CN113342123B - 一种基于蝴蝶优化算法的mppt控制方法 - Google Patents

一种基于蝴蝶优化算法的mppt控制方法 Download PDF

Info

Publication number
CN113342123B
CN113342123B CN202110553195.2A CN202110553195A CN113342123B CN 113342123 B CN113342123 B CN 113342123B CN 202110553195 A CN202110553195 A CN 202110553195A CN 113342123 B CN113342123 B CN 113342123B
Authority
CN
China
Prior art keywords
butterfly
individual
optimal
algorithm
individuals
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.)
Active
Application number
CN202110553195.2A
Other languages
English (en)
Other versions
CN113342123A (zh
Inventor
郑旭彬
李梦达
梁智超
姚林萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202110553195.2A priority Critical patent/CN113342123B/zh
Publication of CN113342123A publication Critical patent/CN113342123A/zh
Application granted granted Critical
Publication of CN113342123B publication Critical patent/CN113342123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Control Of Electrical Variables (AREA)

Abstract

本发明涉及一种基于蝴蝶优化算法的MPPT控制方法，1)将占空比定义为蝴蝶个体，将蝴蝶浓度最高定义为最优蝴蝶个体；选取i只蝴蝶个体，选择迭代次数且初始化蝴蝶飞行的空间位置，输出占空比用来控制输出功率；2)当光伏阵列稳定运行，测量负载两端输出电压与流过负载输出电流；3)计算蝴蝶在t时刻下输出功率；4)引入余弦相似度筛选蝴蝶个体；5)比较各蝴蝶功率值，输出最佳占空比及最优功率值；6)更改蝴蝶算法步长；7)判断是否全部检测完毕，若是则输出并保持最优占空比，否则继续；8)判断外界光照强度是否发生突变，若是则重新执行MPPT，否则继续维持最优占空比。本发明具有提高MPPT收敛速度、提高太阳能利用率等优点。

Description

一种基于蝴蝶优化算法的MPPT控制方法
技术领域
本发明涉及太阳能发电技术领域，尤其是涉及一种基于蝴蝶优化算法的MPPT控制方法。
背景技术
传统的MPPT最大功率跟踪方法包括电导增量法、扰动观察法、恒定电压法、开路电压比例系数法等等。当出现光伏阵列出现局部阴影的状况时，运用传统的MPPT最大功率跟踪方法去追踪MPP点(Maximum Power Point，最大功率点)会陷入局部最优的情况，从而追踪不到最大功率点。因此为了解决此类问题，已经有学者运用智能算法去解决局部遮阴的问题，譬如灰狼优化算法、改进的粒子群算法、飞蛾扑火算法等等。
然而在局部遮阴的情况下，传统的MPPT算法并不能跳出具跳出局部最优从而找到最大功率点，即针对光伏阵列系统局部阴影条件下P-V曲线会出现多峰值的问题，运用传统的MPPT算法控制可能会出现误判，导致追踪不到MPP点，使得太阳能没被充分地利用。改进的灰狼算法虽然能有效地追踪全局的最大功率，但其实现算法比较复杂；鲸鱼算法虽然有强大的全局和局部的搜索能力，但其实现的函数比较复杂，并且容易陷入局部最优的情况。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于蝴蝶优化算法的MPPT控制方法。
本发明的目的可以通过以下技术方案来实现：
一种基于蝴蝶优化算法的MPPT控制方法，该方法包括如下步骤：
步骤一、将MPPT的占空比作为蝴蝶个体，将蝴蝶浓度最高的蝴蝶个体作为最优蝴蝶个体，选取i只蝴蝶个体，设定迭代次数并初始化蝴蝶飞行的空间位置。
步骤二、待光伏系统稳定运行，测量负载两端的输出电压与流过负载的输出电流。
步骤三、通过输出电流与输出电压计算第i只蝴蝶在t时刻下的输出功率。
步骤四、引入余弦相似度进行蝴蝶个体筛选。
步骤五、对经过步骤四处理的各蝴蝶个体进行功率值比较，从而对蝴蝶最优个体进行保留与更新，并输出最佳占空比及最优功率值。
步骤六、更改蝴蝶算法的步长；具体表达式为：
Figure BDA0003076080260000021
式中，num为迭代次数，step为步长。
步骤七、判断所有蝴蝶是否全部被检测完毕且迭代次数满足收敛条件，若是，则输出并保持最优的占空比，从而控制MOSFET的开关状态，否则继续进行检测及迭代，直至满足要求。
步骤八、判断外界光照强度是否发生突变，若是则重新执行MPPT，否则继续维持最优占空比。
步骤四的具体内容为：
41)将当前蝴蝶个体
Figure BDA0003076080260000022
与当前输出最大功率的蝴蝶个体
Figure BDA0003076080260000023
进行余弦相似度计算，构建蝴蝶飞行向量，并设定阈值，若当前蝴蝶个体的余弦相似度高于此阈值，则对当前蝴蝶个体进行位置更新。对当前蝴蝶个体进行位置更新的具体更新公式为：
Figure BDA0003076080260000024
Figure BDA0003076080260000025
Figure BDA0003076080260000026
Figure BDA0003076080260000027
Figure BDA0003076080260000028
式中，a、b为构建的蝴蝶向量个体；cos(a，b)为a与b之间的余弦相似度；
Figure BDA0003076080260000029
与
Figure BDA00030760802600000210
分别为蝴蝶个体
Figure BDA00030760802600000211
与蝴蝶个体
Figure BDA00030760802600000212
的适应度值大小，α为旋转因子，Rr为[-1,1]内的均匀分布的随机数，g*属于第n次迭代的适应度最优蝴蝶位置，δ为[0,1]的随机数。作为优选方式，迭代次数设定为二十次，δ取0.1。
42)更新后比较当前蝴蝶
Figure BDA00030760802600000213
与当前输出最大功率的蝴蝶个体
Figure BDA00030760802600000214
的适应度值，若当前蝴蝶个体
Figure BDA00030760802600000215
的适应度低于蝴蝶个体
Figure BDA00030760802600000216
的适应度，则将当前蝴蝶个体
Figure BDA00030760802600000217
进行剔除，将蝴蝶个体
Figure BDA0003076080260000031
保留；反之则将蝴蝶个体
Figure BDA0003076080260000032
剔除，保留当前蝴蝶个体
Figure BDA0003076080260000033
步骤五的具体内容为：
对经过步骤四处理的各蝴蝶个体进行功率值比较，若蝴蝶个体
Figure BDA0003076080260000034
的输出功率
Figure BDA0003076080260000035
相比于其他蝴蝶的香味浓度更大，则保留该蝴蝶个体，将该蝴蝶个体视为最优蝴蝶个体，即最佳占空比，并将其所在位置视为最优个体位置，从而获取最优功率值
Figure BDA0003076080260000036
相较于现有技术，本发明至少具有以下有益效果：
1)本发明方法运用改进的蝴蝶优化算法去代替传统的MPPT算法改进优化MPPT，对蝴蝶优化算法的步长大小进行了改进，使步长的大小随着迭代次数增加而减小，以此提高其收敛速度；
2)通过向传统蝴蝶优化算法中引入余弦相似度位置更新策略，可避免其在追寻最大功率点过程中陷入局部最优，以此能够提高其搜寻到最大功率点的能力，即能够使MPPT能够快速摆脱局部最优，找到全局最大功率点，提高了MPPT的跟踪精度、缓解了追踪的振荡大小，并提高了太阳能的利用率。
附图说明
图1为实施例中光伏的MPPT仿真模型图；
图2为实施例中光伏的MPPT的SIMULINK仿真模型图；
图3为实施例中基于蝴蝶优化算法的MPPT控制方法的流程示意图；
图4为实施例中遮阴下功率与电压的输出特性曲线；
图5为实施例中利用传统扰动观察法追踪最大功率点的仿真图；
图6为实施例中传统蝴蝶优化MPPT算法追踪最大功率点仿真图；
图7为实施例中多个光伏电池拓扑结构的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
因群体智能算法中的蝴蝶优化算法(BOA)公式较少且原理较易，为此，本发明提供一种基于蝴蝶优化算法的MPPT控制方法，该方法运用改进的蝴蝶优化算法去代替传统的MPPT算法可解决在局部阴影下的最大功率跟踪的问题。
对于MPPT，最大功率跟踪电路的升压模块选用传统的Boost拓扑电路。其在结构上包括了光伏阵列(PV Array)、输入电容、二极管、输出电容、MPPT控制器、开关管等元件。
1)光伏电池的数学模型：
以单体光伏电池为例，其等效电路的光伏电池输出电流可表示为：
Figure BDA0003076080260000041
Figure BDA0003076080260000042
式(1)中的Ipv为光生电流；Io为VT的反向饱和电流；q是电荷常系数(1.6×10-19C)；Rs和Rp为电阻；Tref为标准温度；Sref为标准光照强度。
2)仿真模型的搭建：
光伏阵列电池的参数设置为：开路电压Voc＝21.3V短路电流Isc＝4.47A，多峰值功率电流Imp＝3.17A，多峰值功率电压Vmp＝17.1V，仿真时间设置为2s；升压电路参数为电容C1＝2.7μF、电容C2＝25μF、电感L＝0.8mH、电阻R＝100Ω、MOSFET频率为0.1Mhz。具体仿真模型见图2。
根据光伏电池等效电路可知，其输出的伏安特性可用如下公式来表示：
Figure BDA0003076080260000043
依据式(3)可知，Ipv代表光电流；Id代表二极管的反向电流；Rv代表等效的串联电阻；Rvh代表等效并联电阻；K代表的是玻尔兹曼系数；T代表的光伏电池工作时候的温度；q代表的是电子电荷量。
而对于多个光伏电池，其拓扑图如图7所示，依据式(3)以及光伏板内部参数推得光伏组件输出的功率Ppv以及光伏组件的输出电压Upv的方程式：
Figure BDA0003076080260000044
式(4)中，
Figure BDA0003076080260000045
Uoc为开路电压的大小。
3)蝴蝶优化算法：
传统的蝴蝶优化算法是在2015年被提出来的一种新型的群体智能算法，其算法较少，便于理解。由于其结构特殊，该蝴蝶优化算法可跳出局部最优。假设每只蝴蝶都能产生浓度不同的香味，并且香味与适应性有相关联。蝴蝶在搜索的过程中会从一个位置移动到另外一个位置。每只蝴蝶都会将自身的香味远远地传给所有其他的蝴蝶上，因此构成了一个群体的社会知识网络。当蝴蝶在搜索的过程中会感受到从最优蝴蝶个体传来的香味，其会向着香味浓度最高的蝴蝶靠近，实现全局搜索，从而找到最优解。
蝴蝶产生香味、全局搜索、局部开采的公式如下：
f＝cIa  (5)
Figure BDA0003076080260000051
Figure BDA0003076080260000052
式(5)到式(7)：I为刺激强度；a是模态幂指数；c是蝴蝶感官因子；f为香味的感知强度；
Figure BDA0003076080260000053
是在迭代了t次后第i只蝴蝶的空间位置；
Figure BDA0003076080260000054
与
Figure BDA0003076080260000055
是随机的第j与第k只蝴蝶在迭代t次后的空间位置；
Figure BDA0003076080260000056
和
Figure BDA0003076080260000057
表示为同一个种群。
4)MPPT电路设计
本实施例以Boost升压电路为拓扑电路为例，其拓扑结构如图1所示。升压电路由电容C1与电容C2、二极管、电感、MOSFET管、电流传感器CM、电压传感器VM等等模块。其中电容C1是为了稳定电压；能将输出的电压范围更加广，为逆变端口提供合适的电压等级。
由图1得，MOSFET通断周期为时间T，导通时间为Ton，电路的电流为I1，关断时间为Toff，电流为I2，电感电压决定了电流的上升率：
Figure BDA0003076080260000058
由电流变化规律可联立：
Figure BDA0003076080260000059
Figure BDA00030760802600000510
T＝ton+toff  (11)
Figure BDA00030760802600000511
最后可得光伏电池输出电压与负载电压的关系式为：
Upv＝(1-D)Udc  (13)
实际操作过程中电子负载将负载电压固定，通过智能的MPPT算法来通过PWM来控制输出的MOSFET的占空比D，寻找最优电压V，便可以顺利追踪至光伏电池最大率。
基于此，本发明涉及一种基于蝴蝶优化算法的MPPT控制方法，该方法的主要涉及思路在于：1、对传统的蝴蝶优化算法的步长进行了改进；2、在传统蝴蝶优化算法中引入了余弦相似度位置更新策略。具体流程包括以下步骤：
S1：将占空比定义为蝴蝶个体，其占空比取值为[0,1]。将蝴蝶浓度最高(适应度最高)定义为最优蝴蝶个体。选取i只蝴蝶个体，迭代次数选择20次且初始化蝴蝶飞行的空间位置
Figure BDA0003076080260000061
输出的占空比用来控制输出功率的大小。
S2：待光伏阵列稳定运行时候，测量负载两端的输出电压Vpi与流过负载的电流Ipi。
S3：通过得到的输出电流与输出电压来算出第i只蝴蝶在t时刻下的输出功率
Figure BDA0003076080260000062
S4：将当前蝴蝶
Figure BDA0003076080260000063
个体与当前输出最大功率的蝴蝶
Figure BDA0003076080260000064
的余弦相似度进行计算。根据公式(15)构建蝴蝶飞行向量，并且依据式(16)计算余弦相似度值的大小，并且设置阈值C＝0.85。当前蝴蝶个体余弦相似度高于此阈值则按(17)与(18)公式进行位置更新。通过比较当前蝴蝶
Figure BDA0003076080260000065
与当前输出最大功率的蝴蝶个体
Figure BDA0003076080260000066
的适应度值，若当前蝴蝶
Figure BDA0003076080260000067
的适应度值低于
Figure BDA0003076080260000068
的适应度值，则将当前
Figure BDA0003076080260000069
进行筛选掉，并将
Figure BDA00030760802600000610
个体留下；反之则将
Figure BDA00030760802600000611
个体筛选掉，保留
Figure BDA00030760802600000612
个体。而其更新公式如下：
Figure BDA00030760802600000613
Figure BDA00030760802600000614
Figure BDA00030760802600000615
Figure BDA00030760802600000616
Figure BDA00030760802600000617
式子(14)与(15)代表构建蝴蝶向量个体的公式；式子(16)表示为两只蝴蝶位置相似度(余弦相似度)，其取值范围为[-1,1]；式(17)与式(18)均为位置更新公式，其中
Figure BDA00030760802600000618
与
Figure BDA00030760802600000619
分别是蝴蝶个体
Figure BDA00030760802600000620
与
Figure BDA00030760802600000621
的适应度值大小；α为旋转因子；Rr为[-1,1]内的均匀分布的随机数。g*属于第n次迭代的适应度最优蝴蝶位置。δ为[0,1]的随机数，取0.1。
S5：将步骤S4中i个蝴蝶个体进行互相对比，即比较各个蝴蝶个体对应的功率值大小
Figure BDA00030760802600000622
从而对蝴蝶最优个体(香味浓度/适应度最大)的个体进行保留与更新，最后输出最佳占空比从而得到最优功率值
Figure BDA00030760802600000623
S6：更改传统蝴蝶算法的步长，并且随着迭代次数的增加而减少，加快其收敛速度。其实现算法如下：
Figure BDA00030760802600000624
num为迭代次数，step为步长。
S7：进一步地，若所有i个蝴蝶个体全部被检测完毕以及迭代次数20次即达到最大值，则输出并保持最优的占空比Duty，从而控制MOSFET的开关状态，从而追踪到全局最大功率点。
S8：判断外界的光照强度是否发生了突变，若发生了突变则重新执行MPPT，即重新返回到S1步骤，否则继续维持最优占空比。
图5为通过本发明改进步长后基于传统扰动观察法追踪得到的最大功率点的仿真图，图6为传统蝴蝶优化MPPT算法追踪最大功率点仿真图；通过两个图的比较可以明显的看出本发明能够显著提高收敛速度，最大功率点搜寻能力更优。
本发明将传统的蝴蝶优化算法的步长进行改进，让步长的大小随着迭代次数增加而减小，以此提高其收敛速度；向传统蝴蝶优化算法中引入了余弦相似度位置更新策略，避免其在追寻最大功率点时候，陷入局部最优，以此提高其搜寻到最大功率点的能力，提高太阳能利用率。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于蝴蝶优化算法的MPPT控制方法，其特征在于，包括下列步骤：
1)将MPPT的占空比作为蝴蝶个体，将蝴蝶浓度最高的蝴蝶个体作为最优蝴蝶个体，选取i只蝴蝶个体，设定迭代次数并初始化蝴蝶飞行的空间位置；
2)待光伏系统稳定运行，测量负载两端的输出电压与流过负载的输出电流；
3)通过输出电流与输出电压计算第i只蝴蝶在t时刻下的输出功率；
4)引入余弦相似度进行蝴蝶个体筛选；
5)对经过步骤4)处理的各蝴蝶个体进行功率值比较，从而对蝴蝶最优个体进行保留与更新，并输出最佳占空比及最优功率值；
6)更改蝴蝶算法的步长；
7)判断所有蝴蝶是否全部被检测完毕且迭代次数满足收敛条件，若是，则输出并保持最优的占空比，从而控制MOSFET的开关状态，否则继续进行检测及迭代，直至满足要求；
8)判断外界光照强度是否发生突变，若是则重新执行MPPT，否则继续维持最优占空比。
2.根据权利要求1所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，步骤4)的具体内容为：
41)将当前蝴蝶个体与当前输出最大功率的蝴蝶个体计算余弦相似度，并通过设置阈值进行蝴蝶个体的位置更新；
42)比较当前蝴蝶与当前输出最大功率的蝴蝶个体的适应度，剔除适应度差的个体，保留适应度高的个体。
3.根据权利要求2所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，步骤41)的具体内容为：
将当前蝴蝶个体
Figure FDA0003076080250000011
与当前输出最大功率的蝴蝶个体
Figure FDA0003076080250000012
进行余弦相似度计算，构建蝴蝶飞行向量，并设定阈值，若当前蝴蝶个体的余弦相似度高于此阈值，则对当前蝴蝶个体进行位置更新。
4.根据权利要求3所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，对当前蝴蝶个体进行位置更新的具体更新公式为：
Figure FDA0003076080250000021
Figure FDA0003076080250000022
Figure FDA0003076080250000023
Figure FDA0003076080250000024
Figure FDA0003076080250000025
式中，a、b为构建的蝴蝶向量个体；cos(a，b)为a与b之间的余弦相似度；
Figure FDA0003076080250000026
与
Figure FDA0003076080250000027
分别为蝴蝶个体
Figure FDA0003076080250000028
与蝴蝶个体
Figure FDA0003076080250000029
的适应度值大小，α为旋转因子，Rr为[-1，1]内的均匀分布的随机数，g*属于第n次迭代的适应度最优蝴蝶位置，δ为[0，1]的随机数。
5.根据权利要求1所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，步骤5)的具体内容为：
对经过步骤4)处理的各蝴蝶个体进行功率值比较，若蝴蝶个体
Figure FDA00030760802500000210
的输出功率
Figure FDA00030760802500000211
相比于其他蝴蝶的香味浓度更大，则保留该蝴蝶个体，将该蝴蝶个体视为最优蝴蝶个体，即最佳占空比，并将其所在位置视为最优个体位置，从而获取最优功率值
Figure FDA00030760802500000212
6.根据权利要求1所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，步骤6)中，更改传统蝴蝶算法的步长的具体表达式为：
Figure FDA00030760802500000213
式中，num为迭代次数，step为步长。
7.根据权利要求4所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，δ取0.1。
8.根据权利要求7所述的基于蝴蝶优化算法的MPPT控制方法，其特征在于，所述迭代次数设定为二十次。
CN202110553195.2A 2021-05-20 2021-05-20 一种基于蝴蝶优化算法的mppt控制方法 Active CN113342123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110553195.2A CN113342123B (zh) 2021-05-20 2021-05-20 一种基于蝴蝶优化算法的mppt控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110553195.2A CN113342123B (zh) 2021-05-20 2021-05-20 一种基于蝴蝶优化算法的mppt控制方法

Publications (2)

Publication Number Publication Date
CN113342123A CN113342123A (zh) 2021-09-03
CN113342123B true CN113342123B (zh) 2023-05-02

Family

ID=77470231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110553195.2A Active CN113342123B (zh) 2021-05-20 2021-05-20 一种基于蝴蝶优化算法的mppt控制方法

Country Status (1)

Country Link
CN (1) CN113342123B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115431B (zh) * 2021-11-30 2023-05-30 浙江佳乐科仪股份有限公司 一种光伏发电最大功率跟踪方法和系统
CN114995579B (zh) * 2022-06-17 2023-03-24 河海大学 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法
CN115657694B (zh) * 2022-12-29 2023-03-28 中国人民解放军陆军装甲兵学院 一种基于空地信息交互的无人车路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106329567A (zh) * 2016-08-30 2017-01-11 上海新华控制技术集团科技有限公司 一种基于fpga的光伏并网系统及其实现方法
CN106412013A (zh) * 2016-08-30 2017-02-15 上海新华控制技术集团科技有限公司 一种基于Linux的光伏并网Web监测系统
CN206181093U (zh) * 2016-08-30 2017-05-17 上海新华控制技术集团科技有限公司 一种基于Linux的光伏并网Web监测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5312604B2 (ja) * 2009-10-07 2013-10-09 パイオニア株式会社 能動型振動騒音制御装置
JP2013102573A (ja) * 2011-11-07 2013-05-23 Sony Corp 充放電制御装置および充放電制御システム
CN109118156B (zh) * 2017-06-26 2021-10-29 上海颐为网络科技有限公司 一种图书信息协同系统和方法
CN110348560A (zh) * 2019-07-02 2019-10-18 河北科技大学 一种基于改进萤火虫算法优化粒子滤波的轨迹预测的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106329567A (zh) * 2016-08-30 2017-01-11 上海新华控制技术集团科技有限公司 一种基于fpga的光伏并网系统及其实现方法
CN106412013A (zh) * 2016-08-30 2017-02-15 上海新华控制技术集团科技有限公司 一种基于Linux的光伏并网Web监测系统
CN206181093U (zh) * 2016-08-30 2017-05-17 上海新华控制技术集团科技有限公司 一种基于Linux的光伏并网Web监测系统

Also Published As

Publication number Publication date
CN113342123A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113342123B (zh) 一种基于蝴蝶优化算法的mppt控制方法
Jordehi Maximum power point tracking in photovoltaic (PV) systems: A review of different approaches
Ishaque et al. A review of maximum power point tracking techniques of PV system for uniform insolation and partial shading condition
Kumar et al. Global maximum power point tracking using variable sampling time and pv curve region shifting technique along with incremental conductance for partially shaded photovoltaic systems
Ahmed et al. Enhancement of MPPT controller in PV-BES system using incremental conductance along with hybrid crow-pattern search approach based ANFIS under different environmental conditions
Yang et al. Analysis of improved PSO and perturb & observe global MPPT algorithm for PV array under partial shading condition
Naick et al. Fuzzy logic controller based PV system connected in standalone and grid connected mode of operation with variation of load
Jagadeshwar et al. A novel adaptive model predictive control scheme with incremental conductance for extracting maximum power from a solar panel
Ali et al. Optimization of PV model using fuzzy-neural network for DC-DC converter systems
CN114995579B (zh) 融入记忆和自然选择的改进蝴蝶算法实现z源光伏mppt方法
Bharti et al. Comparative Study of ANN and Incremental Conductance MPPT for Solar Water Pump
Fergani et al. A PSO Tuning ANN for Extracting the MPP from a DC Microgrid System under Changing Irradiance
CN116540830A (zh) 一种光伏发电系统输出功率灵活控制方法、系统及设备
Teo et al. Particle swarm optimization based maximum power point tracking for partially shaded photovoltaic arrays
Tomar et al. A Novel MPPT Method Based on Crow Search Algorithm Combined with Perturb & Observe for Partial Shading Conditions
Kim et al. Maximum power point tracking for multiple photovoltaic modules using root-finding methods
Petreuş et al. A novel implementation of a maximum power point tracking system with digital control
Huang et al. A maximum power Point tracking strategy for photovoltaic system based on improved artificial jellyfish search optimizer
Duan et al. Application of improved radial basis function neural network method in global MPPT for PV array
Muhsen et al. Analysis and simulation of maximum power point tracking based on gradient ascent method
Zhang et al. A direct adaptive neural control with voltage traverse for maximum power point tracking of photovoltaic system
Sheraz et al. An efficient fuzzy logic based maximum power point tracking controller for photovoltaic systems
Rajagukguk et al. Optimization of photovoltaic farm under partial shading effects using artificial intelligent based matrix switch controller
CN116225145B (zh) 光伏系统最大功率点的复合追踪方法
Abdelmalek et al. Comparison between MPPTs for PV systems using P&O and Grey Wolf controllers

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