CN113191682B - 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 - Google Patents
一种适用于电动汽车移动充电设备充电的多能源分配管理方法 Download PDFInfo
- Publication number
- CN113191682B CN113191682B CN202110562332.9A CN202110562332A CN113191682B CN 113191682 B CN113191682 B CN 113191682B CN 202110562332 A CN202110562332 A CN 202110562332A CN 113191682 B CN113191682 B CN 113191682B
- Authority
- CN
- China
- Prior art keywords
- charging
- current
- ref
- photovoltaic
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/63—Monitoring or controlling charging stations in response to network capacity
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Abstract
本发明公开了一种适用于电动汽车移动充电设备充电的多能源分配管理方法,包括以下步骤:测量实际光伏电路的参数,建立光伏发电等效数学模型,对于不断变化的光照强度以及温度,等效数学模型输出相应预期的发电功率数据;基于用户使用需求,将设备的电量在一定时间内提升至满足用户充电需求的最低电量,建立目标函数;利用蚁群算法对于目标函数进行优化求解;多组数据输入蚁群算法求得相应情况下的最优能源分配情况;将训练好的神经网络写入系统,实时测量实际与预估值的偏差,并根据具体情况定期对系统进行训练修正。本发明计算出当前最适宜的运行策略,可缓解电网因新能源汽车充电所带来的供电压力,以达到能源利用的最大化。
Description
技术领域
本发明涉及移动充电设备技术领域,具体涉及一种适用于电动汽车移动充电设备充电的多能源分配管理方法。
背景技术
目前,市面上的分布式太阳能充电站多数是提供用户自身需求使用,在发电盈余的情况下采用手动切换的方式使整个系统进行并网运行,将多余的用电出售给市电。这种切换的方式繁琐且速度慢,多数无法满足即时性的使用需求。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种适用于电动汽车移动充电设备充电的多能源分配管理方法,该方法在满足自身用电需求的同时也能根据电网供电压力实时调整能源方案,基于多角度分析,建立相应的数学理论模型,运用神经网络与蚁群算法相结合的算法,计算出当前最适宜的运行策略,可缓解电网因新能源汽车充电所带来的供电压力,以达到能源利用的最大化。
为实现上述目的,本发明提供了如下技术方案:一种适用于电动汽车移动充电设备充电的多能源分配管理方法,包括以下步骤:
(1)测量实际光伏电路的参数,建立光伏发电等效数学模型,对于不断变化的光照强度以及温度,等效数学模型输出相应预期的发电功率数据;
(2)基于用户使用需求,将设备的电量在一定时间内提升至满足用户充电需求的最低电量,建立目标函数;
(3)利用蚁群算法对于目标函数进行优化求解,设置能源成本为蚁群算法的启发函数,以n小时为时间间隔点,输入n小时内的光照变化预测、n小时内的温度变化、n小时内的电价变化和n小时区间内用户的使用需求,以能源成本最低为优化目标进行求解,得到的优化解为光伏电网与公共电网的运行模式以及变动时间;
(4)多组数据输入蚁群算法求得相应情况下的最优能源分配情况,使用多重神经元模型,以满足求解复杂问题的分析学习;数据结果作为神经网络算法训练素材,供神经网络模型学习迭代;将自学习的结果与上一步求得的最优解进行误差对比,将误差反向传递到隐含层,对权值与偏值进行修正;在权值与偏值的迭代过程中,神经网络的函数会逐步拟合整体的变化规律;
(5)将训练好的神经网络写入系统,在系统运行的同时,实时测量实际与预估值的偏差,并根据具体情况定期对系统进行一定的训练修正。
作为优选的,光伏发电等效数学模型包括光伏电池等效电路,该光伏电池等效电路如下:
I=Iph-ID-Ish
VD=V+IRs
在短路点,V=0,I=Isc代入
在开路点,I=0,V=Voc代入
在MPPT点,I=Im,V=Vm代入
电压电流随时间的变化情况
上式中,q是电子电荷量1.6×10-19C;I0为等效电路二极管反向饱和电流;VD、ID是等效二极管两端的电压与电流,V、I是PV等效输出电压与电流;T是光伏电池温度;k为波尔兹曼常量,该值为1.38×10-23J·K-1;RS为串联电阻,Rsh为旁漏电阻;n为二极管理想系数;G为光照强度;Iph光生电流,Iph0标准测试条件下的光生电流;α为光伏电池板遮盖系数。
作为优选的,由于在一般情况下Rs<<Rsh,故计算过程中可简化为Iph=Isc,VD=V;根据测得的实际测量实际光伏电路的短路电流Isc、(STC环境下光照1000W/m2,温度25℃)开路电压Voc、MPPT点(光伏最大功率点)的电压V′m与电流I′m等数值代入下式,求得Iph0、I0、n、Rs、Rsh
将得到的Iph0、I0、n、Rs、Rsh回代电流电压方程,结合MPPT点的电压电流
解得
Vm=V′m(1-c(T-Tref))ln(e+bG)
Im=I′mG/Gref(1+a(T-Tref))
Pm=NVm×Im=NV′m(1-c(T-Tref))ln(e+bG)I′mG/Gref(1+a(T-Tref))
最大功率点电压与电流,其中G为实际光照强度
Gref为参考光照强度1000W/m2,a,b,c为修正参数(a=0.0025;b=0.5;c=0.0028)
T为实际温度,Tref为参考温度25℃,N表示光伏电池数
作为优选的,目标函数为:
Ppv(G,T)≈Pm=nU′m(1-c(T-Tref))ln(e+bG)I′mG/Gref(1+a(T-Tref))
p(t)表示随时间变化的公共电网电价;ni与wi为工作区间内的供电需求次数与对应充电的电量;Ppv(G,T)表示光照强度G、温度T下的光伏发电功率;tp为单个区间内并入的时间;电网N为移动充电设备的数量,wmax为单个充电设备的最大电池容量,ui为当前充电设备的电量;Pmax为系统对移动设备的最大充电功率;x为设定的调控区间数量。
作为优选的,BP神经网络结构:
隐含层,使用激活函数对权值wij,输入值xi,阈值cj等进行处理。wij为输入层到隐含层之间的权值系数。
输出层,神经元输出与隐含层输出与权值wjk,阈值dk相关;wjk为隐含层到输出层之间的权值系数。
对比误差,Yk为蚁群算法求得的最优解(也就是训练目标),Uk为自学习迭代的结果。两者之间的误差Ek反向传递,以更新修正隐含层的权值于阈值。
Ek=Yk-Uk
wjk=wjk+λMjEk
dk=dk+Ek
在设定的训练次数周期内,神经网络权值阈值wij,wjk,cj,dk不断地根据误差值在上以权值阈值的基础上进行更正。,λ为迭代速度。反复迭代,直到误差Ek小于设定值。
本发明的优点是:与现有技术相比,本发明在满足自身用电需求的同时也能根据电网供电压力实时调整能源方案,基于多角度分析,建立相应的数学理论模型,运用神经网络与蚁群算法相结合的算法,计算出当前最适宜的运行策略,可缓解电网因新能源汽车充电所带来的供电压力,以达到能源利用的最大化。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例能源系统结构示意图;
图2为本发明实施例整体供电思路以及影响参数示意图;
图3为本发明实施例系统算法框图;
图4为本发明实施例神经网络结构示意图;
图5为本发明实施例光伏电池等效电路示意图。
具体实施方式
在本实施例的描述中,需要说明的是,如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”、“前”、“后”等,其所指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此,不能理解为对本发明的限制。此外,如出现术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
参见图1至图5,本发明公开的一种适用于电动汽车移动充电设备充电的多能源分配管理方法,包括以下步骤:
(1)测量实际光伏电路的参数,建立光伏发电等效数学模型,对于不断变化的光照强度以及温度,等效数学模型输出相应预期的发电功率数据;
具体为:测量实际光伏电路的参数,测量参数为短路电流Isc、开路电压Voc、MPPT点(光伏最大功率点)的电压Vm与电流Im。建立光伏发电等效数学模型,对于不断变化的光照强度以及温度,等效数学模型输出相应预期的发电功率数据。
(2)基于用户使用需求,将设备的电量在一定时间内提升至满足用户充电需求的最低电量,建立目标函数;
具体为:系统影响的参数包括:用户需求的大数据(用户充电的时间点,充电的次数,充电的电量),当前设备的电量,当前光照强度和温度,市电电价的变化。基于用户使用需求、将设备的电量在一定时间内提升至满足用户充电需求的最低电量。在这个过程中,考虑到发电功率指定充电计划。当纯光伏充电(光伏发电系统处于离网运行模式)计划时间超过设定时间时,需要并网运行接入市电使用。市电接入的时间点需考虑到市电电价变化规律,在完成充电计划的前提下降低市电的使用成本;当纯光伏充电计划时间低于设定时间时,对光伏发电系统进行一定程度的并网反向输电。并网输电的时间点需考虑的市电的供电压力以达到缓解城市电网的供电压力的目的。(供电压力于电价线性相关)基于以上原则建立目标函数。
(3)利用蚁群算法对于目标函数进行优化求解,设置能源成本为蚁群算法的启发函数,以n小时为时间间隔点,输入n小时内的光照变化预测、n小时内的温度变化、n小时内的电价变化和n小时区间内用户的使用需求,以能源成本最低为优化目标进行求解,得到的优化解为光伏电网与公共电网的运行模式以及变动时间;
(4)多组数据输入蚁群算法求得相应情况下的最优能源分配情况,使用多重神经元模型,以满足求解复杂问题的分析学习;数据结果作为神经网络算法训练素材,供神经网络模型学习迭代;将自学习的结果与上一步求得的最优解进行误差对比,将误差反向传递到隐含层,对权值与偏值进行修正;在权值与偏值的迭代过程中,神经网络的函数会逐步拟合整体的变化规律;
(5)将训练好的神经网络写入系统,在系统运行的同时,实时测量实际与预估值的偏差,并根据具体情况定期对系统进行一定的训练修正。
作为优选的,光伏发电等效数学模型包括光伏电池等效电路,该光伏电池等效电路如下:
I=Iph-ID-Ish
VD=V+IRs
在短路点,V=0,I=Isc代入
在开路点,I=0,V=Voc代入
在MPPT点,I=Im,V=Vm代入
电压电流随时间的变化情况
上式中,q是电子电荷量1.6×10-19C;I0为等效电路二极管反向饱和电流;VD、ID是等效二极管两端的电压与电流,V、I是PV等效输出电压与电流;T是光伏电池温度;k为波尔兹曼常量,该值为1.38×10-23J·K-1;RS为串联电阻,Rsh为旁漏电阻;n为二极管理想系数;G为光照强度;Iph光生电流,Iph0标准测试条件下的光生电流;α为光伏电池板遮盖系数。
作为优选的,由于在一般情况下Rs<<Rsh(远小于),故计算过程中可简化为Iph=Isc,VD=V;根据测得的实际测量实际光伏电路的短路电流Isc、(STC环境下光照1000W/m2,温度25℃)开路电压Voc、MPPT点(光伏最大功率点)的电压V′m与电流I′m等数值代入下式,求得Iph0、I0、n、Rs、Rsh
将得到的Iph0、I0、n、Rs、Rsh回代电流电压方程,结合MPPT点的电压电流
解得
Vm=V′m(1-c(T-Tref))ln(e+bG)
Im=I′mG/Gref(1+a(T-Tref))
Pm=NVm×Im=NV′m(1-c(T-Tref))ln(e+bG)I′mG/Gref(1+a(T-Tref))
最大功率点电压与电流,其中G为实际光照强度
Gref为参考光照强度1000W/m2,a,b,c为修正参数(a=0.0025;b=0.5;c=0.0028)
T为实际温度,Tref为参考温度25℃,N表示光伏电池数
作为优选的,目标函数为:
Ppv(G,T)≈Pm=nU′m(1-c(T-Tref))ln(e+bG)I′mG/Gref(1+a(T-Tref))
p(t)表示随时间变化的公共电网电价;ni与wi为工作区间内的供电需求次数与对应充电的电量;Ppv(G,T)表示光照强度G、温度T下的光伏发电功率;tp为单个区间内并入的时间;电网N为移动充电设备的数量,wmax为单个充电设备的最大电池容量,ui为当前充电设备的电量;Pmax为系统对移动设备的最大充电功率;x为设定的调控区间数量。
作为优选的,BP神经网络结构:
隐含层,使用激活函数对权值wij,输入值xi,阈值cj等进行处理。wij为输入层到隐含层之间的权值系数。
输出层,神经元输出与隐含层输出与权值wjk,阈值dk相关;wjk为隐含层到输出层之间的权值系数。
对比误差,Yk为蚁群算法求得的最优解(也就是训练目标),Uk为自学习迭代的结果。两者之间的误差Ek反向传递,以更新修正隐含层的权值于阈值。
Ek=Yk-Uk
wjk=wjk+λMjEk
dk=dk+Ek
在设定的训练次数周期内,神经网络权值阈值wij,wjk,cj,dk不断地根据误差值在上以权值阈值的基础上进行更正。λ为迭代速度。反复迭代,直到误差Ek小于设定值。
实际应用时,将用户使用情况大数据、地区历史光照强度变化、地区历史天气变化、市电电价变化等作为输入条件,其中地区历史光照强度变化、地区历史天气变化输入到光伏发电数学模型输出发电功率预测值。通过蚁群算法计算得到满足使用条件(分析移动充电设备当前的剩余电量以及后续的充电计划、结合用户使用需求、光照天气等作用下的光伏发电功率情况等,按照使用需求调整系统并网运行或离网运行。当移动充电设备充电计划盈余时,调整系统并网运行,多余发电量反馈电网。)的最优分配方案。将输入条件与输出方案作为新的输入变量至BP神经网络算法中,结果BP神经网络的反向误差传递修正,多次迭代后得到训练完毕,误差在设定范围内的BP神经网络系统。将预测光照辐射强度变化、预测天气变化、用户使用情况大数据、市电价格变化等作为训练完毕BP神经网络的输入,运行得到符合设定条件的能源分配管理方案。
参见图3,x1,x2,x3…为BP神经网络的输入:天气、光照辐射、用户使用情况、市电电价变化等;y1,y2,y3…为神经元的输出:能源分配管理方案,与蚁群算法所得的结果进行误差对比,误差反向传递至隐含层,不断修正隐含层的参数。相关参数迭代见BP神经网络结构。
本发明在满足自身用电需求的同时也能根据电网供电压力实时调整能源方案,基于多角度分析,建立相应的数学理论模型,运用BP神经网络与蚁群算法相结合的算法,计算出当前最适宜的运行策略,可缓解电网因新能源汽车充电所带来的供电压力,以达到能源利用的最大化。
上述实施例对本发明的具体描述,只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限定,本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。
Claims (3)
1.一种适用于电动汽车移动充电设备充电的多能源分配管理方法,其特征在于:包括以下步骤:
(1)测量实际光伏电路的参数,建立光伏发电等效数学模型,对于不断变化的光照强度以及温度,等效数学模型输出相应预期的发电功率数据;
(2)基于用户使用需求,将设备的电量在一定时间内提升至满足用户充电需求的最低电量,建立目标函数;
(3)利用蚁群算法对于目标函数进行优化求解,设置能源成本为蚁群算法的启发函数,以n小时为时间间隔点;输入n小时内的光照变化预测、n小时内的温度变化、n小时内的电价变化和n小时区间内用户的使用需求,以能源成本最低为优化目标进行求解,得到的优化解为光伏电网与公共电网的运行模式以及变动时间;
(4)多组数据输入蚁群算法求得相应情况下的最优能源分配情况,使用多重神经元模型,以满足求解复杂问题的分析学习;数据结果作为神经网络算法训练素材,供神经网络模型学习迭代;将自学习的结果与上一步求得的最优解进行误差对比,将误差反向传递到隐含层,对权值与偏值进行修正;在权值与偏值的迭代过程中,神经网络的函数会逐步拟合整体的变化规律;
(5)将训练好的神经网络写入系统,在系统运行的同时,实时测量实际与预估值的偏差,并根据具体情况定期对系统进行训练修正;
光伏发电等效数学模型包括光伏电池等效电路,该光伏电池等效电路如下:
I=Iph-ID-Ish
VD=V+IRs
在短路点,V=0,I=Isc代入
在开路点,I=0,V=Voc代入
在MPPT点,I=Im,V=Vm代入
电压电流随时间的变化情况
上式中,q是电子电荷量1.6×10-19C;I0为等效电路二极管反向饱和电流;VD、ID是等效二极管两端的电压与电流,V、I是PV等效输出电压与电流;T是光伏电池温度;k为波尔兹曼常量,该值为1.38×10-23J·K-1;RS为串联电阻,Rsh为旁漏电阻;n为二极管理想系数;G为光照强度;Iph光生电流,Iph0标准测试条件下的光生电流;α为光伏电池板遮盖系数;
由于Rs<<Rsh,故计算过程简化为Iph=Isc,VD=V;根据测得的实际测量实际光伏电路的短路电流Isc、STC环境下光照1000W/m2,温度25℃,开路电压Voc、MPPT点的电压V′m与电流I′m代入下式,求得:
将得到的Iph0、I0、n、Rs、Rsh回代电流电压方程,结合MPPT点的电压电流
解得:
Vm=V′m(1-c(T-Tref))ln(e+bG)
Im=I′mG/Gref(1+a(T-Tref))
Pm=NVm×Im=NV′m(1-c(T-Tref))ln(e+bG)I′mG/Gref(1+a(T-Tref))
最大功率点电压与电流,其中G为实际光照强度;
Gref为参考光照强度1000W/m2,a,b,c为修正参数;
T为实际温度,Tref为参考温度25℃,N表示光伏电池数。
3.根据权利要求2所述的一种适用于电动汽车移动充电设备充电的多能源分配管理方法,其特征在于:
BP神经网络结构:
隐含层,使用激活函数对权值wij,输入值xi,阈值cj进行处理;wij为输入层到隐含层之间的权值系数;
输出层,神经元输出与隐含层输出与权值wjk,阈值dk相关;wjk为隐含层到输出层之间的权值系数;
对比误差,Yk为蚁群算法求得的最优解,Uk为自学习迭代的结果;两者之间的误差Ek反向传递,以更新修正隐含层的权值于阈值;
Ek=Yk-Uk
wjk=wjk+λMjEk
dk=dk+Ek
在设定的训练次数周期内,神经网络权值阈值wij,wjk,cj,dk不断地根据误差值在上以权值阈值的基础上进行更正;λ为迭代速度;反复迭代,直到误差Ek小于设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562332.9A CN113191682B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110562332.9A CN113191682B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191682A CN113191682A (zh) | 2021-07-30 |
CN113191682B true CN113191682B (zh) | 2022-07-29 |
Family
ID=76984692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110562332.9A Active CN113191682B (zh) | 2021-05-24 | 2021-05-24 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191682B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114919433B (zh) * | 2022-05-27 | 2022-12-09 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、系统及相关设备 |
CN116014818B (zh) * | 2023-03-29 | 2023-06-27 | 河北思悟新能源科技有限公司 | 一种用于气候多变区域的综合性供能管理系统 |
CN116707019B (zh) * | 2023-05-12 | 2024-01-26 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168620A (zh) * | 2014-05-13 | 2014-11-26 | 北京邮电大学 | 无线多跳回传网络中的路由建立方法 |
CN106452355A (zh) * | 2016-10-17 | 2017-02-22 | 温州大学 | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111796628A (zh) * | 2020-06-10 | 2020-10-20 | 南京工业大学 | 一种高效的光伏发电系统的最大功率实时跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
-
2021
- 2021-05-24 CN CN202110562332.9A patent/CN113191682B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168620A (zh) * | 2014-05-13 | 2014-11-26 | 北京邮电大学 | 无线多跳回传网络中的路由建立方法 |
CN106452355A (zh) * | 2016-10-17 | 2017-02-22 | 温州大学 | 一种基于模型辨识的光伏发电系统最大功率跟踪方法 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111796628A (zh) * | 2020-06-10 | 2020-10-20 | 南京工业大学 | 一种高效的光伏发电系统的最大功率实时跟踪方法 |
Non-Patent Citations (3)
Title |
---|
基于ACO-BP神经网络的光伏系统发电功率预测;陈智雨等;《机械制造与自动化》;20200220(第01期);第69-73页 * |
基于灰色BP神经网络的光伏发电系统最大功率点跟踪;曾令全等;《黑龙江电力》;20130215(第01期);第43-46页 * |
基于遗传算法优化的RBF-BP神经网络在光伏阵列MPPT的研究;朱正伟等;《制造业自动化》;20150610(第11期);第101-106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113191682A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191682B (zh) | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
CN106936147B (zh) | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 | |
CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
da Costa et al. | Identification of photovoltaic model parameters by differential evolution | |
CN106169108B (zh) | 含电池储能系统的主动配电网短期有功优化方法 | |
CN106921164B (zh) | 配网电压无功协同优化的混合整数二阶锥规划方法与系统 | |
CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
CN112510703B (zh) | 一种考虑煤耗曲线修正的多能源接入电网优化调度方法 | |
CN113762650B (zh) | 一种分散式预测电网的优化方法及系统 | |
CN112186802A (zh) | 一种动态经济调度的多时间尺度滚动调度方法及其系统 | |
CN114707767A (zh) | 一种新能源电力系统低谷时段可调峰功率预测方法 | |
CN107565880B (zh) | 优化型风光互补混合发电系统 | |
Hemalatha et al. | Cost optimization of power generation systems using bat algorithm for remote health facilities | |
CN109978277A (zh) | 光伏发电中区域上网负荷预测方法及装置 | |
CN114530848B (zh) | 一种光储虚拟电厂多时间尺度动态划分方法 | |
CN110838734A (zh) | 新能源电力调度出力的确定方法、装置和计算机设备 | |
Tripathy et al. | Voltage profile enhancement of a 33 bus system integrated with renewable energy sources and electric vehicle | |
CN115545290A (zh) | 一种含光伏发电配电网中的分布式储能经济优化配置方法 | |
CN110190622B (zh) | 一种光伏发电系统降功率运行控制方法 | |
Taylor et al. | Evaluation of Hybrid AI-based Techniques for MPPT Optimization | |
CN108183498B (zh) | 一种含风光储配电网背景下的车储混合配置方法 | |
Mohammedi et al. | Design and optimal energy management strategy for stand-alone PV-battery-Diesel systems using cuckoo search algorithm | |
Kasturi et al. | Analysis of photovoltaic & battery energy storage system impacts on electric distribution system efficacy | |
Wang et al. | Numerical assessment and optimization of photovoltaic-based hydrogen-oxygen Co-production energy system: A machine learning and multi-objective strategy |
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 |