CN106779065A - 一种光伏阵列的最大功率点跟踪方法及系统 - Google Patents

一种光伏阵列的最大功率点跟踪方法及系统 Download PDF

Info

Publication number
CN106779065A
CN106779065A CN201611092741.2A CN201611092741A CN106779065A CN 106779065 A CN106779065 A CN 106779065A CN 201611092741 A CN201611092741 A CN 201611092741A CN 106779065 A CN106779065 A CN 106779065A
Authority
CN
China
Prior art keywords
neural network
threshold value
calculation
maximum power
result
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.)
Pending
Application number
CN201611092741.2A
Other languages
English (en)
Inventor
林显富
苏禹
张恩
张小凤
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.)
Beijing Institute of Technology Zhuhai
Original Assignee
Beijing Institute of Technology Zhuhai
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 Beijing Institute of Technology Zhuhai filed Critical Beijing Institute of Technology Zhuhai
Priority to CN201611092741.2A priority Critical patent/CN106779065A/zh
Publication of CN106779065A publication Critical patent/CN106779065A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏阵列的最大功率点跟踪方法及系统，通过分析BP与GA‑BP神经网络算法对光伏阵列最大功率追踪情况可以看出，随着外界环境的变化，运用遗传算法优化的BP神经网络能够以高精度，高速率的状态，保持较准确追踪最大功率点。

Description

一种光伏阵列的最大功率点跟踪方法及系统
技术领域
本申请涉及电子技术领域，尤其涉及一种光伏阵列的最大功率点跟踪方法及系统。
背景技术
MPPT控制器的全称“最大功率点跟踪”(Maximum Power Point Tracking)太阳能控制器，使传统太阳能充放电控制器的升级换代。其能够实时侦测太阳能板的发电电压，并追踪最高电压电流值，使系统以最大功率输出对蓄电池充电。当前使用的自寻优MPPT算法有扰动观察法和电导增量法等，但存在如追踪速度慢，精准度低的问题。
发明内容
本发明实施例提供了一种光伏阵列的最大功率点跟踪方法及系统，用以解决现有技术中最大功率点跟踪存在追踪速度慢，精准度低的问题。
其具体的技术方案如下：
一种光伏阵列的最大功率点跟踪方法，所述方法包括：
获取在各个参数下的训练样本以及测试样本；
根据预设参数，确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；
确定所述BP神经网络中的种群数目以及优化目标；
判断进化次数是否达到所述优化目标；
若是，则获得最优神经元初始权值以及阈值；
将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；
根据更新的初始权值以及阈值，判定是否达到指定检测精度值；
若是，则训练结束，得到需要的BP神经网络；
运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
可选的，在确定所述BP神经网络中的种群数目以及优化目标之后，并且在判断进化次数是否达到所述优化目标之前，所述方法还包括：
对神经元初始值以以及阈值进行实数编码；
对各个种群进行适应度计算，得到适应度计算结果；
循环进行指定操作，计算适应度操作，直至达到进化次数。
可选的，所述方法还包括：
若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；
根据计算得到的结果，进行指定操作，直至达到进化次数。
可选的，所述方法还包括：
若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；
根据所述计算结果，对权值以及阈值进行更新。
一种光伏阵列的最大功率点跟踪系统，所述系统包括：
获取模块，用于获取在各个参数下的训练样本以及测试样本；
初始化模块，用于根据预设参数，对反向传播BP神经网络进行初始化设置；
处理模块，用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
可选的，所述处理模块，还用于对神经元初始值以以及阈值进行实数编码；对各个种群进行适应度计算，得到适应度计算结果；循环进行指定操作，计算适应度操作，直至达到进化次数。
可选的，所述处理模块，还用于若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；根据计算得到的结果，进行指定操作，直至达到进化次数。
可选的，所述处理模块，还用于若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；根据所述计算结果，对权值以及阈值进行更新。
综上来讲，通过分析BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况可以看出，随着外界环境的变化，运用遗传算法优化的BP神经网络能够以高精度，高速率的状态，保持较准确追踪最大功率点。
附图说明
图1为本发明实施例中一种光伏阵列的最大功率点跟踪方法的流程图；
图2为本发明实施例中光伏电池的等效电路示意图；
图3为本发明实施例中的光伏板在不同环境下的输出特性示意图之一；
图4为本发明实施例中的光伏板在不同环境下的输出特性示意图之二；
图5为本发明实施例中的GA-BP神经网络结构图；
图6为本发明实施例中的GA-BP神经网络流程示意图；
图7为本发明实施例中采用BP神经网络进行最大功率点的追踪迭代情况示意图；
图8为本发明实施例中BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况示意图；
图9为本发明实施例中一种光伏阵列的最大功率点跟踪系统的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解，本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。
如图1所示为本发明实施例中一种光伏阵列的最大功率点跟踪方法的流程图，该方法包括：
S101，获取在各个参数下的训练样本以及测试样本；
S102，根据预设参数，确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；
S103，确定所述BP神经网络中的种群数目以及优化目标；
S104，判断进化次数是否达到所述优化目标；
S105，若是，则获得最优神经元初始权值以及阈值；
S106，将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；
S107，根据更新的初始权值以及阈值，判定是否达到指定检测精度值；
S108，若是，则训练结束，得到需要的BP神经网络；
S109，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
具体来讲，在本发明实施例中，通过分析光伏特性曲线进行最大功率点追踪。建立过程主要分为：GA-BP神经网络算法的设计，以及光伏阵列的SMINULINK仿真模型建立。
第一部分：光伏电池数学模型的建立及特性分析：光伏电池的输出特性指在一定的环境温度和光照强度下，电池的输出电压与电流之间的关系以及输出的电压及对应的功率关系。根据电子学理论，可以得出光伏电池的等效电路如图2。
光伏电池等效电路，可以等价为一个电流源的非线性原件，图2中，IL为光生电流，其值的大小受环境的温度和光照强度影响，ID为流经二极管的电流，I为光伏电池输出的负载电流，UD为等效二极管的端电压，在无光照的情况下，光伏电池的基本行为特征类似于一个普通的二极管；U为负载两端电压，RL为电池的负载电阻，Rs为等效串联电阻，Rsh为等效并联电阻。因为光伏电池的性能指标会因为外部环境的因素而受到影响，为了使所建立的数学模型可以很好的反应出光伏电池的实际特性曲线，一般根据不同的光伏电池制造商，在标准工作状态下采用不同的参数：Isc、Uoc、Um、Im，其中，Im为最大功率点电流，Um为最大功率点电压，由此可以简化出一个近似的工程使用模型，如式：
考虑到环境与温度和光伏电池温度之间的关系，电池温度T和环境温度Tspace、光照强度S关系为：
T＝Tspace+KS (2)
其中(2)式中K为比例常数，值为:K＝0.005℃·m2·W-1；
将对光伏电池有影响的外部环境因素加入公式内，分别可得出光伏电池的开路电压Uoc，短路电流Isc，最大功率点电压Um，最大功率点电流Im的对应表达式如下：
式中部分变量为：
其中，Sref与Tref取标准环境下的基准值，即Tref＝25°，Sref＝1000W/m2a,b,c是常数系数因子；
通过以上光伏阵列等效电路所得出的方程，可以通过SIMULINK仿真出光伏板在不同环境下的输出特性如图3、4。在完成第一部分之后，则对神经网络进行搭建，具体的如第二部分所示。
第二部分：神经网络建(a)设置BP神经网络参数的初始化，设置输入层神经元数2个，隐层神经元数5个，输出神经元1个(b)初始化种群，并对种群编码，考虑到最大功率点的追踪精度，以及算法求解过程的非必要编码与解码，在此采用浮点型实数对基因编码；(c)选择预测数据与期望数据之间误差作为适应度函数；(d)循环进行选择，交叉，变异，计算适应度操作，直到达到进化次数，在此选择轮盘赌的方法进行个体的选择如式(5)，概率Psi反应了个体i的适应度值在整个群体适应度总和所占的比例，此值越大，个体的适应度值越大；适应度函数采用式(6)，其中E为期望输出与实际输出的误差平方和；(e)得到最优的初始权值和阈值；(f)利用遗传算法解出的最优初始权值和阈值，进行BP神经网络的训练；GA-BP神经网络结构图如图5；其基本流程如图6；
在光伏阵列最大功率追踪前，首先通过其在不同的光照、温度情况下对应的P-U输出特性中获取不同情况下最大功率值的训练样本以及测试样本，其中每组数据一共包括三个值--(温度，光照，最大功率点)；对于BP的训练网络的参数初始化，输入层传递函数采用tansig型，输出层函数采用purelin型，训练函数采用trainlm型。运用MATLAB/SIMLINK搭建光伏阵列MPPT数学模型如图6。
图6中的MPPT模块运用了基于GA-BP人工神经网络最大功率点的追踪算法，在光伏阵列运行过程中，修改输入的温度以及光照强度，此时，运行已经训练的GA-BP神经网络进行追踪，通过BOOST电压模块，调节其晶体管的占空比，从而改变光伏阵列的输出电压并让其工作于GA-BP神经网络所预测的最大功率点；如图7为分别采用BP神经网络(右图)，GA-BP神经网络(左图)进行最大功率点的追踪迭代情况；图8为BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况。
综上来讲，通过分析图8BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况可以看出，随着外界环境的变化，运用遗传算法优化的BP神经网络能够以高精度，高速率的状态，保持较准确追踪最大功率点。
进一步，在本发明实施例中，还提供了一种光伏阵列的最大功率点跟踪系统，如图9所述为本发明实施例中一种光伏阵列的最大功率点跟踪系统的结构示意图，该系统包括：
获取模块901，用于获取在各个参数下的训练样本以及测试样本；
初始化模块902，用于根据预设参数，对反向传播BP神经网络进行初始化设置；
处理模块903，用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
进一步，在本发明实施例中，所述处理模块903，还用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络。
进一步，在本发明实施例中，所述处理模块903，还用于对神经元初始值以以及阈值进行实数编码；对各个种群进行适应度计算，得到适应度计算结果；循环进行指定操作，计算适应度操作，直至达到进化次数。
所述处理模块903，还用于若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；根据计算得到的结果，进行指定操作，直至达到进化次数。
进一步，在本发明实施例中，所述处理模块903，还用于若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；根据所述计算结果，对权值以及阈值进行更新。
尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种光伏阵列的最大功率点跟踪方法，其特征在于，所述方法包括：
获取在各个参数下的训练样本以及测试样本；
根据预设参数，确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；
确定所述BP神经网络中的种群数目以及优化目标；
判断进化次数是否达到所述优化目标；
若是，则获得最优神经元初始权值以及阈值；
将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；
根据更新的初始权值以及阈值，判定是否达到指定检测精度值；
若是，则训练结束，得到需要的BP神经网络；
运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
2.如权利要求1所述的方法，其特征在于，在确定所述BP神经网络中的种群数目以及优化目标之后，并且在判断进化次数是否达到所述优化目标之前，所述方法还包括：
对神经元初始值以以及阈值进行实数编码；
对各个种群进行适应度计算，得到适应度计算结果；
循环进行指定操作，计算适应度操作，直至达到进化次数。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；
根据计算得到的结果，进行指定操作，直至达到进化次数。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；
根据所述计算结果，对权值以及阈值进行更新。
5.一种光伏阵列的最大功率点跟踪系统，其特征在于，所述系统包括：
获取模块，用于获取在各个参数下的训练样本以及测试样本；
初始化模块，用于根据预设参数，对反向传播BP神经网络进行初始化设置；
处理模块，还用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。
6.如权利要求5所述的系统，其特征在于，所述处理模块，还用于对神经元初始值以以及阈值进行实数编码；对各个种群进行适应度计算，得到适应度计算结果；循环进行指定操作，计算适应度操作，直至达到进化次数。
7.如权利要求5所述的系统，其特征在于，所述处理模块，还用于若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；根据计算得到的结果，进行指定操作，直至达到进化次数。
8.如权利要求5所述的系统，其特征在于，所述处理模块，还用于若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；根据所述计算结果，对权值以及阈值进行更新。
CN201611092741.2A 2016-11-30 2016-11-30 一种光伏阵列的最大功率点跟踪方法及系统 Pending CN106779065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611092741.2A CN106779065A (zh) 2016-11-30 2016-11-30 一种光伏阵列的最大功率点跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611092741.2A CN106779065A (zh) 2016-11-30 2016-11-30 一种光伏阵列的最大功率点跟踪方法及系统

Publications (1)

Publication Number Publication Date
CN106779065A true CN106779065A (zh) 2017-05-31

Family

ID=58915745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611092741.2A Pending CN106779065A (zh) 2016-11-30 2016-11-30 一种光伏阵列的最大功率点跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN106779065A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN108614612A (zh) * 2018-04-24 2018-10-02 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108964603A (zh) * 2018-07-06 2018-12-07 常书豪 一种人工智能控制室内环境无线光伏自供能传感器系统
CN113326658A (zh) * 2021-06-03 2021-08-31 中国南方电网有限责任公司 基于神经网络的光伏储能并网控制方法
CN118174361A (zh) * 2024-05-14 2024-06-11 国网山东省电力公司日照供电公司 一种分布式光伏储能最大输出功率追踪方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107017664A (zh) * 2017-06-08 2017-08-04 兰州理工大学 一种风光互补发电系统最大功率分时跟踪方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107017664A (zh) * 2017-06-08 2017-08-04 兰州理工大学 一种风光互补发电系统最大功率分时跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHOWDHURY S R ETAL.: "Maximum power point tracking of partially shaded solar photovoltaic arrays", 《SOLAR ENERGY MATERIALS & SOLAR CELLS》 *
林虹江 等: "基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究", 《电测与仪表》 *
陈年 等: "基于GA-BP神经网络的光伏阵列MPPT研究", 《电测与仪表》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573225A (zh) * 2018-03-30 2018-09-25 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108573225B (zh) * 2018-03-30 2022-01-18 国网天津市电力公司电力科学研究院 一种局部放电信号模式识别方法及系统
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN108614612A (zh) * 2018-04-24 2018-10-02 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108614612B (zh) * 2018-04-24 2021-02-19 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108964603A (zh) * 2018-07-06 2018-12-07 常书豪 一种人工智能控制室内环境无线光伏自供能传感器系统
CN113326658A (zh) * 2021-06-03 2021-08-31 中国南方电网有限责任公司 基于神经网络的光伏储能并网控制方法
CN113326658B (zh) * 2021-06-03 2024-03-12 中国南方电网有限责任公司 基于神经网络的光伏储能并网控制方法
CN118174361A (zh) * 2024-05-14 2024-06-11 国网山东省电力公司日照供电公司 一种分布式光伏储能最大输出功率追踪方法及系统

Similar Documents

Publication Publication Date Title
CN106779065A (zh) 一种光伏阵列的最大功率点跟踪方法及系统
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN108872866B (zh) 一种锂离子电池荷电状态动态评估与长效预测融合方法
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN113762603B (zh) 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法
CN109636009B (zh) 一种建立确定电网线损的神经网络模型的方法和系统
CN108960491A (zh) 基于rbf神经网络的光伏发电量预测方法
CN113489015B (zh) 一种基于强化学习的配电网多时间尺度无功电压控制方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN105574231A (zh) 一种蓄电池剩余容量检测方法
CN111144663A (zh) 计及出力波动过程的海上风电场超短期风功率预测方法
CN110082682A (zh) 一种锂电池荷电状态估计方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN111897240B (zh) 一种基于核动力系统运行的仿真方法及系统
CN106875055A (zh) 基于ahp和ga的储能装置参与电网调频的参数优化方法
CN113328435A (zh) 一种基于强化学习的主动配电网有功无功联合控制方法
CN116663397A (zh) 一种大型光伏发电系统的mppt控制方法
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN114839542A (zh) 一种动力锂电池的样本数据集生成方法、soc估计方法
Yu et al. A robust method based on reinforcement learning and differential evolution for the optimal photovoltaic parameter extraction
CN118071205A (zh) 一种锂电负极材料用原料同性焦的自适应控制系统
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN110737998B (zh) 一种基于有限元和深度信念网络的均压环优化设计方法
Jafarkazemi et al. Performance prediction of flat-plate solar collectors using MLP and ANFIS

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531

RJ01 Rejection of invention patent application after publication