CN103823504A - 一种基于最小二乘支持向量机的最大功率跟踪控制方法 - Google Patents
一种基于最小二乘支持向量机的最大功率跟踪控制方法 Download PDFInfo
- Publication number
- CN103823504A CN103823504A CN201410105280.2A CN201410105280A CN103823504A CN 103823504 A CN103823504 A CN 103823504A CN 201410105280 A CN201410105280 A CN 201410105280A CN 103823504 A CN103823504 A CN 103823504A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- square method
- supporting vector
- method supporting
- generating system
- 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
- 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
本发明公开了一种基于最小二乘支持向量机的最大功率跟踪控制方法,该方法包括以下步骤:(1)选择太阳光辐射度、环境温度作为辅助变量,选择光伏发电系统最大工作点电压作为关键状态变量;(2)根据选择的辅助变量和关键状态变量建立样本数据库;(3)利用样本数据进行训练,确定最小二乘支持向量机的模型结构;(4)利用步骤(3)得到的最小二乘支持向量机模型对关键状态变量进行预测;(5)利用步骤(4)得到的关键状态变量预测值对恒电压控制法的参考电压值进行修正,实现光伏发电系统最大功率点的准确、快速跟踪控制。
Description
技术领域
本发明涉及光伏发电利用研究领域,特别涉及一种基于最小二乘支持向量机的最大功率跟踪控制方法。
背景技术
随着全球范围内化石能源消耗量的急剧增加,世界性的能源危机已经来临。化石能源的大规模开发和利用,也给人类赖以生存的自然环境造成了严重破坏。能源已经成为人类社会进步、经济发展与地球生态环境保护的瓶颈问题。可再生能源的开发和利用引起了全世界的广泛关注,其中太阳能具有取之不尽、用之不竭、分布广泛、清洁无污染等一系列优势,是解决世界能源危机和环境污染最可靠和行之有效的绿色能源。因此,光伏发电技术得到了广泛应用。
然而光伏阵列输出特性易受太阳光辐射度、光伏阵列工作温度等外部因素的影响,呈强烈的非线性特性,导致光伏发电系统输出功率极不稳定。为了进一步提高光伏发电系统的稳定性和发电利用率,降低系统成本,就必须根据外部环境的变化而实时调整光伏阵列的工作点,使其一直稳定在最大功率点附近。
传统的光伏发电最大功率点跟踪控制大部分基于干扰观测法,采用干扰观测法来不断调整输出电压值,但是无法准确判断光伏阵列输出功率变化是由扰动还是由外界环境的变化而引起,所以在太阳光辐射度剧烈变化情况下,容易发生误跟踪现象,从而造成最大功率跟踪控制系统性能下降,系统能量损失。
因此,需要一种新的最大功率点跟踪控制方法解决上述问题。
发明内容
针对现有技术存在的问题,本发明的目的是提供一种基于最小二乘支持向量机的最大功率跟踪控制方法,该方法利用最小二乘支持向量机对最大工作点电压进行回归预测,并将预测结果对恒电压控制法的参考电压进行修正,实现光伏发电系统最大功率点的准确跟踪控制。
为实现上述发明目的,本发明可采用如下技术方案:一种基于最小二乘支持向量机的最大功率跟踪控制方法,步骤包括:1)选取能直接测量且与光伏发电过程密切相关的太阳光辐射度和环境温度作为最小二乘支持向量机回归模型的输入向量,选择最小二乘支持向量机模型的输出向量为光伏发电系统最大工作点电压,之后执行步骤2);
2)建立样本数据库,采集晴、多云、雾天太阳光辐射度和环境温度、光伏发电系统最大工作点电压,构造输入输出向量对的集合,生成静态训练样本数据库,其中输入向量为太阳光辐射度和环境温度,输出向量为光伏发电系统最大工作点电压,之后执行步骤3);
3)建立最小二乘支持向量机模型,将从步骤2)得到训练样本映射到高维核空间中,选择核函数,采用k-折交叉验证法确定最小二乘支持向量机模型的最优参数,之后执行步骤4);
4)光伏发电系统最大工作点电压的预测,利用已训练好的最小二乘支持向量机模型,根据当前测量的太阳光辐射度和环境温度,获得光伏发电系统最大工作点电压的预测值,之后执行步骤5);
5)利用步骤4)的预测结果对恒电压控制法的参考电压进行修正,实现光伏发电系统最大功率点的准确跟踪控制。
步骤3)所述的最小二乘支持向量机模型最优参数的确定按以下步骤进行:
选择高斯核函数K(x,x)=exp(-||x-xk||22σ2)作为核函数,将归一化后的训练样本{xk,yk}随机分为k个子集S1,S2,L,Sk,各子集中的元素个数可以不等;然后给定最小二乘支持向量机的初始参数值γ0,分别使用k-1个子集对最小二乘支持向量机进行训练,并用剩下的集合作为测试集,分别对k-1个最小二乘支持向量机进行测试,得到k-1个最小二乘支持向量机输出值并分别计算平方和误差
调整最小的Ei所对应的最小二乘支持向量机参数为γ1,按此迭代k次则确定最小二乘支持向量机的最优参数值,选取k=5,将训练集随机分为5个子集,对每个子集按照的原则进行迭代,选定目标函数最小值所对应的参数为最小二乘支持向量机最优参数。
采用上述技术方案后,本发明具有以下有益效果:本发明兼顾了最小二乘支持向量机和恒电压法的优点,既能用小样本数据进行建模,对未来样本具有较好的泛化能力,又发挥了恒电压法控制法控制原理简单的特点,能够实现自然环境剧烈变化条件下光伏发电系统最大工作点的准确跟踪,大幅提高最大功率跟踪控制系统的性能并减小设备投资。
附图说明
图1是本发明方法的流程示意图。
图2为本发明的样本数据结构。
图3是本发明关键状态变量实际值与预测值对比图。
图4是本发明关键状态变量实际值与预测值相对误差曲线图。
图5是基于最小二乘支持向量机的最大功率跟踪控制示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步的解释。
如图1所示,一种基于最小二乘支持向量机的最大功率跟踪控制方法,步骤包括:1)选取能直接测量且与光伏发电过程密切相关的太阳光辐射度和环境温度作为最小二乘支持向量机回归模型的输入向量,选择最小二乘支持向量机模型的输出向量为光伏发电系统最大工作点电压,之后执行步骤2);
2)建立样本数据库,采集晴、多云、雾天太阳光辐射度和环境温度、光伏发电系统最大工作点电压,构造输入输出向量对的集合,生成静态训练样本数据库,其中输入向量为太阳光辐射度和环境温度,输出向量为光伏发电系统最大工作点电压,样本数据结构如图2所示,样本表达为{xk,yk},其中xk为样本的输入,即选取太阳光辐射度S和环境温度T。样本的输出为待预测的最大工作点电压Vm,n为光伏发电最大功率跟踪过程中样本的采样序号。之后执行步骤3);
3)建立最小二乘支持向量机模型,将从步骤2)得到训练样本映射到高维核空间中,选择核函数,采用k-折交叉验证法确定最小二乘支持向量机模型的最优参数,之后执行步骤4);
4)光伏发电系统最大工作点电压的预测,利用已训练好的最小二乘支持向量机模型,根据当前测量的太阳光辐射度和环境温度,获得光伏发电系统最大工作点电压的预测值,当最新测量的太阳光辐射度和环境温度xl+1输入到控制器后,最小二乘支持向量机预测器利用程序计算得到光伏发电系统最大工作点电压yl+1的预测值,图3给出了光伏发电系统最大工作点电压Vm预测值对实际值的跟踪效果。图4给出了预测相对误差曲线,从图中可以看出,最大工作点电压Vm的最大相对误差为3.68%,其变化趋势很好地逼近了真实情况。之后执行步骤5);
5)利用步骤4)的预测结果对恒电压控制法的参考电压进行修正,实现光伏发电系统最大功率点的准确跟踪控制。
本发明根据光伏发电最大功率点跟踪过程数据建立训练数据库、确定最小二乘支持向量机模型,并利用已训练好的最小二乘支持向量机模型依据当前待预测的最新太阳光辐射度和环境温度,获得光伏发电系统最大工作点电压的预测值,最后将最小二乘支持向量机方法预测的最大工作点电压Vm设定为恒电压控制法的参考电压Vmref。图5给出了基于最小二乘支持向量机的最大功率跟踪控制示意图,当自然环境发生变化时,系统能够实行根据预测到的最大工作点电压Vm来修改Vmref,从而实现光伏发电过程最大功率快速、准确的跟踪。
最大工作点电压Vm预测值和实际值的变化趋势表明本发明所出的最小二乘支持向量机建模方法是有效的、可靠的,将该方法与恒电压控制法相结合,充分发挥了恒电压法控制原理简单的特点,能够实现自然环境剧烈变化条件下光伏发电系统最大工作点的快速、准确跟踪,保证了整个光伏发电系统高效、稳定的运行。
步骤3)所述的最小二乘支持向量机模型的确定按以下步骤进行:
其中,a为Lagrange乘子,ξ为松弛因子。为求解上式的优化问题,构造如下Lagrange函数
其中,a=(a1,a2,a3,L,al)T∈Rl,ξ=(ξ1,ξ2,ξ3,L,ξl)T∈Rl。根据KKT优化条件
计算后消去ξi,w,则优化问题可转化为求解下列方程组
式中xi为样本的输入,即选取的太阳光辐射度和环境温度——太阳光辐射度S和环境温度T;
y为待预测的关键状态变量——最大工作点电压Vm。
ai,b——训练后的模型系数,i=1,2,…,l。
步骤3)所述的最小二乘支持向量机模型最优参数的确定按以下步骤进行:
选择高斯核函数K(x,x)=exp(-||x-xk||22σ2)作为核函数,将归一化后的训练样本{xk,yk}随机分为k个子集S1,S2,L,Sk,各子集中的元素个数可以不等;然后给定最小二乘支持向量机的初始参数值γ0,分别使用k-1个子集对最小二乘支持向量机进行训练,并用剩下的集合作为测试集,分别对k-1个最小二乘支持向量机进行测试,得到k-1个最小二乘支持向量机输出值并分别计算平方和误差
Claims (2)
1.一种基于最小二乘支持向量机的最大功率跟踪控制方法,其特征在于步骤包括:
1)选取能直接测量且与光伏发电过程密切相关的太阳光辐射度和环境温度作为最小二乘支持向量机回归模型的输入向量,选择最小二乘支持向量机模型的输出向量为光伏发电系统最大工作点电压,之后执行步骤2);
2)建立样本数据库,采集晴、多云、雾天太阳光辐射度和环境温度、光伏发电系统最大工作点电压,构造输入输出向量对的集合,生成静态训练样本数据库,其中输入向量为太阳光辐射度和环境温度,输出向量为光伏发电系统最大工作点电压,之后执行步骤3);
3)建立最小二乘支持向量机模型,将从步骤2)得到训练样本映射到高维核空间中,选择核函数,采用k-折交叉验证法确定最小二乘支持向量机模型的最优参数,之后执行步骤4);
4)光伏发电系统最大工作点电压的预测,利用已训练好的最小二乘支持向量机模型,根据当前测量的太阳光辐射度和环境温度,获得光伏发电系统最大工作点电压的预测值,之后执行步骤5);
5)利用步骤4)的预测结果对恒电压控制法的参考电压进行修正,实现光伏发电系统最大功率点的准确跟踪控制。
2.根据权利要求1所述的一种基于最小二乘支持向量机的最大功率跟踪控制方法,其特征在于,步骤3)所述的最小二乘支持向量机模型最优参数的确定按以下步骤进行:
选择高斯核函数K(x,x)=exp(-||x-xk||22σ2)作为核函数,将归一化后的训练样本{xk,yk}随机分为k个子集S1,S2,L,Sk,各子集中的元素个数可以不等;然后给定最小二乘支持向量机的初始参数值γ0,分别使用k-1个子集对最小二乘支持向量机进行训练,并用剩下的集合作为测试集,分别对k-1个最小二乘支持向量机进行测试,得到k-1个最小二乘支持向量机输出值并分别计算平方和误差
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105280.2A CN103823504B (zh) | 2014-03-20 | 2014-03-20 | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410105280.2A CN103823504B (zh) | 2014-03-20 | 2014-03-20 | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103823504A true CN103823504A (zh) | 2014-05-28 |
CN103823504B CN103823504B (zh) | 2016-01-20 |
Family
ID=50758615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410105280.2A Active CN103823504B (zh) | 2014-03-20 | 2014-03-20 | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103823504B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
CN106055019A (zh) * | 2016-07-15 | 2016-10-26 | 苏州科技大学 | 基于在线软测量模型的最大功率点跟踪的光伏发电系统 |
CN106094972A (zh) * | 2016-08-30 | 2016-11-09 | 湖北工业大学 | 一种基于函数模型的光伏发电系统最大功率点跟踪方法 |
CN108267951A (zh) * | 2016-12-30 | 2018-07-10 | 南京理工大学 | 一种基于核偏最小二乘的最大功率点跟踪控制方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
CN111414582A (zh) * | 2020-03-12 | 2020-07-14 | 广西电网有限责任公司 | 一种光伏理论功率计算方法、装置、设备和存储介质 |
WO2023193452A1 (zh) * | 2022-04-07 | 2023-10-12 | 深圳市正浩创新科技股份有限公司 | 光伏组件的最大功率追踪方法、装置及储能设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103164A (zh) * | 2009-12-17 | 2011-06-22 | 深圳先进技术研究院 | 太阳能光伏电池发电能力预测系统及方法 |
CN102611135A (zh) * | 2012-03-14 | 2012-07-25 | 浙江工业大学 | 一种开环与闭环相结合的mppt控制方法 |
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
-
2014
- 2014-03-20 CN CN201410105280.2A patent/CN103823504B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103164A (zh) * | 2009-12-17 | 2011-06-22 | 深圳先进技术研究院 | 太阳能光伏电池发电能力预测系统及方法 |
CN102611135A (zh) * | 2012-03-14 | 2012-07-25 | 浙江工业大学 | 一种开环与闭环相结合的mppt控制方法 |
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
CN105701562B (zh) * | 2016-01-05 | 2019-12-17 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
CN106055019A (zh) * | 2016-07-15 | 2016-10-26 | 苏州科技大学 | 基于在线软测量模型的最大功率点跟踪的光伏发电系统 |
CN106094972A (zh) * | 2016-08-30 | 2016-11-09 | 湖北工业大学 | 一种基于函数模型的光伏发电系统最大功率点跟踪方法 |
CN108267951A (zh) * | 2016-12-30 | 2018-07-10 | 南京理工大学 | 一种基于核偏最小二乘的最大功率点跟踪控制方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN108921339B (zh) * | 2018-06-22 | 2021-08-10 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
CN111414582A (zh) * | 2020-03-12 | 2020-07-14 | 广西电网有限责任公司 | 一种光伏理论功率计算方法、装置、设备和存储介质 |
WO2023193452A1 (zh) * | 2022-04-07 | 2023-10-12 | 深圳市正浩创新科技股份有限公司 | 光伏组件的最大功率追踪方法、装置及储能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103823504B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN102594215B (zh) | 一种光伏电站模型参数辨识方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN105719059B (zh) | 光伏发电系统置信容量评估方法 | |
CN103218673A (zh) | 基于bp神经网络的光伏发电短期出力预测方法 | |
CN105137242A (zh) | 单相光伏逆变器在线状态监测与剩余寿命预测方法 | |
CN103293950B (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
CN103399491B (zh) | 光伏发电系统光伏组件机理模型参数辨识方法 | |
CN106452355A (zh) | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN104616085A (zh) | 一种基于bp神经网络的光伏发电量预测方法 | |
CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
CN103426027A (zh) | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 | |
CN105512760A (zh) | 基于神经网络的光伏电站发电量的计算方法及系统 | |
CN105335560A (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
CN105787594A (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN113158573B (zh) | 一种基于深度学习的小水电群区域配网最优潮流获取方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
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 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201215 Address after: 211600 No. 47, Jianshe Road, Jinhu County, Jiangsu, Huaian Patentee after: Jinhu comprehensive inspection and Testing Center Address before: 213022 Wushan Road, Xinbei District, Changzhou, Jiangsu Province, No. 1 Patentee before: CHANGZHOU INSTITUTE OF TECHNOLOGY |