CN108614612B - 太阳能光伏电池最大功率追踪方法和*** - Google Patents

太阳能光伏电池最大功率追踪方法和*** Download PDF

Info

Publication number
CN108614612B
CN108614612B CN201810372219.2A CN201810372219A CN108614612B CN 108614612 B CN108614612 B CN 108614612B CN 201810372219 A CN201810372219 A CN 201810372219A CN 108614612 B CN108614612 B CN 108614612B
Authority
CN
China
Prior art keywords
photovoltaic cell
solar photovoltaic
point data
measuring point
maximum power
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.)
Active
Application number
CN201810372219.2A
Other languages
English (en)
Other versions
CN108614612A (zh
Inventor
陈关忠
杜长河
辜晓川
李秀福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Gaoxiao Information Industry Corp ltd
Original Assignee
Qingdao Gaoxiao Information Industry Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Gaoxiao Information Industry Corp ltd filed Critical Qingdao Gaoxiao Information Industry Corp ltd
Priority to CN201810372219.2A priority Critical patent/CN108614612B/zh
Publication of CN108614612A publication Critical patent/CN108614612A/zh
Application granted granted Critical
Publication of CN108614612B publication Critical patent/CN108614612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
    • G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
    • G05F1/66—Regulating electric power
    • G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Sustainable Development (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Electrical Variables (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种太阳能光伏电池最大功率追踪方法***，包括：接收采集的测点数据；构建径向基神经网络，并采用所述测点数据进行训练得到网络模型；基于所述网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；控制太阳能光伏电池工作在所述最优输出电压上，以使得所述太阳能光伏电池工作在最大功率点上，即可保证太阳能光伏电池的输出功率最大；不断重复上述过程，能使得太阳能光伏电池每时每刻都工作在最大功率点上，解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。

Description

太阳能光伏电池最大功率追踪方法和***
技术领域
本发明属于太阳能光伏发电技术领域，具体地说，是涉及一种太阳能光伏电池最大功率追踪方法和***。
背景技术
在新能源的开发与利用中，太阳分布广泛，取之不尽，是一种可持续利用的清洁能源。光伏发电技术是利用半导体界面的光生伏特效应将光能直接转变为电能的一种技术，在各种太阳能利用中具有良好的发展前景。
在中国，2011年的光伏发电安装量比2010年增长了约5倍；至2015年底，光伏发电累计装机容量达到约4300万千瓦；至2016年底，光伏发电累计装机容量达7742万千瓦。
但是，光伏发电存在光电转换效率的问题。光伏发电***工作时，太阳电池在一定的温度和日照强度下具有唯一的最大功率点，当太阳电池工作在该点时，能输出当前温度和日照条件下的最大功率。但由于太阳电池的输出特性受日照亮、环境温度等因素的影响，太阳电池的电压和电流均发生很大的变化，从而使输出功率不稳定，即最大功率点时刻在变化，这会导致光伏发电***效率较低，因此，为提高光伏发电***效率，需要确定最大功率点，但由于太阳能电池的输出特性是复杂的非线性形式，难以确定其数学模型，也就无法用解析法确定最大功率点。
发明内容
本申请提供了一种太阳能光伏电池最大功率追踪方法和***，解决现有太阳能光伏电池最大输出功率点难以确定的技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
提出一种太阳能光伏电池最大功率追踪方法，包括：接收采集的测点数据；构建径向基神经网络，并采用所述测点数据进行训练得到网络模型；基于所述网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；控制太阳能光伏电池工作在所述最优输出电压上，以使得所述太阳能光伏电池工作在最大功率点上。
进一步的，在接收采集的测点数据之后，所述方法还包括：将所述测点数据按照设定单位进行转换。
进一步的，所述网络模型，具体为：I=f(S,T,U1)；其中，I为电流强度，S为光照强度，T为环境温度，U1为电压强度。
进一步的，所述输出功率的寻优目标函数为P=IU，其中，U为输出电压；所述基于遗传算法计算最优输出电压的约束条件为
Figure DEST_PATH_IMAGE002
。
提出一种太阳能光伏电池最大功率追踪***，包括测点数据采集模块、测点数据接收模块、训练模块、寻优模块和控制模块；所述测点数据采集模块，用于采集测点数据；所述测点数据接收模块，用于从所述测点数据采集模块接收采集的所述测点数据；所述训练模块，用于构建径向基神经网络，并采用所述测点数据进行训练得到网络模型；所述寻优模块，用于基于所述网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；所述控制模块，用于控制太阳能光伏电池工作在所述最优输出电压上，以使得所述太阳能光伏电池工作在最大功率点上。
进一步的，所述***还包括单位转换模块，用于在接收采集的测点数据之后，将所述测点数据按照设定单位进行转换。
进一步的，所述网络模型，具体为：I=f(S,T,U1)；其中，I为电流强度，S为光照强度，T为环境温度，U1为电压强度。
进一步的，所述输出功率的寻优目标函数为P=IU，其中，U为输出电压；所述基于遗传算法计算最优输出电压的约束条件为
Figure 797848DEST_PATH_IMAGE002
。
与现有技术相比，本申请的优点和积极效果是：本申请提出的太阳能光伏电池最大功率追踪方法和***中，采集的测点数据例如光照强度、环境温度、电压强度、电流强度等，以这些测点数据构建三层径向基神经网络并采用这些测点数据进行训练得到网络模型，基于网络模型构建太阳能光伏电池输出功率的寻优目标函数，并使用遗传算法计算出最优输出电压，将太阳能光伏电池的工作电压调节至该最优输出电压，即可保证太阳能光伏电池的输出功率最大，也即工作在最大功率点上，不断重复上述过程，能使得太阳能光伏电池每时每刻都工作在最大功率点上，解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。
结合附图阅读本申请实施方式的详细描述后，本申请的其他特点和优点将变得更加清楚。
附图说明
图1 为本申请提出的太阳能光伏电池最大功率追踪方法的方法流程图；
图2为本申请提出的太阳能光伏电池最大功率追踪***的***框图。
具体实施方式
下面结合附图对本申请的具体实施方式作进一步详细地说明。
本申请提出的太阳能光伏电池最大功率追踪方法，如图1所示，包括如下步骤：
步骤S11：接收采集的测点数据。
太阳能光伏电池的测点数据由DCS（分布式控制***）***采集，包括光照强度、环境温度、电压强度、电流强度等。
接收到DCS***采集的测点数据后，将测点数据按照设定单位进行转换，具体的，光照强度的设定单位为瓦/平方米，环境温度的设定单位为摄氏度，电压强度的设定单位为伏，电流强度的设定单位为安培。
步骤S12：构建径向基神经网络，并采用测点数据进行训练得到网络模型。
以电流强度I为因变量，以光照强度S、环境温度T和电压强度U1为自变量，构建三层径向基神经网络，并使用采集的测点数据进行数据训练，通过训练径向基神经网络得到网络模型I=f(S,T,U1)，其中f为一个网络结构，近似表达I与S、T、U1之间的函数关系，由三层网络构成，第一层为输入层，包含三个神经元；第二层为隐含层，包含20个神经元；第三层为输出层，包含一个神经元。第一层与第二层的神经元通过训练数据中的输入样本与第二层神经元的距离连接，第二层神经元经过径向基函数处理，通过权值与第三层神经元连接。
步骤S13：基于网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压。
以输出功率P为目标函数，构建输出功率的寻优目标函数为P=IU，其中，U为输出电压；对自变量U进行寻优计算，约束条件为
Figure 766853DEST_PATH_IMAGE002
，基于遗传算法计算最优输出功率，以及最优输出功率对应的输出电压U，也即为最优输出电压，最优输出功率即为最大功率点。
步骤S14：控制太阳能光伏电池工作在最优输出电压上，以使得太阳能光伏电池工作在最大功率点上。
根据最优输出电压，控制太阳能光伏电池工作在该最优输出电压上，能使得太阳能光伏电池工作在最大功率点上。
根据步骤S11至S13，能够得到不同环境下的输出电压的最优值，使得太阳能光伏电池的输出功率达到最大，将最优输出电压传输给控制模块，控制模块将输出电压调节至最优值，使太阳能光伏电池时时刻刻都工作在最大功率点上，解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。
传统的太阳能光伏电池最大功率追踪方法，例如CVT法、扰动观测法、电导增量法等，这些方法在控制精度和对环境的适应性方面都具有局限性，且容易产生在最佳工作点附件振荡的现象，相较于传统的太阳能光伏电池最大功率追踪方法，本申请提出的方法追踪计算结果具有确定性，不会在最佳工作点附近震荡，使得控制更稳定，能够始终保持在最大功率点，对外界环境变化反应灵敏，能够跟随外界环境变化迅速准确的找到最佳工作点，相较现有技术能够更接近最佳工作点位置，使得计算精度更高，提高了光能的利用率。
基于上述提出的太阳能光伏电池最大功率追踪方法，本申请还提出一种太阳能光伏电池最大功率追踪***，如图2所示，包括测点数据采集模块21、测点数据接收模块22、训练模块23、寻优模块24和控制模块25；测点数据采集模块21用于采集测点数据；测点数据接收模块22用于从测点数据采集模块接收采集的测点数据；训练模23用于构建径向基神经网络，并采用测点数据进行训练得到网络模型；寻优模块24用于基于网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；控制模块25用于控制太阳能光伏电池工作在最优输出电压上，以使得太阳能光伏电池工作在最大功率点上。
该***还包括单位转换模块26，用于在接收采集的测点数据之后，将测点数据按照设定单位进行转换。
其中，网络模型，具体为：I=f(S,T,U)；其中，I为电流强度，S为光照强度，T为环境温度，U为电压强度。
输出功率的寻优目标函数为P=IU，其中，U为输出电压；基于遗传算法计算最优输出电压的约束条件为
Figure 405645DEST_PATH_IMAGE002
。
具体的太阳能光伏电池最大功率追踪***的工作方式已经在上述太阳能光伏电池最大功率追踪方法中详述，此处不予赘述。
上述本申请提出的太阳能光伏电池最大功率追踪方法和***，基于神经网络和遗传算法计算太阳能光伏电池的最大功率点，提高了对环境的适应性和控制精度，解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题。需要说明的是，本申请中，对神经网络的构建和遗传算法的应用不做具体限定，根据实际应用情况限定应用即可。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.太阳能光伏电池最大功率追踪方法，其特征在于，包括：
接收采集的测点数据；
构建径向基神经网络，并采用所述测点数据进行训练得到网络模型；所述网络模型，具体为：
I=f(S,T,U1)；其中，I为电流强度，S为光照强度，T为环境温度，U1为电压强度;
基于所述网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；所述输出功率的寻优目标函数为P=IU，其中，U为输出电压；
控制太阳能光伏电池工作在所述最优输出电压上，以使得所述太阳能光伏电池工作在最大功率点上。
2.根据权利要求1所述的太阳能光伏电池最大功率追踪方法，其特征在于，在接收采集的测点数据之后，所述方法还包括：
将所述测点数据按照设定单位进行转换。
3.根据权利要求1所述的太阳能光伏电池最大功率追踪方法，其特征在于，
所述基于遗传算法计算最优输出电压的约束条件为0<U<200。
4.太阳能光伏电池最大功率追踪***，其特征在于，包括测点数据采集模块、测点数据接收模块、训练模块、寻优模块和控制模块；
所述测点数据采集模块，用于采集测点数据；
所述测点数据接收模块，用于从所述测点数据采集模块接收采集的所述测点数据；
所述训练模块，用于构建径向基神经网络，并采用所述测点数据进行训练得到网络模型；所述网络模型，具体为：
I=f(S,T,U1)；其中，I为电流强度，S为光照强度，T为环境温度，U1为电压强度;
所述寻优模块，用于基于所述网络模型构建输出功率的寻优目标函数，并基于遗传算法计算最优输出电压；所述输出功率的寻优目标函数为P=IU，其中，U为输出电压；
所述控制模块，用于控制太阳能光伏电池工作在所述最优输出电压上，以使得所述太阳能光伏电池工作在最大功率点上。
5.根据权利要求4所述的太阳能光伏电池最大功率追踪***，其特征在于，所述***还包括单位转换模块，用于在接收采集的测点数据之后，将所述测点数据按照设定单位进行转换。
6.根据权利要求4所述的太阳能光伏电池最大功率追踪***，其特征在于，所述基于遗传算法计算最优输出电压的约束条件为0<U<200。
CN201810372219.2A 2018-04-24 2018-04-24 太阳能光伏电池最大功率追踪方法和*** Active CN108614612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810372219.2A CN108614612B (zh) 2018-04-24 2018-04-24 太阳能光伏电池最大功率追踪方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810372219.2A CN108614612B (zh) 2018-04-24 2018-04-24 太阳能光伏电池最大功率追踪方法和***

Publications (2)

Publication Number Publication Date
CN108614612A CN108614612A (zh) 2018-10-02
CN108614612B true CN108614612B (zh) 2021-02-19

Family

ID=63660699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810372219.2A Active CN108614612B (zh) 2018-04-24 2018-04-24 太阳能光伏电池最大功率追踪方法和***

Country Status (1)

Country Link
CN (1) CN108614612B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110571853A (zh) * 2019-09-05 2019-12-13 武汉工程大学 一种基于径向基神经网络风光发电mppt控制方法及***
KR20210032748A (ko) * 2019-09-17 2021-03-25 엘지전자 주식회사 솔라셀 테스트 장치 및 이를 구비하는 태양광 시스템
CN112671031B (zh) * 2020-12-10 2023-12-29 珠海格力电器股份有限公司 光伏发电***及其控制方法、装置、存储介质及处理器
CN112711292B (zh) * 2021-03-29 2021-07-09 深圳黑晶光电技术有限公司 一种光伏组件最大功率追踪方法、***及存储介质
CN113526413B (zh) * 2021-07-20 2022-10-25 宁波如意股份有限公司 一种叉车举升装置及其发电效率控制方法
CN114995580A (zh) * 2022-06-27 2022-09-02 长江师范学院 一种光伏***最大功率点追踪方法及***
CN117155279B (zh) * 2023-09-12 2024-03-08 西南石油大学 一种太阳能电池的性能测试***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006119696A (ja) * 2004-10-19 2006-05-11 Daihen Corp 太陽光発電システムの制御方法
KR100886891B1 (ko) * 2008-06-20 2009-03-10 주식회사 케이디파워 유전자 알고리즘에 의해 제어되는 뉴로퍼지 제어기를이용한 태양광 발전 제어시스템
CN106194582A (zh) * 2016-09-19 2016-12-07 华能新能源股份有限公司辽宁分公司 基于风速测量与估计的风电***mppt控制装置及方法
CN106685313A (zh) * 2016-12-30 2017-05-17 珠海兆泓科技有限公司 用于光伏电站的发电控制方法、装置及光伏电站
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及***
CN107045659A (zh) * 2017-05-03 2017-08-15 北京天诚同创电气有限公司 预测光伏发电功率的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006119696A (ja) * 2004-10-19 2006-05-11 Daihen Corp 太陽光発電システムの制御方法
KR100886891B1 (ko) * 2008-06-20 2009-03-10 주식회사 케이디파워 유전자 알고리즘에 의해 제어되는 뉴로퍼지 제어기를이용한 태양광 발전 제어시스템
CN106194582A (zh) * 2016-09-19 2016-12-07 华能新能源股份有限公司辽宁分公司 基于风速测量与估计的风电***mppt控制装置及方法
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及***
CN106685313A (zh) * 2016-12-30 2017-05-17 珠海兆泓科技有限公司 用于光伏电站的发电控制方法、装置及光伏电站
CN107045659A (zh) * 2017-05-03 2017-08-15 北京天诚同创电气有限公司 预测光伏发电功率的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于RBF 神经网络和遗传算法的MPPT 方法》;陈小华等;《可再生能源》;20130131;第0部分-第3部分 *
《基于遗传算法的最大功率点跟踪》;高林等;《控制工程》;20120731;第2部分-第4部分 *

Also Published As

Publication number Publication date
CN108614612A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
CN108614612B (zh) 太阳能光伏电池最大功率追踪方法和***
CN109888834B (zh) 一种基于改进mppt方法与蓄电池自平衡快速充电耦合控制的光伏发电***
CN101783621B (zh) 光伏发电***全局最大功率点跟踪方法
CN102193027B (zh) 光伏发电***的基于模型的功率估计
CN102902298B (zh) 基于分段模型的光伏阵列 mppt 控制器及控制方法
CN103472884B (zh) 一种光伏阵列全局最大功率点跟踪方法
KR102439722B1 (ko) 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘
US20110224839A1 (en) Power Point Tracking
CN204928748U (zh) 一种用于光伏电站的监测控制***
CN109270982A (zh) 一种太阳能光伏最大功率跟踪控制方法
CN101877559A (zh) 光伏发电***最大功率点快速准确跟踪控制的复合控制方法
CN107064165B (zh) 一种光伏组件表面积灰度在线检测装置及清洗方法
Khemliche et al. Bond graph modeling and optimization of photovoltaic pumping system: Simulation and experimental results
CN103995559B (zh) 一种基于环境参数模型的定电压mppt控制方法和***
CN102768555A (zh) 一种适用于光伏***的高效mppt控制策略
CN103197718A (zh) 太阳能光伏阵列的最大功率输出控制方法和***
CN108418252B (zh) 一种无线传感器的混合能量收集装置和运行方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN116736893B (zh) 一种光储装置的智慧能源管理方法及光储装置
CN116800172B (zh) 一种光电转换方法及储能***
CN103744470A (zh) 一种黄金分割法逆变器追踪最大功率点方法
CN108183496B (zh) 一种光伏储能***的能量管理方法
CN102637056A (zh) 一种维持光伏发电***最大功率点的方法
CN102386807B (zh) 电源管理***与电源管理方法
CN112366676B (zh) 一种基于可控电源的光伏直流直馈式发电方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant