CN111177973A - 一种基于强化学习的光伏阵列在线建模方法 - Google Patents
一种基于强化学习的光伏阵列在线建模方法 Download PDFInfo
- Publication number
- CN111177973A CN111177973A CN201911344784.9A CN201911344784A CN111177973A CN 111177973 A CN111177973 A CN 111177973A CN 201911344784 A CN201911344784 A CN 201911344784A CN 111177973 A CN111177973 A CN 111177973A
- Authority
- CN
- China
- Prior art keywords
- reinforcement learning
- parameter
- learning model
- curve
- actuator
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Photovoltaic Devices (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开一种基于强化学习的光伏阵列在线建模方法,其中包括参数a的强化学习模型执行器(101)、参数R s的强化学习模型执行器(102)、参数R sh的强化学习模型执行器(103)、参数dG的强化学习模型执行器(104)、单二极管模型(105)、误差计算模块(106)、估算I‑V曲线与实测I‑V曲线特征状态提取模块(107)、回报值计算模块(108)、具有I‑V曲线扫描功能的功率变换器(201)、辐照度传感器(202)、光伏组件温度传感器(203),通过强化学习模型执行器实现模型参数在线提取与光伏阵列I‑V特性曲线实时计算,同时保证了模型计算精度与计算速度。
Description
技术领域
本发明涉及太阳能光伏发电领域,特别是涉及一种光伏阵列在线建模方法。
背景技术
由于近年来国内外光伏电站装机容量逐年增长,光伏系统特别是光伏阵列数学模型建模问题日益受到关注,目前光伏阵列数学模型主要采用基于等效物理模型的单二极管或双二极管模型,而模型参数易受环境影响,常规的模型参数提取方法难以保证不同环境条件下模型精度,且无法考虑光伏系统性能退化引起的模型精度降低,因此目前模型参数提取方法仍存在局限性;目前已有学者利用实测光伏阵列电流电压(I-V)曲线,采用元启发式优化算法提取模型参数,该方法精度较高但仅能保证当前环境条件下模型精度,且参数提取过程需反复迭代计算,耗时较长,难以保证光伏阵列在线建模实时性。
发明内容
针对现有技术上存在的不足,本发明目的是针对光伏阵列在线数学模型建立问题,公开一种基于强化学习的光伏阵列在线建模方法。
为了实现上述目的,本发明是通过如下的技术方案来实现:
一种基于强化学习的光伏阵列在线建模方法,包括参数a的强化学习模型执行器、参数Rs的强化学习模型执行器、参数Rsh的强化学习模型执行器、参数dG的强化学习模型执行器、单二极管模型、误差计算模块、估算I-V曲线与实测I-V曲线特征状态提取模块、回报值计算模块、具有I-V曲线扫描功能的功率变换器、辐照度传感器、光伏组件温度传感器;
所述参数a的强化学习模型执行器、参数Rs的强化学习模型执行器、参数Rsh的强化学习模型执行器、参数dG的强化学习模型执行器与单二极管模型连接,分别提供估算的模型参数a、Rs、Rsh、dG,辐照度传感器、光伏组件温度传感器与单二极管模型连接,输出测量所得辐照度Gmea与光伏组件温度Tmea至单二极管模型,单二极管模型依据数学模型获得估算I-V曲线,同时由具有I-V曲线扫描功能的功率变换器获得实测I-V曲线,单二极管模型、具有I-V曲线扫描功能的功率变换器与误差计算模块、估算I-V曲线与实测I-V曲线特征状态提取模块连接,分别获得误差与I-V曲线特征状态;误差计算模块与回报值计算模块连接,通过误差获得各个强化学习模型执行器的回报值,并将估算I-V曲线与实测I-V曲线特征状态提取模块和回报值计算模块分别与参数a的强化学习模型执行器、参数Rs的强化学习模型执行器、参数Rsh的强化学习模型执行器、参数dG的强化学习模型执行器,将I-V曲线特征状态和回报值输入强化学习算法更新各个执行器。
单二极管模型中单二极管模型方程为:
其中I为光伏阵列输出电流、Iph为光生电流,Is为饱和电流,q为电子电荷常数,V为光伏阵列输出电压,kB为玻尔兹曼常数,T为光伏组件温度,a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻,其中参数a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻由所述参数a的强化学习模型执行器、参数Rs的强化学习模型执行器、参数Rsh的强化学习模型执行器获得;
所述光生电流Iph表示为:
其中Isc,stc为标准测试条件下光伏阵列短路电流,Ki为电流温度系数,Tstc为标准测试条件下温度,G为实测辐照度,Gstc为标准测试条件下辐照度,dG为辐照度补偿值,由参数dG的强化学习模型执行器获得;
所述饱和电流Is表示为:
其中Eg为材料能隙,Is,stc为标准条件下饱和电流,表示为:
Voc,stc为标准条件下光伏阵列开路电压,Ncs为光伏阵列组件数。
本发明的有益效果在于,可实现在线自适应地提取模型参数,随着不断在线强化学习使得光伏阵列模型估算精度不断提高,有益于进一步实时分析光伏阵列发电性能,并实时地进行故障检测或诊断,提高光伏系统运行维护效率。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1是发明基于强化学习的光伏阵列在线建模方法框图;
图2是本发明方法估算某电站光伏阵列全年I-V曲线与实测I-V曲线均方误差直方图;
图3是本发明估算I-V曲线与实测I-V曲线对比图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例:
以Q-learning算法为例,首先建立参数a的强化学习模型执行器101、参数Rs的强化学习模型执行器102、参数Rsh的强化学习模型执行器103、参数dG的强化学习模型执行器104,初始时各执行器输出量为标准条件下求解的参数a、Rs、Rsh取值,分别记为aref、Rs_ref、Rsh_ref,参数dG初始值设为0,参数a的强化学习模型执行器101、参数Rs的强化学习模型执行器102、参数Rsh的强化学习模型执行器103、参数dG的强化学习模型执行器104行为均设置为三种,分别为:
其中ak、Rs,k、Rsh,k、dGk为第k时刻执行器输出参数值,ak+1、Rs,k+1、Rsh,k+1、dGk+1为第k+1时刻执行器输出参数值;将上述更新后的参数值与辐照度传感器202、光伏组件温度传感器203测得的辐照度Gmea与温度Tmea输入单二极管模型105,所述单二极管模型105中单二极管模型方程为:
其中I为光伏阵列输出电流、Iph为光生电流,Is为饱和电流,q为电子电荷常数,V为光伏阵列输出电压,kB为玻尔兹曼常数,T为光伏组件温度,a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻,其中参数a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻由所述参数a的强化学习模型执行器101、参数Rs的强化学习模型执行器102、参数Rsh的强化学习模型执行器103获得;
所述光生电流Iph表示为:
其中Isc,stc为标准测试条件下光伏阵列短路电流,Ki为电流温度系数,Tstc为标准测试条件下温度,G为实测辐照度,Gstc为标准测试条件下辐照度,dG为辐照度补偿值,由参数dG的强化学习模型执行器104获得;
所述饱和电流Is表示为:
其中Eg为材料能隙,Is,stc为标准条件下饱和电流,表示为:
Voc,stc为标准条件下光伏阵列开路电压,Ncs为光伏阵列组件数。
同时由具有I-V曲线扫描功能的功率变换器201获得实测I-V曲线,通过估算I-V曲线与实测I-V曲线特征状态提取模块107记录估算I-V曲线与实测I-V曲线特征状态,由误差计算模块106计算估算I-V曲线与实测I-V曲线各类误差,包括最大功率点处误差、开路电压误差、短路电流误差、开路电压处曲线段斜率误差、短路电流处曲线段斜率误差,将上述误差输入回报值计算模块108,获得参数a的强化学习模型执行器101、参数Rs的强化学习模型执行器102、参数Rsh的强化学习模型执行器103、参数dG的强化学习模型执行器104行为回报值,并依据估算I-V曲线与实测I-V曲线特征状态提取模块107记录的估算I-V曲线与实测I-V曲线特征状态更新参数a的强化学习模型执行器101、参数Rs的强化学习模型执行器102、参数Rsh的强化学习模型执行器103、参数dG的强化学习模型执行器104各自的Q值表,并依据Q值最大原则选取下一时刻执行器行为并更新模型参数,实现在线I-V曲线参数提取与在线I-V曲线估算,最终经过多轮地更新Q值表使得模型参数收敛;图2为采用所公开的一种基于强化学习的光伏阵列在线建模方法估算某电站光伏阵列全年I-V曲线与实测I-V曲线均方误差直方图,该光伏阵列短路电流约为8.1A,由直方图可见全年I-V曲线均方根误差主要集中在0.1A附近;图3为本发明估算均方根误差为0.1A的I-V曲线与实测I-V曲线结果,可见采用本发明方法估算的I-V曲线与实测I-V曲线基本吻合。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于强化学习的光伏阵列在线建模方法,其特征在于,包括参数a的强化学习模型执行器(101)、参数Rs的强化学习模型执行器(102)、参数Rsh的强化学习模型执行器(103)、参数dG的强化学习模型执行器(104)、单二极管模型(105)、误差计算模块(106)、估算I-V曲线与实测I-V曲线特征状态提取模块(107)、回报值计算模块(108)、具有I-V曲线扫描功能的功率变换器(201)、辐照度传感器(202)、光伏组件温度传感器(203);
所述参数a的强化学习模型执行器(101)、参数Rs的强化学习模型执行器(102)、参数Rsh的强化学习模型执行器(103)、参数dG的强化学习模型执行器(104)与单二极管模型(105)连接,分别提供估算的模型参数a、Rs、Rsh、dG,辐照度传感器(202)、光伏组件温度传感器(203)与单二极管模型(105)连接,输出测量所得辐照度Gmea与光伏组件温度Tmea至单二极管模型(105),单二极管模型(105)依据数学模型获得估算I-V曲线,同时由具有I-V曲线扫描功能的功率变换器(201)获得实测I-V曲线,单二极管模型(105)、具有I-V曲线扫描功能的功率变换器(201)与误差计算模块(106)、估算I-V曲线与实测I-V曲线特征状态提取模块(107)连接,分别获得误差与I-V曲线特征状态;误差计算模块(106)与回报值计算模块(108)连接,通过误差获得各个强化学习模型执行器的回报值,并将估算I-V曲线与实测I-V曲线特征状态提取模块(107)和回报值计算模块(108)分别与参数a的强化学习模型执行器(101)、参数Rs的强化学习模型执行器(102)、参数Rsh的强化学习模型执行器(103)、参数dG的强化学习模型执行器(104),将I-V曲线特征状态和回报值输入强化学习算法更新各个执行器。
2.根据权利要求1所述一种基于强化学习的光伏阵列在线建模方法,其特征在于,单二极管模型(105)中单二极管模型方程为:
其中I为光伏阵列输出电流、Iph为光生电流,Is为饱和电流,q为电子电荷常数,V为光伏阵列输出电压,kB为玻尔兹曼常数,T为光伏组件温度,a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻,其中参数a为理想因子,Rs为等效串联电阻,Rsh为等效并联电阻由所述参数a的强化学习模型执行器(101)、参数Rs的强化学习模型执行器(102)、参数Rsh的强化学习模型执行器(103)获得;
所述光生电流Iph表示为:
其中Isc,stc为标准测试条件下光伏阵列短路电流,Ki为电流温度系数,Tstc为标准测试条件下温度,G为实测辐照度,Gstc为标准测试条件下辐照度,dG为辐照度补偿值,由参数dG的强化学习模型执行器(104)获得;
所述饱和电流Is表示为:
其中Eg为材料能隙,Is,stc为标准条件下饱和电流,表示为:
Voc,stc为标准条件下光伏阵列开路电压,Ncs为光伏阵列组件数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344784.9A CN111177973B (zh) | 2019-12-24 | 2019-12-24 | 一种基于强化学习的光伏阵列在线建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344784.9A CN111177973B (zh) | 2019-12-24 | 2019-12-24 | 一种基于强化学习的光伏阵列在线建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177973A true CN111177973A (zh) | 2020-05-19 |
CN111177973B CN111177973B (zh) | 2022-09-09 |
Family
ID=70655648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344784.9A Active CN111177973B (zh) | 2019-12-24 | 2019-12-24 | 一种基于强化学习的光伏阵列在线建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177973B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967821A (zh) * | 2022-03-29 | 2022-08-30 | 武汉城市职业学院 | 一种基于强化学习的光伏发电系统最大功率跟踪控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879947A (zh) * | 2018-06-06 | 2018-11-23 | 华南理工大学 | 一种基于深度学习算法的分布式光伏发电控制管理系统 |
-
2019
- 2019-12-24 CN CN201911344784.9A patent/CN111177973B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879947A (zh) * | 2018-06-06 | 2018-11-23 | 华南理工大学 | 一种基于深度学习算法的分布式光伏发电控制管理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967821A (zh) * | 2022-03-29 | 2022-08-30 | 武汉城市职业学院 | 一种基于强化学习的光伏发电系统最大功率跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111177973B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11190131B2 (en) | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN109063276B (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN109409024B (zh) | 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 | |
CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN107103154A (zh) | 一种光伏组件模型参数辨识方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN113379142B (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
TWI391807B (zh) | 太陽光電發電系統之最大功率追蹤系統及方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
Hadji et al. | Development of an algorithm of maximum power point tracking for photovoltaic systems using genetic algorithms | |
Cristaldi et al. | MPPT definition and validation: a new model-based approach | |
CN107221933B (zh) | 一种概率潮流计算方法 | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN113595132A (zh) | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 | |
CN112241591A (zh) | 基于线路温度动态变化实现电网状态估计的方法及装置 | |
CN109508062B (zh) | 一种基于模糊电导的光伏发电控制方法及系统 | |
CN112487347B (zh) | 考虑环境和时变因素的光伏组件模型参数化方法 | |
CN116436405A (zh) | 一种光伏组串的热斑故障诊断方法 | |
CN114710116A (zh) | 一种基于模糊模型的光伏电池组件的实测建模方法及系统 | |
CN111651939B (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 |
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 |