首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

光伏发电系统最大功率点跟踪技术研究

摘要第3-4页
abstract第4-5页
1.绪论第8-15页
    1.1 课题研究背景以及意义第8-10页
        1.1.1 能源和环境问题第8页
        1.1.2 我国太阳能资源情况第8-10页
    1.2 光伏发电国内外研究现状第10-12页
    1.3 最大功率点跟踪研究目的和意义第12页
    1.4 最大功率点跟踪研究现状第12-13页
    1.5 本文主要内容以及安排第13-15页
        1.5.1 本文主要内容第13-14页
        1.5.2 本文章节安排第14-15页
2.光伏发电系统和光伏电池第15-32页
    2.1 光伏发电系统概述第15-17页
        2.1.1 光伏发电系统构成第15-16页
        2.1.2 光伏发电系统分类第16-17页
    2.2 光伏电池概述第17-18页
        2.2.1 光伏电池分类与选择第17-18页
        2.2.2 光伏电池工作原理第18页
    2.3 光伏电池特性介绍与建模仿真第18-21页
        2.3.1 光伏电池数学模型第19-21页
    2.4 光伏电池Simulink模型以及输出特性第21-27页
        2.4.1 光伏电池Simulink模型第21-25页
        2.4.2 光伏电池输出特性第25-27页
    2.5 局部阴影下光伏阵列输出特性研究第27-31页
        2.5.1 局部阴影对光伏组件阵列影响第28-31页
    2.6 本章小结第31-32页
3.DC-DC变换器模块与基本MPPT算法及仿真分析第32-47页
    3.1 最大功率点跟踪第32-33页
        3.1.1 最大功率点跟踪概念第32页
        3.1.2 最大功率跟踪方法分类第32-33页
    3.2 DC-DC变换电路第33-36页
        3.2.1 阻抗匹配原理第33-34页
        3.2.2 DC-DC变换器第34-36页
    3.3 传统最大功率点跟踪控制方法第36-46页
        3.3.1 恒定电压法第36-38页
        3.3.2 扰动观察法第38-41页
        3.3.3 增量电导法第41-43页
        3.3.4 模糊逻辑法第43-46页
    3.4 局部阴影下最大功率点算法研究第46页
    3.5 本章小结第46-47页
4.基于遗传算法的混合蚁群算法第47-53页
    4.1 蚁群算法基本原理第47-48页
    4.2 遗传算法基本原理第48-49页
    4.3 遗传算法与蚁群算法融合第49-51页
        4.3.1 算法融合可行性第49页
        4.3.2 算法融合基本思想第49-50页
        4.3.3 遗传蚁群算法设计思路与总体框架第50-51页
    4.4 仿真实验第51-52页
    4.5 本章小结第52-53页
5.局部阴影下遗传蚁群算法对MPPT研究第53-68页
    5.1 研究条件第53-55页
        5.1.1 研究模型建立第53-54页
        5.1.2 研究环境条件选取第54-55页
    5.2 遗传算法对MPPT研究第55-58页
    5.3 蚁群算法对MPPT研究第58-61页
    5.4 光伏组件局部阴影遮挡下遗传蚁群算法研究第61-67页
        5.4.1 遗传蚁群算法在多峰最大功率点跟踪中的应用第61-64页
        5.4.2 仿真与实验分析第64-67页
    5.5 本章小结第67-68页
6.总结与展望第68-70页
参考文献第70-74页
附录 攻读硕士学位期间研究成果第74-75页
致谢第75页

论文共75页,点击 下载论文
上一篇:新型过渡金属纳米复合材料修饰电极的构筑及其应用研究
下一篇:基于深度神经网络的图像显著性检测