CN112711292B - 一种光伏组件最大功率追踪方法、系统及存储介质 - Google Patents
一种光伏组件最大功率追踪方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112711292B CN112711292B CN202110329802.7A CN202110329802A CN112711292B CN 112711292 B CN112711292 B CN 112711292B CN 202110329802 A CN202110329802 A CN 202110329802A CN 112711292 B CN112711292 B CN 112711292B
- Authority
- CN
- China
- Prior art keywords
- voltage
- power
- photovoltaic module
- local
- maximum value
- 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
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
- G05F1/10—Regulating voltage or current
- G05F1/625—Regulating voltage or current wherein it is irrelevant whether the variable actually regulated is ac or dc
Abstract
本发明公开了一种光伏组件最大功率追踪方法、系统及存储介质,其方法包括:基于光伏组件的开路电压,获取若干个电压分量;将若干个电压分量导入原始径向基神经网络模型,输出评估PV特性曲线;从评估PV特性曲线中提取电压极大值集合和电压极小值集合,从电压极大值集合中获取功率全局最大值对应的第一电压;获取电压极大值集合内的所有局部偶对数据,构成第一偶对集合;从第一偶对集合中提取全局最优功率对应的第二电压,判断第二电压是否等于第一电压;若是,将光伏组件的当前最大输出功率对应的电压更新为第二电压,将当前最大输出功率更新为全局最优功率。本发明可适应光伏组件发生环境动态变化的应用场景,实现对光伏电站的精细化管理。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种光伏组件最大功率追踪方法、系统及存储介质。
背景技术
光伏电站使用到的光伏组件是由多个光伏电池片通过串并联形式所组成的,在光伏组件的部分电池片受到被遮挡、老化、损坏等物理因素影响的情况下,光伏组件的伏安特性曲线会产生失配效应,且根据失配的不同情况也会对相关联的光伏PV特性曲线造成影响,即该光伏PV特性曲线不会保持原有的类抛物线形状,而是具有多个凸面和凹面,无疑会大大提高对光伏组件最大功率追踪工作的难度。针对传统的最大功率追踪工作,单独采用实现方式较为简单方便的爬山算法来迅速找到光伏PV特性曲线上的极点,但此算法不能跨越局部陷阱,往往只能停留在局部最优点,难以适应于光伏组件发生环境动态变化的应用场景下。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种光伏组件最大功率追踪方法、系统及存储介质,可适应于光伏组件发生环境动态变化的应用场景下,以实现对光伏电站的精细化管理。
为了解决上述问题,本发明提出了一种光伏组件最大功率追踪方法,所述方法包括:
基于光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
若是,则将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率。
可选的,在以所述光伏组件的开路电压为限定条件,获取若干个电压分量之前,包括:
获取所述光伏组件的当前最大输出功率,并计算所述当前最大输出功率与上一时刻的最大输出功率之间的绝对偏差值;
根据所述绝对偏差值与预设阈值的比较结果,判断所述光伏组件的工作环境是否发生变化;
在判断所述光伏组件的工作环境未发生变化之后,返回获取所述光伏组件的当前最大输出功率。
可选的,所述以所述光伏组件的开路电压为限定条件,获取若干个电压分量包括:
获取所述光伏组件的开路电压VOC,并以设定的v为步长值在[0,VOC]范围内获取到N个电压分量,其中N=(VOC/v+1)。
可选的,所述将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线包括:
基于原始径向基神经网络模型设置有径向基函数,将所述N个电压分量输入所述径向基函数进行运算,得到与所述N个电压分量关联的N个功率值;
结合所述N个电压分量和所述N个功率值,构建评估PV特性曲线。
可选的,所述利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合包括:
基于所述电压极大值集合中包含有m个电压极大值,利用线性搜索方法获取所述m个电压极大值中的第i(1≤i≤m)个电压极大值所在的第i个局部最优轨迹,并统计第i个局部最优轨迹上所经过的第i组局部偶对数据;依次循环执行m次来获取到m组局部偶对数据,构成第一偶对集合。
可选的,在判断所述第二电压是否等于所述第一电压之后,还包括:
若所述第二电压不等于所述第一电压,则利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新,再返回将所述若干个电压分量导入训练后的原始径向基神经网络模型进行运算。
可选的,所述利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新包括:
基于所述电压极小值集合中包含有n个电压极小值,获取所述n个电压极小值中的第j(1≤j≤n)个电压极小值所属的第j个偶对数据;依次循环执行n次来获取到n个偶对数据,构成第二偶对集合;
将所述第一偶对集合所包含的m组局部偶对数据和所述第二偶对集合所包含的n个偶对数据导入所述原始径向基神经网络模型中,基于递归最小二乘法对所述原始径向基神经网络模型进行训练更新。
另外,本发明实施例还提供了一种光伏组件最大功率追踪系统,所述系统包括:
电压分量获取模块,用于基于光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
特性曲线生成模块,用于将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
极值集合提取模块,用于从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
数据搜索模块,用于利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
电压判断模块,用于从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
参数更新模块,用于在判断所述第二电压等于所述第一电压后,将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率。
可选的,所述系统还包括:
模型训练模块,用于在判断所述第二电压不等于所述第一电压后,利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新,再返回重新运行所述特性曲线生成模块。
另外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任意一项所述的光伏组件最大功率追踪方法。
在本发明实施例中,通过采用迭代修正的方式实时更新径向基神经网络模型对评估PV特性曲线的描述,同时结合传统的线性搜索方法可快速查询到评估PV特性曲线的任意局部最优点,并利用全局对比方式准确地跟踪光伏组件的最大输出功率,适应于光伏组件发生环境动态变化的应用场景下,以此实现对光伏电站的精细化管理,降低运维成本且提升整体发电效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的光伏组件最大功率追踪方法的流程示意图;
图2是本发明实施例中的曲线上极值定义示意图;
图3是本发明实施例中的光伏组件最大功率追踪系统的组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
请参阅图1,图1示出了本发明实施例中的光伏组件最大功率追踪方法的流程示意图。
如图1所示,一种光伏组件最大功率追踪方法,所述方法包括如下:
S101、获取光伏组件的当前最大输出功率,并计算所述当前最大输出功率与上一时刻的最大输出功率之间的绝对偏差值;
本发明实施过程为:以固定电压参数VMPP0为追踪点,获取当前时刻下的光伏组件在该追踪点处的功率值PMPP1,同时调取上一时刻下的所述光伏组件在该追踪点处的功率值PMPP0,再继续计算上述两个功率值之间的绝对偏差值为PA=|PMPP0-PMPP1|。需要说明的是,所述光伏组件在上一时刻下的工作环境未发生变化。
S102、根据所述绝对偏差值与预设阈值的比较结果,判断所述光伏组件的工作环境是否发生变化;
本发明实施过程为:基于所述绝对偏差值PA大于预设阈值,说明当前时刻下的所述光伏组件发生工作环境变化,则继续执行步骤S103;基于所述绝对偏差值PA小于等于所述预设阈值,说明当前时刻下的所述光伏组件未发生工作环境变化,则返回执行步骤S101,进行下一时刻的功率验证。
S103、基于所述光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
本发明实施过程为:获取所述光伏组件的开路电压VOC,并以设定的v为步长值在[0,VOC]范围内获取到N个电压分量,其中N=(VOC/v+1)。
S104、将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
本发明实施过程为:首先基于原始径向基神经网络模型设置有径向基函数,将所述N个电压分量输入所述径向基函数进行运算,得到与所述N个电压分量关联的N个功率值,即所述N个电压分量中的每一个电压分量均有对应的一个功率值;其次,结合所述N个电压分量和所述N个功率值,构建评估PV特性曲线,且该曲线上的P轴可用来刻画所述N个功率值,而V轴可用来刻画所述N个电压分量。
S105、从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
在本发明实施例中,根据图2所示出的曲线上极值定义示意图,设定极值提取标准为:在不考虑曲线两个端点的情况下,将实心方格所在的数值定义为曲线上的极大值,将实心原点所在的数值定义为曲线上的极小值。
本发明实施过程为:首先基于所述极值提取标准,从所述评估PV特性曲线中分别提取出全部的m个电压极大值和n个电压极小值,以此构成电压极大值集合Vm={v1,v2,…,vm}以及电压极小值集合Un={u1,u2,…,un};其次从所述电压极大值集合Vm中直接获取到数值最大的电压极大值,并将其定义为功率全局最大值所对应的第一电压vmpp1。
S106、利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
本发明实施过程为:基于所述电压极大值集合Vm中包含有m个电压极大值,利用线性搜索方法获取所述m个电压极大值中的第i(1≤i≤m)个电压极大值所在的第i个局部最优轨迹,并统计第i个局部最优轨迹上所经过的第i组局部偶对数据;依次循环执行m次来获取到m组局部偶对数据,构成第一偶对集合EV。
更具体的,首先利用线性搜索方法获取第一个电压极大值v1所在的局部最优轨迹为v1,0→v1,1→v1,2→···→v1,k1,并测量出该局部最优轨迹上所包含的k1个局部电压点所对应的k1个功率值,分别表示为p1,0→p1,1→p1,2→···→p1,k1,由此可统计出该局部最优轨迹上所经过的一组局部偶对数据为{v1,0,p1,0}→{v1,1,p1,1}→{v1,2,p1,2}→···→{v1,k1,p1,k1};按照上述方法依次对剩下的(m-1)个电压极大值进行局部搜索与统计,获取到第一偶对集合EV={{v1,0,p1,0},…,{v1,k1,p1,k1},…,{vm,0,pm,0},…,{vm,km,pm,km}}。
S107、从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
本发明实施过程为:首先从所述第一偶对集合EV中获取到数值最大的一个功率值pmpp并定义为全局最优功率,同时根据该功率值pmpp所在的局部偶对数据来直接获取其所对应的第二电压vmpp2;其次判断所述第二电压vmpp2是否等于所述第一电压vmpp1,相应的判断结果包括:若vmpp2=vmpp1,则继续执行步骤S108;若vmpp2≠vmpp1,则跳转执行步骤S109。
S108、将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率;
本发明实施过程为:根据步骤S101所获取到的参数值,将当前最大输出功率PMPP1所对应的电压参数VMPP0更新为第二电压vmpp2,即说明从下一时刻开始将以固定电压参数vmpp2作为新的追踪点,同时将所述当前最大输出功率PMPP1更新为所述全局最优功率pmpp,以实现对所述光伏组件在新环境下的最大功率追踪。
S109、利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新。
本发明实施过程包括:
(1)基于所述电压极小值集合Un中包含有n个电压极小值,获取所述n个电压极小值中的第j(1≤j≤n)个电压极小值所属的第j个偶对数据;依次循环执行n次来获取到n个偶对数据,构成第二偶对集合;
具体的,首先根据所述评估PV特性曲线可获取到第一个电压极小值u1所对应的功率值pu1,由此得到该电压极小值u1所属的偶对数据{u1,pu1};按照上述方法依次对剩下的(n-1)个电压极小值进行数据统计,可获取到第二偶对集合EU={{u1,pu1},{u2,pu2},…,{un,pun}}。
(2)将所述第一偶对集合EV所包含的m组局部偶对数据和所述第二偶对集合EU所包含的n个偶对数据导入所述原始径向基神经网络模型中,基于递归最小二乘法对所述原始径向基神经网络模型进行训练更新,再返回重新执行步骤S104,此时运行的原始径向基神经网络模型为已更新状态。
其中,对所述原始径向基神经网络模型的训练更新采用如下递归最小二乘法运算:
P(n)=P(n-1)-[P(n-1)K(n)KT(n)P(n-1)]/[1+KT(n)P(n-1)K(n)]
W(n)=W(n-1)+P(n)K(n)[d(n)-WT(n-1)K(n)
式中:n为迭代次数,d(n)为第n次迭代时所运用到的数据集,由所述第一偶对集合EV和所述第二偶对集合EU所构成,P(n-1)为第(n-1)次迭代时的变量参数,P(n)为第n次迭代时的变量参数,且初始值P(0)为对角矩阵,K(n)为在考虑线性回归情况下第n次迭代时的回归系数,W(n-1)为第(n-1)次迭代时隐含层到输出层的权值参数,W(n)为第n次迭代时隐含层到输出层的权值参数,T为转置符号。
在本发明实施例中,通过采用迭代修正的方式实时更新径向基神经网络模型对评估PV特性曲线的描述,同时结合传统的线性搜索方法可快速查询到评估PV特性曲线的任意局部最优点,并利用全局对比方式准确地跟踪光伏组件的最大输出功率,适应于光伏组件发生环境动态变化的应用场景下,以此实现对光伏电站的精细化管理,降低运维成本且提升整体发电效率。
实施例
请参阅图3,图3示出了本发明实施例中的光伏组件最大功率追踪系统的组成示意图。
如图3所示,一种光伏组件最大功率追踪系统,所述系统包括如下:
电压分量获取模块201,用于基于光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
本发明实施过程为:获取所述光伏组件的开路电压VOC,并以设定的v为步长值在[0,VOC]范围内获取到N个电压分量,其中N=(VOC/v+1)。
在此之前,所述电压分量获取模块201还具备有环境预判功能,具体表现为:
(1)获取所述光伏组件的当前最大输出功率,并计算所述当前最大输出功率与上一时刻的最大输出功率之间的绝对偏差值;
具体的,以固定电压参数VMPP0为追踪点,获取当前时刻下的光伏组件在该追踪点处的功率值PMPP1,同时调取上一时刻下的所述光伏组件在该追踪点处的功率值PMPP0,再继续计算上述两个功率值之间的绝对偏差值为PA=|PMPP0-PMPP1|。需要说明的是,所述光伏组件在上一时刻下的工作环境未发生变化。
(2)根据所述绝对偏差值与预设阈值的比较结果,判断所述光伏组件的工作环境是否发生变化。
具体的,基于所述绝对偏差值PA大于预设阈值,说明当前时刻下的所述光伏组件发生工作环境变化,则继续执行下一步的电压分量获取;基于所述绝对偏差值PA小于等于所述预设阈值,说明当前时刻下的所述光伏组件未发生工作环境变化,则返回继续获取所述光伏组件的当前最大输出功率,以进行下一时刻的功率验证。
特性曲线生成模块202,用于将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
本发明实施过程为:首先基于原始径向基神经网络模型设置有径向基函数,将所述N个电压分量输入所述径向基函数进行运算,得到与所述N个电压分量关联的N个功率值,即所述N个电压分量中的每一个电压分量均有对应的一个功率值;其次,结合所述N个电压分量和所述N个功率值,构建评估PV特性曲线,且该曲线上的P轴可用来刻画所述N个功率值,而V轴可用来刻画所述N个电压分量。
极值集合提取模块203,用于从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
在本发明实施例中,根据图2所示出的曲线上极值定义示意图,设定极值提取标准为:在不考虑曲线两个端点的情况下,将实心方格所在的数值定义为曲线上的极大值,将实心原点所在的数值定义为曲线上的极小值。
本发明实施过程为:首先基于所述极值提取标准,从所述评估PV特性曲线中分别提取出全部的m个电压极大值和n个电压极小值,以此构成电压极大值集合Vm={v1,v2,…,vm}以及电压极小值集合Un={u1,u2,…,un};其次从所述电压极大值集合Vm中直接获取到数值最大的电压极大值,并将其定义为功率全局最大值所对应的第一电压vmpp1。
数据搜索模块204,用于利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
本发明实施过程为:基于所述电压极大值集合Vm中包含有m个电压极大值,利用线性搜索方法获取所述m个电压极大值中的第i(1≤i≤m)个电压极大值所在的第i个局部最优轨迹,并统计第i个局部最优轨迹上所经过的第i组局部偶对数据;依次循环执行m次来获取到m组局部偶对数据,构成第一偶对集合EV。
更具体的,首先利用线性搜索方法获取第一个电压极大值v1所在的局部最优轨迹为v1,0→v1,1→v1,2→···→v1,k1,并测量出该局部最优轨迹上所包含的k1个局部电压点所对应的k1个功率值,分别表示为p1,0→p1,1→p1,2→···→p1,k1,由此可统计出该局部最优轨迹上所经过的一组局部偶对数据为{v1,0,p1,0}→{v1,1,p1,1}→{v1,2,p1,2}→···→{v1,k1,p1,k1};按照上述方法依次对剩下的(m-1)个电压极大值进行局部搜索与统计,获取到第一偶对集合EV={{v1,0,p1,0},…,{v1,k1,p1,k1},…,{vm,0,pm,0},…,{vm,km,pm,km}}。
电压判断模块205,用于从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
本发明实施过程为:首先从所述第一偶对集合EV中获取到数值最大的一个功率值pmpp并定义为全局最优功率,同时根据该功率值pmpp所在的局部偶对数据来直接获取其所对应的第二电压vmpp2;其次判断所述第二电压vmpp2是否等于所述第一电压vmpp1,其判断结果包括:若vmpp2=vmpp1,则继续运行参数更新模块206;若vmpp2≠vmpp1,则跳转运行模型训练模块207。
参数更新模块206,用于在判断所述第二电压等于所述第一电压后,将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率;
本发明实施过程为:根据所述电压分量获取模块201所提及到的参数值,将当前最大输出功率PMPP1所对应的电压参数VMPP0更新为第二电压vmpp2,即说明从下一时刻开始将以固定电压参数vmpp2作为新的追踪点,同时将所述当前最大输出功率PMPP1更新为所述全局最优功率pmpp,以实现对所述光伏组件在新环境下的最大功率追踪。
模型训练模块207,用于在判断所述第二电压不等于所述第一电压后,利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新。
本发明实施过程包括:
(1)基于所述电压极小值集合Un中包含有n个电压极小值,获取所述n个电压极小值中的第j(1≤j≤n)个电压极小值所属的第j个偶对数据;依次循环执行n次来获取到n个偶对数据,构成第二偶对集合;
具体的,首先根据所述评估PV特性曲线可获取到第一个电压极小值u1所对应的功率值pu1,由此得到该电压极小值u1所属的偶对数据{u1,pu1};按照上述方法依次对剩下的(n-1)个电压极小值进行数据统计,可获取到第二偶对集合EU={{u1,pu1},{u2,pu2},…,{un,pun}}。
(2)将所述第一偶对集合EV所包含的m组局部偶对数据和所述第二偶对集合EU所包含的n个偶对数据导入所述原始径向基神经网络模型中,基于递归最小二乘法对所述原始径向基神经网络模型进行训练更新,再返回重新执行步骤S104,此时运行的原始径向基神经网络模型为已更新状态。
其中,对所述原始径向基神经网络模型的训练更新采用如下递归最小二乘法运算:
P(n)=P(n-1)-[P(n-1)K(n)KT(n)P(n-1)]/[1+KT(n)P(n-1)K(n)]
W(n)=W(n-1)+P(n)K(n)[d(n)-WT(n-1)K(n)
式中:n为迭代次数,d(n)为第n次迭代时所运用到的数据集,由所述第一偶对集合EV和所述第二偶对集合EU所构成,P(n-1)为第(n-1)次迭代时的变量参数,P(n)为第n次迭代时的变量参数,且初始值P(0)为对角矩阵,K(n)为在考虑线性回归情况下第n次迭代时的回归系数,W(n-1)为第(n-1)次迭代时隐含层到输出层的权值参数,W(n)为第n次迭代时隐含层到输出层的权值参数,T为转置符号。
在本发明实施例中,通过采用迭代修正的方式实时更新径向基神经网络模型对评估PV特性曲线的描述,同时结合传统的线性搜索方法可快速查询到评估PV特性曲线的任意局部最优点,并利用全局对比方式准确地跟踪光伏组件的最大输出功率,适应于光伏组件发生环境动态变化的应用场景下,以此实现对光伏电站的精细化管理,降低运维成本且提升整体发电效率。
本发明实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有可执行的计算机程序,该程序被处理器执行时实现上述实施例所提出的光伏组件最大功率追踪方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSSMemory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是说,存储设备包括由设备(如计算机、手机等)以可读的形式存储或传输信息的任何介质,可以是只读存储器、磁盘或光盘等。
以上对本发明实施例所提供的一种光伏组件最大功率追踪方法、系统及存储介质进行了详细介绍,本文中采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种光伏组件最大功率追踪方法,其特征在于,所述方法包括:
基于光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
若是,则将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率;
所述利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合包括:
基于所述电压极大值集合中包含有m个电压极大值,利用线性搜索方法获取所述m个电压极大值中的第i(1≤i≤m)个电压极大值所在的第i个局部最优轨迹,并统计第i个局部最优轨迹上所经过的第i组局部偶对数据;依次循环执行m次来获取到m组局部偶对数据,构成第一偶对集合;
首先利用线性搜索方法获取第一个电压极大值v1所在的局部最优轨迹为v1,0→v1,1→v1,2→···→v1,k1,并测量出该局部最优轨迹上所包含的k1个局部电压点所对应的k1个功率值,分别表示为p1,0→p1,1→p1,2→···→p1,k1,由此可统计出该局部最优轨迹上所经过的一组局部偶对数据为{v1,0,p1,0}→{v1,1,p1,1}→{v1,2,p1,2}→···→{v1,k1,p1,k1};按照上述方法依次对剩下的(m-1)个电压极大值进行局部搜索与统计,获取到第一偶对集合EV={{v1,0,p1,0},…,{v1,k1,p1,k1},…,{vm,0,pm,0},…,{vm,km,pm,km}}。
2.根据权利要求1所述的光伏组件最大功率追踪方法,其特征在于,在以所述光伏组件的开路电压为限定条件,获取若干个电压分量之前,包括:
获取所述光伏组件的当前最大输出功率,并计算所述当前最大输出功率与上一时刻的最大输出功率之间的绝对偏差值;
根据所述绝对偏差值与预设阈值的比较结果,判断所述光伏组件的工作环境是否发生变化;
在判断所述光伏组件的工作环境未发生变化之后,返回获取所述光伏组件的当前最大输出功率。
3.根据权利要求1所述的光伏组件最大功率追踪方法,其特征在于,所述以所述光伏组件的开路电压为限定条件,获取若干个电压分量包括:
获取所述光伏组件的开路电压VOC,并以设定的v为步长值在[0,VOC]范围内获取到N个电压分量,其中N=(VOC/v+1)。
4.根据权利要求3所述的光伏组件最大功率追踪方法,其特征在于,所述将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线包括:
基于原始径向基神经网络模型设置有径向基函数,将所述N个电压分量输入所述径向基函数进行运算,得到与所述N个电压分量关联的N个功率值;
结合所述N个电压分量和所述N个功率值,构建评估PV特性曲线。
5.根据权利要求1所述的光伏组件最大功率追踪方法,其特征在于,在判断所述第二电压是否等于所述第一电压之后,还包括:
若所述第二电压不等于所述第一电压,则利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新,再返回将所述若干个电压分量导入训练后的原始径向基神经网络模型进行运算。
6.根据权利要求5所述的光伏组件最大功率追踪方法,其特征在于,所述利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新包括:
基于所述电压极小值集合中包含有n个电压极小值,获取所述n个电压极小值中的第j(1≤j≤n)个电压极小值所属的第j个偶对数据;依次循环执行n次来获取到n个偶对数据,构成第二偶对集合;
将所述第一偶对集合所包含的m组局部偶对数据和所述第二偶对集合所包含的n个偶对数据导入所述原始径向基神经网络模型中,基于递归最小二乘法对所述原始径向基神经网络模型进行训练更新。
7.一种光伏组件最大功率追踪系统,其特征在于,所述系统包括:
电压分量获取模块,用于基于光伏组件的工作环境发生变化,以所述光伏组件的开路电压为限定条件,获取若干个电压分量;
特性曲线生成模块,用于将所述若干个电压分量导入原始径向基神经网络模型进行运算,生成评估PV特性曲线;
极值集合提取模块,用于从所述评估PV特性曲线中提取出电压极大值集合和电压极小值集合,并从所述电压极大值集合中获取功率全局最大值所对应的第一电压;
数据搜索模块,用于利用线性搜索方法对所述电压极大值集合进行局部搜索,获取所述电压极大值集合内的所有局部偶对数据,构成第一偶对集合;
电压判断模块,用于从所述第一偶对集合中提取出全局最优功率,同时获取所述全局最优功率所对应的第二电压,并判断所述第二电压是否等于所述第一电压;
参数更新模块,用于在判断所述第二电压等于所述第一电压后,将所述光伏组件的当前最大输出功率所对应的电压参数更新为所述第二电压,同时将所述当前最大输出功率更新为所述全局最优功率;
所述数据搜索模块进一步用于基于所述电压极大值集合中包含有m个电压极大值,利用线性搜索方法获取所述m个电压极大值中的第i(1≤i≤m)个电压极大值所在的第i个局部最优轨迹,并统计第i个局部最优轨迹上所经过的第i组局部偶对数据;依次循环执行m次来获取到m组局部偶对数据,构成第一偶对集合;
首先利用线性搜索方法获取第一个电压极大值v1所在的局部最优轨迹为v1,0→v1,1→v1,2→···→v1,k1,并测量出该局部最优轨迹上所包含的k1个局部电压点所对应的k1个功率值,分别表示为p1,0→p1,1→p1,2→···→p1,k1,由此可统计出该局部最优轨迹上所经过的一组局部偶对数据为{v1,0,p1,0}→{v1,1,p1,1}→{v1,2,p1,2}→···→{v1,k1,p1,k1};按照上述方法依次对剩下的(m-1)个电压极大值进行局部搜索与统计,获取到第一偶对集合EV={{v1,0,p1,0},…,{v1,k1,p1,k1},…,{vm,0,pm,0},…,{vm,km,pm,km}}。
8.根据权利要求7所述的光伏组件最大功率追踪系统,其特征在于,所述系统还包括:
模型训练模块,用于在判断所述第二电压不等于所述第一电压后,利用所述电压极大值集合和所述电压极小值集合对所述原始径向基神经网络模型进行训练更新,再返回重新运行所述特性曲线生成模块。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的光伏组件最大功率追踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329802.7A CN112711292B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏组件最大功率追踪方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329802.7A CN112711292B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏组件最大功率追踪方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711292A CN112711292A (zh) | 2021-04-27 |
CN112711292B true CN112711292B (zh) | 2021-07-09 |
Family
ID=75550337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329802.7A Active CN112711292B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏组件最大功率追踪方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711292B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学(保定) | 一种光伏发电微型电网系统及最大功率跟踪方法 |
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 |
CN103064460A (zh) * | 2013-01-04 | 2013-04-24 | 深圳市晶福源电子技术有限公司 | 光伏逆变器的mppt控制装置及方法 |
WO2018129263A1 (en) * | 2017-01-06 | 2018-07-12 | Worcester Polytechnic Institute | Irradiance based solar panal power point tracking |
CN108614612A (zh) * | 2018-04-24 | 2018-10-02 | 青岛高校信息产业股份有限公司 | 太阳能光伏电池最大功率追踪方法和系统 |
CN110571853A (zh) * | 2019-09-05 | 2019-12-13 | 武汉工程大学 | 一种基于径向基神经网络风光发电mppt控制方法及系统 |
CN112083753A (zh) * | 2020-09-28 | 2020-12-15 | 东莞市钜大电子有限公司 | 一种光伏并网逆变器的最大功率点跟踪控制方法 |
CN112380765A (zh) * | 2020-11-09 | 2021-02-19 | 贵州电网有限责任公司 | 一种基于改进平衡优化器算法的光伏电池参数识别方法 |
-
2021
- 2021-03-29 CN CN202110329802.7A patent/CN112711292B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496953A (zh) * | 2011-11-24 | 2012-06-13 | 华北电力大学(保定) | 一种光伏发电微型电网系统及最大功率跟踪方法 |
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 |
CN103064460A (zh) * | 2013-01-04 | 2013-04-24 | 深圳市晶福源电子技术有限公司 | 光伏逆变器的mppt控制装置及方法 |
WO2018129263A1 (en) * | 2017-01-06 | 2018-07-12 | Worcester Polytechnic Institute | Irradiance based solar panal power point tracking |
CN108614612A (zh) * | 2018-04-24 | 2018-10-02 | 青岛高校信息产业股份有限公司 | 太阳能光伏电池最大功率追踪方法和系统 |
CN110571853A (zh) * | 2019-09-05 | 2019-12-13 | 武汉工程大学 | 一种基于径向基神经网络风光发电mppt控制方法及系统 |
CN112083753A (zh) * | 2020-09-28 | 2020-12-15 | 东莞市钜大电子有限公司 | 一种光伏并网逆变器的最大功率点跟踪控制方法 |
CN112380765A (zh) * | 2020-11-09 | 2021-02-19 | 贵州电网有限责任公司 | 一种基于改进平衡优化器算法的光伏电池参数识别方法 |
Non-Patent Citations (2)
Title |
---|
Radial Basis Function Neural Network Technique for Efficient;Surabhi Chandraa etl;《ScienceDirect》;20200328;第2354-2363页 * |
基于神经网络和模糊控制的光伏发电MPPT研究;焦科名等;《计算机仿真》;20200531;第37卷(第5期);第71-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112711292A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN105590032B (zh) | 一种基于参数辨识的光伏组件mppt方法 | |
JP2017084360A (ja) | 太陽光発電システムの作動方法 | |
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 | |
CN106485075B (zh) | 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 | |
CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
Lyden et al. | Modelling, parameter estimation and assessment of partial shading conditions of photovoltaic modules | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN106295908A (zh) | 一种svm风电功率预测方法 | |
Rezk | An efficient single‐sensor global maximum power point tracking method for partially shaded photovoltaic battery chargers | |
CN112711292B (zh) | 一种光伏组件最大功率追踪方法、系统及存储介质 | |
El Marghichi et al. | A solar PV model parameters estimation based on an improved manta foraging algorithm with dynamic fitness distance balance | |
CN109388845B (zh) | 基于反向学习与增强复杂进化的光伏阵列参数提取方法 | |
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 | |
Choulli et al. | Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters | |
Brusca et al. | Wind farm power forecasting: New algorithms with simplified mathematical structure | |
CN115796721B (zh) | 高比例新能源接入的配电网运行状态智能感知方法及系统 | |
CN110188964B (zh) | 一种基于相关性的光伏出力预测方法 | |
Wang et al. | Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms | |
CN116647183A (zh) | 光伏阵列发电性能确定方法、装置和光伏系统 | |
CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
Elnagi et al. | Photovoltaic Models Parameters Estimation Based on Weighted Mean of Vectors | |
Lu et al. | An analytical method for parameter identification based on datasheet values | |
Deotti et al. | Parameter Extraction of One-Diode Photovoltaic Model using Lévy Flight Directional Bat Algorithm |
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: 20220413 Address after: 518038 a808, Jiangsu building, Yitian Road, Lianhua street, Futian District, Shenzhen, Guangdong Patentee after: Shenzhen Fengyi High Tech Co.,Ltd. Address before: 518000 418, building 25, Keyuan West, No.5, Kezhi West Road, Science Park community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Heijing Optoelectronic Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |