一种基于改进萤火虫算法的光伏MPPT控制方法
发布时间：2021-09-07 11:22
局部阴影条件下,光伏发电系统输出功率降低且P-U曲线存在多峰值,标准萤火虫算法易陷入局部极值且收敛后期易发生震荡现象。针对这一问题,提出一种基于模糊-萤火虫算法（FFA）的MPPT算法,利用模糊控制器自适应调整随机移动步长因子α。算法运行前期赋予较大α值,萤火虫能快速向最优值附近移动,后期快速减小α值,避免震荡现象,使算法能稳定收敛。通过在MATLAB/Simulink下对FFA算法建模、仿真,并对比了标准萤火虫算法（FA）仿真结果,实验证明萤火虫算法与模糊控制技术相结合,能快速、准确、稳定的收敛到最大功率点,实现光伏发电最大效益输出。
【文章来源】：哈尔滨理工大学学报. 2020,25(03)北大核心
【文章页数】：8 页
【部分图文】：
光伏电池等效电路图
表1 模块光照强度分布情况Tab.1 Light intensity distribution of PV models 光照分布 光照强度/(W/m2) PV1 PV2 PV3 PV4 PV5 分布1 1 000 1 000 1 000 1 000 1 000 分布2 800 800 1 000 1 000 1 000 分布3 1 000 800 400 1 000 400 分布4 600 300 400 1 000 400图3 不同光照强度下的I-U曲线
图2 不同光照强度下的P-U曲线从图2和图3可以看出,当光伏阵列接受均匀光照强度时(分布1),P-U曲线只有一个峰值,I-U曲线只有一个拐点;当出现局部阴影情况,即光伏阵列中各组件接受不同的光照强度时(分布2、分布3、分布4),P-U曲线会出现多峰值情况,I-U曲线呈现出几个拐点,且峰值个数和拐点个数与阵列中接受不同光照强度的组件数有关。这种情况下常规MPPT算法极易陷入局部峰值而不能追踪到最大功率点,需研究新的智能算法。
【参考文献】：
期刊论文
[1]基于遗传算法与模式搜索法组合的MPPT技术[J]. 缑新科,马士伟,陈维铅,李琪飞,许世鹏. 兰州理工大学学报. 2018(01)
[2]基于神经网络的光伏系统MPPT控制算法设计[J]. 吕晨旭. 现代电子技术. 2018(03)
[3]基于自适应种群粒子群的光伏全局MPPT研究[J]. 石季英,凌乐陶,薛飞,李雅静. 电力电子技术. 2017(05)
[4]一种基于变步长电导增量法的自适应MPPT控制策略[J]. 刘明亮,张逸,范元亮,董哲康,张国月. 可再生能源. 2017(05)
[5]基于基因排序遗传算法的串联光伏组件MPPT研究[J]. 钟黎萍,张水平,顾启民. 可再生能源. 2017(03)
[6]局部阴影下基于遗传蚁群算法对MPPT的研究[J]. 刘建辉,李博. 可再生能源. 2017(01)
[7]神经网络反推控制在光伏系统最大功率点跟踪中的应用[J]. 阳同光,桂卫华. 太阳能学报. 2016(12)
[8]遮蔽条件下光伏并网系统的全局MPPT控制[J]. 万晓凤,胡伟,余运俊,胡海林. 计算机仿真. 2016(02)
[9]基于蚁群算法的局部阴影光伏最大功率跟踪算法[J]. 王雅,曾成碧,付文雯. 内蒙古师范大学学报(自然科学汉文版). 2015(04)
[10]基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究[J]. 林虹江,周步祥,冉伊,詹长杰,杨昶宇. 电测与仪表. 2015(05)
硕士论文
[1]光伏发电系统MPPT算法功率损失改进研究[D]. 王书金.兰州交通大学 2018
[2]光伏发电最大功率跟踪智能控制技术的研究[D]. 孟凡明.长春工业大学 2018
本文编号：3389456
【文章来源】：哈尔滨理工大学学报. 2020,25(03)北大核心
【文章页数】：8 页
【部分图文】：
光伏电池等效电路图
表1 模块光照强度分布情况Tab.1 Light intensity distribution of PV models 光照分布 光照强度/(W/m2) PV1 PV2 PV3 PV4 PV5 分布1 1 000 1 000 1 000 1 000 1 000 分布2 800 800 1 000 1 000 1 000 分布3 1 000 800 400 1 000 400 分布4 600 300 400 1 000 400图3 不同光照强度下的I-U曲线
图2 不同光照强度下的P-U曲线从图2和图3可以看出,当光伏阵列接受均匀光照强度时(分布1),P-U曲线只有一个峰值,I-U曲线只有一个拐点;当出现局部阴影情况,即光伏阵列中各组件接受不同的光照强度时(分布2、分布3、分布4),P-U曲线会出现多峰值情况,I-U曲线呈现出几个拐点,且峰值个数和拐点个数与阵列中接受不同光照强度的组件数有关。这种情况下常规MPPT算法极易陷入局部峰值而不能追踪到最大功率点,需研究新的智能算法。
【参考文献】：
期刊论文
[1]基于遗传算法与模式搜索法组合的MPPT技术[J]. 缑新科,马士伟,陈维铅,李琪飞,许世鹏. 兰州理工大学学报. 2018(01)
[2]基于神经网络的光伏系统MPPT控制算法设计[J]. 吕晨旭. 现代电子技术. 2018(03)
[3]基于自适应种群粒子群的光伏全局MPPT研究[J]. 石季英,凌乐陶,薛飞,李雅静. 电力电子技术. 2017(05)
[4]一种基于变步长电导增量法的自适应MPPT控制策略[J]. 刘明亮,张逸,范元亮,董哲康,张国月. 可再生能源. 2017(05)
[5]基于基因排序遗传算法的串联光伏组件MPPT研究[J]. 钟黎萍,张水平,顾启民. 可再生能源. 2017(03)
[6]局部阴影下基于遗传蚁群算法对MPPT的研究[J]. 刘建辉,李博. 可再生能源. 2017(01)
[7]神经网络反推控制在光伏系统最大功率点跟踪中的应用[J]. 阳同光,桂卫华. 太阳能学报. 2016(12)
[8]遮蔽条件下光伏并网系统的全局MPPT控制[J]. 万晓凤,胡伟,余运俊,胡海林. 计算机仿真. 2016(02)
[9]基于蚁群算法的局部阴影光伏最大功率跟踪算法[J]. 王雅,曾成碧,付文雯. 内蒙古师范大学学报(自然科学汉文版). 2015(04)
[10]基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究[J]. 林虹江,周步祥,冉伊,詹长杰,杨昶宇. 电测与仪表. 2015(05)
硕士论文
[1]光伏发电系统MPPT算法功率损失改进研究[D]. 王书金.兰州交通大学 2018
[2]光伏发电最大功率跟踪智能控制技术的研究[D]. 孟凡明.长春工业大学 2018
本文编号：3389456
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3389456.html
