CN109978280A - 一种通用化光伏电池工作温度预测方法及装置 - Google Patents
一种通用化光伏电池工作温度预测方法及装置 Download PDFInfo
- Publication number
- CN109978280A CN109978280A CN201910318958.8A CN201910318958A CN109978280A CN 109978280 A CN109978280 A CN 109978280A CN 201910318958 A CN201910318958 A CN 201910318958A CN 109978280 A CN109978280 A CN 109978280A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic cell
- operating temperature
- model
- generalization
- cell operating
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明涉及一种基于机理与经验模型的通用化光伏电池工作温度预测方法及装置,所述方法包括以下步骤:S1、构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据;S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取;S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。与现有技术相比,本发明具有模型精度高、模型复杂度低、泛化能力强等优点。
Description
技术领域
本发明涉及光伏发配电领域,特别涉及一种基于机理与经验模型的通用化光伏电池工作温度预测方法及装置。
背景技术
基于光伏电池的光伏发电系统凭借其无污染排放、无噪声、安全可靠等特点,已经成为了一种重要的新型能源供给形式。精准高效的光伏电池模型是光伏发电系统设计和运行的关键技术之一,是光伏系统功率预测、光储充一体化系统能源调度策略等技术的基础。
构建精准高效的光伏电池模型需要首先对光伏电池工作温度进行精准预测。因为光伏电池在使用过程中存在明显的温升过程,这会降低硅材料的禁带宽度,进而导致组件的开路电压降低,短路电流小幅增加,工作功率下降。若仅以环境温度作为光伏电池的工作温度,或者对光伏电池的工作温度的预测误差较大,均会造成光伏电池模型的巨大误差。因此实现光伏电池工作温度的精准预测,对精准光伏电池模型的构建具有重要意义。
现有报道考虑了光照辐射、环境温度、风速等因素对光伏电池工作温度的影响,提出了数十种光伏电池工作温度预测方法,但这些方法普遍存在以下问题:
1)一些光伏电池工作温度预测模型基于吸收率、光电效率等机理参数构建,这些参数难以获得,且会随着环境条件发生波动,模型精度低。
2)一些报道基于历史经验数据,以光照辐射、环境温度、风速等环境条件为输入,以电池工作温度为输出,构建了纯数据驱动的光伏电池工作温度预测模型。这种模型虽然获得了较好的拟合效果,但泛化能力差,用于复杂工况场景下的光伏电池工作温度的预测能力不佳。
3)目前提出的预测方法只是针对单一种类光伏电池的温度曲线进行拟合与预测,在应用于其他种类电池时的推广性差。
发明内容
本发明的目的之一是为了克服上述现有技术存在的缺陷而提供一种精度高、泛化能力强的基于机理与经验模型的通用化光伏电池工作温度预测方法及装置。
本发明的目的之二是对光伏电池工作温度通用化预测模型的不易获得参数进行精确获取,并降低模型复杂度,以进一步提高光伏电池工作温度预测的有效性及可靠性。
本发明的目的可以通过以下技术方案来实现:
一种基于机理与经验模型的通用化光伏电池工作温度预测方法,包括:
S1、构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据;
S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取;
S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。
进一步地,所述通用化预测模型的模型结构为:
式中,Tcell,k是第k组历史监测数据的光伏电池工作温度,Tamb,k是第k组历史监测数据的环境温度,Gk是第k组历史监测数据的光照辐射强度,GNOCT是测量光伏电池标称工作温度的光照辐射强度,Ta,NOCT是测量光伏电池标称工作温度的环境温度,TNOCT是光伏电池标称工作温度,yk是第k组历史监测数据的不易获得参数。
进一步地,所述不易获得参数的获取过程具体为:
S21、构建人工神经网络模型,模型结构为:
xk=[Gk,Tamb,k,vwind,k]
式中,h为隐含层节点数,βi为权值矩阵,σ为内核宽度,x为神经网络的输入矩阵,ci为第i个隐含层节点的中心点位置,vwind,k为第k组历史监测数据的风速;
S22、选取人工神经网络模型的结构参数;
S23、基于历史数据库及所构建的人工神经网络模型,优化获得所述不易获得参数。
进一步地,所述选取人工神经网络模型的结构参数具体为:
中心点位置ci通过K均值聚类算法选取;内核宽度σ通过改进的最大距离法选取;隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取;权重矩阵βi采用基于十折交叉验证的优化方法获得。
进一步地,该方法还包括:
S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库,以设定间隔执行步骤S2,对不易获得参数进行更新。
本发明还提供一种基于机理与经验模型的通用化光伏电池工作温度预测装置,所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
S1、构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据;
S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取;
S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。
进一步地,所述通用化预测模型的模型结构为:
式中,Tcell,k是第k组历史监测数据的光伏电池工作温度,Tamb,k是第k组历史监测数据的环境温度,Gk是第k组历史监测数据的光照辐射强度,GNOCT是测量光伏电池标称工作温度的光照辐射强度,Ta,NOCT是测量光伏电池标称工作温度的环境温度,TNOCT是光伏电池标称工作温度,yk是第k组历史监测数据的不易获得参数。
进一步地,所述不易获得参数的获取过程具体为:
S21、构建人工神经网络模型,模型结构为:
xk=[Gk,Tamb,k,vwind,k]
式中,h为隐含层节点数,βi为权值矩阵,σ为内核宽度,x为神经网络的输入矩阵,ci为第i个隐含层节点的中心点位置,vwind,k为第k组历史监测数据的风速;
S22、选取人工神经网络模型的结构参数;
S23、基于历史数据库及所构建的人工神经网络模型,优化获得所述不易获得参数。
进一步地,所述选取人工神经网络模型的结构参数具体为:
中心点位置ci通过K均值聚类算法选取;内核宽度σ通过改进的最大距离法选取;隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取;权重矩阵βi采用基于十折交叉验证的优化方法获得。
进一步地,所述处理器执行所述程序时还实现以下步骤:
S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库,以设定间隔执行步骤S2,对不易获得参数进行更新。
与现有技术相比,本发明具有以如下有益效果:
1)本发明提出的基于机理与经验的通用化光伏电池工作温度预测方法,兼顾模型的精度、复杂度和泛化能力,可以应用于多种光伏电池的工作温度预测场景。
2)本发明模型中不易获得的参数部分,基于历史经验数据运用人工神经网络模型建模获得,有效提高通用化预测模型预测精度。
3)本发明提出的系统的模型结构参数优化方案,保证模型精度的同时,大幅降低了模型复杂度,提升了方法的应用效率。
4)基于每日数据的光伏电池工作温度预测模型参数更新策略,有助于进一步提高模型的预测精度。
5)基于本发明的光伏电池工作温度预测方法,有助于提升光伏电池功率的预测精度,进而改进光储充一体化系统的调度方式,有望产生更大的经济效益和社会价值。
附图说明
图1为本发明方法的流程示意图;
图2为实施例中对隐含层节点数的优选结果示意图;
图3为实施例中对光伏电池工作温度的拟合与预测结果与实测工作温度的误差比较示意图,其中(3a)为拟合结果与实测工作温度的比较,(3b)为预测结果与实测工作温度的比较;
图4为本方法构建的基于经验和历史数据的通用化光伏电池工作温度预测方法的模型结构。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本发明提供一种基于机理与经验模型的通用化光伏电池工作温度预测方法,包括以下步骤:
S1、获取一定时间内光伏电池所在光伏系统所在地的光伏电池运行监测数据,构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据,包括环境温度(Tamb)、光照辐射强度(G)和风速(vwind)等。
S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取。
本方法中,所述通用化预测模型的模型结构为:
式中,Tcell,k是第k组历史监测数据的光伏电池工作温度,Tamb,k是第k组历史监测数据的环境温度,Gk是第k组历史监测数据的光照辐射强度,GNOCT是测量光伏电池标称工作温度的光照辐射强度,Ta,NOCT是测量光伏电池标称工作温度的环境温度,TNOCT是光伏电池标称工作温度,yk是第k组历史监测数据的不易获得参数。
所述不易获得参数的获取过程具体为:
S21、构建人工神经网络模型,本实施例采用径向基函数(Radial basisfunction,RBF)神经网络模型,模型结构为:
式中,h为隐含层节点数,βi为权值矩阵,σ为内核宽度,x为神经网络的输入矩阵,ci为第i个隐含层节点的中心点位置,vwind,k为第k组历史监测数据的风速。
S22、选取人工神经网络模型的结构参数,具体地:
1)中心点位置ci通过K均值聚类算法(k-means clustering algorithm)进行选取。
2)内核宽度σ由改进的最大距离法进行选取,公式如下:
式中,dmax为任何中心点的最大距离,n为输入矩阵的维数。
3)权重矩阵βi采用基于十折交叉验证(ten-fold cross-validation)的优化方法获得。本实施例中,将所有的历史数据随机分为10组,轮流将其中9份作为训练数据,1份作为测试数据,进行试验。在每次实验中,以权重矩阵为优化变量,光伏电池的工作温度拟合均方根误差最小化为优化目标,基于baron全局算法进行优化,优化目标如下:
式中,M为交叉验证的次数,选为10,K为用于训练的历史数据的总数,为第k组历史监测数据中光伏电池工作温度的模拟值,为第k组历史监测数据中光伏电池工作温度的测量值。
4)隐含层节点数h采用正则化建模策略进行优化,以获得优选模型误差和复杂度同时较小的模型。正则化惩罚项选用L1正则化方法,即优化目标为:
式中,λ为正则化参数。
由于L1正则化方法含有绝对值,为了降低模型复杂度,采用大M法进行求解,加入大M法求解策略的优化模型如下:
S23、基于历史数据库及所构建的人工神经网络模型,优化获得所述不易获得参数。
S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。
在另一实施例中,该方法还包括:
S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库,以设定间隔执行步骤S2,对不易获得参数进行更新,通过模型参数更新策略,保障了光伏系统温度与功率预测精度的长期稳定性,有助于光伏系统的运行安全可靠运行。如将每天新的光伏电池监测数据加入历史数据库,每月基于更新的数据库,对模型参数进行重新估计,更新模型参数,用于后续预测。
本实施例还提供一种基于机理与经验模型的通用化光伏电池工作温度预测装置,所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序,所述处理器执行所述程序时实现上述通用化光伏电池工作温度预测方法。
实施例
本实施例基于某SM46型号光伏电池实验装置展开,在光照辐射强度为800W/m2,环境温度为20℃,风速为1m/s的标准测试条件下,光伏电池标称工作温度为45℃。实验采用的历史数据库通过某晴天日的8点至16点的光伏电池的运行结果测量获得,采样频率为6s,共采样800组。在十折交叉验证过程中,按照分组结果,选用其中720组作为训练集,其余80组作为测试集。历史数据库包含环境温度、光照辐射强度、风速及其对应的光伏电池工作温度。
在基于经验的光伏电池工作温度通用化预测模型中,GNOCT取800W/m2,Ta,NOCT取20℃,TNOCT取45℃。
实施例中对隐含层节点数h的优选结果如图2所示。从图2可以看出,随着正则化参数λ的降低,光伏电池工作温度的训练集和测试集的均方根误差逐渐下降,并趋于不变;相对应地,隐含层节点数h随着正则化参数λ的增加而逐渐增加,并趋于不变。训练集和测试集的均方根误差代表模型的精度,隐含层节点数h代表模型的复杂度,因此,我们需要选取当训练集和测试集的均方根误差基本不变时的最小隐含层节点数,作为我们的最优隐含层节点数。经过优选,本实施例选用的隐含层节点数为40个。
在完成模型结构参数的优选后,对模型的拟合性能和预测性能进行评估,基于交叉验证方法随机选取720组作为训练集检验模型的拟合性能,剩余80组作为测试集检验模型的预测性能。本方法对光伏电池工作温度的拟合与预测效果与实测工作温度的误差比较如图3所示。从图中可以看出,针对光伏电池工作温度,本方法的拟合性能和预测性能均表现优异,其中方法的拟合误差为0.4747℃,预测误差为0.4944℃,模型性能优异。
基于本模型的历史数据库,基于交叉验证方法,与目前提出的光伏电池工作温度预测方法进行比较,比较结果如表1所示。从图中可以看出,本模型相比较以前提出的各类模型,表现出优秀的拟合和预测性能。
表1本方法与其他光伏电池工作温度预测方法的拟合与预测性能的比较结果
本实施例基于某光伏电池装置某日的光伏电池运行数据,提出了一种基于机理与经验的通用化光伏电池工作温度预测方法,模型结构如图4所示,该模型兼顾模型的精度、复杂度和泛化能力,与现有光伏电池温度预测方法相比,表现出优秀的拟合和预测性能。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于机理与经验模型的通用化光伏电池工作温度预测方法,其特征在于,包括以下步骤:
S1、构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据;
S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取;
S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。
2.根据权利要求1所述的基于机理与经验模型的通用化光伏电池工作温度预测方法,其特征在于,所述通用化预测模型的模型结构为:
式中,Tcell,k是第k组历史监测数据的光伏电池工作温度,Tamb,k是第k组历史监测数据的环境温度,Gk是第k组历史监测数据的光照辐射强度,GNOCT是测量光伏电池标称工作温度的光照辐射强度,Ta,NOCT是测量光伏电池标称工作温度的环境温度,TNOCT是光伏电池标称工作温度,yk是第k组历史监测数据的不易获得参数。
3.根据权利要求2所述的基于机理与经验模型的通用化光伏电池工作温度预测方法,其特征在于,所述不易获得参数的获取过程具体为:
S21、构建人工神经网络模型,模型结构为:
xk=[Gk,Tamb,k,vwind,k]
式中,h为隐含层节点数,βi为权值矩阵,σ为内核宽度,x为神经网络的输入矩阵,ci为第i个隐含层节点的中心点位置,vwind,k为第k组历史监测数据的风速;
S22、选取人工神经网络模型的结构参数;
S23、基于历史数据库及所构建的人工神经网络模型,优化获得所述不易获得参数。
4.根据权利要求3所述的基于机理与经验模型的通用化光伏电池工作温度预测方法,其特征在于,所述选取人工神经网络模型的结构参数具体为:
中心点位置ci通过K均值聚类算法选取;内核宽度σ通过改进的最大距离法选取;隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取;权重矩阵βi采用基于十折交叉验证的优化方法获得。
5.根据权利要求1所述的基于机理与经验模型的通用化光伏电池工作温度预测方法,其特征在于,该方法还包括:
S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库,以设定间隔执行步骤S2,对不易获得参数进行更新。
6.一种基于机理与经验模型的通用化光伏电池工作温度预测装置,其特征在于,所述装置包括存储器、处理器以及存储于所述存储器中并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
S1、构建历史数据库,该历史数据库包括光伏电池工作温度及对应的环境因素数据;
S2、基于光伏电池温升机理构建基于机理的光伏电池工作温度通用化预测模型,该通用化预测模型中的不易获得参数基于历史数据库及人工神经网络模型优化获取;
S3、以步骤S2获得的通用化预测模型进行光伏电池的工作温度的预测。
7.根据权利要求6所述的基于机理与经验模型的通用化光伏电池工作温度预测装置,其特征在于,所述通用化预测模型的模型结构为:
式中,Tcell,k是第k组历史监测数据的光伏电池工作温度,Tamb,k是第k组历史监测数据的环境温度,Gk是第k组历史监测数据的光照辐射强度,GNOCT是测量光伏电池标称工作温度的光照辐射强度,Ta,NOCT是测量光伏电池标称工作温度的环境温度,TNOCT是光伏电池标称工作温度,yk是第k组历史监测数据的不易获得参数。
8.根据权利要求7所述的基于机理与经验模型的通用化光伏电池工作温度预测装置,其特征在于,所述不易获得参数的获取过程具体为:
S21、构建人工神经网络模型,模型结构为:
xk=[Gk,Tamb,k,vwind,k]
式中,h为隐含层节点数,βi为权值矩阵,σ为内核宽度,x为神经网络的输入矩阵,ci为第i个隐含层节点的中心点位置,vwind,k为第k组历史监测数据的风速;
S22、选取人工神经网络模型的结构参数;
S23、基于历史数据库及所构建的人工神经网络模型,优化获得所述不易获得参数。
9.根据权利要求8所述的基于机理与经验模型的通用化光伏电池工作温度预测装置,其特征在于,所述选取人工神经网络模型的结构参数具体为:
中心点位置ci通过K均值聚类算法选取;内核宽度σ通过改进的最大距离法选取;隐含层节点数h采用基于大M法求解方法的L1正则化建模策略选取;权重矩阵βi采用基于十折交叉验证的优化方法获得。
10.根据权利要求6所述的基于机理与经验模型的通用化光伏电池工作温度预测装置,其特征在于,所述处理器执行所述程序时还实现以下步骤:
S4、基于实时产生的新的光伏电池监测数据更新所述历史数据库,以设定间隔执行步骤S2,对不易获得参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318958.8A CN109978280A (zh) | 2019-04-19 | 2019-04-19 | 一种通用化光伏电池工作温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910318958.8A CN109978280A (zh) | 2019-04-19 | 2019-04-19 | 一种通用化光伏电池工作温度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978280A true CN109978280A (zh) | 2019-07-05 |
Family
ID=67085429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910318958.8A Pending CN109978280A (zh) | 2019-04-19 | 2019-04-19 | 一种通用化光伏电池工作温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343562A (zh) * | 2021-05-26 | 2021-09-03 | 国网天津市电力公司电力科学研究院 | 一种基于混合建模策略的风机功率预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258118A (zh) * | 2013-04-19 | 2013-08-21 | 国家电网公司 | 一种预测光伏电池组件温度的方法 |
CN104200274A (zh) * | 2014-03-27 | 2014-12-10 | 国家电网公司 | 一种光伏功率预测方法 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN106228256A (zh) * | 2016-06-30 | 2016-12-14 | 中国电力科学研究院 | 一种光伏组件温度预测方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN107941361A (zh) * | 2017-03-27 | 2018-04-20 | 国网河南省电力公司电力科学研究院 | 一种气象相关的光伏组件工作温度预测的方法 |
CN108008320A (zh) * | 2017-12-28 | 2018-05-08 | 上海交通大学 | 一种锂离子电池荷电状态与模型参数自适应联合估计方法 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
-
2019
- 2019-04-19 CN CN201910318958.8A patent/CN109978280A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258118A (zh) * | 2013-04-19 | 2013-08-21 | 国家电网公司 | 一种预测光伏电池组件温度的方法 |
CN104200274A (zh) * | 2014-03-27 | 2014-12-10 | 国家电网公司 | 一种光伏功率预测方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN106228256A (zh) * | 2016-06-30 | 2016-12-14 | 中国电力科学研究院 | 一种光伏组件温度预测方法 |
CN107941361A (zh) * | 2017-03-27 | 2018-04-20 | 国网河南省电力公司电力科学研究院 | 一种气象相关的光伏组件工作温度预测的方法 |
CN108008320A (zh) * | 2017-12-28 | 2018-05-08 | 上海交通大学 | 一种锂离子电池荷电状态与模型参数自适应联合估计方法 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
Non-Patent Citations (1)
Title |
---|
E. SKOPLAKI: "Operating temperature of photovoltaic modules:A survey of pertinent correlations", 《RENEWABLE ENERGY》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343562A (zh) * | 2021-05-26 | 2021-09-03 | 国网天津市电力公司电力科学研究院 | 一种基于混合建模策略的风机功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Review of solar photovoltaic and wind hybrid energy systems for sizing strategies optimization techniques and cost analysis methodologies | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
Capizzi et al. | Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources | |
Jain et al. | Application of QOCGWO-RFA for maximum power point tracking (MPPT) and power flow management of solar PV generation system | |
CN109002892A (zh) | 一种改进de-gwo算法的实现方法 | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
CN107562992B (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 | |
CN109802394A (zh) | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 | |
Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
CN110009098A (zh) | 一种光伏电池工作温度与发电功率联合估计方法 | |
Awan | A technical review of MPPT algorithms for solar photovoltaic system: SWOT analysis of MPPT algorithms | |
Singh | Application of artificial neural networks for predicting generated wind power | |
Rawa et al. | Current-voltage curves of planar heterojunction perovskite solar cells–Novel expressions based on Lambert W function and Special Trans Function Theory | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
Baby et al. | Short term wind speed forecasting and wind energy estimation: A case study of Rajasthan | |
CN103293950A (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
CN105743093B (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
Jazayeri et al. | Artificial neural network-based all-sky power estimation and fault detection in photovoltaic modules | |
CN109978280A (zh) | 一种通用化光伏电池工作温度预测方法及装置 | |
Saadaoui et al. | Hybridization and energy storage high efficiency and low cost | |
Husain et al. | Performance analysis of the global maximum power point tracking based on spider monkey optimization for PV system | |
Ahmed et al. | Non-iterative MPPT Method: A Comparative Study | |
Dong et al. | Simultaneous operating temperature and output power prediction method for photovoltaic modules | |
Zhang et al. | Correntropy‐based parameter estimation for photovoltaic array model considering partial shading condition |
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 | ||
CB02 | Change of applicant information |
Address after: 200030 Dongchuan Road, Minhang District, Minhang District, Shanghai Applicant after: Shanghai Jiaotong University Address before: 200030 Huashan Road, Shanghai, No. 1954, No. Applicant before: Shanghai Jiaotong University |
|
CB02 | Change of applicant information |