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.     

模糊控制的占空比扰动观察法在光伏MPPT中的应用

本文针对传统的光伏发电最大功率点跟踪(MPPT)技术需要检测光伏电池的输出电压、电流两个变量,研究了一种只需检测输出电流实现MPPT的算法。同时,由于传统占空比扰动观察法会使系统在最大功率点附近振荡而造成功率损耗,研究将模糊控制器应用于占空比扰动观察法中。通过理论分析及仿真研究结果表明,新的算法能快速、准确地实现光伏电池MPPT,并减少了系统成本和功率损耗。     

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...     

光伏发电MPPT的灰色模糊PID控制

分析了光伏电池的输出特性.根据光伏电池的功率-电压曲线,在已有控制算法的基础上,采用灰色模糊/PID双模控制,即在外界环境或者负载发生变化,导致远离最大功率点时,采用模糊控制进行控制,使系统能够快速跟踪到最大功率点.由于模糊控制属于有差控制,在最大功率点附近仍然有震荡,造成一部分功率损失,所以当系统工作在最大功率点的附...     

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%.     

基于增量电导法的光伏系统典型MPPT分析

太阳能光伏组件是非稳定电源,为有效利用太阳能,必须对其进行最大功率点跟踪（MPPT）。该文分析了光伏发电MPPT原理,提出一种基于占空比扰动的MPPT控制方法,在Matlab中建立增量电导法仿真模型,仿真结果显示该方法能实现最大功率点跟踪,并且增量电导法性能要明显优于扰动观察法,但其硬件要求高。     

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。     

模糊控制的光伏发电MPPT系统设计

为实现光伏发电系统的最大功率跟踪(MPPT),在光伏电池的I-U和P-U特性曲线基础上,结合电导增量法和带修正因子的改进型模糊控制方法进行光伏发电MPPT系统设计. 该控制方法不依赖于系统的数学模型,设计灵活,控制效果鲁棒性好、 稳定精度高,对其它类型太阳能光伏发电控制系统具有良好的借鉴作用.     

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。     

太阳能电池最大功率跟踪技术研究

本文介绍了光伏电池系统的输出特性及跟踪技术的基本原理．列举了多种常用的跟踪的方法．总结了当前的最大功率跟踪技术(MPPT)。并对各自的的优缺点进行了详细的分析比较。     

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.     

带有MPPT功能的光伏矩阵仿真模型

基于光伏矩阵的物理特性,在Simulink仿真环境下,设计带有最大功率跟踪技术MPPT仿真算法的光伏矩阵仿真模型,应用于实际的单相光伏并网系统．测试数据表明,仿真模型可以模拟任意参数的光伏阵列、动态跟踪光照强度、环境温度的变化,为光伏发电系统动态仿真提供良好设计平台．     

基于混合算法的光伏MPPT优化

在对比分析CVT-INC结合算法、PSO算法和PSO-BFA结合算法3种传统MPPT算法跟踪性能的基础上,提出适用于光伏阵列的CVT-PSO-BFA混合算法.MATLAB仿真结果表明:CVT-PSO-BFA混合算法在实现多峰值MPPT过程中,具有启动速度快、震荡幅度小、跟踪精度高等优点,可实现全局最优搜索.     

PV系统的变电压MPPT算法及仿真

要提高光伏发电系统的输出效率,必须要有高效的最大功率跟踪(MPPT)方法.文中通过理论分析与仿真研究,发现同一块太阳能电池在相同的温度和照度、不同的二极管品质因子和反向饱和电流下,输出的光生电流是相等的.根据这一结论提出了一种与天气状况相匹配的变电压最大功率跟踪(MPPT)算法.该算法利用爬山法(PO)求取实际的二极管品质因子和反向饱和电流,然后停用该法,通过综合补偿准确跟踪到实际的最大功率点.最后,结合变化的天气情况,验证了该算法的正确性与有效性.     

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.     

改进蚁群算法在车间作业调度中的应用研究

研究了基于机器最短加工时间的一类车间作业调度问题,建立了多约束的数学模型,为解决蚁群算法收敛性差和易陷入局部最优的问题,提出了一种基于插入移动的领域搜索方法,并使用该领域搜索方法嵌入蚁群算法.采用国际著名的benchmark测试集FT06进行了实例验证,计算结果表明,该算法可收敛到最优值55,且最优值、平均值和标准差都优于蚁群算法,标准差远远小于蚁群算法.     

基于遗传搜索策略的人工蜂群算法

针对人工蜂群算法收敛速度缓慢、容易陷入局部最优解的问题,将改进的遗传进化机制与蜂群算法相融合,提出了一种遗传蜂群算法。通过引入遗传算法的交叉变异算子,有效地增加了食物源的多样性,减小陷入局部最优的可能;采用了自适应选择食物源的机制,使蜂群在中后期更好地搜索到最优食物源所在区域,进而提高了全局搜索效率;此外,提出了在侦察蜂阶段的局部搜索策略,提高了算法进化的收敛速度。将遗传蜂群算法应用于TSP中,通过对TSBLIB中几个典型问题的实验,结果表明,提出的遗传蜂群算法具有很强的全局优化能力,在求解TSP问题中精度高,收敛速度快,且是一种解决TSP问题的有效方法。