在研究传统粒子群算法的基础上,提出了一种改进型控制算法。该算法采用全局模式和局部模式两种运行手段定位最大峰值点,在对粒子群优化的速度更新方式上,去除了大量的随机变量干扰,使结构优化非常明显。改进后粒子群优化算法能够使功率跟踪避免陷入局部最优,使之找到真正的最大功率点。通过与传统粒子群算法对比仿真及试验,结果表明,在光伏阵列局部遮荫的情况下,改进后的粒子群优化算法可以快速准确地搜索到最大功率点,追踪精度高达95%,并且比传统的粒子群算法在搜索效率上提升28%,较好地避免了陷入局部最优。     

利用改进布谷鸟优化算法的光伏全局MPPT方法

光伏阵列一般由大量组件构成,受环境影响易出现局部阴影,导致P-V曲线出现多峰现象。传统的最大功率点追踪(Maximum power point tracking,MPPT)控制策略如扰动观察法容易陷入局部最优, 从而降低光伏系统的发电效率。为了解决该问题, 本文提出了一种融合正弦余弦算法和自适应策略的布谷鸟优化算法(Cuckoo Search Algorithm Fusing Sine Cosine Algorithm And Adaptive Strategy ,AFCS),并将其应用于光伏全局MPPT控制中,用于改善MPPT过程中的收敛速度与追踪精度。最后设置多种光照情况并用花朵授粉算法和粒子群算法进行对比,经过MATLAB/Simulink仿真验证,该算法拥有较快的收敛速度和较高的追踪精度, 在各个光照条件下均能快速追踪到光伏阵列最大功率点, 可以有效提高光伏系统的发电效率。     

粒子群优化光伏系统最大功率跟踪设计

局部阴影条件下光伏阵列的P-V特性会出现多个极值点,使常规的最大功率跟踪算法失效。本文提出基于粒子群优化算法的最大功率控制方法,来解决局部遮阴下的最大功率跟踪问题。     

光伏并网发电系统最大功率输出控制研究

针对光伏并网发电系统功率输出低的问题,提出从优化最大功率点跟踪和并网控制2个方面综合考虑的方案。对于光伏阵列的最大功率输出,提出一种改进的模拟退火-粒子群优化算法(PSO-SA);对于并网功率控制,提出多参数逆变器复合控制以及直流侧电压和幅值稳定的控制策略,通过Matlab/Simulik软件搭建相关模型并进行仿真。研究结果表明:模拟退火-粒子群优化算法(PSO-SA)能够解决遮荫情况下全局最大功率点跟踪问题,避免光伏阵列陷入局部最大功率点,减少光电转换系统的能量损失;多参数逆变器复合控制以及直流侧电压和幅值稳定的控制策略能实现光伏并网发电最大功率稳定输出,使能源利用率最高。仿真结果验证了这些方案的可行性和有效性。     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

基于LabVIEW的光伏发电系统MPPT算法研究

针对光伏阵列的非线性问题,提出了一种快速、稳定且能够全局寻优的最大功率点跟踪算法。该算法首先将粒子群优化算法改进,使其能够在一定的迭代次数下稳定、全局地更新所有粒子的速度和位置,接近最大功率点;第二步采用以Fibonacci数列作为步长改变依据的变步长扰动观察法并将其优化,使其快速得到功率的最佳解。利用LabVIEW软件搭建了模型并仿真,验证了算法在精度与速度上的大幅度提升,确定了算法的先进性和可行性。     

基于改进萤火虫算法的光伏最大功率点跟踪

光伏电池的最大功率点跟踪是实现光伏系统高效发电的关键技术.分析光伏阵列的输出特性,提出一种改进的萤火虫算法(IFA).将混沌理论与正态分布引入传统萤火虫算法(FA),提高全局搜索范围并避免陷入局部最优;在MATLAB中搭建模型进行仿真.结果表明:该改进算法在均匀光照、局部遮阴和温度突变时均能快速精准地实现对全局最大功率点的跟踪和控制,提高了光伏阵列的发电效率.     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

基于自适应径向基函数神经网络的光伏MPPT研究

光伏系统在局部遮阴情况下,输出曲线呈现多峰特性.针对传统最大功率控制算法易追踪到局部最大功率点的缺陷,提出一种基于自适应径向基函数(Radial Basis Function,RBF)神经网络的控制算法.该算法以自适应线性算法优化RBF神经网络的扩展常数与权重,克服了传统神经网络算法收敛速度慢、全局寻优差的缺点.在MATLAB/Simulink环境下建立自适应RBF神经网络仿真模型进行验证,结果表明,提出的算法在外界光照、温度发生变化时能准确找到光伏系统的最大功率点,且在收敛精度和收敛时间上均有很大的提升.     

光伏系统多目标粒子群优化模糊MPPT控制

针对光伏发电系统遭受部分阴影时呈现多峰值、非线性和时变不确定等特性,提出了基于多目标粒子群优化(multi-objective particle swarm optimization,MO-PSO)模糊算法,对最大功率点(maximum power point,MPP)进行追踪控制.该算法对模糊控制的模糊集、模糊规则分别进行多目标粒子群算法优化,同时最小化两个目标函数,以提高光照强度变化时系统对最大功率点跟踪(maximum powerpoint tracking,MPPT)的暂态响应速度和稳态精度.通过对干扰观察法、常规模糊控制方法和多目标粒子群优化模糊控制的仿真波形比较,验证了所提控制策略的有效性.     

光伏系统模糊PSO的MPPT控制

在局部阴影条件下,光伏阵列的功率–电压特性曲线呈现多峰状,传统最大功率点跟踪方法出现搜索精度低和收敛速度慢的问题.针对此问题提出一种基于模糊控制的粒子群优化算法,采用模糊控制器对粒子群优化算法的惯性权重ω进行优化,实时调整参数,使光伏阵列在光照强度变化时有较好的动态特性和稳态性能.分别采用常规PSO算法和模糊PSO算法在相同条件下对系统进行仿真,结果表明所提出的算法在局部阴影条件下能快速跟踪外部环境变化,且准确地工作在最大功率点.     

局部阴影下光伏阵列最大功率点跟踪算法的研究

传统的最大功率点跟踪(MPPT)算法在光伏阵列多峰情况下容易陷入局部最优，蝴蝶优化算法有全局优化能力，但由于收敛精度较低而没有被广泛使用。提出了一种改进蝴蝶优化算法与扰动观察法相结合的MPPT算法，引入混沌映射理论和动态切换概率改进蝴蝶优化算法。先通过蝴蝶优化算法的全局搜索能力定位最大功率点范围，后切换小步长扰动观察法精准定位最大功率点。混合算法结合了蝴蝶优化算法和扰动观察法的优点，通过Simulink仿真实验，与传统蝴蝶优化算法、粒子群算法作对比，改进后的算法能够适应复杂多变的光照环境，且在收敛精度和速度方面均有一定优势。     

基于三次插值法的光伏最大功率点跟踪策略

针对光伏发电系统最大功率点跟踪(MPPT)算法的跟踪速度、精准度及稳定性不理想的问题,提出了一种基于三次插值法改进的自适应爬山法。该方法是通过利用三次插值法改进的自适应爬山法,能够快速准确地达到对最大功率点进行跟踪。利用MATLAB/Simulink搭建了光伏发电系统MPPT跟踪控制仿真模型。仿真结果表明,该算法能够显著提高MPPT跟踪的速度、准确度和稳定性。     

基于二阶振荡粒子群优化算法的最大功率跟踪

最大功率点跟踪(maximum power point tracking,MPPT)是光伏系统保持高效运行的有效方法。在光伏阵列发生局部遮挡时,其功率-电压曲线会出现多峰现象,传统粒子群算法(particle swarm optimization,PSO)在此情况下进行MPPT容易陷入局部最优问题,导致收敛精度降低。为解决以上问题,本文提出一种二阶振荡粒子群算法应用于最大功率点跟踪,并针对多峰函数特点进行优化,在对粒子种群初始化时采用分散定位逼近极值的方式增加粒子群的全局搜索能力,提出有效的终止策略防止系统反复波动。在Matlab/Simulink平台进行仿真对比分析的结果表明：改进算法可有效提升MPPT控制的效率和动态品质。     

阴影遮挡条件下光伏阵列建模及PSO优化控制算法的研究

基于现有五参数模型构建了阴影条件下的光伏阵列多峰输出特性模型,该模型能够仿真阴影条件下光伏阵列的I-U性能曲线.在此多峰模型基础上,搭建了MPPT控制模型,利用优化后的PSO算法实现多峰情况下的最大功率点追踪,并与原始PSO算法进行对比,仿真结果表明该算法能够快速且准确的追踪到多峰下的最大值.