CN115292965A - 一种基于最小二乘回归的动态光伏模型参数辨识方法 - Google Patents
一种基于最小二乘回归的动态光伏模型参数辨识方法 Download PDFInfo
- Publication number
- CN115292965A CN115292965A CN202211186695.8A CN202211186695A CN115292965A CN 115292965 A CN115292965 A CN 115292965A CN 202211186695 A CN202211186695 A CN 202211186695A CN 115292965 A CN115292965 A CN 115292965A
- Authority
- CN
- China
- Prior art keywords
- model
- photovoltaic
- dynamic
- parameters
- load
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 11
- 239000003990 capacitor Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000003068 static effect Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 12
- 230000003071 parasitic effect Effects 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 15
- 238000010248 power generation Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明提供了一种基于最小二乘回归的动态光伏模型参数辨识方法,参数识别过程基于时域仿真技术,它利用了光伏源I‑V特性的线性区域中对负载变化的阶跃响应,并使用实验数据的最小二乘回归(LSR)技术来提取模型的动态部分的参数。这种方法能够有效地隔离电感和电容的相互影响,使用一个负载电阻,使电路的两极不相互影响。只需要对负载电阻进行一次测量,即可辨识出动态参数。本发明通过基于最小二乘回归的动态光伏模型参数辨识方法,可以适应于灵活可变的光伏发电***,且只用一次测量即可实现参数辨识,大大提高了辨识效率。
Description
技术领域
本发明属于光伏发电技术领域,具体涉及一种基于最小二乘回归的动态光伏模型参数辨识方法。
背景技术
当今社会面临的两大生存危机是环境污染和能源匮乏,光伏发电技术作为一种无污染、可再生的绿色发电技术而广受关注。光伏阵列是光电***的核心部分,光伏电源的输出与温度和光强是非线性关系。因此,探究和描绘光伏输出曲线,可以大大提高光伏发电的能量转化率。
随着可再生能源接入配电网规模和比例日益剧增,负荷侧的新能源,主要是光伏发电对电网的影响越来越明显。光伏发电***的模型参数是针对其进行稳态、准稳态和暂态计算,以及建模分析的基础。模型参数的精确程度对于电力分析规划研究具有及其重要的影响。因此,不断提高模型参数的精确度对电力***实际应用意义重大。
对光伏资源的研究,包括与发电量最大化有关的问题和预测光伏阵列在各种环境条件下的行为的问题正越来越受关注。精确的光伏源数值模型对以下方面很有帮助:分析光伏电站的功率转换器,研究最大功率点跟踪(MPPT)算法,等等。在技术文献中,有几个静态光伏模型可供选择。在这些模型中,实际电力应用领域习惯使用三个参数的动态模型来再现静态I-V和P-V特性的模型。这三个动态参数(电容、电感和电导)在制造商的数据表中没有给出。因此,需要一个简单、快速而又准确的参数辨识过程。然而,通过单一的测量来进行参数识别的方法在技术文献中还没被提出。
发明内容
有鉴于此,本发明旨在提供一种通过单一的测量来进行参数识别的方法,能够简单、快速而又准确的实现光伏模型的参数辨识过程。
为了实现上述技术效果,本发明提供以下技术方案:
本发明提供了一种基于最小二乘回归的动态光伏模型参数辨识方法,包括如下步骤:
给光伏电源连接一个可变的负荷电阻,得到一个动态光伏模型,动态光伏模型利用光伏源I-V特性的线性区域中对负载变化的阶跃响应进行参数辨识;
根据最大功率追踪-开路电压弧线的中点,选择一个可变的负荷电阻的值;
对动态光伏模型进行参考测试,获取负荷电流的曲线;
变换负荷电阻的值直到出现交互式极点后,绘制此时负荷电流的真实曲线并选取误差值和时间间隔;
基于选择的负荷电阻的值,在负荷曲线最小值的左侧进行最小二乘回归计算;
调整时间间隔并计算实际误差直到小于选取的误差值时,得到参数辨识结果。
进一步的,动态光伏模型是由光伏组件的完整等效电路简化得到的,利用电压发生器代替光伏组件的完整等效电路中的电流发生器和二极管,得到线性电压区域的光伏组件的等效电路,即动态光伏模型。
进一步的,动态光伏模型具体包括:静态模型和动态模型;
静态模型包括四个静态参数,具体为光伏单元串联电阻、寄生电容的串联电阻、开路电压和负荷电阻;
动态模型包括两个动态参数,具体为电感和电容。
进一步的,基于选择的负荷电阻的值,在负荷曲线最小值的左侧进行最小二乘回归计算,具体包括:
基于动态光伏模型建立动态模型中电感时间常数和电容时间常数以及电感系数和电容系数的计算模型,计算模型基于静态参数和动态参数对四个参数进行计算;
从四个参数中两两进行组合,分别作为最小二乘法的横纵坐标,进行最小二乘回归的拟合计算。
进一步的,基于动态光伏模型建立的计算模型具体如下:
进一步的,从四个参数中两两进行组合,分别作为最小二乘法的横纵坐标,进行最小二乘回归的拟合计算,具体包括:
将所有光伏运行数据实测值分维度进行绘制;
按照下述公式,计算图中所有数据点的横纵坐标平均值;
进一步的,在动态光伏模型中,待辨识的参数具体为动态模型的电感和电容以及寄生电容的串联电阻,其余参数由静态模型得到。
进一步的,在动态光伏模型的线性电压区域内,光伏单元串联电阻小于负荷电阻。
进一步的,参考测试是在恒定的太阳辐照度和负载电阻的情况下进行的。
进一步的,动态光伏模型是针对单个光伏电池建立的,当扩展到电池内部串联/并联的情况时,获得一个模块的等效电路模型。
综上,本发明提供了一种基于最小二乘回归的动态光伏模型参数辨识方法,参数识别过程基于时域仿真技术,它利用了光伏源I-V特性的线性区域中对负载变化的阶跃响应,并使用实验数据的最小二乘回归(LSR)技术来提取模型的动态部分的参数。这种方法能够有效地隔离电感和电容的相互影响,使用一个负载电阻,使电路的两极不相互影响。只需要对负载电阻进行一次测量,即可辨识出动态参数。本发明通过基于最小二乘回归的动态光伏模型参数辨识方法,可以适应于灵活可变的光伏发电***,且只用一次测量即可实现参数辨识,大大提高了辨识效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于最小二乘回归的动态光伏模型参数辨识方法的流程图;
图2为本发明实施例提供的光伏组件的完整等效电路图;
图3为本发明实施例提供的线性电压区域的光伏组件的等效电路图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
随着可再生能源接入配电网规模和比例日益剧增,负荷侧的新能源,主要是光伏发电对电网的影响越来越明显。光伏发电***的模型参数是针对其进行稳态、准稳态和暂态计算,以及建模分析的基础。模型参数的精确程度对于电力分析规划研究具有及其重要的影响。因此,不断提高模型参数的精确度对电力***实际应用意义重大。
对光伏资源的研究,包括与发电量最大化有关的问题和预测光伏阵列在各种环境条件下的行为的问题正越来越受关注。精确的光伏源数值模型对以下方面很有帮助:分析光伏电站的功率转换器,研究最大功率点跟踪(MPPT)算法,等等。在技术文献中,有几个静态光伏模型可供选择。在这些模型中,实际电力应用领域习惯使用三个参数的动态模型来再现静态I-V和P-V特性的模型。这三个动态参数(电容、电感和电导)在制造商的数据表中没有给出。因此,需要一个简单、快速而又准确的参数辨识过程序。然而,通过单一的测量来进行参数识别的方法在技术文献中还没被提出。
现有技术中提出一种参数辨识方法,包括:步骤一、根据光伏电池单二极管等效原理图,建立光伏组件五参数模型,五参数分别为光生电流Iph、二极管反向饱和电流I0、等效串联电阻Rs、等效并联电阻Rsh和二极管理想因子n;步骤二、推导光伏组件五参数模型中五个参数之间的关系,确定需辨识的未知参数,即二极管理想因子n;步骤三、采用改进的粒子群算法对二极管理想因子n进行辨识。利用数据手册提供的信息,推导光伏组件模型中五参数之间的关系,进而确定待辨识的未知参数,采用改进的粒子群算法进行参数辨识,算法参数设置简单,易于实现。
但是上述方法精确度不够高,计算效率较低,计算时间较长、误差大。
基于此,本发明提供了一种基于最小二乘回归的动态光伏模型参数辨识方法。
以下对本发明的一种基于最小二乘回归的动态光伏模型参数辨识方法的实施例进行详细的介绍。
请参阅图1,本实施例提供了一种基于最小二乘回归的动态光伏模型参数辨识方法,包括如下步骤:
S100:给光伏电源连接一个可变的负荷电阻,得到一个动态光伏模型,动态光伏模型利用光伏源I-V特性的线性区域中对负载变化的阶跃响应进行参数辨识。
为了得到合适的工作状态以便于确定动态模型参数,需要进行一个参考测试。在测试过程中,在应用纯电阻的阶梯式变化时,获取负载电流波形,给光伏电源连接一个负荷电阻RL以便绘制合适的运行曲线。
在一个可选的实施例中,基于最小二乘回归的参数辨识方法允许对光伏源及其连接的电缆进行适当的动态建模,得到若干静态参数和动态参数的光伏模型,利用该光伏模型进行参数辨识具有更好的精度和准确性。这个模型是针对单个光伏电池开发的,可以扩展到电池内部串联/并联的情况,获得一个模块的等效电路模型。
具体的,如图2所示,图2为光伏组件的完整等效电路图。其中,Iph为光生电流,D为二极管,Imod为滤波后的电流,Rs为光伏单元串联电阻,Rc为寄生电容的串联电阻,Vmod为滤波后的电压,Voc为开路电压,Iload为负荷电流,L为动态模型电感,RL为负荷电阻,Vload为负荷电压,C为动态模型的电容。动态模型的电容、电导以及电感效应在图2中被勾勒出来,需要确定的参数是动态模型的电容C、寄生电容的串联电阻RC以及动态模型的电感L。该二阶模型在I-V曲线中位于开路电压Voc和最大功率点MPP之间的部分也是有效的,即为光伏发电过程中的通常区域。
在同一区域,图2中的电路具有的线性行为,可以用电压发生器取代电流发生器和二极管,得到图3中的电路,这相当于上述线性区域中的真实光伏组件。值得注意的是,任何静态光伏模型在该区域都等同于图3所示的电路。
在图3所示的线性电压区域的光伏组件的等效电路中,等效电路由一个四参数静态模型(包括图3中光伏单元串联电阻Rs、寄生电容的串联电阻Rc、开路电压Voc和负荷电阻RL)和一个动态部分(包括图3中动态模型电感L和动态模型电容C)组成,其中包括一个具有串联电阻和电感的电容器。其中,静态模型的四个参数表现出对太阳辐射度G和组件温度T的依赖性,并且可以使用现有提出的任何方法来确定。
S200:根据最大功率追踪-开路电压弧线的中点,选择一个可变的负荷电阻的值。
在参考测试过程中,获取负载电流波形,同时应用一个纯电阻性负载的阶跃变化,使负载从无穷大到有限值的阶跃变化,最后的电阻值应对应于一个属于最大功率追踪-开路电压弧线(即MPP-Voc)区域内的工作点。
S300:对动态光伏模型进行参考测试,获取负荷电流的曲线。
在一般情况下,通过对具有不同负载电阻值RL的真实光伏组件进行一系列测试,可以获得对应于一对复数共轭极点或两个实极点的响应。以便进行进一步的参数获取研究,分析对应两个位于实极点的响应。即为了确定动态模型参数,需要进行一个参考测试。在此过程中,应用纯电阻性负载的阶跃变化时负载从无穷大到有限值的阶跃变化,可以获得负载电流波形。最终的电阻值应对应于一个属于最大功率-开路电压区域的工作点。
参考测试是在恒定的太阳辐照度G和负载电阻的情况下进行的,该负载电阻对应于位于最大功率-开路电压区域的工作点。对于该区域来说,两极之间没有相互作用。我们认为太阳辐照度G的测量值的静态模型是已知的,那么,光伏模块的串联电阻Rs也是一个已知量。
为了评估通过最小二程回归得到的参数幅值的不确定性的影响如何影响到动态模型电容C的值,可以进行敏感性分析。除了动态模型电感L、动态模型电容C和寄生电容的串联电阻Rc,所有其他的量参数都是从静态模型中知道的。这些值可以视为是常量。在所提模型的有效区域内,恒有光伏组件中的串联电阻Rs远远小于负荷电阻RL。
需要说明的是,如果没有非交互式极点,就增加负荷电阻RL的值并返回上一步。识别的参数要保证在实际负载的情况下也有效。参数识别的过程是利用具有交互式极点的电路响应。故没有交互式极点的话,参数识别的过程无法完成。
S500:基于选择的负荷电阻的值,在负荷曲线最小值的左侧进行最小二乘回归计算。
在确定了合适的负荷电阻RL的值的情况下,应用最小二乘回归法的步骤,确定所有待识别参数的值。
在一个可选的实施例中,应用最小二乘回归法进行参数辨识包括:
S501:基于动态光伏模型建立动态模型中电感时间常数和电容时间常数以及电感系数和电容系数的计算模型,计算模型基于静态参数和动态参数对四个参数进行计算。
由图3可知,
由于换路瞬间电感电流不能瞬间变化,可以得到:
参数识别过程基于时域仿真技术。它利用了光伏源I-V特性的线性区域中对负载变化的阶跃响应。并使用实验数据的最小二乘回归(LSR)技术来提取模型的动态部分的参数。这种方法能够有效地隔离电感和电容的相互影响,使用一个负载电阻,使电路的两极不相互影响。时域仿真中需要得到与表征时域过程的四个参数,也就是是电感和电容的时间常数和,以及电感和电容系数和。
S502:从四个参数中两两进行组合,分别作为最小二乘法的横纵坐标,进行最小二乘回归的拟合计算。
将这四个参数两两组合,分别作为最小二乘法的横纵坐标,然后再将最小二乘回归的拟合结果代入公式(4)-(7)中,即可得到待识别的参数辨识值。具体包括如下步骤:
第一步:先把所有光伏运行数据实测值分维度绘制,如数据的形状近似为直线的包络线,可以运用直线回归法,也叫最小二乘回归法。
第二步:利用如下的公式,计算图中所有数据点横坐标与纵坐标的平均值。
S600:调整时间间隔并计算实际误差直到小于选取的误差值时,得到参数辨识结果。
本实施例提供一种基于最小二乘回归的动态光伏模型参数辨识方法。参数识别过程是基于一个合适的时域阶跃响应和最小二乘回归的数据处理算法,所考虑的等效电路是在负载终端看过去的光伏源模型。参数识别过程基于时域仿真技术。它利用了光伏源I-V特性的线性区域中对负载变化的阶跃响应。并使用实验数据的最小二乘回归(LSR)技术来提取模型的动态部分的参数。这种方法能够有效地隔离电感和电容的相互影响,使用一个负载电阻,使电路的两极不相互影响。
相较于现有技术,本实施例提供的参数辨识方法具有如下优点:
1、本实施例通过提出了如图3的线性电压区域的光伏组件的等效电路图,用于动态光伏模型的参数辨识,可以将5个需要辨识的参数减少为3个参数,大大提高了计算效率;
2、基于最小二乘回归的动态光伏模型参数辨识方法可以使辨识结果更加准确;
3、本实施例中提出的用于辨识动态参数的具体参数辨识的流程和公式,所提参数辨识的计算流程可以用来辨识动态参数,并且由于光伏发电***是灵活可变的,本实施例用动态参数加以辨识具有更好地准确性,只用一次测量也大大提高了效率。
以下提供一个光伏发电***参数识别的例子进行说明。
本算例是对一个光伏发电机进行的分析,参考值如下:光伏电源提供功率为20个标幺值,短路电流为1.34A,开路电压为21V,最大功率点的电流和电压分别为1.18A和16.8V. 这些 模块固定倾斜在50度,方位角可调,它们可以在空载配置下运行,也可以连接到其他地方。可以在空载状态下运行,也可以连接到一个可编程的电阻性负载上。可编程的电阻性负载,在不同的工作点进行参考测试。安装了一个与模块相同倾斜度的测温仪。与模块相同的倾斜度,给出了一个太阳辐照度值为655瓦特每平方米。通过应用本实施例的参数辨识方法进行计算,可以得到:
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,包括如下步骤:
给光伏电源连接一个可变的负荷电阻,得到一个动态光伏模型,所述动态光伏模型利用光伏源I-V特性的线性区域中对负载变化的阶跃响应进行参数辨识;
根据最大功率追踪-开路电压弧线的中点,选择一个所述可变的负荷电阻的值;
对所述动态光伏模型进行参考测试,获取负荷电流的曲线;
变换所述负荷电阻的值直到出现交互式极点后,绘制此时负荷电流的真实曲线并选取误差值和时间间隔;
基于选择的所述负荷电阻的值,在负荷曲线最小值的左侧进行最小二乘回归计算;
调整所述时间间隔并计算实际误差直到小于选取的所述误差值时,得到参数辨识结果。
2.根据权利要求1所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,所述动态光伏模型是由光伏组件的完整等效电路简化得到的,利用电压发生器代替所述光伏组件的完整等效电路中的电流发生器和二极管,得到线性电压区域的光伏组件的等效电路,即所述动态光伏模型。
3.根据权利要求2所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,所述动态光伏模型具体包括:静态模型和动态模型;
所述静态模型包括四个静态参数,具体为光伏单元串联电阻、寄生电容的串联电阻、开路电压和所述负荷电阻;
所述动态模型包括两个动态参数,具体为电感和电容。
4.根据权利要求3所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,基于选择的所述负荷电阻的值,在负荷曲线最小值的左侧进行最小二乘回归计算,具体包括:
基于所述动态光伏模型建立所述动态模型中电感时间常数和电容时间常数以及电感系数和电容系数的计算模型,所述计算模型基于所述静态参数和动态参数对四个参数进行计算;
从所述四个参数中两两进行组合,分别作为最小二乘法的横纵坐标,进行最小二乘回归的拟合计算。
7.根据权利要求3所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,在所述动态光伏模型中,待辨识的参数具体为所述动态模型的电感和电容以及所述寄生电容的串联电阻,其余参数由所述静态模型得到。
8.根据权利要求3所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,在所述动态光伏模型的线性电压区域内,所述光伏单元串联电阻小于所述负荷电阻。
9.根据权利要求1所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,参考测试是在恒定的太阳辐照度和负载电阻的情况下进行的。
10.根据权利要求1所述的基于最小二乘回归的动态光伏模型参数辨识方法,其特征在于,所述动态光伏模型是针对单个光伏电池建立的,当扩展到电池内部串联/并联的情况时,获得一个模块的等效电路模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186695.8A CN115292965B (zh) | 2022-09-28 | 2022-09-28 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186695.8A CN115292965B (zh) | 2022-09-28 | 2022-09-28 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115292965A true CN115292965A (zh) | 2022-11-04 |
CN115292965B CN115292965B (zh) | 2023-01-24 |
Family
ID=83833790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186695.8A Active CN115292965B (zh) | 2022-09-28 | 2022-09-28 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292965B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077546A (zh) * | 2023-10-16 | 2023-11-17 | 广东电网有限责任公司中山供电局 | 基于数据驱动的电力***负荷建模方法及其*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399491A (zh) * | 2013-08-06 | 2013-11-20 | 清华大学 | 光伏发电***光伏组件机理模型参数辨识方法 |
US20150188415A1 (en) * | 2013-12-30 | 2015-07-02 | King Abdulaziz City For Science And Technology | Photovoltaic systems with maximum power point tracking controller |
CN105590032A (zh) * | 2016-02-18 | 2016-05-18 | 淮阴师范学院 | 一种基于参数辨识的光伏组件mppt算法 |
CN106169910A (zh) * | 2016-07-20 | 2016-11-30 | 国网青海省电力公司 | 基于群搜索算法的光伏电池参数辨识方法 |
CN106300418A (zh) * | 2016-08-30 | 2017-01-04 | 合肥工业大学 | 基于自适应差分进化算法的光伏逆变器控制参数的辨识方法 |
US20170133849A1 (en) * | 2015-11-09 | 2017-05-11 | Abb Schweiz Ag | Hierarchical robust model predictive voltage and var control with coordination and optimization of autonomous der voltage control |
CN207819856U (zh) * | 2018-01-29 | 2018-09-04 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识*** |
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
CN113884904A (zh) * | 2021-11-01 | 2022-01-04 | 国网湖南省电力有限公司 | 超级电容器电池的等效电路模型及其参数辨识方法 |
CN114690633A (zh) * | 2022-03-14 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 一种光伏逆变器控制器参数辨识方法 |
-
2022
- 2022-09-28 CN CN202211186695.8A patent/CN115292965B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399491A (zh) * | 2013-08-06 | 2013-11-20 | 清华大学 | 光伏发电***光伏组件机理模型参数辨识方法 |
US20150188415A1 (en) * | 2013-12-30 | 2015-07-02 | King Abdulaziz City For Science And Technology | Photovoltaic systems with maximum power point tracking controller |
US20170133849A1 (en) * | 2015-11-09 | 2017-05-11 | Abb Schweiz Ag | Hierarchical robust model predictive voltage and var control with coordination and optimization of autonomous der voltage control |
CN105590032A (zh) * | 2016-02-18 | 2016-05-18 | 淮阴师范学院 | 一种基于参数辨识的光伏组件mppt算法 |
CN106169910A (zh) * | 2016-07-20 | 2016-11-30 | 国网青海省电力公司 | 基于群搜索算法的光伏电池参数辨识方法 |
CN106300418A (zh) * | 2016-08-30 | 2017-01-04 | 合肥工业大学 | 基于自适应差分进化算法的光伏逆变器控制参数的辨识方法 |
CN207819856U (zh) * | 2018-01-29 | 2018-09-04 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识*** |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN113884904A (zh) * | 2021-11-01 | 2022-01-04 | 国网湖南省电力有限公司 | 超级电容器电池的等效电路模型及其参数辨识方法 |
CN114690633A (zh) * | 2022-03-14 | 2022-07-01 | 国网湖北省电力有限公司电力科学研究院 | 一种光伏逆变器控制器参数辨识方法 |
Non-Patent Citations (5)
Title |
---|
吴静平等: "基于KMTOA的三相光伏逆变器双环控制研究", 《电工电气》 * |
周浩 等: "基于可变遗忘因子广义最小二乘法的光伏逆变器参数辨识", 《信息化研究》 * |
张海宁: "基于递推最小二乘算法的逆变器参数辨识", 《电力科学与工程》 * |
张海宁: "基于非线性最小二乘法光伏电池参数辨识", 《现代电力》 * |
柴源等: "光伏组件机理模型参数灵敏度分析及参数的辨识方法", 《电气应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077546A (zh) * | 2023-10-16 | 2023-11-17 | 广东电网有限责任公司中山供电局 | 基于数据驱动的电力***负荷建模方法及其*** |
CN117077546B (zh) * | 2023-10-16 | 2024-03-08 | 广东电网有限责任公司中山供电局 | 基于数据驱动的电力***负荷建模方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN115292965B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | An improved and comprehensive mathematical model for solar photovoltaic modules under real operating conditions | |
Adamo et al. | Characterization and testing of a tool for photovoltaic panel modeling | |
Bellini et al. | Simplified model of a photovoltaic module | |
Batzelis et al. | An explicit PV string model based on the lambert $ W $ function and simplified MPP expressions for operation under partial shading | |
Abe et al. | Computing solar irradiance and average temperature of photovoltaic modules from the maximum power point coordinates | |
Andrei et al. | Curve fitting method for modeling and analysis of photovoltaic cells characteristics | |
CN115292965B (zh) | 一种基于最小二乘回归的动态光伏模型参数辨识方法 | |
CN112803892B (zh) | 一种低压光伏发电故障的诊断算法 | |
Salim et al. | Practical evaluation of solar irradiance effect on PV performance | |
El-Saadawi et al. | A proposed dynamic model of Photovoltaic-DG system | |
Lun et al. | A new explicit I–V model of a silicon solar cell based on Chebyshev Polynomials | |
Masmoudi et al. | Identification of Internal Parameters of a Mono-Crystalline Photovoltaic Cell Models and Experimental Ascertainment | |
CN113595132B (zh) | 基于最大功率点和混合优化算法的光伏在线参数辨识方法 | |
Manjunath et al. | On-line health monitoring of PV plants | |
Schuss et al. | Measurement and verification of photovoltaic (PV) simulation models | |
Di Piazza et al. | Identification of photovoltaic array model parameters by robust linear regression methods | |
Sahu et al. | Maximum power point estimation of a PV array by using improve bisection method | |
Su et al. | Parameter extraction of photovoltaic single-diode model using integrated current–voltage error criterion | |
Ahmed et al. | Non-iterative MPPT Method: A Comparative Study | |
Mahrane et al. | Test bench for photovoltaic modules | |
CN114491389B (zh) | 一种太阳能电池组件等效电路参数的提取和估算方法 | |
CN108280287B (zh) | 一种太阳能电池参数提取的方法 | |
Ramaprabha et al. | Development of an improved model of SPV cell for partially shaded solar photovoltaic arrays | |
CN112487347B (zh) | 考虑环境和时变因素的光伏组件模型参数化方法 | |
Velkovski et al. | Application of Incremental Conductance MPPT method for a photovoltaic generator in LabView |
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 |