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。

基于指数分布优化器的混合光伏-温差系统最大功率点跟踪

为解决混合光伏-温差(photovoltaic thermoelectric generator,PV-TEG)系统的最大功率点跟踪(maximum power point tracking,MPPT)问题以提高能源转换效率和利用率,提出了一种基于指数分布优化器(exponential distribution optimizer,EDO)的混合PV-TEG系统MPPT技术。EDO通过模拟指数分布的随机变化来搜索潜在的解空间,由于随机性,算法可有效避免在局部遮蔽条件(partial shading condition,PSC)下陷入局部最优,并在搜索空间中广泛探索以找到最优解。算例研究包括启动测试、太阳辐照度阶跃变化、随机变化、香港地区四季实际算例4个部分,并与其他5种算法进行对比分析,以较为全面地验证所提EDO技术在混合系统MPPT应用中的可行性和有效性。仿真结果表明,采用EDO的混合PV-TEG系统在不同运行条件下均能稳定、高效地实现最优越的MPPT性能,尤其是在春季低辐照度的条件下,EDO产生的能量分别超过蜻蜓算法(dragonfly algorithm,DA)、增量电导法(incremental conductance method,INC)、扰动观测法(perturbation observation method,P&O)能量输出的68.85%、66.13%和59.69%。

基于改进布谷鸟搜索算法的光伏最大功率点跟踪策略

实际工程中,光伏阵列在随机变化的环境中会出现局部遮光的情况,从而导致光伏阵列的功率-电压特性曲线会呈现多峰值状态,传统的最大功率点跟踪(maximum power point tracking, MPPT)算法易陷入局部最优解,追踪速度和精准度无法得到满足。针对这一问题,提出一种基于布谷鸟搜索算法(cuckoo search algorithm, CS)和电导增量法(conductivity increment method, CI)结合的光伏MPPT算法,在算法前期利用布谷鸟搜索算法将大步长和小步长交替使用使得全局搜索能力增强,找到全局最大功率点所处区域附近;在后期,采用步长小、控制精度高的CI进行局部寻优,快速准确地锁定到最大功率点。在MATLAB/Simulink中搭建仿真模型,并与原始布谷鸟搜索算法和粒子群优化(particle swam optimization, PSO)算法进行比较。仿真结果表明,将CS与CI结合的算法使得收敛速度更快,精度更高,稳定状态时功率曲线的波动更小。

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。

局部遮荫下基于改进金枪鱼算法的光伏最大功率点跟踪控制

光伏阵列在局部遮荫环境下的P-U特性曲线呈现多峰特性,导致传统最大功率点跟踪(MPPT)算法在跟踪最大功率时失效。为此,提出一种基于改进金枪鱼算法的光伏MPPT双层控制模型,在上层中将莱维飞行(Levy)策略和多项式变异策略嵌入金枪鱼算法中,构建莱维-多项式变异金枪鱼算法(LPTSO)来搜索全局功率最大点;在下层中采用扰动观察法对全局最大功率点进行局部跟踪,以降低局部遮荫环境下的功率振荡。将该双层控制模型应用于光伏MPPT仿真系统中,仿真实验结果表明,针对多峰MPPT控制,所提模型在收敛速度、跟踪效率、功率振荡等方面都有较大提升,该光伏MPPT双层控制模型能够有效解决局部遮荫环境下最大功率跟踪失效的问题。

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。

基于改进模糊控制算法的光伏发电最大功率点跟踪技术研究

为了保证光伏发电系统具有最高的发电效率,必须使光伏发电系统工作于全局最大功率点,对光伏发电系统的最大功率点跟踪技术进行了研究。由于光伏电池输出特性的非线性,采用基于改进的模糊控制算法最大功率点跟踪技术,模糊控制器可以根据偏离平衡位置的程度产生自适应跟踪步长,通过优化控制算法改善系统的不对称性,提高最大功率点跟踪精度。通过MATLAB建立仿真模型并进行实验研究,结果表明光伏发电系统最大功率点的跟踪精度及跟踪速度均明显优于传统算法,可使光伏发电系统更高效地运行。

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。

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。

基于神经网络算法的光伏最大功率点跟踪研究

针对模拟光照强度随外界环境快速变化而逐级下降的情况,由于电导增量法的步长固定,无法快速响应并完成对光伏电池最大功率点的跟踪,因此提出了神经网络跟踪最大功率的算法。该算法改进了传统电导增量法,优化了最大功率点跟踪(MPPT),将光照强度与温度作为输入变量,并为神经网络训练设置2层隐藏层,输出光伏最大功率下的参考电压。仿真结果表明,该算法的跟踪精度高达98.5%以上,能显著提高变化光照强度下光伏系统的能量转化效率。

基于卷积神经网络的光伏发电系统最大功率点跟踪方法

常规的最大功率点跟踪方法以光伏发电特征分析为主,受到复杂光照条件的影响,最大功率点跟踪结果存在一定的偏差。因此,文章设计了基于卷积神经网络的光伏发电系统最大功率点跟踪方法。通过提取光伏发电系统最大功率点输出特征,分析光伏列阵的功率-电压变化,构建最大功率点电压扰动方程,确定光伏发电系统最大功率点位置。基于卷积神经网络构建最大功率点跟踪控制电路,并通过调整电路占空比改变输出电压,实时跟踪最大功率点。采用对比实验,验证了该方法的跟踪准确性更高,能够应用于实际生活。

分布式光伏发电最大功率点跟踪方法及控制研究

分布式光伏发电系统需要实时调整工作状态以适应环境变化,确保能量最大化输出。研究探索了最大功率点跟踪(Maximum Power Point Tracking,MPPT)的多种方法,包括扰动观测法、电导增量法、模糊逻辑控制法以及粒子群优化方法。这些方法通过精细调节光伏系统的工作点,优化功率输出。各方法在响应速度、精度及稳定性方面表现各异,提供了有效的系统设计和实施指导。

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。

基于改进灰狼优化的开关磁阻风力发电最大功率点跟踪控制策略

以中小型开关磁阻风力发电机为研究对象,针对发电过程中,在不同风速条件下最大功率点跟踪控制快速性和准确性的需求,提出了一种基于自适应加权灰狼优化PID算法的最大功率点跟踪控制策略。当外界风速发生变化时,根据实时风速计算出风力机最佳转速,其与实际转速的差值作为加权自适应灰狼优化PID控制算法的输入,作为转速闭环的PID控制参数,从而输出电压脉宽调制的最优占空比,实现变风速下的最大功率点跟踪控制。仿真结果表明,与传统PID控制相比,自适应加权灰狼优化PID算法能够在风速变化情况下,更加快速准确地实现最大功率点跟踪控制。

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.

面向风电机组最大功率点跟踪的转矩曲线增益动态优化

最优转矩法是实现风电机组最大功率点跟踪的常用方法。为了提高其在湍流风速下的风能捕获性能,转矩曲线的增益系数设定需要全面考虑湍流风速特征的影响。现有研究通过构建最优参数模型实现增益系数随时变湍流风速特征的动态优化。然而,由于转矩曲线的最优增益系数同时与平均风速、湍流强度及湍流频率三个特征指标存在复杂的非线性函数关系,构建最优参数模型需要基于大量的湍流风速样本,巨大的动态仿真计算量非常耗时,很难实现批量化工程应用。为此,该文发现最优转矩增益系数与最优转矩法对应的风能捕获效率存在强相关性,进而将基于三变量的最优参数模型降维简化为单变量,并在此基础上提出了转矩增益动态优化的最大功率点跟踪控制方法。该方法在同样全面考虑湍流风速特征、维持高风能捕获效率的同时,显著降低了构建最优参数模型的计算与时间成本。基于FAST软件的仿真验证了该方法的有效性。

基于IPSO-IP&O混合算法的光伏最大功率点跟踪

在局部遮阴条件下,光伏阵列的P-U特性曲线会出现多峰现象。传统的方法易陷入局部最大功率点(LMPP),而基于元启发式算法的最大功率点跟踪(MPPT)方法难以兼顾快速性和准确性。对此,设计了一种基于改进粒子群(IPSO)算法内嵌变步长扰动观察法(IP&O)的IPSO-IP&O混合算法。首先,采用IPSO对粒子的速度和位置进行更新;然后,通过IP&O对粒子进行最大功率点跟踪,并将跟踪得到的功率作为粒子的适应度值,以便于IPSO在诸多局部最大功率点中找到全局最大功率点;最后,以IPSO输出的全局最优为初始位置,再次利用IP&O进行全局最大功率点跟踪。将所提算法与IP&O、IPSO、改进粒子群算法结合扰动观察(IPSO-P&O)算法进行仿真对比,仿真结果表明:所提算法在跟踪速度和精度上表现优异,尤其是在宽电压搜索范围的情况下;并且在跟踪过程中的功率振荡更小。