基于贪婪神经网络的集中式温差发电系统最大功率跟踪

该文提出一种基于贪婪搜索的神经网络(GSNN)算法,以实现非均匀温差分布下集中式温差发电系统的最大功率跟踪(MPPT)。首先,以DC-DC升压变换器占空比为输入,系统输出功率为输出,建立双层前馈神经网络模型。然后,采用Levenberg-Marquardt法训练神经网络,得到系统的输入-输出(I/O)拟合曲线,以准确区分局部最大功率点(LMPP)和全局最大功率点(GMPP)。同时,基于拟合的曲线,设计压缩范围的贪婪策略快速逼近GMPP。恒定温度、阶跃温度和灵敏度分析三种算例下的仿真结果表明,与扰动观测法、粒子群算法和灰狼算法相比,GSNN能在非均匀温差分布下快速、稳定地输出最大功率。最后,基于dSpace的硬件在环(HIL)实验验证了所提算法的硬件可行性。

基于自适应罗盘搜索的集中式温差发电系统MPPT设计

提出了一种新型自适应罗盘搜索(Adaptive Compass Search,ACS)算法,用于非均匀温差分布(Non-uniform Temperature Distribution,NTD)条件下的集中式温差发电(Thermoelectric Generation,TEG)系统最大功率点跟踪(Maximum Power Point Tracking,MPPT)。集中式TEG系统仅使用一个MPPT变换器,因此与组串式和模块式的TEG系统结构相比,其运行与维护成本较低。然而,在NTD条件下,集中式TEG系统通常会出现多个最大功率点(Maximum Power Point,MPP)。为有效寻找集中式TEG系统的全局MPP,采用了一种基于探索方向的自适应序列方式,通过利用过去的搜索结果来显著提高ACS的全局搜索能力。通过三个算例对ACS的MPPT性能进行了研究,即温度恒定、温度阶跃变化以及随机温度变化。仿真结果表明,与扰动观测(Perturb and Observe,P&O)算法、粒子群优化(Particle Swarm Optimization,PSO)算法和罗盘搜索(Compass Search,CS)算法相比,ACS能以更快的速度和更高的收敛稳定性获得高质量的全局MPP。