CN110209047A - 一种基于残差网络的光伏电站遮挡物定位方法 - Google Patents
一种基于残差网络的光伏电站遮挡物定位方法 Download PDFInfo
- Publication number
- CN110209047A CN110209047A CN201910394464.8A CN201910394464A CN110209047A CN 110209047 A CN110209047 A CN 110209047A CN 201910394464 A CN201910394464 A CN 201910394464A CN 110209047 A CN110209047 A CN 110209047A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic plant
- shelter
- photovoltaic
- residual error
- model
- 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 28
- 230000004807 localization Effects 0.000 title claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于残差网络的光伏电站遮挡物定位方法,该方法利用光伏电站光伏模块参数及光伏电站地理位置信息,通过光伏电站仿真模型及遮挡物阴影模型生成遮挡物影响下光伏电站的一日运行数据,并用该仿真数据训练了残差网络,得到遮挡物定位模型,然后将获取的光伏电站光伏阵列运行数据输入残差网络得到遮挡物的定位信息,为光伏电站智能运维、检修管理等提供信息。本发明方法能够有效地定位光伏电站遮挡物,对偏远地区无人值守光伏电站、及一些不易检修的大型光伏电站的智能运维、检修管理具有重要意义。
Description
技术领域
本发明属于电力系统领域,涉及光伏电站故障诊断领域,具体涉及一种基于残差网络的光伏电站遮挡物定位方法。
背景技术
随着化石燃料的大量开采,人们对于世界性能源危机的恐慌日益加剧,以光能、风能、潮汐能、生物能为代表的新型能源成为各国关注的焦点。以光能为主要能量来源的光伏电站因其建设周期短,且随着技术发展和规模效应,成本不断下降等特点,越来越受到各国政府的青睐。但光伏电站的特性与传统的火电厂有着重要的区别,如光伏电流输出直流电需要经过逆变过程变为交流电,这使得光伏电站的故障诊断与传统电厂有着巨大区别。光伏电站的故障类型也与传统电厂有着不同的内容,故障的产生将极大地减少光伏电站的发电效率,造成经济损失。局部阴影是光伏电站所特有的,且发生较为频繁的一类故障,其将极大地降低光伏电站的发电效率,且有可能对光伏电池板造成不可逆转的损害。
局部阴影的产生来源包括树等植物、建筑物等固定遮挡物造成的阴影,以及云等临时遮挡物造成的阴影。固定遮挡物造成的局部阴影具有持续性、周期性等特点,对于固定遮挡物的定位可以帮助电站控制系统合理规避阴影对电站的影响,对遮挡物及遮挡物影响区域进行合理处理,其对于偏远地区无人值守光伏电站、及一些不易检修的大型光伏电站具有重要意义。
发明内容
本发明的目的在于提供一种基于残差网络的光伏电站遮挡物定位方法,以解决光伏电站遮挡物定位的问题,本发明将残差网络用于光伏电站遮挡物定位模型,在光伏电站智能运维、检修管理等方面都具有很重要的现实意义。
为达到上述目的,本发明采用如下技术方案:
一种基于残差网络的光伏电站遮挡物定位方法,包括以下步骤:
步骤1、获取光伏电站光伏电池板参数及光伏电站地理位置,对光伏电站及遮挡物阴影分别进行建模;
步骤2、利用光伏阵列模型及遮挡物阴影模型得到仿真运行数据,并利用仿真运行数据训练残差神经网络,得到残差神经网络定位模型;
步骤3、收集一日光伏电站运行数据及地面辐照度数据,利用残差神经网络模型对遮挡物进行定位。
进一步地,步骤1中建立遮挡物阴影模型时计算任意时刻太阳高度角及太阳方位角采用的公式如下:
该模型为五参数模型,对于一个确定的光伏电池模块需要确定的参数为额定光生电流Iph0,二极管反向饱和电流Is,二极管因子n,并联电阻Rsh,串联电阻Rs。其余参数含义为:端电流I,端电压V,实际光生电流Iph,电子电荷q(1.60217662×10-19C),玻尔兹曼常数K(1.380650×10-23J/K),光伏电池温度T(K),额定辐照度Ir0(1000W/m2),实际辐照度Ir(1000W/m2)。
进一步地,步骤1中建立遮挡物阴影模型时计算任意时刻太阳高度角及太阳方位角采用的公式如下:
αH=90°-α
αD=180°+α2
其中,αH(0°≤gH≤90°)为太阳高度角,αD(90°≤αD≤270°)为太阳方位角,α为太阳高度角的余角,α2为太阳光在地面上投影与A点正南方向的夹角,θA,分别为待测点A的地理坐标纬度和经度,θB,为该时刻的太阳直射点B的地理坐标纬度和经度,θC,为与A点同一经线,且纬度相差90度的C点的地理坐标纬度和经度。
进一步地,步骤2中采用的残差网络输入为一日地表辐照度数据、光伏阵列电压、电流数据,输出为遮挡物半径、高度、x坐标和y坐标。
进一步地,骤2中采用的残差神经网络应用了以一维卷积层为主的卷积残差单元和以全连接层为主的线性残差单元,训练过程中采用的损失函数为均方根误差函数。
进一步地,步骤3中通过配备在光伏电站各个光伏阵列逆变器处的电压、电流传感器收集一日光伏电站运行数据,通过光伏电站装设的地面辐照度测量装置收集地面辐照度数据。
与现有技术相比,本发明具有以下有益的技术效果:
本发明方法通过仿真模型生成遮挡物阴影运行数据,并将仿真数据用于残差网络的训练,得到遮挡物定位模型,然后将光伏电站的一日运行数据输入遮挡物定位模型得到遮挡物位置及轮廓。该方法通过建立仿真模型,克服了实际数据不易获取的困难,利用残差网络,通过对网络结构以及输入数据的设计,获得了收敛速度快、精度高的定位模型,能够有效地定位光伏电站遮挡物位置及轮廓,对偏远地区无人值守光伏电站、及一些不易检修的大型光伏电站的智能运维、检修管理具有重要意义。
附图说明
图1本发明方法流程图;
图2光伏电池等效模型;
图3光伏电池板及光伏阵列结构示意图;
图4扰动观察法流程图;
图5太阳高度角及方位角计算示意图;
图6太阳方位角辅助计算示意图;
图7物体阴影计算示意图;
图8残差网络设计模型示意图;
图9实施例光伏电池板位置示意图;
图10实施例半径结果分析;其中(a)为训练集误差,(b)为训练集回归结果,(c)为测试集误差,(d)为测试集回归结果;
图11实施例高度结果分析;其中(a)为训练集误差,(b)为训练集回归结果,(c)为测试集误差,(d)为测试集回归结果;
图12实施例x坐标结果分析;其中(a)为训练集误差,(b)为训练集回归结果,(c)为测试集误差,(d)为测试集回归结果;
图13实施例y坐标结果分析;其中(a)为训练集误差,(b)为训练集回归结果,(c)为测试集误差,(d)为测试集回归结果。
具体实施方式
图1为发明方法流程图,下面结合附图对本发明的实施过程作进一步详细描述:
本发明是一种基于残差网络的光伏电站遮挡物定位方法,具体包括以下步骤:
一、获取该光伏电站光伏电池板参数,利用如图2所示光伏电池等效模型建立光伏模块模型,并按照图3所示先串联再并联的方式建立光伏阵列的模型,利用图4所示扰动观察法流程图建立MPPT(最大功率点追踪技术)模型,共同组成光伏电站模型。光伏电池模型端电压、端电流由以下公式确定:
该模型为五参数模型,对于一个确定的光伏电池模块需要确定的参数为额定光生电流Iph0,二极管反向饱和电流Is,二极管因子n,并联电阻Rsh,串联电阻Rs。其余参数含义为:端电流I,端电压V,实际光生电流Iph,电子电荷q(1.60217662×10-19C),玻尔兹曼常数K(1.380650×10-23J/K),光伏电池温度T(K),额定辐照度Ir0(1000W/m2),实际辐照度Ir(1000W/m2)。
二、获取该光伏电站地理位置,建立遮挡物阴影模型,以图5中A为例介绍A地太阳高度角αH(0°≤αH≤90°)及太阳方位角αD(90°≤αD≤270°)的的计算方法:
在此规定北纬纬度为正,南纬纬度为负;东经经度为正,西径经度为负。图5中B点为太阳直射点。C点与A点位于同一经线上,且纬度相差90度。分析可知,α为太阳高度角的余角,由余弦定理可得:
其中,θ为地理坐标的纬度,φ为地理坐标的经度。则太阳高度角:
αH=90°-α
太阳方位角的计算需要借助图6的辅助计算示意图。其中α1为太阳高度角,α3等于图4中β,则α2为太阳光在地面上投影与A点正南方向的夹角。根据余弦定理:
α3=β
α1=αH
根据图6中几何关系可得:
其中α2的符号需要根据A点与太阳直射点经度关系判断,若位于太阳直射点西侧则为负,若为太阳直射点东侧则为正,则太阳方位角为
αD=180°+α2
图7为A地一根半径很小,长度为L的细杆OA,以其为例介绍投影点的求取方法:
以正北方向为y轴正方向,以正东方向为x轴正方向,指向地心反方向为z轴正方向建立直角坐标系。A点坐标为(xA,yA,L),,则A’的坐标为
根据该公式可得到物体阴影轮廓,进而找到阴影遮盖面积。其中αD-180°为正表示y轴顺时针旋转得到的锐角或直角,为负表示y轴逆时针旋转的锐角或直角,其取值范围为[-90°,90°]。
两平面图形相交面积求解方法如下:
(1)设置x轴求解间隔Δx,系统x的精度为Δx;
(2)分别求得两个图形中x最小的点和x最大的点(xmin,xmax);
(3)求取各个图形在处y的最小值和最大值(ymin-n,ymax-n),每个图形得到一个n*2的矩阵;
(4)计算两个图形x的相交范围(x1,x2),对于处求得两个图形y值的相交范围长度Δyn,得到ΔSn=Δx*Δyn;
(5)对所有ΔSn求和,得到两图形相交面积;
基于以上方法,可以建立遮挡物在光伏电池板上的阴影模型。
三、利用得到的光伏电站模型及遮挡物阴影模型,随机生成一些遮挡物,并利用这些遮挡物生成一日运行数据,其中一日辐照度按照如下公式产生:
其中Ir0为当日光照强度最大值,T为变化周期,t为时间,为偏移角,ΔIr为噪声函数。
四、利用得到的仿真数据训练残差网络,得到遮挡物定位模型,残差网络输入为一日地表辐照度数据、光伏阵列电压、电流数据,输出为遮挡物半径、高度、x坐标和y坐标,残差网络采用了线性残差单元与卷积残差单元,卷积残差单元中的卷积层为一维卷积层。采用的残差网络的示意图如图8所示。
五、将光伏电站中光伏阵列的一日运行数据及光伏电站辐照度测量数据输入遮挡物定位模型得到遮挡物位置信息及轮廓信息。
实施例
光伏电池板位置分布图如图1所示,每块电池板由六个光伏模块组成,采用先串联再并联的方式连接,每串有三个光伏模块。图中蓝色区域为设定的遮挡物出现的区域。每个光伏阵列由三个光伏子串组成,每个光伏子串上有三个光伏电池板。实施例研究两个光伏阵列的情况,其位置分布和图中相同。图中参数为:a为光伏电池板长度设置为3m,b为光伏电池板宽度设置为3m,D1为x方向光伏电池板间距离设置为1m,D2为y方向光伏电池板间距,设置为1m。建筑物的半径,高度,x坐标与y坐标随机数生成,范围分别为[1m,15m],[3m,24m],[-30m,30m],[0,-30m]。光伏电池模块的参数为额定光生电流Iph0设置为6.08A,二极管反向饱和电流Is设置为0.18μA,二极管因子n设置为48.13,并联电阻Rsh设置为644.8Ω,串联电阻Rs设置为0.1Ω。
本实施例采用7个卷积残差单元和4个线性残差单元,每个卷积残差单元含有两个一维卷积层,每个线性残差单元含有两个全连接层,其中卷积残差单元的激活函数选用ReLu函数,线性残差单元的激活函数选用Sigmoid函数。
得到的遮挡物定位模型在训练集与测试集上的分析如图9-图13所示。训练集归一化后总体均方根绝对误差为0.002691,测试集归一化后总体均方根绝对误差为0.008026。
Claims (6)
1.一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,包括以下步骤:
步骤1、获取光伏电站光伏电池板参数及光伏电站地理位置,对光伏电站及遮挡物阴影分别进行建模;
步骤2、利用光伏电站模型及遮挡物阴影模型得到仿真运行数据,并利用仿真运行数据训练残差神经网络,得到残差神经网络定位模型;
步骤3、收集一日光伏电站运行数据及地面辐照度数据,利用残差神经网络模型对遮挡物进行定位。
2.根据权利要求1所述的一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,步骤1中建立的光伏电站模型中的光伏电池单元端电压、端电流由以下公式确定:
其中,额定光生电流Iph0,二极管反向饱和电流Is,二极管因子n,并联电阻Rsh,串联电阻Rs,端电流I,端电压V,实际光生电流Iph,电子电荷q,玻尔兹曼常数K,光伏电池温度T,额定辐照度Ir0,实际辐照度Ir。
3.根据权利要求1所述的一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,对步骤1中建立遮挡物阴影模型时计算任意时刻太阳高度角及太阳方位角采用的公式如下:
αH=90°-α
αD=180°+α2
其中,αH为太阳高度角,且0°≤αH≤90°,αD为太阳方位角,且90°≤αD≤270°,α为太阳高度角的余角,且0≤α≤90°,α2为太阳光在地面上投影与待测点A正南方向的夹角,θA,分别为待测点A的地理坐标纬度和经度,θB,为该时刻的太阳直射点B的地理坐标纬度和经度,θC,为与A点同一经线,且纬度相差90度的C点的地理坐标纬度和经度。
4.根据权利要求1所述的一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,步骤2中采用的残差神经网络输入为一日地表辐照度数据、光伏阵列电压、电流数据,输出为遮挡物半径、高度、x坐标和y坐标。
5.根据权利要求1所述的一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,步骤2中采用的残差神经网络应用了以一维卷积层为主的卷积残差单元和以全连接层为主的线性残差单元,训练过程中采用的损失函数为均方根误差函数。
6.根据权利要求1所述的一种基于残差网络的光伏电站遮挡物定位方法,其特征在于,步骤3中通过配备在光伏电站各个光伏阵列逆变器处的电压、电流传感器收集一日光伏电站运行数据,通过光伏电站装设的地面辐照度测量装置收集地面辐照度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394464.8A CN110209047B (zh) | 2019-05-13 | 2019-05-13 | 一种基于残差网络的光伏电站遮挡物定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910394464.8A CN110209047B (zh) | 2019-05-13 | 2019-05-13 | 一种基于残差网络的光伏电站遮挡物定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209047A true CN110209047A (zh) | 2019-09-06 |
CN110209047B CN110209047B (zh) | 2020-11-10 |
Family
ID=67785808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910394464.8A Active CN110209047B (zh) | 2019-05-13 | 2019-05-13 | 一种基于残差网络的光伏电站遮挡物定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209047B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705727A (zh) * | 2019-09-30 | 2020-01-17 | 山东建筑大学 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
CN112000018A (zh) * | 2020-09-14 | 2020-11-27 | 北京科技大学 | 一种基于残差生成器的鲁棒容错控制模块、方法及系统 |
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
US20230179144A1 (en) * | 2020-01-09 | 2023-06-08 | Envision Digital International Pte. Ltd. | Method and apparatus for recognizing operating state of photovoltaic string and storage medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163341A (zh) * | 2011-03-31 | 2011-08-24 | 河北省电力勘测设计研究院 | 通过阴影分析建立太阳能电站模型的方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
US10119927B2 (en) * | 2010-12-23 | 2018-11-06 | Crc Care Pty Ltd | Analyte ion detection method and device |
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 |
-
2019
- 2019-05-13 CN CN201910394464.8A patent/CN110209047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10119927B2 (en) * | 2010-12-23 | 2018-11-06 | Crc Care Pty Ltd | Analyte ion detection method and device |
CN102163341A (zh) * | 2011-03-31 | 2011-08-24 | 河北省电力勘测设计研究院 | 通过阴影分析建立太阳能电站模型的方法 |
CN107563903A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种云层对地面光伏电站的遮挡模型建立方法 |
CN107579707A (zh) * | 2017-10-13 | 2018-01-12 | 江苏大学 | 一种基于参数辨识的光伏阵列故障诊断方法 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705727A (zh) * | 2019-09-30 | 2020-01-17 | 山东建筑大学 | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 |
US20230179144A1 (en) * | 2020-01-09 | 2023-06-08 | Envision Digital International Pte. Ltd. | Method and apparatus for recognizing operating state of photovoltaic string and storage medium |
CN112200764A (zh) * | 2020-09-02 | 2021-01-08 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112200764B (zh) * | 2020-09-02 | 2022-05-03 | 重庆邮电大学 | 一种基于热红外图像的光伏电站热斑检测与定位方法 |
CN112000018A (zh) * | 2020-09-14 | 2020-11-27 | 北京科技大学 | 一种基于残差生成器的鲁棒容错控制模块、方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110209047B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209047A (zh) | 一种基于残差网络的光伏电站遮挡物定位方法 | |
Saadi et al. | Hydrogen production horizon using solar energy in Biskra, Algeria | |
CN102244483B (zh) | 基于气象信息的光伏发电有功功率在线评估方法 | |
Kivrak et al. | Theoretical and experimental performance investigation of a two-axis solar tracker under the climatic condition of Denizli, Turkey | |
CN103942440A (zh) | 一种光伏电站实时发电效率计算方法 | |
Burhan et al. | A pathway for sustainable conversion of sunlight to hydrogen using proposed compact CPV system | |
Pavlov et al. | Experimental and numerical study of the influence of string mismatch on the yield of PV modules augmented by static planar reflectors | |
Xu et al. | A study on all-weather flexible auto-tracking control strategy of high-efficiency solar concentrating photovoltaic power generation system | |
Vorobiev et al. | Optimization of the solar energy collection in tracking and non-tracking photovoltaic solar system | |
Sharma et al. | Optimum tilt and orientation angle determination with application of solar data | |
WO2023024822A1 (zh) | 一种低成本高精度的太阳能辐射测量方法 | |
Plachta | Autonomous tracking controller for photovoltaic systems using global positioning system | |
Sanjaya et al. | Implementation of solar tracking system to maximize energy absorption in wireless sensor network | |
Abdulsalam et al. | Optimum tilt angle for photovoltaic panels in Famagusta, Cyprus | |
Som et al. | Effect of solar tilt angles on photovoltaic module performance: A behavioral optimization approach | |
Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction | |
Krismadinata et al. | Photovoltaic Energy Harvesting with Static and Dynamic Solar Modules Employing IoT-Enabled Performance Monitoring. | |
Lehloka et al. | VALIDATING THE OPTIMUM TILT ANGLE FOR PV MODULES IN THE HIGHVELD OF SOUTH AFRICA FOR THE SUMMER SEASON | |
Alboteanu et al. | Aspects of designing the tracking systems for photovoltaic panels with low concentration of solar radiation | |
Zhang et al. | Accurate study and evaluation of small PV power generation system based on specific geographical location | |
Palkin et al. | Evaluating efficiency of methods for automatic orientation solar panel batteries to position with maximum output electrical power | |
Hosokawa et al. | Power Generation Characteristics of Solar Matching Photovoltaic System and Estimation of Its Power Generation | |
Jazayeri et al. | Determination of power losses in solar panels using artificial neural network | |
Asowata et al. | Correlating the power conversion of a PV panel to the solar irradiance obtained from Meteonorm | |
Bouhaki et al. | Modeling and Simulation of a Polycrystalline Panel Connected to the Network Based on Experimental Measurements |
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 |