光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(ma...光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(maximum power point tracking)控制策略。首先引入混沌Sine映射构造1种非线性随机递增惯性权重,并在粒子群的“个体认知”部分引入高斯扰动,同时利用对数函数构造学习因子,形成基于混沌映射和高斯扰动的改进粒子群算法;通过对6种典型单峰、多峰函数的测试,证明该算法收敛速度更快,不易陷入局部最优;将算法应用于MPPT控制中,并进一步通过不同算法MPPT控制进行对比仿真研究。对比仿真结果表明:在均匀光照强度、局部静态遮荫和动态遮荫3种情况下,基于混沌映射和高斯扰动的改进粒子群优化算法MPPT控制策略均具有更快的收敛速度和更小的搜索振荡幅度,能准确地搜寻到最大功率点,具有更高的寻优精度,从而提高了MPPT系统的发电效率。展开更多
文摘针对常见仿人机器人步态优化方法中存在模型复杂、数据量大和收敛速度慢的问题,采用投影解析法分析仿人机器人运动模型,利用三次样条插值法对步态轨迹进行规划,基于粒子群算法(Particle Swarm Optimization,PSO)优化仿人机器人关节电机的角度。将零力矩点(Zero Moment Point,ZMP)作为仿人机器人动态稳定的判断依据,并把最小轨迹变量和每步驱动能耗构造为目标函数。MATLAB仿真实验表明:所提方法在仿人机器人步态优化中具有高效地搜寻全局最优参数能力,使仿人机器人实现了轨迹平滑、控制稳定的初始步、周期步和终止步等。
文摘光伏阵列在局部阴影条件下P-U曲线会出现多个峰值,传统的粒子群优化PSO(particle swarm optimization)算法无法快速精确地搜寻到最大功率点。针对这种情况,本文提出1种基于混沌映射和高斯扰动的改进粒子群优化算法最大功率点跟踪MPPT(maximum power point tracking)控制策略。首先引入混沌Sine映射构造1种非线性随机递增惯性权重,并在粒子群的“个体认知”部分引入高斯扰动,同时利用对数函数构造学习因子,形成基于混沌映射和高斯扰动的改进粒子群算法;通过对6种典型单峰、多峰函数的测试,证明该算法收敛速度更快,不易陷入局部最优;将算法应用于MPPT控制中,并进一步通过不同算法MPPT控制进行对比仿真研究。对比仿真结果表明:在均匀光照强度、局部静态遮荫和动态遮荫3种情况下,基于混沌映射和高斯扰动的改进粒子群优化算法MPPT控制策略均具有更快的收敛速度和更小的搜索振荡幅度,能准确地搜寻到最大功率点,具有更高的寻优精度,从而提高了MPPT系统的发电效率。
