CN112947672A - 一种光伏电池最大功率点跟踪方法及装置 - Google Patents

一种光伏电池最大功率点跟踪方法及装置 Download PDF

Info

Publication number
CN112947672A
CN112947672A CN202110181915.7A CN202110181915A CN112947672A CN 112947672 A CN112947672 A CN 112947672A CN 202110181915 A CN202110181915 A CN 202110181915A CN 112947672 A CN112947672 A CN 112947672A
Authority
CN
China
Prior art keywords
value
power value
layer
data
photovoltaic cell
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
Application number
CN202110181915.7A
Other languages
English (en)
Other versions
CN112947672B (zh
Inventor
岳东
施鹏程
窦春霞
张智俊
丁孝华
李延满
赵景涛
罗剑波
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.)
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
Original Assignee
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
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 Nanjing University of Posts and Telecommunications, State Grid Electric Power Research Institute filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110181915.7A priority Critical patent/CN112947672B/zh
Publication of CN112947672A publication Critical patent/CN112947672A/zh
Application granted granted Critical
Publication of CN112947672B publication Critical patent/CN112947672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05F1/66—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)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏电池最大功率点跟踪方法，包括以下步骤：将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值和预测功率值，调节光伏电池板的输出电压，检测光伏电池板的实际功率值；将预测功率值和实际功率值进行比较，判断是否出现环境条件突变；根据所述预测功率值和实际功率值调整占空比值；根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；环境突变，通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型。与现有技术相比，本专利能够达到速度快，迭代少,减少了步长调节次数等优点。

Description

一种光伏电池最大功率点跟踪方法及装置
技术领域
本发明涉及一种光伏电池最大功率点跟踪方法及装置，属于光伏发电系统技术领域。
背景技术
随着新能源发电的大规模推广和应用，带来了绿色清洁能源的同时也带来了一系列的困难和挑战。在新能源大量使用以前，通常是由汽轮发电机组(火电、燃气、核电等)和水轮发电机组等具备大惯量的同步发电机组。出现故障时，可以通过常规发电机组的大惯量和本身的调频调压能力来维持电网的稳定。如今光伏，风电大规模接入后，因为它们的关键设备逆变器是基于电力电子静止器件，在出现故障时不能提供电网所需要的无功功率支持。并且当逆变器检测到电流和电压越线时，会进入高、低电压穿越，有功功率截零，相当于零功率输出，对电网造成二次功率冲击，给电网安全稳定性带来不利影响。因此为了维持电网稳定运行，一些电网通常进行“弃光弃风”来进行功率调节，给常规电力机组带来了很大压力。若新能源能够快速接受电网的控制指令，实现快速功率调节进行电网的一次调频调压，将对电网的安全稳定运行发挥极大的作用。
如今光伏电池的快速功率跟踪通常是由定电压跟踪法(CVT)、扰动观察法(P&O)、电导增量法。定电压跟踪法通常是由光伏电池给定的参照量Uo来调节达到最大功率输出。此方法忽略具体的光照强度和温度，误差较大。扰动观察法通过给电压一个扰动来观察输出功率的变化，来进行调节扰动的方向，此方法会导致在某个范围内来回波动。电导增量法调节电压U来观察
Figure BDA0002942372680000021
直到
Figure BDA0002942372680000022
达到最大功率点。此方法需要传感器具有较高精度，成本较高。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种光伏电池最大功率点跟踪方法及装置，能够快速经济地完成光伏板最大功率跟踪。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供一种基于注意力机制和循环神经网络来进行最大功率点跟踪方法，具体包括以下步骤：
步骤A：令光伏电池板进入运行状态，采集状态数据，进行数据预处理，获得预处理后的数据；
步骤B：将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板的实际功率值Py；
步骤C：将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变；若环境突变，则跳转步骤F；若环境未突变，则跳转步骤D；
步骤D：根据所述预测功率值和实际功率值调整占空比值；
步骤E：根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；
步骤F：环境突变，通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型，并跳转步骤B。
进一步的，所述状态数据包括温度、光照幅度、电压、电流、功率、时间；所述数据预处理包括：去除状态数据中的异常数据，通过相邻数据记录平均值代替异常数据。
进一步的，所述注意力机制和循环神经网络模型包括两个LSTM层，Attention层和全连接层；输入状态量从输入层开始，经过两层LSTM层输出处理后得向量给Attention层，Attention层依据当前输入向量计算出权重值，然后将权值与当前输入向量合并得到新的向量，输入到全连接层中得到预测值。
进一步的，所述注意力机制和循环神经网络模型的构建方法包括以下步骤：
建立输入层；
建立LSTM层；
建立Attention层；
进入Attention编码器，将所述历史数据进行向量表示，连结成矩阵作为输入；通过encoder层得到每个时间间隔内的各个状态量内部的联系；
建立输出层。
进一步的，所述注意力机制和循环神经网络模型的训练方法包括以下步骤：
输入历史数据集x(k)＝(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练，x(k)为第k个输入样本，x1(k),x2(k),...,xn(k)分别为该样本的状态量，所述状态量包括温度，光照幅度，电压，电流和时间；
将状态量x1(k),x2(k),...,xn(k)，进行向量表示，连结成矩阵作为输入；
通过encoder层得到每个时间间隔内的各个状态量内部的联系，得到每个状态量内部的动态相关性和每个状态量内部各状态值的权重值。
进一步的，所述输入历史数据集x(k)＝(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练的方法具体包括：
将历史数据集分成测试集和训练级进行Attention机制和LSTM神经网络模型的训练，选用7个因子作为输入特征，设置了两层LSTM层来进行拟合训练，第一层LSTM层设置神经元个数为128，第二层神经网个数为64，步长设置为10。
进一步的，所述将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变的方法包括以下步骤：
计算|Py-Pm|的大小，若|Py-Pm|<e，则环境未突变；若|Py-Pm|>e，则环境突变，e为功率阈值。
进一步的，所述根据所述预测功率值和实际功率值调整占空比值的方法包括：根据下式调节占空比：
Figure BDA0002942372680000041
e为功率阈值,D(k)为k时刻变换器占空比，N为调整步长的速度因子，
Figure BDA0002942372680000042
为功率差值和电压差值的比值的绝对值，速度因子满足
Figure BDA0002942372680000043
ΔDMAX为最大占空比扰动步长值。
第二方面，本发明提供一种光伏电池最大功率点跟踪装置，所述装置包括：
数据采集模块：用于令光伏电池板进入运行状态，采集状态数据，进行数据预处理，获得预处理后的数据；
功率预测模块：用于将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板的实际功率值Py；
突变判断模块：用于将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变；
占空比调整模块：用于根据所述预测功率值和实际功率值调整占空比值；
功率输出模块：用于根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；
模型训练模块：用于通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型。
第三方面，本发明提供一种光伏电池最大功率点跟踪装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
1、能够快速收敛最大功率跟踪，将注意力机制和LSTM循环神经网络相结合，减少了在长序列时间数据时导致数据丢失的情况；与传统的MPPT方法相比，此方法解决了会在最大功率点附件震荡的问题，并且根据神经网络预测减少了之前大步长改变占空比的步骤，解决了频繁变步长导致的功率损失问题，计算更加快速和精准；
2、通过注意力给数据加一定的权重更加能知晓对预测数据更重要的状态量，加快LSTM层的运算加快的运行速度；
3、通过神经网络来进行光伏MPPT调控，可以更加快速找到最大运行点，减小由于不断改变占空比而导致的扰动损失。
附图说明
图1是光伏发电系统运行图；
图2是光伏发电系统运行流程图；
图3是Attention-LSTM结构；
图4是Attention权重值示意图；
图5是训练测试集示意图；
图6是训练集和测试集损失值示意图；
图7是P&O与改进的LSTM神经网络法比较图1；
图8是P&O与改进的LSTM神经网络法比较图2。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种基于注意力机制和循环神经网络来进行最大功率点跟踪方法，本方法通过LSTM神经网络结合Attention机制来改变Boost电路的占空比来实现最大功率点的调节如图1，主要的运行流程如图2具体包括以下步骤：
步骤S1:令光伏电池板进入运行状态，获取光伏电池板的输出电压，电流等参数。判断输出功率
Figure BDA0002942372680000061
是否为零，满足最大功率输出要求，若满足则输出光伏电池板输出功率Py，若不满足则转步骤S2。
步骤S2:建立注意力机制和LSTM神经网络，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um、功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板输出功率Py。
步骤S3：计算|Py-Pm|的大小，若|Py-Pm|<e则表示在最大功率点附近，则进入步骤S4.若|Py-Pm|>e，则进入步骤S6。
步骤S4：根据下式调节占空比：
Figure BDA0002942372680000062
e为功率阈值,D(k)为k时刻变换器占空比，N为调整步长的速度因子，
Figure BDA0002942372680000071
为功率差值和电压差值的比值的绝对值，速度因子满足
Figure BDA0002942372680000072
ΔDMAX为最大占空比扰动步长值。
步骤S5:根据占空比D(k)，调节逆变器，输出最大功率值。
步骤S6：|Py-Pm|>e2，通过历史数据对注意力机制和循环神经网络模型进行训练，e为功率阈值，e2为第二功率阈值，获得重新训练好的注意力机制和循环神经网络模型，并跳转步骤S2。
与传统的MPPT方法相比，此方法解决了会在最大功率点附件震荡的问题，并且根据神经网络预测减少了之前大步长改变占空比的步骤，解决了频繁变步长导致的功率损失问题。更加快速和精准。
所述注意力机制和循环神经网络模型的训练方法具体包括以下步骤：
输入历史数据，x(k)＝(x1(k),x2(k),...,xn(k))，x(k)为第k个输入样本，x1(k),x2(k),...,xn(k)分别为温度，光照幅度，电压，电流，时间等等状态量。通过输入历史状态数据进行训练模型。d0(k)＝(d1(k),d2(k),...,dn(k))，d0(k)为期望输出状态数据，d1(k),d2(k),...,dn(k)分别为温度，光照幅度，电压，电流，时间等等状态量。
将上述的温度，光照幅度，电压，电流，时间等等状态量x1(k),x2(k),...,xn(k)，进行向量表示，连结成矩阵作为输入attention编码器。通过encoder层得到每个时间间隔内的各个状态量内部的联系。
通过下式训练得到每个状态量内部的动态相关性，为获得状态量的权值服务：
Figure BDA0002942372680000073
其中，
Figure BDA0002942372680000089
目标序列和其他局部特征的动态相关性。ht-1,st-1为输入的局部特征和encoder层的历史状态，vl，bl∈RT，wl∈RT×2m，Ul∈RT×T，vl为均值权重值，bl为每个状态向量的偏置，Wl为均值权重矩阵，Ul为状态量线性化矩阵，T是T个时间步，m为状态量数(温度，光照幅度，电压，电流，时间)，xi,k为k时刻的状态量。
根据下式训练而获得每个状态量内部各状态值的权重值：
Figure BDA0002942372680000081
其中，
Figure BDA0002942372680000082
为attention局部特征的权重，
Figure BDA0002942372680000083
为目标序列和其他局部特征的动态相关性。
由上式可以得到t时刻的输出向量：
Figure BDA0002942372680000084
其中，
Figure BDA0002942372680000085
为attention局部特征的权重，xi,k为k时刻的状态量。
将xt为decoder层的新输入，得到：
ht＝fe(ht-1,xt) (5)
用公式(5)来更新t时刻的隐藏层，fe在LSTM隐藏层单元中。ht-1输入的局部特征，xt为decoder层的新输入量。
当我们获得未来时刻t'的环境信息，就可以把它和外部抽取特征ext'和encoder层最后一个输入
Figure BDA0002942372680000086
结合来更新decoder层的隐藏层，公式如下：
Figure BDA0002942372680000087
其中，fd是在decoder层的LSTM隐藏层单元。dt'-1为前一时刻的隐藏层状态，ext'为外部抽取特征，
Figure BDA0002942372680000088
为encoder层最后一个输入,ct'为先前的环境变量。
把先前的环境变量ct′和现在的隐藏层状态结合起来dt′，作为新的隐藏层状态来做最终的预测：
Figure BDA0002942372680000091
Figure BDA0002942372680000092
Wm，bm，by′是学习到的参数值，现在的隐藏层状态dt′，先前的环境变量ct′。
计算LSTM层的遗忘门输入：
ft＝σ(Wf·[ht-1，xt]+bf) (8)
ft是遗忘门函数，ht-1表示上一层cell的输出，xt表示当前细胞的输入，s表示sigmod激活函数，bf遗忘门的偏置项，Wf遗忘门输入权重值，主要是为了忘记信息，从长期状态中丢弃某些信息。
按下式控制决定信息输入：
it＝σ(Wi·[ht-1，xt]+bi) (9)
其中，it为输入门，ht-1表示上一层cell的输出，dt表示当前细胞的输入，bi为输入层偏置项，Wi输入权重值。控制信息输入即控制哪些元素被更新，将新的信息加入到长期状态中。
根据上次输出和本次输入计算当前输入的单元状态Ct，
Figure BDA0002942372680000093
Figure BDA0002942372680000094
Figure BDA0002942372680000095
为当前时刻的单元状态，ht-1表示上一层cell的输出，xt表示当前细胞的输入，bc偏置项，Wc输出单元状态权重值，ft为遗忘门输入，Ct-1为前一时刻单元状态输入，it为输入门输入。
将上一次的单元状态ct-1按元素乘以遗忘门ft，再将当前输入的单元状态ct乘以输入门it，之后将两个积相加，这样就可以将当前的ct和长期的记忆ct-1组合在一起，形成新的单元状态ct。因此，既可以保存很久的信息也可以避免当前无关紧要的内容进入记忆。
按下式决定输出信号：
ot＝σWo[ht-1，xt]+b0 (12)
ot为细胞状态，b0为输出门偏置项，Wo输出门权重值，xt为输入状态量。
先运行在一个sigmoid层来确定细胞状态的哪个部分将输出出去。ht＝ot*tanh(Ct)，之后将细胞状态通过tanh函数进行处理，得到一个在-1和1之间的值，并且将它与sigmoid门的输出相乘，最后得到确定输出的部分。
最后按下式得到输出值：
Figure BDA0002942372680000101
其中，wf,wc,wo分别为LSTM输入层，隐藏层，输出层之间的权重，bf，bc，bo为LSTM输入层，隐藏层，输出层之间的偏置项；Ht为Ht(h1,h2,...hs)为s个LSTM细胞在t时刻的输出状态。
为了使本发明的目的、技术方案及优点更加清楚明白下面结合以下实例，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例仅仅用来解释本发明，并不限定本发明。
设计模拟实验，获得Attention机制和LSTM神经网络的初始训练样本，具体为xc＝{时间，输入电流，输出电流，输入电压，占空比，功率，光照度，温度}，之后按照步骤S1进行数据预处理，形成神经网络模型的初始训练样本。
将数据集分成测试集和训练级进行Attention机制和LSTM神经网络模型的训练，选用7个因子作为输入特征，设置了两层LSTM层来进行拟合训练，第一层LSTM层设置神经元个数为128，第二层神经网个数为64，步长设置为10。这是为了让数据流体量减小，减少冗余数据的干扰，也是尽量压缩数据，防止数据的成倍递增。
通过Attention机制中，编码层和解码层通过公式进行数据处理和权值加权。可以得到如附图4中的权值分布和数据量处理。
将经过两次LSTM隐藏层和Attention层进行特征加权的数据量和新的当前输入合并进入输出层，输入到全连接层中进行数据拟合预测最终得到预测值如图3。得到如图5所示的测试集训练图。训练集和测试集的损失值如图6迅速减小。
误差指标采用(平均绝对误差)MAE、(均方根误差)RMSE、平均绝对百分比误差MAPE,公式如下：
Figure BDA0002942372680000111
Figure BDA0002942372680000112
Figure BDA0002942372680000113
m是预测次数，h(xi)为预测值，yi为实际值。
训练集通过训练得出MAE＝0.08615915812031424，RMSE＝0.11074737978932676，
MAPE＝0.018160941526342185。与P&O法比较如图7、图8，本方法能够更快的追踪到最大功率点，而且最大功率值输出无误。可以得出，在0.0156秒时本方法已经跟踪到MPP点，而到0.02685秒时P&O跟踪到最大点，速度提升47.89％。
通过Attention机制和LSTM神经网络的模型能很好的跟踪到光伏电池的最大功率点，与常规的最大功率点跟踪算法相比，具有更精准和减少切换步长的优点。
实施例二：
本实施例提供一种光伏电池最大功率点跟踪装置，所述装置包括：
数据采集模块：用于令光伏电池板进入运行状态，采集状态数据，进行数据预处理，获得预处理后的数据；
功率预测模块：用于将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板的实际功率值Py；
突变判断模块：用于将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变；
占空比调整模块：用于根据所述预测功率值和实际功率值调整占空比值；
功率输出模块：用于根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；
模型训练模块：用于通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型。
本实施例将注意力机制和LSTM循环神经网络相结合，减少了在长序列时间数据时导致数据丢失的情况；
实施例三：
本实施例提供一种光伏电池最大功率点跟踪装置，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤，从而达到能够快速收敛最大功率跟踪，将注意力机制和LSTM循环神经网络相结合，减少了在长序列时间数据时导致数据丢失的情况；与传统的MPPT方法相比，此方法解决了会在最大功率点附件震荡的问题，并且根据神经网络预测减少了之前大步长改变占空比的步骤，解决了频繁变步长导致的功率损失问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种光伏电池最大功率点跟踪方法，其特征在于，包括以下步骤：
步骤A：令光伏电池板进入运行状态，采集状态数据，进行数据预处理，获得预处理后的数据；
步骤B：将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板的实际功率值Py；
步骤C：将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变；若环境突变，则跳转步骤F；若环境未突变，则跳转步骤D；
步骤D：根据所述预测功率值和实际功率值调整占空比值；
步骤E：根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；
步骤F：环境突变，通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型，并跳转步骤B。
2.根据权利要求1所述的光伏电池最大功率点跟踪方法，其特征在于，所述状态数据包括温度、光照幅度、电压、电流、功率、时间；所述数据预处理包括：去除状态数据中的异常数据，通过相邻数据记录平均值代替异常数据。
3.根据权利要求1所述的光伏电池最大功率点跟踪方法，其特征在于，所述注意力机制和循环神经网络模型包括两个LSTM层，Attention层和全连接层；输入状态量从输入层开始，经过两层LSTM层输出处理后得向量给Attention层，Attention层依据当前输入向量计算出权重值，然后将权值与当前输入向量合并得到新的向量，输入到全连接层中得到预测值。
4.根据权利要求3所述的光伏电池最大功率点跟踪方法，其特征在于，所述注意力机制和循环神经网络模型的构建方法包括以下步骤：
建立输入层；
建立LSTM层；
建立Attention层；
进入Attention编码器，将所述历史数据进行向量表示，连结成矩阵作为输入；通过encoder层得到每个时间间隔内的各个状态量内部的联系；
建立输出层。
5.根据权利要求1所述的光伏电池最大功率点跟踪方法，其特征在于，所述注意力机制和循环神经网络模型的训练方法包括以下步骤：
输入历史数据集x(k)＝(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练，x(k)为第k个输入样本，x1(k),x2(k),...,xn(k)分别为该样本的状态量，所述状态量包括温度，光照幅度，电压，电流和时间；
将状态量x1(k),x2(k),...,xn(k)，进行向量表示，连结成矩阵作为输入；
通过encoder层得到每个时间间隔内的各个状态量内部的联系，得到每个状态量内部的动态相关性和每个状态量内部各状态值的权重值。
6.根据权利要求5所述的光伏电池最大功率点跟踪方法，其特征在于，所述输入历史数据集x(k)＝(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练的方法具体包括：
将历史数据集分成测试集和训练级进行Attention机制和LSTM神经网络模型的训练，选用7个因子作为输入特征，设置了两层LSTM层来进行拟合训练，第一层LSTM层设置神经元个数为128，第二层神经网个数为64，步长设置为10。
7.根据权利要求1所述的光伏电池最大功率点跟踪方法，其特征在于，所述将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变的方法包括以下步骤：
计算|Py-Pm|的大小，若|Py-Pm|<e，则环境未突变；若|Py-Pm|>e，则环境突变，e为功率阈值。
8.根据权利要求1所述的光伏电池最大功率点跟踪方法，其特征在于，所述根据所述预测功率值和实际功率值调整占空比值的方法包括：根据下式调节占空比：
Figure FDA0002942372670000021
e为功率阈值,D(k)为k时刻变换器占空比，N为调整步长的速度因子，
Figure FDA0002942372670000031
为功率差值和电压差值的比值的绝对值，速度因子满足
Figure FDA0002942372670000032
ΔDMAX为最大占空比扰动步长值。
9.一种光伏电池最大功率点跟踪装置，其特征在于，所述装置包括：
数据采集模块：用于令光伏电池板进入运行状态，采集状态数据，进行数据预处理，获得预处理后的数据；
功率预测模块：用于将所述预处理后的数据输入注意力机制和循环神经网络模型，得出所述光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm，调节光伏电池板的输出电压Uy，使Uy＝Um,检测光伏电池板的实际功率值Py；
突变判断模块：用于将预测功率值Pm和实际功率值Py进行比较，判断是否出现环境条件突变；
占空比调整模块：用于根据所述预测功率值和实际功率值调整占空比值；
功率输出模块：用于根据所述占空比值，调节逆变器使之输出最大功率值，同时输出此时的占空比值和最大功率值；
模型训练模块：用于通过历史数据对注意力机制和循环神经网络模型进行训练，获得重新训练好的注意力机制和循环神经网络模型。
10.一种光伏电池最大功率点跟踪装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的步骤。
CN202110181915.7A 2021-02-08 2021-02-08 一种光伏电池最大功率点跟踪方法及装置 Active CN112947672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110181915.7A CN112947672B (zh) 2021-02-08 2021-02-08 一种光伏电池最大功率点跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181915.7A CN112947672B (zh) 2021-02-08 2021-02-08 一种光伏电池最大功率点跟踪方法及装置

Publications (2)

Publication Number Publication Date
CN112947672A true CN112947672A (zh) 2021-06-11
CN112947672B CN112947672B (zh) 2022-09-02

Family

ID=76245249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181915.7A Active CN112947672B (zh) 2021-02-08 2021-02-08 一种光伏电池最大功率点跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN112947672B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419566A (zh) * 2021-07-02 2021-09-21 阳光电源股份有限公司 一种光伏组件跟踪角度的调节方法及系统
CN114818817A (zh) * 2022-05-06 2022-07-29 国网四川省电力公司电力科学研究院 一种电容式电压互感器微弱故障识别系统及方法
CN115185334A (zh) * 2022-08-04 2022-10-14 嘉兴学院 一种基于gru神经网络的光伏mppt方法
TWI810750B (zh) * 2021-12-20 2023-08-01 國立成功大學 太陽能發電預測方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106055019A (zh) * 2016-07-15 2016-10-26 苏州科技大学 基于在线软测量模型的最大功率点跟踪的光伏发电系统
CN109634350A (zh) * 2019-01-31 2019-04-16 福州大学 一种基于神经网络来调整占空比实现最大功率跟踪的方法
CN109886492A (zh) * 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106055019A (zh) * 2016-07-15 2016-10-26 苏州科技大学 基于在线软测量模型的最大功率点跟踪的光伏发电系统
CN109634350A (zh) * 2019-01-31 2019-04-16 福州大学 一种基于神经网络来调整占空比实现最大功率跟踪的方法
CN109886492A (zh) * 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419566A (zh) * 2021-07-02 2021-09-21 阳光电源股份有限公司 一种光伏组件跟踪角度的调节方法及系统
TWI810750B (zh) * 2021-12-20 2023-08-01 國立成功大學 太陽能發電預測方法
CN114818817A (zh) * 2022-05-06 2022-07-29 国网四川省电力公司电力科学研究院 一种电容式电压互感器微弱故障识别系统及方法
CN115185334A (zh) * 2022-08-04 2022-10-14 嘉兴学院 一种基于gru神经网络的光伏mppt方法

Also Published As

Publication number Publication date
CN112947672B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN112947672B (zh) 一种光伏电池最大功率点跟踪方法及装置
CN112733462B (zh) 一种结合气象因素的超短期风电场功率预测方法
CN112310980B (zh) 交直流混联电网直流闭锁频率安全稳定评估方法及系统
Goudarzi et al. Intelligent analysis of wind turbine power curve models
Li et al. Short-term power generation forecasting of a photovoltaic plant based on PSO-BP and GA-BP neural networks
Wen et al. Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework
CN116245033A (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN111049159B (zh) 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法
CN112821424A (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
Belmokhtar et al. Dynamic model of an alkaline electrolyzer based an artificial neural networks
CN116341717A (zh) 一种基于误差补偿的风速预测方法
Xu et al. Short-term wind speed prediction based on GRU
Zakri et al. ANFIS Design Based on Prediction Models for The Photovoltaic System
Pa et al. An adaptive neuro-fuzzy model-based algorithm for fault detection in PV systems
Karimi et al. Controlling of proton exchange membrane fuel cell by model predictive controller based on Anfis model
Sun et al. Voltage monitoring based on ANN-aided nonlinear stability analysis for DC microgrids
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Zhang et al. Wind Speed Prediction with LSTM and BPNN Method
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
Li et al. Short-term wind power prediction method based on genetic algorithm optimized xgboost regression model
Ge et al. An Improved Distributed Maximum Power Point Tracking Technique in Photovoltaic Systems Based on Reinforcement Learning Algorithm
Yang et al. Offshore Wind Power Prediction Based on Variational Mode Decomposition and Long Short Term Memory Networks
Padhan et al. Power forecasting with minimal loss using lstm and pv model
Guillén-Asensio et al. Battery state prediction in photovoltaic standalone installations
Liu et al. Minimum Frequency Prediction Model of Power Systems Based on Physical-data Driven

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