基于功率预测的自适应变步长MPPT算法研究

最大功率点跟踪技术(Maximum Power Point Tracking, MPPT)是光伏发电系统中关键技术研究的热点之一。针对传统扰动观察法跟踪速度和精度无法兼顾的问题,文中提出了一种以功率变化量为步长控制量的自适应变步长扰动观察法,通过判断功率变化趋势,对远离最大功率点,采用大步长逼近;靠近最大功率点,采用小步长逼近。建立太阳能光伏电池数学模型得到其输出特性曲线,再利用MATLAB/Simulink搭建基于Boost电路的MPPT仿真模型,最后经仿真验证了所提出算法的稳定性、快速性和准确性,它比传统算法具有更好的MPPT暂态性能。

自适应免疫粒子群算法在光伏MPPT中的应用

光伏阵列在局部遮阴条件下,其P-U特性曲线呈多峰特性,传统的最大功率点跟踪(MPPT)算法容易陷入局部最优,而无法追踪到最大功率点。粒子群(PSO)算法适用于复杂多极值的寻优问题,因而在多峰值MPPT中得到广泛应用。针对粒子群算法寻优过程中易早熟收敛至局部最优、迭代后期收敛速度慢以及精度低等问题,提出了一种自适应免疫粒子群算法。该算法对惯性权重和学习因子进行自适应调整,并且与免疫算法相结合。仿真结果表明:该算法在静态局部遮阴以及动态局部遮阴条件下,均能追踪到最大功率点,并且收敛速度更快,精度更高,稳定性更好。

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.

基于粒子群优化算法的光伏发电系统MPPT控制研究

对光伏模块特性进行了分析,并以此为基础提出了基于粒子群优化算法的MPPT控制方法,给出了算法实现的具体流程。在MATLAB上实现了光伏模块模型构建,并对提出的PSO算法进行了仿真验证,经测试,所提算法可以在局部遮荫的情况下有效追踪最大功率点。

基于模糊逻辑的光伏系统变步长P&O MPPT算法

为解决光伏发电系统中最大功率点跟踪(MPPT)关键难题,提出一种改进的扰动观察(P&O)最大功率点跟踪算法,该算法使用基于模糊逻辑的可变步长扰动观测MPPT算法(FP&O)来克服与传统P&O MPPT跟踪方法相关的无法兼顾跟踪速度和稳态精度的限制,从而改善瞬态响应并降低稳态端电压振荡。所提出的MPPT算法通过MATLAB仿真验证其有效性和可行性。仿真结果表明,基于模糊逻辑的变步长P&O MPPT算法相比传统MPPT算法兼顾了跟踪速度和稳态精度,系统响应速度更快,平均输出功率更高且功率振荡范围更小,改善了光伏系统的动、静态工作性能。

局部遮荫下基于改进PSO算法的光伏发电MPPT控制

为解决光伏阵列在局部遮荫工况下最大功率点跟踪问题,在分析光伏阵列输出特性的基础上,提出惯性权重自适应调整、飞行速度动态钳位、迭代周期动态更新的改进型粒子群优化算法对光伏阵列输出调节电路实施控制。MATLAB仿真结果表明:与常规扰动观察法、基本粒子群优化算法相比,该算法在静态与动态的局部遮荫工况下均能获得较高的最大功率点跟踪精度,且缩短了近50%的跟踪时间,提高了光伏阵列的发电效率。

黑猩猩算法优化光伏MPPT的研究

研究了黑猩猩算法对光伏最大功率追踪的优化,提出相应模型和方法。分析了月球科研站的光伏条件,建立了光伏系统仿真模型,模型包括光伏电池组、DC/DC变换器、最大功率追踪模糊逻辑控制器。模型根据电池组的非对称特性,设置控制器隶属度函数实现最大功率追踪。通过黑猩猩算法对最大功率追踪性能进行优化,提出适合评估最大功率追踪速度和精度的适应度函数建立方法以及隶属度函数参数迭代优化方法。根据运行结果优化控制设置,并与传统扰动观察控制进行对比。仿真结果表明:采用提出的优化模型和方法,光伏系统可以实现更快的功率追踪速度和更准确的最大功率输出。

基于NACS-PSO算法的光伏系统MPPT控制研究

对于局部遮阴下的光伏阵列,传统的最大功率点跟踪算法收敛速度慢、精度差、功率波动大且容易陷入局部最优。为此,提出一种基于新型自适应布谷鸟算法与粒子群算法相结合的复合算法。该方法在布谷鸟算法中引入自适应发现概率和自适应莱维飞行步长控制因子,同时加入对立种群策略,以提高算法收敛速度和全局寻优能力。在算法前期,用粒子群算法全局搜索快速找到全局最大功率点附近,后期用新型自适应布谷鸟算法在局部范围内精准寻优,以快速、准确和稳定地跟踪到全局最大功率点。仿真结果表明,本文提出的算法在四种光照模式下的收敛时间和跟踪误差分别为0.106s和0.012%、0.108s和0.034%、0.110s和0.059%、0.106s和0.031%,均优于其他算法,验证了本文算法在六种对比算法中,收敛速度最快、跟踪精度最高、功率波动最小、陷入局部最优的可能性最小。

基于ACPI控制的光伏系统MPPT策略

针对现有光伏系统最大功率点跟踪(MPPT)方法中存在的响应速度慢、抖振明显和外界环境发生变化时稳态精度低等问题,提出了一种基于自耦比例积分微分(ACPID)控制的自耦PI控制策略。该策略首先基于Boost升压电路的光伏系统通过坐标变换简化被控系统,同时引入虚拟控制量将光伏发电系统分解为外环电压控制与内环电流控制,并将所有内部动态和外部扰动定义为总扰动,进而将其等价映射为一个线性扰动系统;然后在自耦PID控制系统的思想上,分别设计了外环与内环的自耦PI控制器。结果表明:所提控制方法可以实现光伏系统MPPT的有效控制,不仅具有较快的响应速度、良好的抗抖振能力,而且对于外界环境变化具有良好的鲁棒性。

一种基于MPPT多级扰动的孤岛检测方法

为确保光伏发电并网系统稳定运行,针对传统的主动式孤岛检测方法对电能质量影响较大、功率损耗较多等问题,提出一种基于MPPT多级扰动的方法来检测并网光伏系统的孤岛状态。该方法通过周期性多级扰动Boost电路的占空比来减小逆变器的有功输出功率,从而在孤岛状态下使并网点电压低于设定的最小阈值,而在并网状态下对其影响可忽略不计。根据并网点电压大小选择占空比的扰动方式,并根据其值实时计算具体扰动量,可有效降低对电网和用电设备的影响,减小功率损耗。在进行参数设计时,要充分考虑恶劣工况下的检测质量,以消除检测盲区。最后,在不同情况下对所提方法进行仿真测试。结果表明,该方法在减小功率损失、提高孤岛检测效率等方面具有显著优势。

基于自适应位置调节的飞蛾扑火MPPT控制方法

为了解决传统光伏阵列最大功率点追踪(maximum power point tracking,MPPT)算法易陷入局部最大功率点(local maximum power point,LMPP)的问题,本文提出一种基于自适应位置调节的飞蛾扑火(adaptive position adjustment for moth-flame optimization algorithm,AMFO)MPPT控制方法,该方法在飞蛾的位置更新机制中引入自适应位置插值策略和自适应权重因子策略,提高了算法的求解精度和优化速度,使之不易陷入局部最大功率点。将改进后的算法应用于光伏系统MPPT中,仿真实验结果表明:改进后的算法相较于传统的飞蛾扑火优化(moth-flame optimization,MFO)算法、灰狼优化(grey wolf optimizer,GWO)算法和粒子群优化(particle swarm optimization,PSO)算法,在均匀光照和局部遮阴条件下的追踪速率和精度均有较大提升。

基于LGPSO_P&O混合算法的光伏多峰MPPT研究

针对复杂遮阴环境下光伏阵列P-U曲线呈现多个峰值而导致传统最大功率点跟踪(MPPT)算法易陷入局部最优解的问题,提出一种新的控制算法模型——LGPSO_P&O模型。该模型结合Levy飞行、高斯变异策略和粒子群算法,并对粒子群算法惯性权重进行改进,构建LGPSO算法搜索全局最大功率点(MPP)。同时,改进扰动观察法(P&O)对MPP进行局部跟踪,进一步提高跟踪精度。在Matlab/Simulink中进行仿真实验,并与改进PSO、BPSHO和GA_ACO算法作对比,仿真结果表明该模型具有较高的鲁棒性,收敛速度快,跟踪精度高,最高可达99.8%。

基于LF-ATSO算法在光伏系统MPPT中的研究

在复杂遮荫工况下,传统MPPT策略在面对多峰值现象时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策略也存在寻优精度不高、追踪时间慢等问题。为解决上述问题,文中构建Lévy飞行-自适应金枪鱼群算法(LF-ATSO)。首先,采用基于Circle混沌映射的反向学习策略合理分配初始化种群以提高种群遍历性;其次,改进参数a用以调整最优个体和前一个体的比重,提高收敛速度;然后,嵌入Lévy flight策略提高算法全局搜索能力,帮助其跳出局部最优;最后,加入算法重启机制以应对复杂变化工况。将改进后的TSO算法与未改进TSO算法、PSO算法、改进GWO算法进行仿真对比,实验结果表明,改进后的TSO算法在静态、动态复杂遮荫工况下均能够更快、更精准地追踪到全局最大功率点(GMPP)。

改进粒子群算法在光储系统MPPT中的应用

光伏系统中的MPPT的控制策略的好坏是影响光储系统母线侧电压波动的一个主要因素。传统MPPT控制策略在外部环境变化下会出现控制精度不高和追踪速度慢等问题,基于人工智能算法的MPPT又存在着控制过程复杂,陷入局部最优解等问题。对于此,提出一种改进型粒子群MPPT控制算法,在该算法中使用莱维飞行改进粒子运动方式,扩大粒子的搜索范围和灵敏度。该改进算法能有效提高传统算法的准确性和速度,在追踪光伏侧最大功率的同时能有效维持直流母线电压稳定。在Matlab/Simulink软件上进行电路的搭建和算法的优化,经实验证明改进型算法相比于传统算法能够较快地追踪到最大功率点的同时保障输出功率稳定,具有较好的实用性。

基于改进天鹰算法的光伏MPPT控制研究

由于光伏阵列的不确定性和间歇性,在局部阴影条件下光伏系统的输出存在多个峰值,传统的最大功率跟踪法(MPPT)不能有效跟踪最大功率点,对于这个问题提出一种基于Intermittency混沌映射的天鹰算法(IAO)。通过引入混沌映射改进初始化种群,将占空比作为控制变量,实现MPPT控制。最后仿真模拟结果表明,和原始算法相比改进天鹰算法在MPPT应用的基础上收敛速度、收敛精度都有显著提升,提高了发电效率。

基于改进自适应粒子群算法的MPPT追踪系统

为优化最大功率点追踪(MPPT)技术的追踪精度和追踪时间,提出一种改进自适应粒子群算法(APSO)。对传统PSO算法进行优化,引入自适应惯性权重和非线性学习因子,使其在全局寻优-局部寻优-全局寻优状态下加速MPPT追踪,最后搭建光伏发电系统对自适应粒子群算法进行仿真验证。试验证明:相比于传统PSO算法,改进的APSO算法追踪精度更高,收敛速度更快。未遮挡环境(STC)恒温和变温下收敛速度提升了30.6%和39.2%,局部遮挡(PSC)恒温和变温下收敛速度提升了54.0%和53.7%,改进的APSO算法在PSC环境下更具优势;PSO算法最大功率稳定后占空比存在震荡现象,而APSO算法的占空比为稳定状态,提高了系统的稳定性能。

基于改进变步长爬山法的潮流能发电MPPT算法

针对传统变步长爬山法在潮流能发电系统中对潮流流速突变和随机性波动的适应能力较差,易出现扰动方向判断错误和速度追踪过快的问题,在变步长爬山法的基础上提出一种改进变步长最大功率追踪(MPPT)算法。该方法能够准确判断多种最大功率跟踪的情况并采用两次采样点下的功率和转速的变化程度确定下一时刻步长的大小,自动根据获能系数大小进行分阶段调节,实现对潮流流速突变情况的应对,从而实现最大功率的跟踪。在MATLAB/Simulink环境下搭建基于PID控制与自抗扰控制的仿真系统进行仿真试验,结果表明,改进的变步长爬山法不仅能够实现最大功率的跟踪,而且对潮流流速的随机性波动和突变情况的适应能力更强,具有良好的稳态特性。

基于电导增量法的光伏发电MPPT控制研究

对光电池数学模型进行了研究,详细分析了光电池阵列的I-U、P-U特性,并以此为基础对基于电导增量法的光伏发电MPPT控制进行了研究;结合算法的原理,提出了电导增量法的实现流程。在MATLAB/Simulink构建了完整光伏阵列并网发电仿真电路,对算法流程进行了验证。经检验,所提出算法流程可以快速、有效追踪到并稳定工作在最大功率点,符合工程应用的要求。

基于改进布谷鸟算法的局部遮阴MPPT研究

为解决光伏阵列在局部遮阴条件下输出的功率-电压(P-U)特性曲线会呈多峰状态进而影响发电效率这一问题,提出了一种复合优化算法,将布谷鸟算法与小步长扰动观察法相结合,并加入种群初始优化策略,加强了算法的追踪速度和精度,提升光伏阵列整体输出功率。并在MATLAB/Simulink进行了仿真,与改进前布谷鸟算法进行对比,验证了该复合优化算法较比原算法性能上的整体提升。

遮光条件下基于IPSO-FLC的光伏MPPT控制

光伏阵列在部分遮光条件下的P-U特性曲线会呈现多峰问题,致使跟踪算法变得更加复杂,而传统的MPPT算法可能会陷入局部最大功率点,导致对全局最大功率点的跟踪无法实现。为此,提出一种改进粒子群算法优化模糊控制器,来实现遮光条件下的光伏阵列最大功率点跟踪。在Matlab/Simulink环境下,对光伏系统和所提出的MPPT算法进行仿真,同时与扰动观测法等传统MPPT算法进行比较。仿真结果表明,所提方法能够有效地跟踪光伏阵列的最大功率点,并且具有较快的响应速度。