CN110829491B - 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 - Google Patents

一种基于暂态扰动下的并网光伏发电系统参数辨识方法 Download PDF

Info

Publication number
CN110829491B
CN110829491B CN201911023990.XA CN201911023990A CN110829491B CN 110829491 B CN110829491 B CN 110829491B CN 201911023990 A CN201911023990 A CN 201911023990A CN 110829491 B CN110829491 B CN 110829491B
Authority
CN
China
Prior art keywords
grid
power generation
generation system
photovoltaic power
inverter
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
Application number
CN201911023990.XA
Other languages
English (en)
Other versions
CN110829491A (zh
Inventor
马喜平
胡殿刚
董开松
沈渭程
李树林
刘克权
张伟
徐宏雷
刘丽娟
赵炜
张光儒
魏博
梁有珍
赵耀
杨俊�
闵占奎
刘秀良
李志敏
陈明忠
同焕珍
张赛
甄文喜
朱宏毅
郑翔宇
陈柏旭
周政龙
魏润芝
赵霖
党建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Xian University of Technology
State Grid Gansu Electric Power Co Ltd
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Xian University of Technology
State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE, Xian University of Technology, State Grid Gansu Electric Power Co Ltd filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN201911023990.XA priority Critical patent/CN110829491B/zh
Publication of CN110829491A publication Critical patent/CN110829491A/zh
Application granted granted Critical
Publication of CN110829491B publication Critical patent/CN110829491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Control Of Electrical Variables (AREA)
  • Inverter Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于暂态扰动下的并网光伏发电系统参数辨识方法，并网光伏发电系统包括光伏阵列、DC/DC变化器、VSC控制下的逆变器、逆变器、逆变器控制器、滤波电路，滤波电路连接电网，DC/DC变化器连接最大功率控制器，逆变器连接逆变器控制器，本发明的方法基于改进粒子群算法(GA‑PSO)，通过分析不同暂态扰动下的电流变化，实现逆变器参数最优辨识，解决了传统数学分析方法在逆变器参数辨识中辨识不准确的问题，为逆变器控制优化、低电压穿越、电网潮流优化等方面的研究提供了基础。

Description

一种基于暂态扰动下的并网光伏发电系统参数辨识方法
技术领域
本发明属于参数辨识技术领域，具体涉及一种基于暂态扰动下的并网光伏发电系统参数辨识方法。
背景技术
光伏发电作为目前我国的主要清洁能源之一，具有着分布广泛，灵活度高，节能减排效果明显的优点。在2015年国家能源局指出将在2020年光伏发电容量超过100GW。因此光伏发电一直处于高速发展和大规模应用阶段，而大规模光伏发电并网则是光伏发展的必然趋势。但光伏发电系统并网会带来一系列问题，比如低电压穿越问题、并网谐波问题、大规模并网对传统大电网的稳定性影响问题等，而准确的并网光伏发电系统模型和并网光伏逆变器控制参数是研究解决该类问题的基础。
并网光伏发电系统主要是光伏阵列、DC/DC变化器、VSC控制下的逆变器、逆变器、逆变器控制器、滤波电路、最大功率控制器，逆变器控制器构成。对于一个并网光伏发电系统，其机理模型是已经确定了的，重点是对于并网光伏发电系统参数的确定。
发明内容
本发明的目的是提供一种基于暂态扰动下的并网光伏发电系统参数辨识方法，通过分析不同暂态扰动下的电流变化，实现逆变器参数最优辨识。
本发明所采用的技术方案是，一种基于暂态扰动下的并网光伏发电系统参数辨识方法，具体按照以下步骤实施：
步骤1、搭建并网光伏发电系统，构造关于该系统的物理模型，对该系统中逆变器的d轴待辨识参数赋值σrefer，将σrefer输入物理模型得到逆变器暂态扰动下的d轴输出电流Id，即为d轴电流的仿真值；
步骤2、设定种群大小、维度、粒子位置、速度范围、迭代次数、惯性权重、学习因子和选择、交叉、变异算子和迭代方程，通过改进粒子群算法建立算法模型；
步骤3、在算法模型选取第k个粒子σ(k)，将其赋值给待辨识参数，输入物理模型，得到d轴电流的实测值，并根据输出电流Id、适用度函数得到适应度；
步骤4、将粒子群根据适应度大小排序，保留适应度小的一半数量的粒子，将适应度大的一半数量粒子对应的函数进行交叉变异操作，并进入下一次迭代；
步骤5、当迭代次数达到最大或者满足适应度函数精度小于10-6时停止迭代，输出适应度最小的的粒子位置，即辨识得出并网光伏逆变器的控制参数。
本发明的特点还在于：
步骤1并网光伏发电系统包括依次并联的光伏阵列、DC/DC变化器、VSC控制下的逆变器、逆变器、逆变器控制器、滤波电路，滤波电路连接电网，DC/DC变化器连接最大功率控制器，逆变器连接逆变器控制器。
步骤1构造关于该系统的物理模型具体过程为：将并网光伏发电系统中的组成部分输入matlab的simulink模块中，得到物理模型。
步骤1待辨识参数为电压外环PI参数与电流内环PI参数。
步骤2具体过程为：设定种群大小、维度、粒子位置、速度范围、迭代次数、惯性权重、学习因子和选择、交叉、变异算子和迭代方程，其中迭代方程如下：
式(1)中：k为迭代次数；m表示第m个粒子；ω为惯性权重；c1、c2为自身认知学习因子和社会认知学习因子；r1、r2表示在区间(0，1)上的随机数；pbest、gbest分别表示前k次迭代的个体最优解和社会最优解；
惯性权重和学习因子变换过程，采用如下方程：
式(2)中，k表示迭代次数，kmax代表最大迭代次数，ωmax＝0.9，ωmin＝0.4；
式中：c1max＝1.496，c1min＝1，c2max＝2，c2min＝1.496；
将式(3)代入式(1)可得算法模型。
步骤3适用度函数如下：
式(4)中：n为一次计算中的数据长度；i表示数据点；idi.f表示d轴电流的仿真值；idi.c表示d轴电流的实测值。
还包括步骤6、按照步骤1-步骤5继续识别逆变器的q轴待辨识参数。
本发明的有益效果是：
本发明一种基于暂态扰动下的并网光伏发电系统参数辨识方法，基于改进粒子群算法(GA-PSO)，通过分析不同暂态扰动下的电流变化，实现逆变器参数最优辨识，解决了传统数学分析方法在逆变器参数辨识中辨识不准确的问题，为逆变器控制优化、低电压穿越、电网潮流优化等方面的研究提供了基础。
附图说明
图1为本发明中并网光伏发电系统结构图；
图2为本发明中将参考值σrefer代入并网光伏发电系统模型之中，模拟日照强度突变的情况下交流测的d轴参考值电流；
图3为本发明中将温度突变情况下得到的辨识结果代入并网光伏发电系统模型之中，模拟日照强度突变的情况下交流测的d轴辨识值电流；
图4为本发明中将参考值σrefer代入并网光伏发电系统模型之中，模拟日照强度突变的情况下交流测的q轴参考值电流；
图5为本发明中将温度突变情况下得到的辨识结果代入并网光伏发电系统模型之中，模拟日照强度突变的情况下交流测的q轴辨识值电流；
图6为本发明中将温度突变情况下得到的辨识结果代入并网光伏发电系统模型之中，模拟日照强度突变的情况，此时逆变器交流测A相电流的变化曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于暂态扰动下的并网光伏发电系统参数辨识方法，具体按照以下步骤实施：
步骤1、搭建如图1所示并网光伏发电系统，将并网光伏发电系统中的组成部分输入matlab的simulink模块中，得到物理模型，对该系统中逆变器的d轴待辨识参数赋值σrefer，将σrefer输入物理模型得到逆变器暂态扰动下的d轴输出电流Id，即为d轴电流的仿真值；
并网光伏发电系统包括依次并联的光伏阵列、DC/DC变化器、VSC控制下的逆变器、逆变器、逆变器控制器、滤波电路，滤波电路连接电网，DC/DC变化器连接最大功率控制器，逆变器连接逆变器控制器。
步骤1待辨识参数为电压外环PI参数与电流内环PI参数。
步骤2、具体过程为：设定种群大小、维度、粒子位置、速度范围、迭代次数、惯性权重、学习因子和选择、交叉、变异算子和迭代方程，其中迭代方程如下：
式(1)中：k为迭代次数；m表示第m个粒子；ω为惯性权重；c1、c2为自身认知学习因子和社会认知学习因子；r1、r2表示在区间(0，1)上的随机数；pbest、gbest分别表示前k次迭代的个体最优解和社会最优解；
惯性权重和学习因子变换过程，采用如下方程：
式(2)中，k表示迭代次数，kmax代表最大迭代次数，ωmax＝0.9，ωmin＝0.4；
式中：c1ma＝1.496，c1min＝1，c2max＝2，c2min＝1.496；
将式(3)代入式(1)可得算法模型。
步骤3、在算法模型选取第k个粒子σ(k)，将其赋值给待辨识参数，输入物理模型，得到d轴电流的实测值，并根据输出电流Id、适用度函数得到适应度；
适用度函数如下：
式(4)中：n为一次计算中的数据长度；i表示数据点；idi.f表示d轴电流的仿真值；idi.c表示d轴电流的实测值。
步骤4、将粒子群根据适应度大小排序，保留适应度小的一半数量的粒子，将适应度大的一半数量粒子对应的函数进行交叉变异操作，并进入下一次迭代；
步骤5、当迭代次数达到最大或者满足适应度函数精度小于10-6时停止迭代，输出适应度最小的的粒子位置，即辨识得出并网光伏逆变器的控制参数。
还包括步骤6、按照步骤1-步骤5继续识别逆变器的q轴待辨识参数。
实施例
下面以光伏强度突变和温度突变的情况为例。本文搭建的模型在稳定运行时，光伏阵列和DC-DC变换器在Mppt控制下达到了最大功率点，此时的电压,U-dc.＝501V，功率P＝10.42KW。逆变器的控制参数为kPId＝kPIq＝20、kIId＝kIIq＝1000、kPUd＝kPUd＝0.1、kIUq＝kIUq＝10、L＝23mH。人为设置扰动日照强度从1000W/m2降至800W/m2以获得扰动数据Id、Iq曲线，即参考电流曲线。将q轴参数固定，在日照强度突变的情况下，使用改进GPSO算法对并网光伏逆变器中d轴的控制参数进行辨识，其辨识结果如表1所示。
表1
反之，得到q轴的控制参数，如表2所示。
表2
同理，人为设置温度从25℃升至35℃，得到并网光伏逆变器中d轴与q轴的控制参数，如表3与表4所示。
表3
表4
表1、表2、表3、表4中的辨识值与误差表明了该方法的精确性。为了验证本方法在暂态扰动下对于并网光伏逆变器的控制参数的适用性，将温度突变情况下得到的辨识结果代入并网光伏发电系统模型之中，模拟日照强度突变的情况。图2为此时交流测的d轴参考值电流；图3为此时交流测的d轴辨识值电流。
图4为此时交流测的q轴参考值电流；图5为此时交流测的9轴辨识值电流；图6为此时逆变器交流测A相电流的变化曲线。从上图中可以看出，使用由温度扰动辨识得出的逆变器参数进行光照强度突变的仿真，与参数为参考值进行的仿真所得到的响应几乎相同，验证了本方法的适用性。
通过上述方式，本发明一种基于暂态扰动下的并网光伏发电系统参数辨识方法，基于改进粒子群算法(GA-PSO)，通过分析不同暂态扰动下的电流变化，实现逆变器参数最优辨识，解决了传统数学分析方法在逆变器参数辨识中辨识不准确的问题，为逆变器控制优化、低电压穿越、电网潮流优化等方面的研究提供了基础。

Claims (6)

1.一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，具体按照以下步骤实施：
步骤1、搭建并网光伏发电系统，构造关于该系统的物理模型，对该系统中逆变器的d轴待辨识参数赋值σrefer，将σrefer输入物理模型得到逆变器暂态扰动下的d轴输出电流Id；
步骤2、设定种群大小、维度、粒子位置、速度范围、迭代次数、惯性权重、学习因子和选择、交叉、变异算子和迭代方程，通过改进粒子群算法建立算法模型；具体过程为：设定种群大小、维度、粒子位置、速度范围、迭代次数、惯性权重、学习因子和选择、交叉、变异算子和迭代方程，其中迭代方程如下：
式(1)中：k为迭代次数；m表示第m个粒子；ω为惯性权重；c1、c2为自身认知学习因子和社会认知学习因子；r1、r2表示在区间(0，1)上的随机数；pbest、gbest分别表示前k次迭代的个体最优解和社会最优解；
惯性权重和学习因子变换过程，采用如下方程：
式(2)中，k表示迭代次数，kmax代表最大迭代次数，ωmax＝0.9，ωmin＝0.4；
式中：c1max＝1.496，c1min＝1，c2max＝2，c2min＝1.496；
将式(3)代入式(1)可得算法模型；
步骤3、在算法模型选取第L个粒子σ(L)，将其赋值给待辨识参数，输入物理模型，并根据输出电流Id、适用度函数得到适应度；
步骤4、将粒子群根据适应度大小排序，保留适应度小的一半数量的粒子，将适应度大的一半数量粒子对应的函数进行交叉变异操作，并进入下一次迭代；
步骤5、当迭代次数达到最大或者满足适应度函数精度小于10-6时停止迭代，输出适应度最小的粒子位置，即辨识得出并网光伏逆变器的控制参数。
2.根据权利要求1所述一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，步骤1所述并网光伏发电系统包括依次并联的光伏阵列、DC/DC变化器、VSC控制下的逆变器、逆变器、逆变器控制器、滤波电路，所述滤波电路连接电网，所述DC/DC变化器连接最大功率控制器，所述逆变器连接逆变器控制器。
3.根据权利要求1所述一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，步骤1所述构造关于该系统的物理模型具体过程为：将并网光伏发电系统中的组成部分输入matlab的simulink模块中，得到物理模型。
4.根据权利要求1所述一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，步骤1所述待辨识参数为电压外环PI参数与电流内环PI参数。
5.根据权利要求1所述一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，步骤3适用度函数如下：
式(4)中：n为一次计算中的数据长度；i表示数据点；idi，f表示d轴电流的仿真值；idi.c表示d轴电流的实测值。
6.根据权利要求1所述一种基于暂态扰动下的并网光伏发电系统参数辨识方法，其特征在于，还包括步骤6、按照步骤1-步骤5继续识别逆变器的q轴待辨识参数。
CN201911023990.XA 2019-10-25 2019-10-25 一种基于暂态扰动下的并网光伏发电系统参数辨识方法 Active CN110829491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911023990.XA CN110829491B (zh) 2019-10-25 2019-10-25 一种基于暂态扰动下的并网光伏发电系统参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911023990.XA CN110829491B (zh) 2019-10-25 2019-10-25 一种基于暂态扰动下的并网光伏发电系统参数辨识方法

Publications (2)

Publication Number Publication Date
CN110829491A CN110829491A (zh) 2020-02-21
CN110829491B true CN110829491B (zh) 2023-08-22

Family

ID=69551081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911023990.XA Active CN110829491B (zh) 2019-10-25 2019-10-25 一种基于暂态扰动下的并网光伏发电系统参数辨识方法

Country Status (1)

Country Link
CN (1) CN110829491B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113690933B (zh) * 2021-08-06 2022-11-29 合肥工业大学 并网逆变器锁相环参数辨识方法
CN115204048A (zh) * 2022-07-19 2022-10-18 贵州大学 一种光伏发电系统模型辨识系统和方法
CN115566717B (zh) * 2022-08-17 2024-06-11 淮阴工学院 一种基于改进型粒子群算法扰动观测器复合滑模的逆变器控制策略

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208815A (zh) * 2013-04-02 2013-07-17 清华大学 光伏发电系统并网逆变器的d-q轴参数辨识方法
CN103353979A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种分布式电源的优化选址与定容方法
CN103544525A (zh) * 2013-10-17 2014-01-29 国网甘肃省电力公司电力科学研究院 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法
CN104778345A (zh) * 2015-01-07 2015-07-15 天津大学 一种模拟光伏电池模型老化故障的非线性参数计算方法
CN104933307A (zh) * 2015-06-15 2015-09-23 西北工业大学 基于粒子群优化算法的太阳电池隐式方程参数辨识方法
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法
CN106485339A (zh) * 2015-08-31 2017-03-08 中车大连电力牵引研发中心有限公司 一种电力系统的负荷特性确定方法及系统
CN106992551A (zh) * 2017-06-05 2017-07-28 合肥工业大学 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法
CN107103154A (zh) * 2017-05-17 2017-08-29 南京南瑞继保电气有限公司 一种光伏组件模型参数辨识方法
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
CN108111125A (zh) * 2018-01-29 2018-06-01 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及方法
CN109635506A (zh) * 2019-01-10 2019-04-16 浙江大学 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN109962479A (zh) * 2019-03-28 2019-07-02 国网山东省电力公司电力科学研究院 一种基于交替迭代优化的同步调相机电气参数分布联合辨识方法
CN110287540A (zh) * 2019-05-29 2019-09-27 江苏大学 一种基于精英群众差分进化算法的光伏电池参数辨识方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208815A (zh) * 2013-04-02 2013-07-17 清华大学 光伏发电系统并网逆变器的d-q轴参数辨识方法
CN103353979A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种分布式电源的优化选址与定容方法
CN103544525A (zh) * 2013-10-17 2014-01-29 国网甘肃省电力公司电力科学研究院 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法
CN104778345A (zh) * 2015-01-07 2015-07-15 天津大学 一种模拟光伏电池模型老化故障的非线性参数计算方法
CN104933307A (zh) * 2015-06-15 2015-09-23 西北工业大学 基于粒子群优化算法的太阳电池隐式方程参数辨识方法
CN106485339A (zh) * 2015-08-31 2017-03-08 中车大连电力牵引研发中心有限公司 一种电力系统的负荷特性确定方法及系统
CN106202914A (zh) * 2016-07-07 2016-12-07 国网青海省电力公司 基于改进粒子群算法的光伏电池参数辨识方法
CN107103154A (zh) * 2017-05-17 2017-08-29 南京南瑞继保电气有限公司 一种光伏组件模型参数辨识方法
CN106992551A (zh) * 2017-06-05 2017-07-28 合肥工业大学 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法
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
CN108111125A (zh) * 2018-01-29 2018-06-01 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及方法
CN109635506A (zh) * 2019-01-10 2019-04-16 浙江大学 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN109962479A (zh) * 2019-03-28 2019-07-02 国网山东省电力公司电力科学研究院 一种基于交替迭代优化的同步调相机电气参数分布联合辨识方法
CN110287540A (zh) * 2019-05-29 2019-09-27 江苏大学 一种基于精英群众差分进化算法的光伏电池参数辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
光伏并网逆变器动态模型及其参数辨识研究;靳伟佳;《中国优秀硕士学位论文全文数据库》(第01期);9-33页 *

Also Published As

Publication number Publication date
CN110829491A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110829491B (zh) 一种基于暂态扰动下的并网光伏发电系统参数辨识方法
Thangamuthu et al. Design and development of extract maximum power from single-double diode PV model for different environmental condition using BAT optimization algorithm
Bossoufi et al. Rooted tree optimization for the backstepping power control of a doubly fed induction generator wind turbine: dSPACE implementation
CN104220951B (zh) 最大功率点跟踪(mppt)
CN107103154A (zh) 一种光伏组件模型参数辨识方法
CN105978373B (zh) 实现微电网稳定的三相逆变器逆推滑模控制方法及系统
Hosseini et al. Design and construction of photovoltaic simulator based on dual-diode model
CN108959704B (zh) 一种考虑形态变化的奖惩权重型仿真序列相似性分析方法
CN109272134A (zh) 一种考虑系统损耗的区域光伏电站并网功率预测方法
Abbood et al. Data‐Driven Modeling of a Commercial Photovoltaic Microinverter
CN115392133A (zh) 采用高斯混合模型的风电场最优聚类等值方法
CN105785281A (zh) 光伏并网逆变器mppt效率的测试方法及装置
CN114638396A (zh) 一种基于神经网络实例化的光伏功率预测方法及系统
Dong et al. Investigation of PV inverter MPPT efficiency test platform
Muhtar et al. The comparison of ANN-BP and ANN-PSO as learning algorithm to track MPP in PVSystem
CN117189472A (zh) 一种独立变桨距控制方法
CN109167395B (zh) 基于adpss的光伏发电系统的暂态等值电势辨识方法
CN109600117B (zh) 一种光伏电池输出特性的模拟方法
CN112036010A (zh) 一种基于数据驱动的光伏系统动态过程混合等效建模方法
CN114552653B (zh) 基于智能算法的并网逆变器系统控制参数多目标优化方法
Attia ANew INTELLIGENT POWER FACTOR CORRECTOR FOR CONVERTER APPLICATIONS
Yan et al. MPPT control technology based on the GWO-VINC algorithm
CN111651939A (zh) 计及变流器控制参数差异的永磁风电场动态等值建模方法
Zhou et al. Research on grid-connected photovoltaic inverter based on quasi-PR controller adjusting by dynamic diagonal recurrent neural network
Lal et al. Single-stage utility-scale PV system with PSO based MPPT controller

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