CN112487347B - 考虑环境和时变因素的光伏组件模型参数化方法 - Google Patents
考虑环境和时变因素的光伏组件模型参数化方法 Download PDFInfo
- Publication number
- CN112487347B CN112487347B CN202011203411.2A CN202011203411A CN112487347B CN 112487347 B CN112487347 B CN 112487347B CN 202011203411 A CN202011203411 A CN 202011203411A CN 112487347 B CN112487347 B CN 112487347B
- Authority
- CN
- China
- Prior art keywords
- parameters
- conditions
- photovoltaic module
- under
- current
- 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 57
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 18
- 238000006731 degradation reaction Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 10
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- MARUHZGHZWCEQU-UHFFFAOYSA-N 5-phenyl-2h-tetrazole Chemical compound C1=CC=CC=C1C1=NNN=N1 MARUHZGHZWCEQU-UHFFFAOYSA-N 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 2
- KTSFMFGEAAANTF-UHFFFAOYSA-N [Cu].[Se].[Se].[In] Chemical compound [Cu].[Se].[Se].[In] KTSFMFGEAAANTF-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
本发明公开了一种考虑环境和时变因素的光伏组件模型参数化方法，包括以下步骤：采用一种双迭代算法提取特定运行条件下的单二极管模型参数，该算法的结果作为后期估计的基准；基于最近邻条件下提取的参数估计未知条件下的参数值；进一步地利用网格点距离加权结果对估计参数实现优化。本发明提出的双迭代算法仅需要三个关键工作点的相关数据，无需额外的工作点或斜率数据，在实际工程中具有更广的应用空间，同时该算法相对于传统的解析法对噪声具有更高的鲁棒性和物理可解释性，除此之外，本发明估计的五个模型参数均考虑了运行环境的影响，且可引入退化因子描述光伏组件本身的退化过程，这也更符合实际情况。
Description
技术领域
本发明涉及一种考虑环境和时变因素的光伏组件模型参数化方法，属于新能源技术领域。
背景技术
光伏组件电气特性的准确刻画对其状态监测和故障诊断至关重要，从而才能保证光伏系统的可靠高效运行。最常用也是最基本的诊断方法是通过比较电气量的实测值和模拟值实现的，模拟的方法主要包括经验公式法、机器学习法和参数化模型法。其中经验公式法通常会在远离标准情况的低辐照度条件下失效，此外这些公式一般只能给出单个电气量的估计值，而无法提供其他感兴趣的变量。机器学习方法的有效性依赖于样本的质量，且一旦训练完成，无法根据运行的实际情况进行模型修正；与前两者不同的是，基于等价电路模型的方法能够很好的刻画和解释组件的内部行为。
等价电路模型的参数可依据电流电压曲线，通过解析法和数值法两种方式获得，纯解析的方法通常利用曲线上几个工作点实现参数的求解，但这类方法易受测量噪声的影响，同时为了求解超越方法做的近似和假设也会对提取参数的精度产生影响。传统数值方法包括牛顿迭代法对初值的选择极为敏感，且容易陷入局部极值解，近年来，遗传算法、人工蜂群、粒子群优化等元启发式算法被用于基于整条特性曲线提取模型参数，但这些曲线通常在实际系统中难以获取，此外该方法的准确性依赖于选择的拟合算法及准则，且在一些情况下，提取的参数值会失去本身的物理可解释性。
发明内容
技术问题：
本发明的目的在于解决现有模型参数化方法中的鲁棒性差和物理可解释性不强的问题，提供一种基于双迭代算法的参数提取方法，并将运行环境及时变退化因素考虑在内。
技术方案：
为达到上述目的，本发明采用的方法是：一种考虑环境和时变因素的光伏组件模型参数化方法，依次包括以下步骤：
S1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
S2：依据IEC-61853标准下定义的测试条件，将提取的参数结果网格化；
S3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
S4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
S5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程。
进一步的，所述的步骤S1的具体步骤如下：
S1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
S1-2：不做任何影响参数精度的假设和近似，根据数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
上式中，Iph为光生电流，I0为饱和电流，n为理想因子，Rs和Rsh分别为串联电阻和并联电阻，Vt＝NskTc/q为热电阻，其中Ns为组件中串联的电池片个数，q为基本电荷，k为玻尔兹曼常数，Tc为电池片温度，Isc和Voc为短路电流和开路电压。
S1-3：根据最大功率点的电气值，以及该功率点对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
上式中，Rsh1和Rsh2为两种形式计算得到的并联电阻，Im和Vm为最大功率点的电流和电压值。
S1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入(1)、(2)、(3)，计算剩余的三个参数。
进一步的，所述的步骤S2中，应用步骤S1中的双迭代算法提取IEC-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
进一步的，所述的步骤S3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
进一步的，所述的步骤S4的具体步骤如下：
S4-1：在十八个测试条件中寻找距离未知条件最近的两个条件Cm和Cn，它们与未知条件之间的距离分别为dm和dn；
S4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值Pm和Pn并模拟电流电压曲线IVm及IVn；
S4-3：给出经过距离加权后的电流电压曲线IV＝dn 2/(dm 2+dn 2)·IVm+dm 2/(dm 2+dn 2)·IVn。
进一步的，所述的步骤S5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程，退化因子可根据老化实验结果或定期实测更新等方式获得。
有益效果：
本发明提出的双迭代算法仅需要特性曲线上三个关键工作点的相关数据，无需额外的工作点或其斜率数据，在实际工程中具有更广的应用空间，同时该算法相对于传统的纯解析法对噪声具有更高的鲁棒性和物理可解释性；除此之外，本发明估计的五个模型参数均考虑了运行环境的影响，因此更加符合实际情况，从而使得本参数化方法在偏离标准情况的低辐照度下也同样可靠。且通过引入退化因子描述光伏组件本身的退化过程，这也更符合光伏系统在长期运行下的特性表现。本发明与三篇论文中的先进算法在美国国家可再生能源实验室提供的数据库上进行了比较测试，该数据库包括五种材质光伏组件在变化环境条件下的实测数据，结果显示本发明在评估电气参数的准确性上有着显著提升，从而能够为整个系统的实时监测和故障诊断提供可靠的参考。
附图说明
图1为本发明方法的整体流程示意图；
图2为本发明方法中应用的双迭代算法的流程框图；
图3为本发明方法基于不同辐照度条件的评估误差在多种组件上的比较结果；
图4为本发明方法基于不同温度条件的评估误差在多种组件上的比较结果。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。如图1所示，本实施例的考虑环境和时变因素的光伏组件模型参数化方法，依次包括以下步骤：
S1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
S2：依据IEC-61853标准下定义的测试条件，将提取的参数结果网格化；
S3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
S4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
S5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程。
在本实施例中，如图2所示，所述的步骤S1的具体步骤如下：
S1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
S1-2：不做任何影响参数精度的假设和近似，根据数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
在本实施例中，Iph为光生电流，I0为饱和电流，n为理想因子，Rs和Rsh分别为串联电阻和并联电阻，Vt＝NskTc/q为热电阻，其中Ns为组件中串联的电池片个数，q为基本电荷，k为玻尔兹曼常数，Tc为电池片温度，Isc和Voc为短路电流和开路电压。
S1-3：根据最大功率点的电气值，以及该功率点对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
在本实施例中，Rsh1和Rsh2为两种形式计算得到的并联电阻，Im和Vm为最大功率点的电流和电压值。
S1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入(1)、(2)、(3)，计算剩余的三个参数。
在本实施例中，所述的步骤S2中，应用步骤S1中的双迭代算法提取IEC-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
在本实施例中，所述的步骤S3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
在本实施例中，所述的步骤S4的具体步骤如下：
S4-1：在十八个测试条件中寻找距离未知条件最近的两个条件Cm和Cn，它们与未知条件之间的距离分别为dm和dn；
S4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值Pm和Pn并模拟电流电压曲线IVm及IVn；
S4-3：给出经过距离加权后的电流电压曲线IV＝dn 2/(dm 2+dn 2)·IVm+dm 2/(dm 2+dn 2)·IVn。
在本实施例中，所述的步骤S5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程，其中退化因子可根据老化实验结果或定期实测更新等方式获得。
此处，针对电气参量的评估误差在多晶硅(mSi)、单晶硅(xSi)两种晶硅材质，以及碲化镉(CdTe)、铜铟镓硒(CIGS)、非晶异质结(HIT)三种薄膜材质，共五种光伏组件的实测数据上进行了性能测试，测试在多个辐照度等级、多个温度等级等变化环境条件下展开。本发明与三种常用的参数估计方法进行了性能对比。这三种方法分别是：Madeti方法[出自Madeti S R,Singh S N.Modeling of PV system based on experimental data forfault detection using kNN method.Solar Energy,2018,173:139-151]、Villalva方法[Villalva M G,Gazoli J R,Ruppert Filho E.Comprehensive approach to modelingand simulation of photovoltaic arrays.IEEE Transactions on power electronics,2009,24(5):1198-1208]、Sandia方法[King D L,Kratochvil J A,Boyson WE.Photovoltaic array performance model.United States.Department of Energy,2004]。本发明所用的双迭代算法结合最近邻转换方法简称为Ours。此处，基于不同辐照度条件下(200W/m2、400W/m2、600W/m2、800W/m2和1000W/m2)的评估误差在五种材质的组件数据上进行了比较，结果如图3所示；基于不同温度条件下(25℃、50℃和65℃)的评估误差比较结果如图4所示。其中每类组件的柱状条从左至右分别表示Ours、Madeti、Villalva和Sandia四种方法的误差堆积图，色块越深则表示测试条件的辐照度或温度水平越高。结果显示本发明方法相比于其他三种方法，在多种材质组件和变化环境条件下，评估准确性都有着显著提升，这种优势尤其体现在最大功率点相关数值的评估结果方面。各方法对比的量化结果如表1所示。
表1.多种参数提取方法在不同组件及不同环境条件下评估的平均均方根误差比较
此外，进一步将本发明中距离加权的参数估计方法，与常规的插值法[出自DobosAP,Freeman J M.Significant Improvement in PV Module Performance PredictionAccuracy Using a New Model Based on IEC-61853Data.National Renewable EnergyLab.(NREL),Golden,CO(United States),2019]、基于标准条件转换法[出自Peng L,SunY,Meng Z.An improved model and parameters extraction for photovoltaic cellsusing only three state points at standard test condition.Journal of powerSources,2014,248:621-631]及未改进前的基于最近邻条件转换法进行效果对比，如表2所示。结果显示改进的距离加权方法，相比于基于最近邻条件转换的方法，在各参数的评估结果上有了进一步的提升。
表2.多种参数估计方法在不同组件及不同环境条件下评估的平均均方根误差比较
Claims (4)
1.考虑环境和时变因素的光伏组件模型参数化方法，其特征在于，包括以下步骤：
S1：根据数据手册或实测数据提供的最大功率点、短路电流点、开路电压点三个关键工作点电气值，采用双迭代算法提取特定辐照度和温度条件下的单二极管模型参数；
S2：依据IEC-61853标准下定义的测试条件，将提取的参数结果网格化；
S3：在构成的网格点中寻找最近邻点，以该条件下提取的参数值作为参考，代替传统方法使用的标准工况，估计未知条件下的模型参数值；
S4：针对不确定性更高的未知条件，由最近两个测试条件估计参数值，并利用二者的距离加权结果作为更可靠的估计值；
S5：对估计的串联电阻和并联电阻值增加两个退化因子α、β，从而描述光伏组件随时间变化本身的退化过程；
所述的步骤S1的具体步骤如下：
S1-1：利用光伏组件的单二极管模型将电压电流之间的非线性关系用五个参数刻画，包括光生电流、饱和电流、二极管理想因子、串联电阻和并联电阻；
S1-2：不做任何可能影响参数提取精度的假设和近似，基于数据手册或实测数据提供的短路工作点和开路工作点下的电气值，将光生电流和饱和电流这两个参数表示为另外三个参数的函数；
S1-3：根据最大功率点的电气值，以及该功率点对电压导数为零的特性，将并联电阻表示为其他参数的两种函数形式；
S1-4：初始化理想因子和串联电阻两个参数值，在设置的定义域内分别用两种方式计算并联电阻的阻值，找到使得两者差值最小的理想因子和串联电阻作为参数提取结果，并代入计算剩余的三个参数；
所述的步骤S4的具体步骤如下：
S4-1：在十八个测试条件中寻找距离未知条件最近的两个条件Cm和Cn，它们与未知条件之间的距离分别为dm和dn；
S4-2：分别以这两个条件下提取的参数值作为基准，计算五个模型参数值Pm和Pn并模拟电流电压曲线IVm及IVn；
S4-3：给出经过距离加权后的电流电压曲线IV＝dn 2/(dm 2+dn 2)·IVm+dm 2/(dm 2+dn 2)·IVn。
2.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤S2中，应用步骤S1中的双迭代算法提取IEC-61853标准定义的十八个测试条件下的参数值，并将结果网格化。
3.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤S3中，根据辐照度和温度的归一化距离，将转化公式中普遍使用的基准值由标准测试条件下参数值，替换为最近邻条件下的参数值。
4.根据权利要求1所述的考虑环境和时变因素的光伏组件模型参数化方法，其特点在于：所述的步骤S5中，在考虑环境对模型参数影响的同时，引入α和β这两个退化因子描述参数中两个电阻的时变过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011203411.2A CN112487347B (zh) | 2020-11-02 | 2020-11-02 | 考虑环境和时变因素的光伏组件模型参数化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011203411.2A CN112487347B (zh) | 2020-11-02 | 2020-11-02 | 考虑环境和时变因素的光伏组件模型参数化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112487347A CN112487347A (zh) | 2021-03-12 |
| CN112487347B true CN112487347B (zh) | 2024-02-06 |
Family
ID=74926417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011203411.2A Active CN112487347B (zh) | 2020-11-02 | 2020-11-02 | 考虑环境和时变因素的光伏组件模型参数化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487347B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113572424B (zh) * | 2021-07-02 | 2023-02-28 | 清华大学 | 光伏电池状态异常检测方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
| CN107037853A (zh) * | 2017-06-21 | 2017-08-11 | 湖南工业大学 | 一种用于光伏电池的mppt控制方法 |
| 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 |
| CN107341324A (zh) * | 2017-08-23 | 2017-11-10 | 河海大学常州校区 | 一种利用Lambert函数求解光伏组件五参数的方法 |
| CN107544610A (zh) * | 2017-09-28 | 2018-01-05 | 北京科技大学 | 一种基于mpp电压规律与梯度寻优的光伏mppt控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3506132A1 (en) * | 2017-12-27 | 2019-07-03 | IMEC vzw | Simulation of photovoltaic systems |
| CN109861644B (zh) * | 2018-12-24 | 2020-07-07 | 阳光电源股份有限公司 | 光伏组件故障诊断方法、边缘计算处理装置和逆变器 |
-
2020
- 2020-11-02 CN CN202011203411.2A patent/CN112487347B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106059492A (zh) * | 2016-05-05 | 2016-10-26 | 江苏方天电力技术有限公司 | 基于功率预测的光伏组件阴影故障类型判定方法 |
| 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 |
| CN107037853A (zh) * | 2017-06-21 | 2017-08-11 | 湖南工业大学 | 一种用于光伏电池的mppt控制方法 |
| CN107341324A (zh) * | 2017-08-23 | 2017-11-10 | 河海大学常州校区 | 一种利用Lambert函数求解光伏组件五参数的方法 |
| CN107544610A (zh) * | 2017-09-28 | 2018-01-05 | 北京科技大学 | 一种基于mpp电压规律与梯度寻优的光伏mppt控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112487347A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | An improved and comprehensive mathematical model for solar photovoltaic modules under real operating conditions | |
| CN105590032B (zh) | 一种基于参数辨识的光伏组件mppt方法 | |
| CN111327271B (zh) | 基于半监督极限学习机的光伏阵列故障诊断方法 | |
| CN111245365B (zh) | 基于动态加权深度森林的光伏组件故障诊断方法 | |
| Dongue et al. | Modeling of electrical response of illuminated crystalline photovoltaic modules using four-and five-parameter models | |
| Khan et al. | A review of estimating solar photovoltaic cell parameters | |
| CN105354655A (zh) | 计及功率相关性的光伏电站群置信容量评估方法 | |
| CN108306617B (zh) | 一种理想太阳能电池最大功率点参数的求解方法 | |
| Lun et al. | A new explicit I–V model of a silicon solar cell based on Chebyshev Polynomials | |
| CN112487347B (zh) | 考虑环境和时变因素的光伏组件模型参数化方法 | |
| Killam et al. | Monitoring of photovoltaic system performance using outdoor Suns-VOC | |
| Elyaqouti et al. | A novel hybrid numerical with analytical approach for parameter extraction of photovoltaic modules | |
| Masmoudi et al. | Identification of Internal Parameters of a Mono-Crystalline Photovoltaic Cell Models and Experimental Ascertainment | |
| Lu et al. | Output performance prediction of PV modules based on power-law model from manufacturer datasheet | |
| Motan et al. | Photovoltaic array modelling and boost-converter controller-design for a 6kW grid-connected photovoltaic system-DC stage | |
| CN114117921A (zh) | 一种光伏阵列故障智能诊断方法 | |
| Choulli et al. | A novel hybrid analytical/iterative method to extract the single-diode model's parameters using Lambert's W-function | |
| Sun et al. | The I–V characteristics of solar cell under the marine environment: Experimental research | |
| CN106468935A (zh) | 一种折线拟合求太阳能电池最大功率点方法 | |
| CN115292965B (zh) | 一种基于最小二乘回归的动态光伏模型参数辨识方法 | |
| Ahmed et al. | Non-iterative MPPT Method: A Comparative Study | |
| Spagnuolo et al. | Identification and diagnosis of a photovoltaic module based on outdoor measurements | |
| CN111611710A (zh) | 一种光伏电池等效建模方法 | |
| CN108280287B (zh) | 一种太阳能电池参数提取的方法 | |
| CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 |
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 |