CN102593862B - 一种光伏并网逆变器及其控制方法 - Google Patents
一种光伏并网逆变器及其控制方法 Download PDFInfo
- Publication number
- CN102593862B CN102593862B CN201210023332.2A CN201210023332A CN102593862B CN 102593862 B CN102593862 B CN 102593862B CN 201210023332 A CN201210023332 A CN 201210023332A CN 102593862 B CN102593862 B CN 102593862B
- Authority
- CN
- China
- Prior art keywords
- output
- input
- control module
- signal
- module
- 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.)
- Expired - Fee Related
Links
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
Abstract
本发明公开了一种光伏并网逆变器及其控制方法,逆变器包括最大功率点跟踪模块、功率开关管对象、等效滤波器、锁相环、电网扰动测量模块、电流变送器、电压变送器和BP神经网络控制模块,电压变送器的输出端连接至锁相环的输入端;BP神经网络控制模块分别与最大功率点跟踪模块和锁相环的输出端、电网扰动测量模块的输出端、电流变送器的输出端相连,作为BP神经网络控制模块的三个输入端;BP神经网络控制模块的输出端与功率开关管对象输入端相连,功率开关管对象的输出端与等效滤波器的输入端连接。本发明具有更高的智能和输出精度,并能适应各种电网环境,能提高光伏并网发电系统的稳定性和可靠性。
Description
技术领域
本发明涉及电力电子非线性智能控制领域,具体涉及一种基于BP神经网络的光伏并网逆变器及其控制方法。
背景技术
光伏并网发电是太阳能发电的主流技术,该技术涉及半导体新材料、电力电子新技术、现代控制理论于一体,是当今世界新能源利用的研究热点技术之一。光伏并网逆变器是一种将太阳能电池输出的直流电转变为交流电的电路装置(DC-AC),是一种强非线性系统。对于DC-AC开关功率逆变器这种强非线性系统,常规的线性控制算法无法取得满意的效果,线性化模型难以真实地从物理本质上揭示逆变器的各种动态特性,因而就很难进一步提高系统的各种性能。
目前,光伏并网逆变器的同步控制多采用线性控制方法,如PI控制、滞环控制、无差拍控制等。这些线性控制方法因算法简单而被广泛应用于光伏并网逆变器的同步控制中,但它们在实际应用中的缺陷显而易见:PI控制的缺点是幅值和相位存在原理性误差,而且该误差的改善与系统的稳定性是一对矛盾;滞环控制由于开关频率不固定,开关管所承受的电压应力较大,实际设计难度大;无差拍控制则要求有精确的负载和系统模型,在具体应用中受到限制;线性控制方法存在的这些缺点很大程度上影响了光伏并网逆变器的可靠性和输出精度。
另外,光伏并网逆变器的负载是电网,而电网是一个复杂的非线性系统,它存在多种不确定因素,具有难以确切描述的非线性特性,这就要求光伏并网逆变器具有自组织、自学习、自适应能力以及较强的容错能力,传统的线性化控制方法已经无法满足这样的要求。
发明内容
本发明的目的是针对现有技术的不足,而提供一种具有更高的智能和更高的输出精度,并能适应各种电网环境,能提高光伏并网发电系统的稳定性和可靠性的光伏并网逆变器及其控制方法。
本发明的目的是通过下述的技术方案来实现的:
一种光伏并网逆变器,包括最大功率点跟踪模块、功率开关管对象、等效滤波器、锁相环(PLL)、电网扰动测量模块、电流变送器、电压变送器和BP(Back Propagation)神经网络控制模块,电压变送器的输出端连接至锁相环的输入端;BP神经网络控制模块分别与最大功率点跟踪模块和锁相环的输出端、电网扰动测量模块的输出端、电流变送器的输出端相连,作为BP神经网络控制模块的三个输入端;BP神经网络控制模块的输出端与功率开关管对象输入端相连,三个输入端的信号经BP神经网络控制模块计算后,输出至功率开关管对象,功率开关管对象的输出端与等效滤波器的输入端连接。
所述的BP神经网络控制模块为三层网络结构,分为输入层、隐含层和输出层。
所述的BP神经网络控制模块为DSP、FPGA或单片机。
一种光伏并网逆变器的控制方法,包括以下步骤:
(1)设置一个包括最大功率点跟踪模块、功率开关管对象、等效滤波器、锁相环、电网扰动测量模块、电流变送器、电压变送器和BP神经网络控制模块的光伏并网逆变器,公共电网电压分别与电压变送器和电网扰动测量模块的输入端相连接,电压变送器输出端连接至锁相环的输入端,锁相环输出的电网电压的频率与相位信号与光伏电池板的电压和电流经最大功率点跟踪模块后输出的电流信号相乘后作为BP神经网络控制模块的一个输入信号;
公共电网电压经过电网扰动测量模块后输出的电压信号作为BP神经网络控制模块的第二个输入信号;
馈入电网的电流经电流变送器后得到电流信号作为BP神经网络控制模块的第三个输入信号;
(2)BP神经网络控制模块的输出端与功率开关管对象输入端相连,三个输入端的信号经BP神经网络控制模块计算后,输出至功率开关管对象,功率开关管对象的输出信号受到公共电网的扰动后,经过等效滤波器,输出电流馈入公共电网。
所述最大功率点跟踪模块和锁相环的输出端输出的是光伏电池板的电压和电流经最大功率点跟踪模块后输出的电流信号与锁相环输出的电网电压的频率与相位信号相乘得到导师信号。
所述的电网扰动测量模块的输出信号为公共电网电压经过电网扰动测量模块后的电压信号。
所述的电流变送器的输出信号为馈入电网的电流流经电流变送器后产生的电流信号。
所述的光伏并网逆变器控制方法的整体过程为:
光伏电池板的电压UPV和电流IPV经最大功率点跟踪模块后输出IMPPT,IMPPT与锁相环的输出相乘得到导师信号IREF,所得到的导师信号IREF作为BP神经网络控制模块的一个输入量;公共电网电压UGrid分别与电压变送器、电网扰动测量模块的输入端相连接,电压变送器输出端连接至锁相环的输入端,电网扰动测量模块的输出UF连接到BP神经网络控制模块的另一个输入端;馈入电网的电流IGrid经电流变送器后得到I′Grid,作为BP神经网络控制模块的第三个输入,因此,本发明所采用的BP神经网络控制模块的输入信号矢量包含三个输入分量,即I′Grid,IREF,UF;BP神经网络控制模块的输出与功率开关管对象输入端相连;功率开关管对象的输出受到公共电网的扰动(等效为相加)后,经过等效滤波器模块,输出电流IGrid馈入公共电网。
其中:
最大功率点跟踪模块计算出当前的最大功率点输出电流IMPPT,锁相环模块计算出电网电压的频率与相位,最大功率点跟踪模块与锁相环模块的输出相乘后产生导师信号
电网扰动测量模块实时检测电网电压信号,采样后输出作为BP神经网络控制模块的一个输入UF。功率开关管对象是从具体的功率开关电路模块抽象出来的通用模型,该模型应适用于当前的各种逆变电路拓扑结构,功率开关管对象模块受BP神经网络控制模块输出量的控制。
等效滤波器模块对输出电流进行滤波,其模型等效为
所述BP神经网络控制模块是一个三层网络结构,分为输入层、隐含层和输出层,隐含层和输出层的激活函数为Sigmoid型函数
式中,μ0控制激活函数的平坦程度,μ1控制激活函数的水平偏值。
其中,输入层由3个神经元组成,隐含层由p个神经元组成,输出层由1个神经元组成,输入层至隐含层的连接权为
{wij},1,2,3;j=1,2,Λ,p
隐含层至输出层的连接权为
{vj1},j=1,2,Λ,p
输入层的输入向量为
X=[x1,x2,x3]=[I′Grid,IREF,UF]
隐含层第j个神经元的输入和输出分别为
bj=f(sj),j=1,2,Λ,p
输出层的输出为
所述BP神经网络控制模块模型,其输入层包括I′Grid,IREF,UF,其中I′Grid包含控制系统的输出信息;IREF包含控制系统的期望输出信息,如输出电流频率、相位、幅度;UF则包含公共电网的扰动信息。本发明逆变器同步控制方法,利用了BP神经网络控制模块的强非线性映射能力、高精度的非线性函数逼近能力,实现了光伏并网逆变器输出与公共电网的智能同步控制,控制过程具有在线学习、实时参数调节等智能控制特性。
本发明所设计的基于BP神经网络控制模块的光伏并网逆变器同步控制方法,BP神经网络控制模块的学习算法采用改进的EBP(误差反向传播学习算法):引入动量项可变速率学习算法,其工作原理是:根据梯度下降原则,调整BP神经网络控制模块的连接权系数,使代价函数快速收敛于极小值,算法在两次迭代运算的梯度方向相同时,说明下降慢,应加快学习速率(η),反之则说明下降过快,应减小学习速率,同时引入包含历史累积经验信息的动量项,最终加快收敛速度、避免系统震荡。采用的代价函数令w(k)为k时刻的连接权系数,η(k)为k时刻的学习速率,为k时刻的负梯度,则连接权系数调整算法为
上式中常量α为动量因子,0≤α<1,常量β为变速因子。在本算法中,学习速率在迭代过程中自适应进行调整,对不同的连接权系数进行不同的学习速率调整,使得代价函数在超曲面上不同方向按各自最合理的速率向极小点逼近,即控制系统输出与期望输出值的误差逼近0,从而实现光伏并网逆变器输出电流与电网同步。
本发明与现有技术相比的优点在于:
(1)利用了BP神经网络控制模块的强非线性映射能力、高精度的非线性函数逼近能力,可实现光伏并网逆变器输出与公共电网的智能同步控制,具有输出精度高、控制过程在线学习、实时参数调节等优点;
(2)由于输入输出之间的映射关联信息分布在连接权中,而通常连接权个数较多,即便系统中有个别神经元损坏,也只对输出产生较小的影响,因此系统具有更好的容错性;
(3)采用引入动量的可变速率学习算法,使系统具有快速收敛速性和很好的稳定性。
研究表明,神经网络能够逼近任意非线性系统,并且具有并行化实现、容错能力强、自组织、自学习等优点,因此神经网络在控制领域具有广泛的应用。由于电网是一个巨大而复杂的非线性系统,存在多种不确定因素,具有难以确切描述的非线性特性,光伏并网逆变器作为电网的有机组成单元,随着光伏并网发电系统规模的继续扩大,光伏并网逆变器的控制性能要求如控制精度、稳定性、容错能力等越来越高。针对线性化控制方法在光伏并网逆变器这种强非线性系统中存在的不足,本发明设计了这种基于BP神经网络控制模块的光伏并网逆变器及其同步控制方法。该逆变器及其控制方法与现有技术相比,具有更高的智能和更高的输出精度,并能适应各种电网环境,能提高光伏并网发电系统的稳定性和可靠性,具有广阔的应用前景。
附图说明
图1为本发明实施例中光伏并网控制器的结构及其与公共电网的连接示意框图;
图2为图1中BP神经网络控制模块的结构示意图;
图3为图1中BP神经网络控制模块单个神经元的结构简图;
图4为实施例中光伏并网逆变器输出电流、参考电流、电网电压波形图;
图5为实施例中电感值等于理论值时光伏并网逆变器输出电流波形及其频谱;
图6为实施例中电感值小于理论值33%时光伏并网逆变器输出电流波形及其频谱;
图7为实施例中电感值大于理论值33%时光伏并网逆变器输出电流波形及其频谱。
具体实施方式
下面结合附图和实施例对本发明内容作进一步的阐述,但不是对本发明的限定。
实施例:
如图1所示,一种光伏并网逆变器,包括最大功率点跟踪模块9、功率开关管对象4、等效滤波器2、锁相环(PLL)8、电网扰动测量模块5、电流变送器3、电压变送器6和BP(BackPropagation)神经网络控制模块7,电压变送器6的输出端连接至锁相环8的输入端;BP神经网络控制模块7分别与最大功率点跟踪模块9和锁相环8的输出端、电网扰动测量模块5的输出端、电流变送器3的输出端相连,作为BP神经网络控制模块7的三个输入端;BP神经网络控制模块7的输出端与功率开关管对象4输入端相连,三个输入端的信号经BP神经网络控制模块7计算后,输出至功率开关管对象4,功率开关管对象4的输出端与等效滤波器2的输入端连接。
应用时,公共电网1电压分别与电压变送器6、电网扰动测量模块5的输入端相连接;功率开关管对象4的输出信号受到公共电网的扰动后,经过等效滤波器2,输出电流馈入公共电网1。
所述的BP神经网络控制模块为三层网络结构,分为输入层、隐含层和输出层。
BP神经网络控制模块7为DSP(digital signal processor)微处理器、FPGA(Field-Programmable Gate Array)现场可编程门阵列或单片机。
上述光伏并网逆变器的控制方法,包括以下步骤:
(1)公共电网1电压分别与电压变送器6和电网扰动测量模块5的输入端相连接,电压变送器6输出端连接至锁相环8的输入端,锁相环8输出的电网电压的频率与相位信号与光伏电池板的电压和电流经最大功率点跟踪模块9后输出的电流信号相乘后作为BP神经网络控制模块7的一个输入信号;
公共电网1电压经过电网扰动测量模块5后输出的电压信号作为BP神经网络控制模块7的第二个输入信号;
馈入电网的电流经电流变送器3后得到电流信号作为BP神经网络控制模块7的第三个输入信号;
(2)BP神经网络控制模块7的输出端与功率开关管对象4输入端相连,三个输入端的信号经BP神经网络控制模块7计算后,输出至功率开关管对象4,功率开关管对象4的输出信号受到公共电网1的扰动后,经过等效滤波器2,输出电流馈入公共电网1。
最大功率点跟踪模块9和锁相环8的输出端输出的是光伏电池板的电压和电流经最大功率点跟踪模块9后输出的电流信号与锁相环8输出的电网电压的频率与相位信号相乘得到导师信号。
电网扰动测量模块5的输出信号为公共电网1电压经过电网扰动测量模块5后的电压信号。
电流变送器3的输出信号为馈入电网的电流流经电流变送器3后产生的电流信号。
如图1所示,光伏电池板的电压UPV和电流IPV经最大功率点跟踪模块9后输出IMPPT,IMPPT与锁相环8的输出相乘得到导师信号IREF,所得到导师信号IREF作为BP神经网络控制模块7的一个输入;公共电网1电压UGrid分别与电压变送器6、电网扰动测量模块5的输入端相连接,电压变送器6输出端连接至锁相环8的输入端,电网扰动测量模块5的输出UF连接到BP神经网络控制模块7的一个输入端;馈入电网的电流IGrid经电流变送器3后得到I′Grid,作为BP神经网络控制模块7的一个输入;BP神经网络控制模块7的输出与功率开关管对象4输入端相连;功率开关管对象4的输出受到公共电网1的扰动(等效为相加)后,经过等效滤波器2模块,输出电流IGrid馈入公共电网1。
最大功率点跟踪模块9负责计算当前的最大功率点输出电流IMPPT,锁相环8模块负责计算出电网电压的频率与相位,最后最大功率点跟踪模块9与锁相环8模块的输出相乘后产生导师信号在后续处理中用于代价函数的运算。电网扰动测量模块5实时检测电网电压信号,采样得到扰动信号后输出UF连接到BP神经网络控制模块7的一个输入。
如图2所示,虚线框内是单个神经元的结构简图,其中θ为阈值,输入信号经求和步骤输出n,f为激活函数,在本实施例中采用可微函数:Sigmoid函数。
如图3所示,BP神经网络控制模块7是一个三层网络结构,分为输入层、隐含层和输出层,输入层由三个神经元组成,隐含层由p个神经元组成,输出层由一个神经元组成,在一个实施例中,隐含层和输出层的激活函数为Sigmoid型函数μ0=0.5,μ1=0。
代价函数w(k)为k时刻的连接权系数,η(k)为k时刻的学习速率,为k时刻的负梯度,则连接权系数调整算法为
上式中常量α为动量因子,0≤α<1,常量β为变速因子。在本算法中,学习速率在迭代过程中自适应进行调整,对不同的连接权系数进行不同的学习速率调整,使得代价函数在超曲面上不同方向按各自最合理的速率向极小点逼近。在本实施例中,选取α=0.2,β=2,即连接权系数调整包含有历史累积经验信息的20%作为动量项,同时,算法在两次迭代运算的梯度方向相同时,说明下降慢,应加快学习速率(η),即λ=sgn[D(k)D(k-1)]=1,η(k)=βλη(k-1)=2η(k-1);反之则说明下降过快,应减小学习速率,即λ=sgn[D(k)D(k-1)]=-1,η(k)=βλη(k-1)=0.5η(k-1)。上述w(k)连接权系数调整方法用于调整输入层至隐含层的连接权{wij},(i=1,2,3;j=1,2,Λ,p)和隐含层至输出层的连接权{vj1},(j=1,2,Λ,p)
图4中Vgrid为电网电压波形,Iref为参考电流波形,Io为光伏并网逆变器输出的电流,由图4中可以看到Iref与Vgrid同频同相,Iref的幅度由当前电池板的最大功率点决定,图中Io对Iref进行跟踪,控制系统的目标是使Io=Iref,由仿真结果可以看到系统具有良好的跟踪性能。
图5、图6、图7显示了一个实施例中元器件误差对输出波形的影响,以电感为例,图中显示当电感设计实际值跟理论值有误差ΔL时对光伏并网逆变器输出的影响,在ΔL=±33%范围内,光伏并网逆变器输出电流失真度可控制在2%内,完全可以满足并网要求(THD<5%)。表明控制系统不依赖于精确的物理模型。
以上实施例显示和描述了本发明的基本原理、主要特征和本发明的优点,本行业的技术人员应当了解,本发明不局限于上述具体实施例的限制,上述实施例和说明书只是说明了发明的原理和特征,在不脱离本发明的基本精神和范围的前提下,本发明还会有各种变化和改进,这些将会落入保护范围,本发明要求保护范围由所附权利要求书进行界定。
Claims (3)
1.一种光伏并网逆变器的控制方法,其特征在于:包括以下步骤:
(1)设置一个包括最大功率点跟踪模块、功率开关管对象、等效滤波器、锁相环、电网扰动测量模块、电流变送器、电压变送器和用于同步控制的BP神经网络控制模块的光伏并网逆变器;
(2)公共电网(1)电压分别与光伏并网逆变器中的电压变送器和电网扰动测量模块的输入端相连接,电压变送器输出端连接至锁相环的输入端,锁相环输出的电网电压的频率与相位信号与光伏电池板的电压和电流经最大功率点跟踪模块后输出的电流信号相乘后作为BP神经网络控制模块的一个输入信号;
公共电网电压经过电网扰动测量模块后输出的电压信号作为BP神经网络控制模块的第二个输入信号;
馈入电网的电流经电流变送器后得到电流信号作为BP神经网络控制模块的第三个输入信号;
(3)BP神经网络控制模块的输出端与功率开关管对象输入端相连,三个输入信号经BP神经网络控制模块计算后,输出至功率开关管对象,功率开关管对象的输出信号受到公共电网的扰动后,经过等效滤波器,输出电流馈入公共电网;
所述BP神经网络控制模块的学习算法采用了改进的BP神经网络控制算法,即误差反向传播学习算法:在误差反向传播学习算法中,引入动量项可变速率学习算法,同时引入包含历史累积经验信息的动量项,
采用的代价函数令w(k)为k时刻的连接权系数,η(k)为k时刻的学习速率,为k时刻的负梯度,则连接权系数调整算法为:
上式中常量α为动量因子,0≤α<1,常量β为变速因子,学习速率在迭代过程中根据代价函数的负梯度和动量、变速因子的共同作用结果自适应进行调整,对不同的连接权系数进行不同的学习速率调整,使得代价函数在超曲面上不同方向按各自最合理的速率向极小点逼近,即控制系统输出与期望输出值的误差逼近0,从而实现光伏并网逆变器输出电流与电网同步;
最大功率点跟踪模块(9)输出端输出的是电流;
锁相环(8)的输出端输出的是电网电压的频率与相位信号;
将最大功率点跟踪模块(9)和锁相环(8)的输出端输出信号相乘得到导师信号;
电网扰动测量模块(5)的输出信号为公共电网(1)电压经过电网扰动测量模块(5)后的电压信号;
电流变送器(3)的输出信号为馈入电网的电流流经电流变送器(3)后产生的电流信号。
2.实现权利要求1控制方法的装置,包括最大功率点跟踪模块、功率开关管对象、等效滤波器、电网扰动测量模块、电流变送器和电压变送器,其特征是:还包括锁相环和BP神经网络控制模块,电压变送器的输出端连接至锁相环的输入端;BP神经网络控制模块分别与最大功率点跟踪模块和锁相环的输出端、电网扰动测量模块的输出端、电流变送器的输出端相连,作为BP神经网络控制模块的三个输入端;BP神经网络控制模块的输出端与功率开关管对象输入端相连,三个输入端的信号经BP神经网络控制模块计算后,输出至功率开关管对象,功率开关管对象的输出端与等效滤波器的输入端连接。
3.如权利要求2所述的装置,其特征在于:所述的BP神经网络控制模块是一个三层网络结构,分为输入层、隐含层和输出层,隐含层和输出层的激活函数为Sigmoid型函数
式中,μ0控制激活函数的平坦程度,μ1控制激活函数的水平偏值;
其中,输入层由3个神经元组成,隐含层由p个神经元组成,输出层由1个神经元组成,输入层至隐含层的连接权为
{wij},i=1,2,3;j=1,2,Λ,p
隐含层至输出层的连接权为
{vj1},j=1,2,Λ,p
输入层的输入向量为
X=[x1,x2,x3]=[I'Grid,IREF,UF]
隐含层第j个神经元的输入和输出分别为
bj=f(sj),j=1,2,Λ,p
输出层的输出为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210023332.2A CN102593862B (zh) | 2012-02-02 | 2012-02-02 | 一种光伏并网逆变器及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210023332.2A CN102593862B (zh) | 2012-02-02 | 2012-02-02 | 一种光伏并网逆变器及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102593862A CN102593862A (zh) | 2012-07-18 |
CN102593862B true CN102593862B (zh) | 2014-11-05 |
Family
ID=46482190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210023332.2A Expired - Fee Related CN102593862B (zh) | 2012-02-02 | 2012-02-02 | 一种光伏并网逆变器及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102593862B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293415B (zh) * | 2013-05-23 | 2015-04-08 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
CN103279794B (zh) * | 2013-06-06 | 2016-02-10 | 中国南方电网有限责任公司 | 电力通信网风险评估方法 |
CN103414203B (zh) * | 2013-06-27 | 2015-10-28 | 广西师范大学 | 基于李雅普诺夫指数变化的光伏发电孤岛检测方法及装置 |
CN105207246A (zh) * | 2014-06-17 | 2015-12-30 | 中央大学 | 太阳光能发电系统 |
CN104915195B (zh) * | 2015-05-20 | 2017-11-28 | 清华大学 | 一种基于现场可编程门阵列实现神经网络计算的方法 |
CN104810859B (zh) * | 2015-05-27 | 2017-04-26 | 哈尔滨工业大学 | 光伏并网逆变器自适应准prd控制方法 |
CN105259753A (zh) * | 2015-07-21 | 2016-01-20 | 湖南城市学院 | 一种优化方法、参数更新模块及控制装置 |
CN105137242B (zh) * | 2015-09-09 | 2018-04-13 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN105870972B (zh) * | 2016-06-16 | 2018-10-16 | 扬州华鼎电器有限公司 | 一种光伏微网pwm逆变器的智能控制系统 |
CN107706945A (zh) * | 2017-12-04 | 2018-02-16 | 河南城建学院 | 一种抑制逆变器并联系统扰动的系统 |
CN110502059B (zh) * | 2018-05-16 | 2024-03-05 | 湖南绿航物联网有限公司 | 一种太阳能摄像头的最大功率点跟踪装置及方法 |
CN114967822B (zh) * | 2022-05-27 | 2023-09-12 | 北京华能新锐控制技术有限公司 | 基于二进制非线性搜索的光伏电站fppt跟踪方法 |
CN117254586A (zh) * | 2023-09-14 | 2023-12-19 | 山东华科信息技术有限公司 | 一种分布式能源并网监测调控系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847876A (zh) * | 2010-05-28 | 2010-09-29 | 上海理工大学 | 一种三相光伏并网逆变系统 |
CN102142693A (zh) * | 2011-03-10 | 2011-08-03 | 西安交通大学 | 基于fpga的太阳能光伏并网逆变控制系统 |
CN201947196U (zh) * | 2011-04-12 | 2011-08-24 | 中国科学院广州电子技术研究所 | 一种基于最大功率点跟踪的光伏并网逆变器 |
CN102288820A (zh) * | 2011-08-05 | 2011-12-21 | 上海理工大学 | 基于锁相环和神经网络相结合的谐波检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100993108B1 (ko) * | 2008-05-30 | 2010-11-08 | 군산대학교산학협력단 | 전력품질개선 및 절전기능을 갖는 계통연계형 태양광발전시스템 |
-
2012
- 2012-02-02 CN CN201210023332.2A patent/CN102593862B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847876A (zh) * | 2010-05-28 | 2010-09-29 | 上海理工大学 | 一种三相光伏并网逆变系统 |
CN102142693A (zh) * | 2011-03-10 | 2011-08-03 | 西安交通大学 | 基于fpga的太阳能光伏并网逆变控制系统 |
CN201947196U (zh) * | 2011-04-12 | 2011-08-24 | 中国科学院广州电子技术研究所 | 一种基于最大功率点跟踪的光伏并网逆变器 |
CN102288820A (zh) * | 2011-08-05 | 2011-12-21 | 上海理工大学 | 基于锁相环和神经网络相结合的谐波检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102593862A (zh) | 2012-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102593862B (zh) | 一种光伏并网逆变器及其控制方法 | |
Hong et al. | Development of intelligent MPPT (maximum power point tracking) control for a grid-connected hybrid power generation system | |
OLiveira da Silva et al. | Feed‐forward DC‐bus control loop applied to a single‐phase grid‐connected PV system operating with PSO‐based MPPT technique and active power‐line conditioning | |
CN102496953B (zh) | 一种光伏发电微型电网系统及最大功率跟踪方法 | |
CN204858588U (zh) | 基于改进型模糊控制的光伏并网发电系统 | |
CN108336758A (zh) | 一种基于纹波关联法的光伏组件mppt算法 | |
CN102902298A (zh) | 基于分段模型的光伏阵列 mppt 控制器及控制方法 | |
CN114063443A (zh) | 改进bp整定分数阶pid的并网逆变器控制方法 | |
Naick et al. | Fuzzy logic controller based PV system connected in standalone and grid connected mode of operation with variation of load | |
CN102426293A (zh) | 基于神经网络最小方均根的apf谐波检测系统及检测方法 | |
Yong et al. | The MPPT control method by using BP neural networks in PV generating system | |
Zheng et al. | Application of fuzzy control in a photovoltaic grid-connected inverter | |
CN110518625B (zh) | 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法 | |
CN111799843A (zh) | 一种概率融合式光伏电站的多维全状态数据建模方法 | |
CN104953615B (zh) | 一种单级式z源光伏并网逆变器的统一控制器及控制方法 | |
CN105743120A (zh) | 单级式光伏z源逆变器变论域模糊控制mppt系统及控制方法 | |
CN112821448B (zh) | 一种将深度学习应用于微电网孤岛检测方法 | |
CN103532128B (zh) | 直流微电网中光伏发电系统的比例积分准谐振控制方法 | |
Xu et al. | A parameter identification model for the Photovoltaic grid-connected inverter | |
Long et al. | Data-driven hybrid equivalent dynamic modeling of multiple photovoltaic power stations based on ensemble gated recurrent unit | |
Akoubi et al. | Contribution on the Combination of Artificial Neural Network and Incremental Conductance Method to MPPT Control Approach | |
CN104795836A (zh) | 一种单相光伏并网发电检测系统及其非线性电流控制方法 | |
CN104467013B (zh) | 大型光伏电站并网逆变器有功外环控制方法及装置 | |
Belova et al. | Maximum power point tracking methods for the solar battery | |
Zhou et al. | Research on grid-connected photovoltaic inverter based on quasi-PR controller adjusting by dynamic diagonal recurrent neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 Termination date: 20210202 |