CN108037792A - 一种多峰值 mppt算法 - Google Patents
一种多峰值 mppt算法 Download PDFInfo
- Publication number
- CN108037792A CN108037792A CN201711497458.2A CN201711497458A CN108037792A CN 108037792 A CN108037792 A CN 108037792A CN 201711497458 A CN201711497458 A CN 201711497458A CN 108037792 A CN108037792 A CN 108037792A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- maximum power
- gmpp
- section
- power point
- 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开一种多峰值MPPT算法,本算法在启动时候使用大步长的全局扫描算法快速定位各峰值区间,之后使用过滤算法减少峰值区间,在过滤后的1‑5个峰值区间使用二分法找到各区间的局部峰值,然后取其最大值作为全局最大功率点;并通过确认机制对求得的GMPP加以确认,防止算法误判,最后使用三点法算法使系统在变化的环境下动态追踪GMPP。本发明提高了光伏系统最大功率点跟踪速度,使其快速适应环境变化,避免算法陷入局部最优点,减少算法的误判率,降低算法复杂性和实施成本,提高系统性能。
Description
技术领域
本发明涉及光伏系统的最大功率点跟踪技术领域,具体涉及一种多峰值 MPPT算法。
背景技术
在光伏系统中,为了快速跟踪到全局最大功率点、提高跟踪效率、减少震荡、适应环境变化、避免陷入局部峰值,人们已经提出了一系列多峰值最大功率跟踪算法,主要有以下类别的算法:
(1)光伏逆变器的多峰值最大功率点追踪方法, 该方法使用大步长扫描局部出峰值区间,一旦扫描到局部峰值就使用小步长曲求出局部峰值的最大功率点,然后继续使用大步长扫描,当全局扫描一遍后就取最大的那个峰值区间的局部最大功率点作为全局最大功率点,为了提高扫描效率,该方法将扫描范围限定在60%-90%的开路电压之间。
(2)基于全局扫描的多峰值MPPT算法:算法从低电压依次向开路电压处扫描,在全局扫描过程中记录所有的局部峰值,然后用传统的单峰值算法依次求出个局部峰值的局部最大功率点,最后取最大的那个局部峰值点作为全局最大功率点。
(3)粒子群算法:该算法受到鸟类捕食模型的启发,系统启动时初始化若干个位置和速度不同的粒子,通过不停迭代更新粒子个体最优解和全局最优解,直到满足结束条件才停止跟踪。
(4)模糊逻辑算法:该算法首先将输入数据模糊化,然后使用设定的模糊子集和隶属函数推理出模糊结论,最后对模糊结论去模糊化后反过来控制光伏系统,调整系统的最大功率点。
(5)神经网络算法:该算法通过模仿人脑的思维,算法起始阶段需要进行训练,使其能够迅速追踪到最大功率点,并快速响应外部环境变化。
以上各种方法的缺点分别在于:
(1)该方法在外部环境发生变化时候,若最大功率点不在0.6倍Voc(开路电压)和0.9倍Voc之间时,会出现无法追踪到GMPP的现象,造成大量电能浪费;当系统峰值数量很大时,该算法需要用小步长计算每一个局部峰值的大小,会影响算法追踪速度;
(2)基于全局扫描的多峰值MPPT算法需要求出每个局部峰值的最大功率点,峰值较多时候其速度相对较慢;环境变化时候会出现最大功率点误判的现象。
(3)粒子群算法本身比较复杂,而且在最大功率附近会出现一些震荡,以及收敛不稳定的现象。
(4)模糊逻辑算法中的模糊子集的设计,需要人为的专家来设计,无演化能力,不易于拓展到其它光伏系统中。
(5)神经网络算法结构比较复杂,对硬件要求比较高,而且还需要较长的训练时间,不易于拓展到其它光伏系统中。
在大型光伏系统中,其P-U(功率-电压)特征曲线常常呈现多峰值特性,导致传统的单峰值MPPT(最大功率跟踪)算法容易陷入局部峰值,严重降低系统发电效率,为此有必要研究多峰值MPPT算法。在大量研究光伏系统中MPPT算法之后,发现大部分多峰值MPPT算法存在 追踪速度不够快、最大功率点有振荡、误判、无法快速响应环境的动态变化、算法复杂或实施成本高等问题。
发明内容
本发明的目的在于克服现有技术存在的上述不足,提出了一种融合多种算法和机制的多峰值MPPT算法。
本发明提供的多峰值MPPT算法,包括如下步骤:
(1)在启动时候使用大步长的全局扫描算法快速定位各峰值区间;
(2)使用过滤算法减少峰值区间(缩小全局最大功率点的区间);
(3)在过滤后的峰值区间使用二分法找到各区间的局部峰值;
(4)取找到的各区间的局部峰值的最大值作为全局最大功率点;并通过确认机制对求得的全局最大功率点GMPP加以确认,若追踪出错则重启算法求出GMPP;
(5)使用三点法算法使系统在变化的环境下动态追踪GMPP。
进一步地,步骤(1)中,算法启动时候先使用一个大步长的全局扫描算法进行一次全局扫描,扫描中通过Pn-1 < Pn >Pn+1来确定一个峰值区间[Un-1,Un+1]和其近似局部最大功率点(LMPP)的功率Pn,一次全局扫描结束后,就能确定n个区间和对应的n个近似局部最大功率P1、P2…Pn;n为正整数。
进一步地,步骤(2)中,对步骤(1)求得的n个区间进行过滤 ,根据近似局部最大功率率P1、P2…Pn对最大局部峰值较小的那些区间进行过滤,保留最大的1-5个局部峰值区间。
进一步地,步骤(3)中,对步骤(2)确定的1-5个区间使用二分法计算其实际局部最大功率P1’、P2’、P3’、P4’、P5’,然后对1-5个局部最大功率点排序,把最大的那一个作为全局最大功率点GMPP,并记下其功率P(GMPP)和电压U(GMPP)。
进一步地,步骤(4)中,求出GMPP后,再使用全局扫描算法进行一次扫描,并记录扫描的最大功率Pmax,用扫描的最大功率点和步骤(3)中的GMPP进行比较,若Pmax大于P(GMPP)则认为最大功率点发生变化,触发算法重启返回步骤(1),重新跟踪最大功率点,否则执行步骤(5)。
进一步地,步骤(5)中,确定系统最大功率点后,开始执行三点法算法,当三点法监测到前后两次最大功率大于某一个值的时候就重启算法,重新跟踪最大功率点。
与现有技术相比,本发明具有如下优点和技术效果:
与现有的算法相比,本发明算法不仅追踪速度快,而且不用多次重启,还能很好的适应光照和温度变化的环境。除此之外,本算法由于使用了独特的过滤算法,可将目标最大峰值区间确定到1-5个,当光伏系统的峰值数量越多时候,本算法的优势将愈加明显,因此本算较适用于复杂的大型光伏系统。本算法外加了一个确认机制,可以有效降低最大功率点的误判概率,提高系统性能。
附图说明
图1为本发明多峰值MPPT算法主流程图。
图2为实例中二分法算法流程图;
图3为实例中确认机制流程图;
图4为实例中三点法算法流程图;
图5a为实例中光伏系统的P-U特征曲线;
图5b为实例中光伏系统的I-U特征曲线;
图6a为实例中光照随时间的变化曲线(纵轴单位w/㎡,横轴单位ms);
图6b为两种算法关于功率于时间的对照图(纵轴单位w,横轴单位ms);
图7a为试验中温度随时间的变化曲线(纵轴单位℃,横轴单位ms);
图7b为提出算法功率与时间曲线图(纵轴单位w,横轴单位ms)。
具体实施方式
以下结合附图和实例对本发明的具体实施作进一步说明,但本发明的实施和保护不限于此,需指出的是,以下若有未特别详细说明之过程或符号,均是本领技术人员可根据现有技术实现或理解的。
本实例算法的流程图如图1所示,为了提高光伏系统最大功率点跟踪速度,使其快速适应环境变化,避免算法陷入局部最优点,减少算法的误判率,降低算法复杂性和实施成本,本算法在启动时候使用大步长的全局扫描算法快速定位各峰值区间,之后使用过滤算法减少峰值区间,在过滤后的1-5个峰值区间使用二分法找到各区间的局部峰值,然后取其最大值作为全局最大功率点;并通过确认机制对求得的GMPP加以确认,防止算法误判,最后使用三点法算法使系统在变化的环境下动态追踪GMPP。图2为实例中二分法算法流程图,图3为实例中确认机制流程图,图4为实例中三点法算法流程图。以下分别对各部分作进一步说说明。
1、多峰值MPPT算法描述
第一步:算法启动时候先使用一个大步长的全局扫描算法进行一次全局扫描,扫描中通过Pn-1 < Pn >Pn+1来确定一个峰值区间[Un-1,Un+1]和其近似局部最大功率点(LMPP)的功率Pn,一次全局扫描结束后,就可以确定n个区间和其对应的n个近似局部最大功率P1、P2…Pn;
第二步:对第一步求的n个区间进行过滤 ,根据近似功率P1、P2…Pn对最大局部峰值较小的那些区间进行过滤,保留最大的1-5个局部峰值区间;
第三步:对第二步确定的1-5个区间使用二分法计算其实际局部最大功率P1’、P2’、P3’、P4’、P5’,然后对1-5个局部最大功率点排序,把最大的那一个作为全局最大功率点(GMPP),并记下其功率P(GMPP)和电压U(GMPP);
第四步:求出GMPP后,再使用全局扫描算法进行一次扫描,并记录扫描的最大功率Pmax,用扫描的最大功率点和第三步中的GMPP进行比较,若Pmax大于P(GMPP)则认为最大功率点发生变化,触发算法重启,重新跟踪最大功率点,否则执行第五步;
第五步,确定系统最大功率点后,开始执行三点法算法,使本算法动态适应较小的环境变化。为了防止环境发生激烈变化,当三点法监测到前后两次最大功率大于某一个值的时候就重启算法,重新跟踪最大功率点。
第一步中的全局扫描算法:
本算法中两次使用全局扫描算法,第一次通过全局扫描找到所有峰值区间,第二次在确认机制中通过全局扫描找到一个最大功率点,其流程如图1红框区所示。全局扫描算法初始电压为U = 0,初始功率P = 0,步长K=Voc/50(实际中,其步长可根据开路电压大小和系统峰值数量做相应调整),算法每执行一次其电压值就增加K,直到U>Voc时全局扫描结束。在全局扫描过程中,可以根据前后3次功率Pn-1、Pn、Pn+1来确定是否存在一个局部峰值区间,若Pn-1 < Pn > Pn+1,则存在一个与之对应的峰值区间[Un-1,Un+1]。
第二步中的过滤算法:
通常由全局扫描算法可以产生多个局部峰值区间,但实际中GMPP只存在某一个峰值区间中,因此可以通过过滤掉不必要的峰值区间来提高算法速度。全局扫描后会产生n个局部峰值区间和对应的n个近似局部最大功率点P1、P2、P3…Pn,过滤算法先对P1、P2、P3…Pn排序,然后取P1-Pn中最大的1-5(若n大于5时取5个,n小于5的时就取n个)个过滤对应的区间作为目标区间。
第三步中的二分法算法:
在本算法中,二分法算法主要用来求局部单峰值区间的局部最大功率点(LMPP),其流程图如图2所示。若某个局部峰值区间为[a,b],则初始化其步长K1=(b-a)/4,初始电压U=(b-a)/2,初始过滤P=U*I,常数e=0.001(e用于判断算法是否找到最大功率点,可根据实际需要调整大小),设二分法第n次扰动功率为Pn,第n+1次扰动功率为P(n+1) ,若第n+1次扰动后P(n+1)> P(n) ,则不改变扰动步长继续向同一方向扰动,直到出现P(n+1)< P(n) 时,此时使扰动步长减半并向相反方向扰动,即为K= -K/2;若扰动后功率增加则继续不改变步长向同一方向扰动,否则步长减半并反向扰动,如此循环,直到|P(n+1)- P(n)|<e时或者达到扰动次数的上限时候停止搜索,返回Pmax=Max(Pn+1,Pn)。
第四部中的确认机制:
在多峰值MPPT算法运行过程中,外部环境的变化容易导致算法出现误判,为了避免算法误判引入确认机制,其流程图如图3所示。确认机制使用一次全局扫描,并在扫描过程中记录扫描到的最大功率Pmax,若|P(GMPP)-Pmax|>=a*Pmax(a可根据实际需要设置为0.1或者0.05等值),则说明环境变化改变了已经求出的GMPP,因此需要重重启算法,若|P(GMPP)-Pmax|<a*Pmax,那么认为追踪过程光照没有变化或者变化不足以影响GMPP的位置,因此可直接使用三点法动态跟踪GMPP。
第五步中的三点法算法:
在实际中,光照和温度经常发生微弱的变化,算法找到GMPP后如果不动态调整GMPP会造成能量损失,三点法算法就是为了让算法在不重启的情况下动态跟踪GMPP的,其流程图如图4所示。三点法初始电压位置即为全局最大功率点电压位置U=U(GMPP),步长K2=Voc/1000(K2可以根据实际开路电压大小适当调整),常数α值取0.01,三点法每次执行时候都计算U-K2、U、U+K2三处对应的功率P1、P2、P3,求三点处最大功率Pmax1=Max(P1,P2,P3),若|Pmax1-P(GMPP)|>α*P(GMPP)则认为外部环境变化激烈,需要重启算法否则继续执行三点法算法动态跟踪GMPP。
根据该算法的特征对该算法进行数学建模仿真,并与传统的基于全局扫描的多峰值MPPT算法进行对比。实验中使用三个光伏模块串联,各个模块开路电压均为20V,短路电流均为8A,其遮阴分别为0.7、0.85、1(1表示为未遮阴)。光伏系统的P-U特征曲线如图5a所示(纵轴单位w,横轴单位V),I-U特征曲线如图5b所示(纵轴单位A,横轴单位V)。仿真时以1ms为单位对其进行扰动,分别从跟踪时间、转换率、系统震荡、光照温度变化等方面进行对比。
实验结果如下:
(1)光照变化时仿真结果
其中图6a为试验中光照随时间的变化曲线(纵轴单位w/㎡,横轴单位ms), 图6b为两种算法关于功率于时间的对照图(纵轴单位w,横轴单位ms),实线为本发明提出的算法、虚线为传统多峰值算法。
(2)温度变化时仿真结果
其中,图7a为试验中温度随时间的变化曲线(纵轴单位℃,横轴单位ms), 图7b为提出算法功率与时间曲线图(纵轴单位w,横轴单位ms)。
由图6a、图6b可知,从0-500ms可知,改进算法在120ms附近达到最大功率点(MPP)附近,然后使用确认机制确认算法是否误判,之后一直稳定在最大功率点处,而传统算法在200ms左右才达到MPP附近;从500-1500ms可知本算法在光照缓慢变化的时候能够快速做出动态跟踪而不需要重启算法,而传统算法检测到功率发生较大变化时候会重启,导致较大震荡,降低了算法的效率;由图7a、图7b可知,本算法能够在温度快速变化时候快速动态追踪全局最大功率点。
本实验中光伏模型为3峰值,经过过滤后本算法只需精确查找1个局部峰值,而传统算法需要精确查找3个局部峰值,若有n个峰值本算法只需查找1-5个即可,而传统算法需要查找n个峰值,会严重降低追踪效率。
通过对比,可以发现本算法不仅追踪速度快,而且不用多次重启,还能很好的适应光照和温度变化的环境。除此之外,本算法由于使用了独特的过滤算法,可将目标最大峰值区间确定到1-5个,当光伏系统的峰值数量越多时候,本算法的优势将愈加明显,因此本算较适用于复杂的大型光伏系统。本算法外加了一个确认机制,可以有效降低最大功率点的误判概率,提高系统性能。
Claims (6)
1.一种多峰值 MPPT算法,其特征在于包括如下步骤:
(1)在启动时候使用大步长的全局扫描算法快速定位各峰值区间;
(2)使用过滤算法减少峰值区间;
(3)在过滤后的峰值区间使用二分法找到各区间的局部峰值;
(4)取找到的各区间的局部峰值的最大值作为全局最大功率点;并通过确认机制对求得的全局最大功率点GMPP加以确认,若追踪出错则重启算法求出GMPP;
(5)使用三点法算法使系统在变化的环境下动态追踪GMPP。
2.根据权利要求1所述的一种多峰值 MPPT算法,其特征在于步骤(1)中,算法启动时候先使用一个大步长的全局扫描算法进行一次全局扫描,扫描中通过Pn-1 < Pn >Pn+1来确定一个峰值区间[Un-1,Un+1]和其近似局部最大功率点(LMPP)的功率Pn,一次全局扫描结束后,就能确定n个区间和对应的n个近似局部最大功率P1、P2…Pn;n为正整数。
3.根据权利要求1所述的一种多峰值 MPPT算法,其特征在于步骤(2)中,对步骤(1)求得的n个区间进行过滤 ,根据近似局部最大功率率P1、P2…Pn对最大局部峰值较小的那些区间进行过滤,保留最大的1-5个局部峰值区间。
4.根据权利要求1所述的一种多峰值 MPPT算法,其特征在于步骤(3)中,对步骤(2)确定的1-5个区间使用二分法计算其实际局部最大功率P1’、P2’、P3’、P4’、P5’,然后对1-5个局部最大功率点排序,把最大的那一个作为全局最大功率点GMPP,并记下其功率P(GMPP)和电压U(GMPP)。
5.根据权利要求4所述的一种多峰值 MPPT算法,其特征在于步骤(4)中,求出GMPP后,再使用全局扫描算法进行一次扫描,并记录扫描的最大功率Pmax,用扫描的最大功率点和步骤(3)中的GMPP进行比较,若Pmax大于P(GMPP)则认为最大功率点发生变化,触发算法重启返回步骤(1),重新跟踪最大功率点,否则执行步骤(5)。
6.根据权利要求4所述的一种多峰值 MPPT算法,其特征在于步骤(5)中,确定系统最大功率点后,开始执行三点法算法,当三点法监测到前后两次最大功率大于某一个值的时候就重启算法,重新跟踪最大功率点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711497458.2A CN108037792A (zh) | 2017-12-31 | 2017-12-31 | 一种多峰值 mppt算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711497458.2A CN108037792A (zh) | 2017-12-31 | 2017-12-31 | 一种多峰值 mppt算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108037792A true CN108037792A (zh) | 2018-05-15 |
Family
ID=62098590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711497458.2A Pending CN108037792A (zh) | 2017-12-31 | 2017-12-31 | 一种多峰值 mppt算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108037792A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515418A (zh) * | 2019-08-12 | 2019-11-29 | 全球能源互联网研究院有限公司 | 一种光伏系统全局最大功率点的确定方法及跟踪方法 |
CN111198592A (zh) * | 2018-11-19 | 2020-05-26 | 西安许继电力电子技术有限公司 | 一种光伏最大功率点跟踪方法及装置 |
CN111474978A (zh) * | 2020-05-13 | 2020-07-31 | 山东科技大学 | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 |
CN114995578A (zh) * | 2022-04-28 | 2022-09-02 | 武汉大学 | 局部阴影下光伏阵列最大功率的跟踪方法 |
CN116225146A (zh) * | 2023-04-17 | 2023-06-06 | 广州菲利斯太阳能科技有限公司 | 一种高精度mppt控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090284998A1 (en) * | 2008-05-14 | 2009-11-19 | National Semiconductor Corporation | Method and system for providing maximum power point tracking in an energy generating system |
CN102495945A (zh) * | 2011-11-11 | 2012-06-13 | 河海大学 | 光伏发电系统多峰值最大功率点跟踪的谷值定界搜索方法 |
CN103123514A (zh) * | 2013-02-26 | 2013-05-29 | 浙江工业大学 | 光伏阵列多峰最大功率点跟踪方法 |
CN103955253A (zh) * | 2014-05-05 | 2014-07-30 | 合肥工业大学 | 基于功率闭环扫描的光伏阵列多峰值最大功率点跟踪方法 |
CN105242740A (zh) * | 2015-07-10 | 2016-01-13 | 福州大学 | 一种局部阴影下最大功率点跟踪控制方法 |
-
2017
- 2017-12-31 CN CN201711497458.2A patent/CN108037792A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090284998A1 (en) * | 2008-05-14 | 2009-11-19 | National Semiconductor Corporation | Method and system for providing maximum power point tracking in an energy generating system |
CN102495945A (zh) * | 2011-11-11 | 2012-06-13 | 河海大学 | 光伏发电系统多峰值最大功率点跟踪的谷值定界搜索方法 |
CN103123514A (zh) * | 2013-02-26 | 2013-05-29 | 浙江工业大学 | 光伏阵列多峰最大功率点跟踪方法 |
CN103955253A (zh) * | 2014-05-05 | 2014-07-30 | 合肥工业大学 | 基于功率闭环扫描的光伏阵列多峰值最大功率点跟踪方法 |
CN105242740A (zh) * | 2015-07-10 | 2016-01-13 | 福州大学 | 一种局部阴影下最大功率点跟踪控制方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198592A (zh) * | 2018-11-19 | 2020-05-26 | 西安许继电力电子技术有限公司 | 一种光伏最大功率点跟踪方法及装置 |
CN111198592B (zh) * | 2018-11-19 | 2021-07-09 | 西安许继电力电子技术有限公司 | 一种光伏最大功率点跟踪方法及装置 |
CN110515418A (zh) * | 2019-08-12 | 2019-11-29 | 全球能源互联网研究院有限公司 | 一种光伏系统全局最大功率点的确定方法及跟踪方法 |
CN111474978A (zh) * | 2020-05-13 | 2020-07-31 | 山东科技大学 | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 |
CN114995578A (zh) * | 2022-04-28 | 2022-09-02 | 武汉大学 | 局部阴影下光伏阵列最大功率的跟踪方法 |
CN116225146A (zh) * | 2023-04-17 | 2023-06-06 | 广州菲利斯太阳能科技有限公司 | 一种高精度mppt控制方法 |
CN116225146B (zh) * | 2023-04-17 | 2024-03-15 | 广州菲利斯太阳能科技有限公司 | 一种高精度mppt控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037792A (zh) | 一种多峰值 mppt算法 | |
US10234495B2 (en) | Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter | |
CN103885521B (zh) | 一种基于布谷鸟搜索算法的光伏阵列mppt方法 | |
CN106628097B (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN105827195B (zh) | 一种光伏组件清洗方法 | |
CN103123514B (zh) | 光伏阵列多峰最大功率点跟踪方法 | |
CN104601109B (zh) | 一种电‑图模型的光伏热斑效应检测方法 | |
CN106933778A (zh) | 一种基于爬坡事件特征识别的风电功率组合预测方法 | |
CN105630061B (zh) | 一种串联光伏组件最大功率点跟踪方法 | |
CN110311398B (zh) | 一种新型储能电池系统的连接拓扑、控制系统及方法 | |
CN106483405A (zh) | 基于隐马尔可夫模型的npc光伏逆变器的故障诊断方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN104062541A (zh) | 一种针对容错永磁电机定子匝间短路的故障诊断方法 | |
CN106711993B (zh) | 一种直流微电网稳定控制方法 | |
CN107732906A (zh) | 一种动态跟踪暂态功角弱稳定模式的切机控制方法 | |
CN106356893A (zh) | 一种在光伏并网系统中最大功率点跟踪双模糊控制方法 | |
CN205068052U (zh) | 一种太阳能光伏发电装置 | |
CN103840764B (zh) | 一种光伏发电的mppt控制装置及方法 | |
IE20200193U1 (en) | System and method for diagnosing state fault of desulfurization and denitration circulating pump | |
CN110656385B (zh) | 一种基于神经网络的静电纺丝纤维平均直径预测方法 | |
CN114320773A (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
EP3987624A1 (de) | Verfahren zur bestimmung einer kennlinie eines photovoltaik (pv)-strings, dc/dc-wandler und zur durchführung des verfahrens geeignete pv-anlage | |
CN112947665A (zh) | 光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法 | |
CN110717260A (zh) | 一种无人机机动能力模型建立方法 | |
Hu et al. | Prediction of river water quality based on neural network model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |