CN111474978B - 一种智能变换步长的光伏mppt控制方法及其系统存储介质 - Google Patents
一种智能变换步长的光伏mppt控制方法及其系统存储介质 Download PDFInfo
- Publication number
- CN111474978B CN111474978B CN202010401034.7A CN202010401034A CN111474978B CN 111474978 B CN111474978 B CN 111474978B CN 202010401034 A CN202010401034 A CN 202010401034A CN 111474978 B CN111474978 B CN 111474978B
- Authority
- CN
- China
- Prior art keywords
- mpp
- neural network
- switching
- value
- voltage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 210000001357 hemopoietic progenitor cell Anatomy 0.000 claims description 63
- 238000001167 microscope projection photolithography Methods 0.000 claims description 63
- 239000002245 particle Substances 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 abstract description 6
- 230000009194 climbing Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明属于光伏逆变器控制领域，公开了一种智能变换步长的光伏MPPT控制方法及其系统存储介质，用粒子群算法PSO来改进神经网络(RBF/BP)并与扰动观察法相结合，从多功率峰中切换到有全局最大MPP的那个峰，已找到的有全局最大MPPT的峰上算法不断地收敛步长以逼近峰值，从而不断接近MPP，并在使其在误差允许范围内，稳定MPP并减小在最大功率点处的振荡，在向最大功率点处收敛时，目前一般采用普通的扰动观察法，我们为了提高收敛效率，节约时间，利用BP神经网络来切换扰动观察法的步长。因此收敛步长需随时变化，前期爬坡收敛用大步长，但到后期到了某个时刻使用BP神经网络切换为小步长来继续收敛，以防在最大MPP处振荡过大。
Description
技术领域
本发明属于光伏逆变器控制领域，尤其涉及一种光伏MPPT切换方法、系统存储介质。
背景技术
目前，太阳能是一种可再生的且取之不尽用之不竭的绿色能源，如今正逐步发展成为全球众多能源架构中的重要组成部分。随着世界太阳能产业的快速发展崛起，各国对MPPT算法的研究更加深入，因此我国在光伏领域加大对MPPT的研究，其重要性不可忽视。当前市面上所展现出的极值搜索法、扰动观察法、电导增量法等典型MPPT算法是把直接控制调节PV系统参量来追踪最大功率点作为原理，并且在工程领域中是当下应用范围最大的一类算法。这些广泛运用的传统算法虽然架构简单且操作方便，但是所产生的系统输出最大功率会大幅震荡，以及当环境因素不断改变而造成多峰现象时，对最大功率点的追踪难以避免地陷入局部最优等等，这些问题有可能会导致误判进而造成整个MPPT失效。在人工神经网络的发展历史上，感知机(Multilayer Perceptron，MLP)网络曾对人工神经网络的发展发挥了极大的作用，也被认为是一种真正能够使用的人工神经网络模型，它的出现曾掀起了人们研究人工神经元网络的热潮。单层感知网络(M-P模型)做为最初的神经网络，具有模型清晰、结构简单、计算量小等优点。但是，随着研究工作的深入，人们发现它还存在不足，例如无法处理非线性问题，即使计算单元的作用函数不用阀函数而用其他较复杂的非线性函数，仍然只能解决解决线性可分问题.不能实现某些基本功能，从而限制了它的应用。增强网络的分类和识别能力、解决非线性问题的唯一途径是采用多层前馈网络，即在输入层和输出层之间加上隐含层。构成多层前馈感知器网络。20世纪80年代中期，DavidRunelhart。Geoffrey Hinton和Ronald W-llians、DavidParker等人分别独立发现了误差反向传播算法(Error Back Propagation Training)，简称BP，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导。人们把采用这种算法进行误差校正的多层前馈网络称为BP网。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。最大功率跟踪控制算法是从诞生之初的人为跟踪功率的方式发展到现在的利用人工智能算法来进行跟踪功率的方式，在这期间经历了性能逐步改善且逐渐优化的进程。当下，为解决已有的传统MPPT算法的相关不足之处，在人工智能与机器学习领域发展成熟且用途广泛的神经网络理论便成为全世界相关领域专家用于改善传统MPPT算法的重点选择方式，因此，对基于神经网络的新式智能MPPT算法的研究与进展主要分为以下三类。
第一，把人工神经网络(ANN)直接作为MPPT算法的主要架构，进而直接参与对最大功率点的预测与跟踪。
第二，对传统的神经网络算法的相关参数进行改进，使其达到一定的误差指标，进而再利用这个已改进的神经网络来参与对最大功率点的追踪。
第三，利用其它的智能算法(如遗传算法等)来对神经网络进行优化，进而在运用已优化的神经网络来参与最大功率点的跟踪。
综上，经分析发现，以上的研究都是以神经网络为主要架构来直接对最大功率点进行预测和跟踪，这样的处理方式在理论上可得出良好的最大功率点的预测与追踪结果，但在实际应用中，难免会因环境条件的急剧变化而造成神经网络的预测结果不准确，从而使MPPT算法的追踪效率下降。
与光伏发电技术有关的政策的发布与开展，以提高太阳能电池板输出功率的形式来改善能源转换效率的最大功率点跟踪(Maximum Power Point Tracking，MPPT)技术凭借其低廉的成本和良好的运行效果得到广泛迅速的研究与发展。但是目前市面上的主流MPPT算法大多利用了实时监测的手段，利用光伏电池已输出的电流、电压等参数的实时值进而对其不断调整以逼近最大功率点的理论值，这些主流的算法虽然操作方便且逻辑较为简单，却具有性能不稳、鲁棒性差、在最大功率点处大幅震荡等一系列问题。
综上所述，现有技术存在的问题是：目前的主流MPPT算法存在性能不稳、鲁棒性差、在最大功率点处大幅震荡等一系列问题。
解决以上问题及缺陷的难度为：关于导致性能不稳的原因有多种，有急剧变化的光照与温度条件以及硬件本身的条件等等，目前研究也很少提及，这些性能问题比如震荡与算法运行速率等只能想尽方法减小与缩减，尤其是做到比已有算法的这些方面更优异，这样才能显示我的算法的优异性。
解决以上问题及缺陷的意义为：该算法比其它同类算法能更进一步地提高光能利用率或减小其损耗。
发明内容
针对现有技术存在的问题，本发明提供了光伏MPPT切换方法以及相关的系统存储介质。
本发明是这样实现的，在整个光伏系统的框架下，所述基于改进的神经网络(RBF/BP)的光伏MPPT切换方法是在全局下只有一个峰的功率顶点为全局最大MPP，其余都为局部MPP的情形下，找到有全局MPP的峰并排除其它峰；进而引入BP神经网络算法，并在后期的某个时刻用BP神经网络切换为小步长继续收敛的进程。
进一步，所述基于改进的BP神经网络的光伏MPPT切换方法包括：
第一步，采集并输入50组光照、温度、电压、电流四大输入参数并设定相应的参考MPP电压为输出参数；
第二步，RBF神经网络整合参数并进行训练学习并输入另50组新数据；得出这50组由RBF神经网络预测出的最大功率点处的电压值；
第三步，通过计算得出50组由RBF网络预测的MPP电压值与参考MPP电压值之间的差值；取此50组差值的绝对值为收敛步长切换参考值；设定此50组最初的光照、温度、电压、电流为输入值，其步长参考值与RBF网络所预测的MPP电压值为输出值；
第四步，利用粒子群算法对BP神经网络的相关参数与架构进行改进与优化；利用基于粒子群算法改进的BP神经网络进行训练学习；
第五步，通过BP神经网络得出MPP电压值与切换步长参考值；
第六步，结合扰动观察法，以步长参考值为量度并以MPP电压值为中心，分别向左向右各切换一个步长，得到各自相应的电压值；
第七步，判断原中心MPP电压值所对应的功率是否为最大功率；是，则返回环境参数采集处，继续进行最大功率点跟踪，采集环境中的光强、温度以及系统相对应的电压与电流并输入，通过BP神经网络得出MPP电压值与切换步长参考值；不是，则进行下一步；
第八步，选择对应最大功率的电压值作为算法输出值并输出。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：在全局下只有一个峰的功率顶点为全局最大MPP，其余都为局部MPP，找到有全局MPP的峰并排除其它峰，从而在扰动观察法的较大步长收敛的后期某个时刻再利用BP神经网络将其切换为小步长并继续收敛。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的光伏MPPT切换方法。
本发明的另一目的在于提供一种实施所述的光伏MPPT切换方法的光伏MPPT切换系统，所述的光伏MPPT切换系统包括：
参数设定模块，用于采集并输入50组光照、温度、电压、电流四大输入参数并设定相应的参考MPP电压为输出参数；
最大功率点电压值计算模块，用于实现RBF神经网络整合参数并进行训练学习并输入另50组新数据；得出这50组由RBF神经网络预测出的最大功率点处的电压值；
参考值计算模块，用于通过计算得出50组由RBF网络预测的MPP电压值与参考MPP电压值之间的差值；取此50组差值的绝对值为收敛步长切换参考值；设定此50组最初的光照、温度、电压、电流为输入值，其步长参考值与RBF网络所预测的MPP电压值为输出值；
训练学习模块，用于利用粒子群算法对BP神经网络的相关参数与架构进行改进与优化；利用基于粒子群算法改进的BP神经网络进行训练学习；
MPP电压值与切换步长参考值计算模块，用于通过BP神经网络得出MPP电压值与切换步长参考值；
切换电压值计算模块，用于结合扰动观察法，以步长参考值为量度并以MPP电压值为中心，分别向左向右各切换一个步长，得到各自相应的电压值；
最大功率判断模块，用于判断原中心MPP电压值所对应的功率是否为最大功率；
电压值输出模块，用于选择对应最大功率的电压值作为算法输出值并输出。
本发明的另一目的在于提供一种安装有所述光伏MPPT切换系统的太阳能电池板。
综上所述，本发明的优点及积极效果为：本发明的MPPT算法是利用PSO(粒子群算法)来对神经网络框架进行改进并结合扰动观察法，从多功率峰中切换到有全局最大MPP的那个峰。已找到的有全局最大MPPT的峰上算法不断地收敛步长以逼近峰值，从而不断接近MPP，并在使其在误差允许范围内，稳定MPP并减小在最大功率点处的振荡，在向最大功率点处收敛时，市面上一般采用普通的扰动观察法，但是为了保证高效地收敛效率，节约时间，故本发明引入了神经网络算法并利用粒子群理论加以改进以结合扰动观察法，从而使收敛步长需随时变化，比如说前期爬坡收敛用大步长，但到后期到了某个时刻必须用BP神经网络切换为小步长来继续收敛，以防在最大MPP处振荡过大。本发明应用于光伏MPPT系统中，并作用于DC/DC模块以达到最大功率追踪的目的，本发明与其它已在工业上应用的算法相比，收敛到MPP的精度更高，振荡更小，比常用的扰动观察法性能更优异且在多峰情况下能相对地避免追踪到局部MPP。
附图说明
图1是本发明实施例提供的光伏MPPT切换方法流程图。
图2是本发明实施例提供的光伏MPPT切换方法实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了光伏MPPT切换方法以及系统存储介质。下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的光伏MPPT切换方法包括以下步骤：
S101：采集并输入50组光照、温度、电压、电流四大输入参数并设定相应的参考MPP电压为输出参数；
S102：RBF神经网络整合参数并进行训练学习并输入另50组新数据；得出这50组由RBF神经网络预测出的最大功率点处的电压值；
S103：通过计算得出50组由RBF网络预测的MPP电压值与参考MPP电压值之间的差值；取此50组差值的绝对值为收敛步长切换参考值；设定此50组最初的光照、温度、电压、电流为输入值，其步长参考值与RBF网络所预测的MPP电压值为输出值；
S104：利用粒子群算法对BP神经网络的相关参数与架构进行改进与优化；利用基于粒子群算法改进的BP神经网络进行训练学习；
S105：通过BP神经网络得出MPP电压值与切换步长参考值；
S106：结合扰动观察法，以步长参考值为量度并以MPP电压值为中心，分别向左向右各切换一个步长，得到各自相应的电压值；
S107：判断原中心MPP电压值所对应的功率是否为最大功率；是，则返回环境参数采集处，继续进行最大功率点跟踪，采集环境中光强、温度以及系统相对应的电压与电流并输入，通过BP神经网络得出MPP电压值与切换步长参考值；不是，则进行下一步；
S108：选择对应最大功率的电压值作为算法输出值并输出。
如图2所示，本发明实施例提供的光伏MPPT切换方法具体包括以下步骤：
(1)以扰动观察法为代表的传统MPPT算法原理的理解，并得出相关的仿真数据结果。
(2)BP神经网络与粒子群算法等其它智能算法的结合策略与改进策略的设计，并搭建相关的数学模型以便进行仿真处理。
(3)已改进的BP神经网络与传统的扰动观察法的结合策略的设计，构建出基于改进的BP神经网络的MPPT算法的基本模型，通过仿真其整体算法流程来检测其设计方案的合理性。
(4)利用已改进的神经网络与其它智能算法依次对MPPT算法的多峰化单峰进程和最大功率点处的收敛步长切换进程进行改进与解决，并利用神经网络等上述理论提高此算法在整体上的响应速度和稳态精度。
(5)结合(1)-(4)，搭建仿真与实验平台，对算法的整体运行流程进行深入的验证，并与现有上的其它同类算法做对比，使其性能得到进一步的完善。
本发明的MPPT算法分为两个大步骤依次进行，第一大步，由于受光照，温度，电路电压电流以及阴影等因素影响，MPPT功率曲线会出现多峰情况，在全局下只有一个峰的功率顶点为全局最大MPP，其余都为局部MPP，所以算法首先要快速高效地找到那个有全局MPP的峰并排除其它峰，即化多峰问题为单峰问题，这是算法的第一大步，所以在这一步中利用已被粒子群算法改进的神经网络来完成，从而从多功率峰中切换到有全局最大MPP的那个峰。第二大步就是单峰问题了，就是在第一大步已找到的有全局最大MPPT的峰上算法不断地收敛步长以逼近峰值，从而不断接近MPP，并在使其在误差允许范围内，稳定MPP并减小在最大功率点处的振荡，在向最大功率点处收敛时，目前一般采用扰动观察法，但本发明引入神经网络，与扰动观察法相结合并对其改进，进而使收敛步长可随时变化，比如说前期爬坡收敛用大步长，但到后期到了某个时刻就必须用神经网络切换为小步长来继续爬坡收敛，以防在最大MPP处振荡过大，最终保证高效地收敛效率，以及节约大量时间。
下面结合实验对本发明的技术效果作进一步的描述。
整个MPPT算法的仿真都是用matlab进行。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种光伏MPPT切换方法，其特征在于，所述方法包括：
所述光伏MPPT切换方法在全局下只有一个峰的功率顶点为全局最大MPP，其余都为局部MPP，找到有全局MPP的峰并排除其它峰；之后引入改进的BP神经网络算法，后期某个时刻用此BP神经网络切换为小步长继续收敛；
所述光伏MPPT切换方法包括：
第一步，采集并输入50组光照、温度、电压、电流四大输入参数并设定相应的参考MPP电压为输出参数；
第二步，RBF神经网络整合参数并进行训练学习并输入另50组新数据；得出这50组由RBF神经网络预测出的最大功率点处的电压值；
第三步，通过计算得出50组由RBF网络预测的MPP电压值与参考MPP电压值之间的差值；取此50组差值的绝对值为收敛步长切换参考值；设定此50组最初的光照、温度、电压、电流为输入值，其步长参考值与RBF网络所预测的MPP电压值为输出值；
第四步，利用粒子群算法对BP神经网络的相关参数与架构进行改进与优化；利用基于粒子群算法改进的BP神经网络进行训练学习；
第五步，通过BP神经网络得出MPP电压值与切换步长参考值；
第六步，结合扰动观察法，以步长参考值为量度并以MPP电压值为中心，分别向左向右各切换一个步长，得到各自相应的电压值；
第七步，判断原中心MPP电压值所对应的功率是否为最大功率；是，则返回环境参数采集处，继续进行最大功率点跟踪，采集环境中的光强、温度以及系统相对应的电压与电流并输入，通过BP神经网络得出MPP电压值与切换步长参考值；不是，则进行下一步；
第八步，选择对应最大功率的电压值作为算法输出值并输出。
2.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1所述光伏MPPT切换方法，包括下列步骤：在全局下只有一个峰的功率顶点为全局最大MPP，其余都为局部MPP，找到有全局MPP的峰并排除其它峰；进而利用扰动观察法进行最大功率点逼近，并在收敛后期的某个时刻用BP神经网络切换为小步长继续收敛。
3.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1所述的光伏MPPT切换方法。
4.一种实施权利要求1所述的光伏MPPT切换方法的光伏MPPT切换系统，其特征在于，所述的光伏MPPT切换系统包括：
参数设定模块，用于采集并输入50组光照、温度、电压、电流四大输入参数并设定相应的参考MPP电压为输出参数；
最大功率点电压值计算模块，用于实现RBF神经网络整合参数并进行训练学习并输入另50组新数据；得出这50组由RBF神经网络预测出的最大功率点处的电压值；
参考值计算模块，用于通过计算得出50组由RBF网络预测的MPP电压值与参考MPP电压值之间的差值；取此50组差值的绝对值为收敛步长切换参考值；设定此50组最初的光照、温度、电压、电流为输入值，其步长参考值与RBF网络所预测的MPP电压值为输出值；
训练学习模块，用于利用粒子群算法对BP神经网络的相关参数与架构进行改进与优化；利用基于粒子群算法改进的BP神经网络进行训练学习；
MPP电压值与切换步长参考值计算模块，用于通过BP神经网络得出MPP电压值与切换步长参考值；
切换电压值计算模块，用于结合扰动观察法，以步长参考值为量度并以MPP电压值为中心，分别向左向右各切换一个步长，得到各自相应的电压值；
最大功率判断模块，用于判断原中心MPP电压值所对应的功率是否为最大功率；
电压值输出模块，用于选择对应最大功率的电压值作为算法输出值并输出。
5.一种安装有权利要求4所述光伏MPPT切换系统的太阳能电池板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401034.7A CN111474978B (zh) | 2020-05-13 | 2020-05-13 | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401034.7A CN111474978B (zh) | 2020-05-13 | 2020-05-13 | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111474978A CN111474978A (zh) | 2020-07-31 |
| CN111474978B true CN111474978B (zh) | 2022-01-11 |
Family
ID=71764628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401034.7A Active CN111474978B (zh) | 2020-05-13 | 2020-05-13 | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111474978B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023197444A1 (zh) * | 2022-04-13 | 2023-10-19 | 光行宝(浙江)能源科技有限公司 | 车载智能后尾箱的充电方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279558B (zh) * | 2015-11-16 | 2018-01-12 | 武汉理工大学 | 一种基于bp神经网络的多峰值光伏mppt方法 |
| CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
| CN108037792A (zh) * | 2017-12-31 | 2018-05-15 | 华南师范大学 | 一种多峰值 mppt算法 |
| US10819248B2 (en) * | 2018-07-05 | 2020-10-27 | Abb Schweiz Ag | Technologies for provisioning power controllers for grid services |
-
2020
- 2020-05-13 CN CN202010401034.7A patent/CN111474978B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111474978A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pathak et al. | Advanced solar MPPT techniques under uniform and non-uniform irradiance: a comprehensive review | |
| Liu et al. | Global MPPT algorithm with coordinated control of PSO and INC for rooftop PV array | |
| Zhang et al. | A modified hybrid maximum power point tracking method for photovoltaic arrays under partially shading condition | |
| CN105867514B (zh) | 一种光伏系统多峰值最大功率跟踪方法及系统 | |
| Wang et al. | An improved model combining evolutionary algorithm and neural networks for PV maximum power point tracking | |
| Priyadarshi et al. | An artificial fuzzy logic intelligent controller based MPPT for PV grid utility | |
| CN109101071B (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
| Wang et al. | Design and analysis of genetic algorithm and BP neural network based PID control for boost converter applied in renewable power generations | |
| Hu et al. | Topology and control strategy of power optimisation for photovoltaic arrays and inverters during partial shading | |
| CN111474978B (zh) | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 | |
| Eze et al. | A Comprehensive Review on Recent Maximum Power Point Tracking of a Solar Photovoltaic Systems using Intelligent, Non-Intelligent and Hybrid based Techniques | |
| CN114815953B (zh) | 基于改进花朵授粉优化算法的光伏全局mppt控制系统 | |
| Roy et al. | Maximum power tracking by neural network | |
| Sunny et al. | Design and simulation of maximum power point tracking of photovoltaic system using ANN | |
| Yong et al. | The MPPT control method by using BP neural networks in PV generating system | |
| KARABİNAOĞLU et al. | Comparison of deep learning and regression-based MPPT algorithms in PV systems | |
| Zhang et al. | Short-term load forecasting based on GAD-BP neural network | |
| Katkar et al. | Predictive modeling of tandem silicon solar cell for calculating efficiency | |
| Kamthania et al. | Determination of efficiency of hybrid photovoltaic thermal air collectors using artificial neural network approach for different PV technology | |
| CN111624883A (zh) | 一种高维多步分数阶模型预测的光伏最大功率点跟踪方法 | |
| Kulaksız | ANFIS-based parameter estimation of one-diode equivalent circuit model of PV modules | |
| Chouay et al. | An experimental artificial neural network based MPP tracking for solar photovoltaic systems | |
| Meng et al. | Tracking the maximum power point of photovoltaic power generation based on self-coding neural network | |
| Khan et al. | Analysis of deep learning models for estimation of MPP and extraction of maximum power from hybrid PV-TEG: A step towards cleaner energy production | |
| CN210954667U (zh) | 一种专家pid控制的太阳能光伏mppt控制装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: Room 515, 5th Floor, Building 14 Shanghai Road, Qianwan Bonded Port Area, Qingdao, Shandong Province, China (Shandong) Pilot Free Trade Zone Qingdao Area, 266555 (B) Patentee after: Qingdao Ruike Hongda Technology Engineering Co.,Ltd. Country or region after: China Address before: 579 qianwangang Road, Qingdao, Shandong 266590 Patentee before: SHANDONG University OF SCIENCE AND TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |