CN115185334A - 一种基于gru神经网络的光伏mppt方法 - Google Patents
一种基于gru神经网络的光伏mppt方法 Download PDFInfo
- Publication number
- CN115185334A CN115185334A CN202210932388.3A CN202210932388A CN115185334A CN 115185334 A CN115185334 A CN 115185334A CN 202210932388 A CN202210932388 A CN 202210932388A CN 115185334 A CN115185334 A CN 115185334A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- neural network
- maximum power
- power point
- gru neural
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005286 illumination Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 38
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
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)
- Photovoltaic Devices (AREA)
Abstract
本发明公开一种基于GRU神经网络的光伏MPPT方法，包括：获取光伏太阳能板的历史数据，包括各时刻的光照强度、组件温度、最大功率点电压；构建GRU神经网络，将前一时刻的组件温度、光照强度、最大功率点电压以及当前时刻的组件温度和光照强度作为输入变量，输出结果为当前时刻的最大功率点电压，建立最大功率点预测模型；训练所搭建的GRU神经网络模型，确定并保存预测准确度最高的GRU神经网络参数；结合新获得的环境数据，包括前一时刻的组件温度、光照强度、最大功率点电压、当前时刻的组件温度和光照强度，预测出当前时刻光伏***的最大功率点电压。本发明能够增加对最大功率点预测的准确性，在短时间内完成跟踪，动态调节能力更强，提高光伏***的能量转化率。
Description
技术领域
本发明涉及光伏发电***能量转化的技术领域，尤其涉及一种基于GRU神经网络的光伏MPPT方法。
背景技术
能源是人类生存和经济增长的重要物质基础，是社会进步人民生活水平提高的先决条件，人类以大规模的开采石油、天然气和煤炭等化石能源来满足世界经济的发展。随着工业的发展和人口的增加，各个国家的能源消耗都有显著的增加。面对日益突出的能源危机，环境污染等问题，加快发展清洁可持续能源已是必然。随着“双碳”目标的提出，各个国家积极开发新的可再生能源，预计到2023年，可再生能源的使用将占据1/3，其中应用最广的是光伏发电。
在新能源领域，太阳能以其资源丰富和绿色无污染等优点，受到了全世界越来越广泛的关注。光伏发电***是将太阳能转换成电能加以利用的装置，因其具备安全性、稳定性、无污染性、易操作性以及基本不受地理条件制约等优点而广泛地受到大众的青睐，是21世纪最重要的能源发展形式。该发电***的输出特性是非线性的，光伏阵列正常工作时，光伏电池内阻会随着光照强度与温度的变化而变化，光伏阵列输出P-V曲线也会发生移动，光伏阵列的最大功率点也将发生变化，使得光伏阵列无法保持在最大功率点输出，其将太阳能转化为电能的能力相对不理想，能量转换效率较低，转换效率普遍在12％-25％之间。由于光照强度、太阳能电池的温度的变化，在实践中能源效率通常不能达到这一范围。
为了解决光伏发电***能量转换效率低的问题，保证光伏阵列始终工作在最大输出功率点处，因此需要对大功率点进行跟踪，而最大功率点跟踪(Maximum Power PointTracking，MPPT)技术是目前广泛应用和研究的技术。传统的MPPT算法，包括扰动观察法(P&O)、增量电导法(INC)和恒定电压法(CVT)等，存在的跟踪精度不足；基于仿生元启发式算法的新型MPPT算法，包括改进的粒子群优化算法(PSO)，布谷鸟搜索(CS)，灰狼优化器(GWO)等，跟踪速度过慢；基于神经网络的MPPT算法，包括基于BP神经网络的MPPT控制方法与基于RBF神经网络的MPPT控制方法，长期预测存在预测精度下降等问题。
发明内容
基于上述问题，本发明提出一种基于GRU神经网络的光伏MPPT方法，进行最大功率点预测，采用对时序数据预测表现更好的门控循环单元(Gated Recurrent Unit，GRU)神经网络，在预测过程中，考虑到数据的关联性，将前一时刻的光伏电池组件温度、光照强度、最大功率点电压以及当前时刻的光伏电池组件温度和光照强度作为输入变量，输出结果为当前时刻的最大功率点电压，能够提高预测的精度，以更高的准确度跟踪到最大功率点，提高光伏***的能量转化效率，实现环境因素快速变化过程中的最大功率点跟踪控制。
所采用的技术方案是：一种基于GRU神经网络的光伏MPPT方法，包括预处理、GRU神经网络训练、GRU神经网络预测和最大功率点跟踪控制：步骤如下：
步骤1，根据光伏电池内部结构和环境特点建立光伏发电等效光伏电池模型；
步骤2，从光伏电站获取历史的环境数据；
步骤3，检测光伏阵列在不同环境下的最大功率点；
步骤4，将步骤2，3中获取的数据作为数据集，对数据进行归一化处理，即将数据放缩至[0 1]之间，并将数据划分为训练集和测试集；
步骤5，搭建GRU神经网络并进行训练，保存其中预测效果最好的一个模型；
步骤6，前一时刻的光照强度、光伏电池组件温度、最大功率点电压，以及当前时刻的光照强度、光伏电池组件温度作为模型的输入特征，预测得到当前时刻最大功率点电压；
步骤7，将步骤6预测得到的当前时刻最大功率点处的电压作为参考值，调节DC/DC变换器占空比，确保光伏阵列工作在最大功率点处。
进一步的，对步骤1中的光伏发电等效光伏电池模型进行分析，得到光伏电池的输出电压、输出电流和输出功率；光伏电池的电气特性可由下述方程表示：
在理想状况中，Rs趋向于0，Rsh趋向于无穷大，据此(1)式可化简为：
P＝VI；光伏电池产生的光感电流与光照强度有关：
在(1)、(2)式中，I—光伏电池输出电流；Iph—光生电流；Io—并联二极管反向饱和电流；q—单位电荷电量，值为1.6×10-19C；V—光伏电池输出电压；Rs—光伏电池串联内阻；Rsh—光伏电池并联内阻；A—二极管品质因子，取理想因子，值为1；K—玻尔兹曼常数，值为1.38×10-23J/K；T—光伏组件温度；G—光照强度；Isc—在参考光照强度以及温度条件下，光伏电池的短路电流；ki—短路电流温度系数；Tr—光伏电池的参考温度。
进一步的，步骤2中的环境数据包括不同时间的光照强度Gi以及设备温度Ti。
进一步的，步骤4中对数据进行归一化处理，选用mapminmax函数，映射函数为：y＝(x-xmin)/(xmax-xmin)，y为归一化得到的数据，xmin为归一化之前的最小值数据，xmax为未归一化之前的最大值数据，x为未归一化之前的数据。
进一步的，步骤5中的GRU神经网络为循环神经网络，包括更新门和重置门；更新门控制历史状态信息的保留，更新门值越大，当前状态中包含的前一时刻信息就越多；重置门值越小，前一时刻状态信息被忽略的越多；结合当前的输入xt和上一个节点传递下来的隐状态ht-1，GRU单元得到当前隐藏节点的输出和传递给下一个节点的隐状态ht；
更新门计算过程：zt＝σ(W(z)xt+U(z)ht-1) (3)；
重置门计算过程：rt＝σ(W(r)xt+U(r)ht-1) (4)；
存入候选集信息计算过程：
结合GRU神经网络的单元结构以及上述内容，GRU神经网络单元根据公式
计算得出输出结果ht；
在(3)、(4)、(5)式中，zt—更新门；rt—重置门；σ—Sigmoid函数；tanh—双曲正切函数；W(z)与U(z)—更新门权重矩阵；W(r)与U(r)—重置门权重矩阵；W与U—计算输出候选值时的权重矩阵；
—矩阵计算中的元素积。
进一步的，步骤7中将步骤6预测得到的当前时刻最大功率点电压作为参考值，调节DC/DC变换器占空比，根据线性电路的最大功率传输原理，需要使负载电阻与电源的内阻匹配时，外部负载才能输出最大功率；光伏电池以及DC/DC变换器都为非线性特征，在很短的时间段里，二者可看为线性电路，把等效光伏电池看为直流电源，把DC/DC变换器看为外部阻性负载；通过调节DC/DC变换器的等效阻抗，使其在不同的外部环境下，随着光伏电池的内阻变化而变化，二者动态的负载相匹配；依据预测得到的全局最大功率点处的电压作为参考值，进行电压偏差控制，调节占空比，从而实现光伏***的最大功率点跟踪。
本发明一种基于GRU神经网络的光伏MPPT方法，包括以下有益效果：
(1)不同于传统MPPT算法，本发明提出的GRU-MPPT算法在跟踪精度上显得更有优势，且并未发生震荡。
(2)与BP-MPPT算法进行对比，本发明提出的GRU-MPPT算法将历史数据考虑进来，在光照强度以及温度变化的情况下进行，能够保持精度优势对最大功率点进行跟踪。
本发明提出的GRU-MPPT算法能够有效地适应变化的外界环境，能够提高光伏发电***的能量转化效率，具有更好的应用前景。
本文引入对时序数据预测表现更好的GRU神经网络，考虑到数据的关联性，能够增加对最大功率点预测的准确性，在短时间内完成跟踪，动态调节能力更强，提高光伏***的能量转化率。以解决现有光伏最大功率点跟踪过程中的精度不足的问题。
附图说明
图1为本发明一种基于GRU神经网络的光伏MPPT方法中光伏电池等效模型图；
图2为本发明一种基于GRU神经网络的光伏MPPT方法中GRU神经网络训练流程图；
图3为本发明一种基于GRU神经网络的光伏MPPT方法中GRU神经网络预测最大功率点电压模型结构图；
图4为本发明一种基于GRU神经网络的光伏MPPT方法***流程图；
图5为本发明一种基于GRU神经网络的光伏MPPT方法的原理结构图；
图6为本发明一种基于GRU神经网络的光伏MPPT方法中Simulink仿真电路图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
参见图1至图6所示，一种基于GRU神经网络的光伏MPPT方法，括预处理、GRU神经网络训练、GRU神经网络预测和最大功率点跟踪控制：步骤如下：
步骤1，根据光伏电池属性，环境特点建立光伏发电等效光伏电池模型，如图1所示；根据光伏电池内部结构以及光伏电池等效电路的数学模型，对模型进行分析，得到光伏电池的输出电压、电流和功率；
光伏电池的电气特性可由下述方程表示：
在理想状况中，Rs趋向于0，Rsh趋向于无穷大，据此(1)式可化简为：
在上式中，I—光伏电池输出电流；Iph—光生电流；Io—并联二极管反向饱和电流；q—单位电荷电量，值为1.6×10-19C；V—光伏电池输出电压；Rs—光伏电池串联内阻；Rsh—光伏电池并联内阻；A—二极管品质因子，取理想因子，值为1；K—玻尔兹曼常数，值为1.38×10-23J/K；T—光伏组件温度；G—光照强度；Isc—在参考光照强度以及温度条件下，光伏电池的短路电流；ki—短路电流温度系数；Tr—光伏电池的参考温度。
步骤2，从光伏电站获取历史的环境数据；
环境数据包括不同时间的光照强度Gi以及设备温度Ti；
步骤3，检测光伏阵列在不同环境下的最大功率点；
步骤4，将步骤2，3中获取的数据作为数据集。对数据进行归一化处理，即将数据放缩至[0 1]之间，并将数据划分为训练集和测试集；
选用mapminmax函数，映射函数为：y＝(x-xmin)/(xmax-xmin)，y为归一化得到的数据，xmin为归一化之前的最小值数据，xmax为未归一化之前的最大值数据，x为未归一化之前的数据。经过归一化之后的数据，使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响，可以加快梯度下降求最优解的速度，且能提高预测精度。
步骤5，搭建GRU神经网络并进行训练，保存其中预测效果最好的一个模型；
图2附图为本发明提供一种基于GRU神经网络的光伏MPPT方法的GRU神经网络训练流程图。GRU神经网络为循环神经网络，包括更新门和重置门；更新门控制历史状态信息的保留，值越大，当前状态中包含的前一时刻信息就越多。重置门值越小，前一时刻状态信息被忽略的越多。结合当前的输入xt和上一个节点传递下来的隐状态ht-1，GRU单元得到当前隐藏节点的输出和传递给下一个节点的隐状态ht。更新门计算过程：zt＝σ(W(z)xt+U(z)ht-1)；重置门计算过程：rt＝σ(W(r)xt+U(r)ht-1)；存入候选集信息计算过程：
结合GRU神经网络的单元结构以及上述内容，GRU神经网络单元根据公式
计算得出输出结果ht。在上式中，zt—更新门；rt—重置门；σ—Sigmoid函数；tanh—双曲正切函数；W(z)与U(z)—更新门权重矩阵；W(r)与U(r)—重置门权重矩阵；W与U—计算输出候选值时的权重矩阵；
—矩阵计算中的元素积。
图3附图为本发明提供一种基于GRU神经网络的光伏MPPT方法中GRU神经网络预测最大功率点电压模型结构图。
最终的模型参数：输入层为5个神经元；GRU神经网络层为4层，各层神经元数量分别为128、128、64、32；激活函数选用Adam；在GRU神经网络层的每层之后添加一个Dropout层，Dropout率设置为0.5；损失函数选用MSE；迭代次数为500；输出层为全连接层，神经元数量为1。
步骤6，前一时刻的光照强度、组件温度、最大功率点电压，以及当前时刻的光照强度、组件温度作为模型的输入特征，预测得到当前时刻最大功率点电压；其中的前一时刻是根据实际情况而定，每次的时刻都会有所变化。
图4附图为本发明提供一种基于GRU神经网络的光伏MPPT方法***流程图，总共分为了4个部分，步骤1、2、3、4为预处理部分；步骤5为GRU神经网络训练部分；步骤6为预测最大功率点电压部分，GRU神经网络输出值为最大功率点电压。
步骤7，将步骤6预测得到的全局最大功率点处的电压作为参考值，调节DC/DC变换器占空比，确保光伏阵列工作在最大功率点处；
步骤7中将步骤6预测得到的全局最大功率点处的电压作为参考值，调节DC/DC变换器占空比，根据线性电路的最大功率传输原理，需要使负载电阻与电源的内阻匹配时，外部负载才能输出最大功率。光伏电池以及DC/DC变换器都为非线性特征，在很短的时间段里，二者可看为线性电路，等效把光伏电池看为直流电源，把DC/DC变换器看为外部阻性负载。通过调节DC/DC变换器的等效阻抗，使其在不同的外部环境下，随着光伏电池的内阻变化而变化，二者动态的负载相匹配。依据预测得到的全局最大功率点处的电压作为参考值，进行电压偏差控制，调节占空比，从而实现光伏***的最大功率点跟踪。
图5附图为本发明提供一种基于GRU神经网络的光伏MPPT方法的原理结构图，GRU-MPPT预测算法与PWM信号转换器连接，用于接收处理后的模拟量，得到最优量，并将最优量传递给PWM信号转换器；PWM信号转换器与电压控制单元连接，用于接收最优量，并将最优量转换为占空比，传输给电压控制单元。电压控制单元与负载连接，用于接收MPPT处理单元处理后的数据，并调节负载的输入电压，改变功率工作点。
图6附图为本发明提供一种基于GRU神经网络的光伏MPPT方法中Simulink仿真电路图；采用基于GRU神经网络的光伏MPPT方法，经仿真电路测试可以得出，此方法较其他MPPT方法具有稳定、准确等特点，可以较好地用于实际热电***中。
Claims (6)
1.一种基于GRU神经网络的光伏MPPT方法，其特征在于包括预处理、GRU神经网络训练、GRU神经网络预测和最大功率点跟踪控制：步骤如下：
步骤1，根据光伏电池内部结构和环境特点建立光伏发电等效光伏电池模型；
步骤2，从光伏电站获取历史的环境数据；
步骤3，检测光伏阵列在不同环境下的最大功率点；
步骤4，将步骤2，3中获取的数据作为数据集，对数据进行归一化处理，即将数据放缩至[0 1]之间，并将数据划分为训练集和测试集；
步骤5，搭建GRU神经网络并进行训练，保存其中预测效果最好的一个模型；
步骤6，前一时刻的光照强度、光伏电池组件温度、最大功率点电压，以及当前时刻的光照强度、光伏电池组件温度作为模型的输入特征，预测得到当前时刻最大功率点电压；
步骤7，将步骤6预测得到的当前时刻最大功率点处的电压作为参考值，调节DC/DC变换器占空比，确保光伏阵列工作在最大功率点处。
2.根据权利要求1所述的一种基于GRU神经网络的光伏MPPT方法，其特征在于对所述步骤1中的光伏发电等效光伏电池模型进行分析，得到光伏电池的输出电压、输出电流和输出功率；光伏电池的电气特性可由下述方程表示：
在理想状况中，Rs趋向于0，Rsh趋向于无穷大，据此(1)式可化简为：
P＝VI；光伏电池产生的光感电流与光照强度有关：
在(1)、(2)式中，I—光伏电池输出电流；Iph—光生电流；Io—并联二极管反向饱和电流；q—单位电荷电量，值为1.6×10-19C；V—光伏电池输出电压；Rs—光伏电池串联内阻；Rsh—光伏电池并联内阻；A—二极管品质因子，取理想因子，值为1；K—玻尔兹曼常数，值为1.38×10-23J/K；T—光伏组件温度；G—光照强度；Isc—在参考光照强度以及温度条件下，光伏电池的短路电流；ki—短路电流温度系数；Tr—光伏电池的参考温度。
3.根据权利要求1所述的一种基于GRU神经网络的光伏MPPT方法，其特征在于所述步骤2中的环境数据包括不同时间的光照强度Gi以及设备温度Ti。
4.根据权利要求1所述的一种基于GRU神经网络的光伏MPPT方法，其特征在于所述的步骤4中对数据进行归一化处理，选用mapminmax函数，映射函数为：y＝(x-xmin)/(xmax-xmin)，y为归一化得到的数据，xmin为归一化之前的最小值数据，xmax为未归一化之前的最大值数据，x为未归一化之前的数据。
5.根据权利要求1所述的一种基于GRU神经网络的光伏MPPT方法，其特征在于所述的步骤5中的GRU神经网络为循环神经网络，包括更新门和重置门；更新门控制历史状态信息的保留，更新门值越大，当前状态中包含的前一时刻信息就越多；重置门值越小，前一时刻状态信息被忽略的越多；结合当前的输入xt和上一个节点传递下来的隐状态ht-1，GRU单元得到当前隐藏节点的输出和传递给下一个节点的隐状态ht；
更新门计算过程：zt＝σ(W(z)xt+U(z)ht-1) (3)；
重置门计算过程：rt＝σ(W(r)xt+U(r)ht-1) (4)；
存入候选集信息计算过程：
结合GRU神经网络的单元结构以及上述内容，GRU神经网络单元根据公式
计算得出输出结果ht；
在(3)、(4)、(5)式中，zt—更新门；rt—重置门；σ—Sigmoid函数；tanh—双曲正切函数；W(z)与U(z)—更新门权重矩阵；W(r)与U(r)—重置门权重矩阵；W与U—计算输出候选值时的权重矩阵；
—矩阵计算中的元素积。
6.根据权利要求1所述的一种基于GRU神经网络的光伏MPPT方法，其特征在于所述的步骤7中将步骤6预测得到的当前时刻最大功率点电压作为参考值，调节DC/DC变换器占空比，根据线性电路的最大功率传输原理，需要使负载电阻与电源的内阻匹配时，外部负载才能输出最大功率；光伏电池以及DC/DC变换器都为非线性特征，在很短的时间段里，二者可看为线性电路，把等效光伏电池看为直流电源，把DC/DC变换器看为外部阻性负载；通过调节DC/DC变换器的等效阻抗，使其在不同的外部环境下，随着光伏电池的内阻变化而变化，二者动态的负载相匹配；依据预测得到的全局最大功率点处的电压作为参考值，进行电压偏差控制，调节占空比，从而实现光伏***的最大功率点跟踪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932388.3A CN115185334A (zh) | 2022-08-04 | 2022-08-04 | 一种基于gru神经网络的光伏mppt方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932388.3A CN115185334A (zh) | 2022-08-04 | 2022-08-04 | 一种基于gru神经网络的光伏mppt方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115185334A true CN115185334A (zh) | 2022-10-14 |
Family
ID=83520469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932388.3A Pending CN115185334A (zh) | 2022-08-04 | 2022-08-04 | 一种基于gru神经网络的光伏mppt方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115185334A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116937694A (zh) * | 2023-09-15 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏发电***mppt控制器的控制方法及*** |
| CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| CN109062315A (zh) * | 2018-10-15 | 2018-12-21 | 华北水利水电大学 | 一种光伏并网发电***的最大功率点跟踪方法 |
| CN110737302A (zh) * | 2019-11-14 | 2020-01-31 | 华能海南发电股份有限公司 | 一种基于光伏发电***电阻匹配的mppt控制方法 |
| CN112711294A (zh) * | 2020-11-23 | 2021-04-27 | 陕西环保产业研究院有限公司 | 一种局部遮挡下光伏阵列全局最大功率点追踪方法 |
| CN112947672A (zh) * | 2021-02-08 | 2021-06-11 | 南京邮电大学 | 一种光伏电池最大功率点跟踪方法及装置 |
-
2022
- 2022-08-04 CN CN202210932388.3A patent/CN115185334A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| CN109062315A (zh) * | 2018-10-15 | 2018-12-21 | 华北水利水电大学 | 一种光伏并网发电***的最大功率点跟踪方法 |
| CN110737302A (zh) * | 2019-11-14 | 2020-01-31 | 华能海南发电股份有限公司 | 一种基于光伏发电***电阻匹配的mppt控制方法 |
| CN112711294A (zh) * | 2020-11-23 | 2021-04-27 | 陕西环保产业研究院有限公司 | 一种局部遮挡下光伏阵列全局最大功率点追踪方法 |
| CN112947672A (zh) * | 2021-02-08 | 2021-06-11 | 南京邮电大学 | 一种光伏电池最大功率点跟踪方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116937694A (zh) * | 2023-09-15 | 2023-10-24 | 广州德姆达光电科技有限公司 | 一种光伏发电***mppt控制器的控制方法及*** |
| CN116937694B (zh) * | 2023-09-15 | 2023-11-28 | 广州德姆达光电科技有限公司 | 一种光伏发电***mppt控制器的控制方法及*** |
| CN117629422A (zh) * | 2024-01-25 | 2024-03-01 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及*** |
| CN117629422B (zh) * | 2024-01-25 | 2024-05-10 | 徐州日托新能源科技有限公司 | 一种光伏组件测温方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Harrag et al. | Variable step size modified P&O MPPT algorithm using GA-based hybrid offline/online PID controller | |
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| Zheng et al. | Advanced optimizer for maximum power point tracking of photovoltaic systems in smart grid: A roadmap towards clean energy technologies | |
| CN111008728A (zh) | 一种用于分布式光伏发电***短期出力的预测方法 | |
| CN107910863B (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
| CN115185334A (zh) | 一种基于gru神经网络的光伏mppt方法 | |
| Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
| CN105354655B (zh) | 计及功率相关性的光伏电站群置信容量评估方法 | |
| CN111563624A (zh) | 一种基于LSTM与Attention相结合的绿色能源预测方法 | |
| Sunny et al. | Design and simulation of maximum power point tracking of photovoltaic system using ANN | |
| Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
| Nagadurga et al. | Global maximum power point tracking of solar PV strings using the teaching learning based optimisation technique | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| Wang et al. | Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction | |
| Nagadurga et al. | Harness of maximum solar energy from solar PV strings using particle swarm optimisation technique | |
| Wei et al. | Research on the maximum power point tracking method of photovoltaic based on Newton interpolation-assisted particle swarm algorithm | |
| Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
| AU2020102231A4 (en) | Maximum power point trackable and optimized iot based pv charge controller using machine learning | |
| Micha et al. | An intelligent photovoltaic power forecasting model based on bagged-boosted stack support vector regression with kernel linear | |
| Ahmed et al. | Comprehensive Analysis of MPPT Techniques using Boost Converter for Solar PV System | |
| CN111915084A (zh) | 一种基于神经网络的混合型光伏发电功率预测方法及*** | |
| Mishra et al. | MPPT for a Solar PV Array: ANN and P&O Comparison | |
| Cheng et al. | Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation | |
| Liu et al. | Short-term photovoltaic power prediction based on bayesian regularized bp neural networks | |
| Belova et al. | Maximum power point tracking methods for the solar battery |
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: 20221014 |