阴影条件(Partial Shading Condition,PSC)下光伏系统的功率-电压(P-V)特性曲线呈多峰性,易造成常规最大功率跟踪(Maximum Power Point Tracking,MPPT)算法陷入局部最大功率点(Local Maximum Power Point,LMPP)的问题。文章采用一种新...阴影条件(Partial Shading Condition,PSC)下光伏系统的功率-电压(P-V)特性曲线呈多峰性,易造成常规最大功率跟踪(Maximum Power Point Tracking,MPPT)算法陷入局部最大功率点(Local Maximum Power Point,LMPP)的问题。文章采用一种新颖的启发式算法,即交互式教-学优化算法(Interactive Teaching-Learning Optimization,ITLO)来实现光伏系统PSC下的MPPT。ITLO在原始教-学优化算法(Teaching-Learning Based Optimization,TLBO)的基础上,采用多个班级同时进行教与学,以实现更广泛的全局搜索,提高最优解的质量;同时,所有班级的教师与教师、学生与学生间引入小世界网络(Small World Network,SWN)机制进行交互学习,以实现更深入的局部探索,有效避免了算法陷入LMPP,并提高其收敛速度和收敛稳定性。文中进行了恒温变光照强度和变温变光照强度两个算例的研究。仿真结果表明,与增量电导法(Incremental Conductance,INC)和遗传算法(Genetic Algorithm,GA)相比,ITLO能在PSC下最快速,最稳定地获取最大光能。展开更多
文摘阴影条件(Partial Shading Condition,PSC)下光伏系统的功率-电压(P-V)特性曲线呈多峰性,易造成常规最大功率跟踪(Maximum Power Point Tracking,MPPT)算法陷入局部最大功率点(Local Maximum Power Point,LMPP)的问题。文章采用一种新颖的启发式算法,即交互式教-学优化算法(Interactive Teaching-Learning Optimization,ITLO)来实现光伏系统PSC下的MPPT。ITLO在原始教-学优化算法(Teaching-Learning Based Optimization,TLBO)的基础上,采用多个班级同时进行教与学,以实现更广泛的全局搜索,提高最优解的质量;同时,所有班级的教师与教师、学生与学生间引入小世界网络(Small World Network,SWN)机制进行交互学习,以实现更深入的局部探索,有效避免了算法陷入LMPP,并提高其收敛速度和收敛稳定性。文中进行了恒温变光照强度和变温变光照强度两个算例的研究。仿真结果表明,与增量电导法(Incremental Conductance,INC)和遗传算法(Genetic Algorithm,GA)相比,ITLO能在PSC下最快速,最稳定地获取最大光能。
