CN109508061A - 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 - Google Patents
一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 Download PDFInfo
- Publication number
- CN109508061A CN109508061A CN201811614384.0A CN201811614384A CN109508061A CN 109508061 A CN109508061 A CN 109508061A CN 201811614384 A CN201811614384 A CN 201811614384A CN 109508061 A CN109508061 A CN 109508061A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic system
- army
- soldier
- djoa
- maximal power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000008707 rearrangement Effects 0.000 claims description 5
- 101000911390 Homo sapiens Coagulation factor VIII Proteins 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000007123 defense Effects 0.000 claims description 3
- 102000057593 human F8 Human genes 0.000 claims description 3
- 229940047431 recombinate Drugs 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000004044 response Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000792859 Enema Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 239000007920 enema Substances 0.000 description 1
- 229940095399 enema Drugs 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000000829 suppository Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
本发明实施例公开了一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,包括如下步骤:S100、建立局部遮光条件下的光伏系统最大功率跟踪优化模型;S200、将光伏系统接收的光照强度、环境温度和光伏系统初始电压输入基于DJOA的最大功率跟踪器中;S300、基于DJOA的最大功率跟踪器不断执行民主军队联合作战算法,并输出相应的占空比;S400、所得占空比经过脉冲宽度调制后进入绝缘栅双极型晶体管,调节光伏系统输出电压并反馈至基于民主军队联合作战算法的最大功率跟踪器中;S500、不断经过步骤S300和步骤S400,直到满足收敛条件,输出最优占空比,得到最优光伏系统输出电压以及对应的全局最大功率点,具有控制成本低、追踪时间短、追踪精度高的特点。
Description
技术领域
本发明涉及光伏放电系统技术领域,尤其涉及一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法。
背景技术
随着环境污染的日趋严重,太阳能作为一种绿色能源,在电力系统中的地位变得越来越重要,光伏系统的最大功率追踪控制是为了能最大限度地获取光能,使其持续获得最大功率,但是由于光伏阵列覆盖的表面积很大,其可能暴露于不同强度的光照强度下,这种现象称作局部遮光条件,当出现局部遮光条件时,光伏系统将会出现多个局部最大功率点,如图3和图4所示,如果光伏系统没有运行在全局最大功率点,就会导致大量太阳能被浪费掉。
最大功率点跟踪在光伏系统中占据着重要地位,目前,最大功率点跟踪技术中比较成熟且应用最为广泛的主要是基于扰动自寻优的方法,如扰动观察法、电导增量法等,但这些方法由于自身的局限性,使得其跟踪过程存在精度不高、响应时间长、适应性差、容易陷入局部最大功率点等缺点,造成了一定程度的能源浪费。
发明内容
本发明实施例公开了一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,具有控制成本低、追踪时间短、追踪精度高的特点,且能有效的解决背景技术提出的问题。
本发明实施例提供了一种一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,包括如下步骤:
S100、建立在局部遮光条件下的光伏系统最大功率跟踪优化模型;
S200、将光伏系统所接收的光照强度S1、S2、S3,环境温度T1、T2、T3以及光伏系统初始电压输入基于民主军队联合作战算法的最大功率跟踪器中;
S300、基于步骤S100中的光伏系统最大功率跟踪优化模型,基于民主军队联合作战算法的最大功率跟踪器不断执行民主军队联合作战算法,并输出相应的占空比;
S400、所得占空比经过脉冲宽度调制后进入绝缘栅双极型晶体管,调节光伏系统输出电压并反馈至基于民主军队联合作战算法的最大功率跟踪器中;
S500、不断经过步骤S300和步骤S400,直到满足收敛条件,输出最优占空比,得到最优光伏系统输出电压以及对应的全局最大功率点。
进一步地,所述步骤S100中,局部遮光条件下的光伏系统最大功率跟踪优化模型描述为:
式中,F(VPV)表示目标函数;Vpv是光伏系统的输出电压;IPV是光伏系统的输出电流;Pout是光伏系统的有功功率;分别是光伏系统的最小和最大输出电压。
进一步地,所述步骤S300中,基于民主军队联合作战算法的最大功率跟踪器执行民主军队联合作战算法的算法执行步骤还包括如下步骤:
S301、初始化
把光伏系统运行范围内,所有可能的光伏系统输出电压均看作士兵,对每个士兵的位置进行初始化,然后将所有士兵划分为K支军队,每支军队拥有M个士兵,第k支军队的第m个士兵的位置记作其中m=1,2,…,M,k=1,2,…,K,士兵的第d维位置表示为
式中,函数rand[0,1]表示均匀分布于[0,1]范围内的随机数;Rd和Ld分别表示xd的初始上界和下界;
S302、确定指挥官、军官和副官
基于光伏系统最大功率跟踪优化模型,计算每个士兵的适应度函数f(m),然后确定军队的指挥官和每支军队的军官、副官,其中,军官的位置用矢量表示为指挥官的位置用矢量表示为
S303、全局搜索
指挥官领导下,军队中的士兵根据下式更新其位置:
Pt=|cos(t×F×π′)|
式中,是指挥官的第d维位置;而表示第k个军队军官的第d维位置;t=(1,2,...,T)为当前迭代次数;T表示最大允许迭代次数;Pt为一动态的周期性参数用以调整全局搜索与局部探索之间的平衡;F为余弦函数频率。
非指挥官领导下,军队中的士兵根据下式更新其位置:
S304、局部搜索
定义第k个军队中第m个士兵的防御位置则士兵防御位置更新如下:
式中,为第k个军队中第m个士兵的第d维防御位置,分别表示两名副官的第d维位置;表示一个期望值为0、标准差为的高斯分布中的随机数;drand代表随机维度,其中drand∈{1,2,…,D},D为空间维度个数。
每个士兵的新位置由当前位置和防御位置的适应度函数进行对比后更新,即:
S305、结构重组
所有士兵按适应度由小到大进行排序,
Yk=[(D(m)kf(m)k|D(m)k=D(K+N(m-1)))]
f(m)k=f(k+N(m-1)),m=1,...,M;k=1,...,K
式中,集合{D(i),f(i),i=1,...,N}是所有士兵按适应度由小到大排列的位置与其对应的适应度函数,其中i=1表示具有最佳位置的士兵,M为每支军队的人数,K代表军队的数量,N=M*K为所有军队的总人数;
随后将N个士兵分成K个军队,开始重组,重组规则为第一个士兵进入第一个军队,第K个士兵进入第K个军队,而第K+1个士兵进入第一个军队,依此类推;
S306、求解光伏系统最大功率跟踪优化模型
采用民主军队联合作战算法求解光伏系统最大功率跟踪优化模型,得到本次迭代F(VPV)k的值,输出本次迭代的占空比;
S307、判断民主军队联合作战算法是否收敛
如果满足收敛条件|F(VPV)k-F(VPV)k-1|≤ε,则输出此时的最优占空比;若不满足收敛条件,则从步骤S302步开始重复执行,直到满足条件为止。
进一步地,所述步骤S302中,指挥官是所有军队中适应度函数最小的士兵;军官是每支军队中适应度函数最小的士兵;副官是每支军队中除军官外适应度函数最小的两个士兵。
进一步地,所述步骤S305中,最佳位置的士兵即适应度函数值最小。
进一步地,所述步骤S200中,模拟的光照强度S1、S2、S3分别为1000W/m2、200W/m2和300W/m2。
从以上技术方案可以看出,本发明实施例具有以下优点:
(1)本发明通过采用DJOA,可以使光伏系统在局部遮光条件下快速、准确的完成全局最大功率跟踪控制;
(2)本发明的DJOA采用了全局搜索、局部探索和结构重组三种基本策略,从而大幅提高了搜索全局最大功率点的能力;其中,局部探索策略,可以提高局部探索的效率以减少有功功率波动;结构重组策略,可以大幅降低算法陷入局部最大功率点的概率;
(3)本发明通过光照强度、环境温度以及光伏系统初始电压即可完成对全局最大功率点的追踪控制,控制结构简单,避免了其它控制方法复杂的结构造成收敛性能差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的整体流程图;
图2为本发明的工作原理图;
图3为本发明局部遮光条件下光伏系统的P-V特性曲线图;
图4为本发明局部遮光条件下光伏系统的I-V特性曲线图;
图5为本发明在不同光照强度下,使用DJOA的光伏系统功率响应图;
图6为本发明在不同光照强度下,使用DJOA的光伏系统电压响应图;
图7为本发明温度不变,光照强度发生阶跃变化时,使用DJOA的光伏系统功率响应图;
图8为本发明温度不变,光照强度发生阶跃变化时,使用DJOA的光伏系统电压响应图;
图9为本发明当温度、光照强度均变化时,使用DJOA的光伏系统功率响应图;
图10为本发明当温度、光照强度均变化时,使用DJOA的光伏系系统电压响应图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,通过采用DJOA,能够使光伏系统最大功率跟踪器快速、准确的跟踪全局最大功率点,避免陷入局部最大功率点的情况,且相比较传统基于扰动自寻优的方法,提高了追踪精度、缩短了追踪时间,使得控制成本降低。
DJOA即Democratic Joint Operations Algorithm,是民主军队联合作战算法的英文缩写。
在本实施方式中,如图1和图2,该基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法的具体工作过程包括如下步骤:
S100、建立在局部遮光条件下的光伏系统最大功率跟踪优化模型;
S200、将光伏系统所接收的光照强度S1、S2、S3,环境温度T1、T2、T3以及光伏系统初始电压输入基于民主军队联合作战算法的最大功率跟踪器中;
S300、基于步骤S100中的光伏系统最大功率跟踪优化模型,基于民主军队联合作战算法的最大功率跟踪器不断执行民主军队联合作战算法,并输出相应的占空比;
S400、所得占空比经过脉冲宽度调制后进入绝缘栅双极型晶体管,调节光伏系统输出电压并反馈至基于民主军队联合作战算法的最大功率跟踪器中;
S500、不断经过步骤S300和步骤S400,直到满足收敛条件,输出最优占空比,得到最优光伏系统输出电压以及对应的全局最大功率点。
其中,在步骤S100中,建立在局部遮光条件下的光伏系统最大功率跟踪优化模型如下:
光伏系统最大功率跟踪可以通过调节光伏系统输出电压Vpv来实现,由于光伏系统的目标是获得最大有功功率,因此局部遮光条件下的光伏系统最大功率跟踪优化模型可以描述为:
式中,F(VPV)表示目标函数;Vpv是光伏系统的输出电压;IPV是光伏系统的输出电流;Pout是光伏系统的有功功率;分别是光伏系统的最小和最大输出电压。
在步骤S300中,基于民主军队联合作战算法的最大功率跟踪器执行民主军队联合作战算法的算法执行步骤还包括如下步骤:
S301、初始化
把光伏系统运行范围内,所有可能的光伏系统输出电压均看作士兵,对每个士兵的位置进行初始化,然后将所有士兵划分为K支军队,每支军队拥有M个士兵,第k支军队的第m个士兵的位置记作其中m=1,2,…,M,k=1,2,…,K,士兵的第d维位置表示为
式中,函数rand[0,1]表示均匀分布于[0,1]范围内的随机数;Rd和Ld分别表示xd的初始上界和下界;
S302、确定指挥官、军官和副官
基于光伏系统最大功率跟踪优化模型,计算每个士兵的适应度函数f(m),然后确定军队的指挥官和每支军队的军官、副官,其中,军官的位置用矢量表示为指挥官的位置用矢量表示为
指挥官是所有军队中适应度函数最小的士兵;军官是每支军队中适应度函数最小的士兵;副官是每支军队中除军官外适应度函数最小的两个士兵。
S303、全局搜索
指挥官领导下,军队中的士兵根据下式更新其位置:
Pt=|cos(t×F×π′)|
式中,是指挥官的第d维位置;而表示第k个军队军官的第d维位置;t=(1,2,...,T)为当前迭代次数;T表示最大允许迭代次数;Pt为一动态的周期性参数用以调整全局搜索与局部探索之间的平衡;F为余弦函数频率。
非指挥官领导下,军队中的士兵根据下式更新其位置:
S304、局部搜索
定义第k个军队中第m个士兵的防御位置则士兵防御位置更新如下:
式中,为第k个军队中第m个士兵的第d维防御位置,分别表示两名副官的第d维位置;表示一个期望值为0、标准差为的高斯分布中的随机数;drand代表随机维度,其中drand∈{1,2,…,D},D为空间维度个数。
每个士兵的新位置由当前位置和防御位置的适应度函数进行对比后更新,即:
S305、结构重组
所有士兵按适应度由小到大进行排序,
Yk=[(D(m)kf(m)k|D(m)k=D(K+N(m-1)))]
f(m)k=f(k+N(m-1)),m=1,…,M;k=1,...,K
式中,集合{D(i),f(i),i=1,...,N}是所有士兵按适应度由小到大排列的位置与其对应的适应度函数,其中i=1表示具有最佳位置的士兵,M为每支军队的人数,K代表军队的数量,N=M*K为所有军队的总人数;
其中,最佳位置的士兵即适应度函数值最小;
随后将N个士兵分成K个军队,开始重组,重组规则为第一个士兵进入第一个军队,第K个士兵进入第K个军队,而第K+1个士兵进入第一个军队,依此类推;
S306、求解光伏系统最大功率跟踪优化模型
采用民主军队联合作战算法求解光伏系统最大功率跟踪优化模型,得到本次迭代F(VPV)k的值,输出本次迭代的占空比;
S307、判断民主军队联合作战算法是否收敛
如果满足收敛条件|F(VPV)k-F(VPV)k-1|≤ε,则输出此时的最优占空比;若不满足收敛条件,则从步骤S302步开始重复执行,直到满足条件为止。
结合图5至图10,对本发明作进一步说明:
将本发明提出的民主军队联合作战算法与目前最大功率跟踪控制常用的增量电导法(Incremental Conductance,INC)、遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)在三种不同工况下进行仿真对比,仿真结果如下:
实施例一:
模拟三个光伏阵列的光照强度分别为1000W/m2,200W/m2和300W/m2,从图5和图6可见,INC陷入了局部最大功率点,其它的启发式算法则能有效搜索到全局最大功率点,其中DJOA搜索速度最快,同时搜索过程最为平稳。
实施例二:
保持温度在25℃不变,模拟在光伏阵列上施加四个连续阶跃的光照强度变化,从图7和图8可见,INC依旧陷入了局部最大功率点,DJOA相较于其它启发式算法,能快速稳定地搜索到全局最大功率点。
实施例三:
在0至5s时间内,模拟光照强度和温度均呈斜坡变化,从图9和图10可见,INC再次陷入局部最大功率点,DJOA则能最快速地搜索到全局最大功率点并具有最小的功率波动。
以上对本发明所提供的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:包括如下步骤:
S100、建立在局部遮光条件下的光伏系统最大功率跟踪优化模型;
S200、将光伏系统所接收的光照强度S1、S2、S3,环境温度T1、T2、T3以及光伏系统初始电压输入基于民主军队联合作战算法的最大功率跟踪器中;
S300、基于步骤S100中的光伏系统最大功率跟踪优化模型,基于民主军队联合作战算法的最大功率跟踪器不断执行民主军队联合作战算法,并输出相应的占空比;
S400、所得占空比经过脉冲宽度调制后进入绝缘栅双极型晶体管,调节光伏系统输出电压并反馈至基于民主军队联合作战算法的最大功率跟踪器中;
S500、不断经过步骤S300和步骤S400,直到满足收敛条件,输出最优占空比,得到最优光伏系统输出电压以及对应的全局最大功率点。
2.根据权利要求1所述的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:所述步骤S100中,局部遮光条件下的光伏系统最大功率跟踪优化模型描述为:
式中,F(VPV)表示目标函数;Vpv是光伏系统的输出电压;IPV是光伏系统的输出电流;Pout是光伏系统的有功功率;分别是光伏系统的最小和最大输出电压。
3.根据权利要求1所述的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:所述步骤S300中,基于民主军队联合作战算法的最大功率跟踪器执行民主军队联合作战算法的算法执行步骤还包括如下步骤:
S301、初始化
把光伏系统运行范围内,所有可能的光伏系统输出电压均看作士兵,对每个士兵的位置进行初始化,然后将所有士兵划分为K支军队,每支军队拥有M个士兵,第k支军队的第m个士兵的位置记作其中m=1,2,…,M,k=1,2,…,K,士兵的第d维位置表示为
式中,函数rand[0,1]表示均匀分布于[0,1]范围内的随机数;Rd和Ld分别表示xd的初始上界和下界;
S302、确定指挥官、军官和副官
基于光伏系统最大功率跟踪优化模型,计算每个士兵的适应度函数f(m),然后确定军队的指挥官和每支军队的军官、副官,其中,军官的位置用矢量表示为指挥官的位置用矢量表示为
S303、全局搜索
指挥官领导下,军队中的士兵根据下式更新其位置:
Pt=|cos(t×F×π)|
式中,是指挥官的第d维位置;而表示第k个军队军官的第d维位置;t=(1,2,...,T)为当前迭代次数;T表示最大允许迭代次数;Pt为一动态的周期性参数用以调整全局搜索与局部探索之间的平衡;F为余弦函数频率。
非指挥官领导下,军队中的士兵根据下式更新其位置:
S304、局部搜索
定义第k个军队中第m个士兵的防御位置则士兵防御位置更新如下:
式中,为第k个军队中第m个士兵的第d维防御位置,分别表示两名副官的第d维位置;表示一个期望值为0、标准差为的高斯分布中的随机数;drand代表随机维度,其中drand∈{1,2,…,D},D为空间维度个数。
每个士兵的新位置由当前位置和防御位置的适应度函数进行对比后更新,即:
S305、结构重组
所有士兵按适应度由小到大进行排序,
Yk=[(D(m)kf(m)k|D(m)k=D(K+N(m-1)))]
f(m)k=f(k+N(m-1)),m=1,...,M;k=1,...,K
式中,集合{D(i),f(i),i=1,...,N}是所有士兵按适应度由小到大排列的位置与其对应的适应度函数,其中i=1表示具有最佳位置的士兵,M为每支军队的人数,K代表军队的数量,N=M*K为所有军队的总人数;
随后将N个士兵分成K个军队,开始重组,重组规则为第一个士兵进入第一个军队,第K个士兵进入第K个军队,而第K+1个士兵进入第一个军队,依此类推;
S306、求解光伏系统最大功率跟踪优化模型
采用民主军队联合作战算法求解光伏系统最大功率跟踪优化模型,得到本次迭代F(VPV)k的值,输出本次迭代的占空比;
S307、判断民主军队联合作战算法是否收敛
如果满足收敛条件|F(VPV)k-F(VPV)k-1|≤ε,则输出此时的最优占空比;若不满足收敛条件,则从步骤S302步开始重复执行,直到满足条件为止。
4.根据权利要求3所述的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:所述步骤S302中,指挥官是所有军队中适应度函数最小的士兵;军官是每支军队中适应度函数最小的士兵;副官是每支军队中除军官外适应度函数最小的两个士兵。
5.根据权利要求3所述的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:所述步骤S305中,最佳位置的士兵即适应度函数值最小。
6.根据权利要求1所述的一种基于DJOA的局部遮光条件下光伏系统最大功率跟踪方法,其特征在于:所述步骤S200中,模拟的光照强度S1、S2、S3分别为1000W/m2、200W/m2和300W/m2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614384.0A CN109508061A (zh) | 2018-12-27 | 2018-12-27 | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811614384.0A CN109508061A (zh) | 2018-12-27 | 2018-12-27 | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508061A true CN109508061A (zh) | 2019-03-22 |
Family
ID=65755534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811614384.0A Pending CN109508061A (zh) | 2018-12-27 | 2018-12-27 | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508061A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110362148A (zh) * | 2019-07-19 | 2019-10-22 | 昆明理工大学 | 一种基于人工蜂群算法的阴影条件下光伏系统最大功率跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484026A (zh) * | 2016-11-15 | 2017-03-08 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
CN108334152A (zh) * | 2018-01-18 | 2018-07-27 | 上海电力学院 | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 |
CN108594927A (zh) * | 2018-06-05 | 2018-09-28 | 湘潭大学 | 一种基于随机蛙跳全局搜索算法的局部阴影光伏阵列mppt控制 |
-
2018
- 2018-12-27 CN CN201811614384.0A patent/CN109508061A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484026A (zh) * | 2016-11-15 | 2017-03-08 | 北京信息科技大学 | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 |
CN108334152A (zh) * | 2018-01-18 | 2018-07-27 | 上海电力学院 | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 |
CN108594927A (zh) * | 2018-06-05 | 2018-09-28 | 湘潭大学 | 一种基于随机蛙跳全局搜索算法的局部阴影光伏阵列mppt控制 |
Non-Patent Citations (1)
Title |
---|
BO YANG 等: "Democratic joint operations algorithm for optimal power extraction of PMSG based wind energy conversion system", 《ENERGY CONVERSION MANAGEMENT》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110362148A (zh) * | 2019-07-19 | 2019-10-22 | 昆明理工大学 | 一种基于人工蜂群算法的阴影条件下光伏系统最大功率跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | DMPPT control of photovoltaic microgrid based on improved sparrow search algorithm | |
Farajdadian et al. | Optimization of fuzzy-based MPPT controller via metaheuristic techniques for stand-alone PV systems | |
Yang et al. | PV arrays reconfiguration for partial shading mitigation: Recent advances, challenges and perspectives | |
Hu et al. | An improved particle swarm optimization algorithm suitable for photovoltaic power tracking under partial shading conditions | |
Taheri et al. | A novel maximum power point tracking control of photovoltaic system under partial and rapidly fluctuating shadow conditions using differential evolution | |
Guenounou et al. | Adaptive fuzzy controller based MPPT for photovoltaic systems | |
CN108398982B (zh) | 一种局部阴影下光伏阵列的最大功率跟踪方法 | |
CN108334152A (zh) | 一种局部阴影下光伏阵列最大功率点预测优化控制方法 | |
CN109697299A (zh) | 一种自适应惯性权重混沌粒子群算法 | |
CN110794917B (zh) | 基于改进天牛须搜索算法的最大功率点跟踪的方法 | |
Yuan et al. | MPPT of PV system under partial shading condition based on adaptive inertia weight particle swarm optimization algorithm | |
CN113471989B (zh) | 基于灰狼优化法的微电网智能二次频率控制方法 | |
CN110362148A (zh) | 一种基于人工蜂群算法的阴影条件下光伏系统最大功率跟踪方法 | |
Arabi Nowdeh et al. | A new hybrid moth flame optimizer-perturb and observe method for maximum power point tracking in photovoltaic energy system | |
CN114706445B (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
CN108646849A (zh) | 基于改进狼群算法的光伏发电系统最大功率点跟踪方法 | |
CN109508061A (zh) | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 | |
Zheng et al. | Deep reinforcement learning based active disturbance rejection load frequency control of multi-area interconnected power systems with renewable energy | |
Diab et al. | A novel hybrid optimization algorithm for maximum power point tracking of partially shaded photovoltaic systems | |
CN116992777A (zh) | 一种元启发式改进沙猫群优化算法的局部阴影阵列mppt方法 | |
CN116581774A (zh) | 一种混合储能系统参与agc调频的优化及控制方法 | |
WO2023095044A1 (en) | A method for maximising the energy output of renewable energy sources | |
CN116154840A (zh) | 一种智能工业厂区多能源优化调节方法及设备 | |
CN105470976A (zh) | 一种稳态条件下svc和tcsc的协调配置方法 | |
Xing et al. | A novel global FPPT strategy for PV system under partial shading condition |
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 |
Application publication date: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |