CN104158418B - 一种光伏并网逆变装置 - Google Patents
一种光伏并网逆变装置 Download PDFInfo
- Publication number
- CN104158418B CN104158418B CN201410408718.4A CN201410408718A CN104158418B CN 104158418 B CN104158418 B CN 104158418B CN 201410408718 A CN201410408718 A CN 201410408718A CN 104158418 B CN104158418 B CN 104158418B
- Authority
- CN
- China
- Prior art keywords
- grid
- moment
- voltage
- output
- input terminus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Inverter Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种光伏并网逆变装置,它包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器,每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器,所述MPU控制器通过第一电压传感器和第二电压传感器分别采集光伏电池板电压和电网电压,通过电流传感器采集EMI滤波器输出的并网电流,并通过两个驱动模块分别控制反激变换器和工频逆变桥。本发明在提高发电效率的同时,还解决了集中式逆变器可靠性差的问题。本装置将神经网络逆模型与PI控制器结合在一起,既可以实现***的线性化,又可以发挥PI控制器的鲁棒性,从而有效提高了电能质量。
Description
技术领域
本发明涉及一种采用神经网络逆模型控制的光伏并网微型逆变器***,属于发电技术领域。
背景技术
随着能源危机和环境污染问题日益严重,太阳能光伏发电作为清洁的绿色能源,其并网控制技术成为世界各国关注和研究的热点。
现代社会对能源的利用效率和电能质量提出的要求越来越高。现有的并网光伏逆变器多为集中式逆变器,即将大量光伏电池串并联后通过一个大功率逆变器进行电能输出。由于不能保证每个光伏电池都工作于最大功率点,这种方式存在效率低的缺点。更为严重的是,这种方式的可靠性较差,若集中式逆变器发生故障,将导致与其连接的所有光伏电池终止电能输出。因此,光伏逆变器的微型化将成为今后的发展趋势。另外,现有的并网光伏逆变器多采用简单的PI控制器,存在并网电流谐波含量较高的缺点。通过增加输出滤波单元可以在一定程度上抑制谐波,但是却使得***的输出阻抗呈现二阶甚至高阶感容特性,容易导致***不稳定。可见,为了提高电能质量,必须寻求更好的控制方法。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种光伏并网逆变装置,以有效提高光伏发电的可靠性和电能质量。
本发明所述问题是以下述技术方案实现的:
一种光伏并网逆变装置,构成中包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器,每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器,所述MPU控制器通过第一电压传感器和第二电压传感器分别采集光伏电池板电压和电网电压,通过电流传感器采集EMI滤波器输出的并网电流,并通过两个驱动模块分别控制反激变换器和工频逆变桥,所述MPU控制器按以下方式运作:
①通过第一电压传感器采集光伏电池板电压Vpv,通过第二电压传感器采集电网电压Vgrid,通过电流传感器采集并网电流iac;以微型逆变器作为对象,建立并训练相应的神经网络逆模型,具体如下:
a.选取三层BP神经网络建立***的逆模型,其中,输入层神经元节点数为10个,隐含层神经元节点数为18个,输出层神经元节点数为1个,隐含层神经元转移函数使用双曲正切函数,输出层神经元转移函数使用S型函数;
b.在光伏微型逆变器上采集运行数据;
利用单回路PI控制器进行并网电流控制,令光伏微型逆变器分别处于额定功率、80%额定功率、60%额定功率、40%额定功率、20%额定功率的工况下,每种工况下连续采集N组并网电流iac、电网电压Vgrid、反激变换器PWM信号占空比D、光伏电池板电压Vpv,共构成5N组运行数据;
c.利用采集的运行数据构造样本;
对于k时刻,所构造的样本为{Vgrid(k),Vgrid(k-1),Vgrid(k-2),iac(k),iac(k-1),iac(k+1),D(k-1),D(k-2),D(k-3),Vpv(k),D(k)},其中,Vgrid(k)为k时刻的电网电压,Vgrid(k-1)为k-1时刻的电网电压,Vgrid(k-2)为k-2时刻的电网电压,iac(k)为k时刻的并网电流,iac(k-1)为k-1时刻的并网电流,iac(k+1)为k+1时刻的并网电流,D(k-1)为k-1时刻的反激变换器PWM信号占空比,D(k-2)为k-2时刻的反激变换器PWM信号占空比,D(k-3)为k-3时刻的反激变换器PWM信号占空比,Vpv(k)为k时刻的光伏电池板的电压,D(k)为k时刻的反激变换器PWM信号占空比,5N组运行数据共构成5N个样本;
d.随机抽取5N个样本数据中的4N个作为训练样本,其余N个作为检验样本,训练建立的三层BP神经网络;训练过程中,对于k时刻的样本,取BP神经网络的第一个输入端为k时刻的电网电压Vgrid(k),第二个输入端为k-1时刻的电网电压Vgrid(k-1),第三个输入端为k-2时刻的电网电压Vgrid(k-2),第四个输入端为k时刻的并网电流iac(k),第五个输入端为k-1时刻的并网电流iac(k-1),第六个输入端为k+1时刻的并网电流iac(k+1),第七个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1),第八个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2),第九个输入端为k-3时刻的反激变换器PWM信号占空比D(k-3),第十个输入端为k时刻的光伏电池板的电压Vpv(k),BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k);
②利用训练好的BP神经网络逆模型对微型逆变器进行控制,具体步骤为:
a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算,对于当前k时刻,取第一个输入端为k时刻的电网电压Vgrid(k),第二个输入端为k-1时刻的电网电压Vgrid(k-1),第三个输入端为k-2时刻的电网电压Vgrid(k-2),第四个输入端为k时刻的并网电流iac(k),第五个输入端为k-1时刻的并网电流iac(k-1),第六个输入端为k+1时刻的并网电流设定值i* ac(k+1),第七个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1),第八个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2),第九个输入端为k-3时刻的反激变换器PWM信号占空比D(k-3),第十个输入端为k时刻的光伏电池板的电压Vpv(k),得出BP神经网络的输出为d(k);
b.将下一时刻并网电流设定值i* ac(k+1)与当前k时刻并网电流iac(k)的偏差送入PI控制器,得到闭环控制量dC(k),即
其中:e(k)=i* ac(k+1)-iac(k),Kp表示比例系数,Ki表示积分系数;
c.将神经网络逆模型的输出d(k)和PI控制器的输出dC(k)叠加后作为最终的反激变换器PWM信号占空比D(k),即:
D(k)=d(k)+dC(k)。
上述光伏并网逆变装置,对BP神经网络的训练采用变学习速率的误差反传算法,具体为:首先将各层神经元中的权系数和阈值初始化为(-1,+1)之间的随机量,再将输入层10个神经元输出值作为隐含层每个神经元的输入,隐含层的18个神经元输出值作为输出层单个神经元的输入,输出层单个神经元的输出值即为网络最终输出,对于第k个训练样本,计算第t次训练后网络实际输出与期望输出的误差:
及4N个训练样本的平方和误差为:
每计算完一遍,比较Et与期望误差Eo,若Et<Eo,则训练终止条件满足,训练结束;否则,将Et沿连接路径进行反向传播,并逐一调整各层的权系数和阈值,直到Et<Eo为止;然后,利用N个检验样本对模型进行测试,计算样本均方误差MSE,若有MSE<Tr(Tr为某一固定阈值),则认为所训练的BP神经网络模型满足精度要求,此时记录各个神经元的权系数和阈值;否则,重新对BP神经网络模型进行训练,直至其满足精度要求为止。
上述光伏并网逆变装置,所述反激变换器包括变压器、第一功率管、二极管和第二电容,所述变压器的原边线圈经第一功率管接光伏电池板电压,其副边线圈经二极管给工频逆变桥供电,第二电容并接于工频逆变桥的直流输入端,第一功率管的栅极接第一驱动模块的输出端。
上述光伏并网逆变装置,所述EMI滤波器包括三个电感和六个电容,第一电感的两个线圈的首端分别接工频逆变桥的两个交流输出端,它们的尾端分别经第二电感和第三电感接电网的两端,第三电容并接在工频逆变桥的交流输出端,第四电容和第五电容的一端接地,另一端分别接工频逆变桥的两个交流输出端,第六电容的两端分别接第一电感的两个线圈的尾端,第七电容和第八电容的一端接地,另一端分别接电网的两端。
上述光伏并网逆变装置,所述工频逆变桥是由四个功率管接成的全控桥,四个功率管的栅极接第二驱动模块的输出端。
本发明利用多个微型逆变器取代传统光伏电站的集中式逆变器,使每个光伏电池板都工作于最大功率点,在提高发电效率的同时,还解决了集中式逆变器可靠性差的问题。本装置将神经网络逆模型与PI控制器结合在一起,既可以实现***的线性化,又可以发挥PI控制器的鲁棒性,从而有效提高了电能质量。
附图说明
下面结合附图对本发明作进一步说明。
图1是光伏并网微型逆变器装置的结构框图;
图2是神经网络逆模型示意图;
图3为单个神经元的结构示意图;
图4是BP神经网络逆模型的测试结果;
图5是神经网络逆控制器的程序结构框图;
图6是光伏并网微型逆变器输出的并网电流曲线;
图7是光伏并网微型逆变器输出的并网电流误差曲线。
图中各标号清单为:UT1、第一电压传感器,UT2、第二电压传感器,CT、电流传感器,D1、二极管,Q1~Q5、第一功率管~第五功率管,C1~C8、第一电容~第八电容,L1~L3、第一电感~第三电感,TX1、变压器。
文中各符号清单为:Vpv为光伏电池板电压,Vgrid为电网电压,iac为并网电流,Vgrid(k)为k时刻的电网电压,D为反激变换器PWM信号占空比,Vgrid(k-1)为k-1时刻的电网电压,Vgrid(k-2)为k-2时刻的电网电压,iac(k)为k时刻的并网电流,iac(k-1)为k-1时刻的并网电流,iac(k+1)为k+1时刻的并网电流,D(k-1)为k-1时刻的反激变换器PWM信号占空比,D(k-2)为k-2时刻的反激变换器PWM信号占空比,D(k-3)为k-3时刻的反激变换器PWM信号占空比,Vpv(k)为k时刻的光伏电池板的电压,D(k)为k时刻的反激变换器PWM信号占空比,i* ac(k+1)为k+1时刻的并网电流设定值,为t次训练后网络实际输出,为t次训练后期望输出,Eo为期望误差,Et为t次训练后4N个训练样本的平方和误差。
具体实施方式
本发明由多个微型逆变器构成,每个微型逆变器包括:储能电容(即图1中的第一电容C1)、反激变换器(由变压器TX1、第一功率管Q1、二极管D1和第二电容C2构成)、工频逆变桥(由第二功率管Q2~第五功率管Q5构成)、EMI滤波器(由第三电容C3~第八电容C8、第一电感L1~第三电感L3构成)、第一驱动模块(即图1中的驱动模块1)、第二驱动模块(即图1中的驱动模块2)、MPU控制器、第一电压传感器UT1、第二电压传感器UT2、电流传感器CT;储能电容的正极与光伏电池板正极连接,储能电容的负极接地;第一电压传感器的负极接地、第一电压传感器的正极与光伏电池板正极连接、第一电压传感器的测量信号输出端与MPU控制器连接;反激变换器的输入正端与光伏电池板正极连接,反激变换器的输入负端接地;反激变换器的输出正端与工频逆变桥一输入端连接,反激变换器的输出负端与工频逆变桥另一输入端连接;工频逆变桥的一输出端与EMI滤波器一输入端连接,工频逆变桥的另一输出端与EMI滤波器另一输入端连接;EMI滤波器的一输出端与电流传感器的正极连接,EMI滤波器的另一输出端连接至电网;电流传感器的正极与EMI滤波器的一输出端连接,电流传感器的负极连接至电网,电流传感器的测量信号输出端与MPU控制器连接;第二电压传感器的正极连接至电流传感器的负极,第二电压传感器的负极连接至电网,第二电压传感器的测量信号输出端与MPU控制器连接;第一驱动模块的输入端与MPU控制器连接,第一驱动模块的输出端与反激变换器中的第一功率管栅极连接;第二驱动模块的输入端与MPU控制器连接,第二驱动模块的一输出端与工频逆变桥中的第二功率管、第五功率管的栅极连接,第二驱动模块的另一输出端与工频逆变桥中的第三功率管、第四功率管的栅极连接;MPU控制器与第一电压传感器、第二电压传感器、电流传感器的测量信号输出端连接,MPU控制器还与第一驱动模块、第二驱动模块的输入端连接;
以下结合附图和具体实施方式进一步说明本发明。
在本实施例中,选取英利公司生产的235W光伏电池板,其在标准测试条件的参数为:短路电流Isc=8.54A,开路电压Voc=37V,最大功率点电流Imax=7.97A,最大功率点电压Vmax=29.5V。
针对该光伏电池板设计的微型逆变器结构框图如图1所示。该装置主要包括:储能电容(第一电容)C1、反激变换器、工频逆变桥、EMI滤波器、第一驱动模块、第二驱动模块、MPU控制器、第一电压传感器UT1、第二电压传感器UT2、电流传感器CT;其中MPU控制器选用TI公司的高性能浮点数字信号处理器TMS320F28335,该数字信号处理器集成了I/O模块、ADC模块、PWM模块、CAN模块、UART和SPI模块等功能模块;储能电容C1选用2200uF电解电容;反激变换器中变压器TX1采用NA5814-AL,第一功率管Q1选用TK50X15J1,二极管D1采用C2D05120E,第二电容C2选用0.47uF无极性电容;第二功率管Q2、第三功率管Q3、第四功率管Q4、第五功率管Q5选用IPB60R190C6,第一驱动模块与第二驱动模块为MCP14E4;EMI滤波器中第三电容C3、第六电容C6选用0.015uf无极性电容,第四电容C4、第五电容C5、第七电容C7、第八电容C8选用4700pF无极性电容,第一电感L1选用FE2X03-4-3NL,第二电感L2、第三电感L3选用2100LL-151-H-RC;电压传感器采用MCP6022;电流传感器CT采用霍尔电流传感器ACS712ELCTR-058-1;
图2为所建立的三层BP神经网络逆模型。输入层神经元节点数为10个,隐含层神经元节点数为18个,输出层神经元节点数为1个。
图3为单个神经元的结构示意图,为神经元的输入信号,为神经元的权系数,为神经元的阈值,则神经元的输出为:
隐含层神经元转移函数使用双曲正切函数,即
其中:
为转移函数输入;
为转移函数输出。
输出层神经元转移函数使用S型函数,即
(3)
其中:
为转移函数输入;
为转移函数输出。
实施例中采集运行数据过程具体为:利用单回路PI控制器进行并网电流控制,令光伏微型逆变器分别处于额定功率、80%额定功率、60%额定功率、40%额定功率、20%额定功率的工况下,每种工况下以114KHz的采样频率连续采集N=10000组并网电流iac、电网电压Vgrid、反激变换器PWM信号占空比D、光伏电池板电压Vpv,共获取50000组运行数据,从而构成50000个样本。随机抽取其中的40000个作为训练样本,其余10000个作为检验样本。
实施例中设置Eo=1.5,阈值Tr=0.01,迭代训练9876次后,Et=1.47,满足终止条件Et<Eo,训练结束。此时,再利用检验样本对模型进行测试,部分测试结果如图4所示,计算得出样本均方误差MSE=0.006,有MSE<Tr,因此认为满足逆模型精度要求,此时记录各个神经元的权系数和阈值。
实施例中PI控制器的参数整定为Kp=0.01,Ki=800;并网电流设定值i* ac由数字信号处理器按照离散正弦规律变化给定。
按照上述步骤编写软件程序并植入DSP芯片中,即可实现光伏微型逆变器的神经网络逆控制器的控制。软件程序包括***主程序和神经网络逆控制中断服务子程序,框图如图5。
图6为使用本发明控制方法后光伏微型逆变器输出的并网电流曲线,图7为并网电流偏差曲线。可见,并网电流能够很好的跟踪其设定值,存在较小的偏差。
为了进一步分析本发明控制方法的效果,分别在20%、40%、60%、80%、100%额定功率输出工况下将其与传统PI控制方法(取Kp=0.01,Ki=800)进行了对比,表1为两种方法的并网电流谐波含量对比结果,可知本发明方法对于工况的变化具有较好的鲁棒性,不同工况下的并网电流谐波含量明显小于传统PI控制方法,符合国家电网并网的谐波含量标准(THD<5%)。
表1
。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围应该并不局限于此,任何熟悉本技术领域的技术人员依据本发明揭露的核心技术、所能作出的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种光伏并网逆变装置,其特征是,它包括与光伏电站的各个光伏电池板一一对应的多个微型逆变器,每个微型逆变器包括MPU控制器以及依次连接于光伏电池板与电网之间的储能电容、反激变换器、工频逆变桥和EMI滤波器,所述MPU控制器通过第一电压传感器(UT1)和第二电压传感器(UT2)分别采集光伏电池板电压和电网电压,通过电流传感器(CT)采集EMI滤波器输出的并网电流,并通过两个驱动模块分别控制反激变换器和工频逆变桥,所述MPU控制器按以下方式运作:
①通过第一电压传感器(UT1)采集光伏电池板电压Vpv,通过第二电压传感器(UT2)采集电网电压Vgrid,通过电流传感器(CT)采集并网电流iac;以微型逆变器作为对象,建立并训练相应的神经网络逆模型,具体如下:
a.选取三层BP神经网络建立***的逆模型,其中,输入层神经元节点数为10个,隐含层神经元节点数为18个,输出层神经元节点数为1个,隐含层神经元转移函数使用双曲正切函数,输出层神经元转移函数使用S型函数;
b.在光伏微型逆变器上采集运行数据;
利用单回路PI控制器进行并网电流控制,令光伏微型逆变器分别处于额定功率、80%额定功率、60%额定功率、40%额定功率、20%额定功率的工况下,每种工况下连续采集N组并网电流iac、电网电压Vgrid、反激变换器PWM信号占空比D、光伏电池板电压Vpv,共构成5N组运行数据;
c.利用采集的运行数据构造样本;
对于k时刻,所构造的样本为{Vgrid(k),Vgrid(k-1),Vgrid(k-2),iac(k),iac(k-1),iac(k+1),D(k-1),D(k-2),D(k-3),Vpv(k),D(k)},其中,Vgrid(k)为k时刻的电网电压,Vgrid(k-1)为k-1时刻的电网电压,Vgrid(k-2)为k-2时刻的电网电压,iac(k)为k时刻的并网电流,iac(k-1)为k-1时刻的并网电流,iac(k+1)为k+1时刻的并网电流,D(k-1)为k-1时刻的反激变换器PWM信号占空比,D(k-2)为k-2时刻的反激变换器PWM信号占空比,D(k-3)为k-3时刻的反激变换器PWM信号占空比,Vpv(k)为k时刻的光伏电池板的电压,D(k)为k时刻的反激变换器PWM信号占空比,5N组运行数据共构成5N个样本;
d.随机抽取5N个样本数据中的4N个作为训练样本,其余N个作为检验样本,训练建立的三层BP神经网络;训练过程中,对于k时刻的样本,取BP神经网络的第一个输入端为k时刻的电网电压Vgrid(k),第二个输入端为k-1时刻的电网电压Vgrid(k-1),第三个输入端为k-2时刻的电网电压Vgrid(k-2),第四个输入端为k时刻的并网电流iac(k),第五个输入端为k-1时刻的并网电流iac(k-1),第六个输入端为k+1时刻的并网电流iac(k+1),第七个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1),第八个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2),第九个输入端为k-3时刻的反激变换器PWM信号占空比D(k-3),第十个输入端为k时刻的光伏电池板的电压Vpv(k),BP神经网络的输出为k时刻的反激变换器PWM信号占空比D(k);
②利用训练好的BP神经网络逆模型对微型逆变器进行控制,具体步骤为:
a.利用训练好的BP神经网络逆模型进行反激变换器PWM信号占空比的计算,对于当前k时刻,取第一个输入端为k时刻的电网电压Vgrid(k),第二个输入端为k-1时刻的电网电压Vgrid(k-1),第三个输入端为k-2时刻的电网电压Vgrid(k-2),第四个输入端为k时刻的并网电流iac(k),第五个输入端为k-1时刻的并网电流iac(k-1),第六个输入端为k+1时刻的并网电流设定值i* ac(k+1),第七个输入端为k-1时刻的反激变换器PWM信号占空比D(k-1),第八个输入端为k-2时刻的反激变换器PWM信号占空比D(k-2),第九个输入端为k-3时刻的反激变换器PWM信号占空比D(k-3),第十个输入端为k时刻的光伏电池板的电压Vpv(k),得出BP神经网络的输出为d(k);
b.将下一时刻并网电流设定值i* ac(k+1)与当前k时刻并网电流iac(k)的偏差送入PI控制器,得到闭环控制量dC(k),即
其中:e(k)=i* ac(k+1)-iac(k),Kp表示比例系数,Ki表示积分系数;
c.将神经网络逆模型的输出d(k)和PI控制器的输出dC(k)叠加后作为最终的反激变换器PWM信号占空比D(k),即:
D(k)=d(k)+dC(k)。
2.根据权利要求1所述的一种光伏并网逆变装置,其特征是,对BP神经网络的训练采用变学习速率的误差反传算法,具体为:首先将各层神经元中的权系数和阈值初始化为(-1,+1)之间的随机量,再将输入层10个神经元输出值作为隐含层每个神经元的输入,隐含层的18个神经元输出值作为输出层单个神经元的输入,输出层单个神经元的输出值即为网络最终输出,对于第k个训练样本,计算第t次训练后网络实际输出与期望输出的误差:
及4N个训练样本的平方和误差为:
每计算完一遍,比较Et与期望误差Eo,若Et<Eo,则训练终止条件满足,训练结束;否则,将Et沿连接路径进行反向传播,并逐一调整各层的权系数和阈值,直到Et<Eo为止;然后,利用N个检验样本对模型进行测试,计算样本均方误差ΔMSE,若有ΔMSE<Tr,Tr为某一固定阈值,则认为所训练的BP神经网络模型满足精度要求,此时记录各个神经元的权系数和阈值;否则,重新对BP神经网络模型进行训练,直至其满足精度要求为止。
3.根据权利要求1或2所述的一种光伏并网逆变装置,其特征是,所述反激变换器包括变压器(TX1)、第一功率管(Q1)、二极管(D1)和第二电容(C2),所述变压器(TX1)的原边线圈经第一功率管(Q1)接光伏电池板电压,其副边线圈经二极管(D1)给工频逆变桥供电,第二电容(C2)并接于工频逆变桥的直流输入端,第一功率管(Q1)的栅极接第一驱动模块的输出端。
4.根据权利要求3所述的一种光伏并网逆变装置,其特征是,所述EMI滤波器包括三个电感和六个电容,第一电感(L1)的两个线圈的首端分别接工频逆变桥的两个交流输出端,它们的尾端分别经第二电感(L2)和第三电感(L3)接电网的两端,第三电容(C3)并接在工频逆变桥的交流输出端,第四电容(C4)和第五电容(C5)的一端接地,另一端分别接工频逆变桥的两个交流输出端,第六电容(C6)的两端分别接第一电感(L1)的两个线圈的尾端,第七电容(C7)和第八电容(C8)的一端接地,另一端分别接电网的两端。
5.根据权利要求4所述的一种光伏并网逆变装置,其特征是,所述工频逆变桥是由四个功率管接成的全控桥,四个功率管的栅极接第二驱动模块的输出端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410408718.4A CN104158418B (zh) | 2014-08-19 | 2014-08-19 | 一种光伏并网逆变装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410408718.4A CN104158418B (zh) | 2014-08-19 | 2014-08-19 | 一种光伏并网逆变装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104158418A CN104158418A (zh) | 2014-11-19 |
CN104158418B true CN104158418B (zh) | 2016-06-15 |
Family
ID=51883854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410408718.4A Expired - Fee Related CN104158418B (zh) | 2014-08-19 | 2014-08-19 | 一种光伏并网逆变装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104158418B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965558A (zh) * | 2015-05-27 | 2015-10-07 | 华北电力大学(保定) | 一种考虑雾霾因素的光伏发电***最大功率跟踪方法及装置 |
CN106100398A (zh) * | 2016-06-06 | 2016-11-09 | 国网青海省电力公司 | 一种基于万有引力神经网络的微电网储能逆变器控制方法 |
CN108075482A (zh) * | 2016-11-11 | 2018-05-25 | 中科诺维(北京)科技有限公司 | 永磁直驱风机并网逆变器装置及控制方法 |
CN107910573B (zh) * | 2017-11-08 | 2020-10-09 | 南京晓庄学院 | 一种可逆燃料电池堆节能装置及控制方法 |
US11747405B2 (en) * | 2018-02-28 | 2023-09-05 | Robert Bosch Gmbh | System and method for audio and vibration based power distribution equipment condition monitoring |
CN109889069A (zh) * | 2019-03-05 | 2019-06-14 | 淮阴工学院 | 一种单项逆变器复合控制方法及*** |
CN110208721B (zh) * | 2019-07-09 | 2024-06-11 | 西南交通大学 | 一种级联三电平逆变器的故障诊断方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004001942A1 (en) * | 2002-06-23 | 2003-12-31 | Powerlynx A/S | Power converter |
US8269372B2 (en) * | 2008-12-23 | 2012-09-18 | Samsung Electro-Mechanics Co., Ltd. | Photovoltaic and fuel cell hybrid generation system using dual converters and single inverter and method of controlling the same |
CN102142693A (zh) * | 2011-03-10 | 2011-08-03 | 西安交通大学 | 基于fpga的太阳能光伏并网逆变控制*** |
CN103106544B (zh) * | 2013-02-01 | 2016-10-26 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测*** |
CN103441526B (zh) * | 2013-08-14 | 2015-04-01 | 华北电力大学(保定) | 一种并网不上网的小型光伏发电***及控制方法 |
-
2014
- 2014-08-19 CN CN201410408718.4A patent/CN104158418B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104158418A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104158418B (zh) | 一种光伏并网逆变装置 | |
CN109659980B (zh) | 集成混合储能与光伏装置的牵引供电***能量管理优化方法 | |
CN112103946A (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
CN104701871A (zh) | 一种含风光水多源互补微网混合储能容量最佳配比方法 | |
CN104638678A (zh) | 一种多风机并网谐振分析方法 | |
CN105976055A (zh) | 计及功率损耗的分布式光伏-储能***出力优化及容量配置方法 | |
CN102142693A (zh) | 基于fpga的太阳能光伏并网逆变控制*** | |
CN103441526B (zh) | 一种并网不上网的小型光伏发电***及控制方法 | |
CN109659973B (zh) | 一种基于改进型直流潮流算法的分布式电源规划方法 | |
WO2023060815A1 (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN107276110B (zh) | 一种多馈入直流输电受端交流***等效评估方法 | |
CN107666155A (zh) | 基于Markov模型的多能互补***随机稳定性分析方法 | |
CN111222097A (zh) | 一种光伏直流升压汇集***可靠性评估及灵敏度分析方法 | |
CN104333034B (zh) | 基于支持向量机逆控制的光伏并网微型逆变器 | |
CN103809650A (zh) | 一种光伏发电***的等效建模方法 | |
Wu et al. | Equivalent modeling method for regional decentralized photovoltaic clusters based on cluster analysis | |
CN108460228B (zh) | 一种基于多目标优化算法进行风电场等值的方法 | |
CN106160003B (zh) | 一种并网型风光联合发电***的电能计量***的方法 | |
CN105896613B (zh) | 一种考虑通讯时滞的微电网分布式有限时间控制方法 | |
CN104967353B (zh) | 一种离网型风力发电逆变器 | |
Rashid et al. | An RES-based grid connected electric vehicle charging station for Bangladesh | |
CN104269883B (zh) | 一种基于实时数字仿真仪的光伏发电***等值方法 | |
CN112595932B (zh) | 一种适用于中压直流配电网的单极故障选线方法 | |
CN205565860U (zh) | 一种动力电池和超级电容混合储能变流器 | |
Fritz | Validation of solar pv inverter harmonics behaviour at different power levels in a test network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160615 Termination date: 20180819 |
|
CF01 | Termination of patent right due to non-payment of annual fee |