CN103294896A - 一种基于主成分分析的光伏电站标杆光伏组件选择方法 - Google Patents

一种基于主成分分析的光伏电站标杆光伏组件选择方法 Download PDF

Info

Publication number
CN103294896A
CN103294896A CN2013101688014A CN201310168801A CN103294896A CN 103294896 A CN103294896 A CN 103294896A CN 2013101688014 A CN2013101688014 A CN 2013101688014A CN 201310168801 A CN201310168801 A CN 201310168801A CN 103294896 A CN103294896 A CN 103294896A
Authority
CN
China
Prior art keywords
photovoltaic module
photovoltaic
mark post
matrix
major component
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
Application number
CN2013101688014A
Other languages
English (en)
Other versions
CN103294896B (zh
Inventor
路亮
汪宁渤
马彦宏
何世恩
刘光途
王小勇
赵龙
丁坤
王定美
周强
周识远
李津
马明
张金平
黄蓉
吕清泉
张建美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Wind Power Technology Center of Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201310168801.4A priority Critical patent/CN103294896B/zh
Publication of CN103294896A publication Critical patent/CN103294896A/zh
Application granted granted Critical
Publication of CN103294896B publication Critical patent/CN103294896B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于主成分分析的光伏电站标杆光伏组件选择方法，包括：获取光伏电站内每台光伏组件的历史出力曲线；基于光伏电站内每台光伏组件的历史出力曲线，建立光伏组件出力矩阵
Figure DEST_PATH_IMAGE002
；m为光伏电站内光伏组件的台数，n为每台光伏组件的功率样本数，
Figure DEST_PATH_IMAGE004
表示第i台光伏组件、第j个时刻点的实际出力；对光伏组件出力矩阵
Figure DEST_PATH_IMAGE002A
进行预处理后，对其进行主成分分析；将具有类别区分度的主成分作为标杆光伏组件选择的依据，进行标杆光伏组件选择。本发明所述基于主成分分析的光伏电站标杆光伏组件选择方法，可以克服现有技术中选择效率低和选择效果差等缺陷，以实现选择效率高和选择效果好的优点。

Description

一种基于主成分分析的光伏电站标杆光伏组件选择方法
技术领域
本发明涉及光伏发电技术领域，具体地，涉及一种基于主成分分析的光伏电站标杆光伏组件选择方法。
背景技术
为统计光伏电站的理论出力，一般需要光伏电站选择标杆光伏组件（逆变器），在限出力的情况下，应尽量保证标杆光伏组件不限出力，因此便出现了如何进行光伏电站的标杆光伏组件选择这一全新问题。标杆光伏组件的选择要具有代表性，能表征光伏电站的整体运行状况，客观反映该光伏电站的年理论发电量等情况。
目前，由于我国百万千瓦级光伏发电基地尚在建设起步阶段，因此尚未形成完整有效的光伏电站标杆光伏组件选择标准。
在实现本发明的过程中，发明人发现目前没有出现风电场标杆光伏组件选择方法的相关研究或技术。
发明内容
本发明的目的在于，针对上述问题，提出一种基于主成分分析的光伏电站标杆光伏组件选择方法，以实现选择效率高和选择效果好的优点。
为实现上述目的，本发明采用的技术方案是：一种基于主成分分析的光伏电站标杆光伏组件选择方法，包括：
a、获取光伏电站内每台光伏组件的历史出力曲线；
b、基于光伏电站内每台光伏组件的历史出力曲线，建立光伏组件出力矩阵                                               
Figure 2013101688014100002DEST_PATH_IMAGE002
：
Figure 2013101688014100002DEST_PATH_IMAGE004
                                            （1）；
m为光伏电站内光伏组件的台数，n为每台光伏组件的功率样本数，
Figure 2013101688014100002DEST_PATH_IMAGE006
表示第i台光伏组件、第j个时刻点的实际出力；
c、对光伏组件出力矩阵
Figure 2013101688014100002DEST_PATH_IMAGE002A
进行预处理后，对其进行主成分分析；
d、将具有类别区分度的主成分作为标杆光伏组件选择的依据，进行标杆光伏组件选择。
进一步地，所述步骤c具体包括：
c1、数据预处理，即将矩阵
Figure 2013101688014100002DEST_PATH_IMAGE008
减去均值矩阵处理成矩平矩阵
Figure 2013101688014100002DEST_PATH_IMAGE010
：
Figure 2013101688014100002DEST_PATH_IMAGE012
，
其中，
Figure 2013101688014100002DEST_PATH_IMAGE014
；
c2、基于上述数据预处理结果，进行协方差计算，得到实对称矩阵
Figure 2013101688014100002DEST_PATH_IMAGE016
：
Figure 2013101688014100002DEST_PATH_IMAGE018
，
Figure 2013101688014100002DEST_PATH_IMAGE020
为的转秩；
c3、求实对称阵
Figure 2013101688014100002DEST_PATH_IMAGE016A
的特征向量
Figure 2013101688014100002DEST_PATH_IMAGE024
和特征值，满足
Figure 2013101688014100002DEST_PATH_IMAGE028
，其中
Figure 2013101688014100002DEST_PATH_IMAGE030
（
Figure 2013101688014100002DEST_PATH_IMAGE032
）           （3），
矩阵
Figure 2013101688014100002DEST_PATH_IMAGE034
是正交矩阵，矩阵
Figure 2013101688014100002DEST_PATH_IMAGE034A
的第
Figure 2013101688014100002DEST_PATH_IMAGE036
列元素就是特征值
Figure 2013101688014100002DEST_PATH_IMAGE038
对应的特征向量；
c4、根据上述实对称阵
Figure 2013101688014100002DEST_PATH_IMAGE016AA
的特征向量
Figure 2013101688014100002DEST_PATH_IMAGE024A
和特征值，得到每个特征向量的方差贡献率和前几个特征向量的累计方差贡献率，，得到描述风机功率的主成分。
进一步地，在步骤c4中，所述计算光伏电站的主成分的操作，具体包括：
取累计方差贡献率达85-95%的前p个较大的特征值
Figure 2013101688014100002DEST_PATH_IMAGE040
所对应的第一、第二、…、第个特征向量为主成分；
每个特征向量的方差贡献率的定义为：
Figure 2013101688014100002DEST_PATH_IMAGE044
                                                   （4）；
前p个特征向量的累计方差贡献率的定义为：
Figure 2013101688014100002DEST_PATH_IMAGE046
                                                     （5）。
进一步地，所述步骤d具体包括：
d1、如果某一主成分的分量呈正、负相间的分布形式，则应在每个数值区间内均有标杆光伏组件；
d2、提取排序后的主成分进行分析，并根据分析结果，对每个数值区间内的标杆光伏组件进行设置。
进一步地，所述步骤d2具体包括：
按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件。
进一步地，所述按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件操作，具体包括：
按特征值由大到小，依次检查每个主成分的类别区分度；
如果某一主成分的各分量呈现出良好的类别区分度，则应在每个类别内选择1-2台光伏组件作为该风电场的标杆光伏组件；
对于包能量次多的第二个主成分，各光伏组件表现出不同的数值，应按二个分量划分标杆光伏组件，对于主成分分量大于零、小于零和接近零的光伏组件均应选择1-2台作为标杆光伏组件。
本发明各实施例的基于主成分分析的光伏电站标杆光伏组件选择方法，由于包括：获取光伏电站内每台光伏组件的历史出力曲线；基于光伏电站内每台光伏组件的历史出力曲线，建立光伏组件出力矩阵
Figure DEST_PATH_IMAGE002AA
；m为光伏电站内光伏组件的台数，n为每台光伏组件的功率样本数，
Figure DEST_PATH_IMAGE006A
表示第i台光伏组件、第j个时刻点的实际出力；对光伏组件出力矩阵进行预处理后，对其进行主成分分析；将具有类别区分度的主成分作为标杆光伏组件选择的依据，进行标杆光伏组件选择；通过对百万千瓦级光伏发电基地中光伏电站各光伏组件的运行功率数据进行降维度分析，可以得到最具代表性的标杆光伏组件，从而实现标杆光伏组件的选择；从而可以克服现有技术中选择效率低和选择效果差的缺陷，以实现选择效率高和选择效果好的优点。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明基于主成分分析的光伏电站标杆光伏组件选择方法的流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
针对现有技术中存在的问题，根据本发明实施例，如图1所示，提出了一种基于主成分分析（PCA，或称经验正交分解，即EOF）的光伏电站标杆光伏组件选择方法，通过对百万千瓦级光伏发电基地中光伏电站各光伏组件的运行功率数据进行降维度分析，可以得到最具代表性的标杆光伏组件，从而实现标杆光伏组件的选择。
参见图1，本实施例的基于主成分分析的光伏电站标杆光伏组件选择方法，具体包括以下步骤：
⑴获得光伏电站内每台光伏组件（逆变器）的历史出力曲线，为保证选择的普适性，建议数据时间间隔为5分钟，时间长度超过6个月。
⑵设光伏电站内有m台光伏组件（逆变器），每台光伏组件有n个功率样本，则可以构成m行n列的矩阵
Figure DEST_PATH_IMAGE047
：
Figure DEST_PATH_IMAGE048
                                             （1）；
其中，
Figure DEST_PATH_IMAGE049
表示第i台光伏逆变器，第j个时刻点的实际出力。
⑶数据预处理，即将矩阵减去均值矩阵处理成矩平矩阵：
Figure DEST_PATH_IMAGE050
 ；
其中，
Figure DEST_PATH_IMAGE051
。
⑷计算协方差矩阵：
Figure DEST_PATH_IMAGE052
；
为
Figure DEST_PATH_IMAGE054
的转秩，由矩阵理论可知
Figure DEST_PATH_IMAGE055
为实对称矩阵。
⑸求实对称阵
Figure DEST_PATH_IMAGE055A
的特征向量
Figure DEST_PATH_IMAGE024AA
和特征值
Figure DEST_PATH_IMAGE026AA
，满足
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE057
（
Figure DEST_PATH_IMAGE058
）         （3）；
矩阵
Figure DEST_PATH_IMAGE034AA
是正交矩阵，矩阵
Figure DEST_PATH_IMAGE034AAA
的第
Figure DEST_PATH_IMAGE036A
列元素就是特征值
Figure DEST_PATH_IMAGE059
对应的特征向量。
⑹计算每个特征向量的方差贡献率；
⑺计算主成分：按特征值由大到小将特征向量进行排序，累计方差贡献率大于95%的前n个特征向量为主成分；
一般取累计方差贡献率达85-95%的前p个较大的特征值所对应的第一、第二、…、第
Figure DEST_PATH_IMAGE061
个特征向量为主成分。每个特征向量的方差贡献率的定义为：
Figure DEST_PATH_IMAGE062
                                                      （4）；
前p个特征向量的累计方差贡献率的定义为：
Figure DEST_PATH_IMAGE063
                                                  （5）。
前几项特征向量（即主成分）最大限度的表征了光伏电站光伏组件出力的分布情况，如特征向量的各分量均为同一符号，那么这一特征向量所反映的是该光伏电站各光伏组件出力变化基本一致；如果某一主成分的分量呈正、负相间的分布形式，则这一特征向量代表光伏电站各光伏组件在该投影空间中表现出不同的特性，因此为保证标杆光伏组件的代表性，应在每个数值区间内均有标杆光伏组件。
⑻根据计算所得主成分，按区分度较好的特征向量进行标杆光伏组件的选择。
在步骤⑻中，需要按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件。这里，按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件的操作，具体包括以下两个方面：
一方面，对于包含能量最多的第一个主成分上，检查各光伏组件对应的数值是否有区分度，如有区分度，则跳到下一步；如数值都比较接近，区分度不明显，则检查第二个特征分量，以此类推。一般情况下，包含能量最多的前三个特征分量以及足够。
另一方面，对于选择出的主成分，如各光伏组件在该向量投影后表现出不同的数值，则应在每个数值区间内选择1-2台光伏组件作为标杆光伏组件，这样选出的标杆光伏组件能表征整个光伏电站运行的平均水平。
本发明上述各实施例的基于主成分分析的光伏电站标杆光伏组件选择方法，将对日后光伏电站标杆光伏组件起到指导作用。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，包括：
a、获取光伏电站内每台光伏组件的历史出力曲线；
b、基于光伏电站内每台光伏组件的历史出力曲线，建立光伏组件出力矩阵                                               
Figure 2013101688014100001DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE004
                      （1）；
m为光伏电站内光伏组件的台数，n为每台光伏组件的功率样本数，
Figure DEST_PATH_IMAGE006
表示第i台光伏组件、第j个时刻点的实际出力；
c、对光伏组件出力矩阵
Figure DEST_PATH_IMAGE002A
进行矩平化预处理；
d、计算处理后矩阵的协方差矩阵；
e、求取协方差矩阵的特征值和特征向量
f、按特征值由大到小将特征向量进行排序，取累计方差贡献率达85—95%的特征值所对应的特征向量为主成分；
g、将具有类别区分度的主成分作为标杆风机选择的依据，进行标杆风机选择。
2.根据权利要求1所述的基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，所述步骤c具体包括：
c1、数据预处理，即将矩阵
Figure DEST_PATH_IMAGE008
减去均值矩阵处理成矩平矩阵
Figure DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE012
，
其中，
Figure DEST_PATH_IMAGE014
；
c2、基于上述数据预处理结果，进行协方差计算，得到实对称矩阵
Figure DEST_PATH_IMAGE016
：
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE020
为
Figure DEST_PATH_IMAGE022
的转秩；
c3、求实对称阵
Figure DEST_PATH_IMAGE016A
的特征向量
Figure DEST_PATH_IMAGE024
和特征值
Figure DEST_PATH_IMAGE026
，满足
Figure DEST_PATH_IMAGE028
，其中
Figure DEST_PATH_IMAGE030
（
Figure DEST_PATH_IMAGE032
）         （3），
矩阵
Figure DEST_PATH_IMAGE034
是正交矩阵，矩阵
Figure DEST_PATH_IMAGE034A
的第
Figure DEST_PATH_IMAGE036
列元素就是特征值
Figure DEST_PATH_IMAGE038
对应的特征向量；
c4、根据上述实对称阵
Figure DEST_PATH_IMAGE016AA
的特征向量
Figure DEST_PATH_IMAGE024A
和特征值
Figure DEST_PATH_IMAGE026A
，得到每个特征向量的方差贡献率和前几个特征向量的累计方差贡献率，，得到描述风机功率的主成分。
3.根据权利要求2所述的基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，在步骤c4中，所述计算光伏电站的主成分的操作，具体包括：
取累计方差贡献率达85-95%的前p个较大的特征值
Figure DEST_PATH_IMAGE040
所对应的第一、第二、…、第
Figure DEST_PATH_IMAGE042
个特征向量为主成分；
每个特征向量的方差贡献率的定义为：
Figure DEST_PATH_IMAGE044
                             （4）；
前p个特征向量的累计方差贡献率的定义为：
Figure DEST_PATH_IMAGE046
                              （5）。
4.根据权利要求2或3所述的基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，所述步骤d具体包括：
d1、如果某一主成分的分量呈正、负相间的分布形式，则应在每个数值区间内均有标杆光伏组件；
d2、提取排序后的主成分进行分析，并根据分析结果，对每个数值区间内的标杆光伏组件进行设置。
5.根据权利要求4所述的基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，所述步骤d2具体包括：
按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件。
6.根据权利要求5所述的基于主成分分析的光伏电站标杆光伏组件选择方法，其特征在于，所述按特征值由大到小，依次选择具有类别区分度的主成分，在具有类别区分度的主成分的每个类别中，选择相应的光伏组件作为标杆光伏组件的操作，具体包括：
按特征值由大到小，依次检查每个主成分的类别区分度；
如果某一主成分的各分量呈现出良好的类别区分度，则应在每个类别内选择1-2台光伏组件作为该风电场的标杆光伏组件；
对于包能量次多的第二个主成分，各光伏组件表现出不同的数值，应按二个分量划分标杆光伏组件，对于主成分分量大于零、小于零和接近零的光伏组件均应选择1-2台作为标杆光伏组件。
CN201310168801.4A 2013-05-09 2013-05-09 一种基于主成分分析的光伏电站标杆光伏组件选择方法 Expired - Fee Related CN103294896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310168801.4A CN103294896B (zh) 2013-05-09 2013-05-09 一种基于主成分分析的光伏电站标杆光伏组件选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310168801.4A CN103294896B (zh) 2013-05-09 2013-05-09 一种基于主成分分析的光伏电站标杆光伏组件选择方法

Publications (2)

Publication Number Publication Date
CN103294896A true CN103294896A (zh) 2013-09-11
CN103294896B CN103294896B (zh) 2016-08-17

Family

ID=49095748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310168801.4A Expired - Fee Related CN103294896B (zh) 2013-05-09 2013-05-09 一种基于主成分分析的光伏电站标杆光伏组件选择方法

Country Status (1)

Country Link
CN (1) CN103294896B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200001A (zh) * 2014-07-23 2014-12-10 清华大学 标杆风机的选取方法
CN106780147A (zh) * 2016-12-29 2017-05-31 南京天谷电气科技有限公司 一种面向区域的风资源评估测风塔选址优化装置及方法
CN109039280A (zh) * 2018-07-02 2018-12-18 福建农林大学 基于非主成分数据特征的光伏阵列故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5419782A (en) * 1993-05-11 1995-05-30 Texas Instruments Incorporated Array of solar cells having an optically self-aligning, output-increasing, ambient-protecting coating
WO2011117388A1 (en) * 2010-03-26 2011-09-29 Philip Morris Products S.A. Method of molecular marker selection
CN102590030A (zh) * 2012-01-18 2012-07-18 浙江大学 基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5419782A (en) * 1993-05-11 1995-05-30 Texas Instruments Incorporated Array of solar cells having an optically self-aligning, output-increasing, ambient-protecting coating
WO2011117388A1 (en) * 2010-03-26 2011-09-29 Philip Morris Products S.A. Method of molecular marker selection
CN102590030A (zh) * 2012-01-18 2012-07-18 浙江大学 基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A.C. CADAVID，ET AL: "《Principal Components and Independent ComponentAnalysis of Solar and Space Data》", 《SOLAR PHYSICS》, vol. 248, no. 2, 30 April 2008 (2008-04-30) *
周痒等: "《井巷通风网路解算及风机最优化选择》", 《中国矿山工程》, no. 2, 31 December 1981 (1981-12-31) *
张鹏: "《基于主成分分析的综合评价研究》", 《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑（经济政治与法律）》, 30 April 2004 (2004-04-30) *
王守相，张娜: "《基于灰色神经网络组合模型的光伏短期出力预测》", 《电力系统自动化》, vol. 36, no. 19, 10 October 2010 (2010-10-10) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200001A (zh) * 2014-07-23 2014-12-10 清华大学 标杆风机的选取方法
CN104200001B (zh) * 2014-07-23 2017-09-22 清华大学 标杆风机的选取方法
CN106780147A (zh) * 2016-12-29 2017-05-31 南京天谷电气科技有限公司 一种面向区域的风资源评估测风塔选址优化装置及方法
CN109039280A (zh) * 2018-07-02 2018-12-18 福建农林大学 基于非主成分数据特征的光伏阵列故障诊断方法

Also Published As

Publication number Publication date
CN103294896B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN109103926B (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
Abuella et al. Solar power forecasting using support vector regression
Wu et al. Power loss comparison of single-and two-stage grid-connected photovoltaic systems
Zhou et al. Optimal photovoltaic array configuration under Gaussian laser beam condition for wireless power transmission
CN106992523B (zh) 一种用于含光伏和热负荷的电力系统的潮流计算方法
Nguyen Matlab/Simulink based modeling to study effect of partial shadow on solar photovoltaic array
CN103268573B (zh) 一种基于主成分分析的风电场标杆风机选择方法
Tiwari et al. Short term solar irradiance forecast using numerical weather prediction (NWP) with gradient boost regression
Soni et al. Techno-economic parametric assessment of solar power in India: A survey
CN108053077A (zh) 一种基于区间二型t-s模糊模型的短期风速预测方法与系统
CN103294896A (zh) 一种基于主成分分析的光伏电站标杆光伏组件选择方法
Liu et al. On the methodology of energy yield assessment for one-Sun tandem solar cells
Demircan et al. Artificial bee colony-based GMPPT for non-homogeneous operating conditions in a bifacial CPVT system
JP2019091335A (ja) 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム
Babar et al. Comparison of artificial bee colony algorithm with other algorithms used for tracking of maximum power point of photovoltaic arrays
Velkovski et al. Application of Incremental Conductance MPPT method for a photovoltaic generator in LabView
Sowthily et al. Detection and classification of faults in photovoltaic system using random forest algorithm
Nassar-Eddine et al. Parameter extraction methods of thin film photovoltaic panel using five enhanced models
CN113033136A (zh) 简化的光伏电池物理参数提取优化方法及系统
Jumaat et al. Modeling of 120W Monocrystalline Photovoltaic Module Using MATLAB Simulink
CN112084703A (zh) 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法
Park et al. Mathematical consideration on PV cell modeling
Chen et al. Electricity market nash-cournot equilibrium analysis with high proportion of gas-fired generators
Wang et al. Toward multiple maximum power point estimation of photovoltaic systems based on semiconductor theory
Bakkar et al. Photovoltaic maximum power point grid connected based on power conditioning technique employing fuzzy controller

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: 20160817

Termination date: 20190509