局部阴影下基于GWO-P&O混合算法的光伏最大功率点跟踪

针对局部遮阴环境下传统灰狼优化(Gray wolf optimization,GWO)算法在跟踪最大功率点时P-U特性曲线出现多峰值、后期收敛速度慢、稳态精度低等问题,结合灰狼优化算法和扰动观察法(Perturbation and observation,P&O)各自的优势,提出了基于GWO-P&O的混合优化最大功率点跟踪(Maximum power point tracking,MPPT)算法。首先,采用灰狼优化算法逐渐向光伏的全局最大功率点靠近。其次,在灰狼优化算法收敛后期引入P&O法,既保持了灰狼优化算法较高的稳态精度,又能以较快速度寻找到局部最大功率点。最后,在不同环境工况下,将所提出的GWO-P&O方法与传统GWO算法进行对比。结果表明,改进的GWO-P&O算法在保证良好稳态性能的同时,一定程度上提高了GWO算法后期跟踪最大功率时的收敛速度。

基于周期性最大功率点检测的风电机组功率备用控制方法

风电机组通常运行于最大功率输出模式,无法为受扰电网提供紧急功率支撑。稳态时预留部分出力可提高风电机组主动电网支撑能力,为此提出一种基于周期性最大功率点(MPP)检测的风电机组功率备用控制(PRC)方法。通过周期性执行最大功率点跟踪程序检测风电机组实时MPP,一旦检测到MPP即可确定PRC模式参考值并切换为直接功率控制。设置伪单调转速-机械功率曲线使风电机组稳定运行在超速功率备用点,并通过储能装置平抑MPP检测产生的峰值功率波动。仿真结果表明提出的控制方法在定风速和变风速情况下均可以准确控制检测风电机组MPP并实现PRC,并且使得风电机组一次调频效果优于传统PRC。

用于激光无线能量传输的分布式最大功率点追踪系统研究(内封面文章)

在激光无线能量传输中,由于瞄准系统误差和物体遮挡的影响,光电池阵列接收到的激光辐照分布不均匀,导致光电池阵列组串内的电池间出现电流失配,输出功率下降。针对该问题,采用分布式最大功率点追踪(Distributed Maximum Power Point Tracking,DMPPT)技术,减少光电池阵列组串内的电池间电流失配,并用并联型Boost(PT-Boost)电路替代传统Boost电路,降低DC/DC转换器的输入电流纹波,使DMPPT系统获得高追踪效率。实验结果表明,相较于传统Boost电路,PT-Boost电路的追踪效率提高3.6%,达到93.5%。在上述研究的基础上,设置了遮光率分别为0%、25%和50%的激光无线能量传输场景,DMPPT系统整体效率分别达到了93%、92.6%和90.3%。该研究结果对激光辐照不均匀场景下激光无线能量传输的最大功率点追踪指导意义。

改进差分进化的光伏最大功率点跟踪

针对现有差分进化算法在局部遮阴情况下跟踪速度慢的问题,提出一种新的改进差分进化算法的光伏发电系统最大功率点跟踪控制策略。首先,引入三角突变策略,并将其嵌入传统差分进化算法的交叉公式当中,避免因迭代前后输出相同的占空比造成重复采样功率的情况。其次,引入自适应比例因子策略,以加强个体的收敛性。最后,通过奖励惩罚机制平衡所提算法的全局开发和局部探索能力。仿真结果表明,与对比文献的差分进化算法相比,改进算法在跟踪速度、稳定性方面具有显著的优势。

基于长短期记忆网络-模糊控制的光伏最大功率点跟踪算法

光伏阵列具有非线性特点且其最大功率点会随环境变化而产生偏移现象。尽管最大功率点跟踪算法被广泛地应用于跟踪和预测光伏系统的最大功率点,但仍然面临着模糊控制的动态品质低、控制精度不佳等挑战。为解决前述问题,提出了一种集成长短期记忆网络与模糊控制的光伏最大功率点跟踪算法。首先,采用长短期记忆网络以时间序列法预测最大功率点电压。其次,将该预测电压与光伏阵列电压间偏差及其导数作为模糊控制的输入,然后直接调节Boost变换器的占空比。再者,为防止开关管常通,预先设置了变换器的最大、最小占空比。最后,在四种可变大气条件下,利用MATLAB/Simulink对所提算法进行仿真验证。实验结果表明:与长短期记忆网络、电导增量法和遗传算法相比,所提出的算法具有良好的跟踪性能、稳定精度及效率,并且具有波形更平滑、振幅较小的优点。

基于定位收缩法的局部阴影条件下光伏最大功率点跟踪

光伏最大功率点跟踪是提高光伏发电效率的重要手段。在局部阴影条件下,光伏阵列的特性曲线呈现多峰形状,常规的传统算法容易陷入局部最优。如何在局部阴影条件下找到全局最大功率点(global maximum power point,GMPP)至关重要。提出了一种定位收缩法(locate and shrink algorithm,LSA),采用收缩边界的思想使得边界逐渐收缩到GMPP。LSA第一阶段提出了一种峰的定位方法,通过自适应采样结合I-V特性曲线能够定位主要峰的占空比范围。定位法能够与其他单峰算法结合,具有较强的扩展性。第二阶段提出了一种基于三点准则的收缩法,能够在单峰范围内通过收缩边界快速找到峰值点,并且具有很强的环境适应性。将LSA与多个算法进行仿真和硬件实验对比,结果表明LSA在跟踪速度、跟踪精度和稳态振荡方面有着明显优势。

基于MPC的直接电流控制光伏最大功率点跟踪

传统光伏电池最大功率点追踪技术(MPPT)能追踪光伏系统的最大功率点(MPP)并使系统运行在MPP点。但是,在追踪过程中由于追踪速度和追踪精度的矛盾,使得系统在MPP点附近发生振荡。提出一种模型预测直接电流控制(MPC-DCC)和改进了的电导增量最大功率点追踪技术。系统采用Boost升压型电路进行DC-DC控制,先由改进了的电导增量法得到参考电流,再由MPC环节进行直接电流控制。对所研究的系统进行了Simulink仿真和硬件在环实验验证,结果表明该方法能够使用改进电导增量法快速准确找到MPPT最大功率点,并发挥MPC-DCC的控制器带宽及控制精度高的双重优点。

基于跃变探索式电导增量法的光伏阵列全局最大功率点跟踪控制研究

实现光伏阵列最大功率点跟踪(Maximum power point tracking, MPPT)的传统算法已经较为成熟,但是在局部阴影出现后会发生寻优失效,难以实现全局最大功率跟踪(Global maximum power tracking, GMPPT)。为解决该问题,研究人员提出将粒子群(Particle swarm optimization, PSO)等群搜索算法应用在MPPT控制过程中,虽然能够控制工作点稳定在全局最大功率点处,但由于该算法收敛能力依赖于核心参数,在应用过程中有一定概率会导致系统振荡。针对以上问题,在电导增量法(Incremental conductance, INC)的基础上提出跃变探索式电导增量法(Jump explore incremental conductance, JEINC),相较于传统电导增量法而言,具有较强的探索能力,能够在局部阴影下实现全局最大功率点跟踪控制,同时所提算法具有较好的收敛能力,在工作点位于最大功率点附近能够快速稳定。在三种光照环境下进行Matlab仿真,从稳定时间、暂态过程能量损耗率和振荡幅值三个方面验证了所提算法相较于电导增量法和粒子群算法的优越性。

基于贝叶斯优化卷积神经网络的路面光伏阵列最大功率点电压预测方法

路面光伏阵列上快速行驶的车辆,所形成的车辆阴影具有复杂的动态随机分布特性,将导致路面光伏阵列的输出功率-电压(P-V)特性曲线呈现动态多峰特性,给路面光伏阵列最大功率点跟踪(maximumpowerpointtracking,MPPT)控制带来挑战。基于此,文中提出一种基于贝叶斯优化(Bayesianoptimization,BO)卷积神经网络(convolutional neural network,CNN)的路面光伏阵列最大功率点电压预测方法。首先,将路面光伏阵列的光照和温度的环境信息以图像形式输入基于贝叶斯优化CNN的最大功率点电压预测模型进行学习;然后,利用训练出的预测模型,对当前时刻下路面光伏阵列最大功率点工作电压进行预测;最后,仿真和试验结果表明,提出的预测模型具有良好的适应性,能够精准预测不同车辆阴影工况下的路面光伏阵列最大功率点工作电压,尤其是大幅度提高最大功率点工作电压的预测速度,为动态随机车辆阴影下路面光伏阵列的最大功率点跟踪控制奠定基础。

适应电压支撑下的光伏发电机组最大功率点控制技术

常规的光伏发电机组最大功率点控制技术,在机械功率的调整上,缺少对适应电压支撑的考虑,导致最大功率点控制效果不好。基于此,提出适应电压支撑下的光伏发电机组最大功率点控制技术。使用功率信号反馈法,检测光伏发电机组的功率,将光伏发电机组的固有功率,作为主要参数。根据发电机组运行状态点的变化,对光伏发电机组功率进行跟踪,以光伏发电机组功率跟踪结果为基础,在适应电压支撑下,通过双输入单输出的结构,调节机械功率,导入调节后的机械功率,将其作为最大功率点控制的基础数据。按照隶属函数,对控制器参数进行实时调整,从而完成对光伏发电机组最大功率点控制。结果表明,在使用本文设计的方法进行控制后,光伏发电机组的最大功率振幅有效降低,控制效果较好,具有较好应用价值。

基于改进型混沌遗传算法的分布式光伏储能输出最大功率点追踪方法

针对当前分布式光伏储能输出最大功率点追踪过程受多峰特性影响而导致追踪效果不佳的情况,提出了基于改进型混沌遗传算法的分布式光伏储能输出最大功率点追踪方法。该方法首先通过构建光伏储能电池等效模型及分析光伏储能电池特性基础上,将时间、光照强度和环境温度作为输入,建立基于径向基函数(Radial Basis Function,RBF)神经网络的分布式光伏储能最大功率点追踪模型。其次,在遗传算法中引入混沌因子,形成改进型混沌遗传算法。经过参数设置、种群初始化、添加混沌因子以及交叉和变异等操作后,利用该算法求解基于RBF神经网络的分布式光伏储能最大功率点追踪模型。最后,利用该模型输出分布式光伏储能输出最大功率点追踪结果。实验结果表明:该方法追踪分布式光伏储能输出最大功率点时,具备较好的收敛性和逼近性;可在不同环境温度和光照强度情况下,有效追踪布式光伏储能输出最大功率点,应用效果较为显著。

基于最大功率点跟踪下垂控制的光储一体化系统研究

光储一体化系统相较于光储独立式系统具有更好的体积成本优势和分布式发电消纳能力,但现有一体化系统往往存在电能利用不充分的问题。为研究高功率密度、高光伏出力利用率的光储一体化设备,探究光储一体化系统稳定、可靠、高利用率的并网控制方法,本文对光储一体化系统内部重要元器件进行物理建模,分析光储一体化系统有功出力特性,提出一种基于最大功率点跟踪(MPPT)下垂控制的光储一体化系统控制方案,并在仿真软件中验证了方案的有效性。

光伏发电系统的最大功率点追踪控制方法探讨

太阳能光伏发电是能源领域发展的重点,其中最大功率点追踪控制方法是行业关注的热点。因此,文章深入分析了光伏发电系统的原理、输出特性及最大功率点跟踪机理,探讨光伏发电系统的最大功率点追踪控制方法及其存在的问题。在此基础上,提出了一系列针对光伏发电系统最大功率点追踪控制的优化策略,以提高光伏发电系统的效率,更好地应对能源需求和环境问题。

一种开关磁阻风力发电机新型功率变换系统及其最大功率点跟踪控制

本文提出一种含可变励磁电压且所用开关管数量最少的新型开关磁阻发电机(SRG)功率变换器,包括主电路与励磁电路,主电路所需主开关管数量等于SRG相绕组数,励磁电路仅需一只主开关管。励磁电压与发电电压解耦并可独立控制,励磁电路无隔离环节并与主电路共地。在分析该新型功率变换器工作原理的基础上,针对变速风力发电应用工况,提出基于该新型功率变换器的SRG最大功率点跟踪(MPPT)控制方法,给出励磁电压扰动控制策略。通过对一台750W的SRG样机系统进行仿真和实验,并与基于共上管功率变换器的SRG风电MPPT进行比较,结果表明本文所述新型SRG功率变换器的输出功率增加1.5%,验证了该新型功率变换器及其控制策略的有效性。

标准化视域下光伏电池输出特性与最大功率跟踪研究

随着时代的不断发展,基于光伏电池的太阳能发电技术得到了愈发广泛的应用。针对光伏电池的输出性能以及功率特征进行分析研究对保障其运行稳定性具有关键性作用。文章以光伏电池的工作原理作为切入点,针对电池的物理模型与数学模型进行了构建与分析,同时基于扰动观测与电导增量等方式探讨了不同参数选择变化对于最大功率点跟踪所产生的影响,力求进一步强化对于光伏电池输出能力的控制,进一步保障光伏电池的功率稳定性。

基于ICS-INC的局部阴影下光伏最大功率点追踪研究

传统最大功率点追踪技术(Maximum Power Point Tracking, MPPT)存在收敛速度慢、精度差、易陷入局部最优等缺点.针对上述问题,提出一种基于改进布谷鸟算法(Improved Cuckoo Search, ICS)和电导增量法(Incremental Conductancemethod, INC)的联合MPPT控制方式.首先对布谷鸟算法(Cuckoo Search, CS)中莱维步长和毁巢率进行了自适应变化增加了迭代收敛速度和全局寻优能力,其次通过判断鸟巢间最大位置差ξ切换INC防止其陷入局部极小值,最后分别进行静态对比和动态光照仿真实验.静态对比仿真结果表明此控制方式在追踪速度和精度上更有优越性;动态仿真测试结果证明该方法在复杂环境下具有鲁棒性.

局部阴影下光伏电池最大功率点跟踪方法

随着能源和环境问题的日益严重,太阳能作为一种绿色可再生能源得到大力发展。光伏发电是太阳能利用最常见的形式,最大功率点跟踪(MPPT)是提高光伏发电效率的有效途径之一。由于光伏发电系统所处环境复杂,部分组件被遮挡的问题难以避免,传统的跟踪算法可能出现误判。针对此问题,文中以局部阴影下最大功率点跟踪控制为主线展开研究,分析光伏发电原理,搭建了4串2并结构的光伏阵列。通过仿真和编程探究了阵列在局部阴影下的输出特性并总结规律。在此基础上,对最大功率点跟踪进行了理论分析,并基于粒子群算法设计出了有效的控制方法,实现了局部阴影下最大功率点跟踪。最后利用Simulink进行仿真,验证了算法的可行性。

浅谈光伏逆变器最大功率点追踪MPPT与电流采集

光伏逆变器是太阳能光伏发电系统中的核心设备之一。光伏逆变器的转换效率直接影响太阳能光伏发电系统的发电效率,而发电效率由逆变器中MPPT主要控制。本文阐述了MPPT的简要原理与电流采集方案,有助于提高光伏逆变器发电效率。

基于改进QPSO算法的光伏发电最大功率点跟踪

光伏阵列输出在不同工况下具有单峰或多峰特性.针对因最大功率点跟踪(maximum power point tracking,简称MPPT)精度不高、跟踪时间较长而导致光伏发电效率低下的问题,提出一种改进的量子粒子群优化(quantum particle swarm optimization,简称QPSO)算法.采用Logistic混沌映射初始化粒子种群;在种群进化前期将反向学习策略引入惯性权重自适应调整的量子粒子群优化(dynamically changing weights quantum-behaved particle swarm optimization,简称DCWQPSO),扩大种群搜索范围,提高种群的全局搜索能力;在种群进化后期将模拟退火机制引入DCWQPSO,提高种群收敛速度,并对粒子群进行柯西变异,增强粒子的多样性,提升局部搜索能力.Matlab仿真结果表明:相对其他4种算法,该文提出的改进QPSO算法的跟踪时间更短、跟踪精度更高.因此,该文算法具有优越性.

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。