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。     

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。     

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。     

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。     

光伏发电系统最大功率点跟踪控制的研究

针对扰动观察法的速度和精度在很大程度上受扰动初始值和扰动步长的影响,且在最大功率点附近存在功率振荡现象等问题,提出一种改进扰动观察法。首先当日照变化较快时,利用短路电流使输出功率能够快速跟踪在最大功率点附近,然后采用可变步长的扰动观察法使光伏电池稳定在最大功率点。通过仿真实验证明该改进方法明显缩短了最大功率点的跟踪时间,并且基本消除了功率振荡现象,提高了最大功率点跟踪控制技术。     

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。     

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。     

光伏系统中一种改进MPPT算法的研究

针对传统扰动观察法存在功率振荡和误判的问题,提出了一种功率预测与自适应变步长相结合的扰动观察法。自适应变步长能够按照P-U特性曲线的斜率自动改变步长,进而解决传统扰动法跟踪速度与跟踪精度不能兼顾和稳定后功率波形振荡较大的问题。当光照强度发生剧烈变化时,功率预测法能够根据P-U输出特性曲线进行预测,进而达到消除误判的问题。在MATLAB/Simulink中搭建光伏系统MPPT仿真模型,并对改进扰动法和传统扰动法进行仿真对比,结果表明,改进的扰动法能够克服传统扰动法存在功率振荡和误判问题,可以使光伏系统快速、准确地实现最大功率点跟踪控制,并使之稳定运行在最大功率点处。     

基于改进PSO算法在局部遮阴下光伏系统MPPT中的应用

在局部遮阴条件下，光伏阵列的功率输出曲线存在多个峰，为确保光伏系统能够更好地工作在最大功率点，提出一种改进粒子群(PSO)算法.自适应调整惯性权重和学习因子，并引入差分进化(DE)算法中的变异、交叉等操作来丰富粒子多样性，使算法不仅有更快的收敛速度，而且在遮阴条件下也能精准追踪到最大功率点.在Simulink中搭建系统仿真模型进行仿真试验.结果表明，改进粒子群算法能够明显提高追踪最大功率点的速度和精度.     

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.     

基于分层粒子群优化的三维点云配准

为了提高三维点云配准的性能,采用基于分层粒子群优化的迭代最近点算法来完成点云配准;首先将源点云作为粒子群粒子,将粒子分成多个子群,然后以点云的曲率为适应度值,分别求解子群适应度值和全局粒子适应度值,并将子群适应度值、全局粒子适应度值和粒子当前速度三者结合,共同搜寻最优粒子,以得到能够精确表达点云结构的特征点,最后采用迭代最近点算法对特征点进行配准。仿真结果表明,通过合理设置粒子速度权重和子群规模,相对于标准迭代最近点算法,分层粒子群优化算法的三维点云配准效率提升显著,配准均方误差略有减小。     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解.对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法.     

改进FA算法在阴影条件下光伏MPPT中的应用

为解决光伏阵列最大功率点在外部环境条件变化时难以进行有效的跟踪,以及传统的最大功率点跟踪(MPPT)方法常常会导致搜索陷入局部极值而且响应速度慢的问题,采用理论分析和仿真的方法,提出一种基于萤火虫算法(FA)的变步长MPPT算法,对传统FA算法的结构和参数进行分析改进,将萤火虫初始位置分散定位在可能的峰值点电压处,并设计引入闪烁度以自适应调整萤火虫步长,使FA算法在MPPT控制方向更加实用化.研究结果表明:该算法能够快速且准确地跟踪最大功率点.研究结论有效地提高光伏阵列输出效率.     

基于速度变异的粒子群算法

为了改善粒子群优化算法在收敛后期极易陷入局部最优的缺陷,提出了在非线性惯性权重策略粒子群算法的前提下,对陷入局部极值区域的粒子进行位置变异,使得粒子能很好地跳出局部极值区域,并在迭代前期及后期采用不同速度变异策略使处于个体极值点的粒子改变速度,能够有效地提高算法的前期全局搜索能力和后期局部开挖能力。通过4个经典测试函数验证了该算法具有更好的优化性能。     

基于DSP的光伏并网系统的设计

以DSP为控制平台设计光伏并网系统,在改进型单纯形加速法的基础上,采用电压型全控桥为逆变结构,设计新型光伏阵列最大跟踪控制优化算法,跟踪光伏阵列最大输出功率点．在线调节步长改变电压收敛速度,设计锁相控制电路,自动同步跟踪电网频率和相位．测试数据表明：结合优化技术的变步长MPPT算法能快速准确跟踪最大功率点,系统波动小,稳定性高,逆变器电流和电网电压同频同相馈送电网,从而有效提高系统逆变效率及可靠性．     

基于新型电导增量法的MPPT控制策略

为了实现光伏系统开机过程和光照强度发生较大变化时对最大功率点(MPP)的快速追踪,提出了一种新型变步长与基于光照变化因子的补偿步长相结合的电导增量控制算法,并建立了该算法的数学模型及仿真模型。仿真结果表明提出的控制算法能够快速、准确地进行最大功率点的跟踪且能够消除振荡现象,表现出了良好的动态性能。     

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%.     

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。     

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。     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.