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TSO-MSMA算法在光伏系统MPPT中的研究

传统MPPT算法存在易陷入局部最优的问题,且目前采用的智能优化算法解决该类问题也有追踪精度不足、追踪速度慢等问题。为解决上述问题,该文提出一种基于金枪鱼算法(TSO)与改进黏菌觅食算法(MSMA)的混合优化算法。该方法通过早期金枪鱼算法的抛物线觅食策略来加快搜索速度,对黏菌觅食算法采用基于混沌映射的反向学习策略进行改进,达到扩大算法探索范围的目的,使之不易于陷入局部最优,并提高算法运算速度。将改进后的算法应用于光伏系统MPPT中,仿真实验结果表明:改进后算法相较于单独TSO与MSMA算法,在不同遮光条件下追踪速率有较大提升,精确度高于单独的TSO与MSMA算法,拥有更好的追踪速度与追踪精度。

基于金枪鱼群优化算法的光伏MPPT控制策略研究

光伏阵列在非均匀光照条件下的P-U输出特性曲线呈现多个峰值。针对这一现象,提出一种基于金枪鱼群优化算法的最大功率点跟踪(MPPT)算法。该算法对多峰值功率输出特性可有效追踪其最大功率,对于光强突变后的全局最大功率可有效追踪且收敛速度快。仿真实验表明:在静态和动态阴影条件下,金枪鱼群优化MPPT算法都可高精度、快速追踪到最大功率点。相比于灰狼MPPT算法和改进蝴蝶MPPT算法,其在动态阴影下的仿真结果表明金枪鱼群MPPT算法具有更高的精度、更小的振荡和更快的收敛速度,其追踪精度高达99.9%,收敛仅用0.28 s。

基于重复扫描法的光伏MPPT算法的研究

当光伏阵列受到不均匀光照时,其P-V(功率-电压)输出特性曲线会出现多极值的情况。为了解决传统的MPPT算法容易陷入局部功率极大值的问题,文章通过对光伏阵列的输出特性和现有MPPT算法的深入研究,提出了一种重复扫描法MPPT算法。在Simulink环境下,分别对P&O(扰动观测法)、基于PSO(粒子群)算法的MPPT算法和重复扫描法MPPT算法进行了仿真测试。试验结果表明,重复扫描法MPPT算法具有振荡幅度小、跟踪速度快和跟踪成功率高等优点。

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。

粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用

局部阴影情况下,光伏阵列功率-电压(P-U)特性曲线呈现多个极值点,传统的最大功率点跟踪(maximum power point tracking,MPPT)方法会失效。研究了粒子群优化算法(particle swarm optimization,PSO)在光伏阵列(photovoltaic array)多峰MPPT中的应用,该方法根据多峰P-U曲线的特性,提出将粒子初始位置分散定位在可能的峰值点电压处这一新思路,保证了粒子群算法不会陷入局部极值点且不会错过任何极值点。设置了粒子群算法的参数,同时提出有效的迭代终止策略,能够避免系统趋于稳定时的功率振荡。最后通过仿真验证了该算法在有、无阴影情况下均能够快速且准确地跟踪最大功率点,有效地提高了光伏阵列输出效率。

适用于光伏多峰功率跟踪的改进型粒子群优化算法

针对在自然环境下光伏阵列上时常发生的局部阴影而引起P-V曲线由单峰转变成多峰状态,从而导致常规最大功率跟踪算法失效的问题,在研究传统粒子群算法的基础上,提出了一种改进型控制算法。该算法采用全局模式和局部模式两种运行手段定位最大峰值点,在对粒子群优化的速度更新方式上,去除了大量的随机变量干扰,使结构优化非常明显。改进后粒子群优化算法能够使功率跟踪避免陷入局部最优,使之找到真正的最大功率点。通过与传统粒子群算法对比仿真及试验,结果表明,在光伏阵列局部遮荫的情况下,改进后的粒子群优化算法可以快速准确地搜索到最大功率点,追踪精度高达95%,并且比传统的粒子群算法在搜索效率上提升28%,较好地避免了陷入局部最优。

部分遮蔽光伏发电系统的建模及MPPT控制

为了优化利用大型光伏发电系统的阵列组件,设计了一个改进的多元结构部分遮挡光伏系统数学模型。采用一个集中的最大功率点跟踪(maximum power point tracking,MPPT)控制器,在Matlab环境下进行建模仿真,证明该多元结构的光伏系统数学模型可以优化系统结构,节约设备,降低成本。为了提高最大功率点的跟踪准确度和速度,提出了一种基于改进的粒子群优化算法(particle swarm optimization,PSO)的最大功率点跟踪方法,并进行建模仿真和实验,与扰动观察法(perturbation and observation,PO)的性能指标和输出波形图对比,验证改进的粒子群优化算法对最大功率点具有更快的跟踪速度,避免在最大功率点附近产生振荡。

复杂遮阴条件下光伏系统MPPT控制改进PSO算法仿真研究

局部遮阴时,光伏阵列输出的功率-电压曲线出现多个峰值,传统最大功率点跟踪(maximum power point tracking,MPPT)算法会失效。提出两步型控制模型:第一步由粒子群算法(particle swarm optimization,PSO)寻找最大功率点,第二步通过电导增量法(incremental conductance,INC)控制系统稳定输出。此外还研究以下几点:模型的参考曲线更改为光伏阵列功率-占空比(P-D)输出特性曲线(由标准Boost电路调节占空比测得);改进传统PSO算法结构,限制了最大搜索速度;分析模型最适合的粒子数目和粒子搜索顺序。最后在复杂环境下对系统进行仿真和实验。

基于变异粒子群算法的光伏系统最大功率点跟踪研究

提出一种变异粒子群算法(MPSO),通过在粒子群算法中引入变异,可改善其跳出局部最优解的能力。变异粒子群算法采用有限的粒子数目即可实现阴影条件下光伏系统的最大功率点跟踪,而无需知道旁路二极管的数目,具有通用性。对变异粒子群算法进行的仿真和试验可证明该算法的有效性。

基于粒子群优化的光伏系统MPPT控制方法

局部遮阴条件下光伏阵列P-V特性引起的多个极值点使常规的最大功率点跟踪(MPPT)算法失效。针对上述问题,提出一种基于粒子群优化算法的控制方法,以解决局部遮阴下的最大功率跟踪问题。实验结果显示,光伏模板的输出电压被稳定地控制在最大功率点附近,证明算法是有效的。

自适应权重粒子群算法在阴影光伏发电最大功率点跟踪(MPPT)中的应用

在光伏发电系统中,光伏阵列往往会受到局部阴影现象的影响,造成系统的不稳定运行和输出功率的降低,且光伏阵列的P-U特性曲线会出现多峰值,常规最大功率点跟踪(MPPT)算法因其只能单峰寻优而不能完成对最大功率点的跟踪。粒子群优化(PSO)算法则有着良好的多峰全局寻优能力,被广泛应用在局部阴影的最大功率点跟踪中,但是PSO算法有着收敛速度不足和搜索精度低的缺点。为此,提出了基于自适应权重的粒子群优化(APSO)算法,即在运算过程中通过引入非线性动态惯性权重系数,有效地提高整体算法的全局搜索能力和局部改良能力。利用Matlab仿真,在恒定阴影和快速变化阴影2种条件下验证APSO算法的可行性。结果表明,APSO算法能够避免早熟收敛问题,可有效地提高算法的收敛速度和搜索精度。

复杂遮蔽条件下光伏多峰出力特征及GMPPT控制

针对光伏发电系统中最大功率点跟踪(MPPT)算法在遮蔽情况下失效问题,提出了一种基于δ势阱的量子粒子群全局MPPT(GMPPT)算法。结合光照强度变化时的光伏多峰值出力特征,从光伏最大功率点变迁角度出发,分析常规MPPT算法存在搜索盲区的原因,说明GMPPT寻优必要性。提出一种提高粒子多样性、搜索速度及收敛精度的量子行为粒子群优化(QPSO)算法。在MATLAB/SIMSCAPE平台下,结合算例分析,对比标准粒子群优化(PSO)算法,验证所提优化算法在有效GMPPT的情况下,具有参数少、搜索快的特点,同时全局搜索能力强,防早熟效果明显,适用于GMPPT的实现。

3步光伏最大功率点跟踪算法

光伏阵列的P-U特性曲线在局部阴影的情况下会呈现多个极值点,传统算法容易陷于局部极值,智能算法追踪耗时过多.在研究两类算法的基础上,提出一种基于扰动观察法和粒子群算法的3步最大功率点跟踪(MPPT)算法.该算法采用大步长扰动观察法缩小搜索范围并确定粒子数目;采用改进粒子群算法实现全局搜索寻找最优局部;采用逐步逼近的扰动观察法在最优局部内搜索最大功率点.仿真结果表明:该算法在均匀光照和局部遮阴情况下均能准确迅速地跟踪到最大功率点,相比于粒子群算法,追踪时间缩短35%,以上.

基于自适应种群粒子群的光伏全局MPPT研究

局部遮蔽条件(PSC)下,传统最大功率点跟踪(MPPT)算法会陷入局部极值,智能算法追踪时间过长。针对上述问题,提出了一种基于自适应种群粒子群算法(APPSO)的MPPT控制方法,引入全局和局部粒子密度的概念,并设计了两种自适应调整的粒子种群数量的机制。对该方法与常规粒子群算法(PSO)在均匀光照和PSC下分别进行了对比。仿真和实验结果均表明,在PSC下APPSO可迅速、准确地追踪到全局最大功率点(GMPP),追踪时间仅为PSO的50%左右。

结合混沌粒子群的分布式最大功率点跟踪

光伏阵列在局部阴影环境下输出特性呈现出多峰曲线,传统最大功率点跟踪(MPPT)算法在多峰寻优的过程中容易陷入局部极值,致使光伏阵列效率低下.为了提高局部阴影下光伏阵列的输出效率,提出一种基于分布式架构的混沌粒子群最大功率点跟踪(CPSO-DMPPT)算法,并通过PSIM平台对所提出的算法进行仿真验证.实验结果表明:CPSO-DMPPT算法能在多峰曲线中寻找到最优点,拥有更快速的响应速度和更优的全局搜索能力,其分布式架构可有效地提高光伏阵列的输出效率.

改进粒子群算法在光伏MPPT中的应用

在光伏阵列受到局部阴影遮挡条件下,针对光伏阵列的功率-电压(P-V)输出特性曲线在多峰值状态下的最大功率点跟踪(maximum power point tracking,MPPT)问题,通过对粒子群(particle swarm optimization,PSO)算法的改进,提出了一种基于新型粒子群(novel particle swarm optimization,NPSO)算法的MPPT方法(以下简称NPSO_MPPT算法)。NPSO算法通过将种群粒子分为收敛粒子和自由粒子两类,提高了原始PSO算法的全局搜索能力。在Simulink环境下,分别对P&O、基于PSO算法的MPPT方法(以下简称PSO_MPPT算法)和NPSO_MPPT算法进行仿真测试,仿真结果表明,NPSO_MPPT算法相比较现有的P&O和PSO_MPPT算法,具有发电效率高和不易陷入局部功率极大值等优点。

基于粒子群优化算法和变步长扰动观察法的局部阴影情况下MPPT控制

针对光伏阵列的输出特性在局部阴影情况下具有高度非线性、时变性以及多个局部功率极值点等特点,并导致传统MPPT(maximum power point tracking)算法失效的问题,提出一种基于粒子群优化算法和变步长扰动观察法的改进MPPT算法。其中粒子群优化算法用于系统启动和光照情况发生突变后迅速定位近似最大功率点,变步长扰动观察法则根据实际状况使光伏阵列精确稳定在最大功率点,以克服使用数学模型与实际输出特性偏差或微小扰动所导致的功率损失。通过建立Matlab/Simulink模型进行仿真实验,实验结果表明所提算法使光伏阵列在不同阴影情况下以及发生光照强度突变时都具有迅速精确的跟踪能力。

基于PSO的分布式光伏发电最大功率跟踪策略

现有光伏发电系统MPPT控制所采用的PSO结合电导增量法存在着跟踪速度慢、系统振荡大的缺点。针对该问题,在利用分布式光伏发电系统模块一致性的基础上,设计了一种集中控制并行PSO结合分布式PSO及电导增量的方法。将分布式光伏板视为不同粒子,在集中控制器中采用并行PSO算法搜索最佳参考电压初值,获取最佳参考电压初值后,集中控制器将最佳参考电压值和控制权递交给下级子控制器,子控制器再用PSO结合电导增量法搜索各自MPP点。将该算法进行仿真实验,实验表明,所提出的控制策略解决了现有算法跟踪速度慢、振荡大的问题。

GSO的局部阴影光伏阵列MPPT控制的研究

在若干个串联太阳电池两端并联旁路二极管消除光伏阵列处于局部阴影时形成的"热斑效应"的同时,P-U特性输出曲线会呈现出多个峰值。因此,传统最大功率跟踪方法可能会失效。针对多峰值问题,在建立和分析特性输出曲线的基础上,将改进的萤火虫群算法应用到局部阴影下光伏阵列最大功率点跟踪中。仿真表明,此方法能够快速准确的跟踪到全局最大功率点,保证了功率的高效利用。并与粒子群算法进行对比,验证了此方法的优越性。