CN109634350A - 一种基于神经网络来调整占空比实现最大功率跟踪的方法 - Google Patents
一种基于神经网络来调整占空比实现最大功率跟踪的方法 Download PDFInfo
- Publication number
- CN109634350A CN109634350A CN201910097431.7A CN201910097431A CN109634350A CN 109634350 A CN109634350 A CN 109634350A CN 201910097431 A CN201910097431 A CN 201910097431A CN 109634350 A CN109634350 A CN 109634350A
- Authority
- CN
- China
- Prior art keywords
- duty ratio
- neural network
- photovoltaic
- output
- voltage
- 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
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
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)
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明涉及一种基于神经网络来调整占空比实现最大功率跟踪的方法,针对扰动观察法出现的收敛比较慢、震荡难以得到一个确定最大功率点的缺点,本发明对此进行改进,首先采用BP神经网络来对太阳能发电的最大功率点进行建模预测,在一开始直接调节电压使其达到预测的最大值处,避免了一段寻找最大功率点的中间过程,紧接着进入MPPT追踪开始进行寻找真正的最大功率点。当出现前后两次功率输出相等或者前后两次输出功率在一定范围内时,因为P‑U特性曲线两边接近对称,本发明将最大功率点调节为前后两次的中值,经更接近最大输出功率点。
Description
技术领域
本发明涉及太阳能发电最大功率追踪领域,特别是一种基于神经网络来调整占空比实现最大功率跟踪的方法。
背景技术
地球上的化石能源是有限的,加上随着人们对于能源需求量的增加,化石能源以可见速度减少,并且带来了环境毁坏、能源问题等后果。相反的,地球上太阳能的储藏数量无穷无尽且干净,因此太阳能光伏发电作为具有无限潜力的发电方式值得我们加大力度去研究。同时光伏发电具有不确定性、不可预测性,输出功率最大能有效利用太阳能,因此提高技术能够有效帮助家庭光伏发电发展,通过调节占空比改变功率输出。
实现最大功率点跟踪的方法各种各样,但是比较常见的主要有恒定电压法,扰动观察法和电导增量法。恒定电压跟踪就是控制按照设定在忽略温度的影响的前提下,所以只要控制光伏输出电压为设定的参考值Um,就可以得到最大输出功率,但是,这个方法是在忽略温度的前提下,一旦温度出现变化,输出功率就会偏离我们控制得出的结果;扰动观察法就是给电压一个扰动不断观察输出功率的变化,不断比较最后得出最大功率点,但是扰动观察法不会得出一个确定的值,结果会在最大功率点附近不断震荡,这样会造成能量损耗;光伏P-U特性曲线是单峰值可导连续曲线,所以根据这一特点,增量电导法就是通过比较光伏电池某一时刻电导变化量和电导瞬时值的关系来实现最大功率点跟踪,与扰动观察法不同的是,增量电导法能够得出一个确切最大功率点,减少了能量损耗。但是dU、dI比较小,需要传感器具有较高精度,成本较高。
发明内容
有鉴于此,本发明的目的是提出一种基于神经网络来调整占空比实现最大功率跟踪的方法,能够实现最大功率跟踪快速收敛、避免震荡。
本发明采用以下方案实现:一种基于神经网络来调整占空比实现最大功率跟踪的方法,具体包括以下步骤:
步骤S1:令光伏发电系统进入运行状态;
步骤S2:建立BP神经网络模型U=WXT,得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y,并且检测电压电流计算功率,给系统一个扰动;;其中,W表示神经网络模型的权重矩阵,X表示神经网络模型的输入矩阵,Y表示神经网络模型预测的最大功率点处电压;
步骤S3:实时检测光伏发电系统输出的电流与电压,并计算其输出的功率PK;比较当前检测的功率PK与上一次检测的功率PK-1,并判断是否|PK-PK-1|=0,若是,进入步骤S4,否则进入步骤S5;
步骤S4:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;其中,UK为当前检测到的光伏系统输出电压,UK-1为上一次检测的光伏系统输出电压;
步骤S5:判断是否|PK-PK-1|<e,若是则进入步骤S6,否则进入步骤S7;其中,e为预设的第一阈值;
步骤S6:判断是否|PK-PK-1|<Q,若是,则返回步骤S4,否则确定步长ΔU为小步长,并进入步骤S8;其中,Q为预设的第二阈值;
步骤S7:确定步长ΔU为大步长,并进入步骤S8;
步骤S8:令光伏发电系统的输出电压为U=U±ΔU,并返回步骤S3。
针对扰动观察法出现的收敛比较慢、震荡难以得到一个确定最大功率点的缺点,本发明对此进行改进,首先采用BP神经网络来对太阳能发电的最大功率点进行建模预测,在一开始直接调节电压使其达到预测的最大值处,避免了一段寻找最大功率点的中间过程,紧接着进入MPPT追踪开始进行寻找真正的最大功率点。当出现前后两次功率输出相等或者前后两次输出功率在一定范围内时,因为P-U特性曲线两边接近对称,本发明将最大功率点调节为前后两次的中值,经更接近最大输出功率点。
进一步地,步骤S2具体包括以下步骤:
步骤S21:利用发电的影响因素作为神经网络的输入,即将太阳辐射量x1、太阳电池组件的倾斜角度x2、太阳电池组件的效率x3、组合损失x4、温度特性x5作为网络输入,令X=(x1,x2,x3,x4,x5);
步骤S22:设置权重矩阵W的初值;
步骤S23:训练形成BP神经网络U=WXT;
步骤S24:得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y;
步骤S25:检测光伏输电系统输出的电压电流,并计算功率;
步骤S26:给系统一个扰动,开始进行更为精确的最大功率搜索。
进一步地,步骤S4具体包括以下步骤:
步骤S41:判断是否UK>UK-1,若是,进入步骤S42;否则,进入步骤S43;
步骤S42:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;
步骤S43:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3。
进一步地,步骤S8具体包括以下步骤:
步骤S81:判断是否PK<PK-1,若是,则进入步骤S82,否则进入步骤S83;
步骤S82:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU;
步骤S83:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU。
进一步地,所述调节占空比具体为:将光伏发电系统BOOST电路以及后面的负载等效为一个等效电阻则R内=R等效当时输出功率达到最大,因此通过调节占空比来改变R等效的大小,从而实现输出功率最大化;其中,Vi表示光伏发电系统的等效输入电压,Ii表示光伏发电系统的等效输入电流,Vo表示光伏发电系统的输出电压,Io表示光伏发电系统的输出电流,D为占空比,R内表示光伏组件的内阻。
进一步地,所述第一阈值e为一个较大的值,用于前期的最大功率粗略搜寻。
进一步地,所述第二阈值Q为一个较小的值,用于后期的最大功率精确搜寻。
进一步地,所述小步长为一个较小的值,用于后期的点精准定位。
进一步地,所述大步长为一个较大的值,用于前期的最大功率点快速逼近。
与现有技术相比,本发明有以下有益效果:
1、由于新能源发电的不稳定性和不可预测性,需要对新能源发电机组的输出进行跟踪控制。传统的变步长扰动观察法依靠输出功率的变化方向来确定最大功率点需要花费一定的时间,并且在向最大功率点靠近的过程中所找到的点不够精确或者会出现在最高点附近震荡的情况,本发明针对变步长扰动法所存在缺陷,采用BP神经网络来对太阳能发电的最大功率点进行建模预测,在一开始直接调节电压使其达到预测的最大值处,紧接着进入MPPT追踪开始进行寻找真正的最大功率点。用取中值法来结束最大功率搜索,能够实现较快速且精确的最大功率输出。
2、本发明能够实现最大功率跟踪快速收敛、避免震荡。
附图说明
图1为本发明实施例的流程示意图。
图2为本发明实施例的P-U特性曲线。
图3为本发明实施例的原理框图。
图4为本发明实施例的神经网络结构图。
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。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于神经网络来调整占空比实现最大功率跟踪的方法,具体包括以下步骤:
步骤S1:令光伏发电系统进入运行状态;
步骤S2:建立BP神经网络模型U=WXT,得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y,并且检测电压电流计算功率,给系统一个扰动;其中,W表示神经网络模型的权重矩阵,X表示神经网络模型的输入矩阵,Y表示神经网络模型预测的最大功率点处电压;
步骤S3:实时检测光伏发电系统输出的电流与电压,并计算其输出的功率PK;比较当前检测的功率PK与上一次检测的功率PK-1,并判断是否|PK-PK-1|=0,若是,进入步骤S4,否则进入步骤S5;
步骤S4:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;其中,UK为当前检测到的光伏系统输出电压,UK-1为上一次检测的光伏系统输出电压;
步骤S5:判断是否|PK-PK-1|<e,若是则进入步骤S6,否则进入步骤S7;其中,e为预设的第一阈值;
步骤S6:判断是否|PK-PK-1|<Q,若是,则返回步骤S4,否则确定步长ΔU为小步长,并进入步骤S8;其中,Q为预设的第二阈值;
步骤S7:确定步长ΔU为大步长,并进入步骤S8;
步骤S8:令光伏发电系统的输出电压为U=U±ΔU,并返回步骤S3。
针对扰动观察法出现的收敛比较慢、震荡难以得到一个确定最大功率点的缺点,本发明对此进行改进,首先采用BP神经网络来对太阳能发电的最大功率点进行建模预测,在一开始直接调节电压使其达到预测的最大值处,避免了一段寻找最大功率点的中间过程,紧接着进入MPPT追踪开始进行寻找真正的最大功率点。当出现前后两次功率输出相等或者前后两次输出功率在一定范围内时,因为P-U特性曲线两边接近对称,本发明将最大功率点调节为前后两次的中值,经更接近最大输出功率点。
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:利用发电的影响因素作为神经网络的输入,即将太阳辐射量x1、太阳电池组件的倾斜角度x2、太阳电池组件的效率x3、组合损失x4、温度特性x5作为网络输入,令X=(x1,x2,x3,x4,x5);建立一个5-3-2-1的网络结构,如图4所示;
步骤S22:设置权重矩阵W的初值;具体设置权重分别代表输入层、隐含层的元素所占的权重;
步骤S23:训练形成BP神经网络U=WXT;
步骤S24:得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y;
步骤S25:检测光伏输电系统输出的电压电流,并计算功率;
步骤S26:给系统一个扰动,开始进行更为精确的最大功率搜索。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:判断是否UK>UK-1,若是,进入步骤S42;否则,进入步骤S43;
步骤S42:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;
步骤S43:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3。
在本实施例中,步骤S8具体包括以下步骤:
步骤S81:判断是否PK<PK-1,若是,则进入步骤S82,否则进入步骤S83;
步骤S82:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU;
步骤S83:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU。
在本实施例中,所述调节占空比具体为:将光伏发电系统BOOST电路以及后面的负载等效为一个等效电阻则R内=R等效当时输出功率达到最大,因此通过调节占空比来改变R等效的大小,从而实现输出功率最大化;其中,Vi表示光伏发电系统的等效输入电压,Ii表示光伏发电系统的等效输入电流,Vo表示光伏发电系统的输出电压,Io表示光伏发电系统的输出电流,D为占空比,表示,R内表示光伏组件的内阻。
在本实施例中,所述第一阈值e为一个较大的值,用于前期的最大功率粗略搜寻。
在本实施例中,所述第二阈值Q为一个较小的值,用于后期的最大功率精确搜寻。
在本实施例中,所述小步长为一个较小的值,用于后期的点精准定位。
在本实施例中,所述大步长为一个较大的值,用于前期的最大功率点快速逼近。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于神经网络来调整占空比实现最大功率跟踪的方法,其特征在于:具体包括以下步骤:
步骤S1:令光伏发电系统进入运行状态;
步骤S2:建立BP神经网络模型U=WXT,得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y,并且检测电压电流计算功率,给系统一个扰动;其中,W表示神经网络模型的权重矩阵,X表示神经网络模型的输入矩阵,Y表示神经网络模型预测的最大功率点处电压;
步骤S3:实时检测光伏发电系统输出的电流与电压,并计算其输出的功率PK;比较当前检测的功率PK与上一次检测的功率PK-1,并判断是否|PK-PK-1|=0,若是,进入步骤S4,否则进入步骤S5;
步骤S4:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;其中,UK为当前检测到的光伏系统输出电压,UK-1为上一次检测的光伏系统输出电压;
步骤S5:判断是否|PK-PK-1|<e,若是则进入步骤S6,否则进入步骤S7;其中,e为预设的第一阈值;
步骤S6:判断是否|PK-PK-1|<Q,若是,则返回步骤S4,否则确定步长ΔU为小步长,并进入步骤S8;其中,Q为预设的第二阈值;
步骤S7:确定步长ΔU为大步长,并进入步骤S8;
步骤S8:令光伏发电系统的输出电压为U=U±ΔU,并返回步骤S3。
2.根据权利要求1所述的一种基于神经网络来调整占空比实现最大功率跟踪的方法,其特征在于:步骤S2具体包括以下步骤:
步骤S21:利用发电的影响因素作为神经网络的输入,即将太阳辐射量x1、太阳电池组件的倾斜角度x2、太阳电池组件的效率x3、组合损失x4、温度特性x5作为网络输入,令X=(x1,x2,x3,x4,x5);
步骤S22:设置权重矩阵W的初值;
步骤S23:训练形成BP神经网络U=WXT;
步骤S24:得出预测最大功率点处电压,调节光伏发电系统的输出电压U,使U=Y;
步骤S25:检测光伏输电系统输出的电压电流,并计算功率;
步骤S26:给系统一个扰动,开始进行更为精确的最大功率搜索。
3.根据权利要求1所述的一种基于神经网络来调整占空比实现最大功率跟踪的方法,其特征在于:步骤S4具体包括以下步骤:
步骤S41:判断是否UK>UK-1,若是,进入步骤S42;否则,进入步骤S43;
步骤S42:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3;
步骤S43:调节占空比,使得光伏发电系统的输出电压为并返回步骤S3。
4.根据权利要求1所述的一种基于神经网络来调整占空比实现最大功率跟踪的方法,其特征在于:步骤S8具体包括以下步骤:
步骤S81:判断是否PK<PK-1,若是,则进入步骤S82,否则进入步骤S83;
步骤S82:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU;
步骤S83:判断是否UK>UK-1;若是,调节占空比,令光伏输电系统的输出电压为U=U-ΔU;否则,令U=U+ΔU。
5.根据权利要求1-4任一项所述的一种基于神经网络来调整占空比实现最大功率跟踪的方法,其特征在于:所述调节占空比具体为:将光伏发电系统BOOST电路以及后面的负载等效为一个等效电阻则R内=R等效当时输出功率达到最大,因此通过调节占空比来改变R等效的大小,从而实现输出功率最大化;其中,Vi表示光伏发电系统的等效输入电压,Ii表示光伏发电系统的等效输入电流,Vo表示光伏发电系统的输出电压,Io表示光伏发电系统的输出电流,D为占空比,R内表示光伏组件的内阻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097431.7A CN109634350B (zh) | 2019-01-31 | 2019-01-31 | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097431.7A CN109634350B (zh) | 2019-01-31 | 2019-01-31 | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109634350A true CN109634350A (zh) | 2019-04-16 |
CN109634350B CN109634350B (zh) | 2020-11-03 |
Family
ID=66064442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097431.7A Expired - Fee Related CN109634350B (zh) | 2019-01-31 | 2019-01-31 | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109634350B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571853A (zh) * | 2019-09-05 | 2019-12-13 | 武汉工程大学 | 一种基于径向基神经网络风光发电mppt控制方法及系统 |
CN110865679A (zh) * | 2019-11-21 | 2020-03-06 | 武汉理工大学 | 一种面向船舶的光伏发电系统最大功率点跟踪控制方法 |
CN112947672A (zh) * | 2021-02-08 | 2021-06-11 | 南京邮电大学 | 一种光伏电池最大功率点跟踪方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学(保定) | 一种光伏发电微型电网系统及最大功率跟踪方法 |
CN104965558A (zh) * | 2015-05-27 | 2015-10-07 | 华北电力大学(保定) | 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置 |
CN108280270A (zh) * | 2018-01-04 | 2018-07-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法 |
-
2019
- 2019-01-31 CN CN201910097431.7A patent/CN109634350B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学(保定) | 一种光伏发电微型电网系统及最大功率跟踪方法 |
CN104965558A (zh) * | 2015-05-27 | 2015-10-07 | 华北电力大学(保定) | 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置 |
CN108280270A (zh) * | 2018-01-04 | 2018-07-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法 |
Non-Patent Citations (1)
Title |
---|
卢秀和等: "基于中值步长法的光伏阵列最大功率点跟踪", 《可再生能源》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110571853A (zh) * | 2019-09-05 | 2019-12-13 | 武汉工程大学 | 一种基于径向基神经网络风光发电mppt控制方法及系统 |
CN110865679A (zh) * | 2019-11-21 | 2020-03-06 | 武汉理工大学 | 一种面向船舶的光伏发电系统最大功率点跟踪控制方法 |
CN112947672A (zh) * | 2021-02-08 | 2021-06-11 | 南京邮电大学 | 一种光伏电池最大功率点跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109634350B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106484026B (zh) | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 | |
Eldahab et al. | Enhancing the maximum power point tracking techniques for photovoltaic systems | |
CN109634350A (zh) | 一种基于神经网络来调整占空比实现最大功率跟踪的方法 | |
Shi et al. | Tracking the global maximum power point of a photovoltaic system under partial shading conditions using a modified firefly algorithm | |
CN109783997A (zh) | 一种基于深度神经网络的电力系统暂态稳定评估方法 | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
CN108681363A (zh) | 恒压结合变步长电导增量的mppt控制方法 | |
CN108536212A (zh) | 一种基于功率预测的新型变步长光伏最大功率跟踪方法 | |
CN102509152A (zh) | 一种基于rbf神经网络的开关磁阻电机在线建模方法 | |
CN105512775A (zh) | 一种光伏发电系统的功率预测方法 | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
CN103513574B (zh) | 轴向混合磁轴承鱼群算法分数阶pid控制器的构造方法 | |
CN102665314B (zh) | 一种改进的mppt算法及基于该算法的太阳能led路灯系统 | |
CN115543004A (zh) | 一种基于改进粒子群优化算法的mppt控制方法及系统 | |
CN105913161A (zh) | 一种基于多目标优化的光伏系统最大功率点的获取方法 | |
CN104199507A (zh) | 基于p-u曲率特性的光伏最大功率跟踪系统及方法 | |
CN109995078A (zh) | 光伏并网机电暂态仿真装置 | |
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 | |
Okafor et al. | Photovoltaic System MPPT Evaluation Using Classical, Meta-Heuristics, and Reinforcement Learning-Based Controllers: A Comparative Study | |
Yu et al. | Hybrid global maximum power point tracking algorithm under partial shading condition | |
Kou et al. | Fast variable step-size maximum power point tracking method for photovoltaic systems | |
CN110320958A (zh) | 基于泰勒公式的最大功率跟踪方法、系统及终端设备 | |
CN110109504A (zh) | 一种基于多重算法的最大功率跟踪控制方法及系统 | |
CN104035477B (zh) | 一种基于膜计算的光伏发电最大功率跟踪方法及装置 | |
Liang et al. | Application of Improved Harmony Search Algorithm in Photovoltaic MPPT Under Partial Shadow Conditions |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 Termination date: 20220131 |