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。     

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LGWO和扰动观察复合算法的MPPT研究

为提高光伏发电效率,提出了一种复合算法解决局部阴影情况下光伏阵列输出功率呈现多峰值状态的问题,弥补了传统方法的不足。该方法将传统的灰狼算法优化,引入莱维飞行模块、加入贪婪策略,加强了算法的全局搜索能力和快速性。在搜索至光伏发电最大功率点附近时切换为扰动观察法,利用其快速收敛的特性迅速找到最大功率点,提升了光伏阵列的输出功率。通过Simulink仿真实验,验证了所提出复合算法优越的跟踪性能,在准确性与快速性上较传统灰狼算法均有显著提升。     

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。     

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。     

基于改进布谷鸟算法结合电导增量法的最大功率点追踪

动态遮阴下,光伏阵列的输出P-U曲线会出现多个功率极值点,传统最大功率点追踪会陷入局部最优。为此,本文提出基于自适应差分进化的改进布谷鸟(ICS)算法与电导增量法(INC)相结合的复合算法(ICS-INC)。该算法提出自适应抛弃概率和自适应步长因子,结合差分变异进行随机偏好游走,使算法的搜索开发能力得到提升,避免陷入局部最优。通过改进Lévy飞行公式减小其随机性,减小算法的迭代次数来缩短跟踪时间,由INC实现局部快速搜索,稳定输出最大功率。仿真结果表明,与其他算法相比,该算法的追踪速度,全局搜索性以及环境变化的适应能力均得到提升。     

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.     

局部遮挡下光伏组件MPPT复合算法

当光伏组件受到局部阴影遮挡时,其最大功率点跟踪(maximum power point tracking, MPPT)过程常出现误跟踪、跟踪速度慢、光伏组件输出功率低等问题.为使局部阴影下光伏组件保持快速、稳定、准确地最大功率输出,基于电导增量法(incremental conductance algorithm, INC),结合全局比较算法(global comparison algorithm, GCA),提出一种基于电导增量/全局比较的复合MPPT算法(INC-GCA),并通过搭建Simulink仿真模型和设计光伏试验平台,验证该算法的可行性.结果表明：基于电导增量/全局比较的复合MPPT算法在光伏组件受到局部阴影遮挡时可准确追踪到最大功率,且跟踪速度快、可靠性高,完全避免了误跟踪问题;相较于电导增量法,该算法可有效提高光伏系统的发电效率,提升光伏电站的经济效益.