CN114336742B - 一种基于自适应神经网络的太阳能光伏控制器 - Google Patents
一种基于自适应神经网络的太阳能光伏控制器 Download PDFInfo
- Publication number
- CN114336742B CN114336742B CN202111580259.4A CN202111580259A CN114336742B CN 114336742 B CN114336742 B CN 114336742B CN 202111580259 A CN202111580259 A CN 202111580259A CN 114336742 B CN114336742 B CN 114336742B
- Authority
- CN
- China
- Prior art keywords
- representing
- node
- capacitance
- layer
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 239000003990 capacitor Substances 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 230000010355 oscillation Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 7
- 230000003139 buffering effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 2
- 238000012940 design transfer Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- 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
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种基于自适应神经网络的太阳能光伏***控制器,它由依次相连的自适应模糊神经网络控制器模块、直流链路电容器模块以及LCL滤波器模块组成。本发明克服了目前已有的传统控制器不稳定的不足,振荡小、动态响应快,能更有效地快速跟踪不同气候条件下太阳能光伏阵列的最大功率。
Description
技术领域
本发明涉及太阳能光伏***领域,尤其涉及一种基于自适应神经网络的太阳能光伏控制器。
背景技术
传统化石燃料消耗造成的环境问题越来越引发人们的关注,以太阳能光伏发电为代表的新型发电技术成为新的科技前沿。然而,太阳能光伏发电受太阳辐射和温度等多方面影响。亟需更有效快速地跟踪不同气候条件下的太阳能光伏阵列的最大功率。
发明内容
针对目前传统的太阳能光伏***对于太阳辐射和温度等一系列环境变化无法实时最优控制最大输出功率的问题,本发明提供一种基于自适应神经网络的太阳能光伏控制器,本发明能够有效快速跟踪不同气候条件下的太阳能光伏阵列的最大功率。
本发明的目的是通过以下技术方案实现的:一种基于自适应神经网络的太阳能光伏控制器,包括自适应模糊神经网络控制器模块、直流链路电容器模块以及LCL滤波器模块,各模块依次相连;所述自适应模糊神经网络控制器模块,用以进行最大化光伏阵列的转换效率,直流链路电容器模块,用于缓冲功率波动损耗并解耦直流转换器和交流逆变器,LCL滤波器模块,用于衰减过多的开关频率谐波。
本发明的技术构思为:本发明采用自适应神经网络来进行最大功率点追踪,采用直流链路电容器,以缓冲功率波动损耗并解耦直流转换器和交流逆变器,设计有效的LCL滤波器模块,以衰减过多的开关频率谐波。
本发明的有益效果主要表现在:1、考虑到了太阳光照和温度等因素的不稳定性,第一次创新性的引入基于自适应神经网络的最大功率点追踪技术;2、通过直流链路电容器,以缓冲功率波动损耗并解耦直流转换器和交流逆变器;3、通过设计有效的LCL滤波器模块,以衰减过多的开关频率谐波。
具体实施方式
本发明提供一种基于自适应神经网络的太阳能光伏控制器,包括自适应模糊神经网络控制器模块、直流链路电容器模块以及LCL滤波器模块。各模块依次相连,所述自适应模糊神经网络控制器模块,用以进行最大化光伏阵列的转换效率,直流链路电容器模块,用于缓冲功率波动损耗并解耦直流转换器和交流逆变器,LCL滤波器模块,用于衰减过多的开关频率谐波。
所述自适应模糊神经网络控制器模块,用以进行最大化光伏阵列的转换效率,其网络结构如下:
(1.1)第一层网络:训练数据的每个节点都是自适应的节点,节点函数表示如下:
A1,i=μXi(x)for i=1,2 (1)
A1,i=μYi-2(y)for i=3,4 (2)
其中,A1,i表示输出的隶属值,下标1和i分别表示训练数据的层数和节点数,μ表示隶属函数,Xi,Yi表示每个节点的隶属度函数,x,y表示第一层中节点i的输入。
(1.2)第二层网络:每个节点都是基于一个模糊规则的固定节点。输出值由下式给出:
A2,i=ωi=μXi(x)μYi(y)for i=1,2 (3)
其中,A2,i表示输出的隶属值,下标2和i分别表示训练数据的层数和节点数,ωi表示输出的隶属值,下标i表示训练数据的节点数,μ表示隶属函数,Xi,Yi表示每个节点的隶属度函数,x,y表示第一层中节点i的输入。
(1.3)第三层网络:每个节点都做归一化处理:
其中,A3,1表示输出的隶属值,下标3和1分别表示训练数据的层数和节点数,ωi表示输出的隶属值,下标i表示训练数据的节点数。
(1.4)第四层网络:每个节点都根据规则结果进行调整和计算,如下所示:
A4,1=ωifi=ωi(pix+qiy+ri) (5)
其中,ωi表示输出的隶属值,fi表示pix+qiy+ri,pi、qi和ri是需要在训练操作中优化的后续参数,x,y表示第一层中的输入。
(1.5)第五层网络:所有输入节点相加得到最终输出:
其中,ωi表示输出的隶属值,fi表示pix+qiy+ri。
所述直流链路电容器模块,用于缓冲功率波动损耗并解耦直流转换器和交流逆变器,其设计步骤如下:
(2.1)计算有功功率:提供给公用电网的有功功率如下:
Pac(t)=P[1-cos(2ωt)]-Qsin(2ωt) (7)
其中,Pac表示提供给公用电网的有功功率,P表示最大瞬时功率,ω表示基频,t表示时间,Q表示无功功率。
(2.2)设计模块参数:直流链路电容器处的能量振荡Δe(t)可以表示为:
其中,Δe(t)表示直流链路电容器处的能量振荡,T表示时间间隔,Pac表示提供给公用电网的有功功率,P表示最大瞬时功率,t表示时间,Cdc表示电流的有源分量所需的电容,Vdc_max表示最大直流链路纹波,Vdc_min表示直流链路纹波的最小值。
电流的有源分量所需的电容Cdc可以用下式计算:
其中,P表示最大瞬时功率,ω表示基频,Vdc表示额定直流母线电压,ΔVdc表示二阶谐波的峰值。
所述LCL滤波器模块,用于衰减过多的开关频率谐波,其设计步骤如下:
(3.1)设计传递函数:LCL的传递函数为:
其中,ig表示电网侧电流,Vc表示转换器侧电压,s表示拉普拉斯变换,Lf表示LLCL滤波器情况下的电感,Cf表示滤波电容,L1表示转换器侧总电感,L2表示电网侧总电感,Rf表示阻尼电阻。
(3.2)计算滤波电容:滤波电容Cf可用下式计算:
Cf=x.Cb (12)
其中,Cf表示滤波电容,x表示无功功率的百分比,设定为5%,Cb表示电容。
(3.3)计算电容:电容Cb可用下式计算:
Cb=1/ωg×Zb (13)
Zb=Vr 2/Pr (14)
其中,Cb表示电容,ωg表示电网频率,Zb表示阻抗,Vr表示额定电压,Pr表示额定功率。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种基于自适应神经网络的太阳能光伏***控制器,包括自适应模糊神经网络控制器模块、直流链路电容器模块以及LCL滤波器模块,各模块依次相连;
所述自适应模糊神经网络控制器模块,用以进行最大化光伏阵列的转换效率,其网络结构如下:
(1.1)第一层网络:训练数据的每个节点都是自适应的节点,节点函数表示如下:
A1,i=μXi(x)for i=1,2 (1)
A1,i=μYi-2(y)for i=3,4 (2)
其中,A1,i表示输出的隶属值,下标1和i分别表示训练数据的层数和节点数,μ表示隶属函数,Xi,Yi表示每个节点的隶属度函数,x,y表示第一层中节点i的输入;
(1.2)第二层网络:每个节点都是基于一个模糊规则的固定节点;输出值由下式给出:
A2,i=ωi=μXi(x)μYi(y)for i=1,2 (3)
其中,A2,i表示输出的隶属值,下标2和i分别表示训练数据的层数和节点数,ωi表示输出的隶属值,下标i表示训练数据的节点数,μ表示隶属函数,Xi,Yi表示每个节点的隶属度函数,x,y表示第一层中节点i的输入;
(1.3)第三层网络:每个节点都做归一化处理:
其中,A3,1表示输出的隶属值,下标3和1分别表示训练数据的层数和节点数,ωi表示输出的隶属值,下标i表示训练数据的节点数;
(1.4)第四层网络:每个节点都根据规则结果进行调整和计算,如下所示:
A4,1=ωifi=ωi(pix+qiy+ri) (5)
其中,ωi表示输出的隶属值,fi表示pix+qiy+ri,pi、qi和ri是需要在训练操作中优化的后续参数,x,y表示第一层中的输入;
(1.5)第五层网络:所有输入节点相加得到最终输出:
其中,ωi表示输出的隶属值,fi表示pix+qiy+ri;
所述直流链路电容器模块,用于缓冲功率波动损耗并解耦直流转换器和交流逆变器,其设计步骤如下:
(2.1)计算有功功率:提供给公用电网的有功功率如下:
Pac(t)=P[1-cos(2ωt)]-Qsin(2ωt) (7)
其中,Pac表示提供给公用电网的有功功率,P表示最大瞬时功率,ω表示基频,t表示时间,Q表示无功功率;
(2.2)设计模块参数:直流链路电容器处的能量振荡Δe(t)表示为:
其中,Δe(t)表示直流链路电容器处的能量振荡,T表示时间间隔,Pac表示提供给公用电网的有功功率,P表示最大瞬时功率,t表示时间,Cdc表示电流的有源分量所需的电容,Vdc_max表示最大直流链路纹波,Vdc_min表示直流链路纹波的最小值;
电流的有源分量所需的电容Cdc用下式计算:
其中,P表示最大瞬时功率,ω表示基频,Vdc表示额定直流母线电压,ΔVdc表示二阶谐波的峰值;
所述LCL滤波器模块,用于衰减过多的开关频率谐波,其设计步骤如下:
(3.1)设计传递函数:LCL的传递函数为:
其中,ig表示电网侧电流,Vc表示转换器侧电压,s表示拉普拉斯变换,Lf表示LLCL滤波器情况下的电感,Cf表示滤波电容,L1表示转换器侧总电感,L2表示电网侧总电感,Rf表示阻尼电阻;
(3.2)计算滤波电容:滤波电容Cf用下式计算:
Cf=x·Cb (12)
其中,Cf表示滤波电容,x表示无功功率的百分比,设定为5%,Cb表示电容;
(3.3)计算电容:电容Cb用下式计算:
Cb=1/ωg×Zb (13)
其中,Cb表示电容,ωg表示电网频率,Zb表示阻抗,Vr表示额定电压,Pr表示额定功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580259.4A CN114336742B (zh) | 2021-12-22 | 2021-12-22 | 一种基于自适应神经网络的太阳能光伏控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580259.4A CN114336742B (zh) | 2021-12-22 | 2021-12-22 | 一种基于自适应神经网络的太阳能光伏控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114336742A CN114336742A (zh) | 2022-04-12 |
CN114336742B true CN114336742B (zh) | 2023-10-27 |
Family
ID=81054369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580259.4A Active CN114336742B (zh) | 2021-12-22 | 2021-12-22 | 一种基于自适应神经网络的太阳能光伏控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114336742B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364866A (zh) * | 2011-11-17 | 2012-02-29 | 河海大学 | 一种光伏发电***的最大功率点跟踪方法 |
CN105262113A (zh) * | 2015-11-26 | 2016-01-20 | 国网河南省电力公司平顶山供电公司 | 基于概率模糊神经网络的光伏发电***无功控制方法 |
CN108828961A (zh) * | 2018-09-18 | 2018-11-16 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 |
CN109039281A (zh) * | 2018-08-10 | 2018-12-18 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10333390B2 (en) * | 2015-05-08 | 2019-06-25 | The Board Of Trustees Of The University Of Alabama | Systems and methods for providing vector control of a grid connected converter with a resonant circuit grid filter |
CN109150104A (zh) * | 2018-08-10 | 2019-01-04 | 江南大学 | 一种基于随机森林算法的光伏阵列故障诊断方法 |
-
2021
- 2021-12-22 CN CN202111580259.4A patent/CN114336742B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364866A (zh) * | 2011-11-17 | 2012-02-29 | 河海大学 | 一种光伏发电***的最大功率点跟踪方法 |
CN105262113A (zh) * | 2015-11-26 | 2016-01-20 | 国网河南省电力公司平顶山供电公司 | 基于概率模糊神经网络的光伏发电***无功控制方法 |
CN109039281A (zh) * | 2018-08-10 | 2018-12-18 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
CN108828961A (zh) * | 2018-09-18 | 2018-11-16 | 河海大学常州校区 | 基于元认知模糊神经网络的有源电力滤波器滑模控制方法 |
Non-Patent Citations (1)
Title |
---|
神经网络反推控制在光伏***最大功率点跟踪中的应用;阳同光;桂卫华;;太阳能学报(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114336742A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kececioglu et al. | Power quality improvement using hybrid passive filter configuration for wind energy systems | |
WO2019075955A1 (zh) | 基于ipos直流升压的光伏汇集接入***协调控制方法 | |
Verma et al. | Asymmetrical fuzzy logic control-based MPPT algorithm for stand-alone photovoltaic systems under partially shaded conditions | |
Renduchintala et al. | Neuro-fuzzy based UPQC controller for Power Quality improvement in micro grid system | |
Xu et al. | High-frequency resonance suppression based on unified MMC high-frequency impedance model | |
Bakir et al. | Experimental evaluation of water cycle technique for control parameters optimization of double-fed induction generator-based wind turbine | |
Rahman et al. | An advanced nonlinear controller for the LCL-type three-phase grid-connected solar photovoltaic system with a DC–DC converter | |
Huusari et al. | Interfacing constraints of distributed maximum power point tracking converters in photovoltaic applications | |
CN114336742B (zh) | 一种基于自适应神经网络的太阳能光伏控制器 | |
CN113224776A (zh) | 一种主动配电网三相不平衡治理方法及*** | |
CN107612027A (zh) | 一种光伏逆变器直流电压暂态跌落抑制方法 | |
Cherif et al. | Super-Twisting Sliding Mode Control of Interleaved Boost Converter Based Photovoltaic Applications | |
CN107968432B (zh) | 一种提高光伏电池板输出利用率的控制方法 | |
CN115663780A (zh) | 一种光伏直流微电网的改进自适应分段下垂控制方法 | |
Alhaddad et al. | An overview of active power filters for harmonics mitigation of renewable energies resources | |
CN105870972B (zh) | 一种光伏微网pwm逆变器的智能控制*** | |
Gajjar et al. | A Review of DSTATCOM Used in Solar Photovoltaic System | |
Razi et al. | Microinverter topology based single-stage grid-connected photovoltaic system: A review | |
Kaysal et al. | Self-tuning fuzzy PID controller design and energy management in DC microgrid: Standalone and grid connected mode | |
Xiang et al. | Study on high voltage grid-connected PV inverter based on modular multilevel converter | |
Cho et al. | Design of LCL filter using hybrid intelligent optimization for photovoltaic system | |
Vijayal et al. | Integrated Renewable Smart Grid System Using Fuzzy Based Intelligent Controller. | |
Ivanchenko et al. | Analysis of Z-source inverter control system for asynchronous drive for gas compressor | |
CN218888144U (zh) | 一种中压储能并联有源电力滤波器电路 | |
Yin | Fast frequency response technology of photovoltaic power plant based on equivalent modelling |
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 |