CN108111125A - 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 - Google Patents
一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 Download PDFInfo
- Publication number
- CN108111125A CN108111125A CN201810083455.2A CN201810083455A CN108111125A CN 108111125 A CN108111125 A CN 108111125A CN 201810083455 A CN201810083455 A CN 201810083455A CN 108111125 A CN108111125 A CN 108111125A
- Authority
- CN
- China
- Prior art keywords
- value
- photovoltaic array
- max
- module
- array
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 235000013305 food Nutrition 0.000 claims description 38
- 239000003990 capacitor Substances 0.000 claims description 15
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 229920000642 polymer Polymers 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 235000012907 honey Nutrition 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010248 power generation Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
Landscapes
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种光伏阵列的IV特性曲线扫描与参数辨识系统及方法，系统包括数据采集模块、光伏阵列IV特性曲线扫描模块、存储模块和显示模块，数据采集模块对光伏阵列的温度和光照度进行采样，并通过低功耗无线传感网络传输给光伏阵列IV特性曲线扫描模块，基于动态电容充电方法进行IV特性曲线扫描，检测阵列输出电流和电压并存储；将扫描到的IV曲线转化为标准条件下（STC）的IV曲线，利用ABC‑NM单纯形混合算法进行IV曲线拟合，准确辨识光伏模型参数。本发明系统既能携带至户外，以辅助检测人员对光伏阵列进行人工检测，又能放置于汇流箱，与上位机连接实现实时在线的组件级和组件串级的分布式光伏阵列IV曲线扫描。
Description
技术领域
本发明涉及光伏发电阵列检测技术领域，具体涉及一种光伏阵列的IV特性曲线扫描与参数辨识系统及方法。
背景技术
作为光伏发电系统的核心，光伏面板是一种必须长期处在室外环境下的发电装置。因此，在实际的应用中，光伏面板的性能不仅会随着使用年限的增加而下降，而且会受到恶劣自然环境的影响而产生故障。故障的存在会造成整个系统的低效率运行并且加速光伏面板的损坏，严重时甚至会引起火灾，造成社会财产损失，危害人类生命安全。对光伏阵列在各种复杂环境下的特性电压、电流数据的采集、建模、参数提取、参数分析归类是快速故障检测、保障光伏发电系统安全、评估系统性能、改进太阳能电池制造工艺的基础。
近年来，国内外许多学者在对光伏阵列I-V特性曲线测试技术方面有了比较深入的研究，大部分学者主要采用的测试方法有：可变功率电阻器测试法、可变电子负载测试法和动态电容充电测试法。可变功率电阻器测试法是通过手动改变电阻器的阻值，并同时利用电流和电压表进行电流、电压数据的人工读取，将采集到的数据按时序排列，便得到光伏组件的伏安特性曲线。该方法原理简单，但测试过程繁琐，耗时耗力、手动控制无法使电阻的阻值连续、准确变化，所得到的I-V曲线精确度和光滑度都较低。可变电子负载法是将运行在线性区域的功率晶体管(例如IGBT和MOSFET)作为可变负载，通过控制栅极驱动电压来改变晶体管的导通程度，通过连续采样，就能准确获取光伏组件I-V特性曲线。可是因为安全工作区的限制，功率晶体管只能承受几毫秒的高功耗，它只适用低功耗的光伏组件I-V曲线测量，对于光伏阵列的I-V测量应用，功率晶体管很容易烧坏。因此，基于功率晶体管的可变电子负载方案的鲁棒性非常有限。
一旦获得I-V曲线，可以容易地提取一些简单的光伏阵列电气参数(包括开路电压(Voc)，短路电流(Isc)，最大功率点电压(Vmpp)和电流(Impp)以及填充因子(FF)等等)，结合测量的温度和光照度，确实可以很方便地检查出光伏阵列的运行状态。然而对于前端太阳能电池生产工艺的改进、如何降低光伏发电成本、光伏阵列性能更详细地评估以及更深层次、更便捷性的光伏阵列故障诊断，除了这些简单电气参数以外，还需要光伏内部模型参数，而目前市场上的光伏组件往往没有提供这些内部参数。因此，光伏模型参数辨识近年来得到国内外越来越多的学者的关注。
传统光伏模型参数提取的方法主要局限于近似解析法和数值求解法。近似解析法利用微分求导，在不同程度假设和简化模型的前提下，分析处理I-V特性方程，进而近似求出模型的未知参数值。尽管方法容易理解，计算不难，但其计算精度很大程度上受I-V特性曲线部分关键点的影响，若关键点的采样数值有微小变化，模型参数则出现很大偏差。数值求解法利用数值算法对所有实测电压电流数据进行拟合，参数提取的精度相对稳定并且有了一定的提高，但仍受限于所选择的数值算法，存在着收敛性不确定，计算量较大等缺点。近年来，人工智能技术在光伏模型的参数提取方面得到了广泛运用，如人工神经网络、混沌粒子群算法，遗传算法等。其特点是利用搜索、替代、迭代逐步减少误差，使参数的值逼近最优解。这些算法在参数辨识精度方面相比于传统方法有了很大提升，并且通过参数优化，基本能解决收敛速度慢，容易陷入局部最优等缺陷，因此，高效人工智能算法越来越得到人们的广泛运用。本发明也采用高效人工智能算法。
目前国内对基于电容方案的I-V曲线测试仪的研究(特别是便携式产品)仍相对薄弱，而国外的一些产品存在价格偏高，并且这些测试仪都没有提供提取光伏内部模型参数的功能，而这些内部参数对更深层次地研究光伏发电系统具有重要意义。
发明内容
针对现有技术的不足，本发明提出一种光伏阵列的IV特性曲线扫描与参数辨识系统及方法，通过控制IGBT的导通相应地控制电解电容的充电，通过控制固态继电器从而完成电解电容的放电，在获取光伏阵列I-V特性曲线后，直接利用高效人工智能优化算法在嵌入式平台中实现光伏阵列模型参数辨识，为进一步实现便携式光伏故障诊断提供有效支撑。
为实现上述目的，本发明的技术方案是：一种光伏阵列模型参数辨识系统及方法，包括数据采集模块、光伏阵列IV特性曲线扫描模块、存储模块和显示模块；
所述数据采集模块与光伏阵列IV特性曲线扫描模块连接，用于测量光伏阵列的温度和光照度；
所述光伏阵列IV特性曲线扫描模块包括，第一控制器，分别与第一控制器连接的测量阵列电压的电压传感器和测量阵列电流的电流传感器、所述电流传感器的一端经一二极管与阵列输出正极连接，所述电流传感器的另一端与一第一IGBT的集电极、一电容的正极和一第一电阻的一端连接，所述第一IGBT的栅极依次经一第二电阻和一第一驱动光耦与第一控制器连接，所述电容的负极与一第二IGBT的集电极、一固态继电器的第一输出端连接，所述固态继电器的第二输出端与第一电阻的另一端连接，输入端与第一控制器连接，所述第二IGBT的栅极依次经一第三电阻和一第二驱动光耦与第一控制器连接，所述第一IGBT的发射极、阵列输出负极和第二IGBT的发射极均接地；
所述存储模块和显示模块分别与第一控制器连接。
进一步地，所述数据采集模块包括光照度传感器、温度传感器和第二控制器，所述光照度传感器和温度传感器分别与第二控制器连接，所述第二控制器与第一控制器之间通过无线收发器进行数据传输。
进一步地，所述存储模块为U盘。
进一步地，还包括与第一控制器通过UART接口连接的上位机。
进一步地，所述数据采集模块和光伏阵列IV特性曲线扫描模块由可充电聚合物锂电池供电。
进一步地，所述光伏阵列IV特性曲线扫描模块安装于汇流箱处。
一种上述系统的IV特性曲线扫描与参数辨识方法，包括：
步骤S1：数据采集模块对光伏阵列的温度和光照度进行采样，并通过低功耗无线传感网络传输给第一控制器；
步骤S2：光伏阵列IV特性曲线扫描模块基于动态电容充电方法进行IV特性曲线扫描，利用电流传感器和电压传感器检测阵列电流和电压，测量数据存储在存储模块中；
步骤S3：建立光伏电池单二极管模型，该模型的五参数分别为光电流Iph、二极管反向饱和电流I0、二极管理想因子n、等效并联电阻Rsh和等效串联电阻Rs，绝对误差如下：
取均方根误差RMSE为目标函数，
其中，x＝[Iph、I0、n、Rs、Rsh]，N为试验所采集的I-V数据样本数，V为光伏阵列输出电压，I为光伏阵列输出电流，q为电子电荷量，K为玻耳兹曼常数，T为绝对温度；
步骤S4：设置五参数边界上限UB和下限LB，利用人工蜂群算法输出该算法下最优的Iph、I0、n、Rs、Rsh和RMSE值；
步骤S5：以步骤S4的计算结果作为初始值，利用单纯形算法计算最终的目标函数最优解。
进一步地，所述步骤S2具体包括：
步骤S21：测量并保存短路电流和开路电压；
步骤S22：控制第一IGBT和第二IGBT的导通相应地控制电解电容的充电，采集并保存阵列电流和电压数据；
步骤S23：通过控制固态继电器从而完成电解电容的放电，将IV数据、PV数据描点于显示模块，形成IV曲线和PV曲线；
步骤S24：扫描一组完成后，通过标准条件(STC)修正公式获取标准条件(STC)下的IV数据；
步骤S25：将STC条件下的IV数据、PV数据描点于显示模块，形成最终的IV曲线和PV曲线。
进一步地，所述步骤S4具体包括：
步骤S41：设置五参数边界上限UB和下限LB，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)初始化各食物源的五参数Xmi，并计算该局部最佳解，其中，Xm为5维向量，m＝1,2,3,..,SN，5为优化参数的个数，i∈{1,2,3,4,5}；
步骤S42：判断迭代次数是否小于预设的最大迭代次数，如果否，进入步骤S46；如果是，进入步骤S43：
步骤S43：雇佣蜂根据Vmi＝Xmi+Φmi*(Xmi-Xki)寻找新的食物源Vm，计算其适应度值，根据贪婪策略选择食物源；其中，Φmi为[-1,1]之间的随机数，k∈{1,2,3,..,SN},k随机生成，且k≠m；
步骤S44：根据计算观察蜂选择某个食物源的概率Pm；其中，fitm(Xm)为第m个食物源的适应度函数值；
fm(Xm)为第m个食物源的目标函数值；
步骤S45：观察蜂采用轮盘赌的方法选择雇佣蜂，根据Vmi＝Xmi+Φmi*(Xmi-Xki)在所选择的蜜源Xm附近寻找新的一个食物源Vm，并用贪婪法选择食物源,迭代次数加一；
步骤S45：判断是否存在要放弃的食物源，如果否，记录当前最好的食物源并转入步骤S42；如果是，雇佣蜂变成侦察蜂，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)寻找新的食物源替代该丢弃食物源并同样进入步骤S42；
步骤S46：输出最佳解的Iph、I0、n、Rs、Rsh和RMSE值。
进一步地，所述步骤S5具体包括：
步骤S51：以步骤S4的计算结果作为初始值初始化单纯形，设X1，X2，…，Xn+1是构成单纯形的n+1个顶点，计算目标函数值f(Xi)，i＝1,2，…，n+1，确定最大值点Xmax，次大值点Xsmax，最小值点Xmin，以及除Xmax以外的n个顶点的形心Xa、f(Xa)，反射系数r>0，扩展系数e>1并且e>r，压缩系数0<c<1，收缩系数0<s<1，允许误差ε>0；
步骤S52：反射点的值Xr可由以下公式求得，计算f(Xr)，
Xr＝Xa+r(Xa-Xmax)
若f(Xmin)≤f(Xr)≤f(Xsmax)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S53：若反射值小于最小值，即f(Xr)<f(Xmin)，则进行扩展，扩展点的值Xe由以下公式求得，计算f(Xe)，转到步骤S55，
Xe＝Xa+e(Xr-Xmax)；
步骤S54：若f(Xr)>f(Xsmax)，则进行压缩，压缩点的值Xc由以下公式求得，计算f(Xc)，转到步骤S56，
Xc＝Xa+c(Xt-Xa)；
步骤S55：若扩展值小于反射值，即f(Xe)≤f(Xr)，则用扩展值替换最大值，Xmax＝Xe，f(Xmax)＝f(Xe)，转到步骤S57；若f(Xe)>f(Xr)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S56：若f(Xc)<f(Xmax)，则用压缩值替换最大值，Xmax＝Xc，f(Xmax)＝f(Xc)，转到步骤S57；否则，进行收缩，通过以下公式对每个参数重新赋值，其中i＝1,2，…，n+1，
Xi:＝Xi+s(Xmin-Xi)；
步骤S57：检验是否收敛，若满足
则停止计算，得到目标函数最优解；否则返回步骤S52，进入下一轮迭代。
与现有技术相比，本发明具有有益效果：
(1)本系统既能携带至户外，以辅助检测人员对光伏阵列进行人工检测，又能放置于汇流箱实现实时在线的组件级和组件串级的分布式光伏阵列I-V曲线扫描；
(2)设计新型的电容充放电方案进行I-V曲线扫描，实现了快速地充电和干净地放电；
(3)运用新型ABC-NM单纯形算法在嵌入式平台DSP上实现了光伏模型内部参数提取，对更深层次地研究光伏发电系统具有重要意义。
附图说明
图1是本发明光伏阵列IV特性曲线扫描与参数辨识系统的结构框图；
图2是本发明光伏阵列IV特性曲线扫描与参数辨识系统的程序流程图；
图3是本发明光伏阵列IV特性曲线扫描模块的程序流程图；
图4是太阳能电池的单二极管模型示意图；
图5是本发明ABC算法程序流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明的一种光伏阵列模型参数辨识系统及方法，包括数据采集模块、光伏阵列IV特性曲线扫描模块、存储模块和显示模块；数据采集模块与光伏阵列IV特性曲线扫描模块连接，用于测量光伏阵列的温度和光照度；光伏阵列IV特性曲线扫描模块包括，第一控制器，分别与第一控制器连接的测量阵列电压的电压传感器和测量阵列电流的电流传感器、所述电流传感器的一端经一二极管与阵列输出正极连接，所述电流传感器的另一端与一第一IGBT的集电极、一电容的正极和一第一电阻的一端连接，所述第一IGBT的栅极依次经一第二电阻和一第一驱动光耦与第一控制器连接，所述电容的负极与一第二IGBT的集电极、一固态继电器的第一输出端连接，所述固态继电器的第二输出端与第一电阻的另一端连接，输入端与第一控制器连接，所述第二IGBT的栅极依次经一第三电阻和一第二驱动光耦与第一控制器连接，所述第一IGBT的发射极、阵列输出负极和第二IGBT的发射极均接地；存储模块和显示模块分别与第一控制器连接。数据采集模块包括光照度传感器、温度传感器和第二控制器，所述光照度传感器和温度传感器分别与第二控制器连接，所述第二控制器与第一控制器之间通过无线收发器进行数据传输。
所述存储模块为U盘，与第一控制器通过UART接口连接一上位机，数据采集模块和光伏阵列IV特性曲线扫描模块由可充电聚合物锂电池供电。
光伏阵列IV特性曲线扫描模块采用TMS320F28335微处理器作为主控制器，采用串并联组合的大容量电解电容作为可变负载，采用单个高耐压、大电流的IGBT功率管(型号IRGP4066PbF)作为电容充电开关，采用无触点、高灵敏度的固态继电器(SSR)作为电容的放电开关，采用分辨率为480*272的彩色液晶模块为显示模块，采用串口U盘模块为数据存储模块，采用隔离型的霍尔电流传感器进行阵列电流检测，采用精密电阻分压的方式进行阵列电压检测，采用聚合物锂电池作为该模块的电源。将采集到的电压电流有序排列，便构成了I-V特性曲线，同时通过STC修正公式，便得到了STC条件下的I-V曲线。
无线收发器型号为nRF24L01，第一控制器和第二控制器的型号为TMS320F28335，第一IGBT和第二IGBT的型号为IRGP4066PbF，第一驱动光耦和第二驱动光耦的型号为TLP350。
本系统既能放置于汇流箱处通过上位机数据管理中心对光伏阵列实时在线测试，从而提高检测效率，又能携带至户外，以辅助检测人员对光伏阵列进行人工检测，对于提升光伏电站的发电效率和维护效率具有重要作用。系统的程序流程图如图2所示。
如图3所示，一种上述系统的IV特性曲线扫描与参数辨识方法，包括：
步骤S1：数据采集模块对光伏阵列的温度和光照度进行采样，并通过低功耗无线传感网络传输给第一控制器；
步骤S2：光伏阵列IV特性曲线扫描模块基于动态电容充电方法进行IV特性曲线扫描，利用电流传感器和电压传感器检测阵列电流和电压，测量数据存储在存储模块中；
步骤S3：建立光伏电池单二极管模型，如图4所示，在恒定的温度光照下，光电流Iph的值保持不变，在模型等效电路中可看成是恒流源，此时根据基尔霍夫电流定律，可得电池光伏特性的输出电流为：
该模型的五参数分别为光电流Iph、二极管反向饱和电流I0、二极管理想因子n、等效并联电阻Rsh和等效串联电阻Rs，它们的大小与光伏阵列所处环境有关，影响光伏阵列的非线性输出特性的拟合精度，为使提取的参数以及I-V曲线拟合尽可能精确，在输出电压相同的情况下，上式所模拟出的电流值与实测电流值的绝对误差应最小，绝对误差如下：
考虑到所采集的数据不止一组，为使拟合精度更高，得到电流实测值与其模拟值之间的均方根误差RMSE，
其中，x＝[Iph、I0、n、Rs、Rsh]，N为试验所采集的I-V数据样本数，V为光伏阵列输出电压，I为光伏阵列输出电流，q为电子电荷量(1.6×10-19C)，K为玻耳兹曼常数(1.38×10- 22J.K-1)，T为绝对温度；当N为固定值时，通过反推可得，RMSE的值越小，f(V,I,x)的值就越小，通过ABC-NMS算法所提取的参数以及I-V曲线拟合的精度也就越高，因此取均方根误差RMSE为目标函数；
步骤S4：设置五参数边界上限UB和下限LB，利用人工蜂群算法输出该算法下最优的Iph、I0、n、Rs、Rsh和RMSE值；
步骤S5：以步骤S4的计算结果作为初始值，利用单纯形算法计算最终的目标函数最优解。
进一步地，所述步骤S2具体包括：
步骤S21：测量并保存短路电流和开路电压；
步骤S22：控制第一IGBT和第二IGBT的导通相应地控制电解电容的充电，采集并保存阵列电流和电压数据；
步骤S23：通过控制固态继电器从而完成电解电容的放电，将IV数据、PV数据描点于显示模块，形成IV曲线和PV曲线；
步骤S24：扫描一组完成后，通过STC修正公式获取STC条件下的IV数据；
步骤S25：将STC条件下的IV数据、PV数据描点于显示模块，形成最终的IV曲线和PV曲线。
如图5所示，人工蜂群(ABC)是受蜜蜂采食行为启发的启发式算法。该算法对初值选取不敏感，具有良好的全局优化能力。通过模拟实际的蜜蜂采集机制，标准的ABC算法将人工蜜蜂分为三类：雇佣蜂，观察蜂和侦察蜂。花蜜代表优化问题的可能解决方案。雇佣蜂，观察蜂和侦察蜂代表解决方案的操作者。所述步骤S4具体包括：
步骤S41：设置五参数边界上限UB和下限LB，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)初始化各食物源的五参数Xmi，并计算该局部最佳解，其中，Xm为5维向量，m＝1,2,3,..,SN，5为优化参数的个数，i∈{1,2,3,4,5}；
步骤S42：判断迭代次数是否小于预设的最大迭代次数，如果否，进入步骤S46；如果是，进入步骤S43：
步骤S43：雇佣蜂根据Vmi＝Xmi+Φmi*(Xmi-Xki)寻找新的食物源Vm，计算其适应度值，根据贪婪策略选择食物源；其中，Φmi为[-1,1]之间的随机数，k∈{1,2,3,..,SN},k随机生成，且k≠m；
步骤S44：根据计算观察蜂选择某个食物源的概率Pm；其中，fitm(Xm)为第m个食物源的适应度函数值；
fm(Xm)为第m个食物源的目标函数值；
步骤S45：观察蜂采用轮盘赌的方法选择雇佣蜂，根据Vmi＝Xmi+Φmi*(Xmi-Xki)在所选择的蜜源Xm附近寻找新的一个食物源Vm，并用贪婪法选择食物源,迭代次数加一；
步骤S45：判断是否存在要放弃的食物源，如果否，记录当前最好的食物源并转入步骤S42；如果是，雇佣蜂变成侦察蜂，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)寻找新的食物源替代该丢弃食物源并同样进入步骤S42；
步骤S46：输出最佳解的Iph、I0、n、Rs、Rsh和RMSE值。
Nelder-Mead单纯形(NMS)算法是解决多维无约束最小化问题的直接搜索方法。其基本思想是首先在n维参数空间(如一维空间的线，二维空间的三角形，三维空间的四面体)中构造一个具有(n+1)个顶点的多面体)。然后计算每个顶点的目标函数值，确定最大值，次大值，最小值和除最大值以外的n个顶点的中心值，然后搜索出一个更好的点代替最大值从而构成新的单纯形，经过反射，扩张，收缩和压缩的操作。经过多次迭代，得到目标函数的最优解。
所述步骤S5具体包括：
步骤S51：以步骤S4的计算结果作为初始值初始化单纯形，设X1，X2，…，Xn+1是构成单纯形的n+1个顶点，计算目标函数值f(Xi)，i＝1,2，…，n+1，确定最大值点Xmax，次大值点Xsmax，最小值点Xmin，以及除Xmax以外的n个顶点的形心Xa、f(Xa)，反射系数r>0，扩展系数e>1并且e>r，压缩系数0<c<1，收缩系数0<s<1，允许误差ε>0；
步骤S52：反射点的值Xr可由以下公式求得，计算f(Xr)，
Xr＝Xa+r(Xa-Xmax)
若f(Xmin)≤f(Xr)≤f(Xsmax)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S53：若反射值小于最小值，即f(Xr)<f(Xmin)，则进行扩展，扩展点的值Xe由以下公式求得，计算f(Xe)，转到步骤S55，
Xe＝Xa+e(Xr-Xmax)；
步骤S54：若f(Xr)>f(Xsmax)，则进行压缩，压缩点的值Xc由以下公式求得，计算f(Xc)，转到步骤S56，
Xc＝Xa+c(Xt-Xa)；
步骤S55：若扩展值小于反射值，即f(Xe)≤f(Xr)，则用扩展值替换最大值，Xmax＝Xe，f(Xmax)＝f(Xe)，转到步骤S57；若f(Xe)>f(Xr)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S56：若f(Xc)<f(Xmax)，则用压缩值替换最大值，Xmax＝Xc，f(Xmax)＝f(Xc)，转到步骤S57；否则，进行收缩，通过以下公式对每个参数重新赋值，其中i＝1,2，…，n+1，
Xi:＝Xi+s(Xmin-Xi)；
步骤S57：检验是否收敛，若满足
则停止计算，得到目标函数最优解；否则返回步骤S52，进入下一轮迭代。
1.在本发明中，我们提出简单地级联ABC和NMS算法，以形成ABC-NMS混合算法。ABC-NMS混合算法充分利用ABC算法的全局优化能力，在较少的迭代次数下找到合适的初始参数向量。然后采用高效的NMS算法对参数进行集中优化，得到最优的参数和RMSE值。采用新型的ABC-NM单纯形混合算法在DSP平台上实现快速、精确的I-V曲线拟合，以提取准确光伏模型参数；此外，曲线拟合的均方根误差(RMSE)可以被用来有效地预示局部阴影情况。
以上所述的具体实施例，对本发明的目的、技术方案和成果进行了详尽说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏阵列的IV特性曲线扫描与参数辨识系统，其特征在于，包括数据采集模块、光伏阵列IV特性曲线扫描模块、存储模块和显示模块；
所述数据采集模块与光伏阵列IV特性曲线扫描模块连接，用于测量光伏阵列的温度和光照度；
所述光伏阵列IV特性曲线扫描模块包括，第一控制器，分别与第一控制器连接的测量阵列电压的电压传感器和测量阵列电流的电流传感器、所述电流传感器的一端经一二极管与阵列输出正极连接，所述电流传感器的另一端与一第一IGBT的集电极、一电容的正极和一第一电阻的一端连接，所述第一IGBT的栅极依次经一第二电阻和一第一驱动光耦与第一控制器连接，所述电容的负极与一第二IGBT的集电极、一固态继电器的第一输出端连接，所述固态继电器的第二输出端与第一电阻的另一端连接，输入端与第一控制器连接，所述第二IGBT的栅极依次经一第三电阻和一第二驱动光耦与第一控制器连接，所述第一IGBT的发射极、阵列输出负极和第二IGBT的发射极均接地；
所述存储模块和显示模块分别与第一控制器连接。
2.根据权利要求1所述的IV特性曲线扫描与参数辨识系统，其特征在于，所述数据采集模块包括光照度传感器、温度传感器和第二控制器，所述光照度传感器和温度传感器分别与第二控制器连接，所述第二控制器与第一控制器之间通过无线收发器进行数据传输。
3.根据权利要求1所述的IV特性曲线扫描与参数辨识系统，其特征在于，所述存储模块为U盘。
4.根据权利要求1所述的IV特性曲线扫描与参数辨识系统，其特征在于，还包括与第一控制器通过UART接口连接的上位机。
5.根据权利要求1所述的IV特性曲线扫描与参数辨识系统，其特征在于，所述数据采集模块和光伏阵列IV特性曲线扫描模块由可充电聚合物锂电池供电。
6.根据权利要求4所述的IV特性曲线扫描与参数辨识系统，其特征在于，所述光伏阵列IV特性曲线扫描模块安装于汇流箱处。
7.一种基于权利要求1所述系统的IV特性曲线扫描与参数辨识方法，其特征在于，包括：
步骤S1：数据采集模块对光伏阵列的温度和光照度进行采样，并通过低功耗无线传感网络传输给第一控制器；
步骤S2：光伏阵列IV特性曲线扫描模块基于动态电容充电方法进行IV特性曲线扫描，利用电流传感器和电压传感器检测阵列电流和电压，测量数据存储在存储模块中；
步骤S3：建立光伏电池单二极管模型，该模型的五参数分别为光电流Iph、二极管反向饱和电流I0、二极管理想因子n、等效并联电阻Rsh和等效串联电阻Rs，绝对误差如下：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>,</mo>
<mi>I</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>I</mi>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>p</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>I</mi>
<mn>0</mn>
</msub>
<mo>{</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>+</mo>
<msub>
<mi>IR</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>n</mi>
<mi>K</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mn>1</mn>
<mo>}</mo>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>+</mo>
<msub>
<mi>IR</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
</mrow>
</msub>
</mfrac>
</mrow>
取均方根误差RMSE为目标函数，
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mi>i</mi>
<mrow>
<mo>(</mo>
<mi>V</mi>
<mo>,</mo>
<mi>I</mi>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，x＝[Iph、I0、n、Rs、Rsh]，N为试验所采集的I-V数据样本数，V为光伏阵列输出电压，I为光伏阵列输出电流，q为电子电荷量，K为玻耳兹曼常数，T为绝对温度；
步骤S4：设置五参数边界上限UB和下限LB，利用人工蜂群算法输出该算法下最优的Iph、I0、n、Rs、Rsh和RMSE值；
步骤S5：以步骤S4的计算结果作为初始值，利用单纯形算法计算最终的目标函数最优解。
8.根据权利要求7所述的IV特性曲线扫描与参数辨识方法，其特征在于，所述步骤S2具体包括：
步骤S21：测量并保存短路电流和开路电压；
步骤S22：控制第一IGBT和第二IGBT的导通相应地控制电解电容的充电，采集并保存阵列电流和电压数据；
步骤S23：通过控制固态继电器从而完成电解电容的放电，将IV数据、PV数据描点于显示模块，形成IV曲线和PV曲线；
步骤S24：扫描一组完成后，通过STC修正公式获取STC条件下的IV数据；
步骤S25：将STC条件下的IV数据、PV数据描点于显示模块，形成最终的IV曲线和PV曲线。
9.根据权利要求7所述的IV特性曲线扫描与参数辨识方法，其特征在于，所述步骤S4具体包括：
步骤S41：设置五参数边界上限UB和下限LB，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)初始化各食物源的五参数Xmi，并计算该局部最佳解，其中，Xm为5维向量，m＝1,2,3,..,SN，5为优化参数的个数，i∈{1,2,3,4,5}；
步骤S42：判断迭代次数是否小于预设的最大迭代次数，如果否，进入步骤S46；如果是，进入步骤S43：
步骤S43：雇佣蜂根据Vmi＝Xmi+Φmi*(Xmi-Xki)寻找新的食物源Vm，计算其适应度值，根据贪婪策略选择食物源；其中，Φmi为[-1,1]之间的随机数，k∈{1,2,3,..,SN},k随机生成，且k≠m；
步骤S44：根据计算观察蜂选择某个食物源的概率Pm；其中，fitm(Xm)为第m个食物源的适应度函数值；
<mrow>
<msub>
<mi>fit</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
fm(Xm)为第m个食物源的目标函数值；
步骤S45：观察蜂采用轮盘赌的方法选择雇佣蜂，根据Vmi＝Xmi+Φmi*(Xmi-Xki)在所选择的蜜源Xm附近寻找新的一个食物源Vm，并用贪婪法选择食物源,迭代次数加一；
步骤S45：判断是否存在要放弃的食物源，如果否，记录当前最好的食物源并转入步骤S42；如果是，雇佣蜂变成侦察蜂，根据Xmi＝LBi+rand(0,1)*(UBi-LBi)寻找新的食物源替代该丢弃食物源并同样进入步骤S42；
步骤S46：输出最佳解的Iph、I0、n、Rs、Rsh和RMSE值。
10.根据权利要求7所述的IV特性曲线扫描与参数辨识方法，其特征在于，所述步骤S5具体包括：
步骤S51：以步骤S4的计算结果作为初始值初始化单纯形，设X1，X2，…，Xn+1是构成单纯形的n+1个顶点，计算目标函数值f(Xi)，i＝1,2，…，n+1，确定最大值点Xmax，次大值点Xsmax，最小值点Xmin，以及除Xmax以外的n个顶点的形心Xa、f(Xa)，反射系数r>0，扩展系数e>1并且e>r，压缩系数0<c<1，收缩系数0<s<1，允许误差ε>0；
步骤S52：反射点的值Xr可由以下公式求得，计算f(Xr)，
Xr＝Xa+r(Xa-Xmax)
若f(Xmin)≤f(Xr)≤f(Xsmax)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S53：若反射值小于最小值，即f(Xr)<f(Xmin)，则进行扩展，扩展点的值Xe由以下公式求得，计算f(Xe)，转到步骤S55，
Xe＝Xa+e(Xr-Xmax)；
步骤S54：若f(Xr)>f(Xsmax)，则进行压缩，压缩点的值Xc由以下公式求得，计算f(Xc)，转到步骤S56，
Xc＝Xa+c(Xt-Xa)；
步骤S55：若扩展值小于反射值，即f(Xe)≤f(Xr)，则用扩展值替换最大值，Xmax＝Xe，f(Xmax)＝f(Xe)，转到步骤S57；若f(Xe)>f(Xr)，则用反射值替换最大值，Xmax＝Xr，f(Xmax)＝f(Xr)，转到步骤S57；
步骤S56：若f(Xc)<f(Xmax)，则用压缩值替换最大值，Xmax＝Xc，f(Xmax)＝f(Xc)，转到步骤S57；否则，进行收缩，通过以下公式对每个参数重新赋值，其中i＝1,2，…，n+1，
Xi:＝Xi+s(Xmin-Xi)；
步骤S57：检验是否收敛，若满足
<mrow>
<msup>
<mrow>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
<msup>
<mn>2</mn>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</msup>
<mo><</mo>
<mi>&epsiv;</mi>
</mrow>
则停止计算，得到目标函数最优解；否则返回步骤S52，进入下一轮迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810083455.2A CN108111125B (zh) | 2018-01-29 | 2018-01-29 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810083455.2A CN108111125B (zh) | 2018-01-29 | 2018-01-29 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108111125A true CN108111125A (zh) | 2018-06-01 |
| CN108111125B CN108111125B (zh) | 2023-11-14 |
Family
ID=62221206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810083455.2A Active CN108111125B (zh) | 2018-01-29 | 2018-01-29 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108111125B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509757A (zh) * | 2018-06-20 | 2018-09-07 | 泰州隆基乐叶光伏科技有限公司 | 一种光伏电池模型的搭建方法 |
| CN108923748A (zh) * | 2018-07-16 | 2018-11-30 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
| CN109039284A (zh) * | 2018-09-26 | 2018-12-18 | 武汉爱疆科技有限公司 | 一种太阳能光伏组件iv特性测试装置 |
| CN109388845A (zh) * | 2018-08-19 | 2019-02-26 | 福州大学 | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 |
| CN109409024A (zh) * | 2018-12-25 | 2019-03-01 | 福州大学 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
| CN109543269A (zh) * | 2018-11-14 | 2019-03-29 | 福州大学 | 一种基于混合信任区间反射的光伏模型参数辨识方法 |
| CN110829491A (zh) * | 2019-10-25 | 2020-02-21 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
| CN111259550A (zh) * | 2020-01-17 | 2020-06-09 | 福州大学 | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 |
| CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 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 |
| CN112511104A (zh) * | 2020-11-20 | 2021-03-16 | 温州大学 | 一种单二极管结构光伏电池参数的辨识方法 |
| CN113011000A (zh) * | 2021-02-08 | 2021-06-22 | 山东大学 | 光伏电池工作特性多条件参数预测的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105553421A (zh) * | 2015-12-02 | 2016-05-04 | 蚌埠电子信息产业技术研究院 | 一种光伏发电系统在线iv曲线测试装置及测试方法 |
| CN106169910A (zh) * | 2016-07-20 | 2016-11-30 | 国网青海省电力公司 | 基于群搜索算法的光伏电池参数辨识方法 |
| CN106357220A (zh) * | 2016-10-12 | 2017-01-25 | 福州大学 | 一种分布式光伏组串及组件iv特性曲线在线测量系统 |
| 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 |
| EP3214758A1 (en) * | 2016-03-03 | 2017-09-06 | Solaredge Technologies Ltd. | Methods for mapping power generation installations |
| CN207819856U (zh) * | 2018-01-29 | 2018-09-04 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统 |
-
2018
- 2018-01-29 CN CN201810083455.2A patent/CN108111125B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105553421A (zh) * | 2015-12-02 | 2016-05-04 | 蚌埠电子信息产业技术研究院 | 一种光伏发电系统在线iv曲线测试装置及测试方法 |
| EP3214758A1 (en) * | 2016-03-03 | 2017-09-06 | Solaredge Technologies Ltd. | Methods for mapping power generation installations |
| CN106169910A (zh) * | 2016-07-20 | 2016-11-30 | 国网青海省电力公司 | 基于群搜索算法的光伏电池参数辨识方法 |
| CN106357220A (zh) * | 2016-10-12 | 2017-01-25 | 福州大学 | 一种分布式光伏组串及组件iv特性曲线在线测量系统 |
| 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 |
| CN207819856U (zh) * | 2018-01-29 | 2018-09-04 | 福州大学 | 一种光伏阵列的iv特性曲线扫描与参数辨识系统 |
Non-Patent Citations (1)
| Title |
|---|
| 娄宁娜;毛弋;黄媛玉;: "基于改进人工蜂群算法的分布式电源规划", 湖南师范大学自然科学学报, no. 03 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509757A (zh) * | 2018-06-20 | 2018-09-07 | 泰州隆基乐叶光伏科技有限公司 | 一种光伏电池模型的搭建方法 |
| CN108923748A (zh) * | 2018-07-16 | 2018-11-30 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
| CN108923748B (zh) * | 2018-07-16 | 2019-08-06 | 河海大学常州校区 | 一种基于iv曲线扫描的光伏阵列故障诊断方法 |
| CN109388845A (zh) * | 2018-08-19 | 2019-02-26 | 福州大学 | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 |
| CN109388845B (zh) * | 2018-08-19 | 2022-12-13 | 福州大学 | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 |
| CN109039284A (zh) * | 2018-09-26 | 2018-12-18 | 武汉爱疆科技有限公司 | 一种太阳能光伏组件iv特性测试装置 |
| CN109543269B (zh) * | 2018-11-14 | 2023-04-18 | 福州大学 | 一种基于混合信任区间反射的光伏模型参数辨识方法 |
| CN109543269A (zh) * | 2018-11-14 | 2019-03-29 | 福州大学 | 一种基于混合信任区间反射的光伏模型参数辨识方法 |
| CN109409024B (zh) * | 2018-12-25 | 2022-09-06 | 福州大学 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
| CN109409024A (zh) * | 2018-12-25 | 2019-03-01 | 福州大学 | 基于一维深度残差网络的光伏组件电压电流特性建模方法 |
| CN110829491A (zh) * | 2019-10-25 | 2020-02-21 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN110829491B (zh) * | 2019-10-25 | 2023-08-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 |
| CN111123112A (zh) * | 2020-01-10 | 2020-05-08 | 南昌大学 | 一种基于人工蜂群算法的锂离子电池模型参数辨识方法 |
| CN111259550A (zh) * | 2020-01-17 | 2020-06-09 | 福州大学 | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 |
| CN111259550B (zh) * | 2020-01-17 | 2022-05-13 | 福州大学 | 基于网格搜索和改进nm单纯形算法的光伏模型更新方法 |
| CN112084703A (zh) * | 2020-08-18 | 2020-12-15 | 温州大学 | 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 |
| CN112084703B (zh) * | 2020-08-18 | 2023-08-25 | 温州大学 | 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 |
| CN112511104A (zh) * | 2020-11-20 | 2021-03-16 | 温州大学 | 一种单二极管结构光伏电池参数的辨识方法 |
| WO2022105060A1 (zh) * | 2020-11-20 | 2022-05-27 | 温州大学 | 一种单二极管结构光伏电池参数的辨识方法 |
| CN113011000A (zh) * | 2021-02-08 | 2021-06-22 | 山东大学 | 光伏电池工作特性多条件参数预测的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108111125B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108111125B (zh) | 一种光伏阵列的iv特性曲线扫描与参数辨识系统及方法 | |
| Xu et al. | Parameter estimation of photovoltaic modules using a hybrid flower pollination algorithm | |
| Houssein et al. | An efficient Manta Ray Foraging Optimization algorithm for parameter extraction of three-diode photovoltaic model | |
| CN207819856U (zh) | 一种光伏阵列的iv特性曲线扫描与参数辨识系统 | |
| CN104617876B (zh) | 一种太阳能光伏组件的户外测试平台及发电性能在线分析方法 | |
| CN106059496A (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
| Chen et al. | Development of a capacitor charging based quick IV curve tracer with automatic parameter extraction for photovoltaic arrays | |
| CN105823989A (zh) | 一种改进的rbf神经网络的电池soc预测方法 | |
| Masoudinejad et al. | A gray box modeling of a photovoltaic cell under low illumination in materials handling application | |
| Wu et al. | Parameter identification of photovoltaic cell model based on improved grasshopper optimization algorithm | |
| CN113595132B (zh) | 基于最大功率点和混合优化算法的光伏在线参数辨识方法 | |
| CN107506331A (zh) | 基于时间关联性及元件运行时间的微电网可靠性计算方法 | |
| CN104253586B (zh) | 一种太阳能电池板电气参数在线测量评价装置及方法 | |
| CN111814399B (zh) | 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法 | |
| CN209233491U (zh) | 一种户级的光伏电站管理系统 | |
| CN116937562A (zh) | 分布式光伏接入的电能质量预测方法、装置以及电力系统 | |
| KR101137687B1 (ko) | 태양전지 모듈의 품질 검사 장치 | |
| CN108280287B (zh) | 一种太阳能电池参数提取的方法 | |
| CN109830981A (zh) | 一种户级的光伏电站管理系统及其控制方法 | |
| CN104967406A (zh) | 一种光伏组件阵列直流发电特性的测量仪器及其测量方法 | |
| Ftirich et al. | Design and implementation of real-time monitoring system for building-integrated photovoltaic system | |
| CN104065340A (zh) | 一种太阳电池片检测系统及其测量方法 | |
| CN108365820B (zh) | 一种基于开路电压测量的太阳能电池表面清洁度判断方法 | |
| CN116470849A (zh) | 一种光伏组件在线i-v特性监测及参数辨识系统 | |
| Sajjad et al. | Design and Implementation of an IoT Based Solar Power Monitoring System |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |