Bản dịch của 6-A-Comprehensive-Review-on-a-PV-Based-System-to-Harvest-Maximum-Power

thiết bị điện tử
Ôn tập
Đánh giá toàn diện về hệ thống dựa trên PV để thu được

công suất tối đa
Muhammad Yaqoob Javed1 , Adeel Feroz Mirza2, Ali Hassan1, Syed Tahir Hussain Rizvi3,*, Cường Linh2,
Muhammad Majid Gulzar4 , Muhammad Umair Safder1 và Majad Mansoor2
1
Khoa Kỹ thuật Điện và Máy tính, Đại học COMSATS Islamabad, Lahore 54000, Pakistan;
Yaqoob.javed@cuilahore.edu.pk (M.Y.J.); alihasan710@gmail.com (A.H.); umairsafder@cuilahore.edu.pk (M.U.S.)
2
Khoa Tự động hóa, Đại học Khoa học và Công nghệ Trung Quốc, Hợp Phì 230001, Trung Quốc;
adeelmirza@mail.ustc.edu.cn (A.F.M.); qling@ustc.edu.cn (Q.L.); majad@mail.ustc.edu.cn (MM)
3
Khoa Kỹ thuật Máy tính, Đại học Lahore, Lahore 54000, Pakistan
4
Khoa Kỹ thuật Điện, Đại học Central Punjab, Lahore 54000, Pakistan; majid.gulzar@ucp.edu.pk
* Thư từ: tahir.hussain@dce.uol.edu.pk
Đã nhận: 25 tháng 10 năm 2019; Được chấp nhận: 27 tháng 11 năm 2019; Đã xuất bản: ngày 4 tháng 12 năm 2019
Trừu tượng:Trong bài viết này, một bản đánh giá toàn diện về các thành phần thiết yếu của hệ thống PV
(Quang điện) được trình bày chi tiết và thảo luận về các tính năng độc đáo so sánh của chúng. Bài viết mô
tả thiết kế phần cứng (cụ thể là cấu trúc liên kết bộ chuyển đổi năng lượng) được sử dụng trong các hệ
thống phát năng lượng dựa trên PV để thu được năng lượng tối đa từ nguồn năng lượng sẵn có. Trong
nghiên cứu này, ba mươi kỹ thuật Theo dõi Điểm Công suất Tối đa (MPPT) khác nhau đã được phân tích kỹ
càng và phản ứng của chúng đối với điều kiện bóng một phần đã được thảo luận. Rất khó để nói kỹ thuật
nào là tốt nhất vì người ta phải xem xét các yếu tố và thông số khác nhau trong khi lựa chọn kỹ thuật như
ứng dụng, tốc độ hội tụ, độ chính xác, hiệu quả, độ tin cậy của hệ thống cũng như chi phí và hiệu suất của
phần cứng hiện có. Nhằm vào sự phức tạp, triển khai phần cứng, tốc độ theo dõi, độ chính xác ở trạng thái
ổn định hoặc phát hiện tối đa toàn cầu của thuật toán, thuật toán MPPT dựa trên bảng quy tắc được đề
xuất. Ngoài ra, MPPT của hệ thống PV dựa trên kỹ thuật lấy cảm hứng từ sinh học cũng được xem xét. Các
thuật toán lấy cảm hứng từ sinh học và ứng dụng của nó trong hệ thống PV được so sánh về tính xác thực
của đánh giá và sáu kỹ thuật MPPT khác nhau được triển khai trên hệ thống PV. Một phân tích so sánh
được thực hiện dựa trên kết quả của bốn trường hợp chiếu xạ khác nhau.
Từ khóa:theo dõi điểm công suất tối đa (MPPT); năng lượng tái tạo (RE); quang điện (PV)
1. Giới thiệu
Hiện nay, xu hướng thay đổi và những tiến bộ gần đây trong lĩnh vực sản xuất điện trên toàn cầu đã
thay đổi trọng tâm của các nhà nghiên cứu nhằm đưa ra một giải pháp độc đáo và đáng tin cậy nhằm đáp
ứng nhu cầu năng lượng ngày càng tăng cao ở cấp độ trong nước cũng như thương mại hoặc thậm chí hơn
thế nữa. một quy mô công nghiệp của dân số thế giới ngày càng phát triển, không bao giờ cạn, giữ cho môi
trường trong sạch và phù hợp cho cư dân. Ngoài ra, để phát triển kinh tế và thịnh vượng, sản xuất năng
lượng có ý nghĩa sống còn để trở thành đối thủ cạnh tranh mạnh mẽ giữa các quốc gia hàng đầu thế giới.
Sự cạn kiệt nguồn dự trữ nhiên liệu hóa thạch thông thường được sử dụng để sản xuất năng lượng và
thậm chí sản xuất và tiêu thụ nhiên liệu sinh học nhiều hơn có thể 0t giảm phát thải khí nhà kính, do đó vẫn
gây ra những vấn đề nghiêm trọng cho hệ sinh thái. Các công nghệ sản xuất điện dựa trên năng lượng tái tạo
(RE) (Mặt trời, Gió, Bánh đà, Pin nhiên liệu, Tua bin thủy điện nhỏ, v.v.) là những công nghệ tối ưu, độc đáo
và đáng tin cậy,
Thiết bị điện tử2019,số 8, 1480; doi:10.3390/điện tử8121480 www.mdpi.com/journal/electronics

Thiết bị điện tử2019,số 8, 1480 2 của64
và các giải pháp khả thi và mạnh mẽ nhất để giảm thiểu tác động nguy hiểm đến môi trường do các hệ thống
phát điện dựa trên nhiên liệu hóa thạch truyền thống đang vận hành ở các quốc gia phát triển cũng như kém
phát triển trên thế giới gây ra.
Trong tài liệu, nhiều cấu trúc liên kết chuyển đổi năng lượng liên quan đến các hệ thống phát điện dựa
trên năng lượng PV tích hợp cũng như hoạt động độc lập đã được xây dựng. Ưu và nhược điểm của chúng
tùy thuộc vào yêu cầu công nghệ và ứng dụng đã được thảo luận trong bài nghiên cứu này. Các bộ chuyển
đổi như boost, Buck, Buck-Boost, cuk, Bộ chuyển đổi cuộn cảm sơ cấp một đầu (SEPIC) và cấu trúc liên kết bộ
chuyển đổi fly-back là những cấu hình bộ chuyển đổi điện được sử dụng thường xuyên nhất trong các hệ
thống năng lượng dựa trên PV. Cấu trúc liên kết bộ chuyển đổi Bộ chuyển đổi cuộn cảm sơ cấp một đầu cuối
(SEPIC) có hiệu suất tốt hơn so với các thiết kế khác. Cấu trúc liên kết bộ chuyển đổi xen kẽ kết hợp với bộ
chuyển đổi tăng cường đã được sử dụng cho hệ thống PV [1,2]. Cấu trúc liên kết biến tần đa cấp cũng đã
được sử dụng cho các hệ thống PV [3]. Cấu trúc liên kết bộ chuyển đổi đa cấp xếp tầng là phiên bản sửa đổi
của bộ chuyển đổi đa cấp được sử dụng trong hệ thống PV với hiệu suất được cải thiện và chuyển đổi năng
lượng tốt hơn [4].
Trong bài viết này, các phiên bản cải tiến cũng như thông thường của bộ chuyển đổi năng lượng dành
cho công nghệ năng lượng dựa trên PV đã được thảo luận một cách toàn diện. Trong phần2, mô hình chung
và các phiên bản sửa đổi của môđun PV và thiết kế tế bào cũng như các đặc tính điện của nó đã được xây
dựng. Trong phần3, tổng quan ngắn gọn về bộ chuyển đổi nguồn và các phiên bản nâng cao của chúng trong
các hệ thống dựa trên PV với những ưu và nhược điểm được đưa ra để minh họa các cấu trúc liên kết biến
tần được sử dụng trong hệ thống PV. Phần4trình bày các kỹ thuật Theo dõi điểm công suất tối đa thông
thường được sử dụng cho hệ thống quang điện. Hơn nữa, Phần5mô tả các kỹ thuật tính toán mềm được sử
dụng để Theo dõi điểm công suất tối đa cho đến nay, với số lượng gần 26. Hơn nữa, phần 6trình bày phân
tích so sánh sáu kỹ thuật thường được sử dụng và minh họa kết quả của chúng trong các điều kiện môi
trường khác nhau. Cuối cùng, rút ra kết luận về các thiết kế bộ biến đổi điện này.
2. Tế bào PV
Tế bào quang điện là một thiết bị tiếp giáp PN (như photodiode); nó tạo ra điện từ ánh sáng mặt trời
và quá trình chuyển đổi này được gọi là hiệu ứng quang điện. Một tế bào PV có thể 0t tạo ra một lượng điện
năng khổng lồ. Thông thường, nó chỉ tạo ra điện áp vài milivolt. Nó tạo ra vài ampe dòng điện ở mức bức xạ
cao. Một bảng quang điện bao gồm một số ô quang điện được kết nối nối tiếp hoặc kết hợp song song để đạt
được công suất cần thiết. Tuy nhiên, đầu ra của tấm PV dao động theo sự thay đổi trong điều kiện vận hành,
chẳng hạn như thay đổi vị trí của mặt trời, bức xạ mặt trời và nhiệt độ bề mặt. Do đó, đầu ra tổng thể của hệ
thống PV có bản chất phi tuyến. Hơn nữa, để tạo ra điện áp cao, nhiều tấm PV được nối nối tiếp để tạo thành
chuỗi PV. Nhiều chuỗi quang điện được gắn kết hợp song song tạo thành mảng quang điện đáp ứng yêu cầu
của bộ xử lý điện năng.
2.1. Mô hình tế bào PV

Nhiều mô hình PV được báo cáo. Tuy nhiên, hai mô hình được sử dụng phổ biến nhất là mô hình diode
đơn và mô hình đôi. Cả hai đều có mức độ phức tạp khác nhau. Các công thức toán học cho các mô hình này
được biểu diễn bằng Phương trình Điốt Shockley. Các chi tiết của các mô hình này được hiển thị dưới đây.
2.1.1. Mô hình điốt đơn

Lý tưởng nhất là một tế bào quang điện có thể được mô tả như một nguồn dòng được kết nối song
song với một diode. Tuy nhiên, mô hình thực tế bao gồm điện trở nối tiếp (Rs) và điện trở song song (Rp). R
và Rp biểu thị tổn thất thực tế trong tế bào quang điện do dòng điện rò rỉ và điện trở trong. Nhân vật1mô tả
sự biểu diễn lý tưởng và thực tế của một mô hình diode đơn của tế bào PV. Sự đơn giản và chính xác là hai
sự đánh đổi của mô hình này. Phương trình toán học hoàn chỉnh của cả hai mô hình đều dựa trên phương
trình diode Shockley và được biểu thị trong phương trình (1) và (2). Phương trình (3) trình bày biểu thức của
điện áp nhiệt diode:
TÔI=TÔIpv−TÔIồđiểm kinh nghiệm TRONGd − 1, (1)nVt

TÔI=TÔIpv−TÔIồđiểm kinh nghiệmTRONG +VÀS −1 −TRONG
+VÀS, (2)nVt RP
TRONGt= NSAkT, (3)

q
Ở đâuTÔIPVVàTRONGPVtương ứng là dòng điện và điện áp của tế bào. Dòng bão hòa ngược của diode được
biểu thị bằng Io, độ sụt giảm trên diode được biểu thị bằngTRONGd, điện áp nhiệt diode được biểu thị
bằngTRONGt, hệ số lý tưởng của diode được ký hiệu là n vàRSVàRPbiểu thị điện trở nối tiếp và song song
củaPVtế bào, tương ứng. Tuy nhiên,RSnên rất nhỏ, gần bằng 0 vàRPphải rất lớn, lý tưởng là bằng vô cùng. Để
đơn giản hóa việc phân tích, các điện trở này có thể được bỏ qua.
Hình 1.Biểu diễn lý tưởng và thực tế của một mô hình diode đơn.
2.1.2. Mô hình điốt đôi

Một kỹ thuật khác để mô hình hóa tế bào PV là mô hình diode kép. Nó bao gồm một diode bổ sung
trong biểu diễn mạch tương đương để tính toán tổn thất điện tích không gian trong tế bào PV. Nhân vật2đại
diện cho mô hình diode kép của tế bào PV. Về mặt lý thuyết, diode đầu tiên đại diện cho phần tử dòng
khuếch tán và diode thứ hai đại diện cho sự tái hợp điện tích không gian. Các phương trình (4) và (5) hiển thị
công thức toán học cho mô hình diode kép:
TRONG+VÀ TRONG+VÀ TRONG+VÀ (
− S − − S −1− S, 4
TÔI=TÔIpv TÔIồ1 1 TÔIồ2điể
nVt RP )
điểm kinh m kinh
nVt
nghiệm nghiệm
N
TRONGt= (
Skt, 5
q )
Ở đâu
TÔIồ1= đại diện cho phần tử dòng khuếch tán,TÔIồ2= đại

diện cho vùng điện tích không gian,NS= Số lượng tế bào
quang điện được mắc nối tiếp,k= Boltzmann0s Hằng số,q=
Sạc,
RS= Điện trở nối tiếp,
Rp= điện trở shunt,
MỘT= Thời gian nhận dạng diode,
T= Nhiệt độ (ồK),
TÔIpv= Dòng tế bào quang điện.
Hình 2.Biểu diễn lý tưởng và thực tế của mô hình diode đôi.
2.2. Đặc tính điện của tấm PV

Nhân vật3hiển thị các đường cong đặc tính điện của mảng PV tại STC. Đường màu xanh lam biểu thị
đường cong đặc tính dòng điện-điện áp và đường màu xanh lá cây biểu thị đường cong đặc tính điện áp
nguồn của bảng PV. Các đặc tính của môđun PV được đánh giá bằng mô hình Matlab/Simulink do [1].
Hình 3.Đường cong đặc tính điện của Kyocera-KC200GT (Thành phố, Nhà sản xuất, Thành phố, Tiểu bang Hoa Kỳ
viết tắt nếu có, Quốc gia).
Tấm PV được sử dụng cho việc triển khai này là KC200GT của Kyocera và Table1tiết lộ các thông số kỹ
thuật cơ bản của nó. Nhân vật3minh họa rằng, theo STC, đường cong dòng điện đến điện áp (IV) có một điểm
uốn duy nhất được gọi là điểm công suất cực đại (MPP). Đường cong I-V này giống như đường cong do nhà
sản xuất Kyocera-KC200GT cung cấp0s được hiển thị trong biểu dữ liệu [2].
Bảng 1.Thông số Kyocera-KC200GT.
TÔImp 7,6 A
p
TRONG 26,3 V
mpp
Pmpp 200 W
TÔIsc 8,21 A
TRON 32,9 V
Goc
Số lượng tế bào (NS) 54
−
KTRONG 0,123 V/KKTôi
0,0032 điều hòa
2.2.1. Điều kiện bức xạ đồng nhất

Trong điều kiện bức xạ đồng đều (UIC), tất cả các ô trong mảng PV đều nhận được bức xạ giống hệt
nhau. Trong UIC, một điểm công suất cực đại duy nhất xuất hiện trên đường cong đặc tính I–V và P–V. Như
vậy, bài toán theo dõi điểm công suất cực đại trở nên đơn giản. Tuy nhiên, đặc tính I-V của mảng PV có bản
chất phi tuyến tính do điều kiện thời tiết thay đổi. Do đó, các mảng PV không thể hiện cơ chế điện trở cố
định. Do đó, MPP của mảng PV thay đổi tùy theo vị trí của mặt trời. Các phương trình (6)–(9) mô tả mối quan
hệ toán học giữa MPP và điều kiện thời tiết (Nhiệt độ và Bức xạ):
TÔImpp=KTôiTÔIsc, (
6
)
TRONGmpp=KTRONGTRONGoc, (
7
)
(
s
ố
TÔIsc= (TÔIsc+K1∆T) G, 8
Gm )
TRONGoc=TRONGoc,N+KTRONG∆T, (
9
)
TÔImpp= Hiện tại ở MPP,
TRONGmpp= Điện áp tại MPP,
ĐẾN= Hệ số tỷ lệ hiện tại,
Kv= Hệ số tỷ lệ điện áp,
TÔIsc= Dòng điện ngắn mạch,
TRONGoc= Điện áp mạch hở.
Số liệu4Và5minh họa đường cong đặc tính I–V và P–V ở các giá trị bức xạ khác nhau theo UIC. Nó thể
hiện rõ ràng rằng:TÔIscthay đổi theo sự thay đổi của bức xạ và MPP cũng vậy. Tuy nhiên, tất cả các đường
cong đều có MPP duy nhất. Hơn nữa, MPP tỷ lệ thuận vớiTÔIscnhư thể hiện trong phương trình (8), trong khi
Hình6Và7hiển thị phản ứng của mô-đun PV do thay đổi nhiệt độ. Có thể thấy rằng MPP tỷ lệ nghịch với nhiệt
độ.
Hinh 4.Đặc tính dòng điện và điện áp ở mức bức xạ khác nhau.
Hình 5.Đặc tính công suất và điện áp ở mức bức xạ khác nhau.
Hình 6.Đặc tính công suất và điện áp ở nhiệt độ khác nhau.
2.2.2. Điều kiện che bóng một phần (PSC)

Một tế bào PV có thể tạo ra vài watt điện. Do đó, nhiều tế bào quang điện được kết nối theo cấu hình
nối tiếp và song song để tạo thành môđun quang điện. Tuy nhiên, chuỗi quang điện bao gồm nhiều môđun
quang điện được kết nối nối tiếp. Trong khi mảng PV bao gồm nhiều chuỗi PV được kết nối theo cấu hình
song song. PSC là hiện tượng trong đó một số bộ phận của môđun PV nhận được mức bức xạ khác so với các
bộ phận khác. Do đó, trong một chuỗi, mô-đun bị che bóng sẽ tạo ra dòng điện thấp. Tuy nhiên, trong hệ
thống PV nối tiếp, dòng điện sẽ không đổi, nhưng trong trường hợp này, mô-đun bóng mờ sẽ hoạt động
trong điều kiện phân cực ngược và nó sẽ làm giảm một lượng lớn điện áp trên toàn bộ hệ thống. RP. Do đó,
nó tạo ra điểm nóng tại thời điểm đó và đôi khi sẽ làm hỏng mô-đun PV. Vì vậy, để giảm tổn thất điện năng
lớn do PSC, một diode rẽ nhánh được sử dụng để tránh mô-đun bị bóng mờ. Điốt rẽ nhánh thường được sử
dụng để giảm thiểu tác động bất lợi của mô-đun bị che khuất và điện áp rơi trên điốt rẽ nhánh chỉ là 0,7 V.
Hìnhsố 8mô tả PSC. Chuỗi PV được hiển thị trong Hìnhsố 8a đại diện cho điều kiện bức xạ đồng đều (UIC).
Tuy nhiên, Hìnhsố 8b–d biểu thị các chuỗi quang điện có mức chiếu xạ khác nhau, tức là PSC. Theo UIC, tất cả
mô-đun năng lượng mặt trời hoạt động như một nguồn dòng điện và tất cả các điốt hoạt động trong điều
kiện phân cực ngược. Tuy nhiên, theo PSC, pin mặt trời bị che sáng hoạt động như một mạch hở. Do đó, tổng
dòng điện làm tăng điện trở trongRP,gây ra tổn thất điện áp rất lớn. Để tránh sự sụt giảm điện áp này, diode
rẽ nhánh hoạt động ở điều kiện phân cực thuận và pin mặt trời được bỏ qua hoàn toàn. Do đó, điện áp rơi sẽ
chỉ là 0,7 V.
Hình 7.Đặc tính dòng điện và điện áp ở nhiệt độ khác nhau.
Hình 8.(Một) Chuỗi PV ở điều kiện bức xạ đồng đều, (b–d) Chuỗi PV trong điều kiện che nắng một phần.
Chuỗi PV với điều kiện bức xạ khác nhau được hiển thị trong Hìnhsố 8. Công suất và điện áp
Đường cong (P–V) của chuỗi PV chịu nhiều PSC được minh họa trong Hình9. Đường cong màu xanh lam có
đỉnh cực đại duy nhất ở mức 800 W tương ứng với UIC. Tuy nhiên, đường cong còn lại minh họa PSC. Như
vậy, hình9cho thấy nhiều đỉnh xuất hiện trong đường cong P-V trong điều kiện bóng một phần.
Tuy nhiên, có một MPP duy nhất xuất hiện trong mỗi đường cong, được gọi là đỉnh toàn cầu (GP) và các đỉnh
còn lại được gọi là đỉnh cục bộ (LP). Hơn nữa, trong UIC, chỉ có một GP và không có LP. Tuy nhiên, dưới PSC,
có nhiều LP nhưng chỉ có một GP duy nhất. Do đó, để phát hiện GP từ tất cả các đỉnh hiện có, cần có một kỹ
thuật theo dõi chính xác và mạnh mẽ và kỹ thuật đó được gọi là Theo dõi điểm công suất tối đa (MPPT).
MPPT trở nên phức tạp và thách thức hơn với sự thay đổi về nhiệt độ và bức xạ. Ví dụ, trong hình 9, đường
màu xanh nhạt biểu thị UIC, nhưng do trường hợp PSC, nhiều đỉnh được tạo ra trong các đường cong còn lại.
Các đường cong tạo bóng có GP ở mức 800 W, 613 W, 528 W, 406 W, 397 W và 330 W. Tương tự, điện áp tại
GP nằm trong khoảng từ 80 V đến 120 V.
Hình 9.Đường cong đặc tính P-V cho độ bóng đồng đều và một phần.
3. Hệ thống PV
Nhân vật10hiển thị sơ đồ khối hoàn chỉnh của một hệ thống PV độc lập. Các thành phần chính của hệ
thống PV độc lập là các tấm PV, bộ chuyển đổi DC/DC dựa trên MPPT, bộ điều khiển sạc, bộ biến tần DC/AC,
pin, bộ lọc và bộ vi điều khiển để điều khiển đầu ra của tấm PV và thu năng lượng tối đa từ hệ thống PV . Vì vị
trí của mặt trời không tĩnh nên đặc tính đầu ra của tấm PV có bản chất phi tuyến tính. Hơn nữa, nếu tấm pin
bị che một phần hoặc môi trường thay đổi nhanh chóng thì sẽ có nhiều đỉnh xuất hiện trên đường cong đặc
tính PV [3]. Vì vậy, vấn đề chính trong hệ thống PV là theo dõi công suất tối đa và buộc hệ thống PV hoạt
động với hiệu suất năng lượng tối đa. Vì vậy, cần có một chiến lược điều khiển tối ưu để giải quyết vấn đề
này.
3.1. Cấu trúc liên kết chuyển đổi

Cấu trúc liên kết bộ chuyển đổi năng lượng là phần quan trọng nhất của hệ thống phát điện dựa trên
năng lượng tái tạo. Nó chủ yếu tập trung vào loại ứng dụng đang được sử dụng. Bộ chuyển đổi năng lượng
điện là một thành phần không thể thiếu của hệ thống phát điện tích hợp nguồn năng lượng tái tạo (Mặt trời,
Gió, Pin nhiên liệu, Bánh xe bay) vào lưới điện phân tán hoặc tập trung (lưới điện siêu nhỏ, lưới điện chính
hoặc lưới điện quốc gia). Trong các hệ thống năng lượng dựa trên PV, bộ chuyển đổi được sử dụng để điều
chỉnh công suất đầu ra nhằm tăng hoặc giảm giá trị điện áp phù hợp với sự tuân thủ của hệ thống. Một số
cấu trúc liên kết bộ chuyển đổi năng lượng đã được xác định và triển khai trong tài liệu cho các hệ thống
năng lượng tái tạo. Một số cấu trúc liên kết chuyển đổi đã được thảo luận dưới đây tập trung vào các hệ
thống sản xuất năng lượng dựa trên PV.
Hình 10.Sơ đồ khối cơ bản của hệ thống PV.

Các bộ chuyển đổi được sử dụng thường xuyên hoặc phổ biến nhất để chuyển đổi năng lượng hiệu
quả trong các hệ thống điện dựa trên PV được phân loại là bộ chuyển đổi boost, Buck và Buck-Boost. Các bộ
chuyển đổi này tìm thấy ứng dụng của chúng trong các hệ thống năng lượng tái tạo, chẳng hạn như hệ thống
độc lập, hệ thống tích hợp lưới, lưới điện siêu nhỏ, hệ thống lưới điện thông minh hoặc hệ thống năng lượng
lai. Trong các hệ thống phát điện như vậy, các thuật toán MPPT hiệu quả và mạnh mẽ được áp dụng để kiểm
soát đầu ra của bộ chuyển đổi nhằm thu được công suất tối đa từ các tấm PV trong các điều kiện môi trường
khác nhau. Việc lựa chọn bất kỳ bộ chuyển đổi năng lượng chung nào phụ thuộc vào các ứng dụng cụ thể
được nhắm mục tiêu.
3.1.1. Dụng cụ đổi tiền

Cấu trúc liên kết bộ chuyển đổi Buck chủ yếu được sử dụng làm bộ chuyển đổi năng lượng cho các hệ
thống năng lượng dựa trên PV. Nó được sử dụng để giảm điện áp đầu vào, do đó, trong bộ chuyển đổi Buck,
điện áp đầu ra luôn nhỏ hơn điện áp đầu vào (đến>Vout). Bộ chuyển đổi Buck về cơ bản hoạt động ở hai chế
độ hoạt động, đó là chế độ hoạt động dẫn truyền liên tục và chế độ hoạt động không liên tục. Cả hai chế độ
dẫn truyền (vận hành) đều chịu trách nhiệm cung cấp điện cho cả tải tới hạn cũng như tải được gắn thông
thường.
Mô hình MATLAB/Simulink được xuất bản trong [4,5] được sử dụng để phát triển bộ chuyển đổi Buck
này. Nhân vật11minh họa bộ chuyển đổi Buck được kết nối với các tấm PV. Ở chế độ hoạt động liên tục, công
tắc (công tắc MOSFET) BẬT do đó dẫn dòng điện, trong khi diode mạch ở trạng thái TẮT hoặc phân cực
ngược, trong khi đó, ở chế độ hoạt động không liên tục, công tắc ở trạng thái TẮT trong khi diode mạch ở
trạng thái này. hoạt động được BẬT hoặc phân cực thuận. Mối quan hệ về tỷ số chuyển đổi của dòng điện
đầu ra của bộ chuyển đổi, điện áp đầu ra, điện trở đầu ra và các thông số điện của môđun PV kết hợp với và
chu kỳ làm việc được cho bởi Công thức (10):
TRONGbk TÔIbk rRồ

= = =D, (10)
TRONGpv TÔIpv RTRONG
Ở đâuTRONGbklà điện áp đầu ra của bộ chuyển đổi Buck,TRONGpvđề cập đến điện áp mô-đun PV,TÔIbkđại diện
cho dòng điện đầu ra của bộ chuyển đổi Buck,TÔIpvlà dòng điện của mô-đun PV, do đó dòng điện đầu vào
thành bộ chuyển đổi nguồn,Rồlà điện trở đầu ra hoặc điện trở tải gắn vào bộ biến đổi nguồn,RTRONGđề cập đến
điện trở đầu vào của bộ chuyển đổi Buck vàDđại diện cho tỷ lệ nhiệm vụ của công tắc chuyển đổi.
Hình 11.Bộ chuyển đổi Buck với mô-đun PV.
Mô hình bộ chuyển đổi Buck là đơn giản nhất, có hiệu suất năng lượng cao hơn và là sự lựa chọn hoàn
hảo để kỹ sư thiết kế năng lượng tích hợp nó làm bộ chuyển đổi năng lượng cho ứng dụng hệ thống phát
điện dựa trên PV. Hoạt động độc đáo của bộ chuyển đổi Buck tạo điều kiện cho việc sạc pin hiệu quả trong
điều kiện cung cấp điện không chắc chắn từ mảng PV. Hơn nữa, nó còn có khả năng điều chỉnh tấm pin năng
lượng mặt trời0điện áp đầu ra, dòng điện cũng như hiệu suất năng lượng. Khi chế độ hoạt động của bộ
chuyển đổi Buck thường xuyên thay đổi từ dẫn liên tục sang dẫn không liên tục do điều kiện che và không
che, hệ thống sẽ0độ bền của nó bị ảnh hưởng và nó đòi hỏi một thiết kế mạch phức tạp và thuật toán điều
khiển ưu việt để hệ thống phát điện dựa trên PV hoạt động ổn định và đáng tin cậy. Chế độ hoạt động của bộ
chuyển đổi Buck chủ yếu phụ thuộc vào sự thay đổi của môi trường cũng như điều kiện khí hậu, do đó làm
giảm hiệu suất của bộ chuyển đổi và thách thức hoạt động đáng tin cậy của bộ chuyển đổi Buck để cung cấp
điện liên tục cho tải được kết nối. Để giải quyết những hạn chế này của bộ chuyển đổi Buck, cấu hình bộ
chuyển đổi được sửa đổi và đề xuất trong tài liệu có sẵn [4,5]. Mô hình chung của bộ chuyển đổi Buck với
mô-đun PV được hiển thị trong Hình11.
Một trong những nhược điểm lớn của việc giảm hiệu suất là khả năng giảm chấn của bộ lọc LC không
phù hợp, tạo ra sóng hài không mong muốn ở đầu ra của bộ chuyển đổi điện, buộc hệ thống PV phải hoạt
động trong các điều kiện cụ thể tại điểm công suất cực tiểu cục bộ và dẫn đến giảm công suất rất lớn. Để
tránh các sóng hài không mong muốn ở dạng sóng đầu ra, cần có một mạch bù giảm chấn bổ sung để tăng độ
phức tạp của hệ thống hơn nữa. Việc triển khai thực tế của nó trở nên khó khăn do tính chất đặc tính trở
kháng thay đổi của môđun PV [6]. Veerachary đã đề xuất giải pháp khả thi và thực tế nhất để loại bỏ các dao
động (sóng hài) không mong muốn được tạo ra ở phía đầu ra của bộ chuyển đổi Buck chung bằng cách sử
dụng bộ chuyển đổi Buck bậc 4 ổn định hơn, đáng tin cậy, hiệu quả và tiết kiệm chi phí hơn trong mọi điều
kiện. sự thay đổi về thời tiết hoặc điều kiện môi trường [7].
Để tối đa hóa công suất đầu ra và hiệu suất chuyển đổi của bộ chuyển đổi Buck, một thiết kế mạch tụ
điện chuyển mạch với bộ chuyển đổi Buck bao gồm một tụ điện chuyển mạch có thể cấu hình lại kết hợp với
hệ thống PV được đề xuất trong [số 8]. Trong mô hình cấu hình lại này, chế độ kép được xác định trước của
chiến lược dựa trên hoạt động được sử dụng, chế độ này hoạt động bằng cách sử dụng các giá trị dòng điện
và điện áp đầu vào của bộ chuyển đổi nguồn và do đó giảm thiểu tổn thất điện năng. Hạn chế chính của cấu
trúc liên kết này là yêu cầu bổ sung các mạch thiết bị chuyển mạch, do đó làm tăng tổn thất chuyển mạch và
dẫn điện, đồng thời làm giảm hiệu suất tổng thể của hệ thống PV đã triển khai. Có thể giảm thiểu tổn thất
chuyển mạch bằng cách sử dụng nhiều sơ đồ điều chế, chẳng hạn như kỹ thuật Điều chế vectơ không gian
(SVM), kỹ thuật Điều chế độ rộng xung (PWM), kỹ thuật điều chế độ rộng xung nâng cao (EPWM) và kỹ thuật
Điều chế độ rộng xung lai (HPWM) [9].
Một cấu trúc liên kết khác của bộ biến đổi Buck xen kẽ nhiều pha được đề xuất, chủ yếu dựa trên việc
chia dòng điện đầu ra tổng của bộ biến đổi nguồn thành một số pha mong muốn.
Đây là một chiến lược thành công để giảm căng thẳng hiện tại trên toàn bộ hệ thống PV do tải được kết nối.
Chiến lược mới này nhằm chia dòng điện thành các pha giúp giảm tổn thất dẫn điện, do đó tối đa hóa hiệu
suất hệ thống [10]. Để tránh tổn thất dẫn điện và chuyển mạch do các thiết bị tích hợp bổ sung, bộ chuyển
đổi Buck được thiết kế để giữ cho bộ chuyển đổi nguồn hoạt động ở chế độ liên tục trong toàn bộ chu kỳ làm
việc [11]. Một thiết kế bộ chuyển đổi khác đã được đề xuất, đó là bộ chuyển đổi đồng bộ trong đó MOSFET
được sử dụng bằng cách thay thế diode để cải thiện hiệu suất chuyển đổi năng lượng bằng cách giảm tổn
thất dẫn điện do công tắc gây ra [12]. Để điều khiển hiệu quả và mạnh mẽ, dòng điện hai chiều đã được giới
thiệu: cấu trúc liên kết của bộ chuyển đổi dòng điện hai chiều để ứng dụng hệ thống dựa trên PV, đặc biệt
tập trung vào các hệ thống điện vi lưới DC [13].
3.1.2. Bộ chuyển đổi tăng cường

Bộ chuyển đổi tăng áp thường được sử dụng cho các hệ thống phát điện dựa trên PV. Bộ chuyển đổi
tăng áp giúp tăng điện áp đầu ra của tấm PV bằng cách thay đổi chu kỳ hoạt động. Điện áp đầu ra của PV phải
được đồng bộ hóa với tải được kết nối để thích ứng hoàn hảo với các đặc tính của hệ thống PV. Bộ chuyển
đổi tăng cường có hai chế độ hoạt động, bao gồm chế độ hoạt động liên tục (CCon) và chế độ hoạt động
không liên tục (DCon). Mô hình cơ bản của bộ chuyển đổi tăng tốc được hiển thị trong Hình12. Mô hình
chung của bộ chuyển đổi tăng áp bao gồm chủ yếu một cuộn cảm phía đầu vàoLTôi, một điốt
Dồ, một công tắc (MOSFET/IGBT) và tụ điện phía đầu raCồ. Công thức toán học biểu diễn trạng thái động của
bộ chuyển đổi tăng áp với hệ thống phát điện dựa trên PV được đưa ra bởi phương trình (11):
TÔIpv=CồTRONGpv+TÔILTôi, (11)
Ở đâuCồlà tụ điện phía đầu ra,TRONGpvlà điện áp môđun PV,TÔIpvlà dòng điện của môđun PV, vàTÔILlà dòng
điện cảm ứng. Mức tăng điện áp, mức tăng dòng điện và mối quan hệ toán học của chúng với chu kỳ nhiệm
vụ được biểu thị bằng phương trình (12):
TRONGbt TÔIbt rRồ

1
= = = , (12)
−
TRONGpv TÔIpv RTRONG 1 D
Ở đâuTRONGbtlà điện áp pin hoặc điện áp đầu ra.

Hình 12.Bộ chuyển đổi tăng cường với mô-đun PV.
Mối quan hệ toán học cho chu kỳ nhiệm vụ được đưa ra dưới dạng phương trình (13):
1
−
D=1 C ồTRONGbtTÔICái đó+TÔIpv. (13)
Tham số điều khiển của bộ chuyển đổi tăng áp là tần số hoặc chu kỳ nhiệm vụ (tỷ lệ nhiệm vụ). Các
tham số đầu vào điều khiển cho hệ thống PV, ở chế độ độc lập hoặc ở chế độ tích hợp lưới là điện áp, dòng
điện và công suất (dòng điện hai chiều trong chế độ tích hợp lưới) [14–16]. Trong tài liệu hiện có, nhiều mô
hình khác nhau của bộ chuyển đổi tăng tốc chung đã được đề xuất. Bộ chuyển đổi tăng áp thông thường gặp
phải một số vấn đề, chẳng hạn như kém bền hơn, khả năng chịu lỗi kém hơn và việc điều khiển điện áp đầu
ra trở nên khó khăn do điều kiện thời tiết thay đổi cũng như các đặc tính phi tuyến của hệ thống dựa trên PV.
Nhân vật12trình bày mô hình của bộ chuyển đổi boost.
Để giảm căng thẳng điện áp và giảm thiểu các gợn sóng không mong muốn của điện áp đầu vào và đầu
ra, một kỹ thuật được đề xuất là bộ chuyển đổi nguồn tăng áp kép (IDB) xen kẽ [ 17]. Một mô hình được đề
xuất khác là bộ chuyển đổi tăng áp hai chiều ba cổng dựa trên kỹ thuật xen kẽ có thể giảm gợn sóng và tăng
hiệu suất chuyển đổi năng lượng bằng cách giảm tổn thất chuyển mạch và điều chỉnh điện áp [18]. TRONG
[19], khái niệm biến tần vi mô được hiện thực hóa bằng cách chia tụ điện đầu ra thành hai phần để tối đa
hóa hiệu suất. Mohammed và cộng sự. đề xuất một kỹ thuật kết hợp cuộn cảm để giảm thiểu tổn thất
chuyển mạch và tạo điều kiện thuận lợi cho việc điều chỉnh điện áp trong khoảng thời gian sạc và xả [20].
Trong các hệ thống lưới vi mô DC, mức tăng chuyển đổi điện áp cao là điều cần thiết để đáp ứng tiêu chuẩn
IEEE và cấu trúc liên kết bộ chuyển đổi tăng áp ba cổng đã được nghiên cứu trong [21,22].
3.1.3. Bộ chuyển đổi Buck/Boost

Bộ chuyển đổi tăng cường Buck là một cấu trúc liên kết chuyển đổi năng lượng khác được sử dụng trong
công nghệ năng lượng tái tạo, đặc biệt là trong các hệ thống sản xuất năng lượng dựa trên PV. Bộ chuyển đổi
nguồn tăng áp Buck được sử dụng để tăng hoặc giảm cường độ điện áp đầu ra cung cấp cho tải được kết nối
tùy thuộc vào tính chất của ứng dụng. Nguồn được cung cấp cho tải kèm theo ở cả hai vị trí (BẬT hoặc TẮT)
của công tắc vận hành. Mô hình bộ chuyển đổi Buck-Boost chung được hiển thị trong Hình13. Mối quan hệ
tăng điện áp được thể hiện trong phương trình (14):
TRONGbk−bt TÔIbk−bt D
= = , (14)
TRONGpv TÔIpv 1 −D
Ở đâuTRONGbk-btđề cập đến điện áp đầu ra,TÔIbk-btđề cập đến dòng điện đầu ra,TRONGpvlà điện áp đầu vào
vàTÔIpvlà dòng điện đầu vào và chu kỳ làm việc.
Hình 13.Bộ chuyển đổi tăng cường Buck với mô-đun PV.
Cấu trúc liên kết tăng cường là cấu trúc liên kết chuyển đổi năng lượng được sử dụng thường xuyên
nhất cho các hệ thống PV, tạo điều kiện thuận lợi cho việc khai thác năng lượng tối đa từ các tấm pin mặt
trời bị ảnh hưởng nghiêm trọng bởi các yếu tố môi trường [23,24]. Tsai-Fu và cộng sự. đã sử dụng hai cấu
hình bộ chuyển đổi tăng áp cho hệ thống lưới vi mô DC để tránh căng thẳng điện áp và duy trì điện áp bus DC
[25]. Thật không may, dòng điện đầu ra vẫn có gợn sóng [25]. Juha và cộng sự. đã tích hợp một bộ lọc bổ
sung vào hệ thống PV để loại bỏ các gợn sóng [26]. David và cộng sự. giới thiệu khái niệm về bộ chuyển đổi
tăng áp không đảo với máy biến áp DC để tránh những thay đổi đột ngột về biến đổi điện áp do sự chuyển
đổi giữa chế độ hoạt động liên tục và không liên tục của bộ chuyển đổi và chuyển đổi điốt từ trạng thái BẬT
và TẮT [27]. Trong các hệ thống điện hòa lưới, sự thay đổi tần số làm giảm đáng kể chất lượng điện năng của
các hệ thống phát điện dựa trên PV. Hơn nữa, cần có khả năng kiểm soát cực kỳ hiệu quả và mạnh mẽ để
giám sát dòng điện hai chiều nhằm tuân thủ các tiêu chuẩn của IEEE [28]. Cấu trúc liên kết chuyển đổi tăng
cường Buck xen kẽ được đề xuất bởi Mohammad et al. cho phép bộ chuyển đổi năng lượng dựa trên PV hoạt
động như một bộ chuyển đổi năng lượng đa kênh trong các hệ thống tích hợp lưới điện cao [29].
3.1.4. Bộ chuyển đổi Cuk

Bộ chuyển đổi Cuk là một lựa chọn khác để tích hợp mô-đun PV và tải kèm theo. Bộ chuyển đổi nguồn
Cuk hoạt động theo nguyên lý duy nhất ở chế độ trạng thái ổn định trong đó giá trị trung bình của dạng sóng
điện áp cuộn cảm và dòng điện tụ điện bằng 0. Nhân vật14hình dung mô hình chung cho bộ chuyển đổi năng
lượng Cuk. Bộ chuyển đổi Cuk hoạt động ở hai chế độ. Ở chế độ đầu tiên, công tắc nguồn (MOSFET) ở trạng
thái BẬT, buộc tụ điện phải cung cấp điện cho tải được kết nối. Ở chế độ khác, công tắc nguồn (MOSFET) ở
trạng thái TẮT và diode nguồn sẽ ở trạng thái phân cực thuận và truyền năng lượng đến tải kèm theo. Công
thức toán học cho mức tăng điện áp và dòng điện được đưa ra theo phương trình (15):
TRONGck=TÔIck=− D0!, (15)

−
TRONGpv TÔIpv 1 D0
Ở đâuTRONGckđề cập đến điện áp đầu ra của bộ chuyển đổi nguồn Cuk,TRONGpvđại diện cho điện áp mô-đun
PV,TÔIcklà dòng điện đầu ra của bộ chuyển đổi,TÔIpvlà dòng điện PV, vàDồlà tỷ lệ nghĩa vụ.
Hình 14.Bộ chuyển đổi Cuk với mô-đun PV.
Bộ chuyển đổi Cuk hoạt động ở ba chế độ. Các chế độ này bao gồm chế độ dòng điện liên tục, chế độ
điện áp tụ điện không liên tục và chế độ dòng điện cảm ứng không liên tục. Do đặc điểm của mô-đun PV và
hoạt động phi tuyến, chế độ điện áp tụ điện không liên tục là phù hợp và được ưa thích nhất so với hai chế
độ vận hành còn lại đối với hệ thống phát điện dựa trên PV vì nó có hiệu suất cao và ít bị tổn thất do chuyển
mạch và truyền dẫn hơn. Ưu điểm chính của việc sử dụng bộ chuyển đổi Cuk cho các ứng dụng dòng điện
không đổi là hoạt động động của nó được đóng góp bởi cuộn cảm phía đầu ra, đảm bảo dòng điện đầu ra
không đổi hướng tới tải được kết nối, đặc biệt trong chế độ vận hành dòng điện cảm ứng không liên tục.
TRONG [30], bộ chuyển đổi Cuk được đề xuất được thiết kế và thử nghiệm với chiến lược theo dõi công suất
tối ưu đã được sửa đổi. TRONG [31], Mô hình bộ chuyển đổi Cuk được thực hiện bằng cách sử dụng phương
pháp tham số biến. Điện áp tụ điện và dòng điện cảm ứng được coi là các biến trạng thái để rút ra mô hình
không gian trạng thái của bộ chuyển đổi Cuk trong hệ thống PV. Phân tích độ ổn định cho thấy kết quả khả
quan và hàm lượng hài trong điện áp đầu ra tuân theo tiêu chuẩn IEEE, trong khi mức THD (Độ méo hài tổng)
được duy trì và giữ nghiêm ngặt ở mức dưới 5% [32].
3.1.5. Bộ chuyển đổi cuộn cảm sơ cấp một đầu (SEPIC)

Bộ chuyển đổi năng lượng SEPIC cũng là một loại bộ chuyển đổi năng lượng cho các hệ thống phát
điện dựa trên PV. Bộ chuyển đổi nguồn SEPIC có hai chế độ hoạt động. Trong các chế độ dẫn này, hoạt động
điện của bộ chuyển đổi nguồn SEPIC là khác nhau đối với các hệ thống PV. Ở chế độ hoạt động Con, dòng
điện qua công tắc MOSFET không đổi, nhưng dòng điện cảm ứngTÔICái đógiảm xuống giá trị gần như bằng 0
trong điều kiện thời tiết không chắc chắn. Biểu diễn toán học của mức tăng điện áp và dòng điện kết hợp với
chu kỳ làm việc được cho bởi phương trình (16):
TRONGspcTÔIspc D0
= =( ), (16)
−
TRONGpv TÔIpv 1 D0
Ở đâuTRONGspcđề cập đến điện áp đầu ra của bộ chuyển đổi nguồn SEPIC,TRONGpvđại diện cho điện áp mô-
đun PV,TÔIspclà dòng điện đầu ra của bộ chuyển đổi SEPIC,TÔIpvlà dòng điện PV, vàDồlà tỷ lệ nghĩa vụ. Mô hình
chung của bộ chuyển đổi nguồn SEPIC kết hợp với hệ thống PV được thể hiện trong Hình15.
Hình 15.Bộ chuyển đổi cuộn cảm sơ cấp một đầu (SEPIC) với mô-đun PV.
Phân tích so sánh dựa trên đánh giá quan trọng về công nghệ được sử dụng và yêu cầu của người
dùng đối với một ứng dụng cụ thể cho thấy bộ chuyển đổi Buck phù hợp với tình huống
trong đó điện áp mạch yêu cầu thấp hơn điện áp do môđun PV tạo ra. Ngược lại, bộ chuyển đổi tăng áp sẽ
thuận lợi hơn trong trường hợp điện áp mạch yêu cầu lớn hơn điện áp do mô-đun PV tạo ra để yêu cầu về
mạch phải được đáp ứng trong các điều kiện thời tiết khác nhau hoặc trong những thay đổi môi trường đột
ngột hoặc kéo dài và hiệu suất của bộ chuyển đổi tăng áp không được hiển thị xuống.
Cả bộ chuyển đổi nguồn Cuk và bộ chuyển đổi nguồn tăng cường điện áp đều được sử dụng khi điện
áp tăng hoặc giảm theo sự tuân thủ của mạch hoặc ứng dụng trong các hệ thống dựa trên năng lượng PV.
Hạn chế lớn nhất của chúng được báo cáo trong tài liệu là sự hiện diện của các gợn sóng ở đầu ra của bộ
chuyển đổi Cuk cũng như bộ chuyển đổi tăng tốc Buck. Những gợn sóng đầu ra này điều khiển bộ chuyển
đổi0hiệu suất chuyển đổi năng lượng của nó đến giới hạn không thể chấp nhận được. Hơn nữa, chúng yêu
cầu giá trị điện cảm lớn để đáp ứng các tiêu chuẩn của IEEE về dòng điện đầu ra và giảm các sóng hài không
mong muốn hoặc gợn sóng dòng điện [33].
Để giải quyết các vấn đề đã thảo luận ở trên liên quan đến yêu cầu điện áp và giảm sóng hài, một bộ
chuyển đổi nguồn SEPIC dựa trên công tắc đơn được sử dụng. SS-SEPIC (SEPIC công tắc đơn) tạo điều kiện
giảm gợn sóng dòng điện đầu ra, do đó tối đa hóa hiệu suất tổng thể của hệ thống PV và cải thiện chất lượng
điện năng sẵn có cho các phụ tải cục bộ. TRONG [34], một mô hình bộ chuyển đổi nguồn SEPIC đã được sửa
đổi được đề xuất, chủ yếu tập trung vào nguyên tắc phối hợp trở kháng để thu được công suất tối đa từ mô-
đun PV và tạo điều kiện cung cấp năng lượng tối đa cho tải tới hạn được kết nối cục bộ. Bộ chuyển đổi nguồn
SEPIC thông thường chịu tổn thất chuyển mạch cao do không có tụ điện có giá trị phù hợp, giúp giảm thiểu
ứng suất chuyển mạch trên bộ chuyển đổi nguồn, do đó tăng hiệu suất lên đáng kể. Để giảm tổn thất chuyển
mạch và để đạt được dòng điện đầu ra ổn định với tỷ lệ gợn sóng hoặc sóng hài rất nhỏ, một bộ chuyển đổi
nguồn SEPIC dựa trên cuộn cảm được ghép nối được đề xuất [35]. Hơn nữa, CI-SEPIC còn cải thiện chất lượng
điện năng đầu ra bằng cách giảm nhiễu điện từ. Emilio et al. Đề xuất mô hình bộ chuyển đổi SEPIC đồng bộ
nhằm nâng cao độ bền của hệ thống bằng cách điều chỉnh giá trị điện áp liên kết DC. [36]. Chiang và cộng sự.
đã đề xuất mô hình bộ chuyển đổi năng lượng SEPIC chủ yếu dựa trên điều khiển chế độ dòng điện cực đại và
đủ để sạc hệ thống của các hệ thống năng lượng dựa trên PV công suất thấp, do đó làm tăng tuổi thọ của bộ
pin được sử dụng trong mạch [37].
3.1.6. Bộ chuyển đổi Flyback

Bộ chuyển đổi flyback giống như bộ chuyển đổi Buck-Boost về cấu hình và số lượng linh kiện cần thiết.
Sự khác biệt duy nhất ở bộ chuyển đổi flyback là việc sử dụng máy biến áp DC. Các chế độ hoạt động của bộ
chuyển đổi flyback gần giống với các chế độ hoạt động của bộ chuyển đổi tăng tốc. Trong các hệ thống điện
PV dựa trên flyback, máy biến áp cuộn sơ cấp được kết nối với các mô-đun PV. Khi MOSFET ở trạng thái TẮT,
diodeDở chế độ phân cực ngược do cuộn thứ cấp của máy biến áp. Tụ điện phía đầu ra có nhiệm vụ cung cấp
điện cho tải kèm theo ở chế độ này. Khi công tắc nguồn (MOSFET) mở, điện áp cảm ứng trong cuộn thứ cấp
giảm xuống, dẫn đến dòng điện ở cuộn thứ cấp giảm và từ thông bị suy yếu đáng kể. điốt Dsẽ bị phân cực
thuận khi công tắc nguồn mở, kết quả là tạo ra điện áp cảm ứng dương trong cuộn dây thứ cấp của máy biến
áp lý tưởng. Tụ điện phía đầu ra cung cấp năng lượng cho tải được kết nối. Mô hình chung của bộ chuyển đổi
flyback có thể được hình dung bằng Hình16. Mối quan hệ tăng điện áp cho bộ chuyển đổi flyback được cho
bởi phương trình (17):
TRONGFB TÔIFB D0
= =N( ∗). (17)
D
TRONGpv TÔIpv 0
Hình 16.Bộ chuyển đổi flyback với mô-đun PV.
Một số mô hình bộ chuyển đổi fly-back đã được đề xuất trong tài liệu và đã đưa ra những ưu và
nhược điểm của chúng. Bộ chuyển đổi fly-back bao gồm số lượng thành phần phần cứng ít hơn, tương đối
đơn giản hóa hoạt động của nó, giảm độ phức tạp trong thiết kế phần cứng, đồng thời mang lại sự phù hợp
và lựa chọn ưu tiên hơn các cấu trúc liên kết hiện có khác trong các hệ thống phát điện dựa trên PV. Vấn đề
chính mà hệ thống PV sử dụng bộ chuyển đổi fly-back gặp phải là sự xuất hiện của các gợn sóng hài không
mong muốn ở dòng tải. Để giải quyết vấn đề hiện tại gợn sóng này, Gab-Su et al. đã giới thiệu một khái niệm
đơn giản về việc đặt một tụ điện tách rời giữa mô-đun PV và bộ chuyển đổi điện để giảm gợn sóng hài trong
dòng điện đầu ra của bộ chuyển đổi flyback. Hiệu suất của bộ chuyển đổi flyback bị ảnh hưởng nghiêm trọng
bởi tổn hao dẫn điện. Phương pháp chuyển đổi flyback xen kẽ dựa trên mô-đun giúp giảm tổn thất dẫn điện
bằng cách kiểm soát dòng điện qua công tắc nguồn, từ đó điều chỉnh công suất trong các yếu tố môi trường
khác nhau [38]. TRONG [39], phương pháp đề xuất bao gồm một mạch kẹp tụ điện tác dụng ở phía sơ cấp
của máy biến áp và ở phía thứ cấp của máy biến áp, một mạch nhân điện áp được gắn vào để giảm thiểu
dòng điện tuần hoàn và tổn thất chuyển mạch do dẫn điện [40].
Một bộ chuyển đổi flyback khác được sử dụng trong [41] để hạn chế bộ chuyển đổi nguồn nhằm nâng
cao độ bền và hiệu suất của hệ thống trong điều kiện tần số chuyển mạch (VSF) cao và khác nhau. VSF đặt ra
các yêu cầu về mạch phức tạp khiến cho việc mô hình hóa toán học chính xác trở thành một nhiệm vụ đầy
thử thách và khó khăn. Một sơ đồ chuyển đổi flyback khác được sử dụng trong [42] để giảm tổn thất dẫn
truyền; do đó, việc tối đa hóa chuyển đổi năng lượng và mô hình toán học trở nên dễ dàng hơn. Bộ chuyển
đổi năng lượng tích hợp mô-đun flyback xen kẽ được thảo luận trong [43] để tránh hoặc giảm thiểu gợn sóng
điện áp liên kết DC như
cũng như nhiễu điện từ gây ra bởi hiệu ứng từ hóa và khử từ của máy biến áp. Trong chế độ dẫn điện liên
tục, các thành phần mạch chuyển đổi nguồn phải chịu áp lực dòng điện rất lớn, do đó làm giảm hiệu suất
tổng thể của hệ thống. Để giải quyết vấn đề hiện tại quá căng thẳng này, Guan et al. [ 44] đã sử dụng hai sơ
đồ chuyển đổi ngược dòng dựa trên sự thay đổi tần số và điều khiển chu kỳ nhiệm vụ thích hợp sẽ cải thiện
tuổi thọ pin và giảm thiểu căng thẳng hiện tại lên các bộ phận của bộ chuyển đổi. Jong và cộng sự. [ 45] đã
giới thiệu một chiến lược mới về bộ chuyển đổi flyback nối tiếp để tăng cường độ lợi truyền điện áp của
môđun PV. Để tránh tình trạng trở kháng không khớp làm giảm khả năng truyền tải điện của môđun PV, bộ
chuyển đổi flyback tích hợp môđun phụ được đề xuất trong [46] bù điện áp PV bằng cách đưa dòng điện vào
hệ thống khi trở kháng không phù hợp
kịch bản, nếu không thì mô-đun phụ bị tắt hoặc cách ly khỏi hệ thống phát điện PV.
3.2. Cấu trúc liên kết biến tần
Biến tần thường được sử dụng để phát triển liên kết giữa các hệ thống DC và AC [ 47]. Hơn nữa, các
loại thiết bị này còn được sử dụng làm bộ điều khiển tần số thay đổi (VFD) hoặc bộ điều khiển tốc độ thay đổi
(VSD), được điều khiển bằng chuyển mạch bóng bán dẫn. Tuy nhiên, do sự chuyển đổi của bóng bán dẫn,
nhiều nội dung hài xuất hiện ở đầu ra và bị méo do nội dung hài được gọi là méo nội tiết tổng thể (THD)
[48,49]. Hiện tại, các bộ biến tần được sử dụng trong các ứng dụng PV là có máy biến áp hoặc không có máy
biến áp (có công tắc điện tử công suất). Một số loại không có máy biến áp là bộ biến tần toàn cầu, nửa cầu và
đa cấp. Các yêu cầu chính đối với bộ biến tần là hiệu suất cao, độ hài thấp, tiết kiệm chi phí và có cấu trúc
nhỏ gọn. Nói chung, cấu trúc liên kết biến tần dựa trên PV được phân loại dựa trên số lượng giai đoạn xử lý
nguồn.
Nhân vật17cho thấy hai loại biến tần PV khác nhau. Biến tần một cấp còn được gọi là biến tần vi mô và
được hiển thị trong Hình17Một. Trong bộ biến tần một cấp, bộ chuyển đổi DC sang DC và bộ MPPT được tích
hợp với bộ biến tần [50]. Do đó, sẽ có một giai đoạn xử lý nguồn duy nhất được lắp đặt và không cần bộ
chuyển đổi bên ngoài để theo dõi MPP. Hơn nữa, những bộ biến tần đó có khả năng xử lý gấp đôi công suất
danh nghĩa của lưới điện như được thể hiện trong Phương trình (18). Biến tần một tầng có những ưu điểm và
nhược điểm riêng. Ưu điểm chính của biến tần một cấp là: nó tiết kiệm hơn so với biến tần hai giai đoạn. Tuy
nhiên, mạch của nó rất phức tạp và có tổn thất điện năng cao trong quá trình PSC. Do đó, nó trở nên kém tin
cậy hơn:
Plưới=2PlướiTội2Ồlướit, (18)
trong đó công suất cực đại của lưới được biểu thị bằngPlướivà tần số của lưới là ωlưới.
Hình 17.Các loại biến tần PV (Một) biến tần một tầng, (b) biến tần hai giai đoạn.
Mặt khác, bộ biến tần có hai bộ xử lý nguồn được gọi là bộ biến tần PV hai giai đoạn, được thể hiện
trong Hình17b. Trong bộ biến tần hai giai đoạn, bộ chuyển đổi DC–DC có hệ thống điều khiển sạc dựa trên
MPPT được lắp đặt riêng với bộ biến tần [51]. Trong biến tần này, bộ chuyển đổi DC sang DC thực hiện hai
nhiệm vụ, tức là điều chỉnh mức điện áp và MPPT. Tuy nhiên, biến tần sẽ điều chỉnh dòng điện theo pha và
tần số của lưới bằng cách đưa tín hiệu điều chế độ rộng xung và nó sẽ chuyển đổi DC thành AC.
Mặc dù cơ chế điều khiển cơ bản của biến tần là chuyển đổi DC thành AC, nhưng các bộ biến tần có
nhiều hơn hai cấp độ có hiệu suất cao và có thể được thực hiện với chi phí tối thiểu [52,53].
Ba bộ biến tần đa cấp thường được sử dụng là Diode Kẹp, Tụ điện bay và Cầu H xếp tầng. Trong bộ
biến tần Diode Kẹp, các tụ điện nối tiếp được sử dụng để tạo ra nhiều mức điện áp. Trong biến tần kẹp diode
cấp n một pha, cần có n số tụ điện đểNcấp điện áp [54]. Tương tự, cần có n số lượng tụ điện trong bộ biến
tần Tụ điện bay cấp n [55]. Tuy nhiên, Bộ biến tần đa cấp Cascaded (C-MLI) không yêu cầu bất kỳ tụ điện hoặc
điốt bổ sung nào. Vì vậy, nó sẽ là một lựa chọn tốt cho các ứng dụng năng lượng tái tạo như hệ thống quang
điện (PV). Nhiều nguồn điện áp DC được kết hợp để tạo ra đầu ra cần thiết trong trường hợp pf C-MLI
[56,57]. Nhân vật18hiển thị sơ đồ mạch cơ bản của bộ biến tần cầu h được kẹp Đi-ốt, tụ điện bay và xếp
tầng. Đầu ra của biến tần đa cấp là dạng sóng hình sin bậc thang với sóng hài tối thiểu. Cấu trúc liên kết biến
tần đa cấp là lựa chọn thích hợp nhất cho hệ thống PV vì cấu trúc mô-đun của mảng PV nơi có thể dễ dàng
tạo ra nhiều cấp điện áp.
Hình 18.(Một) biến tần kẹp diode, (b) biến tần bay ngược, và (c) biến tần cầu nối tầng.
4. Kỹ thuật MPPT thông thường
Điện do hệ thống PV tạo ra có bản chất phi tuyến vì vị trí của mặt trời không cố định. Hơn nữa, điện do
hệ thống PV tạo ra phụ thuộc vào ánh sáng mặt trời (bức xạ) và nhiệt độ môi trường [58]. Do đó, việc thu
được công suất tối đa từ hệ thống PV trở thành một thách thức lớn [59]. Nhân vật19hiển thị đường cong đặc
tính P-V của bảng PV. Hình vẽ mô tả rằng có một điểm duy nhất trên mỗi đường cong nơi có thể đạt được
công suất tối đa.
Vì vậy, để buộc hệ thống PV hoạt động tại thời điểm đó, nhiều thuật toán Theo dõi điểm công suất tối đa
(MPPT) được các nhà nghiên cứu đưa ra. Một số kỹ thuật MPPT được sử dụng thông thường là: Điện áp
mạch hở phân số (FOCV), Dòng điện ngắn mạch phân số (FSCC) [60], Phương pháp leo đồi (HC) [61], Kỹ thuật
Độ dẫn tăng dần (InC) [62], và kỹ thuật Perturb and Observe (P&O) [63]. Các kỹ thuật nói trên hiệu quả, đơn
giản và thời gian đáp ứng rất nhanh trong điều kiện môi trường đồng đều, nhưng hiệu quả của chúng giảm
trong điều kiện bóng râm một phần và điều kiện môi trường thay đổi nhanh chóng [ 64]. Hơn nữa, ngay cả
trong UIC, các kỹ thuật này sẽ dao động trong điều kiện trạng thái ổn định hoặc ở MPP [60,65]. Tuy nhiên,
nhiều kỹ thuật lai đã được phát triển để cải thiện hiệu suất của các kỹ thuật nêu trên [ 58,66–68]. Cách tiếp
cận kết hợp này là sự kết hợp giữa các kỹ thuật MPPT thông thường và một số thuật toán trí tuệ nhân tạo để
cải thiện hiệu quả hoạt động của hệ thống PV [69,70]. Mô tả chi tiết về các kỹ thuật được sử dụng thông
thường này cũng như ưu và nhược điểm của chúng sẽ được thảo luận dưới đây.
Hình 19.Sơ đồ khối dòng ngắn mạch phân cực (FSCC).
4.1. MPPT bằng cách sử dụng các kỹ thuật được sử dụng thông thường
4.1.1. Dòng điện ngắn mạch phân số (FSCC)

Dòng ngắn mạch phân đoạn là một kỹ thuật MPPT trực tiếp. FSCC là một cách tiếp cận nhanh chóng,
đơn giản và ngoại tuyến để theo dõi MPP. Nó phụ thuộc vào tham số cơ bản của mảng PV. Tuy nhiên, nó
không thể phát hiện chính xác MPP [71]. Nó có thể được thực hiện bằng cả phương pháp rời rạc và tương tự.
Nguyên tắc chính của kỹ thuật này xuất phát từ việc quan sát rằng dòng điện MPP (TÔImpp) bằng một số giá trị
gần đúng của dòng điện ngắn mạch của tấm PV (TÔIsc) [72], được biểu thị bằng phương trình (19) và sơ đồ
khối của FSCC được thể hiện trên Hình19:
TÔIMPP kISC, (19)
Ở đâuklà hằng số nằm trong khoảng từ 0,8 đến 0,9. Để tính toánTÔIsc, tải phải được dỡ bỏ và
thì phương trình trên mang lại kết quảTÔIMPP. Tuy nhiên, phương pháp này có nhược điểm riêng:
•
Sự gián đoạn tải khi đoTÔIs,
•
MPP thu được không chính xác như chính phương trình đã chứng minh.
4.1.2. Điện áp mạch hở phân số (FOCV)
Hiện tượng cơ bản của điện áp hở mạch phân số (FOCV) giống như kỹ thuật FSCC. Vì vậy, đây là một kỹ
thuật MPPT trực tiếp không0theo dõi MPP. Do đó FOCV chỉ là một kỹ thuật dựa trên xấp xỉ [67]. Nó có thể
được thực hiện bằng cả phương pháp điều khiển rời rạc và tương tự. Tuy nhiên, FOCV dễ thực hiện hơn so
với FSCC. Hơn nữa, FOCV là một cách tiếp cận đơn giản, nhanh chóng và ngoại tuyến để tìm Điểm công suất
tối đa dựa trên giá trị ước tính của điện áp mạch hở. Kỹ thuật này hoạt động dựa trên nguyên
tắcTRONGmppxấp xỉ bằng một số giá trị phân số của Voc [71] được minh họa trong phương trình (20):
TRONGMPP kVOC, (20)
Ở đâuklà giá trị phân số của điện áp mạch hở, thông thường nó nằm trong khoảng từ 0,7 đến 0,8 lần điện áp
mạch hở [73]. Nhân vật20trình bày sơ đồ khối của FOCV. Hạn chế chính của kỹ thuật này là: nó tạo ra tổn
thất điện năng định kỳ trong khi đoTRONGoc. Hơn nữa, kỹ thuật này không khả thi đối với PSC.
Hình 20.Sơ đồ khối Điện áp hở mạch phân số (FOCV).
4.1.3. Nhiễu loạn và quan sát (PnO)

Kỹ thuật PnO là một kỹ thuật được sử dụng rộng rãi cho MPPT. Nguyên lý hoạt động của kỹ thuật này
dựa trên cơ chế leo đồi. Ban đầu, nó đo công suất đầu ra của tấm PV và sau đó làm nhiễu loạn chu kỳ hoạt
động của bộ chuyển đổi DC–DC, dẫn đến một số biến đổi về điện áp và dòng điện đầu ra, sau đó sẽ tính toán
công suất mới. Cuối cùng, nó so sánh quyền lực mới với quyền lực trước đó. Nếu công suất mới lớn hơn công
suất trước đó thì nó sẽ tiếp tục lặp lại sự thay đổi tương tự trong chu kỳ nhiệm vụ. Tuy nhiên, khi đạt đến
đỉnh đồi thì công suất mới bắt đầu giảm dần và quá trình nhiễu loạn sẽ đảo ngược. Các phương trình (21) và
(22) minh họa công thức toán học cho P&O và Hình21hiển thị biểu đồ dòng chảy của kỹ thuật P&O [74]. Hiệu
suất tổng thể của thuật toán P&O suy giảm trong điều kiện bóng một phần:
− (21)
TRONGmới=TRONGtrước ∆V Pmới<Ptrước,
TRONGmới=TRONGtrước+∆V Pmới>Ptrước, (22)

Ở đâuTRONGmớilà điện áp mới vàdtrướclà điện áp trước đó. Tương tự,Ptrướclà sức mạnh trước đó vàPmớilà một
sức mạnh mới. Tuy nhiên, ∆TRONGlà sự thay đổi điện áp đạt được khi thay đổi chu kỳ làm việc ở kích thước
bước ∆d.
Hình 21.Lưu đồ của kỹ thuật nhiễu loạn và quan sát (PnO).
4.1.4. Độ dẫn tăng dần (InC)

Kỹ thuật InC được sử dụng rộng rãi cho các ứng dụng MPPT vì nó đơn giản và chính xác hơn kỹ thuật
P&O. Nguyên lý làm việc của InC cũng dựa trên phương pháp leo đồi. Tuy nhiên, nó tính toán sự thay đổi gia
tăng trong độ dẫn bằng cách đánh giá tác động của sự thay đổi điện áp [7]. InC thông thường sử dụng độ dốc
của đường cong P–V [51]. Độ dốc đường cong P–V tại MPP bằng 0; độ dốc dương khi MPP ở bên phải và âm
khi MPP ở bên trái. Bộ điều khiển đưa ra một thay đổi nhỏ trong chu kỳ làm việc và quan sát hoạt động của
độ dẫn điện. Các công thức toán học của InC được thể hiện trong Công thức (23)–(25). Sơ đồ của toàn bộ
thuật toán được hiển thị trong Hình22:
∆TÔI (
∆TRONG> 0, C= Đĩa CDk+1=dk , (24)
2
∆TRONG> 0, C > ∆C, d(k+1)=d(k)−∆d,
∆TÔI 3
)
TRONG< 0, C > ∆C, d(k+1)=d(k)+∆d.
∆∆TÔI (25)
∆ ( ) ()
Hình 22.Lưu đồ về độ dẫn tăng dần (InC).

5. Kỹ thuật tính toán mềm cho MPPT
Các kỹ thuật MPPT thông thường thường được sử dụng cho các điều kiện bức xạ đồng đều. Tuy nhiên,
đối với các bài toán tạo bóng một phần, kỹ thuật tính toán mềm được sử dụng [ 75]. Độ bền của các kỹ thuật
này được đánh giá về thời gian phản hồi, tốc độ theo dõi, hiệu quả, độ phức tạp, chi phí triển khai, độ chính
xác và các yếu tố cảm biến cần thiết để triển khai [76]. Trong điều kiện bức xạ đồng đều, tất cả các kỹ thuật
đều hoạt động tốt. Tuy nhiên, trong điều kiện che nắng một phần, hiệu suất của chúng giảm [77,78]. Nhiều
đỉnh xuất hiện trên đường cong P–V trong điều kiện bóng một phần. Tuy nhiên, có một MPP duy nhất xuất
hiện trong mỗi đường cong, được gọi là đỉnh toàn cầu (GP) và các đỉnh còn lại được gọi là đỉnh cục bộ (LP).
Hơn nữa, trong UIC, chỉ có một GP và không có LP. Tuy nhiên, dưới PSC, có nhiều LP nhưng chỉ có một GP duy
nhất. Bóng một phần xảy ra do nhiều tình huống không thể tránh khỏi, chẳng hạn như bóng cây, tòa nhà,
chim hoặc bụi, v.v. [60,79,80]. Trong điều kiện tạo bóng một phần, thuật toán MPPT được yêu cầu phải đủ
hiệu quả để phát hiện mức tối đa toàn cục trong số nhiều cực đại cục bộ [ 79]. Trong nhiều trường hợp, vấn
đề về PS trở nên không thể tránh khỏi. Ví dụ, các hệ thống PV được lắp đặt ở Đức có gần 41% hệ thống PV bị
che khuất một phần [81,82]. Nhiều kỹ thuật tính toán mềm đã được phát triển để tránh PSC. Các kỹ thuật
tính toán mềm thường được sử dụng cho MPPT dựa trên trí tuệ nhân tạo, điều khiển logic mờ và các thuật
toán tiến hóa như PSO, GA, DE, ACO, GWO, v.v. Thứ hai, hiệu suất tổng thể của các kỹ thuật này là tốt trong
điều kiện bóng một phần. Hơn nữa, các kỹ thuật này hoạt động theo nguyên tắc tiến hóa và sử dụng nhiều
lần lặp để tìm ra điểm tối ưu [83,84].
5.1. Mạng lưới thần kinh nhân tạo

Mạng lưới thần kinh nhân tạo mô phỏng bộ não sinh học. Mạng thần kinh nhân tạo (ANN) là kỹ thuật
AI tiên phong được sử dụng để phát hiện MPP của hệ thống PV. Các mô hình cơ bản của ANN chứa ba lớp,
bao gồm lớp đầu vào, lớp ẩn và lớp đầu ra. Nhân vật23cho thấy cấu trúc thường xuyên được sử dụng của hệ
thống ANN. Thông thường, ANN hoạt động dựa trên hai quy trình thiết yếu được gọi là đào tạo và kiểm tra.
Ban đầu, các nơ-ron của hệ thống ANN được huấn luyện dựa trên một số điều kiện thời tiết được xác định
trước. Sau quá trình đào tạo, dự kiến thuật toán sẽ theo dõi MPP của mảng PV từ mọi điều kiện thời tiết.
Nguyên lý làm việc cơ bản của ANN là sử dụng các tham số chính của mảng PV bao gồm điện áp mạch hở,
dòng điện ngắn mạch, nhiệt độ và bức xạ, làm đầu vào và đầu ra thường là chu kỳ nhiệm vụ có thể được sử
dụng để điều khiển điện áp hoặc dòng điện của mảng PV. Tuy nhiên, trong quá trình huấn luyện, các trọng số
được tính toán chính xác để phát hiện MPP chính xác.
Gần đây, một số kỹ thuật đã được đề xuất để giải quyết vấn đề che bóng một phần trong hệ thống PV.
Hầu hết, ANN được sử dụng kết hợp với các ANN khác để đạt hiệu suất hiệu quả. TRONG [85], thuật toán
giảm độ dốc để huấn luyện được sử dụng và kỹ thuật ANN được sử dụng để phát hiện MPP. Một số nhà
nghiên cứu sử dụng ANN để cải thiện hiệu quả của P&O và InC trong điều kiện che nắng một phần như [86]
sử dụng kết hợp ANN với P&O, trong khi, ở [87,88], thuật toán InC được cải tiến bằng cách kết hợp nó với
ANN để giải PSC. Tương tự, điều khiển logic mờ (FLC) và ANN được kết hợp trong [89] để giảm thiểu biến
động và cải thiện sự ổn định. Phần lớn các thuật toán ANN [85–92] sử dụng lan truyền ngược để huấn luyện.
Hơn nữa, độ chính xác của các hệ thống này với ANN được cải thiện bằng cách tăng số lượng nút ẩn, với cái
giá phải trả là độ phức tạp tính toán tăng lên. Các thuật toán dựa trên ANN có thể không hoạt động chính xác
trong điều kiện môi trường thay đổi nhanh chóng. Do đó, các thuật toán dựa trên ANN không phù hợp để
triển khai trên các bộ điều khiển chi phí thấp.
Hình 23.Cấu trúc mạng thần kinh nhân tạo (ANN).

5.2. Thuật toán di truyền
Thuật toán di truyền (GA) được Holland đề xuất vào năm 1970 [93]. Nguyên lý hoạt động của nó dựa
trên lý thuyết tiến hóa sinh học, trong đó những đứa trẻ có giá trị thể lực cao hơn sẽ có cơ hội sinh sản cao
hơn [69,94–97]. Đối với quần thể ban đầu, nó ngẫu nhiên tạo ra bố mẹ 0gen của s. Sau đó, nó sử dụng gen bố
mẹ để tạo ra gen con dựa trên quá trình tiến hóa, như chọn lọc, lai ghép và đột biến, đồng thời tính toán giá
trị thích hợp. Giải pháp tốt nhất sẽ đạt được dựa trên sự sống sót của kẻ mạnh nhất bằng cách sử dụng một
số lần lặp lại. Ưu điểm chính của GA là nó không yêu cầu bất kỳ hàm đạo hàm nào. Tuy nhiên, tốc độ này
chậm, đặc biệt khi nó gần với lời giải tối ưu. Độ phức tạp tính toán của nó rất cao. Vì vậy, cần có bộ xử lý tốc
độ cao để thực hiện thuật toán này. Sơ đồ hoàn chỉnh của GA được hiển thị trong Hình24.
Hình 24.Sơ đồ thuật toán di truyền.
Ban đầu, một bộ nhiễm sắc thể được xác định để tìm giải pháp tối ưu từ không gian tìm kiếm. Các
nhiễm sắc thể này là điện áp hoặc chu kỳ nhiệm vụ trong bài toán MPPT. Thông thường, các nhiễm sắc thể
này được mã hóa dưới dạng mã nhị phân, trong khi hàm thích nghi là phương trình PV. Quần thể nhiễm sắc
thể phụ thuộc vào độ dài của mã nhị phân. Dân số lớn hơn sẽ giảm thời gian hội tụ nhưng sẽ làm tăng gánh
nặng xử lý. Hơn nữa, thuật toán sẽ thực hiện đột biến và lai ghép để tạo ra thế hệ mới. Hàm thích nghi sẽ
đánh giá thế hệ mới và giá trị thích nghi mới sẽ được chỉ định. Quá trình này lặp lại cho đến khi đạt được giá
trị thích hợp cao nhất và đó sẽ là MPP. Thông thường, thuật toán di truyền được sử dụng để tối ưu hóa các
kỹ thuật ANN và FL [98,99]. Cả hai kỹ thuật này đều cho thấy hiệu suất vượt trội so với P&O cổ điển nhưng
phức tạp và đòi hỏi thời gian xử lý cao. Các tác giả trong [100] đề xuất phương pháp MPPT trong đó thuật
toán P&O được tích hợp vào thuật toán GA để tạo thành một thuật toán duy nhất; bằng cách tích hợp P&O
vào GA, số lượng và số lần lặp đã giảm, do đó tìm được MPPT toàn cầu trong thời gian ngắn hơn. Hiệu quả
của phương pháp được đề xuất gần giống như phương pháp P&O cổ điển, nhưng nó có thể tìm thấy GMPP
ngay cả trong điều kiện bóng râm một phần mà phương pháp cổ điển không theo dõi được.
5.3. Phương pháp tối ưu bầy đàn

Tối ưu hóa nhóm hạt (PSO) là một kỹ thuật tối ưu hóa hiệu quả cao. Tối ưu hóa Particle Swarm là kỹ
thuật tiến hóa dựa trên ngẫu nhiên được sử dụng cho vấn đề tối ưu hóa. Thiết kế của sơ đồ này dựa trên trí
thông minh của bầy đàn. Nó được kích thích dựa trên hành vi xã hội của cá đánh đàn và chim bay trong đó
mỗi hạt là một hàm của vị trí và vận tốc của nó và cố gắng tuân theo giải pháp tối ưu tốt nhất hiện tại. Ban
đầu, các hạt được phân bố đồng đều hoặc ngẫu nhiên trong không gian trạng thái. Mỗi vị trí hạt được điều
chỉnh bằng cách sử dụng các phương trình (26) và (27). Chi tiết của toàn bộ thuật toán được thể hiện trong
sơ đồ trong Hình25:
xTôi+1=xTôi+ϕk+1, (
2
6
)
(
2
7
ϕk+1=TRONGk+1+ϕk+C1r1Ptốt nhất−xk +C2r2Gtốt nhất−xk. )
Hình 25.Sơ đồ thuật toán tối ưu hóa bầy đàn (PSO).
Các hạt bầy đàn tìm kiếm trong không gian và xác định những hạt tốt nhất cục bộ (Ptốt nhất) và tốt nhất
toàn cầu (Gtốt nhất) bằng cách sử dụng các phương trình (26) và (27). Đối với MPPT, vị trí trường hợp của hạt
được xác định là chu kỳ làm việc của bộ chuyển đổi và giá trị của nó được điều chỉnh bằng cách sử dụng các
phương trình (28) và (29) [101]. Các phương trình (30) và (31) lần lượt hiển thị mảng tốt nhất của hạt và tốt
nhất toàn cầu. Do đó, kỹ thuật này có thể không mang lại hiệu suất mong muốn về tốc độ hội tụ và khả năng
theo dõi để phát hiện điểm tối ưu:
dTÔI+1=dTÔI− ∆dTÔI, (28)
∆dTÔI+1=ỒdTÔI+c1r1Ptốt nhất−dTÔI+c2r2Gtốt nhất−dTÔI, (

2
9
)
Ptốt nhất= (P1,P2,P3,P4,P5...... .PTôi), (
3
Các tác giả trong
[102] đã đề xuất kỹ thuật 0
MPPT dựa trên PSO với ưu )
điểm chính là loại bỏ điều Gtốt nhất= (G1,G2,G3,G4,G5...... .GTôi). (
khiển PI nhờ phương pháp 3
điều khiển chu kỳ nhiệm vụ 1
trực tiếp. Kỹ thuật đề xuất )
khắc phục được nhược
điểm của phương pháp MPPT thông thường là không thể theo dõi GMMPT trong điều kiện bóng một phần.
5.4. Bộ điều khiển MPPT được điều chỉnh theo thuật toán tìm kiếm Crow
TRONG [103], các tác giả đã thiết kế bộ điều khiển MPPT dựa trên thuật toán tìm kiếm quạ (CSA) được
sử dụng với hệ thống PV kết nối lưới để điều chỉnh mức tăng của các bộ điều khiển liên quan. Kỹ thuật Độ
dẫn tăng dần được sử dụng để theo dõi công suất tối đa và bộ điều khiển được sử dụng để giảm thiểu các
hạn chế của MPPT dựa trên Độ dẫn tăng dần. Trong công việc đề xuất, CSA được sử dụng để điều chỉnh mức
tăng của bộ điều khiển tích hợp ở phía phát điện và bộ điều chỉnh điện áp DV ở phía lưới điện khác để giảm
thiểu lỗi điện ở phía phát điện.
Quạ được cho là thông minh nhất trong số tất cả các loài chim. Quạ dự đoán những tình huống không
lường trước được và có khả năng nhận diện khuôn mặt. Quạ theo dõi và theo dõi những con quạ khác để
giấu thức ăn và theo dõi những nơi đó để ăn trộm. Chúng liên lạc với nhau một cách có hệ thống để cảnh báo
về một số cách tiếp cận không thân thiện và có thể nhớ ra những nơi cất giấu thức ăn ngay cả sau một thời
gian dài. Hãy xem xét một đàn có kích thướcNvà vị trí của một con quạ được chỉ địnhTôiở lần lặp lạiktrong
···
mộtdkhông gian chiều được biểu thị bằngxTôi,k= [xTôi1,k,xTôi2,k, ,xTôid,k]. Vị trí tốt nhất mà một con quạ đạt
đượcTôiđể giấu thức ăn của nó có thể được chỉ định bởitôiTôi,k. Giả sử rằng ở lần lặpkcon quạjmuốn đến nơi
giấu thức ăn và gáyTôimuốn theo nó đến nơi ẩn náu; thì có thể xảy ra hai trường hợp sau:
Tình huống 1:nếu con quạjkhông biết con quạ đóTôiđang theo dõi nó, rồi quạTôisẽ theo dõi và tìm ra
nơi ẩn náu thức ăn của quạj. Trong tình huống này, con quạ đã giành được một vị trí mớiTôilà như sau:
xTôi,k+1=xTôi,k+rTôi×TRONGTôi,k×tôiTôi,k−xTôi,k, (32)
Ở đâuTRONGtôi, klà chiều dài chuyến bay của con quạTÔIVàrTôilà số ngẫu nhiên phân bố đều trong khoảng từ 0
đến 1.
Tình huống 2:nếu con quạjbiết con quạ đóTôiđang theo dõi nó, con quạj, để bảo vệ thức ăn khỏi bị
đánh cắp, nó sẽ đánh lừa con quạTôivà đưa nó đến một nơi khác trong không gian tìm kiếm. Cả hai tình
huống có thể được diễn đạt như sau:

×tôiTôi,k−xTôi,k
rj≥APTôi,k.Tôi,k+1=xTôi,k+rTôi×TRONGTôi,k (
x 3
 3
Mộtvị trí ngẫu nhiên nếu không
)


APđược gọi là xác suất nhận biết. Thuật toán tìm kiếm trong vùng cục bộ nếu giá trị của nó được lấy là
nhỏ và nếu được lấy là lớn thì thuật toán sẽ tìm kiếm trong không gian tìm kiếm toàn cầu lớn hơn nhiều.
5.5. Phương pháp MPPT với thuật toán tìm kiếm hấp dẫn được cải tiến
Các tác giả trong [104] đã đề xuất một phương pháp dựa trên thuật toán tìm kiếm hấp dẫn cải tiến
(IGSA). GSA cổ điển có một số nhược điểm và thiếu khả năng tìm kiếm trong không gian tìm kiếm cục bộ cũng
như cơ chế tăng tốc hiệu quả. Phương pháp đề xuất cho thấy tốc độ theo dõi tốt cũng như hiệu quả theo dõi
tốt so với các phương pháp MPPT khác.
Thuật toán tìm kiếm hấp dẫn (GSA) dựa trên nguyên lý hấp dẫn rằng hạt ở gần điểm tối ưu sẽ có khối
lượng lớn nhất. Các hạt di chuyển đến gần điểm tối ưu nơi khối lượng của nó cũng ngày càng lớn. Theo định
luật hấp dẫn, các hạt hút nhau do lực hấp dẫn và khối lượng càng lớn thì lực hấp dẫn càng lớn. Các hạt hút về
phía hạt có khối lượng lớn nhất và hạt đó được cho là ở điểm tối ưu.
Trong GSA, quần thể hạt ban đầu được tạo ngẫu nhiên trong mộtdkhông gian tìm kiếm có chiều và lực
hấp dẫn giữa hai hạt được cho như sau:
MTôi(t)×Mj(t)
F d
ij (t) =G(t)× Rij(t) +e×(xdj(t)−xCủa(t)), (34)
···
Ở đâud=1, 2, D,G(t)là hằng số hấp dẫn tại một thời điểm xác địnht,MTôi(t)VàMj(t)là khối lượng quán tính
của các hạtTôiVàj,Rij(t)xác định khoảng cách giữa hạtjVàTôi, ε là hằng số nhỏ, vàxdj(t)VàxdTôi(t)là vị trí của các
hạtjVàTôi, tương ứng.
Khối lượng quán tínhMTôi(t)được xác định bởi phương trình (35) và (36):
sự thích hợpTôi(t)−tồi tệ nhất(t) (35)

PNj=1tôij(t)
tôiTôi(t) = −tồi tệ nhất(t) ,
tốt nhất(t)
MTôi(t) =
Tôi
(t)
,tôi (36)
Ở đâusự thích hợpTôi(t),tốt nhất(t), Vàtồi tệ nhất(t)là các giá trị thích hợp củaTôihạt thứ, và các giá trị thích
hợp tốt nhất và kém nhất trong tất cả các hạtNvật rất nhỏ.
Hằng số hấp dẫn được xác định theo phương trình (37):
G(t) =G0×Nó là(−α×Tt), (37)
Ở đâuG0và α là các tham số do người dùng xác định vàTlà tổng số lần lặp.
Tổng lực tác dụng từ các hạt khác lênTôihạt thứ được biểu thị bằng phương trình (38):
FCủa(t) =XNj=1,j,Tôirandj×Fchống lại(t), (38)
trong đó số ngẫu nhiên Rand nằm trong phạm vi [0, 1].

Gia tốc của mộtTôihạt thứ tại một thời điểm nhất địnhtđược liệt kê bởi phương trình (39):
d(t) = FdTôi(t). (39)MộtTôiMTôi(t)
Cuối cùng, vị trí và vận tốc củaTôihạt thứ có thể được xác định theo phương trình (40) và (41):
TRONGTôid(t+1) =randTôi×TRONGTôid(t) +MộtdTôi(t), (40)xdTôi(t+1) =xdTôi(t)
+TRONGTôid(t+1). (41)
α là tham số rất quan trọng trong GSA tác động trực tiếp đến cơ chế tìm kiếm toàn cầu ảnh hưởng tới
tốc độ hội tụ và độ chính xác. Nếu giá trị của nó được đặt quá lớn thì tốc độ hội tụ cao với độ chính xác thấp
và nếu giá trị của nó được đặt nhỏ thì độ chính xác của nó sẽ cao với tốc độ hội tụ chậm hơn. Vì vậy, các tác
giả trong [104] đề xuất một giá trị α nhận các giá trị một cách linh hoạt. Nếu hạt ở gần giá trị tối ưu thì giá trị
của α trở nên nhỏ và nếu hạt ở xa điểm tối ưu thì giá trị của α sẽ trở nên lớn để hội tụ nhanh hơn.
Các tác giả trong [105] đã sử dụng GSA với phương pháp P&O truyền thống. Đường cong PV được quét
qua GSA và sau đó, giải pháp đạt được tốt nhất sẽ được chuyển sang P&O. Phương pháp kết hợp mang lại
hiệu suất theo dõi tốt hơn.
5.6. Phương pháp MPPT dựa trên Cauchy và Gaussian Sine Cosine
Các tác giả trong [106] đã đề xuất phương pháp MPPT dựa trên Cauchy và Gaussian Sine Cosine, đây là
thuật toán Sine Cosine lai (SCA) với mật độ Cauchy và hàm phân phối Gaussian. SCO được sử dụng để tạo
quần thể ban đầu để cơ chế SCA theo dõi MPP. Mật độ Cauchy được sử dụng để cải thiện khả năng tìm kiếm
thăm dò nhằm tránh bị mắc kẹt trong tối ưu cục bộ và để hội tụ nhanh đến điểm tối ưu toàn cục và hàm
phân phối Gaussian được sử dụng để cải thiện giai đoạn khai thác của cơ chế tìm kiếm.
Ban đầu, SCA được sử dụng để tạo tập hợp MPP theo dõi ban đầu thông qua cơ chế thuật toán sin
cosin. Đối với các giai đoạn thăm dò và khai thác không gian tìm kiếm, các biểu thức được trình bày trong
Công thức (42) được sử dụng:
XTÔI+1=(XXmã não++αα××cossin((BB))××ψψ××PPhai−−XXmã não ϕ <ϕ < 0,50,5. (42)
Phạm vi sin và cosin trong các phương trình trên có thể được xác định theo Công thức (43) để cân
bằng giữa việc thăm dò và khai thác. Nhân vật26cho thấy đường quỹ đạo quần thể của SCA:
tôi
− × ∀∈
Một=tôi k k K, (43)
K
Ở đâuXTôiklà vị trí cập nhật củaTôidân số thứ ởk+ Lần lặp thứ 1.PkTôilà hàm thích nghi của tương ứngXTôik. ψ, ϕ
và β là các số ngẫu nhiên.KVàklần lượt là tổng số lần lặp và số lần lặp hiện tại. Để cải thiện khả năng tìm kiếm
thăm dò và giai đoạn khai thác của cơ chế tìm kiếm, CGF được tích hợp vào SCA trong quá trình cập nhật vị
trí. Mật độ Cauchy và phân bố Gaussian được xác định theo phương trình (44) và (45):
fc(TRONG) = , (44)
(
1 2 2 4
e[− ( u ) / (2σ )]
υ−
√
fN(bạn) = 2πσ , 5
)
Ở đâuKhông, P2 là phân phối chuẩn với phương sai σ2và có nghĩa là bạn.TRONG0là giá trị trung bình của phân
bố CauchyCV0, c2. Công việc này tập trung vào MPPT dựa trên cảm biến đơn (dòng điện) để cải thiện việc sạc
pin axit chì. Trong pin axit chì, 90% đến 95% điện áp không đổi ở bất kỳ trạng thái sạc nào. Do đó, bằng
phương pháp này, công suất sạc và chu kỳ làm việc đã được ước tính để tối đa hóa công suất vì công suất là
hàm của dòng điện. Do chỉ sử dụng một cảm biến duy nhất nên chi phí của hệ thống MPPT sẽ thấp hơn cũng
như do gánh nặng tính toán ít hơn nên phương pháp này có thể được thực hiện trên một bộ vi điều khiển ít
tốn kém hơn.
Hình 26.Đường đi quỹ đạo của dân số SCA [106].
5.7. Phương pháp MPPT dựa trên thuật toán tối ưu hóa tâm lý con người
TRONG [107], các tác giả đã đề xuất một kỹ thuật dựa trên cảm biến duy nhất dựa trên thuật toán tâm
lý tối ưu hóa con người (HPO) mới dựa trên trạng thái tinh thần và tâm lý của một người đầy tham vọng.
HPO được sử dụng để theo dõi MPP từ các tấm PV để sạc pin axit chì một cách hiệu quả. Công việc được đề
xuất là một kỹ thuật dựa trên cảm biến đơn, hiệu quả cao và nhanh chóng. Kỹ thuật đề xuất được so sánh với
các kỹ thuật MPPT tiên tiến được phát triển gần đây, P&O-PSO lai và nội suy Lagrange với PSO (POPSO và
LIPSO) trên các điều kiện che bóng đồng nhất cũng như một phần bằng MATLAB (phiên bản, Nhà sản xuất,
Thành phố). , viết tắt của Bang Hoa Kỳ, nếu có, Quốc gia) và nền tảng phần cứng được phát triển. Kỹ thuật đề
xuất được cho là nhanh chóng, yêu cầu ít gánh nặng tính toán hơn vì chỉ sử dụng một cảm biến và có kỹ
thuật sạc pin hiệu quả.
5.8. MPPT dựa trên thuật toán lai JayaDe

TRONG [108], các tác giả đã đề xuất một phương pháp kết hợp giữa “Jaya” và “Tiến hóa khác biệt” được
gọi là JayaDe để theo dõi MPP của các hệ thống PV. Phương pháp đề xuất được thử nghiệm trên MATLAB
cũng như nền tảng phần cứng đã phát triển với các kỹ thuật tiên tiến khác được phát triển gần đây (ACO-
P&O, FPA và PSO) trong điều kiện môi trường đồng nhất và che bóng một phần, có cùng nhiệt độ và bức xạ,
có cùng điều kiện phần cứng và được cho là tốt hơn những phần cứng khác.
5.8.1. Tối ưu hóa JayaDe

Kỹ thuật Jaya (từ tiếng Phạn, có nghĩa là chiến thắng) hoạt động dựa trên giải pháp tốt nhất bằng cách
tránh những giải pháp tồi tệ nhất xuất hiện khi tìm kiếm con đường chỉ trong vài bước. Giả sử tại bất kỳ lần
lặp nàokcóTôisố lượng các biến thiết kế vàJsố lượng dân số hoặc giải pháp ứng cử viên. Ứng viêntốt
nhấtVàtồi tệ nhấtlần lượt đạt được giá trị tốt nhất và xấu nhất.XTôik,jlà giá trị củaTôibiến thứ chojứng cử viên
thứ đó, thì biến sẽ tự cập nhật trên cơ sở các giải pháp tốt nhất và tồi tệ nhất trong quá khứ. Phương trình
cập nhật nghiệm được cho bởi phương trình (46):
XTÔI,+j1=XTÔI,j+rand1×(XTÔI,tốt nhất−XTÔI,j)−rand2×(XTÔI,tồi tệ nhất−XTÔI,j), (46)
Ở đâuXTôik,tốt nhấtVàXTôik,tồi tệ nhấtlà các giá trị của biếnTôidành cho những ứng viên giỏi nhất và kém nhất trong
cuộc thikquần què
sự lặp lại. Quá trình lựa chọn cuối cùng được thể hiện bằng phương trình (47):
X
+1=ôiik,,+jj, nếu như1, Nếu không thìf(XTÔI,j)>f(XTÔI,+j1). (
4
X 7
TÔI,j X )

5.8.2. Sự tiến hóa khác biệt
DE là một thuật toán tìm kiếm toàn cầu và là kỹ thuật được đề xuất để cải thiện hiệu suất của thuật
toán Jaya bằng cách kéo tất cả các ứng cử viên dân số về phía MPP. DE chọn ba ứng cử viên giải
phápXj1(k),Xj2(k), VàXj3(k) từ dân số Jaya và truyền qua cơ chế của thuật toán DE. Cơ chế DE bao gồm ba bước:
đột biến, lai ghép và chọn lọc. Jaya đẩy mọi giải pháp ra khỏi những giá trị tồi tệ nhất và DE kéo các giải pháp
của Jaya hướng tới giải pháp toàn cầu cũng như người điều hành đột biến quan sát chặt chẽ các chuyển động
và cập nhật rất hoàn hảo các giải pháp cuối cùng.
5.9. MPPT dựa trên thuật toán thụ phấn hoa (FPA)
Các tác giả trong [109] đề xuất một phương pháp mới dựa trên thuật toán thụ phấn hoa mới do Xie
Yang phát triển. Thụ phấn là quá trình trong đó phấn hoa từ loài hoa này chuyển sang loài hoa khác. Các loài
hoa mới phụ thuộc vào quá trình thụ phấn và những bông hoa tham gia vào quá trình đó. Sự chuyển phấn
hoa trong cùng một loài được gọi là tự thụ phấn và sự chuyển phấn hoa giữa các loài hoa khác nhau được gọi
là sự thụ phấn chéo. Hoa thích nghi với các phương pháp khác nhau để phát tán hạt phấn hoa - một trong số
đó là phương pháp phi sinh học trong đó phấn hoa được truyền qua gió và phương pháp thứ hai là phương
pháp sinh học liên quan đến côn trùng, chim và động vật để dự trữ hạt phấn hoa. Việc chuyển phấn hoa
trong quá trình thụ phấn chéo được quan sát thấy bằng các chuyến bay vì chúng phải di chuyển quãng
đường dài.
Mục tiêu chính của quá trình thụ phấn cho hoa là sự sống sót của loài khỏe mạnh nhất theo điểm tiến
hóa sinh học. Sau đây là các quy tắc và bước chính liên quan đến việc phát triển FPA:
1 Thụ phấn sinh học và thụ phấn chéo được phân loại là quá trình thụ phấn toàn cầu trong đó phấn hoa
thực hiện một chuyến bay thu phí để chuyển sang những người theo dõi khác. Thụ phấn toàn cầu được
xác định bởi phương trình (48):
xNó+1=xcủa+cL(tôi)gtốt nhất−xcủa, (48)
LG(tôi)tội(xin/2) 1
L(tôi) = Số Pi1+tôi(S>>S0> 0). (49)
S
L(tôi)thể hiện trong phương trình (49) là sự phân bổ thuế giúp tăng cường độ thụ phấn và chịu trách
nhiệm vận chuyển phấn hoa đến khoảng cách xa hơn. γ là hệ số tỷ lệ để kiểm soát kích thước bước và
Γ(tôi)là hàm gamma tiêu chuẩn.
2 Quá trình phi sinh học và tự thụ phấn được phân loại là thụ phấn cục bộ và được xác định theo phương
trình (50):
xcủa+1=xcủa+e(xtk−xtj), (50)
Ở đâuxtkVàxtjlà những hạt phấn của cùng một loài. ε được sử dụng để tìm kiếm cục bộ giữa [0, 1].
3 Các loài thụ phấn được cho là có tác dụng tạo ra sự ổn định của hoa và khả năng sinh sản của các loài
mới sẽ cải thiện sự giống nhau của các hoa tham gia thụ phấn.
4 Công tắc xác suấtP∈[0, 1]kiểm soát sự chuyển đổi giữa thụ phấn cục bộ và toàn cầu và được tìm thấy
là 0,8 trong hầu hết các trường hợp.
FPA rất phù hợp cho các vấn đề tối ưu hóa phi tuyến chẳng hạn như đầu ra của hệ thống PV vì nó bao
gồm hai giai đoạn tính toán biến điều khiển, tức là thụ phấn toàn cục và cục bộ. Không có thuật toán tối ưu
hóa nào khác có cơ chế tìm kiếm kép trong quy trình một giai đoạn. Phương pháp FPA được so sánh với các
phương pháp PSO và P&O để xác minh tính ưu việt của nó so với các phương pháp khác bằng cách sử dụng
kết quả thử nghiệm mô phỏng và phần cứng trong các điều kiện môi trường khác nhau.
5.10. MPPT dựa trên tối ưu hóa đàn kiến (ACO)

TRONG [110], các tác giả đã đề xuất kỹ thuật MPPT dựa trên ACO. ACO là một kỹ thuật tối ưu hóa dựa
trên hành vi tìm kiếm thức ăn của kiến trong thời gian thực. Một đàn kiến là một đàn kiến và có thể được sử
dụng để giải quyết các vấn đề tối ưu hóa có thể được biểu thị bằng việc tìm đường đi tốt thông qua đồ thị.
Kiến di chuyển ngẫu nhiên để lại dấu vết pheromone phía sau và cố gắng tìm đường đi ngắn nhất giữa nguồn
thức ăn và tổ của nó. Khi những con kiến đi trên con đường ngắn nhất để lại pheromone nhanh hơn những
con kiến khác, nó sẽ nhanh chóng được củng cố bằng nhiều pheromone hơn và trở nên hấp dẫn đối với
những con kiến trong tương lai. Những vệt pheromone của những con đường dài hơn sẽ bốc hơi. Nếu một
con kiến tìm được con đường ngắn nhất thì những con kiến khác có nhiều khả năng đi theo con đường đó
hơn.
Các tác giả so sánh ACO với PSO sử dụng môi trường MATLAB/Simulink và phát hiện ra rằng ACO hiệu
quả hơn PSO.
Các tác giả trong [111] đã đề xuất một ACO lai với P&O thông thường. Kỹ thuật này đã hợp nhất thành
công ACO cho tìm kiếm toàn cầu và P&O cho tìm kiếm cục bộ để cải thiện thời gian và hiệu quả theo dõi tổng
thể.
5.11. Đó là nóffled Frog Leap Algorithm (SFLA) Dựa trên MPPT

SFLA, một kỹ thuật tiến hóa dựa trên quần thể siêu hình mới, là hiện thân của cách tiếp cận lan truyền
và thuật toán PSO. Nó có ưu điểm là tốc độ theo dõi nhanh, ít thông số, khái niệm đơn giản và khả năng tìm
kiếm toàn cầu tốt. Mỗi con ếch đại diện cho một giải pháp cho vấn đề trong SLFA và toàn bộ tình trạng ô
nhiễm của ếch được chia thành các nhóm nhỏ gọi là nhóm meme và mỗi nhóm có khả năng xác định nguồn
thức ăn bị ảnh hưởng bởi các nhóm khác [112].
Các tác giả trong [113] đã đề xuất một kỹ thuật MPPT dựa trên SLFA để tìm cực đại tổng thể trong
điều kiện che bóng một phần. Kỹ thuật đề xuất đã được so sánh với các kỹ thuật MPPT nổi tiếng khác như
DE, PSO và P&O. Kết quả của SLFA được cho là có hiệu suất tốt hơn các kỹ thuật khác về hiệu quả, độ hội tụ,
dao động và phản hồi.
5.12. MPPT dựa trên tối ưu hóa đàn đom đóm (GSO)
Tối ưu hóa đàn đom đóm là một thuật toán sinh học lấy cảm hứng từ một hiện tượng tự nhiên trong
đó đom đóm trao đổi thông tin với các đồng loại của chúng về việc tìm kiếm thức ăn. GSO cho rằng đã có
thành tích xuất sắc trong việc tìm ra giải pháp tối ưu. GSO đã được đề xuất trong [ 114] là thuật toán tối ưu
hóa để theo dõi và trích xuất công suất tối đa từ hệ thống PV-T dưới sự phân bổ nhiệt và bức xạ không đồng
đều. GSO sử dụng giun phát sáng với chất phát quang gọi là luciferin làm tác nhân. Sơ đồ của TCTK được mô
tả trong Hình27.
Hình 27.Sơ đồ của thuật toán Tối ưu hóa đàn đom đóm (GSO).
Giai đoạn cập nhật Luciferin:Chất luciferin do giun phát sáng mang theo phụ thuộc vào giá trị hàm
mục tiêu của vị trí hiện tại và được cập nhật theo phương trình (51):
TÔITôi(t+1) = (1 − p)×TÔITôi(t) +c ∗F(xTôi(t+1)), (51)
trong đó ρ đại diện cho hằng số phân rã luciferin, γ là hằng số tăng cường luciferin,TÔITôi(t)là luciferin ở lần
lặp t, vàF(xTôi(t+1))là hàm mục tiêu.
Giai đoạn chuyển động:Mỗi con đom đóm di chuyển về phía những cá thể tốt hơn và xác suất tác
nhân đóTôiđang hướng tới đại lýjđược biểu thị bằng phương trình (52):
TÔIj(t)−TÔITôi(t)
Pij=Ptôi∈NTôi(t)TÔI(t)−TÔITôi(t). (52)tôi
NTôi(t)thể hiện trong phương trình (53) đại diện cho tác nhân lân cận của tác nhânTôi:
)ồ
NTôi(t) =Nj:dTôi,j(t)<rTôid ,TÔITôi(t)<TÔIj(t . (53)
dTôi,j(t)đại diện cho khoảng cách Euclide giữa các con đom đómTôiVàj.rTôidlà phạm vi của
sâu phát sángTôitại thời điểmt.
Giun phát sáng bị thu hút và di chuyển về phía hàng xóm có lượng luciferin lớn hơn và phát sáng hơn.
Quy tắc cập nhật chuyển động như sau:
∗xj(t)−xTôi(t)
xTôi(t+1) =xTôi(t) +S ,

(54)
xj(t)−xTôi(t)
Ở đâuSlà kích thước bước
5.13. MPPT sử dụng điều khiển dự đoán mô hình

Nghiên cứu được trình bày trong [115] là một kỹ thuật MPPT hiệu quả của hệ thống PV bằng cách sử
dụng điều khiển dự đoán mô hình (MPC) được áp dụng cho bộ chuyển đổi DC–DC. Bản chất ngẫu nhiên và độ
biến thiên cao của năng lượng mặt trời ảnh hưởng đến đầu ra của quang điện và yêu cầu kỹ thuật MPPT liên
tục theo dõi công suất tối đa và điều chỉnh chu kỳ làm việc của bộ chuyển đổi năng lượng. Đóng góp chính
của phương pháp đề xuất là bộ điều khiển dựa trên dự đoán mô hình với kích thước bước cố định kết hợp
với kỹ thuật độ dẫn gia tăng thông thường (INC). Nhân vật28hiển thị sơ đồ của kỹ thuật được đề xuất. Kỹ
thuật này tăng cường đáng kể tốc độ theo dõi mà tại đó bộ điều khiển có thể theo dõi MPPT trong điều kiện
môi trường thay đổi nhanh chóng, từ đó cải thiện hiệu quả của hệ thống PV.
Hình 28.Lưu đồ của MPPT dựa trên Điều khiển dự đoán mô hình (MPC).
5.14. MPPT dựa trên thuật toán tối ưu hóa cá voi (WOA)
Các tác giả trong [116] đã đề xuất một kỹ thuật MPPT dựa trên Thuật toán tối ưu hóa cá voi (WOA) lấy
cảm hứng từ chiến lược săn cá voi lưng gù bằng thức ăn bằng lưới bong bóng. Cá voi lưng gù có kỹ thuật
kiếm ăn độc đáo là kiếm ăn bằng lưới bong bóng xoắn ốc. Những con cá voi này tạo ra các bong bóng theo
chuyển động xoắn ốc xung quanh con mồi để ăn các đàn nhuyễn thể và cá trên bề mặt. Chuyển động của
chúng có thể được mô hình hóa toán học bằng các phương trình (55) và (56):
→→
D , (55)
→ → →→
X(k+1) =X (k)−MỘT·D,
∗
(56)
Ở đâuMỘT,Cvà D là các vectơ hệ số,X∗là giải pháp tối ưu và cập nhật nếu thu được giải pháp tốt hơn,klà lần
lặp hiện tại vàXlà vector vị trí hiện tại của cá voi.MỘTVàCcó thể được tính theo phương trình (57) và (58):
→
→→ →
·−
MỘT=2Một r Một, (57)
→ →
·
C=2 r. (58)
rlà vectơ ngẫu nhiên nằm giữa [0, 1], giảm tuyến tính từ 2 xuống 0 khi tiếp tục lặp lại X∗là giải pháp tối
ưu với sự hiểu biết về con mồi. Sơ đồ mô tả phương pháp chi tiết MPPT dựa trên WOA được hiển thị trong
Hình29. Kỹ thuật đề xuất được thử nghiệm trên cấu hình PV 6S, 3S2P và 2S3P trong điều kiện môi trường
động và bóng một phần và được đo điểm chuẩn bằng các kỹ thuật GWO và PSO. Kết quả cho thấy rõ ràng sự
vượt trội của nó so với các kỹ thuật khác về độ chính xác và tốc độ theo dõi. Các tác giả trong [117] giới thiệu
phương pháp tối ưu hóa cá voi bằng phương pháp MPPT dựa trên kỹ thuật tiến hóa vi sai (WODE) để thay
đổi nhanh chóng các điều kiện môi trường và PSC. Kỹ thuật WODE rất tốt cho việc hội tụ nhanh cũng như
theo dõi GMPP không có dao động. Nó có một số ưu điểm độc đáo so với các kỹ thuật khác như hội tụ
nhanh, dao động trạng thái ổn định ít hơn và gánh nặng tính toán ít hơn.
Hình 29.Sơ đồ MPPT dựa trên Thuật toán tối ưu hóa cá voi (WOA).
5.15. MPPT dựa trên Tối ưu hóa Sói xám (GWO)
Các tác giả trong [118] đã đề xuất một kỹ thuật theo dõi trong môi trường bóng mờ một phần dựa
trên thuật toán Tối ưu hóa Sói Xám (GWO) nhằm tái tạo hành vi và cơ chế săn mồi cũng như hệ thống phân
cấp lãnh đạo của sói xám trong tự nhiên. Sói xám thích sống theo bầy và săn mồi cùng nhau. Để mô phỏng
khả năng lãnh đạo và phân cấp xã hội trong GWO, bốn loại sói xám được sử dụng, đó là alpha. (Một),
beta(b), đồng bằng(d), và omega(Ồ). Các giải pháp tốt nhất, tốt thứ hai và tốt thứ ba được coi là giải pháp
alpha(Một), beta(b)và đồng bằng(d), tương ứng, trong khi phần còn lại của quần thể được coi là omega (Ồ).
Thuật toán có ba bước chính là đuổi theo và theo dõi con mồi, bao vây và tấn công con mồi.
Sói xám bao vây con mồi để tấn công và hành vi này có thể được biểu thị bằng Phương trình (59) và (60):
→ →→ →
−
D=C.XP(t) XP(t), (59)
→ → →→
−
X(t+1) =XP(t) MỘT.D, (60)
Ở đâutlà lần lặp hiện tại,MỘT,C, VàDbiểu thị các vectơ hệ số,XPVàXlần lượt biểu thị vectơ vị trí con mồi và
vectơ vị trí sói xám.MỘTVàCvectơ được tính theo phương trình (61) và (62):
→
→→ →
MỘT=2Một.r1−Một, (
6
1
)
→ → (
C=2.r2, 6
2
)
Ở đâuMộtgiảm tuyến tính từ 2 xuống 0 khi các bước lặp tiếp tục vàr1,r2là số ngẫu nhiên giữa [0, 1]. Alpha
thường hướng dẫn cuộc săn, tiếp theo là beta và delta, đôi khi cũng tham gia vào quá trình săn bắn. Alpha
được coi là giải pháp ứng cử viên tốt nhất vì nó có kiến thức tốt nhất về vị trí con mồi. Delta và omega chăm
sóc những con sói bị thương. Sói kết thúc quá trình bằng cách tấn công khi con mồi ngừng di chuyển.
Để đánh giá tính hiệu quả của kỹ thuật được đề xuất, hiệu suất của nó được so sánh với các kỹ thuật
MPPT dựa trên P&O và IPSO và từ kết quả, người ta thấy rằng kỹ thuật dựa trên GWO cho thấy hiệu suất
vượt trội so với các phương pháp MPPT khác. Bàn2cho thấy sự so sánh hiệu suất của kỹ thuật được đề xuất
với các kỹ thuật khác.
Ban 2.So sánh hiệu suất của kỹ thuật đề xuất với các kỹ thuật khác.
Tối đa
Theo dõi %
Nguồn từ Kỹ thuật Công suất tối Tối đa Tối đa
Mẫu bóng VÀffikhoa
Đường cong P–V theo dõi đa (W) Điện áp (v) Hiện tại (tôi)
học
(W)
P&O 100,2 24.2 4.14 31:30
1 320 Tôi là 319,2 110,52 2.888 99,75
TO LỚN 319,4 110,55 2.889 99,81
P&O 180 23.07 7 giờ 80 54,54

2 330 Tôi là 329,5 112,3 2.934 99,84
TO LỚN 329,6 112,3 2.934 99,87
5.16. MPPT dựa trên thuật toán BAT

Thuật toán dơi là một thuật toán siêu dữ liệu mới được phát triển dựa trên hiện tượng định vị bằng
tiếng vang của loài dơi nhỏ để xác định vị trí thức ăn của chúng [119]. Dơi nhỏ hoặc microbats thường ăn côn
trùng và xác định vị trí của chúng bằng cách sử dụng khả năng định vị bằng tiếng vang. Khoảng cách và hướng
đi của con mồi được xác định bởi hướng và cường độ tín hiệu phản hồi từ con mồi. Con dơi phát ra các xung
siêu âm có tốc độ và biên độ cụ thể. Nó nhận các xung phản hồi và xung từ những con dơi khác trong đàn ở
giữa các xung truyền của nó bằng cách định vị bằng tiếng vang và giải mã chúng. Nếu các xung phản hồi có
biên độ thấp và tốc độ mạnh thì rất có thể con mồi đã được định vị và dơi sẽ di chuyển theo cùng một
hướng. Khi tiếp cận con mồi, dơi tăng dần tốc độ xung và giảm biên độ.
Thuật toán dơi được phát triển bằng cách lý tưởng hóa các đặc điểm định vị bằng tiếng vang của
microbats. Thuật toán này có rất nhiềuNmicrobats, bay ngẫu nhiên ở vị tríxTôivới vận tốcTRONGTôi, biên
độMỘTTôivà nhịp tim rTôi∈ [0, 1] tùy thuộc vào khoảng cách của con mồi. Mỗi con dơi được ấn định thống
nhất một tần số từ [fphút, ftối đa] và vị trí cũng như vận tốc được cập nhật theo phương trình (63)–(65):
fTôi=fminmaxphút, (
6
3
)
(
6
TRONGcủa+1=TRONGcủa+xcủa−x∗fTôi,
4
)
(
6
xcủa+1=xcủa+TRONGcủa+1,
5
)
trong đó β ∈[0, 1]là một vectơ ngẫu nhiên phân bố đều vàx∗là vị trí tốt nhất toàn cầu được cập nhật bằng
cách so sánh tất cảNdơi ở mỗi lần lặp.
Trong giai đoạn khai thác, giải pháp mới tốt nhất được tạo ra bằng phương trình (66):
xmới=x∗+eMỘTt, (66)
trong đó ε là số ngẫu nhiên từ phân phối [–1, 1] hoặc Gaussian vàMỘTtlà âm lượng trung bình. Độ ồn giảm và
nhịp tim giảm khi dơi di chuyển về vị trí tối ưu toàn cầu. Độ ồnMỘTTôivà nhịp timrTôiđược cập nhật bởi
phương trình (67) và (68):
MỘTcủa+1=MộtMỘTcủa, (67)
− −
rTôit+1=RTôi[1 điểm kinh nghiệm( ct)], (68)
trong đó α là hằng số trong khoảng [0, 1] và γ là hằng số dương.

Nó được hiển thị trong [119] rằng BA có độ chính xác cao và độ hội tụ nhanh nhờ khả năng chuyển đổi
năng động và tự động giữa thăm dò và khai thác. Kỹ thuật đề xuất được so sánh với các kỹ thuật khác như
P&O và PSO và cho thấy tính ưu việt của nó trong việc theo dõi GMPP trong điều kiện động và bóng mờ một
phần. Trong hầu hết các trường hợp, nó đạt hiệu suất 99,9% và kết quả đã được kiểm chứng qua thực tế
triển khai. Thuật toán dơi cũng đã được triển khai và thử nghiệm [120] và cho thấy phương pháp đề xuất là
phương pháp hiệu quả, nhanh hơn, bền vững và đáng tin cậy.
5.17. MPPT dựa trên thuật toán tìm kiếm sinh vật cộng sinh
Các tác giả trong [121] đề xuất một kỹ thuật tối ưu hóa Tìm kiếm sinh vật cộng sinh (SOS) siêu kinh
nghiệm mới để theo dõi MPP trong điều kiện môi trường năng động và bóng mờ một phần. Một trong những
ưu điểm chính của kỹ thuật này là nó không có tham số điều chỉnh như các kỹ thuật tính toán mềm khác. Kỹ
thuật đề xuất được triển khai bằng nền tảng MATLAB/Simulink dưới các mức bức xạ và nhiệt độ khác nhau.
Kỹ thuật đề xuất được so sánh với P&O và kết quả cho thấy sự vượt trội của nó về tốc độ theo dõi, độ chính
xác và hiệu quả theo dõi.
5.18. MPPT dựa trên rừng ngẫu nhiên (RF)

Các tác giả trong [122] đã đề xuất một kỹ thuật MPPT dựa trên rừng ngẫu nhiên mới để nâng cao hiệu
suất theo dõi công suất tối đa của hệ thống PV. Mô hình RF có khả năng nắm bắt mối liên hệ phi tuyến tính
của các mẫu giữa các yếu tố dự đoán, chẳng hạn như bức xạ và nhiệt độ, để xác định MPP chính xác. Trong
nghiên cứu này, MPPT dựa trên thuật toán rừng ngẫu nhiên được thiết kế bằng nền tảng MATLAB/Simulink,
sau đó độ chính xác và phản hồi động của nó được kiểm tra và xác nhận trong các điều kiện môi trường thực
tế. Mô hình MPPT dựa trên RF cũng được điểm chuẩn với ANN và ANFIS để xác thực thêm. Kỹ thuật MPPT
được đề xuất được cho là vượt trội hơn các kỹ thuật khác.
Ngoài ra, mô hình RF đã vượt qua bài kiểm tra Bland–Altman với tỷ lệ chấp nhận hơn 95%.
Cây quyết định hồi quy, phân loại được thể hiện trong hình30.
Hình 30.Thuật toán rừng ngẫu nhiên [122].
5.19. MPPT dựa trên đàn ong nhân tạo

Đàn ong nhân tạo (ABC) là một thuật toán siêu hình dựa trên quần thể mới được phát triển để giải
quyết các vấn đề tối ưu hóa đa phương thức và đa chiều mô phỏng hành vi tìm kiếm thức ăn của đàn ong
mật. Ong nhân tạo có thể được phân thành ba nhóm: ong được thuê, ong quan sát và ong trinh sát. Những
con ong đang tìm kiếm nguồn thức ăn là những con ong được thuê và những con đang chờ trong tổ để chọn
nguồn thức ăn là những con ong quan sát. Ong trinh sát là những con ong được tuyển dụng mà nguồn thức
ăn của chúng không thể được cải thiện thông qua một cuộc thử nghiệm được xác định trước. Số lượng
nguồn thức ăn bằng số lượng ong làm việc và ong quan sát. Vị trí và mật hoa của nguồn thực phẩm tương
ứng là giải pháp và giá trị của hàm thích ứng của bài toán tối ưu hóa. ABC tạo ngẫu nhiên một quần thể
nghiệm SN ban đầu theo phương trình (69):
j j j j
xTôi=xphút+rand[0, 1]xtối đa−xphút, (69)
{ ··· } { ··· }
j jỞ đâuTôi= 1, 2, ,SN ,j= 1, 2, ,D Vàxtối đa,xphútVàDlà giá
trị tối đa và tối thiểu của tham sốjvà số lượng tham số tối ưu hóa tương ứng. Đối với mỗi chu kỳC=1, 2,
··· ,Mạng đa kênh, mỗi con ong được tuyển dụng sẽ tạo ra một giải pháp mới theo phương trình sau và đánh
giá mức độ phù hợp của nóphù hợpTôi:
TRONGij=xij+Phiijxij−xkj, (70)
Ở đâuk∈ {1, 2, ··· ,SN},j∈ {1, 2, ··· ,D} và φij∈[−1, 1].

Những con ong được tuyển dụng đã chia sẻ thông tin và sau đó người xem tìm thấy các vị trí mới với
xác suất được đưa ra trong Phương trình (71):
phù hợpTôi
PTôi=P SN .
(71)
N=1phù hợpN
Chức năng thích hợp của mỗi ứng viên mới được so sánh với chức năng cũ và nếu nó tốt hơn cái cũ thì
nó sẽ được cập nhật vào bộ nhớ; nếu không, giải pháp cũ sẽ được giữ lại. Nếu tính phù hợp của một giải pháp
không thể được cải thiện ở cuối mỗi chu kỳ thì giải pháp mới sẽ được tìm kiếm ngẫu nhiên bằng phương trình
(70). Sơ đồ của kỹ thuật MPPT dựa trên ABC được hiển thị trong Hình31. Kỹ thuật MPPT dựa trên ABC được
đề xuất trong [123]. Kỹ thuật được đề xuất là một kỹ thuật đơn giản và mạnh mẽ, khắc phục thành công các
vấn đề liên quan đến kỹ thuật MPPT thông thường. Kết quả cho thấy kỹ thuật đề xuất có hiệu suất tốt hơn
MPPT dựa trên PSO. Hơn nữa, nó chỉ yêu cầu hai tham số điều khiển và độ hội tụ của nó độc lập với các điều
kiện ban đầu.
Hình 31.Sơ đồ thuật toán MPPT dựa trên đàn ong nhân tạo (ABC) [123].
5 giờ 20. Ủ mô phỏng

Ủ mô phỏng (SA) là một kỹ thuật tối ưu hóa mạnh mẽ được thúc đẩy bởi hiện tượng ủ trong kim loại
để tăng cường chất rắn. Nếu bạn nung kim loại đến điểm nóng chảy và sau đó làm nguội nó, tính chất cấu
trúc của kim loại phụ thuộc vào tốc độ làm nguội của nó. Nếu kim loại nóng chảy được làm lạnh nhanh
chóng, nó sẽ có những khuyết điểm và nếu làm nguội chậm, các tinh thể lớn sẽ được hình thành [124].
Trong thuật toán SA, quá trình ủ kim loại được mô phỏng dựa trên nhiệt độ ban đầu và cuối cùng cũng
như tốc độ làm nguội. Thuật toán thực hiện nhiều nhiễu loạn về điện áp bằng cách thay đổi chu kỳ làm việc
và đo công suất đầu ra. Quyền lực mới được so sánh với quyền lực trước đó. Nếu nguồn điện mới có ít năng
lượng hơn điểm năng lượng vận hành tham chiếu thì nó sẽ được chấp nhận, làm tăng thêm xác suất chấp
nhận. Xác suất chấp nhận được thể hiện trong phương trình (72): "Pk−PTôi#
Pr=điểm kinh nghiệm .
(72)
Tk
Pk,PTôi, VàTklần lượt là công suất ở điện áp hiện tại, công suất tại điểm vận hành tốt nhất cuối cùng và
nhiệt độ hiện tại. Thuật toán SA yêu cầu lịch làm mát có thể là tĩnh hoặc thích ứng. Lịch trình làm mát hình
học phổ biến được đưa ra bởi phương trình (73), trong đóTkVàTk−1là nhiệt độ của bước đối với k,k− 1 tương
ứng và α < 1 là một hằng số nào đó:
Tk=MộtTk−1. (73)
Sau bốn lần nhiễu loạn, giá trị nhiệt độ được cập nhật và tác giả thực hiện SA không đồng nhất. Trong
SA không đồng nhất, không cần cân bằng ở mỗi mức nhiệt độ. Thuật toán SA được hiển thị trong Hình32.
Hình 32.Sơ đồ quy trình của kỹ thuật MPPT dựa trên luyện kim mô phỏng (SA) được đề xuất.
5,21. MPPT dựa trên thuật toán pháo hoa
Thuật toán pháo hoa (FWA) là một thuật toán tối ưu hóa siêu dữ liệu thông minh dựa trên hành vi
thông minh của bầy đàn. FWA mô phỏng các vụ nổ pháo hoa trên bầu trời đêm để tìm ra giải pháp tối ưu.
Trong FWA, trong không gian tìm kiếm, ban đầu một số pháo hoa được tạo ra và quá trình nổ ngẫu nhiên
được bắt đầu cho mỗi pháo hoa. Một cơn mưa công viên được tạo ra và lấp đầy không gian địa phương xung
quanh pháo hoa phát nổ do vụ nổ pháo hoa. Cả tia lửa và pháo hoa mới được tạo ra đều là giải pháp tiềm
năng cho vấn đề trong không gian tìm kiếm. Để tìm kiếm hiệu quả điểm tối ưu toàn cục trong không gian tìm
kiếm, thuật toán sử dụng tia lửa nổ do toán tử nổ tạo ra và tia lửa đột biến Gaussian do toán tử đột biến
Gaussian tạo ra. Sự cân bằng hợp lý giữa quá trình thăm dò và khai thác là đặc điểm chính của thuật toán
này. Thăm dò là khả năng thuật toán tìm kiếm một vùng lớn cho giải pháp tối ưu toàn cục và khai thác đề cập
đến quá trình tìm kiếm một vùng nhỏ hơn để tránh những bước nhảy lớn và tinh chỉnh giải pháp. Các tia lửa
đột biến Gaussian được tạo ra nhằm nâng cao khả năng tìm kiếm cục bộ cũng như đảm bảo tính đa dạng của
bầy đàn. Nhân vật33hiển thị sơ đồ của FWA.
Hình 33.Sơ đồ thuật toán pháo hoa.
5,22. MPPT dựa trên thuật toán Dragon Fly

Dragon fly (DF) là một thuật toán dựa trên trí thông minh bầy đàn để giải quyết các vấn đề phi tuyến.
Chuyển động của bầy đàn được phân loại là tĩnh và động. Một đàn gồm một số DF ở một địa phương nhỏ
đang tìm kiếm thức ăn được phân loại là đàn tĩnh. Chuyển động của chúng bị hạn chế ở những bước nhảy
nhỏ bắt chước việc khai thác không gian tìm kiếm [125].
Để khám phá không gian tìm kiếm, nếu có nhiều DF di chuyển theo một hướng cụ thể, thì đó được gọi
là khám phá bắt chước bầy đàn động. Nó tạo thành cấu trúc cơ bản của Thuật toán Dragon Fly (DFA). Mô
hình toán học của đàn DF được thực hiện bằng cách mô tả năm đặc điểm độc đáo của đàn. Vì Tôisố lượng cá
thể được bao quanh bởiNsố lượng hàng xóm, Sự phân tách mang lại khoảng cách giữa DF liền kề để tránh
xung đột và tối đa hóa không gian tìm kiếm làSTôisau đóTôicá thể thứ được cho bởi phương trình (74):
STôi=−Xvân vân=1(X−Xk), (74)
trong đó vị trí của từng hạt DF được biểu thị bằngXvà, đối vớikvị trí thứ đó sẽ làXk.
Căn chỉnh: Để phù hợp với vận tốc di chuyển của DF thể hiện sự đồng bộ hóa được cho bởi phương
trình (75):
PN
MỘTTôi= k=1 (
, 7
Ở đâuTRONGklà vận tốc củakcá nhân thứ. N 5
)
TRONGk
Sự gắn kết: Tất cả các hạt có xu hướng di chuyển đến trung điểm của khối lượng lân cận. Sự gắn kếtỞ
đóđược thể hiện trong phương trình (76):
PN
CTôi= k=1Xk−X. (76)
N
Thu hút ẩm thực tại địa điểmXĐồ ănđược thể hiện bằng Công thức (77) trong đó Cá nhân có xu hướng
hướng tới thức ăn:
FTôi=XĐồ ăn−X. (77)
Kẻ thù: Các hạt riêng lẻ có xu hướng tách ra khỏi kẻ thù. Vị trí của kẻ thùXkẻ thùđược thể hiện bằng
phương trình (78):
VÀTôi=Xkẻ thù+X. (78)
Kết hợp ảnh hưởng của năm đặc điểm này, vị trí nâng cấp cuối cùng của từng hạt DF được cho bởi
phương trình (79):
XTôi=XTôi+∆XTôi, (79)
trong đó công thức toán học của ∆XTôiđược thể hiện trong phương trình (80):
∆XTôi= (sSTôi+MộtMỘTTôi+cCTôi+ffTôi+ETôi) +TRONG∆XTôi. (80)
Giải thích tất cả các ký hiệu của phương trình (80) được đưa ra trong Bảng3. Quy trình từng bước triển
khai thuật toán DFA được thực hiện bởi [126] được thể hiện trong Bảng4. Nhân vật34trình bày sơ đồ của
thuật toán DFA.
Bàn số 3.Ký hiệu của phương trình (80).

Biểu tượng Từ viết tắt
S Trọng lượng tách
STôi Tách rồng thứ i
Một Trọng lượng căn chỉnh
MỘTTôi Căn chỉnh thứ i Dragon Fly
c trọng lượng gắn kết
CTôi Sự gắn kết của Rồng Ruồi thứ i
f Yếu tố thực phẩm
FTôi Ẩm thực hấp dẫn
Nó là Yếu tố kẻ thù
VÀTôi Vị trí của kẻ thù
TRONG Trọng lượng quán tính
∆XTôi Kích thước bước chuyển động của
Dragon Fly
Bảng 4.Triển khai DFA theo từng bước với mô tả.
Sự liên Phép tính Sự miêu tả/Mục đích
tiếp
Trong bước đầu tiên, quần thể được khởi tạo trong
Bước 1 khởi tạo −
không gian tìm kiếm (Dphút Dtối đa)
Bước 2 Tính toán kích thước bước các giá trị của kích thước bước được khởi tạo.
Sức mạnh của mỗi DF được tính toán theo chu kỳ nhiệm vụ
Bước 3 Tính toán công suất tương ứng để xác định công suất đầu ra và hệ số kẻ thù
tốt nhất
Bước 4 Trọng số được chỉ định Các giá trị của s, a, c, f và e được gán.
Các ký tự DF riêng lẻ được tính Giá trị của STôi, MỘTTôi, CTôi, FTôi, VÀTôiđược tính bằng cách sử
Bước 5 toán dụng
Phương trình (75)–(80)
Bước 6 Bán kính hàng xóm Bán kính lân cận được cập nhật để khai thác/thăm dò
Vị trí của DF được cập nhật (thay đổi Vị trí của DF được cập nhật theo eq. 23 và nếu nó nằm ngoài
Bước 7
trong chu kỳ nhiệm vụ) giới hạn tìm kiếm, DF được bắt đầu ở ranh giới đối diện.
Nếu các điều kiện kết thúc được đáp ứng, thoát thuật
Bước 8 Kiểm tra chấm dứt toán. (Điều kiện chấm dứt Thay đổi 5% là sức mạnh Trạng thái
ổn định trong một khoảng thời gian nhất định)
Bước 9 khởi động lại Sự thay đổi đột ngột về công suất đầu vào.
Hình 34.Sơ đồ thuật toán Dragon Fly (DF) [125].
5,23. MPPT dựa trên thuật toán tìm kiếm Cuckoo

Tìm kiếm chim cu gáy (CS) là một thuật toán được phát triển dựa trên hành vi sinh sản hung hãn của
chim cu cu. CS được triển khai trên MPPT bởi [77,127]. Chiến lược của chim cúc cu được bắt chước dưới hình
thức tối ưu hóa. Chim cúc cu theo đuổi việc tìm tổ của chim chủ, đẻ trứng vào thời điểm thuận lợi cho việc
nở sớm hơn, đồng thời chim cu gáy mới phá hủy trứng của chim chủ để tăng khả năng tiếp cận nhiều thức ăn
hơn và chất lượng sống sót tốt hơn. Lợi ích chính của thuật toán này là tốc độ hội tụ nhanh, độ chính xác và
yêu cầu điều chỉnh tham số tối thiểu.
Mô hình toán học được gọi là chuyến bay Lévy được sử dụng để tìm kiếm tổ chủ. Thông thường, trí
thông minh đầm lầy được sử dụng cho không gian tìm kiếm trong đó các hạt đơn lẻ di chuyển trong không
gian với một số hàm ngẫu nhiên về vận tốc và hướng. Để kiểm tra tốc độ dịch chuyển, người ta gắn một
trọng lượng w, trọng lượng này giới hạn và mô tả đặc điểm của một hạt chuyển động. Hơn nữa, CS áp dụng
hàm bay Lévy sử dụng các kích thước bước ngẫu nhiên được trích xuất bằng cách phân phối theo luật lũy
thừa được đưa ra bởi phương trình (81):
Và=tôi-l, (81)
trong đó l là độ dài chuyến bay và phương sai được biểu thị bằng λ. Tuy nhiên, giá trị của λ nằm trong khoảng
từ 1 đến 3. Thế hệ mới được biểu thị bằngx(t+1)như thể hiện trong phương trình (82). α được sử dụng để thay
đổi bước đầu tiên:
xTôi =xtj+một ⊕Thuế(tôi), ( (t+1)
8
trong đó α được tính theo phương trình (83): 2
)
(
8
3
Một=Mộtồ(xtj+xcủa). )
5,24. Thuật toán tìm kiếm Cuckoo thích ứng cho MPPT
Để cải thiện hiệu quả hội tụ của cukoo0s, một thuật toán tìm kiếm chim cu thích ứng được các nhà
nghiên cứu đề xuất trong [125,128]. Lưu đồ của Thuật toán tìm kiếm chim cu gáy thích ứng (ACCO) này được
hiển thị trong Hình35. Trong kỹ thuật này, các tham số chuyển mạch cố định của thuật toán tìm kiếm cúc cu
được cập nhật thường xuyên để loại bỏ các trục trặc không mong muốn ở đầu ra nguồn và điện áp.
Tham số chuyển đổi để tăng tuyến tính các giá trị của nó khi số lần lặp CS tăng được xác định bởi
Phương trình (84):
CTôi
Paci= (PMộttối đa).( TTôi). (84)
Tham số chuyển đổi để tăng theo cấp số nhân đối với mức tăng số lần lặp được cho bởi Công thức
(85):
CTôi
P (
Paci= ( Mộttối đa). Điểm kinh nghiệm TTôi). (85)
Ngoài ra, để biểu diễn tham số chuyển mạch sử dụng công suất bậc ba, phương trình (86) được cung cấp:
CTôi 3
P (
Paci= ( Mộttối đa). TTôi). (86)
Hàm thích nghi (J) là giá trị của công suất PV tại MPP, trong đóDlà chu kỳ nhiệm vụ và n là số lượng
mẫu. Các mẫu điện áp được tạo dựa trên phân phối Lévy được cho bởi các phương trình (87) và (88):
Ở đâu
(t+1) DTôi =DtTôi+một ⊕Thuế(tôi), (87)
Một=Mộtồ(dtốt nhất−dTôi). (88)
Hình 35.Trình bày sơ đồ về điều khiển MPPT dựa trên Thuật toán tìm kiếm chim cu gáy thông qua (ACOA) được đề
xuất cho hệ thống PV.
5,25. MPPT dựa trên tìm kiếm hấp dẫn tối ưu hóa nhóm hạt (PSOGS)
Tối ưu hóa đầm lầy hạt là một mô hình lấy cảm hứng từ sinh học để tối ưu hóa các vấn đề trong đó trí
tuệ tập thể của các cá nhân giống hệt nhau được sử dụng để tối đa hóa hiệu quả hoạt động. Trong PSO, các
hạt tối ưu hóa đầm lầy hạt có liên quan đến một đàn chim. Mỗi hạt có hướng và vận tốc riêng được khởi tạo
trong không gian tìm kiếm. Không gian tìm kiếm được giới hạn về mặt toán học và chứa lời giải tốt nhất có
thể. Trong mỗi lần lặp lại, vị trí và hướng tốt nhất sẽ được cập nhật cho các phần tử lân cận, tức là việc chia
sẻ thông tin sẽ nâng cao giải pháp ứng cử viên. Mỗi hạt đại diện cho một giải pháp ứng cử viên. PSOGS được
triển khai trên bài toán MPPT bằng [129].
Mô hình toán học PSO với GS được tạo ra trong đó mỗi hạt được khởi tạo với vận tốc và hướng ngẫu
nhiên và đại diện cho một giải pháp ứng viên. N là số lượng hạt ban đầu cũng đang thể hiện các giải pháp
···
ứng cử viên. Vị trí của hạt I được cho bởixTôi= (xTôi1+xTôi2+ +xTRONG)và vận tốc tương ứng của hạtTRONGTôi=
···
(TRONGTôi1+TRONGTôi2+ +TRONGTRONG)Bị ràng buộc bởiTRONGtối đatrong mộtNkhông gian tìm kiếm chiều.
Vị trí và vận tốc được cập nhật theo phương trình (89) và (90):
TRONGĐẾN=wvĐẾN+c1t1tốt nhấtk−xĐẾN+c2t2gbestk−xĐẾN, (89)
1)=xĐẾN+TRONGTôi(k+1
),(k+ (90)
nơi giải pháp hiện tại làxkTôi(vị trí của hạt) ở lần lặp thứ k, trong khic1,c2đại diện cho hằng số dương,r1,r2là hai biến
ngẫu nhiên nằm trong khoảng [0, 1],TRONGlà trọng lượng quán tính tác dụng lên vectơ vận tốc theo hướng và
độ lớn của vận tốc mới, vận tốc được giữ ở giới hạn bằng cách giới hạnTRONGtối đagiới hạn trên vectơ, được khởi
tạo như một hàm của phạm vi bài toán.
Thuật toán tìm kiếm hấp dẫn (GSA) là một thuật toán heuristic và được giới thiệu vào năm 2009. Mô
hình toán học GSA dựa trên Newton 0định luật hấp dẫn và chuyển động được sử dụng; hệ thống bắt đầu với
các tác nhân ngẫu nhiên (Đã) và lực hấp dẫn được thông báo từ tác nhânkĐẾNtôi. Phương trình tổng quát
của GSA được đưa ra bởi Label (91):
Mlàm ơn(t)∗MTại(t) (
Fdlk=G(t) Rlk(t) +ex k(t)−x tôi(t).
d d
9
1
Sử dụng dạng tổng quát của định luật hấp dẫn như trong phương trình (92),
)
(
9
2
F=G.(M1M2)/R2. )
InGSA, Risusedthay vìR2mang lại kết quả tốt hơn,G(t)là lực hấp dẫn tức thời, vàMVà,Mlàm ơnlần lượt là
lực hấp dẫn chủ động và lực hấp dẫn thụ động.Rlklà khoảng cách Euclidian từ tác nhântôiĐẾNk. ε > 1 là một
hằng số nhỏ. Việc chèn ε là cần thiết để tránh việc chia cho 0, điều này thường xảy ra đối với các tác nhân ở
− )
cùng một vị trí chính xác. Cácxdk(t) xdtôi(t đưa ra khoảng cách của các vị trí đại lý hoạt động. Hằng số hấp dẫn
tức thời được tính theo phương trình (93):
một ∗lặp đi lặp lại!

∗ −
G(t) =Gồ điểm kinh nghiệm , (93) tối đanó
Ở đâuGồlà giá trị ban đầu của trọng lực. α là hệ số giảm dần,lặp đi lặp lạilà lần lặp hiện tại, tối đanólà số lần lặp
tối đa. Do đó, tổng lực tác dụng lên ứng viêntôiđược cho bởi phương trình (94):
Fdl(t) =XGiống=Một1,tôi,krkFtôikd(t), (94)
Ở đâudlà chiều không gian tìm kiếm bài toán,rklà số ngẫu nhiên Phương trình tổng quát của Newton
gia tốc được suy ra theo phương trình (95):
F
→
=Và Một= . (95)
tôi
Biểu thức GSA có thể được viết dưới dạng Phương trình (96):
Vàdtôi(t) =Fdtôi(t)/(Mtôi(t)), (96)
Ở đâuMtôilà khối lượng tác nhântôinhư sự kết hợp của thời giant.
Vận tốc và vị trí của từng tác nhân lần lượt được tính theo phương trình (97) và (98):
TRONGtôid(t+1) =rtôi∗TRONGtôid(t) +Vàdtôi(t), (97)
Xtôid(t+1) =Xtôid(t) +TRONGtôid(t+1). (98)
Lý do cho sự kết hợp PSO-GSA là để sử dụng trí thông minh xã hội hấp dẫn của PSO và kết hợp trí
thông minh xã hội này với khả năng tìm kiếm địa phương chính xác, tức là,Vàtôi(t)của GSA; do đó, một cách
tiếp cận hiệu quả là tối đa hóa việc tìm kiếm GM và tránh bị mắc kẹt trong LM; Ngoài ra, dao động do nhiễu
loạn và mất điện được giảm thiểu. GSA0khả năng tìm kiếm cục bộ củaVàtôi(t)là biểu diễn của chu kỳ nhiệm vụ
và vận tốc cũng như vị trí của các tác nhân được cập nhật lần lượt bằng các phương trình (99) và (100):
TRONGtôi (gbest−xtôi(t)), (99)
Xtôi(t+1) =Xtôi(t) +TRONGtôi(t+1). (100)
5,26. MPPT dựa trên tìm kiếm mẫu tổng quát (GPS)
GPS là một kỹ thuật tính toán mềm phi đạo hàm dựa trên dân số siêu hình được sử dụng để giải quyết
các vấn đề tối ưu hóa. Ban đầu, nó được giới thiệu để giải quyết các vấn đề không khả vi và không liên tục.
Tuy nhiên, vào năm 1997, Torczon đã nâng cấp kỹ thuật này để giải quyết các vấn đề phi tuyến không bị ràng
buộc [130]. Ưu điểm chính của kỹ thuật này là tốc độ hội tụ và hiệu quả cao. Thuật toán GPS hoạt động theo
hai giai đoạn khác nhau, tức là giai đoạn thăm dò và tìm kiếm. Trong giai đoạn tìm kiếm, sử dụng tập hữu hạn
các điểm lưới, hàm mục tiêu được đánh giá để tìm ra giải pháp tối ưu. Đối với giá trị tốt nhất mới, giá trị hiện
có sẽ được cập nhật và quy trình được lặp lại để có giải pháp tốt nhất toàn cầu. Nếu không thực hiện được,
giai đoạn thăm dò sẽ được sử dụng trong đó tất cả các điểm lưới được gán một tập giá trị mới và sau đó hàm
mục tiêu sẽ được đánh giá. Lưu đồ cơ bản của thuật toán GPS cho MPPT được thể hiện trong Hình 36[131].
Thuật toán 1 hiển thị mã giả của thuật toán GPS. Phương trình (101) mô tả các phương trình cơ bản cho chu
kỳ nhiệm vụ mới và trước đó.
Hình 36.Biểu đồ quy trình Tìm kiếm Mẫu Tổng quát (GPS) cho MPPT của hệ thống PV [131].
Thuật toán 1.Mã giả của Tìm kiếm mẫu tổng quát (GPS) cho MPPT [131].
Nội địa hóa
1 : b=2, c=0,5,quần què=0,2
2 :giác quan VPVvà tôiPVvà tính toánC
3 :Nếu nhưsố điện thoại> 0sức chịu đựng
4: trong khiVÀTRONG>Nếu nhưsố điện thoạiLÀM
5: d=dự đoán ban đầu
6: trong khik=0, 1, 2, ... ,NLÀM
7: đánh giá f(d)
số 8 : tìm D_tệ nhất và tính f(d_tồi tệ nhất)
9: j=chỉ số của y_tồi tệ nhất
10 : nếu như(f(d+∆kC)>f(dtồi tệ nhất)
11: dj=dj+∆kC
12: ∆k+1=γ∆k
13: −
nếu không ((f(d ∆kC)>f(dtồi tệ nhất))
14: dj=dj−∆kC
15: ∆k+1=β∆k
16 : khác
17 : ∆k+1=∆k
18 : dj+1=dj+∆kC
19 : kết thúc nếu
20 : k=k+1
21 : nếu như(∆_k<Quần què)
22 : phá vỡ
23 : kết thúc nếu
24 : kết thúc trong khi
25 : tính ETRONG
26 : kết thúc trong khi
dTÔI+1=dTÔI− C, (101)
(TRONGSC−TRONGoc)
C= , (102)
m
2
Ồ
P N
k= 1
( F di − avg F di )
k k
VÀTRONG=. (103)
(N− 1)
Hai biến điều khiển của thuật toán là điện áp và dòng điện. Các phương trình (101) đến (103) mô tả
các phương trình cơ bản cho tham số điều khiển được cập nhật, tức là chu kỳ nhiệm vụ.
5,27. So sánh giữa Diffkỹ thuật hiện có

Không có tiêu chí cụ thể nào để đánh giá đâu là kỹ thuật tốt nhất. Tất cả các kỹ thuật đều có ưu và
nhược điểm. Ở đây, chúng tôi đã cố gắng đưa ra đánh giá hoặc cho điểm cho từng kỹ thuật dựa trên các chỉ
số hiệu suất của chúng được chỉ định trong Bảng5.
Nó sẽ giúp người đọc đánh giá và lựa chọn một kỹ thuật tương đối tốt hơn trong số những kỹ thuật
khác. Tiêu chí chấm điểm như sau:
1. Tất cả các chỉ số hiệu suất được đánh giá theo thang điểm từ 1–3.
2. Số lượng cảm biến cần thiết = 1 thì điểm là 3, nếu số lượng cảm biến cần thiết > 1 thì điểm là 1.
3. Điểm cho Mức độ phức tạp, Độ chính xác theo dõi và Tốc độ theo dõi được tính theo tiêu chí sau: Thấp
= 3, Trung bình = 2 và Cao = 1.
4. Hiệu quả khi tạo bóng một phần = 3, không hiệu quả khi tạo bóng một phần = 1.
5. Điểm cuối cùng = Điểm cho “Biến được cảm nhận” + điểm cho “Mức độ phức tạp” + điểm cho “Độ
chính xác theo dõi” + điểm cho “Tốc độ theo dõi” + điểm cho “Hiệu quả cho việc tạo bóng một phần”.
Bảng 5.So sánh giữa các kỹ thuật khác nhau.
VÀffikhoa
Theo dõi Điểm
Số tham MPPT Biến cảm Mức độ Theo dõi Bộ chuyển học cho
Năm độ chính (Tổng
chiếu Kỹ thuật nhận phức tạp tốc độ đổi một phần
xác cộng=15)
Bóng mát
[74] 2013 P&O V/I—1 Thấp/3 Trung Nhanh/3 Tăng số 1 10
bình/2
[51] 2013 vi mạch V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
bình/2
[67] 2014 FOCV V—3 Thấp/3 Trung Trung Tăng số 1 11
bình/2 bình/2
[71] 2015 FSCC Tôi—3 Thấp/3 Trung Trung Tăng số 1 11
bình/2 bình/2
[87] 2013 ANN V/I—1 Cao/1 Cao/3 Nhanh/3 Cái xô Có: 3 11
[132] 2014 GA V/I—1 Thấp/3 Trung Nhanh/3 Cái xô Có: 3 12
bình/2
[102] 2012 PSO V/I—1 Trung Trung Nhanh/3 Buck của Có: 3 11
bình/2 bình/2 tăng
[103] 2017 CSA V/I—1 Thấp/3 Cao/3 Nhanh/3 Tăng số 1 11
[104] 2018 ISSA V/I—1 Cao/1 Cao/3 Nhanh/3 Tăng Có: 3 11
[106] 2017 CGSCO Tôi—3 Thấp/3 Cao/3 - Tăng Có: 3 12
[107] 2017 HPO Tôi—3 Thấp/3 Cao/3 Nhanh/3 Tăng Có: 3 15
[108] 2017 JayDe V/I—1 Thấp/3 Cao/3 Nhanh/3 Tăng Có: 3 13
[133] 2017 FPO V/I—1 Thấp/3 Cao/3 Nhanh/3 Tăng Có: 3 13
[111] 2016 ACO-P&O Thấp/3 Cao/3 Nhanh/3 Tăng Có: 3 12
[113] 2017 SFLA G/T/V/I—1 Cao/3 Nhanh/3 Tăng Có: 3 10
[114] 2017 Tổng cục G/T—1 Cao/3 Nhanh/3 Tăng Có: 3 10

Thống kê
[116] 2016 WOA Tôi/V—1 Cao/3 Nhanh/3 Tăng Có: 3 10
[118] 2015 TO LỚN V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12

bình/2
[119] 2017 KHÔNG V/I—1 Cao/1 Cao/3 Nhanh/3 Buck của Có: 3 11
tăng
[121] 2015 SOS V/I—1 Cao/1 Cao/3 Nhanh/3 Tăng Có: 3 11
[122] 2017 RF G/T—1 Cao/1 Cao/3 số 1 6
[123] 2015 ABC V/I—1 Cao/1 Cao/3 Nhanh/3 Tăng Có: 3 11

[134] 2015 TRÊN V/I—1 Thấp/3 Cao/3 Trung Tăng Có: 3 12
bình/2
[135] 2016 THỜI V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
GIAN bình/2
[125] 2019 NN-FFOA V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
bình/2
[136] 2019 P&O-ABC V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
bình/2
[137] 2018 PSO V/I—1 Cao/1 Trung Nhanh/3 Tăng Có: 3 10
bình/2
[129] 2019 PSOGS V/I—1 Cao/1 Cao/3 Nhanh/3 Tăng Có: 3 11
[125] 2019 DFO V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
bình/2
[127] 2012 CS V/I—1 Cao/1 Cao/3 Nhanh/3 Tăng Có: 3 11
[131] 2016 GPS V/I—1 Trung Cao/3 Nhanh/3 Tăng Có: 3 12
bình/2
6. Kết quả so sánh và thảo luận
Trong phần này, bốn trường hợp riêng biệt được nghiên cứu. Sau một số kết quả và dấu vết, bốn
trường hợp đặc biệt được lựa chọn cẩn thận để xây dựng bài toán một cách toàn diện và đo lường hiệu suất
của các thuật toán lấy cảm hứng từ sinh học. Một mô hình mô phỏng dựa trên PV được phát triển trong
MATLAB/Simulink với khối nhúng MPPT. Bốn trường hợp khác nhau được phát triển để kiểm tra tính chắc
chắn của sáu kỹ thuật MPPT thường được sử dụng. Nhân vật37a minh họa mô hình MATLAB/Simulink của hệ
thống PV và Hình37b hiển thị đường cong P–V của Trường hợp 1–2, được sử dụng để kiểm tra tính hợp lệ
của các kỹ thuật MPPT trong mô hình đó. Trường hợp 1 dành cho bức xạ thay đổi nhanh, trường hợp 2 và
trường hợp 3 dành cho bóng râm một phần và trường hợp 4 được nghiên cứu về dạng bóng râm một phần
phức tạp (CPS). Kết luận được đưa ra trên cơ sở phân tích so sánh. Phân tích hiệu suất chi tiết được trình bày
trong Bảng 8. Các kết quả được phân tích để theo dõi và giải quyết thời gian, hiệu suất năng lượng, dao
động, quá độ điện áp, dòng điện và năng lượng. Sử dụng kết quả, các kết luận được đưa ra liên quan đến
hiệu suất tổng thể của MPPT bằng các bộ tối ưu hóa lấy cảm hứng từ sinh học.
6.1. Trường hợp 1 Bức xạ đồng đều

Trong trường hợp 1, tất cả các môđun PV đều nhận được mức bức xạ như nhau và nó thay đổi theo
thời gian. Nó được gọi là bức xạ thay đổi nhanh. Mẫu thử nghiệm được đưa ra trong Bảng6và mô hình PV
tương ứng và các đường cong P–V được trình bày trong Hình37. Mức bức xạ được thay đổi sau mỗi 2 giây.
Mức ban đầu là 1000 w/m2trong khoảng thời gian 0–2 giây, giảm xuống 700 watt sau 2 giây và không đổi cho
đến giây thứ 4, nó tiếp tục giảm xuống 300 w/m 2và không đổi trong khoảng 4–6 giây. Công suất tối đa được
tính toán trong mỗi khoảng là 1260 w, 882 w và 378 watt. Vì GM nằm trên phần đầu của đường cong I–V và
P–V này nên nó được định vị lại theo bức xạ và nhiệt độ thực tế. Kết quả là, kỹ thuật MPPT cần phải theo dõi
lại GM. Đây là thử nghiệm phù hợp để kiểm tra tính chắc chắn của các kỹ thuật được áp dụng. Vì tất cả các kỹ
thuật áp dụng đều được lập trình bằng cách sử dụng tiêu chí khởi tạo lại tương tự, phụ thuộc vào sự thay đổi
mức công suất so với công suất vận hành hiện tại nên độ nhạy của việc khởi tạo lại vẫn như cũ.
(Một)
(b)
Hình 37.(Một) Mô hình mô phỏng hệ thống điện mặt trời; (b) Đường cong PV dưới bóng râm một phần.
Bảng 6.Mức chiếu xạ cho các trường hợp 1 đến 3.

Trường hợp bức xạSTôi(kWtôi2) Ptối đa
C1−3 PV1 PV2 PV3 PV4 (TRONG)

Trường hợp 1: Thay đổi 1, 0,7, 0,3 1, 0,7, 0,3 1, 0,7, 0,3 1, 0,7, 0,3 1260, 882,
nhanh chóng 378
Trường hợp 2: Che bóng 0,5 0,8 1 0,9 796
một phần
Trường hợp 3: Che bóng 0,8 025 0,7 0,4 449,5
một phần
Việc so sánh sức mạnh được thực hiện trong hình38và các quá trình chuyển đổi công suất được phóng
to chi tiết được trình bày trong Hình39. Hành động điều khiển được cung cấp bởi bộ chuyển đổi tăng
cường0chu kỳ nhiệm vụ của s được trình bày bởi hình40và hành vi phóng to được đưa ra trong Hình41. Trong
khoảng đầu tiên, hiệu suất điện năng đạt được là 1259 w, 1248 w, 1258 w, 1259 w, 1257 w và 1258 w do
DFO, P&O, ABC, PSO-GS, PSO và CS đạt được. Trường hợp 1 có ba vùng hoạt động riêng biệt, giá trị trung
bình (832 w) là chỉ báo hiệu suất tốt hơn. DFO, P&O, ABC, PSO-GS, PSO và CS đạt công suất trung bình lần
lượt là 822,9 w, 828 w, 822,4 w, 820,7 w, 829,9 w và 802 w. Thi đấu theo sức mạnh, trình tự biểu diễn là DFO
>
PSOGS > ABC > CS > PSO > P&O.
Hình 38.Trường hợp 1 so sánh sức mạnh.
Hình 39.Trường hợp 1 so sánh sức mạnh zoom view.
Hình 40.Trường hợp 1 So sánh chu kỳ nhiệm vụ.
Thời gian theo dõi được tính từ thời điểm khởi tạo cho đến khi đạt GM. Thời gian lắng bao gồm
khoảng thời gian mà các hạt lắng xuống điểm GM mà không dao động. Thời gian lắng của DFO, ABC, PSO-GS,
PSO và CS lần lượt là 0,28 giây, 0,38 giây, 0,62 giây, 0,70 giây và 0,69 giây. ABC và DFO có sự khác biệt tối
thiểu giữa thời gian theo dõi và giải quyết. Điều này chỉ ra rằng các thuộc tính gắn kết và con ong quan sát
của DFO và ABC đóng một vai trò quan trọng để hội tụ tại MPP.
Hình 41.Trường hợp 1 so sánh chu kỳ nhiệm vụ của chế độ xem zoom.
P&O hội tụ về GM nhưng có thể 0t ổn định tại GM do các dao động được tạo ra bởi sự nhiễu loạn liên
tục. Để giảm dao động, kích thước bước phải giảm đáng kể, nhưng do đó thời gian theo dõi P&O giảm xuống.
Các dao động không mong muốn làm tiêu tán năng lượng, gây tổn thất điện năng và giảm hiệu suất. Để cân
bằng thời gian và hiệu quả theo dõi, kích thước bước của bộ chuyển đổi tăng cường được giữ trong phạm vi
chỉ tạo ra dao động trong phạm vi 2–5% công suất đã nêu của mảng PV. Dao động do P&O tạo ra trong
trường hợp này là 22 watt. DFO và PSOGS giảm cường độ dao động xuống <1 watt, đạt được mức giảm dao
động 94%. Dao động ngẫu nhiên của PSO vẫn ở mức cao đáng kể. Số liệu40Và41chỉ ra rằng PSO có dao động
cao nhất trong số các thuật toán lấy cảm hứng từ sinh học. Các dao động về điện áp và dòng điện là nhiệm vụ
được quan sát trong Hình42Và43. Tham số điều khiển cập nhật trong mỗi chu kỳ lặp được hiển thị trong
Hình40và chỉ ra rằng kỹ thuật được đề xuất theo dõi MPP một cách hiệu quả với số lần lặp ít hơn. PSOGS
hoạt động tốt hơn PSO một chút. Bằng số41, người ta quan sát thấy rằng DFO, ABC và CS cũng theo dõi GM
một cách hiệu quả ở mức bức xạ thay đổi nhanh. Hiệu ứng nổi bật của chuyến bay Levy được quan sát trong
Hình40trong khoảng thời gian 0,2–0,5 giây. Sự biến động lớn của kỹ thuật CS là do Levy bay. Chúng tôi có thể
kết luận rằng việc theo dõi lại nhanh chóng, ít dao động nhất và hiệu quả cao là kết quả của việc chia sẻ
thông tin cao hơn giữa các hạt bầy đàn và cấu trúc có tổ chức được tăng cường nhờ các tính năng như căn
chỉnh trong DFO. trong hình42Và43, quá độ dòng điện và điện áp được trình bày để so sánh. Các dao động
do P&O tạo ra được giảm thiểu thành công nhờ các kỹ thuật lấy cảm hứng từ sinh học.
Hình 42.Trường hợp 1 so sánh hiện tại.

Hình 43.Trường hợp 1 so sánh điện áp.
6.2. Trường hợp 2 Che bóng một phần

Việc tạo bóng một phần được xử lý trong trường hợp 2. Mẫu thử nghiệm được đưa ra trong Bảng6và
đường cong PV tương ứng được trình bày trong Hình37. PS xảy ra khi các mô-đun của mảng PV không 0t nhận
được mức bức xạ bằng nhau. Trong quá trình PS và không khớp, các mô-đun hoạt động kém sẽ bị cô lập bằng
cách kích hoạt điốt rẽ nhánh. Nhiều đỉnh xuất hiện trên đường cong khiến việc theo dõi trở nên phức tạp.
Các đỉnh được phân loại là cực đại cục bộ và toàn cầu. Kỹ thuật MPPT cổ điển có thể 0không phân biệt được
giữa LM và GM do hiệu suất bị giảm đáng kể. Đường cong P–V chứa ba LM và một GM.
Công suất tương ứng của LM 1 = 393 w, LM 2 = 565 w, LM 3 = 683,2 w và GM = 795 watt.
Kết quả so sánh công suất được cho bằng hình44và điều khiển được cung cấp bởi chu kỳ nhiệm vụ được
thể hiện trong Hình45. So sánh chi tiết về chu kỳ làm việc và công suất được đưa ra bằng Hình46Và47, tương
ứng. Hiện tại thoáng qua được thể hiện trong hình48và điện áp thoáng qua được thể hiện trong hình49.
Hình 44.Trường hợp 2 so sánh sức mạnh PS1.
Công suất tối đa thu được trong điều kiện PS của DFO, P&O, ABC, PSOGS, PSO và CS là
lần lượt là 793,8 w, 393 w, 789,4 w, 783,8 w, 791,5 w và 778,6 w. Hiệu suất cao nhất đạt được bởi DFO trong
khi PSO là 99,4%. Hiệu suất thấp nhất mà P&O đạt được là 49,3%, bị kẹt ở LM1 do P&O bị kẹt ở LM1. ABC,
PSOGS và CS lần lượt tạo ra 99,1%, 98,4% và 97,81%.
Hình 45.Trường hợp 2 so sánh chu kỳ nhiệm vụ.
Hình 46.Trường hợp 2 so sánh chu kỳ nhiệm vụ zoom.
Hình 47.Case 2 So sánh sức mạnh zoom của PS1.
Thời gian theo dõi của DFO, ABC, PSOGS, PSO và CS lần lượt là 0,18 giây, 0,35 giây, 0,32 giây, 0,68 giây
và 0,35 giây và thời gian xử lý lần lượt là 0,21 giây, 0,45 giây, 0,49 giây, 0,70 giây và 0,45 giây, tương ứng. Khi
theo dõi GM, DFO ổn định ở GM trong vòng 470 mili giây để đạt được tốc độ theo dõi nhanh hơn 19% so với
mức tốt nhất thứ hai. Theo dõi nhanh hơn cho thấy sự chắc chắn và do thời gian xử lý nhanh hơn nên các
dao động không mong muốn được loại bỏ thành công. Thời gian theo dõi của P&O bị bỏ qua vì nó bị kẹt ở
LM1 và có thể0t xác định vị trí GM. Trường hợp 2 một lần nữa cho thấy hiệu suất vượt trội của DFO, tiếp theo
là ABC và PSOGS, mặc dù PSO đạt được 99,4% và các dao động ngẫu nhiên vẫn được quan sát thấy ở điện áp
và dòng điện. CS cũng cho thấy hành vi tương tự không mong muốn trong điều kiện làm việc bình thường.
DFO đạt được hiệu suất hội tụ năng lượng tốt hơn 1–5%
với mức giảm gợn sóng <1 watt. Đầu ra ổn định, dòng điện và điện áp không có dao động như trong
Hình48Và49. Bằng số46, cập nhật chu kỳ nhiệm vụ tương ứng với mỗi lần lặp cho thấy DFO, ABC và PSOGS có
thể phát hiện và hội tụ tại GM với số lần lặp ít hơn.
6.3. Trường hợp 3 Bóng một phần

Trường hợp 3 trình bày một điều kiện che bóng một phần khác.Trong trường hợp này, GMPP ở mức 450 watt.
Việc so sánh được thực hiện trong hình50cho chu kỳ nhiệm vụ. Chu kỳ nhiệm vụ được trình bày chi tiết hơn
trong Hình51với chế độ phóng to ở trạng thái ổn định để hiển thị các dao động và nhiễu loạn không mong
muốn trong hành động điều khiển của các kỹ thuật được triển khai. Một số kỹ thuật MPPT nhất định ngụ ý
việc lựa chọn ngẫu nhiên các hạt tìm kiếm để phá vỡ bẫy LM. Kỹ thuật này rất hữu ích nhưng có một nhược
điểm. Dao động ngẫu nhiên được tạo ra khi hạt được chọn ngẫu nhiên bị loại bỏ do giá trị thích nghi yếu của
nó. Dao động được tạo ra khi chu kỳ nhiệm vụ thu được bởi các hạt bầy ngẫu nhiên có giá trị thể lực yếu bị
hủy bỏ ngay lập tức. CS và PSO thể hiện hành vi ngẫu nhiên thô nhất. Do cả hai kỹ thuật đều sử dụng các
bước tăng kích thước bước được chọn ngẫu nhiên trong chu kỳ nhiệm vụ nên kết quả có thể được nhìn thấy
dưới dạng các dao động không mong muốn. Để nâng cao hiệu suất của PSO, thuật toán tìm kiếm hấp dẫn
được sử dụng trong PSOGS. Kỹ thuật này ứng biến và giảm thiểu đáng kể các dao động và dao động không
mong muốn trong tín hiệu điều khiển. ABC sử dụng thông tin do những con ong quan sát cung cấp và các giải
pháp mới sẽ không được lựa chọn trừ khi tìm được giải pháp tốt hơn. Cơ chế này giúp giảm thiểu dao động.
DFO thực hiện theo cách tương tự trong đó tất cả các hạt được đặt chặt chẽ và theo sau hạt. Với việc lựa
chọn một ứng cử viên, giải pháp cung cấp đầu ra sẽ không được thực hiện trừ khi một giải pháp tốt hơn
nhiều được đưa ra. Trong trường hợp một giải pháp tốt nhất mới được tìm kiếm, giải pháp tốt nhất mới
được chỉ định là giải pháp tốt nhất toàn cầu và phần còn lại của đàn được tổ chức đồng thời xung quanh nó.
Cơ chế này không0t cho phép lựa chọn các giải pháp ngẫu nhiên. Như thể hiện trong kết quả, dao động được
giảm thiểu thành công. Các dao động được giảm thiểu làm giảm sự tiêu tán năng lượng và tăng hiệu quả.
Như đã thấy trong kết quả, CS định vị GM trong vòng 0,3092 giây so với PSO 0,4009 giây, nhanh hơn 91 ms.
Tuy nhiên, kiểm tra cẩn thận cho thấy PSO tiêu thụ được 439,2 w công suất so với 430 w của CS. PSOGS còn
cải tiến hơn nữa khả năng giảm dao động và trung bình tạo ra công suất cao hơn 1,7556% so với PSO. Người
ta kết luận rằng các dao động làm giảm đáng kể việc thu năng lượng. Do đó, các sửa đổi được đưa ra để giảm
thiểu dao động ở trạng thái ổn định tại GMPP.
trong hình52Và53, công suất thu được của DFO, ABC, PSOGS, PSO và CS được so sánh trong trường
hợp 3. Hiệu suất và công suất được tính theo GMPP ở 450 w. DFO, ABC, PSOGS, PSO và CS lần lượt đạt được
438,7 w, 448,8 w, 447,1 w, 439,2 w và 430 w, trong đó ABC là kỹ thuật hiệu quả nhất. ABC có hiệu suất cao
nhất là 99,73%, tiếp theo là PSOGS 99,35%, PSO 97,6%, DFO 97,4% và CS có hiệu suất thấp nhất là 95,56%.
Tính mạnh mẽ của kỹ thuật được thể hiện bằng việc theo dõi nhanh GM và thời gian giải quyết hiệu quả tại
GM. trong hình52,54Và55, một so sánh được thực hiện để phân tích tính chắc chắn của các kỹ thuật được
nghiên cứu. Mô phỏng thử nghiệm cho thấy DFO, ABC, PSOGS, PSO và CS trung bình mất 0,2635 giây, 0,3398
giây, 0,3316 giây, 0,4009 giây và 0,3092 giây và thời gian xử lý của chúng là 0,435 giây, 0,5682 giây, 0,4549
giây, 0,8178 giây và 0,849 giây tương ứng. Dòng điện trong hình54và điện áp trong hình55được so sánh. Kết
quả chỉ ra rằng điện áp và dòng điện ổn định được tạo ra bởi DFO và PSOGS đề xuất. Mặt khác, P&O, PSO và
CS tạo ra các dao động ngẫu nhiên.

Hình 53.Trường hợp 3 so sánh sức mạnh zoom.
6.4. Trường hợp 4 Tạo bóng một phần phức tạp (CPS)
Trường hợp 4 xử lý điều kiện CPS. Mẫu thử nghiệm cho trường hợp này được đưa ra trong Bảng 7.
Trong trường hợp này, 12 mảng PV được kết nối nối tiếp. Các đường cong P–V và I–V tương ứng cho trường
hợp này được trình bày trong Hình56. So sánh hiệu suất được thực hiện giữa các kỹ thuật DFO, P&O, ABC,
PSOGS, PSO và CS nổi tiếng. Tất cả các kỹ thuật được tối ưu hóa để có hiệu suất tốt hơn. Kết quả so sánh sức
mạnh được cho bởi hình57. Hành động điều khiển trong PV MPPT được cung cấp bởi chu kỳ làm việc của bộ
chuyển đổi tăng áp và được đưa ra trong Hình58. trong hình59Và60, số liệu thu phóng của chu kỳ công suất
và nhiệm vụ được đưa ra để kiểm tra kỹ hơn theo cách lặp đi lặp lại. Một so sánh được thực hiện để nghiên
cứu hành vi của các kỹ thuật được triển khai kết hợp hành vi tự nhiên về mặt thuật toán của chúng theo mô
hình toán học.
Bảng 7.Mức bức xạ cho trường hợp 4.

Trường Bức xạ STôi(kWtôi2) Ptối đa
hợp
PV11: 0,4 PV12: 0,5 PV13: 1,0
Trường PV21: 0,2 PV22: 0,4 PV23: 0,8
hợp 4 PV31: 0,6 PV32: 0,2 PV33: 0,7 Ptối đa=1078 W
PV41: 0,3 PV42: 0,3 PV43: 1,0
Hình 56.Đường cong PV và IV cho Trường hợp 4 (CPS).

Hình 59.So sánh zoom điện của trường hợp 4.
Công suất tối đa mà DFO, ABC, PSOGS, PSO và CS đạt được lần lượt là 1074, 1066,1070,1068 và
1067w. P&O đạt thấp nhất 67,79%, DFO 99,98%, ABC 99,07%, PSOGS 99,44%, PSO 99,256% và CS 99,163%.
Số liệu59Và60mô tả rằng các kỹ thuật được triển khai có thể theo dõi thành công GMPP ở số lần lặp khác
nhau. Các dao động là tối thiểu đối với DFO. So sánh dòng điện và điện áp tương ứng với Trường hợp 4 được
cho bằng Hình61Và62, tương ứng. Công suất đầu ra ổn định và dòng điện ổn định là những hành vi có lợi.
Tuy nhiên, kỹ thuật có độ trễ về thời gian xử lý sẽ bị tổn thất nhất thời nhiều nhất. Nó ảnh hưởng đến hiệu
suất tổng thể và làm giảm đáng kể năng lượng thu hoạch.
Nhân vật63minh họa rằng thời gian mà DFO, ABC, PSOGS, PSO và CS để theo dõi GM là 0,17 giây,
lần lượt là 0,25 giây, 0,31 giây, 0,42 giây và 0,40 giây. Thời gian lắng của mỗi kỹ thuật lần lượt là 0,20 s, 0,31
s, 0,40 s, 0,50 s và 0,51 s. Như được minh họa trong kết quả so sánh, ABC có thời gian xử lý tối thiểu sau DFO.
Nó ổn định trong vòng 0,3 giây và nhanh hơn trung bình 56 ms–300 ms trong điều kiện CPS. Mỗi CS, PSO và
PSOGS mất hơn 600 mili giây để ổn định tại Maxima được tìm kiếm. Trình tự hiệu suất tổng thể trong Trường
hợp 4 là DFO > ABC > PSOGS > CS > PSO > P&O.
Hình 63.Hiệu suất trung bình, thời gian hội tụ và thời gian giải quyết của kỹ thuật MPPT.
6.5. Kết luận chung về kết quả

Hiệu suất tổng thể của tất cả các bộ điều khiển MPPT trong các trường hợp thử nghiệm khác nhau
được thực hiện và các bộ điều khiển MPPT được mô phỏng để nghiên cứu so sánh. Dựa trên kết quả, một so
sánh chung được đưa ra trong Bảngsố 8. Nó cho thấy các kỹ thuật lấy cảm hứng từ sinh học có tính thích ứng
cao, mạnh mẽ và hiệu quả dư thừa. P&O đang hội tụ nhanh trong bức xạ đơn giản nhưng không 0t hội tụ
trong mọi trường hợp PS và CPS. Hiệu suất của nó thấp hơn so với ABC, PSO, DFO, PSO-GS và CS trong
Trường hợp 1. Trường hợp 2 và Trường hợp 3 xử lý PS. Người ta quan sát thấy rằng PSOGS, ABC và DFO theo
dõi MPP với hiệu suất cao nhất và đầu ra không bị dao động. PSO có thời gian ổn định lâu nhất tại GM; tuy
nhiên, PSOGS đã giảm thiểu sự mất mát ở trạng thái nhất thời bằng cách ứng biến cơ chế PSO. Tổn thất điện
năng ở trạng thái ổn định cũng được giảm thiểu nên năng lượng do PSOGS cung cấp cũng cao hơn. Thời gian
hội tụ CS, ABC, PSO, PSOGS và P&O cũng có thể so sánh với nhiều kỹ thuật khác được trình bày trong tài liệu.
Trường hợp 4 một lần nữa cho thấy các kỹ thuật này xử lý CPS một cách hiệu quả. Hiệu suất PSO bị ảnh
hưởng do quá trình khởi tạo ngẫu nhiên của các hạt ngay cả sau khi hội tụ sang GMPP. ABC và CS hiển thị các
dao động ở cả trạng thái nhất thời và trạng thái ổn định do năng lượng bị tiêu tán liên tục. Hiệu suất theo dõi
bị giảm do chuyến bay Levy và các giá trị ngẫu nhiên được nhúng trong CS và PSO. Thuật toán DFO đã được
đưa vào phân tích so sánh vì có đặc tính hiệu quả cao. Sự gắn kết, tránh kẻ thù và tương tác lẫn nhau của các
hạt bầy đàn có khoảng cách gần nhau giúp giảm dao động. Kết quả của nó được quan sát thấy trong hiệu
suất tối ưu. Kết quả trong Trường hợp 4 cho thấy hiệu quả 100% ở vị trí GM. ABC có khả năng hội tụ hiệu quả
tới GMMP trong vòng 120 ms–320 ms cho thấy thuật toán này rất mạnh mẽ.
Tùy thuộc vào những kết quả này, có thể an toàn để rút ra các kết luận sau:
1. Các kỹ thuật dựa trên độ dốc phân tích truyền thống nhanh chóng theo dõi MPP ở nhiệt độ và bức xạ
tĩnh. Tuy nhiên, các dao động xung quanh bẫy GM và LM là những hạn chế lớn.
2. Các kỹ thuật dựa trên bầy đàn ngụ ý các biến ngẫu nhiên, hàm phân phối hoặc hành vi ngẫu nhiên để
cập nhật các giải pháp ứng cử viên có thể tìm thấy GM thành công. Tuy nhiên, do tính ngẫu nhiên bắt
nguồn từ việc tối ưu hóa giải pháp, chúng có thời gian xử lý thấp hơn và quan sát thấy các dao động
ngẫu nhiên. Ví dụ về các kỹ thuật như vậy là PSO và CS.
3. Các kỹ thuật liên quan đến nhiều mối quan hệ trong các hạt bầy đàn như DFO và ABC cho thấy hiệu
suất tốt hơn và có thể hoạt động hiệu quả trong mọi điều kiện thời tiết.
4. Số lượng hạt bầy đàn lớn hơn mang lại kết quả cuối cùng tốt hơn; tuy nhiên, nó gây tổn hại về tài
nguyên tính toán và thời gian. Việc triển khai thực tế có thể trở nên tốn kém hơn do sử dụng phần
cứng tốn kém.
5. Người ta thấy rằng quần thể bầy đàn cỡ trung bình có nhiều mối tương quan hiệu quả trong các hạt
bầy đàn tỏ ra hiệu quả hơn đối với MPPT của hệ thống PV trong mọi trường hợp.
Bảng 8.So sánh bảng sức mạnh, theo dõi và hiệu quả của các kỹ thuật hiện có.
Công Mẫu bức xạ Thời gian Cài đặt thời MPP Công suất Theo dõi Năng V
nghệ. hội tụ (s) gian Xác định (W) tại sức mạnh lượng À
(Các) GMMP vị trí MPP (W) ff.
(%
)
Trường 0,24 0,28 Đúng 1260 1259,5 × 99,
2,517 103
hợp 1 0,19 0,21 Đúng 795 793,5 96
×
Trường hợp 0,26 0,43 Đúng 450 438,7 1.584 103 99,
2 PS 876,6 68
Trường hợp 97,
DFO 3 PS 41
Trường hợp 0,17 0,20 Đúng 1080 1074 × 99,
2.156 103
4 CPS 98
Trường 0,12 0,12 Đúng 1260 1237 × 98,
2,46 103
hợp 1 LM LM KHÔN 795 396,4 17
791,6
Trường hợp LM LM G 450 304 49,
609.3
2 PS KHÔN 79
Trường hợp G 67,
P&O 3 PS 70
Trường hợp LM LM KHÔN 1080 264 520,0 24
4 CPS G h4
0
Trường 0,33 0,38 Đúng 1260 1259 × 99,
2,512 103
hợp 1 0,35 0,45 Đúng 795 789,4 92
×
Trường hợp 0,33 0,56 Đúng 450 448,8 1.576 103 99,
2 PS 895 17
Trường hợp 99,
ABC 3 PS 73
Trường hợp 0,25 0,31 Đúng 1080 1066 × 99,
2.10 103
4 CPS 07
Trường 0,45 0,62 Đúng 1260 1259 × 99,
2,512 1031.
hợp 1 0,32 0,49 Đúng 795 783,8 × 3
92
565 10
Trường hợp 0,33 0,45 Đúng 450 447,1 98,
891,5
2 PS 46
Trường hợp 99,
PSOGS 3 PS 35
Trường hợp 0,31 0,40 Đúng 1080 1070 × 99,
2.14 103
4 CPS 44
Trường 0,47 0,70 Đúng 1260 1257 × 99,
2.500 1031.
hợp 1 0,68 0,70 Đúng 795 791,5 × 76
570 103
Trường hợp 0,41 0,81 Đúng 450 439,2 99,
876,5
2 PS 43
Trường hợp 97,
PSO 3 PS 60
Trường hợp 0,42 0,50 Đúng 1080 1068 × 99,
2.13 103
4 CPS 25
Trường 0,46 0,69 Đúng 1260 1258 × 99,
2,511 1031,
hợp 1 0,35 0,45 Đúng 795 778,6 × 3
84
55 10
Trường hợp 0,30 0,84 Đúng 450 430 97,
859,5 81
2 PS
Trường hợp 95,
CS 3 PS 56
Trường hợp 0,40 0,51 Đúng 1080 1067 × 99,
2.13 103
4 CPS 25
7. Kết luận
Trong công trình này, một đánh giá toàn diện về các phương pháp MPPT được trình bày và phân loại
thành các phương pháp dựa trên thuật toán tối ưu hóa, tính toán mềm và thông thường. Tác phẩm này trình
bày các kỹ thuật MPPT được phát triển nhằm giúp người đọc hiểu và lựa chọn các kỹ thuật phù hợp cho các
vấn đề cụ thể của mình. Việc khai thác hiệu quả và tiết kiệm năng lượng tối đa từ mảng quang điện phụ
thuộc vào chiến lược kiểm soát MPPT. Các công nghệ MPPT khác nhau được xem xét và mô tả sơ đồ khối, sơ
đồ nguyên lý, nguyên lý làm việc, thuật toán cũng như các ưu điểm và nhược điểm của chúng. Bài báo này
tóm tắt các tham số đầu vào, đầu ra và ẩn của MPPT trong điều kiện đồng nhất, thay đổi nhanh và bóng một
phần. Kết luận của bài báo này là hầu hết các thuật toán MPPT truyền thống đều thực hiện hoạt động MPP
trên các mảng quang điện trong điều kiện thống nhất.
điều kiện thời tiết, nhưng chúng không thể đạt được MPP thực sự trong điều kiện bóng râm một phần và
thay đổi nhanh chóng. Thuật toán thông minh và tiên tiến điều khiển mảng quang điện đạt đến điểm công
suất cực đại thực trong điều kiện bóng một phần và thay đổi nhanh, nhưng thuật toán này phức tạp và khó
thực hiện bằng công nghệ nhúng. Bài viết này cũng đưa ra các tiêu chí đánh giá của các thuật toán MPPT
khác nhau, có thể giúp các nhà phát triển MPPT lựa chọn công nghệ thuận tiện cho bất kỳ hệ thống quang
điện mong muốn nào. Các lĩnh vực ứng dụng tiềm năng của tài liệu đánh giá cũng được minh họa dưới dạng
bảng, trong đó đề cập đến tải (điện trở, điện cảm, pin và lưới điện) của MPPT. Dưới đây là một số gợi ý đáng
chú ý và trình bày hiệu suất của các kỹ thuật khác nhau. Rất khó để nói kỹ thuật nào là tốt nhất vì người ta
phải xem xét các yếu tố và thông số khác nhau trong khi lựa chọn kỹ thuật như ứng dụng, tốc độ hội tụ, độ
chính xác, hiệu quả, độ tin cậy của hệ thống cũng như chi phí và hiệu suất của phần cứng hiện có.
Sự đóng góp của tác giả:Tất cả các tác giả đều đóng góp như nhau cho tác phẩm này.
Kinh phí:Nghiên cứu này không nhận được tài trợ từ bên ngoài.
Xung đột lợi ích:Không có xung đột lợi ích.
Người giới thiệu
1. Villalva, MG; Gazoli, JR; Ruppert, E.F. Mô hình hóa và mô phỏng dựa trên mạch của mảng quang điện.
Braz. J. Điện tử công suất.2009,14, 35–45.
2. Mô-đun quang điện đa tinh thể hiệu suất cao KC200GT n.d. Có sẵn trên mạng:https://www.kyocerasolar.
com/dealers/product-center/archives/spec-sheets/KC200GT.pdf (truy cập vào ngày 29 tháng 11 năm 2019).
3. Renu, V.; Học giả, M.T. Kiểm soát tối ưu việc loại bỏ sóng hài có chọn lọc trong Biến tần PV một pha được kết nối
với lưới. Trong Kỷ yếu của Hội nghị quốc tế về những tiến bộ trong năng lượng xanh (ICAGE), Thiruvananthapuram,
Ấn Độ, 17–18 tháng 12 năm 2014; trang 265–271.
4. Trương, L.; Hurley, W.G.; Wölfle, W.H. Một cách tiếp cận mới để đạt được khả năng theo dõi điểm công suất tối đa
cho hệ thống PV với cuộn cảm biến thiên.IEEE Trans. Điện tử công suất.2011,26, 1031–1037. [Tham khảo chéo]
5. Ko, S.; Chao, R. MPPT động quang điện trên một phương tiện đang chuyển động.Sol. Năng lượng2012,86, 1750–
1760. [Tham khảo chéo]
6. Chiu, C.-S.; Mờ, T.-S. Kiểm soát theo dõi điểm công suất tối đa của hệ thống phát điện mặt trời.IEEE Trans. Chuyển
đổi năng lượng.2010,25, 1123–1132. [Tham khảo chéo]
7. Veerachary, M. Bộ chuyển đổi Buck bậc 4 cho các ứng dụng theo dõi điểm công suất tối đa.IEEE Trans. Khí cầu. Điện
tử. Hệ thống.2011,47, 896–911. [Tham khảo chéo]
8. Peter, PK; Agarwal, V. Về điện trở đầu vào của bộ theo dõi điểm công suất tối đa dựa trên bộ chuyển đổi DC-DC của
tụ điện chuyển mạch có thể cấu hình lại của nguồn quang điện.IEEE Trans. Điện tử công suất.2012,27, 4880–4893.
[Tham khảo chéo]
9. Triệu, D.; Hari, V.S.S.P.K.; Narayanan, G.; Ayyanar, R. Các kỹ thuật điều chế độ rộng xung lai dựa trên vectơ không
gian để giảm độ méo sóng hài và suy hao chuyển mạch.IEEE Trans. Điện tử công suất.2010,25, 760–774.[Tham khảo
chéo]
10. Kinh Qur'an, A.; Labella, T.; Lai, J. Bộ mô phỏng nguồn quang điện hiệu suất cao với thời gian đáp ứng nhanh để
điều hòa năng lượng mặt trời.IEEE Trans. Điện tử công suất.2014,29, 1285–1297. [Tham khảo chéo]
11. Elgendy, MA; Zahawi,B.; Atkinson,D.J.Đánh giá nhiễu loạn và quan sát các kỹ thuật triển khai thuật toán MPPT cho
các ứng dụng bơm PV.IEEE Trans. Duy trì. Năng lượng2012,3, 21–33. [Tham khảo chéo]
12. Pernia, A.M.; Arias, J.; Prieto, M.J.; Martínez, J. Á. Chiến lược mô-đun cho các hệ thống quang điện biệt lập dựa trên
vi điều khiển.Thay mới. Năng lượng2009,34, 1825–1832. [Tham khảo chéo]
13. Dragicevic, T.; Vasquez, J.C.; Skrlec, D. Kiểm soát giám sát của lưới điện siêu nhỏ DC được điều chỉnh thích ứng với
khả năng quản lý pin.IEEE Trans. Điện tử công suất.2014,29, 695–706. [Tham khảo chéo]
14. Ahmed, NA; Miyatake, M.; Al-Othman, A.K. Ngăn chặn dao động điện năng của thế hệ lai độc lập kết hợp hệ thống
quang điện/tua-bin gió và pin nhiên liệu mặt trời.Chuyển đổi năng lượng. Quản lý.2008,49, 2711–2719. [Tham khảo
chéo]
15. Kuo, C.L.; Lin, C.H.; Yau, H.T.; Chen, J.L. Sử dụng bộ điều khiển dựa trên công thức động lực học lỗi tự đồng bộ hóa
để theo dõi năng lượng quang điện tối đa trong các hệ thống lưới điện vi mô. IEEE J. Mới nổi. Sel. Đứng đầu. Hệ
thống mạch2013,3, 459–467. [Tham khảo chéo]
16. Agorreta, J.L.; Reinaldos, L.; González, R.; Borrega, M.; Balda, J.; Marroyo, L. Kỹ thuật chuyển mạch mờ áp dụng cho
bộ chuyển đổi tăng cường xung lực xung lực hoạt động ở chế độ dẫn hỗn hợp cho hệ thống PV.IEEE Trans.
Điện tử Ấn Độ.2009,56, 4363–4373. [Tham khảo chéo]
17. Veerachary, M.; Senjyu, T.; Uezato, K. Điều khiển theo dõi điểm công suất tối đa dựa trên điện áp của hệ thống
PV.IEEE Trans. Khí cầu. Điện tử. Hệ thống.2002,38. [Tham khảo chéo]
18. Vương, Z.; Li, H. Bộ chuyển đổi DC-DC hai chiều ba cổng tích hợp cho ứng dụng PV trên hệ thống phân phối DC. IEEE
Trans. Điện tử công suất.2013,28, 4612–4624. [Tham khảo chéo]
19. Giang, S.; Cao, Đ.; Lý, Y.; Bành, F.Z. Hệ thống biến tần quang điện nửa cầu tăng cường kết nối lưới sử dụng điều
khiển dòng điện lặp đi lặp lại và theo dõi điểm công suất tối đa.IEEE Trans. Điện tử công suất.2012,27, 4711–4722.
[Tham khảo chéo]
20. Alam, MK; Khan, F.; Imtiaz, A.M. Tối ưu hóa kết nối tế bào con cho pin mặt trời đa chức năng bằng cách sử dụng bộ
chuyển đổi năng lượng chuyển mạch.IEEE Trans. Duy trì. Năng lượng2013,4, 340–349. [Tham khảo chéo]
21. Enne, R.; Nikolic, M.; Zimmermann, H. Trình theo dõi MPP tích hợp động trong CMOS 0,35 µm.IEEE Trans. Điện tử
công suất.2013,28, 2886–2894. [Tham khảo chéo]
22. Choi, W.Y.; Lee, C.G. Hệ thống điều hòa năng lượng tích hợp bảng quang điện sử dụng bộ chuyển đổi DC-DC tăng
cường hiệu suất cao.Thay mới. Năng lượng2012,41, 227–234. [Tham khảo chéo]
23. Enrique, JM; Durán, E.; Sidrach-de-Cardona, M.; Andújar, J.M. Đánh giá lý thuyết về hiệu quả theo dõi điểm công
suất tối đa của các cơ sở quang điện với các cấu trúc liên kết chuyển đổi khác nhau.Sol. Năng lượng2007,81, 31–38.
[Tham khảo chéo]
24. Urayai, C.; Amaratunga, G.A.J. Giao diện tải điện tử để cải thiện biên độ vận hành của hệ thống chuyển đổi kép
PV.Gia hạn IET. Máy phát điện.2013,7, 10–17. [Tham khảo chéo]
25. Ngô, T.F.; Kuo, C.L.; Sun, K.H.; Chen, Y.K.; Chang, Y.R.; Lee, Y. D. Tích hợp và vận hành bộ biến tần hai chiều một pha
với hai MPPT tăng/giảm cho các ứng dụng phân phối DC.IEEETrans. PowerElectron.2013,28, 5098–5106. [Tham
khảo chéo]
26. Huusari, J.; Suntio, T. Nguồn gốc của hiệu ứng ghép chéo trong các bộ chuyển đổi DC-DC phân tán trong các ứng
dụng quang điện.IEEE Trans. Điện tử công suất.2013,28, 4625–4635. [Tham khảo chéo]
27. Agamy, MS; Harfman-Todorovic, M.; Elasser, A.; Chi, S.; Steigerwald, RL; Sabate, J.A.; McCann, AJ; Trương, L.;
Mueller, F.J. Bộ chuyển đổi DC/DC xử lý năng lượng một phần hiệu quả cho PV phân tán
Kiến trúc.IEEE Trans. Điện tử công suất.2014,29, 674–686. [Tham khảo chéo]
28. Kassem, A.M. Thiết kế điều khiển MPPT và cải tiến hiệu suất của hệ thống bơm động cơ DC chạy bằng máy phát
điện PV dựa trên mạng lưới thần kinh nhân tạo.Int. J. Điện. Hệ thống năng lượng điện2012,43, 90–98.[Tham khảo
chéo]
29. Agamy, MS; Chi, S.; Elasser, A.; Harfman-Todorovic, M.; Giang, V.; Mueller, F.; Tao, F. Bộ chuyển đổi DC-DC mật độ
công suất cao cho kiến trúc PV phân tán.IEEE J. Quang điện2012,3, 791–798. [Tham khảo chéo]
30. Safari, A.; Mekhilef, S. Mô phỏng và triển khai phần cứng MPPT độ dẫn tăng dần bằng phương pháp điều khiển trực
tiếp bằng bộ chuyển đổi cuk.IEEE Trans. Điện tử Ấn Độ.2011,58, 1154–1561. [Tham khảo chéo]
31. Hiệp sĩ, J.; Shirsavar, S.; Holderbaum, W. Một biến tần năng lượng mặt trời dựa trên cuk có độ tin cậy được cải
thiện với điều khiển chế độ trượt.IEEE Trans. Điện tử công suất.2006,21, 1107–1115. [Tham khảo chéo]
32. Haseeb, M.; Jamil, M.; Faisal, M.F.F. Phân tích Biến tần ba pha ba cấp ba pha với bộ lọc LCL sử dụng bộ điều khiển
cổ điển cho các nguồn năng lượng tái tạo. Trong Kỷ yếu của Hội nghị quốc tế về
Năng lượng và Tính bền vững, Đại học Kỹ thuật và Công nghệ NED, Karachi, Pakistan, ngày 27 tháng 4 năm 2013;
trang 63–67.
33. Rajesh, R.; Carolin Mabel, M. Đánh giá toàn diện về hệ thống quang điện.Thay mới. Duy trì. Năng lượng
Rev.2015,51, 231–248. [Tham khảo chéo]
34. Tạ Đình Phong, KK; Hồ, MT; Chung, H.S.H.; Huy, S.Y. Một công cụ theo dõi điểm công suất tối đa mới cho các tấm
PV sử dụng điều chế tần số chuyển mạch.IEEE Trans. Điện tử công suất.2002,17, 980–989. [Tham khảo chéo]
35. Veerachary, M. Theo dõi công suất cho các nguồn quang điện phi tuyến với bộ chuyển đổi SEPIC cuộn cảm ghép
nối.IEEE Trans. Khí cầu. Điện tử. Hệ thống.2005,41, 1019–1029. [Tham khảo chéo]
36. Mamarelis, E.; Petrone, G.; Spagnuolo, G. Thiết kế SEPIC điều khiển chế độ trượt cho các ứng dụng PV MPPT. IEEE
Trans. Điện tử Ấn Độ.2014,61, 3387–3398. [Tham khảo chéo]
37. Tưởng, S.J.; Shieh, H.J.; Chen, MC Mô hình hóa và điều khiển hệ thống sạc PV với bộ chuyển đổi SEPIC.IEEE Trans.
Điện tử Ấn Độ.2009,56, 4344–4353. [Tham khảo chéo]
38. Triệu, Y.; de Palma, J.; Mosesian, J.; Lyons, R.; Lehman, B. Những thách thức về phân tích và bảo vệ lỗi đường dây
trong mảng quang điện mặt trời.IEEE Trans. Điện tử Ấn Độ.2013,60, 3784–3795. [Tham khảo chéo]
39. Seo, GS; Lee, K.C.; Cho, B.H. Kỹ thuật chống đảo DC mới của giao diện quang điện không có tụ điện trong hệ thống
phân phối DC.IEEE Trans. Điện tử công suất.2013,28, 1632–1641. [Tham khảo chéo]
40. Kim, Y.H.; Ji, Y.H.; Kim, J.G.; Jung, Y.C.; Đã thắng, C.Y. Một chiến lược điều khiển mới để cải thiện hiệu suất có trọng
số trong bộ biến tần flyback xen kẽ loại mô-đun quang điện xoay chiều.IEEE Trans. Điện tử công suất.2013,28,
2688–2699.[Tham khảo chéo]
41. Cao, M.; Chen, M.; Trương, C.; Tiền, Z.; Thành viên, S. Phân tích và triển khai Flyback cải tiến
Biến tần cho các ứng dụng mô-đun quang điện xoay chiều. IEEE Trans. Điện tử công suất. 2014,29,
3428–3444.[Tham khảo chéo]
42. Sukesh, N.; Pahlevaninezhad, M.; Jain, P.K. Phân tích và triển khai bộ biến tần vi mô PV flyback một giai đoạn với
chuyển mạch mềm.IEEE Trans. Điện tử Ấn Độ.2014,61, 1819–1833. [Tham khảo chéo]
43. Edwin, F.F.; Tiểu, W.; Khadkikar, V. Mô hình hóa động và điều khiển bộ chuyển đổi tích hợp mô-đun flyback xen kẽ
cho các ứng dụng nguồn điện quang điện.IEEE Trans. Điện tử Ấn Độ.2014,61, 1377–1388. [Tham khảo chéo]
44. Hsieh, G.; Các thành viên.; Hsieh, H.; Tsai, C.; Wang, C. Tăng cường năng lượng quang điện được hỗ trợ bằng hai
pha
Theo dõi.IEEE Trans. Điện tử công suất.2013,28, 2895–2911. [Tham khảo chéo]
45. Lee, J.H.; Park, J.H.; Jeon, J.H. Bộ chuyển đổi flyback thuận nối tiếp nối tiếp để chuyển đổi năng lượng ở mức tăng
cao.IEEE Trans. Điện tử công suất.2011,26, 3629–3641. [Tham khảo chéo]
46. Thắng, T.V.; Thảo, N.M.; Jang, J.H.; Park, J.H. Phân tích và thiết kế hệ thống quang điện nối lưới với nhiều bộ chuyển
đổi tích hợp và bộ biến tần liên kết giả dc.IEEE Trans. Điện tử Ấn Độ.2014,61, 3377–3386. [Tham khảo chéo]
47. Aleenejad, M.; Ahmadi, R.; Moamaei, P. Loại bỏ sóng hài chọn lọc cho các bộ chuyển đổi nguồn đa cấp đa cấp xếp
tầng với số lượng mô-đun cầu H cao hơn. Trong Kỷ yếu của Hội nghị Năng lượng và Năng lượng năm 2014 tại Illinois
(PECI), Champaign, IL, Hoa Kỳ, ngày 28 tháng 2 đến ngày 1 tháng 3 năm 2014; trang 3–7.
48. Gấu trúc, A.K.; Patnaik, S.S. Phân tích các bộ biến tần đa cấp xếp tầng để lọc sóng hài tích cực trong mạng phân
phối.Int. J. Điện. Hệ thống năng lượng điện2015,66, 216–226. [Tham khảo chéo]
49. Moeed Amjad, A.; Salam, Z. Đánh giá các phương pháp tính toán mềm để loại bỏ sóng hài (PWM) cho bộ biến tần
trong hệ thống chuyển đổi năng lượng tái tạo.Thay mới. Duy trì. Năng lượng Rev.2014,33, 141–153. [Tham khảo
chéo]
50. Rita, A.; Fazio, D.; Russo, M. Mô hình hóa máy phát quang điện để cải thiện độ bền bằng số của mô phỏng
EMT.Điện. Hệ thống điện Res.2012,83, 136–143. [Tham khảo chéo]
51. Singh, G.K. Sản xuất điện mặt trời bằng công nghệ PV (quang điện): Đánh giá.Năng lượng2013,53, 1–13.[Tham khảo
chéo]
52. Kouro, S.; Malinowski , M. ; Gopakumar , K. ; Pou, J.; Frankelo, LG; Ngô, B.; Rodríguez, J. ; Perez, MA; Leon, J.I.
Những tiến bộ gần đây và ứng dụng công nghiệp của bộ chuyển đổi đa cấp. IEEE Trans. Điện tử Ấn Độ.2010,57,
2553–2580. [Tham khảo chéo]
53. Rodríguez, J.; Các thành viên.; Bernet, S.; Ngô, B.; Các thành viên.; Pontt, J.O.; Kouro, S. Cấu trúc liên kết chuyển đổi
nguồn điện áp đa cấp cho các bộ truyền động điện áp trung bình công nghiệp.IEEE Trans. Điện tử Ấn Độ.2007,54,
54. Tài, B.; Gao, C.; Lưu, X.; Lv, J. Bộ điều khiển cân bằng điện áp với chiến lược logic mờ cho bộ chuyển đổi đa cấp kẹp
điểm trung tính. Trong Kỷ yếu của Hội nghị Quốc tế về Máy và Hệ thống Điện (ICEMS) lần thứ 17 năm 2014, Hàng
Châu, Trung Quốc, ngày 22–25 tháng 10 năm 2014; trang 2490–2494.
55. Amini, J. Một phương pháp điều chế dựa trên vectơ không gian dễ dàng cho biến tần đa cấp tụ điện bay cấp N
với.IEEE Trans. Điện tử công suất.2014,29, 6188–6195. [Tham khảo chéo]
56. Babaei, E.; Laali, S.; Các thành viên.; Bayat, Z. Biến tần đa cấp xếp tầng một pha dựa trên thiết bị cơ bản mới với số
lượng công tắc nguồn giảm.IEEE Trans. Điện tử Ấn Độ.2015,62, 922–929. [Tham khảo chéo]
57. Reddy, M.; Gowrimanohar, T. So sánh dstacom dựa trên biến tần đa cấp xếp tầng năm cấp và bảy cấp để bù sóng
hài và công suất phản kháng bằng cách sử dụng lý thuyết công suất thực tức thời.
Trong Kỷ yếu của Hội nghị quốc tế năm 2012 về các xu hướng mới nổi trong kỹ thuật điện và quản lý năng lượng
(ICETEEEM), Chennai, Ấn Độ, 13–15 tháng 12 năm 2012; trang 355–360. [Tham khảo chéo]
58. Murtaza, A.; Chiaberge, M.; Giuseppe, M.; De Boero, D. Kỹ thuật theo dõi điểm công suất tối đa lai dựa trên tối ưu
hóa chu kỳ nhiệm vụ cho các hệ thống quang điện.Int. J. Điện. Hệ thống năng lượng điện2014,59, 141–154.[Tham
khảo chéo]
59. Murtaza, A.; Chiaberge, M.; Spertino, F.; Boero, D.; De Giuseppe, M. Kỹ thuật theo dõi điểm công suất tối đa dựa
trên cơ chế điốt rẽ nhánh cho mảng PV dưới bóng râm một phần. Xây dựng năng lượng.2014,73, 13–25. [Tham
khảo chéo]
60. Femia, N.; John, P.; Massimo, V.Kỹ thuật điều khiển và điện tử công suất để thu năng lượng tối đa trong hệ thống
Photbotltaic; Báo chí CRC; Nhóm Taylor & Francis: Boca Raton, FL, Mỹ, 2012.
61. Alajmi, B.N.; Ahmed, KH; Finney, SJ; Williams, B.W. Phương pháp điều khiển logic mờ của phương pháp leo đồi đã
được sửa đổi để đạt điểm công suất tối đa trong hệ thống quang điện độc lập lưới điện siêu nhỏ. IEEE Trans. Điện
tử công suất.2011,26, 1022–1030. [Tham khảo chéo]
62. Radjai, T.; Rahmani, L.; Mekhilef, S.; Gaubert, J.P. Triển khai thuật toán MPPT độ dẫn tăng dần đã được sửa đổi với
điều khiển trực tiếp dựa trên công cụ ước tính thay đổi chu kỳ nhiệm vụ mờ bằng cách sử dụng dSPACE. Sol. Năng
lượng2014,110, 325–337. [Tham khảo chéo]
63. Murtaza, A.F.; Sher, H.A.; Chiaberge, M.; Boero, D.; De Giuseppe, M.; Addoweesh, K.E. Tối ưu hóa công cụ theo dõi
nhiễu loạn và quan sát điểm công suất tối đa cho hệ thống quang điện phân tán. Trong Kỷ yếu của Hội nghị Đa chủ
đề Quốc tế (INMIC), Lahore, Pakistan, 19–20 tháng 12 năm 2013; trang 77–82.[Tham khảo chéo]
64. Shivashankar, S.; Mekhilef, S.; Mokhlis, H.; Karimi, M. Các phương pháp giảm thiểu dao động công suất của các
nguồn quang điện (PV)—Đánh giá.Thay mới. Duy trì. Năng lượng Rev.2016,59, 1170–1184. [Tham khảo chéo]
65. Jusoh, A.; Baamodi, H.; Mekhilef, S. Mạng giảm chấn tích cực trong hệ thống điện phân tán DC được điều khiển bởi
hệ thống quang điện.Sol. Năng lượng2013,87, 254–267. [Tham khảo chéo]
66. Murtaza, A.F.; Sher, H.A.; Chiaberge, M.; Boero, D.; Giuseppe, MD; Addoweesh, K.E. Một kỹ thuật MPPT lai mới
dành cho các ứng dụng quang điện mặt trời sử dụng kỹ thuật nhiễu loạn & quan sát và kỹ thuật điện áp mạch hở
phân số. Trong Kỷ yếu của Hội nghị Quốc tế lần thứ 15 MECHATRONIKA, Praha, Cộng hòa Séc, ngày 5–7 tháng 12
năm 2012; trang 1–8.
67. Sher, H.A.; Murtaza, A.F.; Addoweesh, K.E.; Chiaberge, M. Kỹ thuật theo dõi điểm công suất tối đa kết hợp hai giai
đoạn cho các ứng dụng quang điện. Trong Kỷ yếu của Đại hội đồng IEEE PES 2014 | Hội nghị & Triển lãm, National
Harbor, MD, Hoa Kỳ, ngày 27–31 tháng 7 năm 2014; trang 1–5.
68. Lian, K.L.; Jhang, J.H.; Thiên, I.S. Phương pháp theo dõi điểm công suất tối đa dựa trên nhiễu loạn và quan sát kết
hợp với tối ưu hóa nhóm hạt.IEEE J. Quang điện.2014,4, 626–633. [Tham khảo chéo]
69. Kamarzaman, N.A.; Tan, C.W. Đánh giá toàn diện về các thuật toán theo dõi điểm công suất tối đa cho hệ thống
quang điện.Thay mới. Duy trì. Năng lượng Rev.2014,37, 585–598. [Tham khảo chéo]
70. Krishna, K.S.; Kumar, K.S. Đánh giá về hệ thống năng lượng tái tạo lai. Thay mới. Duy trì. Năng lượng Rev.2015,52,
71. Bounchba, H.; Bouzid, A.; Snani, H.; Lashab, A. Hệ thống năng lượng và năng lượng điện Mô phỏng thời gian thực
của thuật toán MPPT cho hệ thống năng lượng PV.Int. J. Điện. Hệ thống năng lượng điện2016,83, 67–78. [Tham
khảo chéo]
72. Javed, MY; Linh, Q.; Gulzar, M.M.; Hussain, S.T.; Arif, A. Một kỹ thuật kết hợp để thu được năng lượng tối đa từ hệ
thống PV cho Vấn đề che bóng một phần. Trong Kỷ yếu của Hội nghị Quốc tế về Công nghệ Mới nổi (ICET) năm
2016, Islamabad, Pakistan, 18–19 tháng 10 năm 2016; trang 1–5. [Tham khảo chéo]
73. Hoàng, Y.P.; Hsu, S.Y. Mô hình đánh giá hiệu suất của mô-đun quang điện tập trung cao với thuật toán theo dõi
điểm công suất tối đa dựa trên điện áp mạch hở một phần.Máy tính. Điện. Anh.2016,51, 331–342. [Tham khảo
chéo]
74. Murtaza, A.F.; Sher, H.A.; Chiaberge, M.; Boero, D.; De Giuseppe, M.; Addoweesh, K.E. Phân tích so sánh các kỹ
thuật theo dõi điểm công suất tối đa cho các ứng dụng PV. Trong Kỷ yếu của Hội nghị Đa chủ đề Quốc tế IEEE
(INMIC), Lahore, Pakistan, 19–20 tháng 12 năm 2013; trang 83–88. [Tham khảo chéo]
75. Houssamo, tôi.; Vị trí, F.; Sechilariu, M. Phân tích thực nghiệm về tác động của phương pháp MPPT đến hiệu suất
năng lượng của hệ thống năng lượng quang điện.Int. J. Điện. Hệ thống năng lượng điện2013,46, 98–107. [Tham
khảo chéo]
76. Gonzalez, D.; Andrés, C.; Paja, R.; Giral, R. Theo dõi điểm công suất tối đa của hệ thống quang điện dựa trên điều
khiển chế độ trượt của mô-đun tiếp nhận.Điện. Hệ thống điện Res.2016,136, 125–134. [Tham khảo chéo]
77. Ahmed, J.; Salam, Z. Theo dõi điểm công suất tối đa (MPPT) cho hệ thống PV sử dụng Cuckoo Search với khả năng
tạo bóng một phần.ứng dụng. Năng lượng2014,119, 118–130. [Tham khảo chéo]
78. Dương, B.; Chung, L.; Trương, X.; Thư, H.; Yu, T.; Lý, H.; Giang, L.; Sun, L. Novel thuật toán bầy đàn memetic lấy cảm
hứng từ sinh học và ứng dụng vào MPPT cho các hệ thống PV xem xét điều kiện che bóng một phần.J. Sạch sẽ. Sản
phẩm.2019,215, 1203–1222. [Tham khảo chéo]
79. Patel, H.; Mô hình hóa dựa trên Agarwal, V. MATLAB để nghiên cứu ảnh hưởng của việc tạo bóng một phần đến các
đặc tính của mảng PV.IEEE Trans. Chuyển đổi năng lượng.2008,23, 302–310. [Tham khảo chéo]
80. Shi, J.; Trương, W.; Trương, Y.; Xue, F.; Yang, T. MPPT cho các hệ thống PV dựa trên thuật toán PSO không hoạt
động.Điện. Hệ thống điện Res.2015,123, 100–107. [Tham khảo chéo]
81. Điều kiện, P.; Koutroulis, E.; Blaabjerg, F. Một kỹ thuật mới để theo dõi điểm công suất tối đa toàn cầu của các
mảng PV đang hoạt động.IEEE J. Quang điện.2012,2, 184–190.
82. Spertino, F.; Ahmad, J.; Ciocia, A.; Di Leo, P.; Murtaza, A.F.; Chiaberge, M. Phương pháp sạc tụ điện cho thiết bị
đánh dấu đường cong I–V và MPPT trong hệ thống quang điện.Sol. Năng lượng2015,119, 461–473. [Tham khảo
chéo]
83. Ishaque, K.; Salam, Z. Đánh giá các kỹ thuật theo dõi điểm công suất tối đa của hệ thống PV để tạo ra điều kiện ánh
nắng đồng đều và tình trạng che nắng một phần.Thay mới. Duy trì. Năng lượng Rev.2013,19, 475–488. [Tham khảo
chéo]
84. Salam, Z.; Ahmed, J.; Merugu, B.S. Ứng dụng các phương pháp tính toán mềm cho MPPT của hệ thống PV: Đánh giá
hiện trạng và công nghệ.ứng dụng. Năng lượng2013,107, 135–148. [Tham khảo chéo]
85. Veerachary, M.; Theo dõi công suất cực đại dựa trên Yadaiah, N. ANN cho động cơ DC do PV cung cấp. Sol. Năng
lượng2000,69, 343–350. [Tham khảo chéo]
86. Amrouche, B.; Belhamel, M.; Guessoum, A. Phương pháp P&O MPPT dựa trên trí tuệ nhân tạo cho hệ thống quang
điện.Rev. Năng lượng. Năng lượng tái tạo ICRSD 07 Tlemcen2007, 11–16.
87. Punitha, K.; Devaraj, D.; Sakthivel, S. Thuật toán độ dẫn gia tăng được sửa đổi dựa trên mạng thần kinh nhân tạo để
theo dõi điểm công suất tối đa trong hệ thống quang điện trong điều kiện che nắng một phần. Năng lượng2013,62,
88. Xu, J.; Thần, A.; Dương, C.; Rao, W.; Yang, X. ANN dựa trên thuật toán IncCond cho trình theo dõi MPP. Trong Kỷ
yếu của Hội nghị quốc tế lần thứ sáu năm 2011 về máy tính lấy cảm hứng từ sinh học: Lý thuyết và ứng dụng,
Penang, Malaysia, 27–29 tháng 9 năm 2011; trang 129–134. [Tham khảo chéo]
89. Alabedin, A.Z.; El-Saadany, E.F.; Salama, M.M.A. Theo dõi điểm công suất tối đa cho hệ thống quang điện sử dụng
logic mờ và mạng nơ-ron nhân tạo. Trong Kỷ yếu của Đại hội đồng Hiệp hội Năng lượng và Năng lượng IEEE 2011,
Detroit, MI, Hoa Kỳ, ngày 24–28 tháng 7 năm 2011; trang 1–9. [Tham khảo chéo]
90. Ramaprabha, R.; Gothandaraman, V.; Kanimozhi, K.; Divya, R.; Mathur, B.L. Theo dõi điểm công suất tối đa bằng
mạng nơ ron nhân tạo được tối ưu hóa GA cho hệ thống PV năng lượng mặt trời. Trong Kỷ yếu của Hội nghị Quốc tế
lần thứ nhất về Hệ thống Năng lượng Điện lần thứ nhất năm 2011, Newport Beach, CA, Hoa Kỳ, ngày 3–5 tháng 1
năm 2011; trang 264–268. [Tham khảo chéo]
91. Jie, L.; Ziran, C. Nghiên cứu thuật toán MPPT của hệ thống quang điện dựa trên mạng nơron PV. Trong Kỷ yếu của
Hội nghị Quyết định và Kiểm soát Trung Quốc (CCDC) năm 2011, Mianyang, Trung Quốc, 23–25 tháng 5 năm 2011;
trang 1851–1854. [Tham khảo chéo]
92. Hồi giáo, M.A.; Kabir, M.A. Theo dõi điểm công suất tối đa dựa trên mạng thần kinh của mảng quang điện.
Trong Kỷ yếu của Hội nghị IEEE Khu vực 10 TENCON 2011–2011, Bali, Indonesia, ngày 21–24 tháng 11 năm 2011;
trang 79–82. [Tham khảo chéo]
93. Hunt, J. Thiết kế dựa trên trường hợp tiến hóa. TRONGHội thảo tại Vương quốc Anh về Lý luận dựa trên tình huống;
Springer: Berlin/Heidelberg, Đức, 1995; trang 17–31. [Tham khảo chéo]
94. Singiresu, S.R.Tối ưu hóa kỹ thuật, tái bản lần thứ 4; John Wiley & Sons, Inc.: Hoboken, NJ, Mỹ, 2009.
95. Quang, Y.; Lee, M.A.E.-S.Kỹ thuật tối ưu hóa heuristic hiện đại; Wiley Interscience: Hoboken, NJ,
Hoa Kỳ, 2007.
96. Ahmed, J.; Salam, Z. Đánh giá quan trọng về các phương pháp theo dõi điểm công suất tối đa để tạo bóng một phần
trong hệ thống PV.Thay mới. Duy trì. Năng lượng Rev.2015,47, 933–953. [Tham khảo chéo]
97. Konstantopoulos, C.; Koutroulis, E. Theo dõi điểm công suất tối đa toàn cầu của các mô-đun quang điện linh
hoạt.IEEE Trans. Điện lực.2014,29, 2817–2828. [Tham khảo chéo]
98. Akkaya, R.; Kulaksız, A.A.; Aydog˘du, Ö. Triển khai DSP của hệ thống PV với bộ điều khiển MPPT dựa trên GA-MLP-
NN cung cấp ổ đĩa động cơ BLDC.Chuyển đổi năng lượng. Quản lý.2007,48, 210–218. [Tham khảo chéo]
99. Messai, A.; Mellit, A.; Đoán, A.; Kalogirou, S.A. Theo dõi điểm công suất tối đa bằng bộ điều khiển logic mờ được tối
ưu hóa GA và triển khai FPGA của nó.Sol. Năng lượng2011,85, 265–277. [Tham khảo chéo]
100. Daraban, S.; Petreus, D.; Morel, C. Một thuật toán MPPT (theo dõi điểm công suất tối đa) mới dựa trên thuật toán
di truyền đã được sửa đổi chuyên theo dõi điểm công suất tối đa toàn cầu trong các hệ thống quang điện bị ảnh
hưởng bởi bóng râm một phần.Năng lượng2014,74, 374–388. [Tham khảo chéo]
101. Miyatake, M.; Veerachary, M.; Toriumi, F.; Fujii, N.; Ko, H. Theo dõi điểm công suất tối đa của nhiều mảng quang
điện: Phương pháp PSO.IEEE Trans. Khí cầu. Điện tử. Hệ thống.2011,47, 367–380. [Tham khảo chéo]
102. Ishaque, K.; Salam, Z.; Shamsudin, A.; Amjad, M. Phương pháp theo dõi điểm công suất tối đa dựa trên điều khiển
trực tiếp cho hệ thống quang điện trong điều kiện che nắng một phần bằng thuật toán tối ưu hóa bầy đàn hạt. ứng
dụng. Năng lượng2012,99, 414–422. [Tham khảo chéo]
103. Omar, A.; Hasanien, H.M.; Elgendy, MA; Badr, M.A. Xác định các tham số mô hình quang điện bằng thuật toán tìm
kiếm con quạ.J.Eng.2017, 1570–1575. [Tham khảo chéo]
104. Lý, L.L.; Lin, G.Q.; Tseng, ML; Xe tăng.; Lim, M. K. Phương pháp theo dõi điểm công suất tối đa cho hệ thống PV với
thuật toán tìm kiếm hấp dẫn được cải tiến.ứng dụng. Mềm mại. Máy tính.2018,65, 333–348. [Tham khảo chéo]
105. Sundareswaran, K.; Simon, SP; Nayak, P.S.R. Thuật toán tìm kiếm hấp dẫn kết hợp với phương pháp P&O cho MPPT
trong hệ thống PV. Trong Kỷ yếu của Hội nghị thường niên IEEE Ấn Độ 2016 (INDICON), Bangalore, Ấn Độ, ngày 16–
18 tháng 12 năm 2016.
106. Kumar, N.; Hussain, tôi.; Singh, B.; Panigrahi, B.K. MPPT dựa trên cảm biến đơn của hệ thống quang điện được che
bóng một phần để sạc pin bằng cách sử dụng tối ưu hóa Cauchy và Gaussian Sine Cosine.IEEE Trans. Chuyển đổi
năng lượng.2017,32, 983–992. [Tham khảo chéo]
107. Kumar, N.; Hussain, tôi.; Singh, B.; Panigrahi, B.K. MPPT dựa trên cảm biến đơn dành cho quang điện mặt trời được
che bóng một phần bằng cách sử dụng thuật toán tối ưu hóa tâm lý con người.Thế hệ IET. Truyền. Phân
phối.2017,11,
108. Kumar, N.; Hussain, tôi.; Singh, B.; Panigrahi, B.K. MPPT nhanh chóng cho hệ thống quang điện được che bóng đồng
đều và một phần bằng cách sử dụng thuật toán JayaDE trong điều kiện khí quyển dao động cao. IEEE Trans. Ấn Độ
Thông báo.2017,13, 2406–2416. [Tham khảo chéo]
109. Prasanth Ram, J.; Rajasekar, N. Một kỹ thuật theo dõi điểm công suất tối đa toàn cầu mới cho hệ thống quang điện
mặt trời (PV) trong điều kiện che nắng một phần (PSC).Năng lượng2017,118, 512–525. [Tham khảo chéo]
110. Rajasekaran, M.; Vaithlingam, A.C. Theo dõi điểm công suất tối đa cho mảng quang điện dựa trên việc tối ưu hóa
đàn kiến dưới bức xạ đồng đều và không đồng nhất.Int. J. Trí tuệ. Khuyến cáo. Res. Anh. Máy tính.2017,5.
111. Sundareswaran, K. ; Vigneshkumar , V. ; Sankar, P.; Simon, SP; Tôi, P.S.R.; Palani, S. Phát triển một
Thuật toán P&O cải tiến được hỗ trợ thông qua đàn kiến tìm kiếm MPPT trong Hệ thống PV.IEEE Trans. Ấn Độ
Thông báo.2016,12, 187–200. [Tham khảo chéo]
112. Nie, X.; Nie, H. Chiến lược điều khiển MPPT của PV dựa trên thuật toán nhảy ếch xáo trộn được cải tiến trong môi
trường phức tạp.J. Khoa học điều khiển. Anh.2017,2017, 1–11. [Tham khảo chéo]
113. Sridhar, R.; Jeevananthan, S.; Dash, SS; Vishnuram, P. Một cách theo dõi công suất tối đa mới trong hệ thống PV
trong điều kiện bóng mờ một phần dựa trên thuật toán nhảy ếch xáo trộn.J. Exp. Lý thuyết. Nghệ sĩ Intel.2017,29,
114. Jin, Y.; Hầu, W.; Lý, G.; Chen, X. Theo dõi điểm công suất tối đa dựa trên tối ưu hóa đàn đom đóm cho các hệ thống
quang điện/nhiệt trong điều kiện phân bổ nhiệt độ và bức xạ mặt trời không đồng đều.năng lượng2017,10, 541.
[Tham khảo chéo]
115. Mosa, M.; Shadmand, MB; Balog, R.S.; Chà, H.A. Theo dõi điểm công suất tối đa hiệu quả bằng cách sử dụng điều
khiển dự đoán mô hình cho hệ thống quang điện trong điều kiện thời tiết năng động.Gia hạn IET. Máy phát
điện.2017,11, 1401–1409. [Tham khảo chéo]
116. Cherukuri, SK; Rayapudi, S.R. Theo dõi MPP toàn cầu mới của hệ thống quang điện dựa trên thuật toán tối ưu hóa
cá voi.Int. J. Gia hạn. Nhà phát triển năng lượng2016,5, 225. [Tham khảo chéo]
117. Kumar, N.; Hussain, tôi.; Singh, B. MPPT trong điều kiện động của hệ thống quang điện bị che khuất một phần bằng
cách sử dụng kỹ thuật WODE.IEEE Trans. Duy trì. Năng lượng2017,số 8, 1204–1214. [Tham khảo chéo]
118. Mohanty, S.; Subudhi, B.; Các thành viên.; Ray, PK Thiết kế MPPT mới sử dụng tối ưu hóa Grey Wolf
Kỹ thuật cho hệ thống quang điện trong điều kiện che nắng một phần.IEEE Trans. Duy trì. Năng lượng2015,7, 181–
188. [Tham khảo chéo]
119. Kaced, K.; Larbes, C.; Ramzan, N.; Bounabi, M.; Elabadine Dahmane, Z. Bat theo dõi điểm công suất tối đa dựa trên
thuật toán cho hệ thống quang điện trong điều kiện che nắng một phần.Sol. Năng lượng2017,158, 490–503. [Tham
khảo chéo]
120. Seyedmahmoudian, M.; Chẳng bao lâu nữa, T.K.; Jamei, E.; Thirunavukkarasu, GS; Horan, B.; Mekhilef, S.;
Stojcevski, A. Theo dõi điểm công suất tối đa cho hệ thống quang điện trong điều kiện che nắng một phần bằng
thuật toán dơi.Sự bền vững2018,10, 1347. [Tham khảo chéo]
121. Prakash, S.; Rajathy, R. Triển khai thuật toán tìm kiếm sinh vật cộng sinh để trích xuất tối đa
Nguồn điện từ hệ thống PV trong điều kiện bóng mờ một phần.Int. J. Ứng dụng lý thuyết điều khiển.2015,số 8,
1871–1880.
122. Shareef, H.; Mutlag, A.H.; Mohamed, A. Phương pháp tiếp cận dựa trên rừng ngẫu nhiên để đạt điểm sức mạnh tối
đa
Theo dõi hệ thống quang điện hoạt động trong điều kiện môi trường thực tế.Tài khoản Intel. Nhà thần kinh
học2017,2017. [Tham khảo chéo] [PubMed]
123. Soufyane Benyoucef, A.; Chouder, A.; Kara, K.; Silvestre, S. Thuật toán dựa trên đàn ong nhân tạo để theo dõi điểm
công suất tối đa (MPPT) cho các hệ thống PV hoạt động trong điều kiện bóng mờ một phần. ứng dụng. Mềm mại.
Máy tính.2015,32, 38–48. [Tham khảo chéo]
124. Jasmine, NHƯ; Gnanasaravanan, A.; Danielsathyaraj, J.; Banumathi, R. Phương pháp tiếp cận MPPT ủ mô phỏng cho
hệ thống PV bị che khuất một phần.J. ICON Integr. Các khái niệm2018,3, 16–24.
125. Feroz, A.; Linh, Q.; Javed, MY; Kỹ thuật Mansoor, M. Novel MPPT cho hệ thống quang điện dưới bức xạ đồng đều và
bóng một phần.Sol. Năng lượng2019,184, 628–648. [Tham khảo chéo]
126. Thuật toán Mirjalili, S. Dragonfly: Một kỹ thuật tối ưu hóa siêu kinh nghiệm mới để giải quyết các vấn đề đơn mục
tiêu, rời rạc và đa mục tiêu.Máy tính thần kinh. ứng dụng.2016,27, 1053–1073. [Tham khảo chéo]
127. Nasikkar, P.S.; Bhos, C.D. Phương pháp tiếp cận dựa trên tìm kiếm của Cuckoo hướng tới việc theo dõi điểm sức
mạnh tối đa cho
Hệ thống quang điện mặt trời dưới bóng râm một phần.J. Máy tính. Lý thuyết. Nanosci.2019,16, 3338–3345. [Tham
khảo chéo]
128. Abo-Elyousr, F.K.; Abdelshafy, A.M.; Abdelaziz, A.Y. Thuật toán tìm kiếm hạt và chim cúc cu dựa trên MPPT cho hệ
thống quang điện. TRONGKỹ thuật theo dõi điểm công suất tối đa hiện đại cho năng lượng quang điện
Hệ thống; Springer: Chăm, Thụy Sĩ, 2020; trang 379–400. [Tham khảo chéo]
129. Mohamed, MA; Diab, A.A.Z.; Rezk, H. Giảm thiểu bóng đổ một phần của hệ thống PV thông qua các kỹ thuật siêu
kinh nghiệm khác nhau.Thay mới. Năng lượng2019,130, 1159–1175. [Tham khảo chéo]
130. Herrera, J.; Ibeas, A.; Sen MDe Rivera, E.; Pel, J. Phương pháp tìm kiếm mẫu tổng quát để kiểm soát các hệ thống ổn
định, không ổn định và tích hợp với độ trễ không xác định khi nhập bước.Toán học. Tài khoản Đồng thời2015,115,
131. Javed, MY; Murtaza, A.F.; Linh, Q.; Qamar, S.; Gulzar, M.M. Một thiết kế MPPT mới sử dụng tìm kiếm mẫu tổng
quát để tạo bóng một phần.Xây dựng năng lượng.2016,133, 59–69. [Tham khảo chéo]
132. Daraban, S.; Petreus, D.; Morel, C. Một MPPT toàn cầu mới dựa trên các thuật toán di truyền cho các hệ thống
quang điện dưới tác động của bóng râm một phần. Trong Kỷ yếu của Hội nghị thường niên IECON 2013-39 của Hiệp
hội Điện tử Công nghiệp IEEE, Vienna, Áo, ngày 10–13 tháng 11 năm 2013; trang 1490–1495. [Tham khảo chéo]
133. Prasanth Ram, J.; Rajasekar, N. Phương pháp điểm công suất tối đa toàn cầu dựa trên thụ phấn hoa mới để theo
dõi điểm công suất tối đa mặt trời.IEEE Trans. Điện tử công suất.2017,32, 8486–8499. [Tham khảo chéo]
134. Lyden, S.; Các thành viên.; Thành viên, S. Phương pháp theo dõi điểm công suất tối đa toàn cầu mô phỏng cho các
mô-đun PV trong điều kiện che nắng một phần.IEEE Trans. Điện tử công suất.2015,8993, 1–11. [Tham khảo chéo]
135. Dash, SS; Arun Bhaskar, M.; Panigrahi, B.K.; Das, S. Điểm sức mạnh tối đa dựa trên thuật toán pháo hoa
Theo dõi sự chiếu xạ đồng đều cũng như trong điều kiện che nắng một phần. Khuyến cáo. Intel. Hệ thống. Tài
khoản2016,394. [Tham khảo chéo]
136. Pilakkat, D.; Kanthalakshmi, S. Một thuật toán P&O cải tiến được tích hợp với đàn ong nhân tạo cho hệ thống quang
điện trong điều kiện che nắng một phần.Sol. Năng lượng2019,178, 37–47. [Tham khảo chéo]
137. Trương, J.; Đinh, K.; Mei, R.; Cai, Y. Phương pháp theo dõi điểm công suất tối đa toàn cầu dựa trên trình tối ưu hóa
phân loại bầy đàn.Int. J. Năng lượng xanh2018,15, 821–836. [Tham khảo chéo]
© 2019 của các tác giả. Được cấp phép MDPI, Basel, Thụy Sĩ. Bài viết này là một bài viết truy
cập mở được phân phối theo các điều khoản và điều kiện của giấy phép Creative Commons Ghi
công (CC BY)(http://creativecommons.org/licenses/by/4.0/).

Bản dịch của 6-A-Comprehensive-Review-on-a-PV-Based-System-to-Harvest-Maximum-Power

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bản dịch của 6-A-Comprehensive-Review-on-a-PV-Based-System-to-Harvest-Maximum-Power

Uploaded by

Copyright:

Available Formats

thiết bị điện tử

Đánh giá toàn diện về hệ thống dựa trên PV để thu được

Thiết bị điện tử2019,số 8, 1480; doi:10.3390/điện tử8121480 www.mdpi.com/journal/electronics

2.1. Mô hình tế bào PV

2.1.1. Mô hình điốt đơn

TÔI=TÔIpv−TÔIồđiểm kinh nghiệm TRONGd − 1, (1)nVt

TRONGt= NSAkT, (3)

2.1.2. Mô hình điốt đôi

TÔIồ1= đại diện cho phần tử dòng khuếch tán,TÔIồ2= đại

Hình 2.Biểu diễn lý tưởng và thực tế của mô hình diode đôi.

2.2. Đặc tính điện của tấm PV

Bảng 1.Thông số Kyocera-KC200GT.

2.2.1. Điều kiện bức xạ đồng nhất

Hình 6.Đặc tính công suất và điện áp ở nhiệt độ khác nhau.

2.2.2. Điều kiện che bóng một phần (PSC)

Hình 7.Đặc tính dòng điện và điện áp ở nhiệt độ khác nhau.

3.1. Cấu trúc liên kết chuyển đổi

Hình 10.Sơ đồ khối cơ bản của hệ thống PV.

3.1.1. Dụng cụ đổi tiền

TRONGbk TÔIbk rRồ

Hình 11.Bộ chuyển đổi Buck với mô-đun PV.

3.1.2. Bộ chuyển đổi tăng cường

TRONGbt TÔIbt rRồ

Ở đâuTRONGbtlà điện áp pin hoặc điện áp đầu ra.

Hình 12.Bộ chuyển đổi tăng cường với mô-đun PV.

3.1.3. Bộ chuyển đổi Buck/Boost

3.1.4. Bộ chuyển đổi Cuk

TRONGck=TÔIck=− D0!, (15)

Hình 14.Bộ chuyển đổi Cuk với mô-đun PV.

3.1.5. Bộ chuyển đổi cuộn cảm sơ cấp một đầu (SEPIC)

3.1.6. Bộ chuyển đổi Flyback

Hình 16.Bộ chuyển đổi flyback với mô-đun PV.

Hình 19.Sơ đồ khối dòng ngắn mạch phân cực (FSCC).

4.1.1. Dòng điện ngắn mạch phân số (FSCC)

TÔIMPP kISC, (19)

TRONGMPP kVOC, (20)

Hình 20.Sơ đồ khối Điện áp hở mạch phân số (FOCV).

4.1.3. Nhiễu loạn và quan sát (PnO)

TRONGmới=TRONGtrước+∆V Pmới>Ptrước, (22)

Hình 21.Lưu đồ của kỹ thuật nhiễu loạn và quan sát (PnO).

4.1.4. Độ dẫn tăng dần (InC)

Hình 22.Lưu đồ về độ dẫn tăng dần (InC).

5.1. Mạng lưới thần kinh nhân tạo

Hình 23.Cấu trúc mạng thần kinh nhân tạo (ANN).

Hình 24.Sơ đồ thuật toán di truyền.

5.3. Phương pháp tối ưu bầy đàn

Hình 25.Sơ đồ thuật toán tối ưu hóa bầy đàn (PSO).

dTÔI+1=dTÔI− ∆dTÔI, (28)

∆dTÔI+1=ỒdTÔI+c1r1Ptốt nhất−dTÔI+c2r2Gtốt nhất−dTÔI, (

sự thích hợpTôi(t)−tồi tệ nhất(t) (35)

G(t) =G0×Nó là(−α×Tt), (37)

FCủa(t) =XNj=1,j,Tôirandj×Fchống lại(t), (38)

trong đó số ngẫu nhiên Rand nằm trong phạm vi [0, 1].

d(t) = FdTôi(t). (39)MộtTôiMTôi(t)

TRONGTôid(t+1) =randTôi×TRONGTôid(t) +MộtdTôi(t), (40)xdTôi(t+1) =xdTôi(t)

XTÔI+1=(XXmã não++αα××cossin((BB))××ψψ××PPhai−−XXmã não ϕ <ϕ < 0,50,5. (42)

Hình 26.Đường đi quỹ đạo của dân số SCA [106].

5.8. MPPT dựa trên thuật toán lai JayaDe

5.8.1. Tối ưu hóa JayaDe

xNó+1=xcủa+cL(tôi)gtốt nhất−xcủa, (48)

5.10. MPPT dựa trên tối ưu hóa đàn kiến (ACO)

5.11. Đó là nóffled Frog Leap Algorithm (SFLA) Dựa trên MPPT

TÔITôi(t+1) = (1 − p)×TÔITôi(t) +c ∗F(xTôi(t+1)), (51)

xTôi(t+1) =xTôi(t) +S ,