基于多策略混合改进MVO算法的光伏多峰MPPT研究

光伏阵列的电功率输出在局部遮荫工况下具有多峰特性,且随外界环境的变化而变化.为实现高效电能输出,利用多元宇宙优化(MVO)算法在解决低维度、小规模优化问题中的突出优势进行最大功率点跟踪(MPPT),并融合多种策略对其存在的缺陷进行改进.采用拉丁超立方抽样策略初始化宇宙种群,并对按照轮盘赌策略随机交换的宇宙实施柯西变异,提高宇宙种群的多样性.同时引入莱维飞行式量子粒子群优化(QPSO)算法,且对虫洞存在概率及旅行距离率进行自适应调整,以增强算法的全局勘探及局部开发能力.Matlab仿真结果表明,相比其他算法,采用该算法的MPPT时间减少了45%以上,精度亦有所提高,从而具有更优的MPPT性能,可有效提高光伏发电效率.

基于模拟定位电路的多峰值MPPT方法

针对局部遮荫或者不同特性光伏组件组合的光伏发电系统,提出一种基于模拟定位电路的多峰值最大功率点跟踪方法。采用硬件模拟定位电路和软件数字控制算法相结合的方式,先利用定位电路在极短的时间内准确地找到多峰值情况下的全局最大功率点,再选择相应的控制算法进行跟踪调节和保持稳定,最终实现光伏发电系统的最大功率输出。与传统功率曲线扫描方法相比,该方法不需要使用高速的AD转换电路,对后级控制电路的扰动小,并且对系统工作效率的影响也非常小。仿真和实验的研究结果表明所提方法易于实现,稳定可靠。

基于粒子群多峰值MPPT算法的光伏系统研究

局部遮荫时,光伏阵列P-V特性曲线呈现多个峰值点,传统算法难以追踪到最大功率点(MPPT),针对此问题提出了粒子群多峰值MPPT算法,该算法通过粒子群搜索最大功率点处电流,并控制光伏阵列输出电流,从而实现最大功率点跟踪;仿真结果表明粒子群多峰值MPPT算法可以用在光伏并网发电系统中,并且该算法比传统算法收敛速度更快,稳态效果更好。

局部阴影下光伏阵列呈多波峰特性的MPPT算法研究

带有旁路二极管的光伏组件在局部阴影的遮蔽下,其输出的P-U特性是由多个局部峰值构成的非线性曲线,使传统的单峰MPPT算法无法准确跟踪最大功率点。通过建立并分析局部阴影下光伏组件的数学模型可避免陷入局部峰值。在传统电导增量法寻找峰值的基础上,应用聚拢峰值扫描判别法,分别从短路电流和开路电压处向中间聚拢扫描峰值并比较大小,直到找出真正的最大功率点。仿真结果表明,该算法在局部阴影下不会陷于局部峰值,能够快速跟踪最大功率点,明显提高了系统的光电转换效率。

考虑局部阴影的光伏阵列MPPT优化控制策略

针对局部阴影下光伏阵列出现多峰值输出的情况,提出一种优化粒子群算法与模糊控制扰动观察法相结合的最大功率点追踪方法。利用优化粒子群算法在全局范围内寻找极值点及最大功率点;通过设置语言变量、定义模糊子集及模糊控制推理,进行跟踪调节和稳定控制,实现光伏系统最大功率输出。提高了搜寻精度,缩短了搜寻时间,避免了在最大功率点处的震荡。仿真结果验证了所提算法的有效性和合理性。

光伏系统多峰值MPPT控制方法研究

实际光伏系统在被部分遮挡的情况下,带有旁路二极管的串联光伏组件呈现出多峰值的输出特性。为得到全局最大功率点,需要对其进行多峰值最大功率点跟踪(MPPT)。在单峰值MPPT控制算法的基础上,提出新的多峰值MPPT控制方法,能够通过4步,实现对最大功率点的有效跟踪。该算法的关键在于确定输出特性的谷值,以便进行定界和多区域搜索。最后通过仿真实例验证该算法的有效性。

基于光伏阵列模型预测的混合型MPPT研究

阴影条件下光伏阵列的输出特性曲线呈现多峰值特性,现有的在线式MPPT方法的追踪时间长,追踪过程中电压波动大,容易造成阵列失配。为解决这一问题,提出了一种基于模型预测的混合型MPPT算法,将初步寻优过程放入软件中处理,通过"检测—预测—再寻优"的过程完成多峰值情况下的MPPT。建模仿真证明:与现有MPPT方法相比,基于模型预测的混合型MPPT算法能够有效缩短系统的寻优时间,且电压波动更小,适用于阴影条件下光伏阵列的最大功率追踪。

基于电压-功率扫描的光伏多峰快速MPPT方法

针对现有光伏最大功率点跟踪MPPT(maximum power point tracking)技术在功率多峰值情况下的不足,提出一种基于电压-功率扫描的多峰快速MPPT方法。首先通过仿真分析了光伏陈列在局部阴影状态下的输出特性;然后提出通过对光伏输出端并联电容的电压-功率扫描实现现况下全局最大功率点识别的总体思路;紧接着给出了实现端口电压扫描的主电路拓扑,并对其进行了状态分析和控制算法设计;最后对所提方案进行了Mat?lab仿真与样机试验验证。结果表明,该方案能稳定、快速、有效地实现对当前全局最大功率点的追踪与锁定。

基于混沌量子蜂群优化SVR的多峰MPPT算法研究

针对局部阴影条件下光伏阵列P—V曲线具有多峰特性,而传统的MPPT算法无法有效跟踪其最大功率点的问题,研究了一种多峰MPPT算法。采用混沌搜索和量子计算对传统蜂群算法进行改进,并将改进后的算法应用于支持向量回归机(SVR)的参数寻优,最终实现了基于混沌量子蜂群优化SVR的多峰MPPT算法。通过仿真和实验对算法的有效性进行了验证。实验结果表明:该算法在均匀光照或局部阴影条件下均能够准确跟踪全局最大功率点,有效克服了传统MPPT算法容易陷入局部极值的问题。

基于粒子群优化算法和电导增量法的多峰值MPPT控制

复杂环境条件下,光伏阵列由于被遮挡其输出特性呈现多峰值特性,传统最大功率点跟踪MPPT(maximum power point tracking)算法不再适用。为此,在研究光伏阵列多峰值输出特性的基础上,提出一种基于粒子群优化PSO(particle swarm optimization)算法和电导增量法INC(incremental conductance)的多峰值MPPT算法。该算法分成2步:第1步先由PSO算法将输入位置调整到最优值附近;第2步再由INC算法得到全局最优解,其中对传统PSO算法进行改进,INC算法采用变步长扰动。在Matlab中进行仿真,结果表明该算法可实现复杂环境条件下的最大功率跟踪,并具备较快的响应速度和稳定的寻优效果。

基于神经网络的光伏阵列多峰MPPT的研究

为了减少神经网络训练数据的数量,根据局部阴影条件下光伏阵列的输出特性,提出基本阴影遮挡类型概念,使得神经网络仅需要训练少量数据,就可以准确地预测最大功率点电压。首先,通过实际光伏阵列数据测试仅训练基本阴影遮挡类型的BP神经网络对最大功率点电压的跟踪效果。然后,搭建光伏发电MPPT仿真系统,对比扰动法、固定电压法和BP神经网络结合扰动法在阴影类型、光照强度和温度三方面变化时对MPP的跟踪效果。最后,通过分析表明,经过基本阴影遮挡类型训练的BP神经网络结合扰动法能够有效地跟踪最大功率点,即基本阴影遮挡类型能够减少神经网络跟踪多峰MPP的训练数据获取量。

基于改进鸽群算法的光伏阵列MPPT方法

针对光伏系统最大功率点跟踪MPPT(maximum powerpointtracking)控制方法在多峰状态下易陷入局部最优,导致光伏系统输出效率较低的不足,提出一种基于学习因子改进鸽群算法的MPPT控制方法。首先对光伏阵列输出多峰值进行分析,在鸽群算法中引入学习因子,通过前后两阶段学习因子的相互交流,有效增强了全局寻优能力。然后提出改进鸽群算法光伏MPPT控制策略和算法重启策略,较好地改善了输出功率的稳态振荡。通过仿真结果表明,基于改进鸽群算法的MPPT控制方法在多峰状态下能够有效规避陷入局部最优,具有较好的追踪效果,有效地提高了光伏系统的输出效率。

基于梯度法和扰动观察法相结合的多峰值MPPT算法

当多个光伏电池串联组成的光伏阵列被部分遮挡时,光伏特性曲线会出现多个局域峰值,此时基于单峰值的MPPT算法将有可能失效。针对这种情况,本文提出了一种结合梯度法和扰动观察法的多峰值最大功率跟踪算法。该算法采用梯度法搜索出第一个阶梯功率点,并以此功率点作为扰动观察法的起始点搜索局部最大功率点,继而利用此局部最大功率点进行搜索,最后得到最大功率点。与其它多峰值MPPT算法相比,该算法不仅具有编程简便、易于实现的特点,而且具有搜索跟踪速度快和抗干扰能力强等优越性。

局部阴影下光伏阵列最大功率追踪(MPPT)算法

光伏阵受到遮挡形成局部阴影,对发电输出功率产生影响,使其P-V输出特性曲线呈现多峰特点。这会导致用常规最大功率点跟踪(MPPT)方法无法精确寻找到系统最大功率点(MPP)的情况发生。针对该情况,利用局部阴影下光伏阵列最大功率点与电压的关系,提出一种新型多峰全局最大功率点跟踪算法。经测试,在不增加额外补偿阵列的情况下,该算法能够快速准确地跟踪到系统最大功率点,缓解因局部遮阴带来的热斑效应,提高光电转换效率,可使输出功率增加11.27%。

基于TSA-P&O混合算法的光伏多峰值MPPT控制

针对局部阴影遮挡等原因造成光伏阵列失配而引起的光伏功率输出多峰效应,以及最大功率点跟踪控制过程中易产生电压与功率波动的难题,提出了一种树种算法与扰动观察法相结合的改进多峰值最大功率点跟踪混合控制算法。首先,利用光伏P-U特性曲线单峰/多峰形态识别策略确保单峰条件下快速、低振荡地跟踪;其次,采用基于电压闭环的个体最优化输出控制策略降低电压与功率波动;最后,通过仿真和实验将提出的混合控制算法与粒子群优化、花授粉、遗传和差分进化4种算法进行综合性能对比。结果表明,所提的混合控制算法能够快速、准确、低振荡地跟踪到全局最大功率点,有效解决光伏阵列失配下光伏多峰值最大功率点跟踪控制难题。

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.

回归算法与粒子群算法融合算法的光伏系统多峰值MPPT研究

局部遮荫下光伏阵列输出功率呈现多峰值,传统最大功率点跟踪算法常失效。为了提高发电的效率和稳定性,提出一种回归算法与粒子群算法融合的最大功率跟踪方法,该方法利用线性回归的预测性、泛化能力强的特点,改进粒子群算法初始化中的粒子随机性、易陷入局部极值的问题,并应用于局部遮荫下光伏阵列(单、多晶硅)最大功率点跟踪。通过实验与理论研究,首先发现随着训练集的增加,该方法跟踪性能呈现先上升后平缓趋势下降,且训练集比例选取总数据的55%~75%之间,跟踪性能最佳;其次,发现单(多)晶硅电池最佳跟踪精度分别为99.13%(99.16%),对比遮荫对电池最大功率影响,说明该方法具有普适性;最后,与粒子群算法和遗传算法相比,跟踪精度都提高了,且方差为零,表明该算法的精度高和鲁棒性强。结果表明,该方法具有普适性、精度高和鲁棒性强等优点。

光伏系统2种多峰值MPPT算法对比研究

光伏阵列功率曲线在局部阴影条件下出现多峰值情况,改进的全局扫描法和粒子群优化算法是2种用于该种情况的最大功率点跟踪(MPPT)算法,文章从原理上对2种算法进行理论分析,并在不同阴影条件下对2种算法在跟踪过程中能量损失方面进行仿真对比研究。仿真结果表明:不同阴影条件下2种算法在跟踪过程中能量损失方面存在差异性,在大多数多峰值情况中,粒子群优化算法在跟踪过程中能量损失方面具有一定优势。

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。

基于改进量子粒子群算法的光伏多峰MPPT研究

针对光伏阵列在局部遮阴时呈现的功率多峰特性,提出一种改进DCWQPSO算法与INC算法相结合的光伏最大功率追踪(MPPT)控制算法。该算法采用改进DCWQPSO算法进行最大功率点的全局搜索,然后利用INC算法对最大功率点进行局部跟踪,可避免动态过程中功率的震荡。仿真结果表明:所提出的MPPT控制算法跟踪速度快、精度高、功率震荡小,可有效提升不确定环境下光伏发电系统的最大功率追踪效率和动态品质,并具有较好的鲁棒性。