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。

一种新型多峰值MPPT控制算法研究

为实现受遮挡情况下光伏阵列最大功率跟踪,对三种阴影模式下的光伏阵列的输出曲线进行了分析,提出了一种基于受遮挡情况下光伏阵列P-U输出曲线几何特性的多峰值MPPT算法,解决了陷入局部极值而使得跟踪失败的问题,为多峰值下最大功率点跟踪技术的研究提供了一种新思路。

基于功率闭环控制与PSO算法的全局MPPT方法

基于对现有多峰值最大功率点跟踪(maximum power point tracking,MPPT)方法不足的分析,提出一种基于功率闭环控制的动态MPPT跟踪策略。该方法采用功率闭环方式实现全局最大功率点的定位,利用功率闭环控制在P-U曲线上的局部不稳定现象实现P-U曲线的快速全局扫描,克服了峰值点分布及算法参数取值对MPPT动态过程的影响。同时采用电压截止控制克服了功率闭环控制对系统整体稳定性的影响。采用基于粒子群(particle swarm optimization,PSO)算法的变步长跟踪策略消除了最大功率点跟踪的稳态功率震荡问题。最后,通过仿真与实验验证该方法的可行性和有效性,结果表明,该方法不依赖光伏阵列的已知信息,便可实现静态和动态环境下全局最大功率点跟踪,提高多峰值最大功率点跟踪的动态速度和稳态跟踪精度。

混沌改进猫群算法及其在光伏MPPT中的应用

针对猫群(cat swarm optimization,CSO)算法具有易陷入局部极值点的"早熟"问题和跟踪精度差的问题,提出一种混沌改进猫群算法,并运用于光伏最大功率点跟踪。该算法利用logistic混沌序列的遍历性、随机性和规律性,解决了猫群算法的"早熟"问题。通过引入惯性权重因子w,同时使不同适应度值的猫对应不同的记忆池(seeking memory pool,SMP),较大适应度的猫将获得较多的变异猫,提高了跟踪精度。仿真和实验验证了所提改进猫群算法的有效性和可行性,该算法能够很好地应用于光伏最大功率点跟踪,不但提高了跟踪精度,而且通过适当减小变异猫的总数,能够花费较少的收敛时间获得较优的最大功率点值,进而提高了光伏发电的效率。