CN111367349A - 一种基于预测模型的光伏mppt控制方法及*** - Google Patents
一种基于预测模型的光伏mppt控制方法及*** Download PDFInfo
- Publication number
- CN111367349A CN111367349A CN201811596118.XA CN201811596118A CN111367349A CN 111367349 A CN111367349 A CN 111367349A CN 201811596118 A CN201811596118 A CN 201811596118A CN 111367349 A CN111367349 A CN 111367349A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- photovoltaic
- power point
- data
- 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.)
- Pending
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
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种基于预测模型的光伏MPPT控制方法,包括:实时采集预测模型输入数据,预测模型输入数据包括光照强度数据和环境温度数据;根据预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数;根据当前组合预测电压参数生成相应的脉冲控制信号,并将脉冲控制信号输入到升压驱动电路中,进一步控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处。本发明使光伏阵列稳定运行在最大功率点,缩短跟踪最大功率点的时间,并在复杂环境中具有更强的适应性。
Description
技术领域
本发明涉及光伏发电技术领域,具体地说,是涉及一种基于预测模型的光伏MPPT控制方法及***。
背景技术
在清洁能源中,太阳能因其分布广泛、资源丰富等特点越来越受到人们的关注,光伏发电有着巨大的潜能,必将成为未来世界能源及电力领域主要能源的来源。太阳能转化为电能最关键的技术就是最大功率点跟踪(MPPT),利用特定的控制方法来尽可能最大功率输出光伏电池所转换的电能。然而,光伏电池会因光照辐射和温度等因素影响,使得光伏电池的P-U特性产生较大的波动,造成***最大功率跟踪过于频繁,不能稳定运行在最大功率点,从而降低了光伏发电效率。
目前,光伏发电***MPPT方法可以分为两类:传统法,预测法。传统方法主要有定电压跟踪法、短路电流比例系数法、扰动观测法、电导增量法等。其中,定电压跟踪法和短路电流比例系数法是根据光伏电池输出特性的基本近似规律(比如:最大功率点电压与开路电压之间存在近似线性关系),基于这些规律来计算最大功率点电压,以达到控制的目的。该方法虽然简单易行,但是对输出特性有较大的依赖,效率偏低。扰动观测法和电导增量法,是根据光伏电池输出电流和电压的检测值计算得到功率进行比较,然后通过电压环闭环控制来进行最大功率跟踪,这类方法也是属于自寻优类算法,这种方法虽然能够有效的抑制误判的发生,且有较高的跟踪精度,但是存在最大功率点附近振荡影响***稳定性,并存在一段跟踪时间影响***跟踪速度。另外,预测法是对大量历史数据运用数理统计的思想来建模,包含经典数学、人工智能等方法来进行预测,通过预测得到最大功率点对应的电压值并计算得到PWM控制信号,直接进行最大功率跟踪,因此,不存在振荡过程,跟踪速度也更快。随着大数据时代的到来,数据挖掘的研究与优化算法不断涌现,通过预测法来进行光伏MPPT控制,对提高光伏发电***效率具有重要意义。
光伏电池是利用光生伏特效应,将太阳能转化成电能,电池组件的输出特性及最大功率点随光照强度和温度的变化而变化。图1为本申请实施例的光伏电池的等效电路的结构示意图。根据图1可得到光伏电池的I-U方程:
其中,Upv、Ipv分别表示光伏电池输出的电压和电流;Iph为光生电流;Id表示二极管反向饱和电流;Rs表示串联等效电阻;Rp表示并联等效电阻;q表示电荷常数,1.6×10-9C;k表示玻尔兹曼常数,1.38×10-23J/K;T表示光伏电池温度。
进一步,根据以上光伏电池方程(式1),可以绘制出光伏电池的I-U、P-U特性曲线,如图2~图5所示。图2为本申请实施例的光照强度改变下的不同的I-U特性曲线示意图。图3为本申请实施例的温度条件改变下的不同的I-U特性曲线示意图。图4为本申请实施例的光照强度改变下的不同的P-U特性曲线示意图。图5为本申请实施例的温度条件改变下的不同的P-U特性曲线示意图。从上述图2~图5可以看出,光伏电池运行情况受外光照强度和温度条件的影响呈现非线性特性。当光照强度减小时,短路电流减小十分明显,而开路电压变化不大,最终导致光伏电池最大输出功率减小;当温度减小时,输出电压会增大,最终导致光伏电池最大输出功率增大。总之,光照强度和温度的变化会引起光伏电池最大功率点的改变。因此,根据光伏电池存在的输出特性能够通过某种算法来确定最大功率点处的电压,为***电路控制提供参考。
另外,现有技术中的通过预测法来实现光伏发电***MPPT控制的方法,通常采用BP神经网络模型等单一类型模型进行跟踪预测,这种方式使得跟踪预测的效率和响应速度受到单一类型模型优缺点的影响,使得实际的预测结果的适用性受到限制。
发明内容
为了解决上述技术问题,本发明提供了一种基于预测模型的光伏MPPT控制方法,包括:步骤一、实时采集预测模型输入数据,其中,所述预测模型输入数据包括光照强度数据和环境温度数据;步骤二、根据所述预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点;步骤三、根据当前所述最大功率点组合预测电压参数生成相应的脉冲控制信号,并将所述脉冲控制信号输入到升压驱动电路中,进一步控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处。
优选地,所述组合预测模型包括:光伏阵列BP神经网络子模型、最小二乘支持向量机子模型和极限学习机子模型。
优选地,在所述步骤二中,根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算每个子模型单独预测结果的方差,其中,所述训练样本数据包括每个历史预测控制周期采集到的所述预测模型输入数据和相应时刻采集到的光伏阵列的输出电压数据;根据所述每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,得到每个子模型单独预测对应的所述分配权值。
优选地,按照预设的模型更新时间间隔,利用当前历史数据库中已存储的所述训练样本数据对每种子模型进行训练,进一步利用训练好的每种子模型,计算所述每个子模型单独预测结果的方差,以调整相应的分配权值。
优选地,所述预测模型输入数据还包括:风速数据。
优选地,确定当前历史数据库中所述训练样本数据的样本容量;计算每个所述训练样本数据经过每个子模型预测后得到的所述训练样本预测结果与相应的所述输出电压数据的绝对百分误差,进一步计算每个子模型的平均绝对百分误差,基于此,得到所述每个子模型单独预测结果的方差。
另一方面,提供了一种基于预测模型的光伏MPPT控制***,其利用如上述所述的光伏MPPT控制方法来实现光伏阵列最大输出功率点的跟踪控制,其中,所述***包括:光伏阵列;数据采集模块,其用于实时采集预测模型输入数据,其中,所述预测模型输入数据包括光照强度数据和环境温度数据;组合预测模块,其用于根据所述预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点;脉冲发生器,其用于根据当前所述最大功率点组合预测电压参数生成相应的脉冲控制信号,并将所述脉冲控制信号输入到升压驱动电路中;所述升压驱动电路,其与所述光伏阵列连接,用于利用所述脉冲控制信号,控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处;和所述并网逆变器。
优选地,所述组合预测模型包括:光伏阵列BP神经网络子模型、最小二乘支持向量机子模型和极限学习机子模型。
优选地,所述组合预测模块包括分配权值生成子模块,其中,所述分配权值生成子模块包括:预测结果方差生成单元,其用于根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算每个子模型单独预测结果的方差,其中,所述训练样本数据包括每个历史预测控制周期采集到的所述预测模型输入数据和相应时刻采集到的光伏阵列的输出电压数据;权值分配结果生成单元,其用于根据所述每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,得到每个子模型单独预测对应的所述分配权值。
优选地,所述预测结果方差生成单元,其进一步用于按照预设的模型更新时间间隔,利用当前历史数据库中已存储的所述训练样本数据对每种子模型进行训练,进一步利用训练好的每种子模型,计算所述每个子模型单独预测结果的方差,以调整相应的分配权值。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本发明提出了一种基于预测模型的光伏MPPT控制方法及***。该方法和***通过构建基于多种预测子模型的组合预测模型的方法,对光伏阵列的最大功率点进行实时的预测跟踪,不仅解决了传统方法进行MPPT存在振荡现象、跟踪速度慢的问题,还能够弥补因单一子模型的学习缺陷而影响实际预测精度的缺陷,进一步保证了光伏阵列能够准确、稳定运行在最大功率点处,而且有效的缩短了跟踪最大功率点的时间,对光伏发电***效率的提高具有重要的意义。另外,本发明的组合方法通过动态分配权值,使得预测结果向发挥效果好的预测子模型接近,对在光伏电池处于复杂环境中预测有了更强的适应性。
虽然在下文中将结合一些示例性实施及使用方法来描述本发明,但本领域技术人员应当理解,为并不旨在将本发明限制于这些实施例。反之,旨在覆盖包含在所附的权利要求书所定义的本发明的精神与范围内的所有替代品、修正及等效物。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本申请实施例的光伏电池的等效电路的结构示意图。
图2为本申请实施例的光照强度改变下的不同的I-U特性曲线示意图。
图3为本申请实施例的温度条件改变下的不同的I-U特性曲线示意图。
图4为本申请实施例的光照强度改变下的不同的P-U特性曲线示意图。
图5为本申请实施例的温度条件改变下的不同的P-U特性曲线示意图。
图6为本申请实施例的基于预测模型的光伏MPPT控制方法的步骤图。
图7为本申请实施例的基于预测模型的光伏MPPT控制方法的原理图。
图8为本申请实施例的基于预测模型的光伏MPPT控制***的整体结构示意图。
图9为本申请实施例的基于预测模型的光伏MPPT控制***的控制原理示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
目前,光伏发电***MPPT方法可以分为两类:传统法,预测法。其中,定电压跟踪法和短路电流比例系数法是根据光伏电池输出特性的基本近似规律(比如:最大功率点电压与开路电压之间存在近似线性关系),基于这些规律来计算最大功率点电压,以达到控制的目的。该方法虽然简单易行,但是对输出特性有较大的依赖,效率偏低。扰动观测法和电导增量法,是根据光伏电池输出电流和电压的检测值计算得到功率进行比较,然后通过电压环闭环控制来进行最大功率跟踪,这类方法也是属于自寻优类算法,这种方法虽然能够有效的抑制误判的发生,且有较高的跟踪精度,但是存在最大功率点附近振荡影响***稳定性,并存在一段跟踪时间影响***跟踪速度。另外,预测法是通过对大量历史数据运用数理统计的思想来建模,包含经典数学、人工智能等方法来进行预测,通过预测得到最大功率点对应的电压值并计算得到PWM控制信号,直接进行最大功率跟踪,因此,不存在振荡过程,跟踪速度也更快。随着大数据时代的到来,数据挖掘的研究与优化算法不断涌现,通过预测法来进行光伏MPPT控制,对提高光伏发电***效率具有重要意义。
现有技术中的通过预测法来实现光伏发电***MPPT控制的方法,通常采用BP神经网络模型等单一类型模型进行跟踪预测,这种方式使得跟踪预测的效率和响应速度受到单一类型模型优缺点的影响,使得实际的预测结果的适用性受到限制。
因此,本发明提出了一种基于预测模型的光伏MPPT控制方法。该方法构建了多种能够预测光伏阵列最大功率点处电压值的模型,并可动态更新分配权值,基于此,将每种模型的预测结果和相应的分配权值进行组合计算,得到结合多种预测模型的光伏阵列最大功率点处的电压参考值。进一步,利用光伏发电***内的脉冲发生器、升压电路和并网逆变器等部件,使得光伏***运行在最大功率点处。本发明解决了传统方法进行MPPT存在振荡现象、跟踪速度慢的问题,结合影响光伏输出特性因素变量的组合方法进行最大功率点的跟踪预测,不但保证了光伏阵列能够稳定运行在最大功率点,而且有效的缩短了跟踪最大功率点的时间,对光伏发电***效率的提高具有重要的意义。
图6为本申请实施例的基于预测模型的光伏MPPT控制方法的步骤图。如图6所示,在步骤S610中,实时采集光伏发电***运行过程中的预测模型输入数据。其中,预测模型输入数据作为预先构建的组合预测模型的实时输入端的数据,至少包括光照强度数据和环境温度数据。组合预测模型是一种能够预测光伏发电***运行在最大功率点处电压值的模型,该模型通过机器学习方法构建而成。
由于背景技术所述的温度对光伏组件的输出特性的影响是不可避免的,同时,为了便于采集温度数据,在实际应用过程中,用环境温度来间接表征光伏电池温度这一影响因素。另外,风速对光伏组件输出特性影响可通过空气流动来改善光伏组件的散热,从而降低了光伏电池的温度,故本发明实施例将风速作为影响光伏阵列输出特性的又一因素。进一步,所述预测模型输入数据还包括:风速数据。
这样,将上述实时采集到的光照强度数据、环境温度数据和风速数据作为本发明实施例中的在线(实时)组合预测模型的输入端节点,利用组合预测模型,得到最终的(实时)预测结果,即最大功率点组合预测电压参数。
然后,进入到步骤S620中,根据当前采集到的预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的(实时)预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点。其中,组合预测模型至少包括:光伏阵列BP神经网络子模型(通过遗传算法优化BP构建而成)、最小二乘支持向量机子模型(最小二乘SVM)和极限学习机子模型(ELM)。
需要说明的是,在子模型单独预测中,遗传算法优化BP有时预测效果并不低于ELM,但是对小样本、样本分布不均匀的数据,遗传算法优化后的BP神经网络预测能力提高一倍;最小二乘SVM能够克服BP和ELM的欠学习和过学习问题,但是在训练时间相对较长;ELM的预测拟合效果最好,而其算法具有训练时间快的特点,使其在实时采集直接预测方面更加敏捷。本发明实施例中的组合方法利用可动态调整的分配权值,使得预测结果向发挥效果好的预测子模型接近,在复杂环境中预测有了更强的适应性,集合多种优化算法的优势,有效地避免了它们的不足,对预测模型性能有了更大的提高。
图7为本申请实施例的基于预测模型的光伏MPPT控制方法的原理图。如图7所示,在步骤S701中,利用预设的组合预测模型中的光伏阵列BP神经网络子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数。具体地,将预测模型输入数据中的光照强度数据、环境温度数据和风速数据分别输入到组合预测模型中的光伏阵列BP神经网络子模型的输入节点处,在该子模型的作用下,在光伏阵列BP神经网络子模型的输出节点处得到相应的子模型预测结果,也就是针对该子模型的最大功率点电压参数,即第一预测结果。
需要说明的是,光伏阵列BP神经网络子模型是将光伏发电***在不同光照条件、不同环境温度、不同风速和对应的光伏发电***运行在最大功率点处对应的(实际)输出电压数据的历史数据作为训练样本数据,通过遗传算法优化BP神经网络方法构建而成的。BP(Back Propagation)神经网络对每层的权值和阈值参数都是随机初始化生成的,这些参数未经优化的值使得BP神经网络训练时收敛速度降低,预测值不是全局最优值,而遗传算法则是一种全局优化的搜索算法,该方法通过对种群的逐个寻优以获得最优个体。本发明实施例中的光伏阵列BP神经网络子模型通过遗传算法对BP神经网络进行优化构建而成,经过选择、交叉和变异操作得到BP神经网络的每层权值和阈值参数的最优值,然后再进行BP神经网络预测。
其中,光伏阵列BP神经网络子模型的构建过程的具体步骤如下所示:
Step1:种群初始化。首先,随机初始种群W=(W1,W2,…,Wp)T,P表示种群规模;然后,对每个个体Wi采用实数编码方法确定向量w1,w2,…,wl,并将其做为染色体,个体包含了BP神经网络的全部权值和阈值。
Step2:计算种群适应度。把Step1中染色体得到的BP神经网络权值和阈值用于输入训练BP神经网络,并得到训练预测输出值,将训练误差平方和作为种群W中个体Wi的适应度。
Step3:选择操作。选用轮盘赌法,即基于适应度比例的选择策略对每一代种群中的染色体进行选择。每个个体的选择概率用如下表达式表示:
其中,Pi表示第i个个体的选择概率,P表示种群规模,fi表示适应度值的倒数。
Step4:交叉操作。由于在Step1中采用实数编码法编码个体,因此,相应地,在交叉操作过程中采用实数交叉法。其中,定义第k个基因和第l个基因wl在j位的交叉操作分别用如下表达式表示:
wkj=wkj(1-r)+wljr (2)
wlj=wlj(1-r)+wkjr (3)
其中,r表示[0,1]之间的随机数。
Step5:变异操作。将第i个个体的第j个基因变异结果用如下表达式表示:
f(g)=r2(1-g/Gmax) (5)
其中,wmax、wmin分别表示基因wij取值的上界、下界,g表示当前迭代次数,Gmax表示最大进化代数,r表示[0,1]间的随机数,r2表示一个随机数。
Step6:经过以上操作后,将满足上述约束条件得到最优的BP神经网络的输入层节点与隐层节点之间的权值和阈值参数、以及隐层节点与输出层节点之间的权值和阈值参数。然后,将这些参数作为BP神经网络的初始参数进行训练得到光伏阵列BP神经网络子模型,用以在在线预测时,预测出最优的第一预测结果。
在步骤S702中,还需要利用预设的组合预测模型中的最小二乘支持向量机子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数。具体地,将预测模型输入数据中的光照强度数据、环境温度数据和风速数据分别输入到组合预测模型中的最小二乘支持向量机子模型的输入节点处,在该子模型的作用下,在最小二乘支持向量机子模型的输出节点处得到相应的子模型预测结果,也就是针对该子模型的最大功率点电压参数,即第二预测结果。
需要说明的是,本发明实施例中的最小二乘支持向量机子模型是将光伏发电***在不同光照条件、不同环境温度、不同风速和对应的光伏发电***运行在最大功率点处对应的(实际)输出电压数据的历史数据作为训练样本数据(样本集),通过将支持向量机的不等式约束用等式约束来替换,并将支持向量机中的二次优化问题转化为求线性方程组求解构建而成的,这样,大大加快了收敛速度。
其中,最小二乘支持向量机子模型的构建过程的具体步骤如下所示:
设为样本集,其中,xi表示输入向量,xi∈Rn,yi表示相应的输出向量,yi∈Rn,l表示样本容量。首先,最小二乘支持向量机子模型通过一个非线性函数φ将样本映射到高维的特征空间,然后,进行线性回归,所得的回归函数用如下表达式表示:
f(x)=w·φ(x)+b (6)
式(6)中,w表示权值向量,b表示偏差值。在采用最小二乘支持向量机方法来进行函数估计时,Vapnik的ε(不敏感损失函数)用平方误差损失函数来替换,将支持向量机中的不等式约束用等式约束来替换,其优化问题用如下表达式表示:
其中,ei表示样本误差项,C表示惩罚因子,C>0。而后,引入拉格朗日函数并用如下表达式表示:
其中,αi表示拉格朗日乘子,依优化条件满足下列所示的约束式:
进一步,消去ei和w,可得:
其中,qT=[1,1,…1],α=[α1,α2,…αl]T,I表示l×l阶单位矩阵,K表示核函数矩阵。根据Mercer条件用如下表达式定义核函数:
K(xi,xj)=φ(xi)Tφ(xj) (11)
其中,式(10)为线性方程组,可求出α和b,则上述LSSVM的回归函数进一步可用如下表达式表示:
其中,在本发明实施例中,最小二乘支持向量机子模型构建过程中的核函数选用径向基函数(radial basis function,RBF),并用如下表达式表示:
式(13)中,σ2表示核宽度,该参数反映了训练样本数据集的特性,影响子模型的泛化能力。这样,通过上述过程完成了最小而成支持向量机子模型的构建,用以在在线预测时,得到优化的第二预测结果。
参考图7,步骤S703还需要利用预设的组合预测模型中的极限学习机子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数。具体地,将预测模型输入数据中的光照强度数据、环境温度数据和风速数据分别输入到组合预测模型中的极限学习机子模型的输入节点处,在该子模型的作用下,在极限学习机子模型的输出节点处得到相应的子模型预测结果,也就是针对该子模型的最大功率点电压参数,即第三预测结果。
需要说明的是,本发明实施例中的极限学习机子模型是将光伏发电***在不同光照条件、不同环境温度、不同风速和对应的光伏发电***运行在最大功率点处对应的(实际)输出电压数据的历史数据作为训练样本数据(样本集),通过单隐层前馈神经网络方法构建而成。极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐层前馈神经网络,因其训练速度快而受到广泛关注。与传统神经网络学习算法不同,极限学习机子模型的具有学习速度快、更好的泛化能力和全局逼近能力,弥补了基于结构风险最小化原则的支持向量机子模型对大规模样本训练时训练慢的问题。
其中,极限学习机子模型的构建过程的具体步骤如下所示:
设有N个训练样本(xi,ti),隐层节点个数为S,其中,xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm,S≤N,则极限学习机子模型的数学模型用如下表达式表示:
其中,β=[β1,...,βS]T表示隐层节点到输出节点的输出权值向量,H(xj)=[h1(xj),...,hS(xj)]表示非线性的激励函数,同时也是隐层节点的输出。进一步,hi(xj)通常用如下表达式表示:
hi(xj)=G(ai,bi,xj),ai∈Rn,bi∈R (15)
在本发明实施例中,G(ai,bi,xj)选用Sigmiod函数。
极限学***方误差中的最小近似误差得到β*的值。其中,最小近似误差的如下公式所示:
式(16)中,T表示训练数据的目标矩阵,并用如下表达式表示:
式(17)中,||·||表示Frobenius范数。进一步,式(16)通过计算极小范数的最小二乘解,也就是利用表达式(18)得到,从而得到上述连接输出权值,进而构建出本发明实施例中的极限学习机子模型,用以在在线预测时,得到优化的第三预测结果。其中,表达式(18)如下所示:
式(18)中,表示矩阵H的广义摩尔逆。对于前馈网络,连接权值越小泛化能力越强,在所有的最小二乘解中,β*具有最小范数。故可知,极限学习机子模型不仅能达到最小近似误差,而且比传统梯度下降算法泛化能力更强,并且H的广义摩尔逆是唯一的,所以解也是唯一的。
接着,在步骤S704中,根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算针对每个子模型单独预测结果的方差,进一步,采用方差协方差权值动态分配的方法,得到每个子模型单独预测对应的分配权值,即第一子模型分配权值、第二子模型分配权值和第三子模型分配权值。
具体地,首先,获取历史数据库中当前已存储的每个历史预测控制周期对应的训练样本数据,然后,将当前这些训练样本数据经过每种子模型进行用于模型更新的预测,得到相应的训练样本预测结果,进一步根据所述训练样本预测结果和与该训练样本预测结果对应的训练样本数据中的输出电压数据,来计算每个子模型单独预测结果的方差。其中,训练样本数据包括:每个历史预测控制周期采集到的光照强度数据、环境温度数据和风速数据,以及相应时刻采集到的光伏阵列最大功率点处对应的输出电压数据。另外,在每个历史预测周期也就是数据采集周期内,除了需要采集光伏阵列最大功率点处对应的实际输出电压数据,还需要采集光伏阵列最大功率点处对应的输出电流数据,如图9所示,用以在非在线预测阶段对光伏阵列的在线预测结果进行验证。
需要说明的是,在本发明实施例中,进行模型更新预测的每种子模型应是根据当前历史数据库中已存储的所有训练样本数据进行模型更新训练完成的最新的子模型。在利用组合预测模型进行实时在线预测时,需要将每个预测控制周期(数据采集周期)内,实时采集到的当前光伏阵列最大功率点处对应的输出电压数据,与同一预测控制周期采集到的预测模型输入数据进行整合,构成相应的训练样本数据,并进行预测控制时间(采集时间)标记后存储于上述历史数据库中。
进一步,在具体计算每个子模型单独预测方差时,需要先确定当前历史数据库中训练样本数据的样本容量,再计算每个训练样本数据经过每个子模型预测后得到的训练样本预测结果(此处的预测结果为离线训练后的根据更新样本容量的历史数据库内的训练样本数据得到的预测结果)与相应的输出电压数据的绝对百分误差,进一步计算每个子模型的平均绝对百分误差,基于此,利用下述表达式(19),得到每个子模型单独预测结果的方差。
其中,表达式(19)用如下表达式所示:
式(19)中,i表示子模型序号,δi表示每个子模型单独预测结果的方差,n表示每个子模型的当前历史数据库中的训练样本数据的样本容量,e1、e2…en分别表示相应子模型对应的每个训练样本预测结果与对应预测控制时间的输出电压数据的绝对百分误差,表示相应子模型对应的每个训练样本预测结果与对应预测控制时间的输出电压数据平均绝对百分误差(MAPE)。
而后,根据每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,分别利用表达式(20)、表达式(21)和表达式(22),得到每个子模型单独预测对应的分配权值。其中,表达式(20)、表达式(21)和表达式(22)如下所示:
w1=1/[δ1(1/δ1+1/δ2+1/δ3)] (20)
w2=1/[δ2(1/δ1+1/δ2+1/δ3)] (21)
w3=1/[δ3(1/δ1+1/δ2+1/δ3)] (22)
其中,w1、w2、w3分别表示光伏阵列BP神经网络子模型、最小二乘支持向量机子模型、极限学习机子模型单独预测(结果)对应的分配权值,δ1、δ2、δ3分别表示光伏阵列BP神经网络子模型、最小二乘支持向量机子模型、极限学习机子模型单独预测结果的方差。
进一步,在本发明实施例中,需要按照预设的模型更新时间间隔,利用当前历史数据库中已存储的训练样本数据对每种子模型进行训练,进一步利用(通过当前历史数据库中所有训练样本数据完成训练得到的最新的子模型)训练完成的最新的每种子模型,计算每种子模型单独预测结果的方差,以调整相应的分配权值。需要说明的是,本发明对上述模型更新时间间隔不作具体限定,本领域技术人员可以根据实际CPU负载情况、在线预测精度等因素进行设定。在一个实施例中,考虑到训练导致CPU的资源不足,影响其他工作正常运作,由于光伏发电***晚上不发电,可利用晚上进行离线模型训练,更新模型及计算相应子模型单独预测方差及分配权值,从而在光伏发电***的发电时段利用更新完成的最新的组合预测模型进行在线预测。另外,如果CPU采用双核等性能更高的控制器,则也可在光伏发电***的发电时段对每个子模型进行实时在线的更新训练,以将每种子模型对应的分配权值进行实时在线的动态调整,进一步使得上述组合预测模型具有更好的预测性能。
最后,再次参考图7,步骤S705进一步利用下述表达式(23),将上述实时预测到的第一预测结果、第二预测结果和第三预测结果,与每个子模型对应的当前的分配权值(第一子模型分配权值、第二子模型分配权值和第三子模型分配权值)进行组合计算,得到利用组合方法预测出的最大功率点组合预测电压参数,以完成当前光伏阵列最大输出功率点的跟踪预测。
其中,表达式(23)如下述表达式所示:
p=w1p1+w2p2+w3p3 (23)
式(23)中,p表示最大功率点组合预测电压参数(组合预测结果),p1、p2、p3分别表示上述第一预测结果、第二预测结果、第三预测结果。
通过上述表达式(19)~表达式(23)可以看出,在计算出的每个子模型单独预测结果的方差越大,也就是预测结果与实际光伏阵列输出电压的绝对误差越大,相应子模型的权重值便随之减小,使得最终的预测结果向发挥效果更优的预测子模型接近。这样,上述权值动态分配及调整方法,对于处于复杂环境情况下的光伏阵列的预测结果有了更强的适应性。
进一步,再次参考图6,在步骤S630中,根据当前最大功率点组合预测电压参数生成相应的脉冲控制信号,并将脉冲控制信号输入到升压驱动电路中,进一步控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处,以向电网侧提供光伏***的最大输出功率。
具体地,根据实时采集到的预测模型输入数据,利用上述组合预测模型输出的最大功率点组合预测电压参数,光伏发电***中的脉冲发生器40(即PWM控制模块)基于该参数计算占空比,得到与所述最大功率点组合预测电压参数相匹配的脉冲控制信号。进一步将当前脉冲控制信号输入到与光伏阵列10输出端连接的升压驱动电路50中的IGBT触发端,控制IGBT通断状态,从而利用升压驱动电路50控制并网逆变器60完成相应的逆变处理,使得整个光伏发电***运行在最大功率点处,从而跟踪到最大功率,进而向电网侧(未图示)提供最大运行功率。这样便达到了最大功率跟踪的目的,从而本次预测控制过程结束,在下一个预测周期内,按照上述同样的方法继续进行MTTP的预测控制。
另外,本发明还提出了一种基于预测模型的光伏MPPT控制***(也称“光伏发电***”),该***利用上述所述的光伏MPPT控制方法来实现光伏阵列最大输出功率点的跟踪控制。图8为本申请实施例的基于预测模型的光伏MPPT控制***的整体结构示意图。如图8所示,该***包括:光伏阵列10、数据采集模块20、组合预测模块30、脉冲发生器40、升压驱动电路50和并网逆变器60。图9为本申请实施例的基于预测模型的光伏MPPT控制***的控制原理示意图。下面结合图8和图9对该***内的各模块及器件进行说明。
光伏阵列10用于在当前环境温度、光照强度和风速的影响下,实时输出最大功率点对应的输出电流数据和输出电压数据。
数据采集模块20包括温度传感器、紫外传感器、风速测量仪、电流传感器和电压传感器等设备,分别用于实时采集预测模型输入数据中的光照强度数据、环境温度数据和风速数据、以及实时采集到的光伏阵列运行在最大功率处对应的输出电压数据及输出电流数据。
组合预测模块30与上述数据采集模块20连接,用于根据预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点。其中,上述组合预测模型包括:光伏阵列BP神经网络子模型、最小二乘支持向量机子模型和极限学习机子模型。进一步,上述组合预测模块30包括:第一预测子模块31、第二预测子模块32、第三预测子模块33、分配权值生成子模块34和组合预测计算结果生成子模块35。
具体地,第一预测子模块31按照上述步骤S701所述的方法实施,用于利用预设的组合预测模型中的光伏阵列BP神经网络子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数,即第一预测结果。第二预测子模块32按照上述步骤S702所述的方法实施,用于利用预设的组合预测模型中的最小二乘支持向量机子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数,即第二预测结果。第三预测子模块33按照上述步骤S703所述的方法实施,用于利用预设的组合预测模型中的极限学习机子模型,由当前预测模型输入数据得到针对该子模型的最大功率点电压参数,即第三预测结果。
另外,分配权值生成子模块34按照上述步骤S704所述的方法实施,包括预测结果方差生成单元341和权值分配结果生成单元342。其中,预测结果方差生成单元341用于根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算针对每个子模型单独预测结果的方差。权值分配结果生成单元342用于根据每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,得到每个子模型单独预测对应的所述分配权值。
此外,上述组合预测模块30还包括组合预测计算结果生成子模块35,该子模块35按照上述步骤S705所述的方法实施,用于利用上述表达式(23),将实时预测到的第一预测结果、第二预测结果和第三预测结果与每个子模型对应的当前分配权值进行组合计算,得到利用组合方法预测出的最大功率点组合预测电压参数,以完成当前光伏阵列最大输出功率点的跟踪预测。
脉冲发生器40与上述组合预测模块30连接。脉冲发生器40用于根据当前预测周期内预测出的最大功率点组合预测电压参数,对该参数进行占空比计算,生成相应的脉冲控制信号,并将所述脉冲控制信号输入到升压驱动电路50中。
参考图9,升压驱动电路50跨接在光伏阵列10输出端两端。进一步,升压驱动电路50内的功率驱动器件的触发输入端口与上述脉冲发生器30的输出端连接。升压驱动电路50用于接收利用脉冲控制信号,控制并网逆变器60进行相应的逆变处理,使得光伏***运行在最大功率点处,从而最大功率点的跟踪。其中,升压驱动电路50通过接收并利用脉冲控制信号,控制该电路50内的功率驱动器件的通断,实现对并网逆变器60的控制。在本发明实施例中,升压驱动电路50采用Boost升压电路结构,功率驱动器件采用IGBT器件,即通过控制IGBT通断,达到最大功率跟踪的目的。
进一步,并网逆变器60跨接在上述升压驱动电路50的输出端,用于在上述升压驱动电路50的控制下,将与当前最大功率点组合预测电压参数对应的实际电压进行逆变处理后,输出至电网侧(未图示)。
这样,通过本发明实施例中的光伏MPPT控制***的结构,便实现了最大功率点预测跟踪的目的。
本发明提出了一种基于预测模型的光伏MPPT控制方法及***。该方法和***通过构建基于多种预测子模型的组合预测模型的方法,对光伏阵列的最大功率点进行实时的预测跟踪,不仅解决了传统方法进行MPPT存在振荡现象、跟踪速度慢的问题,还能够弥补因单一子模型的学习缺陷而影响实际预测精度的缺陷,进一步保证了光伏阵列能够准确、稳定运行在最大功率点处,而且有效的缩短了跟踪最大功率点的时间,对光伏发电***效率的提高具有重要的意义。另外,本发明的组合方法通过动态分配权值,使得预测结果向发挥效果好的预测子模型接近,对在光伏电池处于复杂环境中预测有了更强的适应性。
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并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于预测模型的光伏MPPT控制方法,包括:
步骤一、实时采集预测模型输入数据,其中,所述预测模型输入数据包括光照强度数据和环境温度数据;
步骤二、根据所述预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点;
步骤三、根据当前所述最大功率点组合预测电压参数生成相应的脉冲控制信号,并将所述脉冲控制信号输入到升压驱动电路中,进一步控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处。
2.根据权利要求1所述的光伏MPPT控制方法,其特征在于,所述组合预测模型包括:光伏阵列BP神经网络子模型、最小二乘支持向量机子模型和极限学习机子模型。
3.根据权利要求1或2所述的光伏MPPT控制方法,其特征在于,在所述步骤二中,
根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算每个子模型单独预测结果的方差,其中,所述训练样本数据包括每个历史预测控制周期采集到的所述预测模型输入数据和相应时刻采集到的光伏阵列的输出电压数据;
根据所述每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,得到每个子模型单独预测对应的所述分配权值。
4.根据权利要求3所述的光伏MPPT控制方法,其特征在于,按照预设的模型更新时间间隔,利用当前历史数据库中已存储的所述训练样本数据对每种子模型进行训练,进一步利用训练好的每种子模型,计算所述每个子模型单独预测结果的方差,以调整相应的分配权值。
5.根据权利要求1~4中任一项所述的光伏MPPT控制方法,其特征在于,所述预测模型输入数据还包括:风速数据。
6.根据权利要求3或4所述的光伏MPPT控制方法,其特征在于,
确定当前历史数据库中所述训练样本数据的样本容量;
计算每个所述训练样本数据经过每个子模型预测后得到的所述训练样本预测结果与相应的所述输出电压数据的绝对百分误差,进一步计算每个子模型的平均绝对百分误差,基于此,得到所述每个子模型单独预测结果的方差。
7.一种基于预测模型的光伏MPPT控制***,其利用如权利要求1~6中任一项所述的光伏MPPT控制方法来实现光伏阵列最大输出功率点的跟踪控制,其中,所述***包括:
光伏阵列;
数据采集模块,其用于实时采集预测模型输入数据,其中,所述预测模型输入数据包括光照强度数据和环境温度数据;
组合预测模块,其用于根据所述预测模型输入数据,确定预设的组合预测模型中每个子模型预测的最大功率点电压参数,并根据每个子模型对应的分配权值,进一步将每个子模型的预测结果和相应的分配权值进行组合计算,得到最大功率点组合预测电压参数,以预测跟踪当前光伏阵列运行的最大输出功率点;
脉冲发生器,其用于根据当前所述最大功率点组合预测电压参数生成相应的脉冲控制信号,并将所述脉冲控制信号输入到升压驱动电路中;
所述升压驱动电路,其与所述光伏阵列连接,用于利用所述脉冲控制信号,控制并网逆变器完成逆变处理,以使得光伏***运行在最大功率点处;和
所述并网逆变器。
8.根据权利要求7所述的光伏MPPT控制***,其特征在于,所述组合预测模型包括:光伏阵列BP神经网络子模型、最小二乘支持向量机子模型和极限学习机子模型。
9.根据权利要求7或8所述的光伏MPPT控制***,其特征在于,所述组合预测模块包括分配权值生成子模块,其中,所述分配权值生成子模块包括:
预测结果方差生成单元,其用于根据历史数据库中存储的每次历史预测控制周期对应的训练样本数据,以及每个训练样本数据对应的针对每种子模型的训练样本预测结果,计算每个子模型单独预测结果的方差,其中,所述训练样本数据包括每个历史预测控制周期采集到的所述预测模型输入数据和相应时刻采集到的光伏阵列的输出电压数据;
权值分配结果生成单元,其用于根据所述每个子模型单独预测结果的方差,采用方差协方差权值动态分配法,得到每个子模型单独预测对应的所述分配权值。
10.根据权利要求9所述的光伏MPPT控制***,其特征在于,所述预测结果方差生成单元,其进一步用于按照预设的模型更新时间间隔,利用当前历史数据库中已存储的所述训练样本数据对每种子模型进行训练,进一步利用训练好的每种子模型,计算所述每个子模型单独预测结果的方差,以调整相应的分配权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596118.XA CN111367349A (zh) | 2018-12-26 | 2018-12-26 | 一种基于预测模型的光伏mppt控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596118.XA CN111367349A (zh) | 2018-12-26 | 2018-12-26 | 一种基于预测模型的光伏mppt控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111367349A true CN111367349A (zh) | 2020-07-03 |
Family
ID=71210208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596118.XA Pending CN111367349A (zh) | 2018-12-26 | 2018-12-26 | 一种基于预测模型的光伏mppt控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367349A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
CN113050746A (zh) * | 2021-03-24 | 2021-06-29 | 温州大学 | 一种基于记忆增强的光伏发电***最大功率跟踪方法 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
CN114465577A (zh) * | 2022-04-12 | 2022-05-10 | 华东交通大学 | 一种基于光伏光热的太阳能利用装置及优化控制方法 |
CN114510111A (zh) * | 2021-12-29 | 2022-05-17 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
NL2028909B1 (en) * | 2021-08-03 | 2022-07-06 | Univ Central South | Method for maximum power point tracking |
CN114764262A (zh) * | 2021-01-11 | 2022-07-19 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
CN115951755A (zh) * | 2023-02-06 | 2023-04-11 | 广芯微电子(广州)股份有限公司 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN103823504A (zh) * | 2014-03-20 | 2014-05-28 | 常州工学院 | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 |
CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN106803135A (zh) * | 2017-01-17 | 2017-06-06 | 广东工业大学 | 一种光伏发电***输出功率的预测方法及装置 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学(保定) | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
-
2018
- 2018-12-26 CN CN201811596118.XA patent/CN111367349A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385724A (zh) * | 2010-08-27 | 2012-03-21 | 上海财经大学 | 一种应用于库存管理的零配件组合需求预测信息处理方法 |
CN103823504A (zh) * | 2014-03-20 | 2014-05-28 | 常州工学院 | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 |
CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN106803135A (zh) * | 2017-01-17 | 2017-06-06 | 广东工业大学 | 一种光伏发电***输出功率的预测方法及装置 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学(保定) | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
CN114764262A (zh) * | 2021-01-11 | 2022-07-19 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
CN114764262B (zh) * | 2021-01-11 | 2023-08-15 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
CN113050746A (zh) * | 2021-03-24 | 2021-06-29 | 温州大学 | 一种基于记忆增强的光伏发电***最大功率跟踪方法 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
NL2028909B1 (en) * | 2021-08-03 | 2022-07-06 | Univ Central South | Method for maximum power point tracking |
CN114510111A (zh) * | 2021-12-29 | 2022-05-17 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
CN114510111B (zh) * | 2021-12-29 | 2023-09-12 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
CN114465577A (zh) * | 2022-04-12 | 2022-05-10 | 华东交通大学 | 一种基于光伏光热的太阳能利用装置及优化控制方法 |
CN115951755A (zh) * | 2023-02-06 | 2023-04-11 | 广芯微电子(广州)股份有限公司 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及*** | |
Yap et al. | Artificial intelligence based MPPT techniques for solar power system: A review | |
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
Karabacak et al. | Artificial neural networks for controlling wind–PV power systems: A review | |
Karlis et al. | A novel maximum power point tracking method for PV systems using fuzzy cognitive networks (FCN) | |
Mellit et al. | Application of neural networks and genetic algorithms for sizing of photovoltaic systems | |
KR100886891B1 (ko) | 유전자 알고리즘에 의해 제어되는 뉴로퍼지 제어기를이용한 태양광 발전 제어시스템 | |
CN110738344B (zh) | 电力***负荷预测的分布式无功优化方法及装置 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
Khatib et al. | An improved method for sizing standalone photovoltaic systems using generalized regression neural network | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
Aldobhani et al. | Maximum power point tracking of PV system using ANFIS prediction and fuzzy logic tracking | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、***及装置 | |
CN108092321B (zh) | 一种考虑不确定性的有源配电网有功无功协调控制方法 | |
WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测*** | |
Fatima et al. | Intelligent approach-based maximum power point tracking for renewable energy system: a review | |
Chatziagorakis et al. | Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio | |
Hussaian Basha et al. | A novel on design and implementation of hybrid MPPT controllers for solar PV systems under various partial shading conditions | |
Wongsathan et al. | Optimal hybrid neuro-fuzzy based controller using MOGA for photovoltaic (PV) battery charging system | |
CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、***、存储介质及设备 | |
Karatepe et al. | Fuzzy wavelet network identification of optimum operating point of non-crystalline silicon solar cells | |
Shen et al. | Neural network predictive control for vanadium redox flow battery | |
Zerouali et al. | A robust fuzzy logic PI controller for solar system battery charging | |
CN112926653B (zh) | 基于小时级天气类型校正的光伏功率短期预测方法及*** | |
CN115001002A (zh) | 一种求解储能参与削峰填谷的优化调度方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |