CN103399491A - 光伏发电系统光伏组件机理模型参数辨识方法 - Google Patents
光伏发电系统光伏组件机理模型参数辨识方法 Download PDFInfo
- Publication number
- CN103399491A CN103399491A CN2013103399697A CN201310339969A CN103399491A CN 103399491 A CN103399491 A CN 103399491A CN 2013103399697 A CN2013103399697 A CN 2013103399697A CN 201310339969 A CN201310339969 A CN 201310339969A CN 103399491 A CN103399491 A CN 103399491A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic module
- photovoltaic
- mechanism model
- matrix
- parameter
- 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
Images
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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明提出一种光伏发电系统光伏组件机理模型参数辨识方法,包括步骤:搭建光伏组件机理模型并对实际光伏组件进行模拟;以上述建立的模型作为研究对象,根据光伏组件已知的实际工程参数得到光伏组件的最大功率点信息,推导出机理模型中待辨识的未知参数,即光伏电池串联电阻Rs、曲线拟合系数A之间的关系,并利用A表示Rs;采用修正阻尼最小二乘法对参数A进行辨识。本发明的光伏发电系统光伏组件机理模型参数辨识方法,减少了待辨识参数的数目,提高了系统参数辨识的精度。
Description
技术领域
本发明涉及电网分析计算领域,具体涉及一种光伏发电系统光伏组件机理模型参数辨识方法。
背景技术
近年来,大规模光伏发电系统的迅速发展,必然会对电力系统产生巨大影响。而光伏电池是光伏发电系统中光伏阵列的重要组成部分,光伏组件输出特性会直接影响整个光伏发电系统的整体输出特性,所以建立能够准确描述光伏组件输出特性的模型是开展光伏系统对电力系统影响分析等相关研究及仿真的基础。
现阶段在光伏组件模型方面,归纳起来主要有三种模型:光伏组件U-I特性模型(机理模型),工程用简化模型,考虑部分阴影遮挡的光伏组件模型。其中,机理模型由于概念清楚,特性与实测更一致,因此为更多数研究者所接受。
在实际情况下,光伏模块生产商只为用户提供标准测试条件下的短路电流Isc,开路电压Uoc,最大功率点输出电压Um,输出电流Im及开路电压温度系数Kv,短路电流温度系数Ki。而光伏组件的机理模型需要的是标准测试条件下的短路电流Isc,开路电压Uoc,短路电流温度系数Ki、串联电阻Rs等参数,二者的参数概念并不对应。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此,本发明的一个目的在于提出一种难度较小,准确率较高的光伏发电系统光伏组件机理模型参数辨识方法。
根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法,包括以下步骤:S1.搭建光伏组件机理模型并对实际光伏组件进行模拟;S2.以所述模型作为研究对象,根据所述光伏组件已知的实际工程参数得到所述光伏组件的最大功率点信息,推导出所述机理模型中待辨识的未知参数,即光伏电池串联电阻Rs、曲线拟合系数A之间的关系,并利用所述曲线拟合系数A表示所述光伏电池串联电阻Rs;以及S3.采用修正阻尼最小二乘法对所述参数曲线拟合系数A进行辨识。
优选地,根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法,所述步骤S2进一步包括步骤:根据下列公式计算所述光伏组件机理模型中的光伏组件输出功率为: 其中,V为输出电压,I为输出电流,Ipv为光伏电流,I0为二极管饱和电流,Ns为光伏电池串联个数,q=1.6*10-19C是电子电荷,A是曲线拟合系数,K=1.38*10-23J/K是波尔兹曼常数,RS是光伏电池串联电阻;得到 其中,Pm是最大功率点功率,Vm是最大功率点电压,Im是最大功率点电流;将所述Pm进一步变换得到:
优选地,根据本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法,所述步骤S3进一步包括:S301.令待辨识的参数组成待辨识参数向量α,并设定向量α初值α0、阻尼因子λ、二分法常数β、最大误差值Jmax、最大迭代值MaxTimes、收敛指标ε2和收敛指标ε3,令迭代次数k=0;S302.读入模型输入[T,G,V],实际光伏组件最大功率点功率及电压Pm,Um,其中T为光伏组件表面温度,G为辐照度,V为光伏组件的发电电压;S303.计算目标函数J(α)=∫(Yr-YM)Tw(Yr-YM)dt,其中,Yr为实际组件最大功率点功率及电压,YM为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量,w为观测加权矩阵;S304.判断是否同时满足J(α)>Jmax和k<MaxTimes,如果同时满足J(α)>Jmax和k<MaxTimes,则执行S305,否则,执行S318;S305.计算雅克比矩阵并分别根据公式 和 计算矩阵H和矩阵g;S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ;S307.判断加入阻尼因子λ的矩阵H是否可逆,如果加入阻尼因子λ的矩阵H可逆,则执行S308,否则,执行S312;S308.利用公式p=-H-1g计算方向矩阵p;S309.判断gTp>0是否成立,如果gTp>0成立,则执行S312,否则,执行S310;S310.采用重复二等分的方法确定h,使h满足J(αk+hp)<J(αk)+2βhgTp,并令Δα=hp;S311.令λ=λ/4,执行S315;S312.判断矩阵g的最大模分量是否小于等于设定阈值ε1,如果矩阵g的最大模分量|gl|小于等于设定阈值,则执行S318,否则,执行S313,其中,gi为向量g中的元素,n为向量g的维数;S313.确定h,使得h满足J(αk+hgl)<J(αk),并令Δα=hp;S314.令λ=λ/4;S315.判断α的变化量αk+1-αk是否小于收敛指标ε2或者目标函数J的变化量J(αk+1)-J(αk)是否小于收敛指标ε3,如果是,则执行S316,否则,执行S318;S316.令αk+1=αk+Δα,且k=k+1;S317.检验αk+1的合理性,当αk+1在设定的参数范围内时,则认为αk+1是合理的,否则,用设定值替代αk+1,之后返回S302进行下一步迭代;S318.停止迭代;以及S319.输出结果。
本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法,减少了待辨识参数的数目,提高了系统参数辨识的精度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是光伏组件机理模型原理示意图;
图2是本发明实施例的光伏发电系统光伏组件机理模型参数辨识方法的流程图;和
图3是图2中步骤S3的详细流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
针对背景技术中所述现状,本发明提出了一种光伏发电系统光伏组件机理模型参数辨识方法,减少了待辨识参数的数目,提高了系统参数辨识的精度。
该方法的核心思想为:首先,搭建一个光伏组件机理模型对实际光伏组件进行模拟,然后,以该模型作为研究对象,经过理论推导计算,导出了机理模型中待辨识的未知参数——光伏电池串联电阻Rs、曲线拟合系数A之间的关系。利用曲线拟合系数A表示光伏电池串联电阻Rs,成功地减少了需辨识的机理模型参数的数目;最后,通过光伏组件已给出的工程参数,采用修正阻尼最小二乘法进行辨识。采用修正阻尼最小二乘法可有效地避免收敛到某一鞍点的情况,确保最后收敛到至某一局部极小值,有利于解决参数辨识中的收敛性和多值性问题,提高了光伏系统参数辨识的精度和扩大了收敛范围。仿真结果也证明了该辨识方法的正确性和有效性。
为使本领域技术人员更好地理解本发明,发明人先对光伏组件机理模型的建模做背景和原理等做铺垫,然后再详细叙述具体实施例。
1.光伏组件机理模型原理
由于并联电阻Rp数值非常大,可以近似看做无穷大,可以忽略Rp对光伏组件输出特性的影响。考虑光照强度和温度变化,光伏组件机理模型的输出特性可描述为
式中V为输出电压,I为输出电流,Ipv为光伏电流,I0为二极管饱和电流,Vocn为标准温度下开路电压,Iscn为标准温度下短路电流,Ns为光伏电池串联个数,q=1.6*10-19(C)是电子电荷,A是曲线拟合系数,K=1.38*10-23(J/K)是波尔兹曼常数,Tn是额定电池温度,RS是组件串联电阻,Eg是带隙电压,G是光照强度(W/m2),KI(A/SEC)是短路电流温度系数。
2.发明的实施方式—机理模型参数辨识方法
本发明的辨识方法的整体思路为总体测辨法,其基本思想是将光伏组件作为整体,从组件的实际工程参数得到光伏组件的最大功率点信息,在第一节建立的光伏组件模型基础上,根据最大功率点信息辨识出机理模型参数。
2.1光伏组件模型参数
对光伏组件模型参数分类得到下表:
表1.光伏组件参数分类表
已知常数 | 工程参数 | 机理模型参数 |
标准辐照度Gn | 标况短路电流Iscn | 标况短路电流Iscn |
标准温度Tn | 标况开路电压Vocn | 标况开路电压Vocn |
波尔兹曼常数K | 最大功率电压Vm | 短路电流温度系数Ki |
电子电荷量q | 最大功率电流Im | 光伏电池串联电阻Rs |
带隙电压Eg | 最大功率Pm | 曲线拟合系数A |
开路电压温度系数Kv | 电池串联个数Ns | |
短路电流温度系数Ki |
其中,光伏电池串联电阻Rs,曲线拟合系数A为未知参数。
2.2光伏组件机理模型简化参数辨识策略
由上表可知,机理模型待辨识的参数为光伏电池串联电阻Rs、曲线拟合系数A这两个参数。但由于工程参数只能提供组件最大功率点信息,且只能根据最大功率点信息去辨识机理模型参数,信息量较少,所以为了使辨识精度提高,可以通过计算推导导出Rs与A之间的代数关系,从而减少需辨识的参数。
由2.1节光伏组件机理模型第一个公式得到光伏组件输出功率公式:
通过工程参数最大功率点功率Pm,最大功率点电压Vm,最大功率点电流Im可以得到如下公式:
将(3)式进行一定的变换得到:
如(4)式给A一个值,则能够确定唯一的Rs值。所以只需单独对参数A进行辨识即可得到与组件最大功率点拟合的较好的参数A与Rs值。
2.3修正阻尼最小二乘法(Modified Damped Least Square,MDLS)
2.3.1基本原理
由于光伏组件机理模型非线性程度较高,不能用显式表达出来。所以借助如下函数来描述:假定用具有k个参数αj(j=1,…,k)的模型来拟合n个数据点(xi,yi),i=1,…,n则该模型为:y(x)=y(x;α1,α2,…,αk)。其中,xi,yi为观测值,令α=[α1,α2…αk]T为系统模型的待辨识参数向量。
对于光伏组件机理模型的辨识,有α=[A],模型输入U=[T,G,V],其中T为光伏组件表面温度,G为辐照度,V为光伏组件的发电电压,模型输出Y=[Pmax,Umax]。
定义目标函数如下:
J(α)=∫(Yr-YM)Tw(Yr-YM)dt (5)
其中,Yr=[Pm,Um]为实际组件最大功率点功率及电压,YM=[Pmax,Umax]为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量,w为观测加权矩阵。
将(2)式对U求偏导得
令 得
上述U对应模型输出P-V曲线中最大功率点的电压值即Umax。
将(7)式中的U代入(2)式得到
其中,P对应模型输出最大功率点功率值即Pmax。
将YM线性化展开成泰勒级数并略去高阶项,得
令Δα=α-α0,并对线性化后的J(α)求极小,得到
其中,
参数估计值 其中K为步长矩阵。
对(10)中矩阵H进行修正,对于初值αk按下式计算其修正方向:
其中λk>0,为加入阻尼因子,这样当H矩阵奇异或病态时,修正后的矩阵可能仍然能提供一个下降方向。按修正后的方法计算出Δαk,再按如下方法求得实际修正量:
其中γk是使:
成立的最小正整数。其中0<γ<1为控制参数。按照实际修正量修正后再进行下一次迭代,直至收敛。
如果矩阵也奇异,则按下述方向P=(0,...0,gl,0,...0)T进行线性搜索找到一个Δαk使得J(α)下降,其中gl为g中最大值。有文献指出,这一方向对于J(α)在αk处一定是下降的。同时将阻尼系数增加四倍,以改善下一次H矩阵的特性。
由(13)式得到的修正量Δα确保了J(α)按下降方向变化,而不仅仅是J(Δα)最小。这样就避免了因为初始值偏差太大,而导致参数发散。
由以上介绍可见,由于修正阻尼最小二乘法是在最小二乘法和最速下降法之间取某种插值,它力图以最大的步长前进,同时又能紧靠负梯度方向,这样既能保证迭代的收敛又能保证较快迭代速度。在实际计算中也确实证实了这一点,对很多最小二乘法问题都能求得收敛的结果,收敛的范围也显著增大,并且能有效地避免收敛至某一局部最小值的情况。
2.3.2算法特点
修正阻尼最小二乘法是一种很有效的算法,对很多最小二乘法问题都能求得收敛的结果,并且能有效地避免收敛到某一鞍点的情况,确保最后收敛到至某一局部极小值。由于它具有如此良好的特点,所以本方法中的最小二乘算法辨识算法就采用了修正阻尼最小二乘法作为核心算法,并在某些具体算法中作了更有利于解决参数辨识中的收敛性和多值性问题的改进。程序的计算运行结果表明,采用了修正阻尼最小二乘法的程序比未采用修正阻尼算法的程序的收敛范围显著扩大,并能避免收敛到鞍点上,所以该算法是具有实际应用价值的。
2.3.3算法流程
光伏组件机理模型参数辨识的整体步骤详述如图2所示:
步骤S1.搭建光伏组件机理模型并对实际光伏组件进行模拟。
步骤S2.以模型作为研究对象,根据光伏组件已知的实际工程参数得到光伏组件的最大功率点信息,推导出机理模型中待辨识的未知参数,即光伏电池串联电阻Rs、曲线拟合系数A之间的关系,并利用曲线拟合系数A表示光伏电池串联电阻Rs。
步骤S3.采用修正阻尼最小二乘法对所述参数A进行辨识。
我们以步骤S3中参数辨识为例,介绍通用的修正阻尼最小二乘法算法在光伏组件机理模型简化参数辨识方法中的应用,如图3所示,步骤说明如下:
步骤S301.令待辨识的参数A组成待辨识参数向量α,并设定向量α初值α0=[A0]、阻尼因子λ、二分法常数β、最大误差值Jmax、最大迭代值MaxTimes、收敛指标ε2和收敛指标ε3,令迭代次数k=0;
步骤S302.读入模型输入[T,G,V],实际光伏组件最大功率点功率及电压Pm,Um,其中T为光伏组件表面温度,G为辐照度,V为光伏组件的发电电压;
步骤S303.进行一次模型仿真,求得仿真的最大功率点功率Pmax和电压Umax,然后计算目标函数J(α)=∫(Yr-YM)Tw(Yr-YM)dt,其中,Yr为实际组件最大功率点功率及电压,YM为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量,w为观测加权矩阵;
步骤S304.判断是否同时满足J(α)>Jmax和k<MaxTimes,如果同时满足J(α)>Jmax和k<MaxTimes,则执行S305,否则,执行S318;
步骤S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ;
步骤S307.判断加入阻尼因子λ的矩阵H是否可逆,如果加入阻尼因子λ的矩阵H可逆,则执行S308,否则,执行S312;
步骤S308.利用公式p=-H-1g计算方向矩阵p;
步骤S309.判断gTp>0是否成立,如果gTp>0成立,则执行S312,否则,执行S310;
步骤S310.采用重复二等分的方法确定h,使h满足J(αk+hp)<J(αk)+2βhgTp,并令Δα=hp;
步骤S311.令λ=λ/4,执行S315;
步骤S313.确定h,使得h满足J(αk+hgl)<J(αk),并令Δα=hp;
步骤S314.令λ=λ/4;
步骤S315.判断α的变化量αk+1-αk是否小于收敛指标ε2或者目标函数J的变化量J(αk+1)-J(αk)是否小于收敛指标ε3,如果是,则执行S316,否则,执行S318;
步骤S316.令αk+1=αk+Δα,且k=k+1;
步骤S317.检验αk+1的合理性,当αk+1在设定的参数范围内时,则认为αk+1是合理的,否则,用设定值替代αk+1,之后返回S302进行下一步迭代;
步骤S318.停止迭代;以及
步骤S319.输出结果。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种光伏发电系统光伏组件机理模型参数辨识方法,其特征在于,包括步骤:
S1.搭建光伏组件的机理模型并对实际光伏组件进行模拟;
S2.以所述机理模型作为研究对象,根据所述光伏组件的已知的实际工程参数得到所述光伏组件的最大功率点信息,推导出所述机理模型中的光伏电池串联电阻Rs、曲线拟合系数A之间的关系,并利用所述曲线拟合系数A表示所述光伏电池串联电阻Rs;以及
S3.采用修正阻尼最小二乘法对所述曲线拟合系数A进行辨识。
2.如权利要求1所述的光伏发电系统光伏组件机理模型参数辨识方法,其特征在于,所述步骤S2进一步包括步骤:
根据下列公式计算所述机理模型中的光伏组件输出功率为:
其中,V为输出电压,I为输出电流,Ipv为光伏电流,I0为二极管饱和电流,Ns为光伏电池串联个数,q=1.6*10-19C是电子电荷,A是曲线拟合系数,K=1.38*10-23J/K是波尔兹曼常数,RS是光伏电池串联电阻;
得到 其中,Pm是最大功率点功率,Vm是最大功率点电压,Im是最大功率点电流;
将所述Pm进一步变换得到:
3.如权利要求1所述的光伏发电系统光伏组件机理模型参数辨识方法,其特征在于,所述步骤S3进一步包括步骤:
S301.将待辨识的参数组成待辨识参数向量α,并设定向量α初值α0,阻尼因子λ、二分法常数β、最大误差值Jmax、最大迭代值MaxTimes、收敛指标ε2和收敛指标ε3,令迭代次数k=0;
S302.读入模型输入[T,G,V]和实际光伏组件最大功率点功率及电压Pm,Um,其中T为光伏组件表面温度,G为辐照度,V为光伏组件的发电电压;
S303.计算目标函数J(α)=∫(Yr-YM)Tw(Yr-YM)dt,其中,Yr为实际组件最大功率点功率及电压,YM为根据系统的数学模型计算得到的最大功率点功率及电压输出观测量,w为观测加权矩阵;
S304.判断是否同时满足J(α)>Jmax和k<MaxTimes,如果同时满足J(α)>Jmax和k<MaxTimes,则执行S305,否则,执行S318;
S306.利用公式H=H+λI在矩阵H中加入阻尼因子λ;
S307.判断加入阻尼因子λ的矩阵H是否可逆,如果加入阻尼因子λ的矩阵H可逆,则执行S308,否则,执行S312;
S308.利用公式p=-H-1g计算方向矩阵p;
S309.判断gTp>0是否成立,如果gTp>0成立,则执行S312,否则,执行S310;
S310.采用重复二等分的方法确定h,使h满足J(αk+hp)<J(αk)+2βhgTp,并令Δα=hp;
S311.令λ=λ/4,执行S315;
S313.确定h,使得h满足J(αk+hgl)<J(αk),并令Δα=hp;
S314.令λ=λ/4;
S315.判断α的变化量αk+1-αk是否小于收敛指标ε2或者目标函数J的变化量J(αk+1)-J(αk)是否小于收敛指标ε3,如果是,则执行S316,否则,执行S318;
S316.令αk+1=αk+Δα,且k=k+1;
S317.检验αk+1的合理性,当αk+1在设定的参数范围内时,则认为αk+1是合理的,否则,用设定值替代αk+1,之后返回S302进行下一步迭代;
S318.停止迭代;以及
S319.输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310339969.7A CN103399491B (zh) | 2013-08-06 | 2013-08-06 | 光伏发电系统光伏组件机理模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310339969.7A CN103399491B (zh) | 2013-08-06 | 2013-08-06 | 光伏发电系统光伏组件机理模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399491A true CN103399491A (zh) | 2013-11-20 |
CN103399491B CN103399491B (zh) | 2015-06-03 |
Family
ID=49563134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310339969.7A Active CN103399491B (zh) | 2013-08-06 | 2013-08-06 | 光伏发电系统光伏组件机理模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399491B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007319A (zh) * | 2014-06-10 | 2014-08-27 | 湖北工业大学 | 一种多结聚光太阳能电池的等效并联电阻值的测量方法 |
CN105404350A (zh) * | 2015-10-12 | 2016-03-16 | 武汉理工大学 | 一种基于二分梯度法的热电发电mppt方法 |
CN106100582A (zh) * | 2016-07-07 | 2016-11-09 | 国网青海省电力公司 | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 |
CN106168829A (zh) * | 2016-06-29 | 2016-11-30 | 常州大学 | 基于蚁群算法改进的rbf‑bp神经网络的光伏发电输出功率追踪算法 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN107103154A (zh) * | 2017-05-17 | 2017-08-29 | 南京南瑞继保电气有限公司 | 一种光伏组件模型参数辨识方法 |
CN109558632A (zh) * | 2018-10-26 | 2019-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件参数辨识方法 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
CN115344078A (zh) * | 2022-08-15 | 2022-11-15 | 深圳市冲锋兔新能源科技有限公司 | Mppt功率快速追踪算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841160A (zh) * | 2009-03-19 | 2010-09-22 | 孔小明 | 一种太阳能光伏发电并网控制方法 |
CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
JP2013041917A (ja) * | 2011-08-12 | 2013-02-28 | National Institute Of Advanced Industrial & Technology | 太陽電池セルを設計する方法及び太陽電池セルの特性を求めるためのシミュレーションプログラム |
CN103105573A (zh) * | 2013-01-29 | 2013-05-15 | 南昌航空大学 | 一种基于朗伯w函数的太阳电池参数提取方法 |
-
2013
- 2013-08-06 CN CN201310339969.7A patent/CN103399491B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841160A (zh) * | 2009-03-19 | 2010-09-22 | 孔小明 | 一种太阳能光伏发电并网控制方法 |
JP2013041917A (ja) * | 2011-08-12 | 2013-02-28 | National Institute Of Advanced Industrial & Technology | 太陽電池セルを設計する方法及び太陽電池セルの特性を求めるためのシミュレーションプログラム |
CN102594215A (zh) * | 2012-03-16 | 2012-07-18 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种光伏电站模型参数辨识方法 |
CN103105573A (zh) * | 2013-01-29 | 2013-05-15 | 南昌航空大学 | 一种基于朗伯w函数的太阳电池参数提取方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007319B (zh) * | 2014-06-10 | 2017-02-01 | 湖北工业大学 | 一种多结聚光太阳能电池的等效并联电阻值的测量方法 |
CN104007319A (zh) * | 2014-06-10 | 2014-08-27 | 湖北工业大学 | 一种多结聚光太阳能电池的等效并联电阻值的测量方法 |
CN105404350A (zh) * | 2015-10-12 | 2016-03-16 | 武汉理工大学 | 一种基于二分梯度法的热电发电mppt方法 |
CN105404350B (zh) * | 2015-10-12 | 2017-03-01 | 武汉理工大学 | 一种基于二分梯度法的热电发电mppt方法 |
CN106168829A (zh) * | 2016-06-29 | 2016-11-30 | 常州大学 | 基于蚁群算法改进的rbf‑bp神经网络的光伏发电输出功率追踪算法 |
CN106100582B (zh) * | 2016-07-07 | 2017-12-08 | 国网青海省电力公司 | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 |
CN106100582A (zh) * | 2016-07-07 | 2016-11-09 | 国网青海省电力公司 | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 |
CN106485075A (zh) * | 2016-10-12 | 2017-03-08 | 福州大学 | 一种基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN106485075B (zh) * | 2016-10-12 | 2020-03-10 | 福州大学 | 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 |
CN107103154A (zh) * | 2017-05-17 | 2017-08-29 | 南京南瑞继保电气有限公司 | 一种光伏组件模型参数辨识方法 |
CN109558632A (zh) * | 2018-10-26 | 2019-04-02 | 国网江西省电力有限公司电力科学研究院 | 一种光伏组件参数辨识方法 |
CN115344078A (zh) * | 2022-08-15 | 2022-11-15 | 深圳市冲锋兔新能源科技有限公司 | Mppt功率快速追踪算法 |
CN115344078B (zh) * | 2022-08-15 | 2023-09-22 | 深圳市冲锋兔新能源科技有限公司 | Mppt功率快速追踪算法 |
CN115292965A (zh) * | 2022-09-28 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种基于最小二乘回归的动态光伏模型参数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103399491B (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103399491B (zh) | 光伏发电系统光伏组件机理模型参数辨识方法 | |
US11271398B2 (en) | Voltage stability assessment, control and probabilistic power flow based on multi-dimensional holomorphic embedding techniques | |
CN103973203B (zh) | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
Hamon et al. | A stochastic optimal power flow problem with stability constraints—Part I: Approximating the stability boundary | |
CN104778352B (zh) | 基于stft算子的七参数光伏电池输出特性建模方法 | |
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
CN103942438A (zh) | 硅电池光伏组件五参数模型的参数提取方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN103715719A (zh) | 一种适用于电力系统全过程动态仿真的光伏模型建模方法 | |
CN103106305B (zh) | 一种基于实测模态的空间网格结构模型分步修正方法 | |
CN103455716B (zh) | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 | |
CN103853052A (zh) | 一种核电站反应堆控制系统的设计方法 | |
CN106950856A (zh) | 基于混合逻辑动态的mppt建模仿真方法 | |
CN105787170A (zh) | 一种基于全因子试验的组合簧片式空间可展结构优化设计方法 | |
CN107229824A (zh) | 光伏电站发电单元功率曲线建模方法及装置 | |
CN104156542A (zh) | 一种基于隐式投影的有源配电系统稳定性仿真方法 | |
CN107562992A (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
CN103310284B (zh) | 经济负荷和降温负荷的确定方法及负荷确定装置 | |
CN103293950B (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
CN103124080B (zh) | 一种光伏发电系统模型的建模方法 | |
CN106026200A (zh) | 风电场的电力系统无功优化方法 | |
CN105790315A (zh) | 一种基于粒子群算法的储能变流下垂控制方法 | |
CN107749628A (zh) | 计及燃气机组无功调节及热电协调的多目标电压优化方法 | |
CN102928249A (zh) | 基于程控电源的太阳电池阵输出的模拟系统、方法 |
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 |