CN110007242B - 一种基于波峰电流的太阳电池阵退化估计方法 - Google Patents
一种基于波峰电流的太阳电池阵退化估计方法 Download PDFInfo
- Publication number
- CN110007242B CN110007242B CN201910292282.XA CN201910292282A CN110007242B CN 110007242 B CN110007242 B CN 110007242B CN 201910292282 A CN201910292282 A CN 201910292282A CN 110007242 B CN110007242 B CN 110007242B
- Authority
- CN
- China
- Prior art keywords
- solar cell
- cell array
- output current
- period
- degradation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本发明公开了一种基于波峰电流的太阳电池阵退化估计方法,包括步骤1:获取太阳电池阵输出电流数据集;步骤2:对输出电流数据集进行数据预处理;步骤3:使用周期识别算法对输出电流数据进行周期识别,提取出所获取输出电流数据集时间段内的每个周期的波峰电流;步骤4:根据所提取出的每个周期的波峰电流,对波峰电流曲线进行多维拟合,得到太阳电池阵性能退化模型;步骤5:根据太阳电池阵性能退化模型进行太阳电池阵性能退化进行计算,得到太阳电池阵性能退化估计。本发明所提出的方法能够仅基于单一参数、短时间内卫星在轨数据并综合太阳电池阵在空间运行受到的多重影响因素进行退化估计,使用数据量少,计算简单且精度较高。
Description
技术领域
本发明属于电池阵退化评估领域,尤其涉及一种基于波峰电流的太阳电池阵退化估计方法。
背景技术
随着航天技术的快速发展,越来越多的卫星被发射到太空中以执行各种各样的任务,如导航定位,气象观测预报,地形地质勘探等。所有这些任务都消耗大量的能量,也因此电源系统是在外层空间运行的卫星的重要组成部分。太阳电池阵是大多数卫星电源系统的关键组成部分,它为机载设备提供能量,并在光照区为电池充电,而电池在阴影区域则负责为整个系统提供电力。因此,太阳电池阵的可靠性和耐久性对卫星的日常运行具有重要意义。
在太阳电池阵退化估计的现有研究中,有以隐马尔科夫模型分析太阳电池阵剩余寿命的方法,也有太阳电池阵输出功率标准公式配合公式中所需参数数据进行衰减估计的方法。但是这两种方法对数据的要求均较高,基于隐马尔可夫模型分析太阳电池阵剩余寿命需要提供在不同场景、不同工况条件下太阳电池阵的工作情况的概率分布,而实际情况中很难给出合理有效的概率分布。而归一化方法通常需要温度、太阳入射角度、太阳辐射强度等多个参数对退化特征进行归一化,而实际情况中这些参数通常无法同时获得,导致太阳电池阵的退化估计的计算复杂度高且效果不佳。
太阳电池阵在太空中的输出功率一般受以下三个方面因素的影响:第一,太阳光照强度,主要受日地距离因素和太阳入射角等影响;第二,工作温度,太阳电池阵光伏发电核心单元为三结砷化镓太阳能电池,太阳能电池短路电流随温度的升高而升高,而太阳能电池的峰值功率随温度的升高而降低;第三,空间环境,主要受粒子辐照、紫外辐照、微流星体碰撞和冷热交变等因素的影响,使得太阳电池阵特性发生衰降。前两者主要为周期性变化,第三种呈现为长期性的衰减变化,对卫星寿命有较大影响。因此应实时估算太阳电池阵受太空中多种环境因素影响而造成的衰减情况,以对太阳电池阵的健康状态进行及时的评估,为在轨卫星的合理调度与使用等提供辅助决策支持。
发明内容
本发明要解决的技术问题是提供了一种使用少量数据,计算简单且精度较高的基于波峰电流的卫星太阳电池阵退化估计方法。
本发明通过周期识别算法提取太阳电池阵的输出电流每个周期的波峰值,并根据太阳电池阵在空间环境中受到的周期性影响因素与长期衰退性影响因素构造了一个性能退化模型,通过模型的退化部分得到太阳电池阵的退化估计并外延模型趋势能够对太阳电池阵的剩余寿命进行预测。
一种基于波峰电流的太阳电池阵退化估计方法,包括以下步骤:
步骤1:获取太阳电池阵输出电流数据集;
步骤2:对输出电流数据集进行数据预处理;
步骤3:使用周期识别算法对经过数据预处理后的输出电流数据进行周期识别,提取出所获取输出电流数据集时间段内的每个周期的波峰电流;
步骤4:根据所提取出的每个周期的波峰电流,对波峰电流曲线进行多维拟合,得到太阳电池阵性能退化模型;
步骤5:根据太阳电池阵性能退化模型进行太阳电池阵性能退化进行计算,得到太阳电池阵性能退化估计。
进一步地,步骤2中所述数据预处理是指通过阈值判断法,去除离群点。
进一步地,步骤3中的周期识别算法为:
步骤3.1:寻找到去除离群点后的太阳电池阵输出电流中的最大值;
步骤3.2:根据所获取的历史数据中的最大值,设置阈值,得到所获取的输出电流数据集中靠近波峰的点,通过一次聚类得到各个周期内的类波峰点构成的类波峰点簇;
步骤3.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开;
步骤3.4:根据步骤3.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值。
进一步地,步骤4中进行多维拟合的使用MATLAB的拟合工具箱进行拟合,所拟合的太阳电池阵性能退化模型为:
I=a1·cosωx+b1·sinωx+a2·cos 2ωx+b2·sin 2ωx+c·x+d+ε (1)
a1,a2,b1,b2,ω和d是由退化模型中提出的周期性部分中的三角函数估计的参数;c表示由退化模型的衰减部分中的线性函数估计的参数;I表示预测的波峰电流值。x表示时间,ε表示误差扰动,ε~N(0,σ2)。
进一步地,步骤5中所述太阳电池阵性能退化估计:
其中c为公式(1)中退化模型的线性函数部分的系数,表征太阳电池阵衰减性能,即退化系数,Δt为所获取太阳电池阵输出电流数据集的持续时间段,单位为天,I初始为所获取太阳电池阵输出电流集中的初始电流值。
与现有技术相比,本发明所取得的有益效果是:
本发明一种基于波峰电流的太阳电池阵退化估计方法,通过对太阳电池阵输出电流的历史数据进行周期识别,得到各个周期的波峰电流,进而通过对波峰电流的拟合,得到表征太阳电池阵退化的线性系数,根据该退化系数进行退化估计。本发明所提出的方法能够仅基于单一参数、短时间内卫星在轨数据并综合太阳电池阵在空间运行受到的多重影响因素进行退化估计,使用数据量少,计算简单且精度较高,并能根据实时的输出电流数据,不断调整模型参数,既可用于卫星发射初期对太阳电池阵的工作状态进行分析,也可用于卫星运行中末期对太阳电池阵寿命及工作年限进行估计,通过获取较少数据,计算简单,能够为太阳电池阵的在轨健康状态管理提供依据。
附图说明
图1为本发明方法整体流程图;
图2为本发明方法步骤一中太阳电池阵全年输出电流图;
图3为本发明方法步骤二中构造周期识别算法模型流程图;
图4为本发明方法步骤二中一天中数十个完整周期的太阳电池阵输出电流图;
图5为本发明方法周期识别算法模型中一次聚类后的类波峰点簇图;
图6为本发明方法周期识别算法模型中二次聚类图;
图7为本发明方法周期识别算法模型中找到各周期波峰点图;
图8为本发明方法步骤二中最后提取出的波峰电流图;
图9为本发明方法步骤四中构建的退化模型拟合结果图;
图10为本发明方法步骤五种构建的退化模型精度检验图。
具体实施方式
图1至图10给出了本发明一种基于波峰电流的太阳电池阵退化估计方法的一种实施例,如图1所示,具体包括以下步骤:
步骤1:获取太阳电池阵输出电流数据集;本实施例获取的数据集是资源三号卫星从2016年6月到2017年10月的输出电流数据(中间有大约1个半月的数据丢失)。对这些数据集进行处理后得到电池阵的退化估计结果。
步骤2:对输出电流数据集进行数据预处理;
本实施例中数据预处理是通过常规的阈值判断法,对全年输出电流数据的图像观察确定波峰和波谷的阈值范围,将超过波峰值50%和低于波谷峰值50%的点定义为离群点,对它们进行去除,得到如图2的全年太阳电池阵输出电流。
步骤3:使用周期识别算法对经过数据预处理后输出电流数据集进行周期识别,提取出所获取的数据集所在时间段内的每个周期的波峰电流;
本实施例中使用的周期识别算法为:如图3所示,图4给出了数十个完整电流周期的太阳电池阵输出电流示例。
步骤3.1:寻找去除离群点后的太阳电池阵输出电流中的最大值;
步骤3.2:通过设置阈值,得到所获取的历史数据集中靠近波峰的点,称为类波峰点,进行一次聚类得到由类波峰点构成的类波峰点簇;
本实施例中阈值的设置是根据所获取的太阳电池阵输出电流数据中的最大值,设定一定的比例,如取0.9倍的输出电流最大值为阈值,选取所有大于该阈值的点为靠近波峰点,并称为类波峰点,然后将这些类波峰点通过一次聚类得到类波峰点簇,如图5所示,聚类方法使用的是k-means方法。
步骤3.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开,如图6所示。
步骤3.4:根据步骤3.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值,如图7所示。
步骤4:根据所提取出的数据集中每个周期的波峰电流,如图8所示,对波峰电流曲线进行多维拟合,得到太阳电池阵性能退化模型;
波峰电流具有以下两个特征,一是由于波峰电流受太阳辐射强度变化影响呈双峰形曲线,它在每年的5月和11月达到最大值。另外一个是由于太阳能电池在空间环境中受到高低温变化,微流星体碰撞,和粒子辐照的影响,导致太阳能电池的性能退化,使波峰电流呈现下降趋势。波峰电流的这两个特征可以用周期性变化部分和长期衰减部分来描述。周期性变化部分主要是由于卫星轨道位置的周期性变化,导致温度、太阳入射角、太阳辐射强度等影响因素也产生周期性变化,从而导致输出功率在全年中产生周期性变化。而模型的长期衰减部分则是由于外太空的恶劣环境影响,导致太阳电池阵内部受到损伤,导致输出功率下降。根据峰值电流的形状确定退化模型的周期部分并进行调整,以适应不同类型的卫星。以资3卫星为例,其峰值电流为双峰形状,一年有两个不同的最大值;因此,用二次余弦函数拟合太阳能电池的周期变化,余弦函数的阶数可以根据实际的峰值电流来选择。为使模型具有更高的鲁棒性和灵活性,这里选择线性函数来拟合模型的退化部分,太阳电池阵输出电流的退化模型结构如下:
I=a1·cosωx+b1·sinωx+a2·cos 2ωx+b2·sin 2ωx+c·x+d+ε (1)
a1,a2,b1,b2,ω和d是由模型中提出的周期性部分中的三角函数估计的参数;c表示由模型的衰减部分中的线性函数估计的参数;I表示预测的波峰电流值,x表示时间,ε表示误差扰动,ε~N(0,σ2)表示ε服从于正态分布N(0,σ2)。
本实施例中使用MATLAB的拟合工具箱进行拟合,得到退化模型中的各个参数。根据SSE(error sum of squares)为残差平方和确定系数R-Square调整模型参数,最后的参数能够使SSE最小且R-square逼近1,两者计算公式如下:
其中,n表示共有n组波峰电流数据,Ix表示对应第i组数据中时间点x时的实际电流值,SST(total sum of squares)为总平方和,SSR(regression sum of squares)为回归平方和。
选择全部波峰电流数据进行参数拟合,最后得到参数如下表所示:
拟合结果如图9所示。
本实施例中对所得到的退化模型验证了其有效性,模型预测效果的准确性是判断模型有效性的重要因素。为了验证所提退化模型的有效性,本实施例中利用了一个相对误差作为精确度的评价参数,其公式如下:
参数拟合后,退化模型预测效果如图10所示,预测结果与实际结果吻合较好,说明我们构建的模型具有较高的有效性。同时计算预测结果相对误差,仅为0.68%,说明预测精度较高。
步骤5:根据太阳电池阵性能退化模型进行太阳电池阵性能退化进行计算,得到太阳电池阵性能退化估计。
因为退化模型由周期性变化部分和长期衰减两部分来表示,对于退化估计,主要使用的是长期衰减部分,本实施例通过模型的退化部分的参数c得到太阳电池阵的退化估计,而随着实时数据的加入,模型的c也会随着新数据的加入而不断产生变化,越来越精准和可靠。
其中c为公式(1)中退化模型的线性函数部分的系数,表征太阳电池阵衰减性能,即退化系数,Δt为所获取太阳电池阵输出电流数据集的持续时间段,单位为天,I初始为所获取太阳电池阵输出电流集中的初始电流值。
全年太阳电池阵衰减率的计算公式为:
使用本发明的方法可以进行太阳电池阵的实时退化估计,其方法为:获取实时的太阳电池阵输出电流数据,在原数据集的基础上更新数据集,重复步骤2至5,重新提取波峰电流,将波峰电流、数学模型作为输入通过MATLAB的拟合工具箱内,得到太阳电池阵输出电流的退化模型,进而得到更新后的退化参数c。
使用本发明的方法还可以进行太阳电池阵的寿命估计,通常航天器的电源系统设计过程中会设置一个失效阈值,通常为输出功率的70%-80%,通过全部输出电流数据进行模型拟合后,得到的拟合程度最高的一组模型如图9所示后,继续输入时间,通过该模型将得到未来一段时间的波峰电流。一旦未来某一时刻波峰电流值达到了阈值的警戒范围,则会及时通知地面管理人员调整工作状态以提高太阳电池阵输出功率。当然随着时间的推演,给出的寿命估计也是会越来越精确的
综上所述,本发明提供的一种基于波峰电流的太阳电池阵输退化估计方法,至少能够带来以下有益效果:
1、本发明提出的基于波峰电流的太阳电池阵退化估计方法能够综合考虑影响太阳电池阵输出电流变化的周期性因素,包括如太阳入射角、太阳辐射强度等,还能根据退化模型的退化部分准确评估太阳电池阵输出功率的衰减,从而为卫星的设计和轨道管理提供参考。
2、本发明在构建太阳电池阵性能退化模型的过程中,通过将周期性变化和长期衰减变化分离,不需要长期数据且仅依靠单一参数就能提供可靠有效的退化估计,有利于提升卫星平台长期、可靠运行能力。。
3、本发明在建模过程中可以根据实际输出电流数据的形状对模型进行调整,操作要求低,在没有先验知识的情况下也能很好的通过外延模型趋势得到太阳电池阵的寿命预测,对其他类型的卫星也具有很好的实用性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于波峰电流的太阳电池阵退化估计方法,其特征在于:包括以下步骤:
步骤1:获取太阳电池阵输出电流数据集;
步骤2:对输出电流数据集进行数据预处理;
步骤3:使用周期识别算法对经过数据预处理后的输出电流数据进行周期识别,提取出所获取输出电流数据集时间段内的每个周期的波峰电流;
步骤4:根据所提取出的每个周期的波峰电流,对波峰电流曲线进行多维拟合,得到太阳电池阵性能退化模型;
步骤5:根据太阳电池阵性能退化模型进行太阳电池阵性能退化进行计算,得到太阳电池阵性能退化估计。
2.根据权利要求1所述的一种基于波峰电流的太阳电池阵退化估计方法,其特征在于:步骤2中所述数据预处理是指通过阈值判断法,去除离群点。
3.根据权利要求2所述的一种基于波峰电流的太阳电池阵退化估计方法,其特征在于:步骤3中的周期识别算法为:
步骤3.1:寻找去除离群点后的太阳电池阵输出电流中的最大值;
步骤3.2:通过设置阈值,得到所获取的输出电流数据集中靠近波峰的点,称为类波峰点,进行一次聚类得到由类波峰点构成的类波峰点簇;
步骤3.3:设置前向距离,周期内点前向距离设为1,周期间点前向距离设为一个大数,然后二次聚类将每个周期分开;
步骤3.4:根据步骤3.3中所得到的各个周期,找到每个周期内的输出电流最大值,即为每个电流周期的波峰电流值。
4.根据权利要求3所述的一种基于波峰电流的太阳电池阵退化估计方法,其特征在于:步骤4中进行多维拟合的使用MATLAB的拟合工具箱进行拟合,所拟合的太阳电池阵性能退化模型为:
I=a1·cosωx+b1·sinωx+a2·cos 2ωx+b2·sin 2ωx+c·x+d+ε (1)
a1,a2,b1,b2,ω和d是由退化模型中提出的周期性部分中的三角函数估计的参数;c表示由退化模型的衰减部分中的线性函数估计的参数;I表示预测的波峰电流值,x表示时间,ε表示误差扰动,ε~N(0,σ2)。
6.根据权利要求3所述的一种基于波峰电流的太阳电池阵退化估计方法,其特征在于:步骤3.2中所述阈值,根据步骤3.1中的太阳电池阵输出电流中的最大值进行设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292282.XA CN110007242B (zh) | 2019-04-12 | 2019-04-12 | 一种基于波峰电流的太阳电池阵退化估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292282.XA CN110007242B (zh) | 2019-04-12 | 2019-04-12 | 一种基于波峰电流的太阳电池阵退化估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007242A CN110007242A (zh) | 2019-07-12 |
CN110007242B true CN110007242B (zh) | 2021-03-26 |
Family
ID=67171222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292282.XA Active CN110007242B (zh) | 2019-04-12 | 2019-04-12 | 一种基于波峰电流的太阳电池阵退化估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007242B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294848A (zh) * | 2013-05-03 | 2013-09-11 | 中国航天标准化研究所 | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 |
CN104795857A (zh) * | 2015-03-23 | 2015-07-22 | 上海交通大学 | 锂离子电池能量均衡系统及其实现方法 |
CN104852687A (zh) * | 2015-05-27 | 2015-08-19 | 中国人民解放军国防科学技术大学 | 基于电流衰减的空间三结砷化镓太阳能电池片在轨剩余寿命预测方法 |
CN104965180A (zh) * | 2015-07-10 | 2015-10-07 | 国网冀北电力有限公司电力科学研究院 | 动力电池寿命的检测方法及装置 |
CN105393128A (zh) * | 2013-06-04 | 2016-03-09 | 雷诺两合公司 | 用于估算存储电能的电化学电池的健康状态的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170373560A1 (en) * | 2014-08-15 | 2017-12-28 | Mohamed Sharkas | Mechanical Battery |
JP6755126B2 (ja) * | 2016-06-02 | 2020-09-16 | Ntn株式会社 | 二次電池の劣化判定装置 |
US10539621B2 (en) * | 2017-08-02 | 2020-01-21 | Total Solar International | Method and apparatus for identifying a battery model |
-
2019
- 2019-04-12 CN CN201910292282.XA patent/CN110007242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294848A (zh) * | 2013-05-03 | 2013-09-11 | 中国航天标准化研究所 | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 |
CN105393128A (zh) * | 2013-06-04 | 2016-03-09 | 雷诺两合公司 | 用于估算存储电能的电化学电池的健康状态的方法 |
CN104795857A (zh) * | 2015-03-23 | 2015-07-22 | 上海交通大学 | 锂离子电池能量均衡系统及其实现方法 |
CN104852687A (zh) * | 2015-05-27 | 2015-08-19 | 中国人民解放军国防科学技术大学 | 基于电流衰减的空间三结砷化镓太阳能电池片在轨剩余寿命预测方法 |
CN104965180A (zh) * | 2015-07-10 | 2015-10-07 | 国网冀北电力有限公司电力科学研究院 | 动力电池寿命的检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
太阳同步轨道卫星太阳电池阵在轨特性分析;井元良 等;《航天器工程》;20131031;第22卷(第5期);第61-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110007242A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Exploring key weather factors from analytical modeling toward improved solar power forecasting | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
US10509868B2 (en) | Operating a solar power generating system | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
Liu et al. | Solar forecasting by K-Nearest Neighbors method with weather classification and physical model | |
Zhang et al. | Investigating the correlation between wind and solar power forecast errors in the western interconnection | |
CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
Varanasi et al. | K-means clustering based photo voltaic power forecasting using artificial neural network, particle swarm optimization and support vector regression | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN109993147B (zh) | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
Cao et al. | A performance degradation model of solar cells in an on-orbit resource satellite based on peak currents | |
CN110007242B (zh) | 一种基于波峰电流的太阳电池阵退化估计方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
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 |