CN113191108A - 一种光伏组件等效电路模型参数高效辨识方法 - Google Patents

一种光伏组件等效电路模型参数高效辨识方法 Download PDF

Info

Publication number
CN113191108A
CN113191108A CN202110426017.3A CN202110426017A CN113191108A CN 113191108 A CN113191108 A CN 113191108A CN 202110426017 A CN202110426017 A CN 202110426017A CN 113191108 A CN113191108 A CN 113191108A
Authority
CN
China
Prior art keywords
universe
expansion rate
photovoltaic module
probability
cosmic
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.)
Pending
Application number
CN202110426017.3A
Other languages
English (en)
Inventor
党建
夏超浩
贾嵘
王高明
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110426017.3A priority Critical patent/CN113191108A/zh
Publication of CN113191108A publication Critical patent/CN113191108A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种光伏组件等效电路模型参数高效辨识方法，基于增强型动态精英多元宇宙算法，通过修正虫洞存在概率WEP的参数调整策略来增大种群的开发能力，引入了依靠当前种群质量调整旅行距离率TDR的参数调整策略以避免搜索陷入局部最优，采用了基于动态精英策略的旅行以提高每个宇宙旅行成功的概率，始终可以在最少计算量下快速、准确、稳定的求解出模型参数。建立精确的光伏组件数学模型，准确评估系统的输出特性，对系统性能评估、故障分析及指导运维检修意义重大。

Description

一种光伏组件等效电路模型参数高效辨识方法
技术领域
本发明属于电力设备运维检修技术领域，具体涉及一种光伏组件等效电路模型参数高效辨识方法。
背景技术
近年来,光伏发电在电力供应中得到了广泛的应用,发电规模越来越大,对系统的技术性能也提出了更高的要求。准确的建立光伏发电系统模型,并确定模型参数,对于光伏发电系统的性能评估、发电效率计算和最大功率点跟踪等具有重要的理论与现实意义。目前，研究者已经研究并且开发出了多种太阳能电池的等效电路模型，其中应用最为广泛的是单二极管模型。描述光伏组件模型的主要参数一般包括：光生电流、二极管反向饱和电流、二极管理想品质因素以及等效串并联电阻。这些模型参数不仅仅只影响太阳能电池模型的精度，而且还直观反映各种因素对太阳能电池运行情况的，通过对模型参数的进一步研究，还可分析太阳能电池发生故障的起因，因此，基于实测数据有效辨识光伏组件模型参数对光伏发电运维意义重大。
为确定这些未知的模型参数，目前研究者们使用了很多求取方法，这些求取方法可分为解析法、确定性法以及元启发式算法三大类。解析法是基于关键点数据来提取参数，虽然简单易实现，但是这种方法过于依赖关键数据的准确性，此外，求解之前需要做一些假设，这会导致求取结果精度降低；确定性法是一种曲线拟合技术，如牛顿拉夫逊法、迭代法、LambertW函数法等。这种方法虽然有较好的局部搜索能力，但是其求解往往具有决策空间凸性和可微性等计算要求，并且对初值高度敏感，当应用于多维度的参数提取时，陷入局部最优的风险很大。元启发式算法本质上和确定性法属于一类，两者都是基于优化的曲线拟合，但是元启发式算法不需要特定的计算条件，求取环境灵活，并且其概念和计算结构较为简单容易实现，因此随着计算机科学的发展，元启发式算法已成为解决PV参数辨识问题的主流方法，如教学优化算法、粒子群算法、鲸鱼群算法、萤火虫算法、人工蜂群算法、无性繁殖算法、猫群优化算法、差分进化算法等。尽管元启发式算法可以获得相对优越的结果，但其求解结果精度还有待提高，同时也存在性能慢、求解不稳定、收敛不成熟等缺点。
发明内容
本发明的目的是提供一种光伏组件等效电路模型参数高效辨识方法，采用基于动态精英策略的旅行方法有效的改善宇宙质量，能够提高光伏组件等效电路模型参数高效辨识计算效率和精度。
本发明所采用的技术方案是，一种光伏组件等效电路模型参数高效辨识方法，具体按照以下步骤实施：
步骤1、利用传感器来获取多组光伏组件等效电路原始信号x(t)；
步骤2、建立基于多元宇宙算法光伏组件数学模型，设定数学模型中的算法参数初始值，并对种群进行初始化，得到初始种群；
步骤3、计算出初始种群中各宇宙的膨胀率，并对膨胀率进行标准化；
步骤4、根据标准化后的膨胀率大小对宇宙进行排序，并通过轮盘赌选择出白洞，并将白洞的物体作为较优宇宙；
步骤5、根据较优宇宙的膨胀率自适应调整旅行距离率；
步骤6、根据当前种群迭代情况自适应更新虫洞存在的概率；
步骤7、根据动态旅行策略更新每个宇宙的位置；
步骤8、更新宇宙膨胀率，并将较优膨胀率的宇宙保留下来；
步骤9、判断迭代是否达到最大次数，若未达到则返回步骤3，否则输出当前保留下来的较优膨胀率的宇宙以及膨胀率值，作为光伏组件等效电路模型参数。
步骤1原始信号x(t)包括通过电压传感器采集的电压、电流传感器采集的电流。
步骤2数学模型中的算法参数包括种群个数、最大迭代次数、问题维数、上下限约束条件Umax和Umin、虫洞存在概率WEP、旅行距离以及初始膨胀率。
步骤3计算出初始种群中各宇宙的膨胀率公式如下：
Figure BDA0003029578740000031
式中，N是原始信号的组数，I为电流传感器采集的电流，V为电压传感器采集的电压，X为待求取的模型参数。
步骤5具体过程为：通过更新策略公式更新旅行距离率，更新策略公式为：
Figure BDA0003029578740000032
其中，TDR表示旅行距离率，t表示迭代次数，p表示迭代的精度。
步骤6具体过程为：根据虫洞存在的概率更新公式更新虫洞存在的概率，虫洞存在的概率更新公式为：
Figure BDA0003029578740000033
其中，tmax表示最大迭代次数，WEPmin表示虫洞存在的概率最小值，WEPmax表示虫洞存在的概率最小值，P为迭代的精度。
步骤7具体过程为：
步骤7.1、较优宇宙中每个宇宙个体产生一个随机参数，比较该随机参数与虫洞存在的概率的大小；
步骤7.2、若该随机参数不大于虫洞存在的概率，则输出根据旅行距离率、虫洞存在的概率确定的宇宙位置；
否则，通过如下公式更新宇宙位置；
Figure BDA0003029578740000041
式中，xi,t为第t次迭代旅行后的宇宙，
Figure BDA0003029578740000042
为xtop精英种群中的任意不等宇宙，r3、r4为[0,1]之间的随机数。
步骤8中更新宇宙膨胀率，
根据宇宙的膨胀率公式更新宇宙膨胀率，比较更新后的宇宙膨胀率与原宇宙膨胀率大小，保留较小的宇宙膨胀率对应的宇宙，作为最佳宇宙。
本发明的有益效果是：
本发明一种光伏组件等效电路模型参数高效辨识方法，提出的基于增强型动态精英多元宇宙算法的光伏组件等效电路模型参数辨识算法，通过修正虫洞存在概率和引入了依靠当前种群质量调整旅行距离率的参数调整策略来增大种群开发能力，避免陷入局部最优，还采用了基于动态精英策略的旅行方法有效改善了所有宇宙的质量，始终能够在最少计算量下快速、准确、稳定的求解出模型参数，对不同工况下的光伏发电系统建模及高效运维奠定了基础。
附图说明
图1为本发明一种光伏组件等效电路模型参数高效辨识方法流程图；
图2为实施例中采用本发明的方法获得数据与实测数据的I-V特性曲线对比图；
图3为实施例中采用本发明的方法获得数据与实测数据的I-V特性曲线对比图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
本发明一种光伏组件等效电路模型参数高效辨识方法，如图1所示，具体按照以下步骤实施：
步骤1、利用传感器来获取多组光伏组件等效电路原始信号x(t)；
步骤1原始信号x(t)包括通过电压传感器采集的电压、电流传感器采集的电流。
步骤2、建立基于多元宇宙算法光伏组件数学模型，设定数学模型中的算法参数初始值，并对种群进行初始化，得到初始种群；
步骤2数学模型中的算法参数包括种群个数、最大迭代次数、问题维数、上下限约束条件Umax和Umin、虫洞存在概率WEP、旅行距离以及初始膨胀率。
步骤3、计算出初始种群中各宇宙的膨胀率，并对膨胀率进行标准化；
步骤3计算出初始种群中各宇宙的膨胀率公式如下：
Figure BDA0003029578740000051
式中，N是原始信号的组数，I为电流传感器采集的电流，V为电压传感器采集的电压，X为待求取的模型参数。
步骤4、根据标准化后的膨胀率大小对宇宙进行排序，并通过轮盘赌选择出白洞，并将白洞的物体作为较优宇宙；
步骤5、根据较优宇宙的膨胀率自适应调整旅行距离率；
步骤5具体过程为：通过更新策略公式更新旅行距离率，更新策略公式为：
Figure BDA0003029578740000061
其中，TDR表示旅行距离率，t表示迭代次数，p表示迭代的精度。
步骤6、根据当前种群迭代情况自适应更新虫洞存在的概率；
步骤6具体过程为：根据虫洞存在的概率更新公式更新虫洞存在的概率，虫洞存在的概率更新公式为：
Figure BDA0003029578740000062
其中，tmax表示最大迭代次数，WEPmin表示虫洞存在的概率最小值，WEPmax表示虫洞存在的概率最小值，P为迭代的精度。
步骤7、根据动态旅行策略更新每个宇宙的位置；
步骤7具体过程为：
步骤7.1、较优宇宙中每个宇宙个体产生一个随机参数，比较该随机参数与虫洞存在的概率的大小；
步骤7.2、若该随机参数不大于虫洞存在的概率，则输出根据旅行距离率、虫洞存在的概率确定的宇宙位置；
否则，通过如下公式更新宇宙位置；
Figure BDA0003029578740000071
式中，xi,t为第t次迭代旅行后的宇宙，
Figure BDA0003029578740000072
为xtop精英种群中的任意不等宇宙，r3、r4为[0,1]之间的随机数。
步骤8、更新宇宙膨胀率，并将较优膨胀率的宇宙保留下来；
步骤8中更新宇宙膨胀率，
根据宇宙的膨胀率公式更新宇宙膨胀率，比较更新后的宇宙膨胀率与原宇宙膨胀率大小，保留较小的宇宙膨胀率对应的宇宙，作为最佳宇宙。
步骤9、判断迭代是否达到最大次数，若未达到则返回步骤3，否则输出当前保留下来的较优膨胀率的宇宙以及膨胀率值，作为光伏组件等效电路模型参数。
实施例
下面以Photowatt-PWP201多晶硅组件为例(同时也适用于其他组件)。组件由36串电池片串联构成，测量温度为45℃，测量光照强度为1000W/m2。
首先利用电压、电流传感器采集电压、电流波形作为原始信号x(t)。建立光伏组件数学模型，最大迭代次数为3000次，种群大小为50，设定出参数的边界约束条件，并且对种群进行初始化。以优化均方根误差值最小为目的，计算出初始种群中各宇宙的膨胀率，并进行标准化，根据计算出膨胀率的好坏对宇宙进行排序，并通过轮盘赌选择出白洞，再将白洞的物体交换到当前宇宙。根据宇宙膨胀率值自适应，利用速度因子和聚合度因子，可得到宇宙在第t次迭代时的旅行率TDR，根据当前种群迭代情况自适应的更新虫洞存在的概率。由所设定的判断条件来决定每个宇宙动态旅行是正旅行还是负旅行。再更新当前种群中宇宙的膨胀率，并将较优膨胀率的宇宙保留下来。当达到最大迭代次数时，输出较优膨胀率的宇宙以及膨胀率值RMSE。
为了更直观验证本发明辨识结果的准确性，将较优膨胀率的宇宙输入光伏组件数学模型，获得模拟数据，图2和图3分别给出了采用本发明的方法模拟数据(model cueve)和实测数据(experimental date)的I-V、P-V特性曲线，根据图2、图3中曲线对比很明显的看出实测数据与辨识数据吻合度良好。电流I的最大误差为2.5E-03,功率P的最大误差为1.4E-04，这也间接说明本发明方法正确地保证模拟参数的准确性。
通过上述方式，本发明一种光伏组件等效电路模型参数高效辨识方法，提供了一种面向光伏发电运维的组件模型参数辨识方法，该方法基于增强型动态精英多元宇宙算法，通过修正虫洞存在概率WEP的参数调整策略来增大种群的开发能力，引入了依靠当前种群质量调整旅行距离率TDR的参数调整策略以避免搜索陷入局部最优，采用了基于动态精英策略的旅行以提高每个宇宙旅行成功的概率，始终可以在最少计算量下快速、准确、稳定的求解出模型参数。建立精确的光伏组件数学模型，准确评估系统的输出特性，对系统性能评估、故障分析及指导运维检修意义重大。

Claims (8)

1.一种光伏组件等效电路模型参数高效辨识方法，其特征在于，具体按照以下步骤实施：
步骤1、利用传感器来获取多组光伏组件等效电路原始信号x(t)；
步骤2、建立基于多元宇宙算法光伏组件数学模型，设定数学模型中的算法参数初始值，并对种群进行初始化，得到初始种群；
步骤3、计算出初始种群中各宇宙的膨胀率，并对膨胀率进行标准化；
步骤4、根据标准化后的膨胀率大小对宇宙进行排序，并通过轮盘赌选择出白洞，并将白洞的物体作为较优宇宙；
步骤5、根据较优宇宙的膨胀率自适应调整旅行距离率；
步骤6、根据当前种群迭代情况自适应更新虫洞存在的概率；
步骤7、根据动态旅行策略更新每个宇宙的位置；
步骤8、更新宇宙膨胀率，并将较优膨胀率的宇宙保留下来；
步骤9、判断迭代是否达到最大次数，若未达到则返回步骤3，否则输出当前保留下来的较优膨胀率的宇宙以及膨胀率值，作为光伏组件等效电路模型参数。
2.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤1所述原始信号x(t)包括通过电压传感器采集的电压、电流传感器采集的电流。
3.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤2所述数学模型中的算法参数包括种群个数、最大迭代次数、问题维数、上下限约束条件Umax和Umin、虫洞存在概率WEP、旅行距离以及初始膨胀率。
4.根据权利要求2所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤3所述计算出初始种群中各宇宙的膨胀率公式如下：
Figure FDA0003029578730000021
式中，N是原始信号的组数，I为电流传感器采集的电流，V为电压传感器采集的电压，X为待求取的模型参数。
5.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤5具体过程为：通过更新策略公式更新旅行距离率，更新策略公式为：
Figure FDA0003029578730000022
其中，TDR表示旅行距离率，t表示迭代次数，p表示迭代的精度。
6.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤6具体过程为：根据虫洞存在的概率更新公式更新虫洞存在的概率，虫洞存在的概率更新公式为：
Figure FDA0003029578730000023
其中，tmax表示最大迭代次数，WEPmin表示虫洞存在的概率最小值，WEPmax表示虫洞存在的概率最小值，P为迭代的精度。
7.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤7具体过程为：
步骤7.1、较优宇宙中每个宇宙个体产生一个随机参数，比较该随机参数与虫洞存在的概率的大小；
步骤7.2、若该随机参数不大于虫洞存在的概率，则输出根据旅行距离率、虫洞存在的概率确定的宇宙位置；
否则，通过如下公式更新宇宙位置；
Figure FDA0003029578730000031
式中，xi,t为第t次迭代旅行后的宇宙，
Figure FDA0003029578730000032
为xtop精英种群中的任意不等宇宙，r3、r4为[0,1]之间的随机数。
8.根据权利要求1所述一种光伏组件等效电路模型参数高效辨识方法，其特征在于，步骤8中更新宇宙膨胀率，
根据宇宙的膨胀率公式更新宇宙膨胀率，比较更新后的宇宙膨胀率与原宇宙膨胀率大小，保留较小的宇宙膨胀率对应的宇宙，作为最佳宇宙。
CN202110426017.3A 2021-04-20 2021-04-20 一种光伏组件等效电路模型参数高效辨识方法 Pending CN113191108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426017.3A CN113191108A (zh) 2021-04-20 2021-04-20 一种光伏组件等效电路模型参数高效辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426017.3A CN113191108A (zh) 2021-04-20 2021-04-20 一种光伏组件等效电路模型参数高效辨识方法

Publications (1)

Publication Number Publication Date
CN113191108A true CN113191108A (zh) 2021-07-30

Family

ID=76977634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426017.3A Pending CN113191108A (zh) 2021-04-20 2021-04-20 一种光伏组件等效电路模型参数高效辨识方法

Country Status (1)

Country Link
CN (1) CN113191108A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232794A1 (en) * 2017-02-14 2018-08-16 Idea Labs Inc. Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same
CN109543846A (zh) * 2018-10-25 2019-03-29 安徽理工大学 一种基于mvo改进的dbscan矿井突水光谱识别方法
CN110533096A (zh) * 2019-08-27 2019-12-03 大连大学 基于K-means聚类的多元宇宙算法的DNA存储编码优化方法
CN111079290A (zh) * 2019-12-17 2020-04-28 中国人民解放军海军航空大学 一种基于改进多元宇宙算法的发动机模型修正方法
AU2020101065A4 (en) * 2020-06-19 2020-07-23 Hubei University Of Technology Method for scheduling UAVs based on chaotic adaptive firefly algorithm

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180232794A1 (en) * 2017-02-14 2018-08-16 Idea Labs Inc. Method for collaboratively filtering information to predict preference given to item by user of the item and computing device using the same
CN109543846A (zh) * 2018-10-25 2019-03-29 安徽理工大学 一种基于mvo改进的dbscan矿井突水光谱识别方法
CN110533096A (zh) * 2019-08-27 2019-12-03 大连大学 基于K-means聚类的多元宇宙算法的DNA存储编码优化方法
CN111079290A (zh) * 2019-12-17 2020-04-28 中国人民解放军海军航空大学 一种基于改进多元宇宙算法的发动机模型修正方法
AU2020101065A4 (en) * 2020-06-19 2020-07-23 Hubei University Of Technology Method for scheduling UAVs based on chaotic adaptive firefly algorithm

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANG, JJ等: "Parameters identification of photovoltaic models using an improved JAYA optimization algorithm", 《ENERGY CONVERSION AND MANAGEMENT》 *
聂颖等: "多元宇宙优化算法改进SVM参数", 《辽宁工程技术大学学报(自然科学版)》 *
赵世杰等: "耦合横纵向个体更新策略的改进MVO算法", 《控制与决策》 *

Similar Documents

Publication Publication Date Title
CN105160444B (zh) 电力设备故障率确定方法及系统
CN106532688B (zh) 一种用于评估微电网运行可靠性的方法及系统
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
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
CN110287540B (zh) 一种基于精英群众差分进化算法的光伏电池参数辨识方法
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN110460038A (zh) 一种涉及新能源并网的多场景输电网扩展规划方法
CN110070227A (zh) 一种适于并网光伏发电的迁移神经网络功率预测方法
CN111259550B (zh) 基于网格搜索和改进nm单纯形算法的光伏模型更新方法
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
Udoka et al. The differences between single diode model and double diode models of a solar photovoltaic cells: systematic review
CN117540638A (zh) 一种光伏电站等值建模方法、介质及系统
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
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
Sun et al. Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman
CN113191108A (zh) 一种光伏组件等效电路模型参数高效辨识方法
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN116485004A (zh) 一种基于功率热图和卷积神经网络的风电功率预测方法
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN111177973B (zh) 一种基于强化学习的光伏阵列在线建模方法
Yu et al. A modified particle swarm optimization for parameters identification of photovoltaic models
CN113221465B (zh) 一种面向光伏发电运维的组件模型参数辨识方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210730