CN113326658B - 基于神经网络的光伏储能并网控制方法 - Google Patents

基于神经网络的光伏储能并网控制方法 Download PDF

Info

Publication number
CN113326658B
CN113326658B CN202110618890.2A CN202110618890A CN113326658B CN 113326658 B CN113326658 B CN 113326658B CN 202110618890 A CN202110618890 A CN 202110618890A CN 113326658 B CN113326658 B CN 113326658B
Authority
CN
China
Prior art keywords
photovoltaic
power
energy storage
neural network
power generation
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
Application number
CN202110618890.2A
Other languages
English (en)
Other versions
CN113326658A (zh
Inventor
马骞
卢伟辉
刘洪涛
王巍
邢欢
刘一鸣
丘国斌
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202110618890.2A priority Critical patent/CN113326658B/zh
Publication of CN113326658A publication Critical patent/CN113326658A/zh
Application granted granted Critical
Publication of CN113326658B publication Critical patent/CN113326658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • 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

本发明公开了一种基于神经网络的光伏储能并网控制方法，包括步骤：采集光伏发电单元的实时最大光伏发电功率；神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测计算得到预测光伏发电功率；根据预测光伏发电功率和实际误差来生成储能单元的输出功率参考值，并根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数，该储能单元通过DC/DC转换器与光伏分布式电源的主电路连接；电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统。本发明可以解决现有的光伏储能分布式电源并网导致的电能波动问题。

Description

基于神经网络的光伏储能并网控制方法
技术领域
本发明涉及光伏储能并网控制方法，特别是涉及基于神经网络的光伏储能并网控制方法。
背景技术
当配电网中大量接入光伏储能分布式电源时，由于光伏发电的不稳定性和间歇性，配电网中电压、频率的波动性加剧，严重影响了配电网的安全运行和功率平衡，以及用户的电能质量和供电可靠性。
发明内容
本发明主要目的在于提供一种分布式电源的电能质量输出趋于平稳可控的基于神经网络的光伏储能并网控制方法。
本发明所采用的技术方案是：
提供一种基于神经网络的光伏储能并网控制方法，包括以下步骤：
采集光伏发电单元的实时最大光伏发电功率；
神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测计算得到预测光伏发电功率；
根据预测光伏发电功率和实际误差来生成储能单元的输出功率参考值，并根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数；该储能单元通过DC/DC转换器与光伏分布式电源的主电路连接；
电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统。
接上述技术方案，通过最大功率点追踪控制器采集太阳能光伏面板的最大光伏发电功率。
接上述技术方案，神经网络预测系统具体利用BP神经网络进行训练，根据气象数据，对光照时间和强度下的最大光伏功率进行神经网络学习预测，采用贝叶斯正则化算法BR进行训练；根据光伏发电单元的实时最大光伏功率PA所处时间逐一提取历史统一时间的历史数据作为输入集A，提供给输入层神经元，逐层将信号向前传递，直到产生输出结果预测光伏发电功率PB；然后计算输出层的偏差σ2，再将偏差逆向传递至隐藏层神经元，最后根据隐藏层神经元的误差来对隐藏层激活函数中的连接权ω和阈值θ进行调整，迭代过程循环进行，直到全部数据集训练完成，且误差已达到一定范围为止，之后输出预测结果。
接上述技术方案，神经网络预测系统预先对预测过程中涉及的历史数据进行归一化处理，剔除奇异离散数据。
接上述技术方案，神经网络预测系统对输出的预测光伏发电功率也进行归一化处理，剔除奇异离散数据。
本发明还提供一种基于神经网络的光伏储能并网控制系统，包括：
光伏分布式电源主电路，包括顺次连接的光伏发电单元、低通滤波器、并网DC/AC转换器，该并网DC/AC转换器的输出与并网系统连接；该主电路还包括DC/DC转换器，其输出端与并网DC/AC转换器的输入端连接，其输入端与一储能单元连接；
神经网络预测系统，与储能单元和低通滤波器连接；该神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测计算得到预测光伏发电功率，并根据预测结果和实际误差来生成储能单元的输出功率参考值，再根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数；电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统。
接上述技术方案，该低通滤波器由电容C和电阻R构成。
接上述技术方案，光伏发电单元包括太阳能光伏面板阵列、太阳能电池阵列和最大功率点追踪控制器，该最大功率点追踪控制器持续调整太阳能电池阵列的等效阻抗，控制太阳能光伏面板在峰值功率点或与其接近的功率点运行。
本发明产生的有益效果是：本发明提出的基于神经网络模型的功率输出预测系统对光照的动态变化进行预测，生成储能系统的输出功率参考值，通过储能系统的充放电使得分布式电源的输出功率达到预期值，除此外本发明基于预测输出功率自动调整滤波器参数使得分布式电源的电能质量输出趋于平稳可控。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例的光伏储能分布式电源的主电路结构图；
图2为本发明实施例的基于神经网络的光伏储能并网控制系统的控制逻辑图；
图3为本发明实施例基于神经网络的光伏储能并网控制方法流程图；
图4为本发明实施例的光伏储能分布式电源输出功率预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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施例仅用以解释本发明，并不用于限定本发明。
本发明实施例基于神经网络的光伏储能并网控制系统包括光伏分布式电源的主电路和神经网络预测系统。主电路相较于传统的光伏并网控制电路，加入了经由神经网络预测系统的储能单元，可以实现储能单元的智能充放电，保证输出功率的稳定；同时主电路的滤波器的参数设置方式相较于传统固定参数滤波器具有平滑稳定输出功率的特点。
如图1所示，本发明实施例的光伏分布式电源的主电路主要包括光伏发电单元、低通滤波器、储能单元、DC/DC变换器和并网DC/AC变换器。光伏发电单元将光能转为电能并经低通滤波器平滑，储能单元通过DC/DC变换器进行充放电，并对光伏发电单元输出功率进行平滑，通过DC/DC变换器将波动性较小的功率通过DC/AC变换器送入并网系统。本发明的低通滤波器主要由电容C和电阻R构成。
神经网络预测系统与储能单元和低通滤波器连接；该神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测计算得到预测光伏发电功率，并根据预测结果和实际误差来生成储能单元的输出功率参考值，再根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数；电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统。
如图2所示，神经网络预测系统的输入信号来自于光伏发电单元提供的实际最大光伏发电功率以及存储在预测系统的历史光照数据；功率预测系统预测未来一段时间光伏发电功率；输出控制系统根据实际功率和预测功率的差值生成控制信号，包括储能单元的输出功率参考值以及低通滤波器的时间常数参考值，促使功率稳定输出。
如图3所示，为本发明实施例基于神经网络的光伏储能并网控制流程图，具体步骤如下：
步骤S1：光伏发电单元采集实时最大光伏发电功率PA；
本发明实施例中，光伏发电单元采用常见的最大功率点追踪控制器(MPPT)，该控制器持续调整太阳能电池阵列的等效阻抗，以保证光伏系统在各种条件下都能以PV面板的峰值功率点或与其接近的功率点运行。MPPT将PV面板采集到的最大光伏输出功率PA传输到功率输出预测系统作为参考依据进行预测计算。
步骤S2：功率输出预测系统根据历史数据和实际最大光伏发电功率PA进行预测计算得到预测光伏发电功率PB。
如图4所示，神经网络预测系统利用BP神经网络训练，根据气象数据，对光照时间和强度下的最大光伏功率进行神经网络学习预测，采用贝叶斯正则化算法BR对开发的网络进行训练，因为相较于常规贝叶斯方法，它可以在不过度拟合的情况下产生良好的泛化能力。根据最大光伏功率PA所处时间逐一提取历史统一时间的历史数据作为输入集A提供给输入层神经元，逐层将信号向前传递，直到产生输出结果预测光伏发电功率PB。然后计算输出层的偏差σ2，再将偏差逆向传递至隐藏层神经元，最后根据隐藏层神经元的误差来对隐藏层激活函数中的连接权ω和阈值θ进行调整，该迭代过程循环进行，直到全部数据集训练完成，且误差已达到一定范围为止，之后输出预测结果。
计算步骤如下：
步骤S2.1初始化定义，令i＝1,，N＝10，定义最大功率数据集为PA，PA＝{PA1,PA2,…,PA12}，输入集为A，A＝{P1,P2,…,P12}，输出集为PB，PB＝{PB1,PB2,…,PB12}；其中i表示神经网络的训练层数；N表示最大层数；PA中的P A1～A12表示最大功率追踪控制器采集的1小时光伏输出功率PA，每5分钟内的最大光伏发电功率；输入集A中的P1～12表示最大光伏发电功率PA前1个小时每5分钟内的最大光伏发电功率；输出集PB中的P B1～B12表示最大光伏发电功率PA后1个小时每5分钟内的最大光伏发电功率。
步骤S2.2数据归一化处理，对预测系统中涉及的数据，如输入集A中的历史功率数据，输出集PB进行归一化处理，剔除奇异离散数据，增加数据集本身的精确度
数据归一化处理公式为：
式中，x是指待处理的数据，Xmax是指同类数据级中的最大值；Xmin是指同类数据中的最小值。经过上式得到归一化处理后的数据，即输入集为A*，A*＝{P1 *,P2 *,…,P12 *}，最大功率数据集为 输出集为/> 其中各个数据取值在[0,1]之间。
步骤S2.3预测功率值PB计算；
步骤S2.3.1更新权值，ωij的取值满足sigmoid函数，利用sigmoid函数调整权值ωij进而得到拟合度更高的预测光伏输出功率，剔除较大偏移值，缩短预测计算时间。即
步骤S2.3.2：令j＝1，下式为
步骤S2.3.3：令j＝j+1，若j>12则进行步骤S2.4，否则继续进行步骤S2.3.1；
步骤S2.4：误差计算，偏差σ2的计算方式如下：
若σ2≥0.25，且i≤10则i＝i+1，返回步骤S2.2；若i>10，或者σ2<0.25则进行步骤S2.5
步骤S2.5：预测输出，根据式(3)更新输出值，即PB＝{PBj}，j＝1,2,3,…,12为预测功率
步骤S3：根据预测光伏发电功率和实际误差来生成储能单元的输出功率参考值，并计算光伏分布式电源主电路中低通滤波器的时间常数。
计算储能单元的输出功率参考值Pδ，公式如下：
Pδ＝PB-PA (6)
计算滤波器时间常数Tf(主电路的等效电路经拉氏变换在S域下求解得到时间常数)，其中Tf＝RC公式如下
步骤S4：主电路中的储能单元根据输出功率参考值Pδ配合光伏发电单元进行充放电，滤波器根据时间常数Tf调整参数，最终将波动性较小的功率送入并网系统。
综上，本发明基于神经网络的光伏储能并网控制方法通过在光伏分布式电源主电路中配置电池储能单元，通过储能单元的充放电来削弱实际太阳能间歇性导致的电压波动、频率偏差以及电能质量扰动。具体通过神经网络模型预测太阳能的动态变化，根据预测结果和实际误差来生成储能单元的输出功率参考值，并利用模型预测来调节低通滤波器的参数，继而提高光伏储能分布式电源的输出稳定性。本发明可以缓解现有的光伏储能分布式电源并网导致的电能波动问题，进一步提高分布式电源的渗透率，具有重要的理论和应用价值。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于神经网络的光伏储能并网控制方法，其特征在于，包括以下步骤：
采集光伏发电单元的实时最大光伏发电功率；
神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测计算得到预测光伏发电功率；
根据预测光伏发电功率和实际误差来生成储能单元的输出功率参考值，并根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数；该储能单元通过DC/DC转换器与光伏分布式电源的主电路连接；
电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统；
其中，预测光伏发电功率具体包括以下步骤：
步骤S2.1 初始化定义，令i=1，N=10，定义最大功率数据集为P A，P A={P A1,P A2,…,P A12}，输入集为A，A={P 1,P 2,…,P 12}，输出集为P B，P B={P B1,P B2,…,P B12}；其中i表示神经网络的训练层数；N表示最大层数；P A中的P A1~A12表示最大功率追踪控制器采集的1小时光伏输出功率P A，每5分钟内的最大光伏发电功率；输入集A中的P 1~12表示最大光伏发电功率P A前1个小时每5分钟内的最大光伏发电功率；输出集P B中的P B1~B12表示最大光伏发电功率P A后1个小时每5分钟内的最大光伏发电功率；
步骤S2.2数据归一化处理，对神经网络预测系统中涉及的数据，包括输入集A中的历史功率数据，输出集P B进行归一化处理，剔除奇异离散数据，增加数据集本身的精确度；
数据归一化处理公式为：
（1）
式中，x是指待处理的数据，X max是指同类数据级中的最大值；X min是指同类数据中的最小值；经过上式得到归一化处理后的数据，即输入集为A*，A*={P 1 *,P 2 *,…,P 12 *}，最大功率数据集为，/>，输出集为/>，/>，其中各个数据取值在[0,1]之间；
步骤S2.3 预测功率值P B计算：
步骤S2.3.1 更新权值，ω ij的取值满足sigmoid函数，利用sigmoid函数调整权值ω ij进而得到拟合度更高的预测光伏输出功率，剔除较大偏移值，缩短预测计算时间，即
（2）
步骤S2.3.2：令j=1，下式为
（3）
步骤S2.3.3：令j=j+1，若j>12则进行步骤S2.4，否则继续进行步骤S2.3.1；
步骤S2.4：误差计算，偏差σ 2的计算方式如下：
（4）
若σ 2≥0.25，且i≤10则i=i+1，返回步骤S2.2；若i>10，或者σ 2<0.25则进行步骤S2.5
步骤S2.5：预测输出，根据式（3）更新输出值，即P B={P Bj}，j=1,2,3,…,12为预测功率
（5）。
2.根据权利要求1所述的基于神经网络的光伏储能并网控制系统，其特征在于，通过最大功率点追踪控制器采集太阳能光伏面板的最大光伏发电功率。
3.根据权利要求1所述的基于神经网络的光伏储能并网控制方法，其特征在于，神经网络预测系统具体利用BP神经网络进行训练，根据气象数据，对光照时间和强度下的最大光伏功率进行神经网络学习预测，采用贝叶斯正则化算法BR进行训练；根据光伏发电单元的实时最大光伏功率PA所处时间逐一提取历史统一时间的历史数据作为输入集A，提供给输入层神经元，逐层将信号向前传递，直到产生输出结果预测光伏发电功率PB；然后计算输出层的偏差σ 2，再将偏差逆向传递至隐藏层神经元，最后根据隐藏层神经元的误差来对隐藏层激活函数中的连接权ω和阈值θ进行调整，迭代过程循环进行，直到全部数据集训练完成，且误差已达到一定范围为止，之后输出预测结果。
4.根据权利要求1所述的基于神经网络的光伏储能并网控制方法，其特征在于，神经网络预测系统预先对预测过程中涉及的历史数据进行归一化处理，剔除奇异离散数据。
5.根据权利要求1所述的基于神经网络的光伏储能并网控制方法，其特征在于，神经网络预测系统对输出的预测光伏发电功率也进行归一化处理，剔除奇异离散数据。
6.一种基于神经网络的光伏储能并网控制系统，其特征在于，包括：
光伏分布式电源主电路，包括顺次连接的光伏发电单元、低通滤波器、并网DC/AC转换器，该并网DC/AC转换器的输出与并网系统连接；该主电路还包括DC/DC转换器，其输出端与并网DC/AC转换器的输入端连接，其输入端与一储能单元连接；
神经网络预测系统，与储能单元和低通滤波器连接；该神经网络预测系统根据光伏发电单元的实时最大光伏输出功率和历史数据进行预测根据权利要求1-5中任一项所述的基于神经网络的光伏储能并网控制方法计算得到预测光伏发电功率，并根据预测结果和实际误差来生成储能单元的输出功率参考值，再根据该输出功率参考值计算光伏分布式电源主电路中低通滤波器的时间常数；电池储能单元根据输出功率参考值控制DC/DC变换器进行充放电，低通滤波器根据时间常数调整，最终将波动性在一定范围内的功率送入并网系统。
7.根据权利要求6所述的基于神经网络的光伏储能并网控制系统，其特征在于，该低通滤波器由电容C和电阻R构成。
8.根据权利要求6所述的基于神经网络的光伏储能并网控制系统，其特征在于，光伏发电单元包括太阳能光伏面板阵列、太阳能电池阵列和最大功率点追踪控制器，该最大功率点追踪控制器持续调整太阳能电池阵列的等效阻抗，控制太阳能光伏面板在峰值功率点或与其接近的功率点运行。
CN202110618890.2A 2021-06-03 2021-06-03 基于神经网络的光伏储能并网控制方法 Active CN113326658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618890.2A CN113326658B (zh) 2021-06-03 2021-06-03 基于神经网络的光伏储能并网控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618890.2A CN113326658B (zh) 2021-06-03 2021-06-03 基于神经网络的光伏储能并网控制方法

Publications (2)

Publication Number Publication Date
CN113326658A CN113326658A (zh) 2021-08-31
CN113326658B true CN113326658B (zh) 2024-03-12

Family

ID=77419508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618890.2A Active CN113326658B (zh) 2021-06-03 2021-06-03 基于神经网络的光伏储能并网控制方法

Country Status (1)

Country Link
CN (1) CN113326658B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200274A (zh) * 2014-03-27 2014-12-10 国家电网公司 一种光伏功率预测方法
CN104318494A (zh) * 2014-11-21 2015-01-28 四川慧盈科技有限责任公司 一种分布式电源智能监控系统
CN105243476A (zh) * 2015-09-25 2016-01-13 华中科技大学 一种用于高渗透分布式光伏的分层储能能量管理系统的体系结构
CN105552969A (zh) * 2015-12-29 2016-05-04 北京国电通网络技术有限公司 基于功率预测的分布式光伏发电输出功率平滑方法和系统
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及系统
CN107039975A (zh) * 2017-05-27 2017-08-11 上海电气分布式能源科技有限公司 一种分布式能源系统能量管理方法
CN107589776A (zh) * 2017-10-20 2018-01-16 南方电网科学研究院有限责任公司 最大功率点跟踪方法、mppt控制器及光伏发电系统
CN108564223A (zh) * 2018-04-23 2018-09-21 中国农业大学 光伏发电功率预测方法的组合评估方法及装置
CN111242355A (zh) * 2020-01-06 2020-06-05 中国电力科学研究院有限公司 一种基于贝叶斯神经网络的光伏概率预测方法及系统
KR20200094808A (ko) * 2018-12-28 2020-08-10 김홍균 태양광인버터 mppt제어를 위한 뉴럴네트워크 알고리즘

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9461535B2 (en) * 2013-12-30 2016-10-04 King Fahd University Of Petroleum And Minerals Photovoltaic systems with maximum power point tracking controller
EP3576029A1 (en) * 2018-05-31 2019-12-04 IMEC vzw Method and device for determining energy system operating scenarios

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200274A (zh) * 2014-03-27 2014-12-10 国家电网公司 一种光伏功率预测方法
CN104318494A (zh) * 2014-11-21 2015-01-28 四川慧盈科技有限责任公司 一种分布式电源智能监控系统
CN105243476A (zh) * 2015-09-25 2016-01-13 华中科技大学 一种用于高渗透分布式光伏的分层储能能量管理系统的体系结构
CN105552969A (zh) * 2015-12-29 2016-05-04 北京国电通网络技术有限公司 基于功率预测的分布式光伏发电输出功率平滑方法和系统
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及系统
CN107039975A (zh) * 2017-05-27 2017-08-11 上海电气分布式能源科技有限公司 一种分布式能源系统能量管理方法
CN107589776A (zh) * 2017-10-20 2018-01-16 南方电网科学研究院有限责任公司 最大功率点跟踪方法、mppt控制器及光伏发电系统
CN108564223A (zh) * 2018-04-23 2018-09-21 中国农业大学 光伏发电功率预测方法的组合评估方法及装置
KR20200094808A (ko) * 2018-12-28 2020-08-10 김홍균 태양광인버터 mppt제어를 위한 뉴럴네트워크 알고리즘
CN111242355A (zh) * 2020-01-06 2020-06-05 中国电力科学研究院有限公司 一种基于贝叶斯神经网络的光伏概率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Modeling and Simulation of Single-Phase Photovoltaic Grid-Connected Inverter》;Bei Taizhou等;《IEEE Xplore》;1-6 *
《基于人工神经网络和模拟集成的短期光伏发电预测》;王巍;《可再生能源》;第37卷(第5期);670-675 *

Also Published As

Publication number Publication date
CN113326658A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Lopez-Garcia et al. Artificial neural networks in microgrids: A review
Pradhan et al. Coordinated power management and control of standalone PV-hybrid system with modified IWO-based MPPT
US11326579B2 (en) Adaptive dynamic planning control method and system for energy storage station, and storage medium
Nagarajan et al. Implementation of PV-based boost converter using PI controller with PSO algorithm
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN107681664A (zh) 一种基于内点法的分布式电源并网优化潮流计算方法
CN111258211A (zh) 一种基于模糊神经元pid的微电网频率控制系统及方法
Issaadi Control of a photovoltaic system by fuzzy logic, comparative studies with conventional controls: results, improvements and perspectives
JP2024008787A (ja) ハイブリッドエネルギー貯蔵システムの制御方法、装置及び電子機器
de Dieu Nguimfack-Ndongmo et al. Nonlinear neuro-adaptive MPPT controller and voltage stabilization of PV Systems under real environmental conditions
CN109474015B (zh) 基于两层优化的主动配电网储能系统优化配置方法及系统
CN113326658B (zh) 基于神经网络的光伏储能并网控制方法
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
CN117277357B (zh) 采用液流电池的新型火电储能调频方法、系统及电子设备
Singh et al. An improved adaptive P&O technique for two stage grid interfaced SPVECS
Abadlia et al. Active and reactive power neurocontroller for grid-connected photovoltaic generation system
Wongsathan et al. Optimal hybrid neuro-fuzzy based controller using MOGA for photovoltaic (PV) battery charging system
CN111162551B (zh) 一种基于风电功率超短期预测的蓄电池充放电控制方法
Salhi et al. A maximum power point tracking photovoltaic system using a proportional integral regulator
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
CN115632394A (zh) 基于ppo算法的光伏电站暂态模型构建与参数辨识方法
Padmanaban et al. An extensive study on online, offline and hybrid MPPT algorithms for photovoltaic systems
CN115987086A (zh) 基于神经网络的单开关直流-直流变换器在线控制方法
CN115313510A (zh) 一种自适应无功补偿的光伏逆变器控制方法与系统
CN109088470B (zh) 一种电池—超级电容混合储能独立光伏系统优化控制方法

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