CN111624883B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111624883B
CN111624883B CN202010492668.8A CN202010492668A CN111624883B CN 111624883 B CN111624883 B CN 111624883B CN 202010492668 A CN202010492668 A CN 202010492668A CN 111624883 B CN111624883 B CN 111624883B
Authority
CN
China
Prior art keywords
fractional order
dimensional
reference value
module
maximum power
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
CN202010492668.8A
Other languages
English (en)
Other versions
CN111624883A (zh
Inventor
殷林飞
苏志鹏
陈立春
陆悦江
高放
赵陆林
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN202010492668.8A priority Critical patent/CN111624883B/zh
Publication of CN111624883A publication Critical patent/CN111624883A/zh
Application granted granted Critical
Publication of CN111624883B publication Critical patent/CN111624883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/048—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 using a predictor
    • 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)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

本发明提供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，该方法能快速准确地跟踪最大功率点，提高太阳能电池板的发电效率。本发明提出了高维多步分数阶模型预测控制框架，包括参考值计算模块、高维信息模块、分数阶模块和多步预测模块。参考值计算模块计算最大功率点参考值。高维信息模块采集和处理高维信息，将高维信息输入到分数阶模块。分数阶模块采用高维多分数阶反馈控制器代替比例积分微分控制器控制器作为反馈校正环节，调整最大功率点参考值。多步预测模块将单步预测模型扩展为多步预测模型，求取在未来多步区间内使输出量和参考值偏差最小的最优控制量。本发明克服了传统功率追踪动态性能差的缺点，同时保证跟踪的准确度。

Description

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
技术领域
本发明属于太阳能发电控制领域，涉及一种新型的光伏最大功率点跟踪方法，适用于太阳能发电控制。
背景技术
为了减少化石燃料的使用和温室气体的排放，使世界可持续发展，各国大力发展清洁的可再生能源。太阳能作为一种大规模的可在生能源，潜力巨大，是未来的主要能源之一。
太阳能利用的形式多样，其中最主要的是太阳能光伏发电系统，其利用太阳能电池板将太阳辐射能直接转换成电能。太阳能电池板具有非线性的伏安特性曲线，在光伏发电系统运行过程中，太阳能电池板表面光照强度和温度一定时，太阳能电池板输出功率随着电压的增大先增大后减小，存在输出功率最大的一点，称最大功率点。在不同的温度和光照条件下，太阳能电池板都有相应的最大功率点。为了提高光伏发电系统的输出电能和运行效率，需要尽可能让太阳能电池板在最大功率点运行。当光照和温度变化时候，控制器通过控制Boost电路中开关管的通断来控制太阳能电池板输出电压和电流，使太阳能电池板尽可能在最大功率点运行，从而达到跟踪最大功率点的目的。
模型预测控制是一种智能控制算法，包含模型预测、滚动优化和反馈校正三个主要部分。它的概念直观、易于建模、无需精确模型和复杂控制参数设计，对克服非线性及不确定性等问题有非常好的效果，而且易于增加约束、动态响应快、鲁棒性强。其中，有限集模型预测控制在电力电子元件的控制上取得很好的控制效果。有限集模型预测控制利用变流器开关函数组合个数有限的特点，基于变流器预测模型，采用遍历法计算出所有开关函数组合分别作用下的变流器系统输出，并选择使所设计的系统优化性能函数最小的开关函数组合作用于系统。该算法具有易于理解、控制直接、动态响应快、易于处理系统约束且与传统的变流器控制算法相比无脉宽调制及相关参数调节等优点。
在控制领域，控制器输入信息的维数越大，构成的信息空间越大，找到最优控制量的可能性越大；相反，信息维数越小，构成的信息空间越小，可能导致最优控制量的消失，控制器只能找到次优控制量。因此，更多的输入信息维度意味着更好的控制性能，而传统的比例-积分-微分控制器控制器只采用输出作为反馈，仅仅只是一维的输入信息。将系统的状态量和一些外部信息作为反馈，提高反馈信息的维数，从而提高控制器的性能。
传统的微分方程的阶数为整数，而分数阶微分方程的阶数为分数。许多学者发现，自然界中许多规律用分数阶微分方程描述更加精确。在控制领域，比例-积分-微分控制器控制器在数学上可表达为一个微分方程，而分数阶控制器对应的微分方程的阶数是分数。微分方程的阶数作为控制器的参数，比例-积分-微分控制器控制器的参数是整数，而分数阶控制器的参数扩大到实数。参数选择区域扩大，控制器可以选择最合适的参数，从而提高控制器的性能。
本发明将模型预测控制和高维分数阶控制器结合，提出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，在保留良好动态控制性能的同时，由于引入高维分数阶反馈控制器，为反馈控制器选取合适的参数，获取高维的反馈信息，提高反馈校正环节的性能，使光伏发电系统准确的跟踪最大功率点。
发明内容
本发明提出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，该方法以传统的单步有限集模型预测控制为基础，主要包括预测模型、反馈校正和滚动优化三个主要部分。在单步有限集模型预测控制的基础上，做如下改进：(1)将单步有限集模型预测控制扩展为多步有限集模型预测控制；(2)采用高维多分数阶控制器作为反馈校正环节。
根据光伏发电系统推导的单步预测模型的矩阵形式如下：
Figure BDA0002521672190000021
式中，fk表示k时刻至k+1时刻Boost电路中开关管的开关状态，fk＝0表示开关管闭合，fk＝1表示开关管断开。t表示开关管工作时间。L、R和C分别表示Boost电路中的电感、电阻和电容。vc(k)表示k时刻电容两端电压、vpv(k)和ipv(k)表示k时刻太阳能电池板输出电压和电流，三者组成k时刻系统状态x(k)＝[ipv(k) vc(k) vpv(k)]T。Req是采用小信号分析法计算的等效电阻。单步预测模型的向量形式如下：
Figure BDA0002521672190000035
式中
Figure BDA0002521672190000031
为开关状态fk对应的系数矩阵。
根据单步预测模型推导出的多步预测模型如下：
Figure BDA0002521672190000032
输入k时刻系统状态x(k)和2n个不同的开关状态序列f1f2Kfn，可以计算出2n个不同的系统状态序列，实现n步预测功能。
滚动优化通过某一性能指标的最优来确定未来的控制作用，本发明中采用如下性能指标：
Figure BDA0002521672190000033
式中，Ai和Bi是权重系数，ipv(i)和vpv(i)分别是预测的第i步太阳能电池板输出电流和电压，带*表示对应的参考值。将公式(3)预测出的2n个不同的系统状态序列和最大功率点参考值序列代入到公式(5)计算出2n个J值，找到最小的J值，将对应的开关状态中第一步作为下一时刻开关管的开关状态。
反馈校正环节采用高维多分数阶控制器。高维多分数阶控制器是由多个单维多分数阶控制器组成，单维多分数阶控制器是由多个分数阶控制器组成。分数阶控制器数学模型如下：
Figure BDA0002521672190000034
式中，Ci,o(s)是输出，θi是输入，λi,o是分数阶控制器的阶数，αi,o是比例系数。
单维多分数阶控制器是由no分数阶控制器组成，数学模型如下：
Figure BDA0002521672190000041
式中，Ci(s)是输出，θi是输入，λi,o是分数阶控制器的阶数，αi,o是比例系数。
高维多分数阶控制器是由ni个单维多分数阶控制器组成，数学模型如下：
Figure BDA0002521672190000042
式中，θi是第i维输入信息，共有ni维输入信息。λi,o是第i维输入信息对应的单维多分数阶控制器中的第o个分数阶控制器的阶数，αi,o是分数阶控制器对应的权重系数。
本发明的控制框架包括参考值计算模块、高维信息模块、分数阶模块和多步预测模块。
参考值计算模块任务是：利用太阳能电池板数学模型和预测的气象数据，计算出最大功率点参考值。
高维信息模块的任务是：处理高维数据，包括测量和预测的气象数据、光伏发电系统状态和光伏发电系统输入输出，生成高维信息，高维信息包括气象数据、光伏发电系统状态和光伏发电系统输入输出三者的预测值与测量值的偏差量以及高维数据计算的指标。
分数阶模块作为反馈校正环节，采用高维多分数阶反馈控制器。每个高维多分数阶反馈控制器的参数都是经过优化的参数。每一维信息输入到相应维度的多分数阶反馈控制器，利用高维信息，计算得到修正量，修正最大功率点参考值。
多步优化模块实现预测模型和滚动优化两个环节的功能。输入k时刻系统状态x(k)和2n个不同的开关状态序列f1f2Kfn，根据多步预测模型计算出2n个不同的系统状态序列，提取出预测输出序列。输入参考输出，根据性能指标计算公式计算出不同预测输出序列对应的J值，找到最小J值对应的预测输出序列和最优开关状态序列，选取最优开关状态序列中第一个开关状态作为下一时刻开关管的控制量。
本发明提出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，主要步骤包括：(1)初始化控制系统所有参数和变量；(2)将高维数据输入高维信息模块，输出参考值和高维信息；(3)将高维信息输入到分数阶模块，输出修正量，将修正量和参考值叠加得到修正后的参考值；(4)将修正后的参考值和状态量输入多步预测控制模块，输出下一时刻最优控制量；(5)循环步骤(2)至步骤(4)的步骤。
附图说明
图1是本发明方法的流程图。
图2是本发明方法的最大功率点追踪控制框架示意图。
图3为本发明方法的高维多分数阶反馈控制器结构图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
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。
图1是本发明方法的流程图，如图1所示，是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的步骤。
需要强调的是，图1所示流程图仅为一个较佳实施例，本领域的技术人员当知，任何围绕本发明思想构建的实施例都不应脱离于如下技术方案涵盖的范围：
(1)初始化控制系统所有参数和变量；(2)将气象数据输入参考值计算模块，输出最大功率点参考值；(3)将高维数据输入高维数据模块，输出高维信息；(4)将高维信息输入到分数阶模块，输出修正量，将修正量和参考值叠加得到修正后的参考值；(5)将修正后的参考值和状态量输入多步预测控制模块，输出下一时刻最优控制量；(6)循环步骤(2)至步骤(5)的步骤。
以下是本实施例的具体步骤：
步骤S1，初始化控制系统所有参数和变量。在本实施例中，初始化的参数包括参考值计算模块中的A、B、C、Im(ref)、Um(ref)、Rref共6个参数、分数阶模块中的λi,o、αi,o，i＝1,2,K,6，o＝1,2,3共36个参数、多步模型预测控制模块中的L、R、C共3个电气参数和开关管工作时间t。初始化的参数共46个。初始化的变量包括控制量开关管的开关状态和修正量。
步骤S2，将预测的气象数据输入参考值计算模块，输出参考值。在本实施例中，预测的气象数据为预测的光照强度和温度，输出的参考值是最大功率点的参考电压和参考电流。在本实施例中，预测的气象数据和参考值都是离散的时间序列。
步骤S3，将高维数据输入高维数据模块，输出高维信息。在本实施例中，高维数据包括预测的光照强度、温度、电流、电压和测量的光照强度、温度、电流、电压。高维信息包括测量温度和预测温度的偏差量、测量光照强度和预测光照强度的偏差量、测量电压和预测电压的偏差量、测量电流和预测电流的偏差量、计算电导增量。
步骤S4，将高维信息输入到分数阶模块，输出修正量，将修正量和参考值叠加得到修正后的参考值。在本实施例中，高维信息包括测量温度和预测温度的偏差量、测量光照强度和预测光照强度的偏差量、测量电压和预测电压的偏差量、测量电流和预测电流的偏差量、计算电导增量。修正量包括电压修正量和电流修正量。
步骤S5，将修正后的参考值和状态量输入多步预测控制模块，输出下一时刻最优控制量。在本实施例中，修正后的参考值是步骤S2中计算出的参考值序列经过步骤S4中修正量修正后的参考值序列。最优控制量是最优开关状态序列中第一个开关状态。
步骤S6，循环步骤(2)至步骤(5)的步骤。
图2是本发明方法的最大功率点追踪控制框架示意图，如图2所示，本发明方法的最大功率点追踪控制框架包括：
参考值计算模块用于接收和存储气象预测数据，根据气象预测数据计算参考值。在本实施例中，气象预测数据包括：太阳能电池板光照强度和表面温度的预测值。在本实施例中，最大功率点参考值是是最大功率点的参考电压和参考电流。在本实施例中，根据预测的温度和光照强度计算出最大功率点的电流和电压的计算公式如下：计算公式如下：
Figure BDA0002521672190000071
式中，A、B、C、Im(ref)、Um(ref)和Rref都是参数，T是温度，R是光照强度。计算在本实施例中，参考值计算模块还用于将计算的参考值传输到滚动优化器中。
高维数据模块用于接收、存储和处理高维数据，生成高维信息并将高维信息传输到分数阶模块。在本实施例中，高维数据包括预测的光照强度、温度、电流、电压和测量的光照强度、温度、电流、电压。高维信息包括测量温度和预测温度的偏差量、测量光照强度和预测光照强度的偏差量、测量电压和预测电压的偏差量、测量电流和预测电流的偏差量、计算电导增量。在本实施例中，通过做差值来求取两个数据之间的偏差量，通过公式ΔG＝I/U+dP/dU来求取电导增量，其中I和U分别是测量电流和电压，dP＝P(k)-P(k-1)和dU＝U(k)-U(k-1)分别是输出功率和电压的变化量。计算测量的温度和光照强度和预测的温度和光照强度的偏差量。计算预测电压、预测电流和测量电压、测量电流的偏差量。计算电导增量ΔG＝I/U+dP/dU，其中I和U分别是测量电流和电压，dP和dU分别是输出功率和电压的变化量。将五个偏差量和电导增量组合成六维信息，将六维信息输入到分数阶模块。
分数阶模块用于接收高维信息，并根据高维信息计算校正量。在本实施例中，高维信息包括测量温度与预测温度的偏差量、测量光照强度与预测光照强度的偏差量、测量电压与预测电压的偏差量、测量电流与预测电流的偏差量和计算电导增量。在本实施例中，修正量包括电压修正量和电流修正量。在本实施例中，采用的高维多分数阶控制器数学模型如下：
Figure BDA0002521672190000072
此模型中，输入信息的维数是6，每个单维多分数阶控制器中有3分分数阶控制器。
多步预测控制模块用于接收参考值和状态量，计算并输出最优控制量。在本实施例中，参考值是是最大功率点的参考电压和参考电流。在本实施例中，最优控制量是开关管最优开关状态。在本实施例中，采用如下多步预测模型：
Figure BDA0002521672190000081
输入k时刻系统状态x(k)和8个不同的开关状态序列f1f2f3，可以计算出8个不同的系统状态序列，实现3步预测功能。计算不同开关状态下预测电压和预测电流序列。根据公式
Figure BDA0002521672190000082
计算出不同开关状态下的J值，选取最小的J值，找到对应的开关状态作为控制量。
图3为本发明方法的高维多分数阶反馈控制器结构图，如图3所示,本发明方法的高维多分数阶反馈控制器由六个单维多分数阶控制器组成，每个单维多分数阶控制器由三个分数阶控制器组成。高维信息θ1,...,θ6输入高维多分数阶控制器后，其中每个单维信息θi(i＝1,...,6)输入到对应的单维多分数阶控制器，再输入到单维多分数阶控制器中的3个分数阶控制器。在分数阶控制器中，输入的单维信息θi(i＝1,...,6)先通过一个比例系数为αi,o(i＝1,...,6,o＝1,2,3)的增益环节，再通过一个分数阶微积分项
Figure BDA0002521672190000083
(i＝1,...,6,o＝1,2,3)后输出，该输出量叠加后作为单维多分数阶控制器的输出，所有单维多分数阶控制器的输出叠加后作为修正量输出。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种高维多步分数阶模型预测的光伏最大功率点跟踪方法，其特征在于，采用高维多步分数阶模型预测控制框架，控制光伏发电系统中的电力电子器件，使太阳能电池板输出跟踪最大功率点；高维多步分数阶模型预测控制框架包括：
参考值计算模块：用于计算最大功率点参考值；
高维信息模块：用于处理高维数据，生成高维信息；
分数阶模块：用于实现反馈校正功能，计算出修正量；
分数阶模块采用高维多分数阶反馈控制器，根据输入的高维信息计算出修正量，修正最大功率点参考值，用于实现模型预测控制中的反馈校正环节；
多步预测模块：用于实现预测模型和滚动优化功能，计算出最优控制量；
多步预测模块采用多步预测模型预测系统的状态和输出，优化系统未来多步输出，得到最优控制量，用于实现模型预测控制中的预测模型和滚动优化的功能；
该方法在使用过程中的步骤包括：
(1)初始化控制系统的参数和变量；
(2)将气象数据输入参考值计算模块，输出最大功率点参考值；
气象预测数据包括：太阳能电池板光照强度和表面温度的预测值；
最大功率点参考值是最大功率点的参考电压和参考电流；
根据预测的温度和光照强度计算出最大功率点的电流和电压的计算公式如下：
Figure FDA0003827493190000011
式中，A、B、C、Im(ref)、Um(ref)和Rref都是参数，T是温度，R是光照强度；
(3)将高维数据输入高维信息模块，输出参考值和高维信息；
所述的高维数据包括测量和预测的气象数据、光伏发电系统状态和光伏发电系统输入输出；
所述的高维信息还包括气象数据、光伏发电系统状态和光伏发电系统输入输出三者的预测值与测量值的偏差量以及高维数据计算的指标；
(4)将高维信息输入到分数阶模块，输出修正量，将修正量和参考值叠加得到修正后的参考值；
高维信息包括测量温度与预测温度的偏差量、测量光照强度与预测光照强度的偏差量、测量电压与预测电压的偏差量、测量电流与预测电流的偏差量和计算电导增量；
修正量包括电压修正量和电流修正量；
采用的高维多分数阶控制器数学模型如下：
Figure FDA0003827493190000021
输入信息的维数是6，每个单维多分数阶控制器中有3个分数阶控制器；αi,o是比例系数；θi是输入，λi,o是分数阶控制器的阶数；
多步预测控制模块用于接收参考值和状态量，计算并输出最优控制量；最优控制量是开关管最优开关状态；
(5)将修正后的参考值和系统状态输入多步预测控制模块，输出最优控制量；
采用如下多步预测模型：
Figure FDA0003827493190000022
输入k时刻系统状态x(k)和8个不同的开关状态序列f1f2f3，计算出8个不同的系统状态序列，实现3步预测功能；fk表示k时刻至k+1时刻Boost电路中开关管的开关状态，fk＝0表示开关管闭合，fk＝1表示开关管断开；
式中
Figure FDA0003827493190000023
为开关状态fk对应的系数矩阵；L、Rboost和C分别表示Boost电路中的电感、电阻和电容；t表示开关管工作时间；Req是采用小信号分析法计算的等效电阻；
计算不同开关状态下预测电压和预测电流序列；根据公式
Figure FDA0003827493190000024
计算出不同开关状态下的J值，选取最小的J值，找到对应的开关状态作为控制量；vc(k)表示k时刻电容两端电压、vpv(k)和ipv(k)表示k时刻太阳能电池板输出电压和电流；三者组成k时刻系统状态x(k)＝[ipv(k) vc(k) vpv(k)]T；Ak和Bk是权重系数；带*表示对应的参考值；
(6)循环(2)至(5)的步骤。
CN202010492668.8A 2020-06-03 2020-06-03 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 Active CN111624883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010492668.8A CN111624883B (zh) 2020-06-03 2020-06-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010492668.8A CN111624883B (zh) 2020-06-03 2020-06-03 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

Publications (2)

Publication Number Publication Date
CN111624883A CN111624883A (zh) 2020-09-04
CN111624883B true CN111624883B (zh) 2022-12-06

Family

ID=72259205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010492668.8A Active CN111624883B (zh) 2020-06-03 2020-06-03 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

Country Status (1)

Country Link
CN (1) CN111624883B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372233B (zh) * 2021-12-29 2024-04-02 华南理工大学 基于时域离散化的超级电容多分数阶模型参数辨识方法
CN114661088A (zh) * 2022-03-08 2022-06-24 重庆邮电大学 不均匀光照下的光伏mppt控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981549A (zh) * 2012-12-05 2013-03-20 上海交通大学 一种光伏最大功率点实时跟踪预测控制方法
CN104965558A (zh) * 2015-05-27 2015-10-07 华北电力大学（保定） 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置
CN105974995A (zh) * 2016-05-13 2016-09-28 上海电机学院 一种最大功率点追踪系统及方法
CN109101071A (zh) * 2018-07-26 2018-12-28 上海电力学院 一种基于智能预测的光伏多峰值最大功率点跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981549A (zh) * 2012-12-05 2013-03-20 上海交通大学 一种光伏最大功率点实时跟踪预测控制方法
CN104965558A (zh) * 2015-05-27 2015-10-07 华北电力大学（保定） 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置
CN105974995A (zh) * 2016-05-13 2016-09-28 上海电机学院 一种最大功率点追踪系统及方法
CN109101071A (zh) * 2018-07-26 2018-12-28 上海电力学院 一种基于智能预测的光伏多峰值最大功率点跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于分数阶极值搜索的光伏最大功率跟踪控制;蔡兴龙 等;《电源学报》;20171115;第15卷(第6期);第43-48页 *

Also Published As

Publication number Publication date
CN111624883A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Kermadi et al. Artificial intelligence-based maximum power point tracking controllers for Photovoltaic systems: Comparative study
Hanzaei et al. A scheme-based review of MPPT techniques with respect to input variables including solar irradiance and PV arrays’ temperature
Mohanty et al. MATLAB based modeling to study the performance of different MPPT techniques used for solar PV system under various operating conditions
Jouda et al. Optimization of scaling factors of fuzzy–MPPT controller for stand-alone photovoltaic system by particle swarm optimization
Karlis et al. A novel maximum power point tracking method for PV systems using fuzzy cognitive networks (FCN)
CN111624883B (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
Kwan et al. High performance P&O based lock-on mechanism MPPT algorithm with smooth tracking
TWI391807B (zh) 太陽光電發電系統之最大功率追蹤系統及方法
Hosseini et al. Design and construction of photovoltaic simulator based on dual-diode model
CN106950856A (zh) 基于混合逻辑动态的mppt建模仿真方法
Boudaraia et al. MPPT design using artificial neural network and backstepping sliding mode approach for photovoltaic system under various weather conditions
Prasad et al. A fuzzy logic based MPPT method for solar power generation
Pandey et al. Study and comparative analysis of perturb and observe (P&O) and fuzzy logic based PV-MPPT algorithms
Samani et al. Model predictive control method to achieve maximum power point tracking without additional sensors in stand-alone renewable energy systems
CN105913161A (zh) 一种基于多目标优化的光伏系统最大功率点的获取方法
Kottas et al. Fuzzy cognitive networks for maximum power point tracking in photovoltaic arrays
Cho et al. A variable step size incremental conductance MPPT of a photovoltaic system using DC-DC converter with direct control scheme
Karatepe et al. Fuzzy wavelet network identification of optimum operating point of non-crystalline silicon solar cells
Arpacı et al. Design and comparison of perturb & observe and fuzzy logic controller in maximum power point tracking system for PV system by using MATLAB/Simulink
Sathishkumar et al. Modeling and Analysis of Soft-Switched Interleaved Boost Converter for Photovoltaic System
Fatemi et al. A new method for maximum power point tracking in solar PV systems by combining extremum seeking method (ESM) and model predictive control (MPC)
CN113033136B (zh) 简化的光伏电池物理参数提取优化方法及系统
Elzein et al. An evaluation of photovoltaic systems MPPT techniques under the characteristics of operational conditions
Shen et al. Neural network predictive control for vanadium redox flow battery
Letting et al. Optimization of fuzzy logic controller design for maximum power point tracking in photovoltaic systems

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