论文部分内容阅读
在光伏系统工作过程中,温度、光照强度、污染物等条件对系统的输出均有不同程度的影响。因此,在太阳能光伏系统中,系统的参数要有足够的准确度和精度,在最大功率点的输出控制上要有足够的快速性和稳定性。文章以光伏系统模型为研究对象,设计了基于智能优化算法的光伏系统辨识及最大功率点跟踪(Maximum Power Point Tracking,MPPT)方法,主要包括基于改进蚁狮算法的光伏系统的参数辨识、基于改进蝙蝠算法和改进鸡群算法的光伏系统的最大功率点跟踪方法,具体如下:针对光伏系统在不同环境下参数值会发生变化的情况,以及蚁狮优化(Ant Lion Optimizer,ALO)算法在辨识过程中存在收敛速度慢、受初始值的影响大且易早熟等问题,提出一种基于改进蚁狮算法的太阳能光伏系统参数辨识的方法。在分析单一组件输出特性的基础上,对组件在阴影情况下的参数进行辨识,改进的蚁狮算法采用了混沌序列进行初始值分配,有效地提高了个体的均匀性;引入了粒子群算法的更新理论,不仅提高了算法的局部搜索能力也提高了全局搜索能力;利用带遗忘因子的动态收缩方法,进一步提高了搜索速度。改进算法可以更快更好地对不同环境条件下的光伏输出曲线进行辨识,这有利于对光伏系统输出功率的追踪。针对光伏系统部分位置受遮挡时,系统输出易出现多峰值的情况,提出一种改进的蝙蝠算法。通过混沌初始化,对群体的初始值进行分配,加强个体分布的均匀性;引入自适应权重,平衡了跟踪后期过程中全局搜索与局部搜索能力;并且引入同步动态收缩区间,有效地缩小算法的搜索范围。改进蝙蝠算法在光伏系统MPPT过程中比原算法更加准确,有利于跟踪系统输出。针对光伏系统部分位置受遮挡时系统输出出现多峰值的情况,提出一种改进鸡群算法。在改进鸡群算法中引入立方映射进行混沌初始化,提高了种群个体初始值的遍历性;采用自适应惯性权重,改善母鸡部分个体的跟随性,加快了全局的搜索速度并改善局部的搜索能力;同时对较差个体引入了跟随系数,有利于跳出局部极值。改进鸡群算法在光伏系统的MPPT过程中,不仅保证了准确度,而且稳定性更强,更有利于跟踪系统输出。