基于复合算法的光伏最大功率点追踪

由于光伏阵列在局部阴影情况下输出功率呈多峰值状态,而传统最大功率点追踪(MPPT:Maximum Power Point Tracking)控制无法解决多峰问题,会陷入局部最优,影响光伏发电效率,为此,提出一种复合算法应用于光伏最大功率点追踪。该方法将麻雀算法的初始种群进行优化,结合反向学习策略,加强了算法的全局搜索能力。当搜索到光伏发电最大功率点附近转换成扰动观察法,利用其快速收敛的特性快速搜索至最大功率点。利用Simulink仿真与硬件实验,验证所提出复合算法的全局搜索能力和快速收敛能力,与麻雀算法、扰动观察法相对比,复合算法的准确性和快速性具有显著提升。     

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.     

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。     

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.     

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.     

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...     

狼群搜索算法在光伏阵列MPPT中的应用

光伏阵列最大功率点在外部环境条件变化时往往难以进行有效地跟踪,而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并且响应速度慢。针对此问题,本文提出一种基于狼群搜索算法的最大功率点跟踪方法。仿真结果表明:该算法能够有效地进行全局最大功率点跟踪,验证了该算法的可行性。     

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。     

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。     

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,提出了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。     

基于改进内点法的含双馈型风电场的电力系统无功优化研究

针对含双馈型风电场的电力系统无功补偿问题,建立了以有功网损最小、节点电压偏差最小为目标的无功优化模型;并考虑了风电场旋转备用的约束,提出了跟踪中心轨迹内点法实现无功优化。跟踪中心轨迹内点法在传统内点法基础上引入自适应压缩因子,利用自适应压缩因子的动态收敛性,提高算法的局部搜索能力,从而提高算法的效率。在IEEE14系统中进行了仿真测试。实验结果证明了提出的无功优化算法的有效性,算法能较好的减少有功网损;同时使其他目标函数值都得到了不同程度的改善。     

基于改进灰狼优化的开关磁阻风力发电最大功率点跟踪控制策略

以中小型开关磁阻风力发电机为研究对象,针对发电过程中,在不同风速条件下最大功率点跟踪控制快速性和准确性的需求,提出一种基于自适应加权灰狼优化PID算法的最大功率点跟踪控制策略。当外界风速发生变化时,根据实时风速计算出风力机最佳转速,其与实际转速的差值作为加权自适应灰狼优化PID控制算法的输入,作为转速闭环的PID控制参数,从而输出电压脉宽调制的最优占空比,实现变风速下的最大功率点跟踪控制。仿真结果表明,与传统PID控制相比,自适应加权灰狼优化PID算法能够在风速变化情况下,更加快速准确地实现最大功率点跟踪控制。     

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。     

基于电压稳定指标的分布式电源位置与容量优化配置

 分布式发电(Distributed Generation,DG)的电源位置和注入容量对配电网有重要影响。以配电网网损最小及电压稳定指标为目标,将DG位置和容量优化问题转化为一个多目标的非线性规划问题。构造模糊性的多目标优化算法,将2个优化子目标转化为单一目标,同时将节点电压越限和DG有功出力越限以罚函数的方式进行处理。采用惯性因子自适应的粒子群算法进行求解,为了加快求解速度,先计算节点有功网损微增率并进行排序,选出绝对值较大的节点作为DG安装候选节点。仿真结果表明,此算法收敛效率高,具有较强的搜索能力和自适应能力。     

基于阿基米德混沌精英鲸鱼算法的微电网优化

针对微电网可再生能源不稳定性对电网造成的冲击,合理优化配置分布式能源以实现更为经济和环保的目标。提出了改进的鲸鱼算法,通过tent映射提高了初始种群的均匀程度,建立改进的精英反向学习方法提高算法跳出局部最优解的能力,通过自适应参数优化调节鲸鱼算法搜索策略的选取,并且选取阿基米德螺线替换原有的螺旋收缩方式,加强局部搜索能力,采用多种基准函数验证了算法性能上的提高,并以污染治理费用和运行费用作为目标函数,针对多种电源类型的微电网进行优化,通过仿真试验对比其他算法验证改进鲸鱼算法的有效性和实用性。     

基于改进自适应乌鸦搜索算法的无源定位

为解决利用时差(time difference of arrival,TDOA)信息无源定位计算困难的问题,引入乌鸦搜索算法(crow search algorith,CSA),针对该算法易陷入局部极值,提出一种改进自适应乌鸦搜索算法(adaptive crow search algo-rithm,ACSA).综合考虑...     

改进遗传算法求解带不相关并行机的HFSP

以最小化最大完工时间为目标的不相关并行机混合流水车间调度问题.首先建立了不相关并行机混合流水车间调度问题的数学模型;然后提出了改进的遗传算法进行求解.为弥补遗传算法的迭代后期容易陷入局部搜索的缺陷,在传统遗传算法的基础上利用改进的自适应交叉和变异概率因子及模拟退火局部搜索策略,增强遗传算法在迭代后期跳出局部最优的能力....     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。