改进粒子群算法在光伏多峰值MPPT中的应用

光伏阵列在局部遮阴的情况下会呈现多峰值的特性,传统的最大功率点跟踪（MPPT）算法会陷入局部最优点,从而导致算法实效。粒子群算法较其他智能算法具有参数少、控制简单的优点,但存在收敛速度慢以及容易早熟收敛的缺点。针对这些问题,提出了改进的粒子群算法,将自适应的惯性权重法与异步变化的学习因子相结合来改善存在的问题。通过MATLAB将传统粒子群算法与改进的粒子群算法仿真对比来验证改进后算法的优越性。     

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%.     

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。     

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.     

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。     

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.     

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。     

基于粒子群算法的MPPT控制策略研究

获取光伏电池板最大功率跟踪点的方法较多.常规算法存在控制精度差、最大功率点附近震荡、响应速度过慢、或成本过高等问题.将粒子群算法与光伏发电的最大功率点跟踪结合,提出利用粒子群算法来找光伏电池特性曲线中P-U的最高点,并且用算例证实了此方法的可行性.     

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...     

光伏电池阵列改进MPPT控制方法研究

为了提高光伏电池的转换效率,基于光伏阵列的数学模型,针对传统的定步长扰动观察法实现最大功率点跟踪(Maximum Power Point Tracking,MPPT)时,存在的振荡现象和误判现象,提出了一种改进的变步长与功率预测相结合的扰动观察法.通过采用近似梯度法替代最优梯度法,并对外界环境发生变化时,采用功率预测的方法对多条特性曲线进行预估,来消除震荡和误判问题.本文给出了该方法的理论推导和Matlab仿真实现流程图.仿真结果表明,该方法能够显著提高MPPT的跟踪精度和速度.     

财政视角下养老服务业供给侧结构性改革思考——以湖南为例

围绕新能源发电在大型远洋船舶上的大规模接入问题,研究了基于太阳能发电的客货滚装船光伏阵列布局、拓扑结构及最大功率点跟踪（MPPT）模型与算法.结合船舶航行环境与船体结构特点,设计了大规模光伏阵列的船体布局及拓扑结构,建立了以大规模全局优化（LSGO）问题为描述形式的船体区域级MPPT数学模型.此外,提出一种基于环形拓扑的多参考向量协同进化粒子群算法（CCPSO-MR）,并成功应用于船用大规模光伏阵列MPPT控制.仿真实验表明,针对LSGO问题的实时求解,CCPSO-MR算法在收敛速度、精度等方面显著优于各主流算法.基于所提阵列结构及MPPT算法,光伏系统能够在客货滚装船上实现大规模接入,并在各类复杂光照航行环境下具有良好的MPPT性能.     

光伏系统功率扰动改进型MPPT算法研究

根据光伏电池的特性及影响光伏电池输出功率的主要因素,在比较了常用最大功率跟踪算法的恒定电压法和功率扰动法的原理及优缺点基础上,提出了一种改进型功率扰动最大功率跟踪算法.以求克服传统算法中定步长跟踪带来的无法快速跟踪光照突变,变步长算法中突变初期的扰动过大的问题,并对其有效性进行了仿真验证,具有较强的工程实用价值.     

基于改进粒子群算法光伏最大功率跟踪

不断变化的外部环境对光伏列阵的输出有着特殊的影响,为减小能量损失,须对光伏阵列进行最大功率点跟踪（maximum power point tracking,MPPT）。粒子群优化算法（particle swarm optimization,PSO）在多峰值寻优中具有良好的性能,然而粒子在寻优的过程中经常出现过早收敛的现象,导致其寻优精度有所欠缺。为了解决以上的缺陷,本文提出一种改进的自适应粒子群(improved particle swarm optimization,IPSO)与布谷鸟搜索（cuckoo search,CS）混合算法应用于最大功率点跟踪。并在MATLAB/Simulink平台中搭建仿真模型对混合算法进行验证,并与其他方法进行比较,仿真结果证明,本算法有良好的响应速度和较高的优化精度。     

反向传播神经网络及其改进算法用于光伏MPPT的研究

研究了反向传播神经网络(BPNN)、粒子群优化反向传播神经网络(PSO-BPNN)、萤火虫优化反向传播神经网络(FA-BPNN),以及斐波那契优化反向传播神经网络(IM-FSM-BPNN)用于光伏组件在局部阴影下最大功率点的跟踪，以及上述算法在太阳能无人机中飞行光伏发电跟踪。结果首先表明，局部阴影下，IM-FSM-BPNN功率预测精度最低，跟踪时间最长，鲁棒性差，原因是控制参数多，依赖参数初始值。FA-BPNN功率预测精度最高且鲁棒性较好，原因是在训练过程中有效避免梯度消失的问题。其次，在样本数据量增加和太阳能无人机的应用中，发现FA-BPNN的预测效果好和IM-FSM-BPNN的局限性。最后，探讨了参数变化对预测结果的影响。IM-FSM-BPNN、PSO-BPNN和FA-BPNN较BPNN更适用于多样本数据预测，IM-FSM-BPNN相较于其他3种算法更适用于较小的学习率，4种算法的平均跟踪时间和功率平均预测精度随隐含层节点数震荡。     

基于改进PSO算法的电力系统无功优化

介绍了PSO算法,结合电力系统无功优化问题的实际情况,针对其存在的易陷入局部最优点的缺点,提出了改进的PSO算法。该算法改变了初始化方法和粒子更新方法,在算法后期引入变异因子,并将问题分解成子问题进行处理。在IEEE-14节点系统的仿真计算中,改进PSO算法与其他人工智能算法相比,在较短时间内取得了更好的优化效果。     

结合PSO的改进压缩跟踪方法

针对基于在线检测的跟踪方法中目标在多尺度空间中的搜索和匹配问题,结合粒子群优化算法(PSO)和压缩感知思想,提出一种鲁棒的多尺度目标跟踪算法.首先,通过粒子群在多尺度空间中采集样本;然后,经过压缩感知提取特征;最后,通过粒子的迭代计算,搜索出当前目标的最佳匹配位置.实验结果表明:提出的算法能较好地适应目标的多尺度变化,在快速性和鲁棒性上具有更好的性能.     

基于FPGA的自适应光伏发电系统MPPT控制方法

针对光伏电池输出功率随环境温度和日照强度变化而变化的特点,提出了一种采用遗传算法优化模糊逻辑控制器控制规则的智能控制方法,利用FPGA设计了控制系统。实验结果表明,控制系统实现了在线快速演化,能够准确、快速地跟踪光伏电池的最大功率点,且具有自适应性。     

多核环境下的粒子群算法

为解决基于多核计算环境下的粒子群优化问题,提出一种面向多核计算的改进粒子群算法.通过引入多核设计模式和方法,分析传统粒子群算法中可以并行执行的部分,并根据已有的多核编程语言,在多核计算环境下,高效、并行地实现粒子群算法.通过实验验证了改进算法在多核计算环境下运行的有效性.