CN106961117A - 一种基于改进型量子粒子群算法的mppt控制方法 - Google Patents
一种基于改进型量子粒子群算法的mppt控制方法 Download PDFInfo
- Publication number
- CN106961117A CN106961117A CN201710108591.8A CN201710108591A CN106961117A CN 106961117 A CN106961117 A CN 106961117A CN 201710108591 A CN201710108591 A CN 201710108591A CN 106961117 A CN106961117 A CN 106961117A
- Authority
- CN
- China
- Prior art keywords
- algorithms
- particle swarm
- point
- modified
- swarm optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
Classifications
-
- H02J3/385—
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Control Of Electrical Variables (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于改进型量子粒子群算法的MPPT控制方法,在基本量子粒子群算法的基础上提出了改进型量子粒子群算法。在QPSO算法中加入了混沌搜索策略形成JQPSO算法以实现算法的自适应搜索,这一改进策略不仅提高了算法的收敛精度同时也提高了算法的收敛速度。在实际应用中,由于光伏电池板经常会出现局部遮阴现象,光伏阵列输出的电压会出现多峰情况,此时采用传统算法无法正确追踪到最大功率点。因此,本发明采用了JQPSO算法追踪光伏电池板的最大功率点,通过调节开关功率管的工作占空比d,并采用MATLAB/Simulink实验,仿真结果证明JQPSO的寻优效果更好,同时在保证一定的搜索精度情况下,提出的JQPSO算法能够在最短的时间内找到最大功率点。
Description
技术领域
本发明属于电力系统技术领域,尤其涉及一种基于改进型量子粒子群算法的MPPT控制方法。
背景技术
太阳能发电是一个非常受欢迎的可再生能源。由于它所拥有的优势包括低成本、环保以及维护简单等使得光伏发电系统已经被许多国家采用。尽管太阳能发电的电池组件成本高,但是在光伏发电系统中,特别是在并网型发电系统中,许多国家已经商业化,因而其潜在长远的利益。同时,该技术对改善能源结构,降低环境污染具有重大意义。
然而,光伏发电系统的应用有许多问题需要迫切解决。其中最主要的问题之一就是如何提高效率。最大功率点跟踪通常与电源转换器即DC-DC转换器或者逆变器结合,从而形成整体的发电模型满足系统的可靠性和效率。随日照辐射度和温度的改变,形成了PV系统中的非线性电压(P-V)特性曲线,这些非线性变化特性对输出功率的跟踪构成了极大的挑战。那么如何实现最大功率点跟踪(MPPT)是一个非常重要的技术。
具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle SwarmOptimization)思想来源于量子空间中的量子模型,该模型是由孙俊等人从量子力学的角度出发提出的基于PSO算法的QPSO算法。相对于PSO算法,QPSO算法具有进化方程更简单,控制参数更少,收敛速度更快,运算更简单等优点,并且能够应用于求解各种复杂的优化问题。QPSO算法中的每一个粒子能够以某一确定的概率出现在任意位置,该位置有可能是远离吸引点的位置,甚至是优于的位置。因此种群的多样性被提高,进而加强了算法的全局搜索的能力。
发明内容
本发明所要解决的技术问题是针对背景技术的不足提供了一种基于改进型量子粒子群算法的MPPT控制方法,该发明基于混沌搜索策略,不仅解决了原算法容易陷入局部最优的问题,同时将该算法应用于光伏系统最大功率点追踪,解决了传统MPPT算法在追踪最大功率时,由于外部环境和辐射度的变化而导致其输出时间过长以及输出振动过大时造成的能源耗损的问题。
本发明为解决上述技术问题采用以下技术方案
一种基于改进型量子粒子群算法的MPPT控制方法,具体包括以下步骤:
步骤1,构建双算法MPPT控制模型;
步骤2,初始化JQPSO算法,寻找最优点;其中,最优点为最接近目标函数值的点,所述JQPSO算法如下:
其中,y是该表达式的值,u是[0,1]之间的随机数,a的值为4;
步骤3,将优化后的占空比传递给双算法MPPT控制模型的逆变器,从而调节PWM波;
步骤4,根据目标函数确定光伏发电系统的输出功率,利用JQPSO算法求出最大工作点处的电压电流以及功率;
步骤5,采用INC算法保持光伏发电系统的输出功率稳定在最大点处。
作为本发明一种基于改进型量子粒子群算法的MPPT控制方法的进一步优选方案,在步骤1中,构建的双算法MPPT控制模型的数学模型具体如下:
其中,I是输入电流,p=1+a2,且p≥2.2,α2为二极管的理想常数,IPV是日照电流,V是输出电压,Rs是等效串联电阻,Io是反向饱和电流,Rp是等效并联电阻,VT为二极管的热电压。
作为本发明一种基于改进型量子粒子群算法的MPPT控制方法的进一步优选方案,在步骤4中,目标函数具体如下所示:
fitness=Pi=Vi·Ii
其中,fitness为适应度函数值,Pi为输出功率,Vi为光伏电池板输出电压Ii为光伏电池板输出电流。
作为本发明一种基于改进型量子粒子群算法的MPPT控制方法的进一步优选方案,在步骤5中,根据在最大功率点时太阳电池的输出功率对电压的微分为0,采用INC算法保持光伏发电系统的输出功率稳定在最大点处具体步骤:
步骤5.1,当光伏发电系统的输出功率在最大功率点的左侧,则此时增加电压量;
步骤5.2,当光伏发电系统的输出功率在最大功率点的右侧,则此时减少电压量;
步骤5.3,当光伏发电系统的输出功率是最大功率点,则此时电压量不变。
作为本发明一种基于改进型量子粒子群算法的MPPT控制方法的进一步优选方案,在步骤3中,通过控制逆变器开关管的开关来调节PWM波。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明是基于混沌搜索策略,其不仅解决了原算法容易陷入局部最优的问题,同时将该算法应用于光伏系统最大功率点追踪,解决了传统MPPT算法在追踪最大功率时,由于外部环境和辐射度的变化而导致其输出时间过长以及输出振动过大时造成的能源耗损的问题,在现实生活中,当遇到多种恶劣的环境时会导致功率输出的不稳定,而影响生活中的供电需求,而本发明采用的INC算法能够有效的解决这类问题从而保证功率长期稳定的输出。
附图说明
图1是为JQPSO算法模型流程图;
图2为光伏电池的等效模型;
图3为光伏阵列串并联结构;
图4(a)为QPSO算法的混沌函数Logistic分布图;
图4(b)为QPSO算法的混沌函数ln分布图;
图5(a)为PSO算法的仿真波形图;
图5(b)为QPSO算法的仿真波形图;
图5(c)为JQPSO算法的仿真波形图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
下面将详细描述本发明的实施方式,结合附图对本发明做进一步的解释说明,通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明主要在于,将提出的JQPSO算法应用于光伏系统最大功率点追踪问题上,提高了最大功率点的追踪效率和追踪精度,减少了系统能源的损耗。
为了实现上述目的,本发明提出了一种基于改进型量子粒子群算法的MPPT控制方法,其流程图如图1所示,具体实施步骤如下:
构建双算法MPPT控制模型,计算输入的电压和电流;
根据图2所示的等效模型图,图中采用的是双二极管模型,以电压和电流为参考方式,其输出的I-V线性方程可以表示为:
VT1=VT2=NskT/q
其中,IPV是日照电流;Io1,Io2分别表示二极管D1、D2的反向饱和电流;VT1,VT2分别表示二极管D1、D2的热电压;Ns为PV阵列电池的串联数;q(1.60217646×10-19C)为电子电荷常数;k(1.3806503×10-23J/K)为波尔兹曼常数;T为外界环境温度;α1,α2表示为二极管的理想常数。
通过对上式的分析,需要七个元件参数计算该模型,这无疑加剧了计算时间和复杂度,为此,一种简化模型被提出来,为了提高模型精度,如图3所示,具体简化公式如下:
其中,p=1+a2,且p≥2.2
其输出电流方程为:
其中,Γ=Nss/Npp
本发明参考的电池板型号为MSX-60,其在标准测试条件下的参数如下表1:
表1
本发明所采用的QPSO算法是以δ势阱为基础,通过Monte Carlo随机模拟得到粒子的位置方程:
其中,u是[0,1]之间的随机数。通过引入平均最好位置mbest,得出算法的进化方程为:
Li(t)=2*β·|mbest-xi(t)|
采用的混沌搜索公式如下,其函数分布图如图4所示:
用其代替原位置更新公式中的ln函数分布,表达式如下所示:
图4(a)为QPSO算法的混沌函数Logistic分布图,图4(b)为QPSO算法的混沌函数ln分布图;本发明采用的Logistic混沌搜索比ln函数在收敛时间上具有很大的改进。
其中JQPSO算法的具体操作过程如下:
(1)JQPSO初始化过程。随机产生M个粒子的位置向量xi(t)=(xi1(t),xi2(t),...,xiD(t)),并令xi=di,其中i=1,2,…,M;j=1,2,…,D;设置pbesti=xi。
(2)从建立好的模型中实时采集电压V和电流I,并计算每个粒子的适应度函数值Pi=Vi·Ii,并将适应度函数值最优的粒子设置为全局最优gbest。
(3)根据下式求局部吸引子pi。
其中,为[0,1]之间的随机数;pbesti为个体粒子经历的最好位置,gbest为种群中所有粒子经历的最好位置。
(4)根据下式更新粒子的平均最优位置。
其中,M为粒子总数。
(5)根据下式更新粒子位置。
其中,u是[0,1]之间的随机数;β为收缩-扩张因子,一般取1线性递减至0.5。
(6)将每个粒子的当前适应度函数值与其经历过的个体最优pbesti的适应度函数值相比较,如果当前适应度函数值优于pbesti的适应度函数值,则把当前粒子适应度值作为pbesti。
(7)将每个粒子的当前适应度函数值与群体最优gbest的适应度函数值相比较,如果当前适应度函数值优于gbest的适应度函数值,则将当前粒子置于gbest。
(8)重复执行步骤(2)-步骤(7),直至适应度函数值满足要求,启动INC算法控制系统输出最大功率。
优化后将占空比传递给双算法模型的逆变器,控制开关管的开关从而调节PWM波;
本发明中,将占空比作为算法的解向量操作,其中每一次迭代得到的解向量即是优化后的占空比,具体公式如下表示:
xi(t+1)=di(t+1)=(d1,d2,...dM) (10)
根据目标函数确定光伏系统的输出功率,利用JQPSO算法求出最大工作点处的电压电流以及功率;
将最大点处的功率函数作为JQPSO算法的适应度函数,通过每次迭代更新和比较公式Pi(t+1)>Pi(t)获取最大功率点处的功率,公式表示为:
Pi=Vi·Ii (11)
采用INC算法保持系统稳定输出在最大点处,其中INC算法的基本流程为:
在外界环境缓慢变化的情况下,最大功率点两侧的dP/dV正负号相反,而在最大功率点的因此只要能够计算出当前工作点的dP/dV值,就可以判断出当前工作点的位置。本文的适应度函数为光伏阵列的输出功率,即P=V·I,对该式求导可得当时,则所以环境一定的条件下,为了能够维持功率的稳定输出,具体的操作步骤如下所示:
(1)当前工作点在最大功率点的左侧,则此时应该增加电压量;
(2)当前工作点在最大功率点的右侧,则此时应该减少电压量;
(3)当前工作点恰好就是最大功率点,则此时可以保证电压量不变,稳定输出。
在本发明中,一种基于改进型量子粒子群算法的MPPT控制策略,其在不同算法下的仿真波形图其中,图5(a)为PSO算法的仿真波形图,图5(b)为QPSO算法的仿真波形图,图5(c)为JQPSO算法的仿真波形图。采用的算法包括PSO算法,QPSO算法,JQPSO算法。
如表2所示,分别列出了不同算法条件下,追踪到最大功率时,其对应的输出结果t/s、占空比d、电压V/V、电流I/A以及功率P/W对应的稳定值。
表2
算法 | t/s | d | V/V | I/A | P/W |
PSO | 0.9 | 0.6917 | 110.5311 | 0.7298 | 80.8982 |
QPSO | 0.6 | 0.7145 | 117.2169 | 0.7748 | 90.8744 |
JQPSO | 0.3 | 0.7177 | 117.2883 | 0.7810 | 91.6148 |
通过比较发现,本专利采用的改进型量子粒子群算法在MPPT控制策略上具有更优的搜寻功能,能够有效的降低光伏发电系统的损耗以及减少系统的扰动。
综上所述,本发明是基于混沌搜索策略,其不仅解决了原算法容易陷入局部最优的问题,同时将该算法应用于光伏系统最大功率点追踪,解决了传统MPPT算法在追踪最大功率时,由于外部环境和辐射度的变化而导致其输出时间过长以及输出振动过大时造成的能源耗损的问题,在现实生活中,当遇到多种恶劣的环境时会导致功率输出的不稳定,而影响生活中的供电需求,而本发明采用的INC算法能够有效的解决这类问题从而保证功率长期稳定的输出。
Claims (5)
1.一种基于改进型量子粒子群算法的MPPT控制方法,其特征在于,具体包括以下步骤:
步骤1,构建双算法MPPT控制模型;
步骤2,初始化JQPSO算法,寻找最优点;其中,最优点为最接近目标函数值的点,所述JQPSO算法如下:
其中,y是该表达式的值,u是[0,1]之间的随机数,a的值为4;
步骤3,将优化后的占空比传递给双算法MPPT控制模型的逆变器,从而调节PWM波;
步骤4,根据目标函数确定光伏发电系统的输出功率,利用JQPSO算法求出最大工作点处的电压电流以及功率;
步骤5,采用INC算法保持光伏发电系统的输出功率稳定在最大点处。
2.根据权利要求1所述的一种基于改进型量子粒子群算法的MPPT控制方法,其特征在于,在步骤1中,构建的双算法MPPT控制模型的数学模型具体如下:
其中,I是输入电流,p=1+a2,且p≥2.2,α2为二极管的理想常数,IPV是日照电流,V是输出电压,Rs是等效串联电阻,Io是反向饱和电流,Rp是等效并联电阻,VT为二极管的热电压。
3.根据权利要求1所述的一种基于改进型量子粒子群算法的MPPT控制方法,其特征在于,在步骤4中,目标函数具体如下所示:
fitness=Pi=Vi·Ii
其中,fitness为适应度函数值,Pi为输出功率,Vi为光伏电池板输出电压Ii为光伏电池板输出电流。
4.根据权利要求2所述的一种基于改进型量子粒子群算法的MPPT控制方法,其特征在于:在步骤5中,根据在最大功率点时太阳电池的输出功率对电压的微分为0,采用INC算法保持光伏发电系统的输出功率稳定在最大点处,具体步骤如下:
步骤5.1,当光伏发电系统的输出功率在最大功率点的左侧,则此时增加电压量;
步骤5.2,当光伏发电系统的输出功率在最大功率点的右侧,则此时减少电压量;
步骤5.3,当光伏发电系统的输出功率是最大功率点,则此时电压量不变。
5.根据权利要求1所述的一种基于改进型量子粒子群算法的MPPT控制方法,其特征在于,在步骤3中,通过控制逆变器开关管的开关来调节PWM波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710108591.8A CN106961117A (zh) | 2017-02-27 | 2017-02-27 | 一种基于改进型量子粒子群算法的mppt控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710108591.8A CN106961117A (zh) | 2017-02-27 | 2017-02-27 | 一种基于改进型量子粒子群算法的mppt控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106961117A true CN106961117A (zh) | 2017-07-18 |
Family
ID=59470112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710108591.8A Pending CN106961117A (zh) | 2017-02-27 | 2017-02-27 | 一种基于改进型量子粒子群算法的mppt控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106961117A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563489A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 基于混沌粒子群算法的局部阴影下光伏列阵功率追踪方法 |
CN108398982A (zh) * | 2018-01-30 | 2018-08-14 | 上海电力学院 | 一种局部阴影下光伏阵列的最大功率跟踪方法 |
CN109144164A (zh) * | 2018-11-08 | 2019-01-04 | 南京邮电大学 | 一种具有不确定性光伏系统的最大功率点模糊预测控制方法 |
CN109358697A (zh) * | 2018-11-08 | 2019-02-19 | 南京邮电大学 | 一种具有不确定光伏系统的最大功率点模糊跟踪控制方法 |
CN109710021A (zh) * | 2019-03-14 | 2019-05-03 | 河北工业大学 | 基于改进量子粒子群算法的光伏多峰mppt控制方法 |
CN111694396A (zh) * | 2020-07-04 | 2020-09-22 | 湘潭大学 | 一种基于分子运动轨迹搜索算法的mppt控制 |
CN113300401A (zh) * | 2021-05-25 | 2021-08-24 | 淮阴工学院 | 一种基于混合改进磷虾群算法和模糊控制器的mppt算法 |
CN115566717A (zh) * | 2022-08-17 | 2023-01-03 | 淮阴工学院 | 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略 |
CN115566717B (zh) * | 2022-08-17 | 2024-06-11 | 淮阴工学院 | 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100891513B1 (ko) * | 2008-08-18 | 2009-04-06 | 주식회사 케이디파워 | 태양광 및 배터리 시스템을 이용한 계통 연계형 하이브리드발전 시스템 및 이를 이용한 발전 방법 |
CN104317348A (zh) * | 2014-10-28 | 2015-01-28 | 重庆理工大学 | 基于粒子群算法的光伏电池板最大功率跟踪方法及系统 |
CN104778345A (zh) * | 2015-01-07 | 2015-07-15 | 天津大学 | 一种模拟光伏电池模型老化故障的非线性参数计算方法 |
-
2017
- 2017-02-27 CN CN201710108591.8A patent/CN106961117A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100891513B1 (ko) * | 2008-08-18 | 2009-04-06 | 주식회사 케이디파워 | 태양광 및 배터리 시스템을 이용한 계통 연계형 하이브리드발전 시스템 및 이를 이용한 발전 방법 |
CN104317348A (zh) * | 2014-10-28 | 2015-01-28 | 重庆理工大学 | 基于粒子群算法的光伏电池板最大功率跟踪方法及系统 |
CN104778345A (zh) * | 2015-01-07 | 2015-07-15 | 天津大学 | 一种模拟光伏电池模型老化故障的非线性参数计算方法 |
Non-Patent Citations (1)
Title |
---|
李明: "光伏发电系统MPPT控制方法的研究", 《万方学位论文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563489A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 基于混沌粒子群算法的局部阴影下光伏列阵功率追踪方法 |
CN108398982A (zh) * | 2018-01-30 | 2018-08-14 | 上海电力学院 | 一种局部阴影下光伏阵列的最大功率跟踪方法 |
CN108398982B (zh) * | 2018-01-30 | 2019-10-18 | 上海电力学院 | 一种局部阴影下光伏阵列的最大功率跟踪方法 |
CN109144164A (zh) * | 2018-11-08 | 2019-01-04 | 南京邮电大学 | 一种具有不确定性光伏系统的最大功率点模糊预测控制方法 |
CN109358697A (zh) * | 2018-11-08 | 2019-02-19 | 南京邮电大学 | 一种具有不确定光伏系统的最大功率点模糊跟踪控制方法 |
CN109710021A (zh) * | 2019-03-14 | 2019-05-03 | 河北工业大学 | 基于改进量子粒子群算法的光伏多峰mppt控制方法 |
CN111694396A (zh) * | 2020-07-04 | 2020-09-22 | 湘潭大学 | 一种基于分子运动轨迹搜索算法的mppt控制 |
CN113300401A (zh) * | 2021-05-25 | 2021-08-24 | 淮阴工学院 | 一种基于混合改进磷虾群算法和模糊控制器的mppt算法 |
CN113300401B (zh) * | 2021-05-25 | 2024-04-26 | 淮阴工学院 | 一种基于磷虾群算法和模糊控制器的mppt算法 |
CN115566717A (zh) * | 2022-08-17 | 2023-01-03 | 淮阴工学院 | 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略 |
CN115566717B (zh) * | 2022-08-17 | 2024-06-11 | 淮阴工学院 | 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106961117A (zh) | 一种基于改进型量子粒子群算法的mppt控制方法 | |
CN109814651B (zh) | 基于粒子群的光伏电池多峰值最大功率跟踪方法及系统 | |
Alik et al. | A review on perturb and observe maximum power point tracking in photovoltaic system | |
Jouda et al. | Optimization of scaling factors of fuzzy–MPPT controller for stand-alone photovoltaic system by particle swarm optimization | |
Chung et al. | Comparative study of P&O and modified incremental conductance algorithm in solar maximum power point tracking | |
Ajiatmo et al. | A hybrid Fuzzy Logic Controller-Firefly Algorithm (FLC-FA) based for MPPT Photovoltaic (PV) system in solar car | |
Yuan et al. | MPPT of PV system under partial shading condition based on adaptive inertia weight particle swarm optimization algorithm | |
Verma et al. | Asymmetrical fuzzy logic control-based MPPT algorithm for stand-alone photovoltaic systems under partially shaded conditions | |
Ahmed et al. | MPPT Control for Photovoltaic System using hybrid method under variant weather condition | |
CN106155170A (zh) | 一种太阳能电池最大功率跟踪控制方法 | |
Makhloufi et al. | Tracking power photovoltaic system using artificial neural network control strategy | |
Ahmed et al. | PSO-SMC controller based GMPPT technique for photovoltaic panel under partial shading effect | |
Liying et al. | Implementation and simulation analysis of GMPPT algorithm under partial shadow condition | |
Narendiran et al. | Control and analysis of MPPT techniques for maximizing power extraction and eliminating oscillations in PV system | |
Kandemir et al. | A comparison of perturb & observe and fuzzy-logic based MPPT methods for uniform environment conditions | |
Zhang et al. | Maximum power point tracking control of solar power generation systems based on type-2 fuzzy logic | |
Afghoul et al. | Comparison Study between conventional and advanced MPPT based on fuzzy logic and ANFIS for standalone system | |
Arpacı et al. | Design and comparison of perturb & observe and fuzzy logic controller in maximum power point tracking system for PV system by using MATLAB/Simulink | |
Ou et al. | A variable step maximum power point tracking method using taylor mean value theorem | |
Lian et al. | Realization of maximum power tracking approach for photovoltaic array systems based on T-S fuzzy method | |
Ghedhab et al. | Maximum Power Point tracking for a stand-alone photovoltaic system using Artificial Neural Network | |
Hebib et al. | A comparative study of classical and advanced MPPT control algorithms for photovoltaic systems | |
Hassan et al. | Performance of different MPPT control techniques for photovoltaic systems | |
Upadhyay et al. | Fuzzy logic based maximum power point tracking system for solar energy conversion system | |
Kapur et al. | Adaptive Neuro Fuzzy Inference System for MPPT in Standalone Solar Photovoltaic System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170718 |