CN109144163A - 一种基于领地粒子群的光伏多峰最大功率点追踪方法 - Google Patents
一种基于领地粒子群的光伏多峰最大功率点追踪方法 Download PDFInfo
- Publication number
- CN109144163A CN109144163A CN201811038664.1A CN201811038664A CN109144163A CN 109144163 A CN109144163 A CN 109144163A CN 201811038664 A CN201811038664 A CN 201811038664A CN 109144163 A CN109144163 A CN 109144163A
- Authority
- CN
- China
- Prior art keywords
- particle
- manor
- ocar
- global optimum
- population
- 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.)
- Granted
Links
Classifications
-
- 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
-
- 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)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种一种基于领地粒子群的光伏多峰最大功率点追踪方法,包括以下步骤:1)调节PWM的占空比为0,得到Boost电路的输出电压;2)设定粒子群数目;3)计算所述每个粒子的适应值,根据所得适应值重新判断并选择全局最优粒子和全局最优粒子领地;4)确定所述粒子领地内的最大值估计范围;5)判断所述最大值估计范围包含全局最优粒子的适应值条件是否成立;6)判断粒子间的最大距离dmax小于0.02Uocar条件是否成立;7)计算各个所述粒子适应值,重新判断并选择全局最优粒子;8)判断所述粒子间的最大距离dmax小于0.01Uocar条件是否成立;9)保持输出电压为得到的全局最优粒子位置的电压,判断环境是否发生突变。
Description
技术领域
本发明涉及光伏发电领域,特别是涉及一种基于领地粒子群的光伏多峰最大功率点追踪方法。
背景技术
在整个光伏发电系统中,光伏电池技术和光伏变换控制技术是两大支撑技术。最大功率点跟踪是高效光伏发电系统的关键技术之一。目前针对光伏阵列P-U特性曲线非线性特点已经提出很多最大功率跟踪算法。
传统算法主要包括扰动观察法、电导增量法、短路电流比例系数法、滑模极值搜索等,这些算法主要针对无遮蔽、均匀光照模式下的最大功率点跟踪。光伏电池被局部遮蔽或者特性不一致可能导致多功率极值出现,尤其对于大规模光伏阵列,容易处于乌云、树荫、建筑物以及灰尘等的遮蔽状态而呈现多峰值的特性。传统算法不具备全局跟踪能力,在多峰值情况下会陷入局部极值而导致大量能量损失。智能算法主要包括粒子群算法、布谷鸟算法、萤火虫算法、蚁群算法、蜂群算法以及狼群算法等,这些算法能够追踪到全局最大功率点,但仍然具有追踪时间长的缺点。
如何在遮蔽情况与无遮蔽情况下均能快速追踪到全局最大功率点,且追踪时间不受遮蔽情况复杂等因素的影响,是目前光伏阵列最大功率跟踪方法中迫切需要解决的问题。
发明内容
本发明提供了一种可以缩短粒子群算法追踪时间,能够迅速缩小搜索区域,可适应光伏阵列在不同遮蔽情况下的一种基于领地粒子群的光伏多峰最大功率点追踪方法。本发明解决上述问题的技术方案是:
一种基于领地粒子群的光伏多峰最大功率点追踪方法,包括以下步骤:
1)调节PWM的占空比为0,得到Boost电路的输出电压Uocar;
2)设定粒子群数目为3,所述粒子的初始位置分别为1、Uocar/3和2Uocar/3;所述粒子的初始领地分别为[1,Uocar/3)、[Uocar/3,2Uocar/3)和[2Uocar/3,Uocar);
3)计算所述每个粒子的适应值,根据所得适应值重新判断并选择全局最优粒子和全局最优粒子领地;
4)确定所述粒子领地内的最大值估计范围,方法如下:选取光伏阵列的P-U曲线上任意两点a与b,则范围[a,b]内的最大值的估计范围为[max{P(a),P(b)},bP(a)/a];
5)判断所述最大值估计范围包含全局最优粒子的适应值条件是否成立,在判断结果为是的情况下,该粒子会主动放弃领地内不可能产生优于全局最优粒子的部分,更新自己的领地边界;在判断结果为否的情况下,该所述粒子将放弃自己的领地,并与全局最优粒子均分全局最优粒子领地,然后所述全局最优粒子更新其领地边界;
6)判断粒子间的最大距离dmax小于0.02Uocar条件是否成立,在判断结果为否的情况下,返回4)步骤;在判断结果为是的情况下,所有所述粒子失去自己所属领地,按照原始粒子群的迭代方式进行迭代,即通过两个极值点来更新自己的位置,第1个极值点是当前时刻为止粒子自身找到的最优解,第2个极值点是当前时刻为止整个粒子群找到的最优解;其中第k+1次迭代寻找最优解的第i个粒子速度和位置更新方程满足下式:
式中,代表k+1次迭代计算中第i个粒子速度;第k代表迭代次数,ω是惯性权重,c1、c2是正常数,分别用于调整个体经验和群体经验的比重;r1、r2为(0,1)之间的随机数;Pbest代表粒子群内最有解;Gbest代表全局最优解;代表k+1次迭代计算中第i个粒子的位置;代表k次迭代计算中第i个粒子的位置。
7)计算各个所述粒子适应值,重新判断并选择全局最优粒子;
8)判断所述粒子间的最大距离dmax小于0.01Uocar条件是否成立,在判断结果为否的情况下,返回6)步骤按照原始粒子群的迭代方式进行迭代,评估各个所述粒子适应值,并更新全局最优粒子;在判断结果为是的情况下,进入下一步;
9)保持输出电压为得到的全局最优粒子位置的电压,判断环境是否发生突变,所述判断环境发生突变的公式如下所示:
式中:P'和P分别为迭代终止后,两次采样周期的功率采样值,ΔP为功率变化阈值。
在判断结果为否的情况下,持续保持所述输出电压为得到的全局最优粒子位置的电压;在判断结果为是的情况下,则返回1)步骤,重新开始新一轮的多峰最大功率点跟踪。
附图说明
图1为本发明的流程图。
图2为本发明实例中光伏阵列结构。
图3为本发明实例中基于Boost电路的最大功率点跟踪系统。
图4为本发明实例中光伏阵列的I-U特性曲线图。
图5为本发明实例中光伏阵列的P-U特性曲线图。
图6为本发明实例中领地式迭代方法示意图。
图7为本发明实例中光照模式1下的光伏阵列P-U曲线图。
图8为本发明实例中光照模式1下的粒子群算法追踪轨迹图。
图9为本发明实例中光照模式1下的领地粒子群算法追踪轨迹图。
图10为本发明实例中光照模式2下的光伏阵列P-U曲线图。
图11为本发明实例中光照模式2下的粒子群算法追踪轨迹图。
图12为本发明实例中光照模式2下的领地粒子群算法追踪轨迹图。
图13为本发明实例中光照模式3下的光伏阵列P-U曲线图。
图14为本发明实例中光照模式3下的粒子群算法追踪轨迹图。
图15为本发明实例中光照模式3下的领地粒子群算法追踪轨迹图。
具体实施方式
下面结合附图及具体的实施例对本发明的内容作进一步的阐述,但实施例仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的特征及原理所做的等效变化,均包括于本发明专利申请范围内。
如图1所示,一种基于领地粒子群的光伏多峰最大功率点追踪方法,包括以下步骤:
1)调节PWM的占空比为0,得到Boost电路的输出电压Uocar;
2)设定粒子群数目为3,所述粒子的初始位置分别为1、Uocar/3和2Uocar/3;所述粒子的初始领地分别为[1,Uocar/3)、[Uocar/3,2Uocar/3)和[2Uocar/3,Uocar);
3)计算所述每个粒子的适应值,根据所得适应值重新判断并选择全局最优粒子和全局最优粒子领地;
4)确定所述粒子领地内的最大值估计范围,方法如下:选取光伏阵列的P-U曲线上任意两点a与b,则范围[a,b]内的最大值的估计范围为[max{P(a),P(b)},bP(a)/a];
5)判断所述最大值估计范围包含全局最优粒子的适应值条件是否成立,在判断结果为是的情况下,该粒子会主动放弃领地内不可能产生优于全局最优粒子的部分,更新自己的领地边界;在判断结果为否的情况下,该所述粒子将放弃自己的领地,并与全局最优粒子均分全局最优粒子领地,然后所述全局最优粒子更新其领地边界;
6)判断粒子间的最大距离dmax小于0.02Uocar条件是否成立,在判断结果为否的情况下,返回4)步骤;在判断结果为是的情况下,所有所述粒子失去自己所属领地,按照原始粒子群的迭代方式进行迭代,即通过两个极值点来更新自己的位置,第1个极值点是当前时刻为止粒子自身找到的最优解,第2个极值点是当前时刻为止整个粒子群找到的最优解;其中第k+1次迭代寻找最优解的第i个粒子速度和位置更新方程满足下式:
式中,代表k+1次迭代计算中第i个粒子速度;第k代表迭代次数,ω是惯性权重,c1、c2是正常数,分别用于调整个体经验和群体经验的比重;r1、r2为(0,1)之间的随机数;Pbest代表粒子群内最有解;Gbest代表全局最优解;代表k+1次迭代计算中第i个粒子的位置;代表k次迭代计算中第i个粒子的位置。
7)计算各个所述粒子适应值,重新判断并选择全局最优粒子;
8)判断所述粒子间的最大距离dmax小于0.01Uocar条件是否成立,在判断结果为否的情况下,返回6)步骤按照原始粒子群的迭代方式进行迭代,评估各个所述粒子适应值,并更新全局最优粒子;在判断结果为是的情况下,进入下一步;
9)保持输出电压为得到的全局最优粒子位置的电压,判断环境是否发生突变,所述判断环境发生突变的公式如下所示:
式中:P'和P分别为迭代终止后,两次采样周期的功率采样值,ΔP为功率变化阈值。
在判断结果为否的情况下,持续保持所述输出电压为得到的全局最优粒子位置的电压;在判断结果为是的情况下,则返回1)步骤,重新开始新一轮的多峰最大功率点跟踪。
本发明实施例如下:
如图2所示,光伏阵列仿采用的5×2光伏阵列,如图3所示,基于Boost电路的最大功率点跟踪系统。仿真模型中,Ci取200μF,Co取90μF,L取0.15mH,RL取120Ω,Boost电路的开关频率取为50kHz。
仿真模型中各个组件的参数采用MSX-60的参数:短路电流Isc=3.8A,开路电压Uoc=21.1V,最大功率点电流Im=3.5A,最大功率点电压Um=17.1V。参考光照为1000W/m2,参考温度为25℃。光伏阵列有两个串联支路S1和S2,S1支路的光伏板光照分别为[1000,800,600,400,200]W/m2,S2支路的光伏板光照分别为[900,900,700,300,200]W/m2。光伏阵列与串联支路的特征曲线如图4和5所示,可以看出在遮蔽情况下其特征曲线均呈现多峰。
从图4可以看出每个串联支路的电流I都是随着电压U递减的;对于光伏阵列来说其电流I也是随着光伏阵列的电压U递减的。对应到P-U曲线上任意电压a对应的电流为(a,P(a))到原点(0,0)的连线的斜率,即I(a)=P(a)/a。对于在P-U曲线上任意区间[a,b],a和b对应的适应值分别为P(a)和P(b),对任意x属于(a,b]则有
所以,[a,b]区间上a点对应的电流值最大,对于P-U曲线上任意两点a与b,可以严格的给出此区间的最大值的范围。[a,b]内的最大值得估计范围为[max{P(a),P(b)},bP(a)/a]。
所述的领地式迭代方式中,领地粒子群算法在初始化时,将整个搜索区域分封给3个粒子,每个粒子被赋予领地属性,即每个粒子迭代信息包括自己的位置以及自己的领地位置,左边界为粒子位置。如图6所示,搜索区域内有x1、x2和x33个粒子,它们的领地分别为[a,b)、[b,c)和[c,Uocar);x2是当前最优粒子,[b,c)是当前最优粒子领地。经过电压区间估计策略判断,x1的领地[a,b)内有可能产生等于或优于全局最优粒子,所以放弃领地内不可能产生优于全局最优粒子的部分[a,a’),下一代x1的位置变为a’,领地更新为[a’,b);经过电压区间估计策略判断,x3的领地[c,Uocar)所能产生的最优可能值无法超越全局最优粒子,所以放弃自己的领地内,并飞向全局最优粒子的领地,从中分得新的领地[c’,c),下一代x3的位置变为c’,全局最优粒子领地更新为[b,c’)。
所述领地式迭代策略在前期采用基于领地式迭代策略,无需过多粒子,取3个粒子即可。追踪的范围为0-Uocar,为了避免策略短路电流,TPSO将追踪范围设定为1-Uocar。3个粒子的初始位置分别为1、Uocar/3和2Uocar/3;初始领地分别为[1,Uocar/3)、[Uocar/3,2Uocar/3)和[2Uocar/3,Uocar)。
所述领地式迭代策略在后期,尤其在GMPP附近,虽然可以提高精度但却会降低追踪速度。因此,当粒子间的最大距离dmax<0.2Uocar时,所有粒子失去领地属性,按照原始粒子群的迭代方式进行迭代。当所有粒子间的最大距离dmax<0.01Uocar,停止迭代,保持光伏阵列电压工作在全局最优粒子所对应的电压处。
为了验证改进粒子群算法的快速性和有效性,本文使用PSO和TPSO分别在3种不同的光照模式下进行追踪仿真实验。
使用图3所示的基于Boost电路的最大功率点跟踪系统,系统中光伏阵列采用图1中所示的5×2光伏阵列。仿真模型中,Ci取200μF,Co取90μF,L取0.15mH,RL取120Ω,Boost电路的开关频率取为50kHz。
原始PSO中,为了保证能够搜索到全局搜索能力,粒子数目设为5(与光伏阵列中串联光伏模块数相同),它们的初始位置依次设为0.8Uoc、1.8Uoc、2.8Uoc、3.8Uoc和4.8Uoc(Uoc为光伏板标准测试条件下的单块开路电压),w=0.2,c1=0.2,c2=0.35,最大限制速度为5,当粒子间的最大电压差值dmax<0.01Uocar,停止迭代;TPSO中粒子数目为3,初始位置分别为1、Uocar/3和2Uocar/3;初始领地分别为[1,Uocar/3)、[Uocar/3,2Uocar/3)和[2Uocar/3,Uocar)。w=0.2,c1=0.2,c2=0.35,最大限制速度为5,当粒子间的最大电压差值dmax<0.01Uocar停止迭代。
光照模式1:
在光照模式1下,两个支路均只有1个光照等级,串联支路S1和S2的光照均为[1000,1000,1000,1000,1000]W/m2,环境温度为25℃。光伏阵列的P-U特性曲线如图7所示,只有1个峰,即全局最大功率点,位置为(85.72V,598.50W)。PSO和TPSO的追踪曲线如图8和图9所示,可以看出PSO需要大约1.30s才能够收敛找到全局最大功率点。而TPSO算法只需要0.38s,追踪时间仅仅是PSO的29.23%。
光照模式2:
在光照模式2下,两个支路均为3个光照等级,串联支路S1和S2的光照分别为[1000,1000,750,300,300]W/m2和[950,950,600,250,250]W/m2,环境温度为25℃。光伏阵列的P-U特性曲线如图10所示,具有3个峰,位置依次为(31.78V,216.01W)、(51.40V,256.10W)和(86.42V,175.80W);全局最大功率点为(51.40V,256.10W)。两种算法追踪曲线如图11和图12所示,可以看出PSO需要大约1.30s才能够收敛找到全局最大功率点。而TPSO只需要0.38s,追踪时间仅仅是PSO的29.23%。
光照模式3:
光照模式3是最复杂的模式,两个支路均为5个光照等级,串联支路S1和S2的光照分别为[1000,750,500,300,200]W/m2和[1000,800,600,400,250]W/m2,环境温度为25℃。光伏阵列的P-U特性曲线如图13所示,具有5个峰,位置依次为(14.30V,99.55W)、(32.17V,180.50W)、(51.34V,206.45W)、(70.39V,181.90W)和(88.54V,148.51W);全局最大功率点为(51.34V,206.45W)。两种算法追踪曲线如图14和15所示,可以看出PSO需要大约1.60s才能够收敛找到全局最大功率点。而TPSO只需要0.50s,追踪时间仅仅是PSO的31.25%。
以上仅为本发明的具体实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、同等替换、改进等所,皆应属本发明的涵盖范围。
Claims (1)
1.一种基于领地粒子群的光伏多峰最大功率点追踪方法,包括以下步骤:
1)调节PWM的占空比为0,得到Boost电路的输出电压Uocar。
2)设定粒子群数目为3,所述粒子的初始位置分别为1、Uocar/3和2Uocar/3;所述粒子的初始领地分别为[1,Uocar/3)、[Uocar/3,2Uocar/3)和[2Uocar/3,Uocar);
3)计算所述每个粒子的适应值,根据所得适应值重新判断并选择全局最优粒子和全局最优粒子领地;
4)确定所述粒子领地内的最大值估计范围,方法如下:选取光伏阵列的P-U曲线上任意两点a与b,则范围[a,b]内的最大值的估计范围为[max{P(a),P(b)},bP(a)/a];
5)判断所述最大值估计范围包含全局最优粒子的适应值条件是否成立,在判断结果为是的情况下,该粒子会主动放弃领地内不可能产生优于全局最优粒子的部分,更新自己的领地边界;在判断结果为否的情况下,该所述粒子将放弃自己的领地,并与全局最优粒子均分全局最优粒子领地,然后所述全局最优粒子更新其领地边界;
6)判断粒子间的最大距离dmax小于0.02Uocar条件是否成立,在判断结果为否的情况下,返回4)步骤;在判断结果为是的情况下,所有所述粒子失去自己所属领地,按照原始粒子群的迭代方式进行迭代,即通过两个极值点来更新自己的位置,第1个极值点是当前时刻为止粒子自身找到的最优解,第2个极值点是当前时刻为止整个粒子群找到的最优解;其中第k+1次迭代寻找最优解的第i个粒子速度和位置更新方程满足下式:
式中,代表k+1次迭代计算中第i个粒子速度;第k代表迭代次数,ω是惯性权重,c1、c2是正常数,分别用于调整个体经验和群体经验的比重;r1、r2为(0,1)之间的随机数;Pbest代表粒子群内最有解;Gbest代表全局最优解;代表k+1次迭代计算中第i个粒子的位置;代表k次迭代计算中第i个粒子的位置;
7)计算各个所述粒子适应值,重新判断并选择全局最优粒子;
8)判断所述粒子间的最大距离dmax小于0.01Uocar条件是否成立,在判断结果为否的情况下,返回6)步骤按照原始粒子群的迭代方式进行迭代,评估各个所述粒子适应值,并更新全局最优粒子;在判断结果为是的情况下,进入下一步;
9)保持输出电压为得到的全局最优粒子位置的电压,判断环境是否发生突变,所述判断环境发生突变的公式如下所示:
式中:P'和P分别为迭代终止后,两次采样周期的功率采样值,ΔP为功率变化阈值;
在判断结果为否的情况下,持续保持所述输出电压为得到的全局最优粒子位置的电压;在判断结果为是的情况下,则返回1)步骤,重新开始新一轮的多峰最大功率点跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038664.1A CN109144163B (zh) | 2018-09-06 | 2018-09-06 | 一种基于领地粒子群的光伏多峰最大功率点追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038664.1A CN109144163B (zh) | 2018-09-06 | 2018-09-06 | 一种基于领地粒子群的光伏多峰最大功率点追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144163A true CN109144163A (zh) | 2019-01-04 |
CN109144163B CN109144163B (zh) | 2020-01-07 |
Family
ID=64827434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038664.1A Expired - Fee Related CN109144163B (zh) | 2018-09-06 | 2018-09-06 | 一种基于领地粒子群的光伏多峰最大功率点追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144163B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338420A (zh) * | 2020-03-26 | 2020-06-26 | 西安电子科技大学 | 一种模拟空间太阳能电站的功率寻优控制方法 |
CN115437452A (zh) * | 2022-09-13 | 2022-12-06 | 美世乐(广东)新能源科技有限公司 | 一种基于粒子群的多峰值最大功率追踪的控制方法 |
CN115857615A (zh) * | 2023-03-02 | 2023-03-28 | 锦浪科技股份有限公司 | 一种改进的光伏mppt控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092250A (zh) * | 2013-01-09 | 2013-05-08 | 上海电力学院 | 部分阴影条件下光伏最大功率点跟踪的复合控制方法 |
US20140077785A1 (en) * | 2012-09-18 | 2014-03-20 | National Taiwan University | Method and device for maximum power point tracking of photovoltaic module systems |
US9397501B2 (en) * | 2013-09-09 | 2016-07-19 | Mitsubishi Electric Research Laboratories, Inc. | Maximum power point tracking for photovoltaic power generation system |
CN105930918A (zh) * | 2016-04-11 | 2016-09-07 | 北京交通大学 | 应用于多峰mppt的整体分布-粒子群优化算法 |
CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
CN108170200A (zh) * | 2018-01-03 | 2018-06-15 | 南京航空航天大学 | 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法 |
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 |
-
2018
- 2018-09-06 CN CN201811038664.1A patent/CN109144163B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140077785A1 (en) * | 2012-09-18 | 2014-03-20 | National Taiwan University | Method and device for maximum power point tracking of photovoltaic module systems |
CN103092250A (zh) * | 2013-01-09 | 2013-05-08 | 上海电力学院 | 部分阴影条件下光伏最大功率点跟踪的复合控制方法 |
US9397501B2 (en) * | 2013-09-09 | 2016-07-19 | Mitsubishi Electric Research Laboratories, Inc. | Maximum power point tracking for photovoltaic power generation system |
CN105930918A (zh) * | 2016-04-11 | 2016-09-07 | 北京交通大学 | 应用于多峰mppt的整体分布-粒子群优化算法 |
CN106202914A (zh) * | 2016-07-07 | 2016-12-07 | 国网青海省电力公司 | 基于改进粒子群算法的光伏电池参数辨识方法 |
CN108170200A (zh) * | 2018-01-03 | 2018-06-15 | 南京航空航天大学 | 基于动态惯性权重和多阈值重启条件的改进粒子群mppt算法 |
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 |
Non-Patent Citations (2)
Title |
---|
张贵涛等: "光伏系统中全局最大功率点的优化", 《中南大学学报(自然科学版)》 * |
石季英等: "基于改进PSO算法的光伏阵列MPPT研究", 《电气传动》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338420A (zh) * | 2020-03-26 | 2020-06-26 | 西安电子科技大学 | 一种模拟空间太阳能电站的功率寻优控制方法 |
CN111338420B (zh) * | 2020-03-26 | 2021-10-22 | 西安电子科技大学 | 一种模拟空间太阳能电站的功率寻优控制方法 |
CN115437452A (zh) * | 2022-09-13 | 2022-12-06 | 美世乐(广东)新能源科技有限公司 | 一种基于粒子群的多峰值最大功率追踪的控制方法 |
CN115857615A (zh) * | 2023-03-02 | 2023-03-28 | 锦浪科技股份有限公司 | 一种改进的光伏mppt控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109144163B (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmad et al. | Power tracking techniques for efficient operation of photovoltaic array in solar applications–A review | |
Javed et al. | A novel MPPT design using generalized pattern search for partial shading | |
Kheldoun et al. | A new Golden Section method-based maximum power point tracking algorithm for photovoltaic systems | |
Muthuramalingam et al. | Comparative analysis of distributed MPPT controllers for partially shaded stand alone photovoltaic systems | |
CN109144163A (zh) | 一种基于领地粒子群的光伏多峰最大功率点追踪方法 | |
Pal et al. | Metaheuristic based comparative MPPT methods for photovoltaic technology under partial shading condition | |
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 | |
Manna et al. | Design and implementation of a new adaptive MPPT controller for solar PV systems | |
Shi et al. | Moth-flame optimization-based maximum power point tracking for photovoltaic systems under partial shading conditions | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
CN114706445B (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
CN116306303A (zh) | 一种基于改进哈里斯鹰优化算法的光伏阵列重构方法 | |
CN109270981B (zh) | 一种基于改进型萤火虫算法的光伏阵列mppt控制方法 | |
de Dieu Nguimfack-Ndongmo et al. | Nonlinear neuro-adaptive MPPT controller and voltage stabilization of PV Systems under real environmental conditions | |
Nguyen et al. | A new maximum power point tracking algorithm for the photovoltaic power system | |
Ashique et al. | An adaptive P&O MPPT using a sectionalized piece-wise linear PV curve | |
Gupta et al. | Modified artificial wolf pack method for maximum power point tracking under partial shading condition | |
CN111338420B (zh) | 一种模拟空间太阳能电站的功率寻优控制方法 | |
Ahmad et al. | Neural network based robust nonlinear GMPPT control approach for partially shadow conditions of solar energy system | |
CN116578830A (zh) | 一种基于改进海洋捕食者算法的光伏阵列重构方法 | |
Zambre | Performance Analysis of Positive Lift LUO Converter | |
CN110058635A (zh) | 基于改进粒子群算法与模糊算法相结合的mppt方法 | |
Yan et al. | MPPT control technology based on the GWO-VINC algorithm | |
CN108549456B (zh) | 基于飞蛾扑火算法的光伏阵列mppt控制方法 | |
Liu et al. | Determining optimal membership functions of a FLC-based MPPT algorithm using the particle swarm optimization method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200107 Termination date: 20200906 |