CN114510111A - 部分遮阳光伏阵列的全局mppt控制方法与装置 - Google Patents
部分遮阳光伏阵列的全局mppt控制方法与装置 Download PDFInfo
- Publication number
- CN114510111A CN114510111A CN202111634502.6A CN202111634502A CN114510111A CN 114510111 A CN114510111 A CN 114510111A CN 202111634502 A CN202111634502 A CN 202111634502A CN 114510111 A CN114510111 A CN 114510111A
- Authority
- CN
- China
- Prior art keywords
- mayflies
- photovoltaic array
- male
- female
- partial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241001414834 Ephemeroptera Species 0.000 claims abstract description 191
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 238000012706 support-vector machine Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012423 maintenance Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 24
- 230000013011 mating Effects 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007758 mating behavior Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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)
- Photovoltaic Devices (AREA)
Abstract
本发明提出一种部分遮阳光伏阵列的全局MPPT控制方法与装置，属于光伏发电技术领域。其中，本发明的控制方法包括：获取所述部分遮阳光伏阵列运行的最大功率点电压和电流信号；通过所述控制设备搜索全局MPPT，并将搜索数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。本发明采用基于蜉蝣算法优化的支持向量机算法搜索部分遮阳光伏阵列的全局最大功率点电压，提升了部分遮阳光伏阵列全局最大功率点跟踪效果，以提高光伏电站的效率，为分布式光伏电站的运维优化提供新思路。
Description
技术领域
本发明属于光伏发电技术领域，具体涉及一种部分遮阳光伏阵列的全局MPPT控制方法与装置。
背景技术
光伏发电被认为是最重要的可再生能源电力之一，其在电力市场的占有率逐年攀升。通过光伏阵列最大功率点跟踪(MPPT)可有效提高光伏电站的发电效率。然而，光伏电池的输出特性受外部因素的影响很大，如尘土积压或乌云覆盖等都会减小辐照度，其最大功率点也随之变化。传统的MPPT方法已难以满足复杂工况下的光伏阵列运维要求。
因此，为提高光伏电站的效率，有必要提出一种新的部分遮阳光伏阵列的全局MPPT控制方法以及装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种部分遮阳光伏阵列的全局MPPT控制方法与一种部分遮阳光伏阵列的全局MPPT控制装置。
本发明的一方面，提供一种部分遮阳光伏阵列的全局MPPT控制方法，部分遮阳光伏阵列的全局MPPT装置包括电连接的部分遮阳光伏阵列、控制设备以及运维优化模块；其中，所述方法包括：
获取所述部分遮阳光伏阵列运行的最大功率点电压和电流信号；
所述控制设备基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPPT，并将搜索数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。
可选的，光伏电池输出特性的数学模型为下式：
其中，U为光伏电池正常工作时的实际输出电压；Im为最大功率点输出电流；Isc为短路电流；Um为最大功率点输出电压；Uoc为开路电压；I为光伏电池正常工作时的实际输出电流；C1和C2为常数因子，其值由光伏电池的相关参数如Im、Is、U和Uoc共同决定。
可选的，所述控制设备基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPPT，包括：
所述控制设备利用支持向量机算法的预测模型对所述部分遮阳光伏阵列的最大输出功率点电压进行回归预测；
所述控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优。
可选的，所述预测模型如下式：
Vm＝f(E,T,S1,S2,S3)；
其中，Vm代表输出变量，为最大功率点对应的电压值；
E、T、S1、S3、S3均代表输入变量，其中，E为光照强度、T为光伏组件温度以及S1、S3、S3为各光伏组件遮挡度。
可选的，所述控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优，包括：
确定雄性蜉蝣群体的运动位置；
确定雌性蜉蝣群体的运动位置；
通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值。
可选的，所述确定雄性蜉蝣群体的运动位置，包括：
雄性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
该速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置；a1和a2是社会作用正吸引系数，Pbest为当前蜉蝣个体最优位置，Gbest为当前蜉蝣全局最优位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围，rp代表当前位置与pbest的距离，rg代表当前位置与gbest的距离；以及，
距离计算公式如下：
其中，xij是蜉蝣i的第j维位置分量，Xi对应于pbesti或gbest。
可选的，所述速度更新公式还包括：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，d是舞蹈系数，r为[-1,1]之间的随机数。
可选的，所述确定雌性蜉蝣群体的运动位置，包括：
雌性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
该速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置，a2是一个正系数，rmf代表雌性蜉蝣距离雄性蜉蝣的距离；fl是一个随机游走系数,当雌性没有被雄性攻击时起作用，r是范围[-1,1]的随机数。
可选的，所述通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值，包括：
采用交叉算法代表雌雄蜉蝣的交配过程，选择具有最佳适应度值的雌性蜉蝣个体与最佳的雄性蜉蝣个体进行交配，次最佳的雌性蜉蝣个体与次最佳的雄性蜉蝣个体进行交配，分别产生了最佳蜉蝣子代和次最佳蜉蝣子代，以完成目标函数优化过程，输出优化后的支持向量机预测模型惩罚参数c和核函数g；其中，产生过程关系式如下：
offspring1＝L*male+(1-L)*female
offspring2＝L*female+(1-L)*male；
其中，offspring1是最佳蜉蝣子代，offspring2是次最佳蜉蝣子代；male是父本，female是母本，L是一个特定范围的随机数。
本实施例将蜉蝣算法用于优化部分遮阳光伏阵列的支持向量机模型，再基于优化的支持向量机算法搜索部分遮阳光伏阵列的全局最大功率点电压，提升了部分遮阳光伏阵列全局最大功率点跟踪效果。
本发明的另一方面，提供一种部分遮阳光伏阵列的全局MPPT控制装置，包括部分遮阳光伏阵列、传感器、控制设备以及运维优化模块；其中，所述传感器分别与所述部分遮阳光伏阵列的输出端以及所述控制设备的输入端电连接，所述运维优化模块分别与所述控制设备的输出端以及所述部分遮阳光伏阵列的输入端电连接；并且，
所述传感器，用于将所述部分遮阳光伏阵列运行的最大功率点电压和电流信号输送至所述控制设备；
所述控制设备，用于基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPTT，并将优化数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。
本发明提出一种部分遮阳光伏阵列的全局MPPT控制方法，包括：获取所述部分遮阳光伏阵列运行的最大功率点电压和电流信号；通过所述控制设备搜索全局MPPT，并将搜索数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。本发明采用基于蜉蝣算法优化的支持向量机算法搜索部分遮阳光伏阵列的全局最大功率点电压，提升了部分遮阳光伏阵列全局最大功率点跟踪效果，以提高光伏电站的效率，为分布式光伏电站的运维优化提供新思路。
附图说明
图1为本发明一实施例的一种部分遮阳光伏阵列的全局MPPT控制方法的流程框图；
图2为本发明另一实施例的一种部分遮阳光伏阵列的全局MPPT控制方法的示意图；
图3为本发明另一实施例的光伏电池的等效电路的结构示意图；
图4为本发明另一实施例的一种部分遮阳光伏阵列的全局MPPT控制装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护范围。
基于部分遮阳条件下的光伏阵列具有多个局部最大功率点的非单调功率-电压特性，这使得现有的最大功率点跟踪(MPPT)算法不能满足全局MPPT的性能要求。为了快速搜索全局最大功率点提高光伏电站发电效率，经过长期多次研究，本发明提出了一种基于蜉蝣算法优化支持向量回归的全局MPPT方法。
如图1和图2所示，本发明的一方面，提供一种部分遮阳光伏阵列的全局MPPT控制方法S100，一并结合图4所示，对应的部分遮阳光伏阵列的全局MPPT装置200包括电连接的部分遮阳光伏阵列210、传感器220、控制设备230以及运维优化模块240。基于上述装置，本实施例的控制方法S100包括下述步骤S110～S120：
S110、获取所述部分遮阳光伏阵列运行的最大功率点电压和电流信号。
具体的，本实施例的光伏电池的等效电路如图3所示，光伏电池等效组件参数的值与其作业环境的温度和光照强度等因素有关，而光照强度和温度很难被准确地测量到。
进一步的，工程上为方便分析光伏电池输出特性简化了其数学模型，提出简化参数关系为下式：
其中，U为光伏电池正常工作时的实际输出电压；Im为最大功率点输出电流；Isc为短路电流；Um为最大功率点输出电压；Uoc为开路电压；I为光伏电池正常工作时的实际输出电流；C1和C2为常数因子，其值由光伏电池的相关参数如Im、Is、U和Uoc共同决定。
S120、控制设备基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPPT，并将搜索数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。
具体的，控制设备利用支持向量机算法的预测模型对所述部分遮阳光伏阵列的最大输出功率点电压进行回归预测。以及，控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优。也就是说，该控制设备包括有蜉蝣算法优化的支持向量机算法模块。
需要说明的是，本实施例将优化后的支持向量机算法设计为即插即用的模块封装进光伏电站现场控制设备，提高了其工业实用性。
应当理解的是，支持向量机算法是一种具备优异全局优化性能的机器学习方法，可用于回归预测以及解决分类问题。它在高维且复杂非线性的小数量样本回归预测问题中展现出了很好的泛化能力。因此，本实施例采用支持向量机算法对部分遮阴光伏阵列的最大输出功率点电压进行回归预测。
根据理论分析可知，影响光伏阵列最大功率点电压值的因素主要有光照强度E、光伏组件温度T和各光伏组件遮挡度S。本实施例针对的是3×2的光伏阵列，所以将E、T、S1、S2、S3设置为预测模型的输入变量，将MPPT对应的电压值设置为预测模型的输出变量，即预测模型如下：
Vm＝f(E,T,S1,S2,S3)；
其中，Vm代表输出变量，为最大功率点对应的电压值；
E、T、S1、S3、S3均代表输入变量，其中，E为光照强度、T为光伏组件温度以及S1、S3、S3为各光伏组件遮挡度。
进一步的需要说明的是，由于支持向量机预测模型的性能在很大程度上受惩罚参数c和核函数参数g的影响，因此需为c、g选择合适的值。智能仿生群算法在解决优化问题上发挥着巨大的寻优性能及潜力，因此本实施例引入具有较高寻优精度和快速收敛的蜉蝣算法对c、g进行寻优。
具体的，本实施例的控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优，包括：确定雄性蜉蝣群体的运动位置；确定雌性蜉蝣群体的运动位置；通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值。也就是说，群体全局最优(gbest)的位置信息即为部分遮阴光伏阵列支持向量机预测模型参数c、g的值。
需要说明的是，蜉蝣算法是希腊学者受启发于蜉蝣的飞行及交配行为在2020年7月提出的新型智能优化算法。该算法具有寻优精度高、良好的探索开发能力等优点，被广泛应用于电力生产过程控制及空天控制等领域。因此，采用蜉蝣算法对于光伏MPPT控制参数寻优具有重要现实意义。
进一步需要说明的是，蜉蝣是一种水生昆虫，分为雌性蜉蝣和雄性蜉蝣，自出生后需经历几年时间成长为水生幼虫，成年后上升到水面，完成繁殖目标后生命周期就结束了，一只成年蜉蝣只存活几天。因此，为了吸引雌性，雄性成年蜉蝣集群聚集在水面上几米的地方，通过特有的上下运动模式表演一场婚礼舞蹈。随后，雌性成年蜉蝣飞入这些雄性蜉蝣群体，进行交配产生子代。进一步的，将雄性个体的最优个体和雌性蜉蝣的最优个体进行交配，得到一个最优子代。同理，雄性次优个体和雌性最优个体进行交配得到的次优的个体，这一过程和适者生存的规律一样。我们假设蜉蝣从孵出已是成虫，每个蜉蝣在搜索空间中的位置代表了问题的可能解决方案。
仍需要说明的是，蜉蝣算法由雄性蜉蝣群体的运动、雌性蜉蝣群体的运动、雌雄蜉蝣的交配这三部分构成，工作原理如下：随机初始化产生两组蜉蝣，分别代表雄性和雌性种群，并根据目标函数计算每个个体的适应度值。蜉蝣个体根据特定的规则更新其速度和位置，确定飞行目前为止的个体局部最优(pbest)和群体全局最优(gbest)。
具体的，确定雄性蜉蝣群体的运动位置包括：雄性蜉蝣成群聚集，意味着每只雄性蜉蝣的位置是根据它自己和邻居的经验调整的，其位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
应当理解的是，雄性蜉蝣群体总是在表演婚礼舞蹈，因此会不断地移动，其速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置；a1和a2是社会作用正吸引系数，Pbest为当前蜉蝣个体最优位置，Gbest为当前蜉蝣全局最优位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围，rp代表当前位置与pbest的距离，rg代表当前位置与gbest的距离。
距离计算公式如下：
其中，xij是蜉蝣i的第j维位置分量，Xi对应于pbesti或gbest。
进一步的，雄性蜉蝣群体中最好的蜉蝣继续表演它们特有的婚礼舞蹈是很重要的。因此，最好的蜉蝣必须不断地改变它们的速度，在这种情况下，速度更新公式还包括：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，d是舞蹈系数，r为[-1,1]之间的随机数。
另外，与雄性不同，雌性蜉蝣不会成群聚集，它们会飞到雄性群体来完成交配。假设为在t时刻蜉蝣i的位置信息，它的位置的更新通过增加速度来更新，其雌性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息。
鉴于吸引过程是随机的，为了得到优质的子代我们决定将其建模为一个确定性过程，即最佳的雌性个体应该被最佳的雄性个体吸引，次最佳的雌性个体应该被次最佳的雄性个体吸引，其速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置，a2是一个正系数，rmf代表雌性蜉蝣距离雄性蜉蝣的距离；fl是一个随机游走系数,当雌性没有被雄性攻击时起作用，r是范围[-1,1]的随机数。
更进一步的，通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值，包括：采用交叉算法代表雌雄蜉蝣的交配过程，从雄性群体选择一个父本，从雌性群体选择一个母本。不难理解，该选择过程可以是随机的，也可以基于它们的适应度值。具体的，在本算法中，选择具有最佳适应度值的雌性蜉蝣个体与最佳的雄性蜉蝣个体进行交配，次最佳的雌性蜉蝣个体与次最佳的雄性蜉蝣个体进行交配，分别产生了最佳蜉蝣子代和次最佳蜉蝣子代，以完成目标函数优化过程，输出优化后的支持向量机预测模型惩罚参数c和核函数g；其中，产生过程关系式如下：
offspring1＝L*male+(1-L)*female
offspring2＝L*female+(1-L)*male；
其中，offspring1是最佳蜉蝣子代，offspring2是次最佳蜉蝣子代；male是父本，female是母本，L是一个特定范围的随机数。
本实施例基于蜉蝣算法优化了部分遮阳条件下光伏阵列支持向量机预测模型，为搜索全局最大功率点电压提供基础。以及，将优化后的支持向量机算法设计为即插即用的模块封装进光伏电站现场控制设备，提高了其工业实用性，提升了部分遮阳光伏阵列全局最大功率点跟踪效果，为分布式光伏电站的运维优化提供新思路。
如图2和图4所示，本发明的另一方面，提供一种部分遮阳光伏阵列的全局MPPT控制装置200，包括部分遮阳光伏阵列210、传感器220、控制设备230以及运维优化模块240；其中，传感器220分别与部分遮阳光伏阵列210的输出端以及所述控制设备230的输入端电连接，运维优化模块240分别与控制设备230的输出端以及部分遮阳光伏阵列210的输入端电连接。并且，传感器220，用于将部分遮阳光伏阵列210运行的最大功率点电压和电流信号输送至所述控制设备230。控制设备230，用于基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列210的全局MPTT，并将优化数据反馈至所述运维优化模块240，以对部分遮阳光伏阵列210的运维进行指导优化。
本实施例的部分遮阳光伏阵列运行的最大功率点电压和电流信号借助传感器传入现场控制设备。基于蜉蝣算法优化的支持向量机算法被封装进一个即插即用的控制设备中，通过控制设备搜索全局MPPT指导光伏阵列的运维，达到提高部分遮阳光伏阵列发电效率的目标。
应当理解的是，影响光伏阵列最大功率点电压值的因素主要有光照强度E、光伏组件温度T和各光伏组件遮挡度S。本实施例针对的是3×2的光伏阵列，所以将E、T、S1、S2、S3设置为预测模型的输入变量，将MPPT对应的电压值设置为预测模型的输出变量，即预测模型如下：
Vm＝f(E,T,S1,S2,S3)；
其中，Vm代表输出变量，为最大功率点对应的电压值；
E、T、S1、S3、S3均代表输入变量，其中，E为光照强度、T为光伏组件温度以及S1、S3、S3为各光伏组件遮挡度。
需要说明的是，由于支持向量机预测模型的性能在很大程度上受惩罚参数c和核函数参数g的影响，因此需为c、g选择合适的值。智能仿生群算法在解决优化问题上发挥着巨大的寻优性能及潜力，因此本实施例引入具有较高寻优精度和快速收敛的蜉蝣算法对c、g进行寻优。具体的，本实施例的控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优，包括：确定雄性蜉蝣群体的运动位置；确定雌性蜉蝣群体的运动位置；通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值。也就是说，群体全局最优(gbest)的位置信息即为部分遮阴光伏阵列支持向量机预测模型参数c、g的值。
具体的，确定雄性蜉蝣群体的运动位置，包括：雄性蜉蝣成群聚集，意味着每只雄性蜉蝣的位置是根据它自己和邻居的经验调整的，其位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
应当理解的是，雄性蜉蝣群体总是在表演婚礼舞蹈，因此会不断地移动，其速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置；a1和a2是社会作用正吸引系数，Pbest为当前蜉蝣个体最优位置，Gbest为当前蜉蝣全局最优位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围，rp代表当前位置与pbest的距离，rg代表当前位置与gbest的距离；以及，
距离计算公式如下：
其中，xij是蜉蝣i的第j维位置分量，Xi对应于pbesti或gbest。
进一步的，雄性蜉蝣群体中最好的蜉蝣继续表演它们特有的婚礼舞蹈是很重要的。因此，最好的蜉蝣必须不断地改变它们的速度，在这种情况下，速度更新公式还包括：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，d是舞蹈系数，r为[-1,1]之间的随机数。
其次，与雄性不同，雌性蜉蝣不会成群聚集，它们会飞到雄性群体来完成交配。假设为在t时刻蜉蝣i的位置信息，它的位置的更新通过增加速度来更新，其雌性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息。
鉴于吸引过程是随机的，为了得到优质的子代我们决定将其建模为一个确定性过程，即最佳的雌性个体应该被最佳的雄性个体吸引，次最佳的雌性个体应该被次最佳的雄性个体吸引，其速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置，a2是一个正系数，rmf代表雌性蜉蝣距离雄性蜉蝣的距离；fl是一个随机游走系数,当雌性没有被雄性攻击时起作用，r是范围[-1,1]的随机数。
更进一步的，通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值，包括：采用交叉算法代表雌雄蜉蝣的交配过程，从雄性群体选择一个父本，从雌性群体选择一个母本。不难理解，该选择过程可以是随机的，也可以基于它们的适应度值，在本算法中，选择具有最佳适应度值的雌性蜉蝣个体与最佳的雄性蜉蝣个体进行交配，次最佳的雌性蜉蝣个体与次最佳的雄性蜉蝣个体进行交配，分别产生了最佳蜉蝣子代和次最佳蜉蝣子代，以完成目标函数优化过程，输出优化后的支持向量机预测模型惩罚参数c和核函数g；其中，产生过程关系式如下：
offspring1＝L*male+(1-L)*female
offspring2＝L*female+(1-L)*male；
其中，offspring1是最佳蜉蝣子代，offspring2是次最佳蜉蝣子代；male是父本，female是母本，L是一个特定范围的随机数。
下面将结合具体实施例进一步说明部分遮阳光伏阵列的全局MPPT控制方法：
本示例以某20MW光伏电站部分遮阴光伏阵列5000组历史运行数据进行分析，具体步骤如下：
一、建立部分遮阳光伏阵列模型
基于3000组部分遮阴光伏阵列的现场运行数据，采用支持向量机算法搭建部分遮阴光伏阵列的预测模型。随后，利用另外的2000组数据验证所建模型的准确性。
二、部分遮阴光伏阵列全局最大输出功率点电压回归预测
影响光伏阵列最大功率点电压值的因素主要有光照强度E、光伏组件温度T和各光伏组件遮挡度S。本文研究的是3×2的光伏阵列，所以将E、T、S1、S2、S3设置为预测模型的输入变量，将MPP对应的电压值设置为预测模型的输出变量，即：
Vm＝f(E,T,S1,S2,S3)
设置光照强度E＝420W/m2、T＝23℃、S1＝0.6、S2＝0.3、S3＝0.4。
三、采用蜉蝣算法优化光伏阵列支持向量机模型
随机初始化产生两组蜉蝣，雄性蜉蝣和雌性蜉蝣个体数均为50，并根据目标函数计算每个个体的适应度值。蜉蝣个体根据特定的规则更新其速度和位置，飞行目前为止的个体局部最优(pbest)和群体全局最优(gbest)。每个蜉蝣个体代表一组模型参数c、g的解，群体全局最优(gbest)的位置信息即为部分遮阴光伏阵列支持向量机预测模型参数c、g的值。模型参数优化步骤如下：
(1)雄性蜉蝣群体的运动
雄性蜉蝣成群聚集，意味着每只雄性蜉蝣的位置是根据它自己和邻居的经验调整的，其位置更新公式如下：
雄性蜉蝣群体总是在表演婚礼舞蹈，因此会不断地移动，其速度更新公式如下：
其中，
是t时刻蜉蝣i在j维度的速度，
代表t时刻的位置。a1和a2是社会作用正吸引系数；Pbest为当前个体最优位置，Gbest为当前全局最优位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围。rp代表当前位置与pbest的距离。rg代表当前位置与gbest的距离。距离的计算如下：
其中，xij是蜉蝣i的第j维位置分量，Xi对应于pbesti或gbest。雄性蜉蝣群体中最好的蜉蝣继续表演它们特有的婚礼舞蹈是很重要的。因此，最好的蜉蝣必须不断地改变它们的速度，在这种情况下，计算如下:
舞蹈系数d＝0.6。(2)雌性蜉蝣群体的运动
与雄性不同，雌性蜉蝣不会成群聚集。它们会飞到雄性群体来完成交配。假设
为在t时刻蜉蝣i的位置信息，它的位置的更新通过增加速度来更新：
鉴于吸引过程是随机的，为了得到优质的子代我们决定将其建模为一个确定性过程，即最佳的雌性个体应该被最佳的雄性个体吸引，次最佳的雌性个体应该被次最佳的雄性个体吸引，其速度更新公式如下：
其中，
代表蜉蝣的速度，
代表位置，rmf代表雌性蜉蝣距离雄性蜉蝣的距离；a2＝0.3；当雌性没有被雄性攻击时fl＝0.9；r＝0.2。
(3)雌雄蜉蝣的交配
选择具有最佳适应度值的雌性个体与最佳的雄性个体进行交配，次最佳的雌性个体与次最佳的雄性个体进行交配，分别产生了最佳子代和次最佳子代，其产生如下：
offspring1＝L*male+(1-L)*female
offspring2＝L*female+(1-L)*male
其中，male是父本，female是母本，L＝0.7。
本实施例通过上述过程完成目标函数优化过程，输出优化后的支持向量机预测模型参数c、g。
四、部分遮阳光伏阵列全局MPPT
执行图2的部分遮阳光伏阵列全局MPPT方案，部分遮阳光伏阵列运行的最大功率点电压和电流信号借助传感器传入现场控制设备。基于蜉蝣算法优化的支持向量机算法被封装进一个即插即用的控制设备中。通过控制设备搜索全局MPPT指导光伏阵列的运维，达到提高部分遮阳光伏阵列发电效率的目标。
本发明提出一种部分遮阳光伏阵列的全局MPPT控制方法与装置，相对于现有技术而言具有以下有益效果：
第一、本发明基于蜉蝣算法优化了部分遮阳条件下光伏阵列支持向量机预测模型，为搜索全局最大功率点电压提供基础，提升了部分遮阳光伏阵列全局最大功率点跟踪效果，为分布式光伏电站的运维优化提供新思路，对于促进光伏发电技术的普及具有重要意义。
第二、本发明将优化后的支持向量机算法设计为即插即用的模块封装进光伏电站现场控制设备，提高了其工业实用性。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种部分遮阳光伏阵列的全局MPPT控制方法，其特征在于，部分遮阳光伏阵列的全局MPPT装置包括电连接的部分遮阳光伏阵列、控制设备以及运维优化模块；其中，所述方法包括：
获取所述部分遮阳光伏阵列运行的最大功率点电压和电流信号；
所述控制设备基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPPT，并将搜索数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。
2.根据权利要求1所述的方法，其特征在于，光伏电池输出特性的数学模型为下式：
其中，U为光伏电池正常工作时的实际输出电压；Im为最大功率点输出电流；Isc为短路电流；Um为最大功率点输出电压；Uoc为开路电压；I为光伏电池正常工作时的实际输出电流；C1和C2为常数因子，其值由光伏电池的相关参数如Im、Is、U和Uoc共同决定。
3.根据权利要求2所述的方法，其特征在于，所述控制设备基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPPT，包括：
所述控制设备利用支持向量机算法的预测模型对所述部分遮阳光伏阵列的最大输出功率点电压进行回归预测；
所述控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优。
4.根据权利要求3所述的方法，其特征在于，所述预测模型如下式：
Vm＝f(E,T,S1,S2,S3)；
其中，Vm代表输出变量，为最大功率点对应的电压值；
E、T、S1、S3、S3均代表输入变量，其中，E为光照强度、T为光伏组件温度以及S1、S3、S3为各光伏组件遮挡度。
5.根据权利要4所述的方法，其特征在于，所述控制设备利用蜉蝣优化算法对所述支持向量机算法中的惩罚参数c和核函数g进行寻优，包括：
确定雄性蜉蝣群体的运动位置；
确定雌性蜉蝣群体的运动位置；
通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值。
6.根据权利要求5所述的方法，其特征在于，所述确定雄性蜉蝣群体的运动位置，包括：
雄性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
该速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置；a1和a2是社会作用正吸引系数，Pbest为当前蜉蝣个体最优位置，Gbest为当前蜉蝣全局最优位置，β是蜉蝣的能见度系数，控制蜉蝣的能见范围，rp代表当前位置与pbest的距离，rg代表当前位置与gbest的距离；以及，
距离计算公式如下：
其中，xij是蜉蝣i的第j维位置分量，Xi对应于pbesti或gbest。
7.根据权利要求6所述的方法，其特征在于，所述速度更新公式还包括：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，d是舞蹈系数，r为[-1,1]之间的随机数。
8.根据权利要求7所述的方法，其特征在于，所述确定雌性蜉蝣群体的运动位置，包括：
雌性蜉蝣的位置更新公式如下：
其中，
为在t+1时刻蜉蝣i的位置信息，
为在t时刻蜉蝣i的位置信息，
在t+1时刻蜉蝣i的速度信息；
该速度更新公式如下：
其中，
是t+1时刻蜉蝣i在j维度的速度，
是t时刻蜉蝣i在j维度的速度，
代表t时刻蜉蝣i在j维度的位置，a2是一个正系数，rmf代表雌性蜉蝣距离雄性蜉蝣的距离；fl是一个随机游走系数，当雌性没有被雄性攻击时起作用，r是范围[-1,1]的随机数。
9.根据权利要求8所述的方法，其特征在于，所述通过雌雄蜉蝣的交配确定全局最优的位置信息，以确定支持向量机算法预测模型的惩罚参数c和核函数g的值，包括：
采用交叉算法代表雌雄蜉蝣的交配过程，选择具有最佳适应度值的雌性蜉蝣个体与最佳的雄性蜉蝣个体进行交配，次最佳的雌性蜉蝣个体与次最佳的雄性蜉蝣个体进行交配，分别产生了最佳蜉蝣子代和次最佳蜉蝣子代，以完成目标函数优化过程，输出优化后的支持向量机预测模型惩罚参数c和核函数g；其中，产生过程关系式如下：
offspring1＝L*male+(1-L)*female
offspring2＝L*female+(1-L)*male；
其中，offspring1是最佳蜉蝣子代，offspring2是次最佳蜉蝣子代；male是父本，female是母本，L是一个特定范围的随机数。
10.一种部分遮阳光伏阵列的全局MPPT控制装置，其特征在于，包括部分遮阳光伏阵列、传感器、控制设备以及运维优化模块；其中，所述传感器分别与所述部分遮阳光伏阵列的输出端以及所述控制设备的输入端电连接，所述运维优化模块分别与所述控制设备的输出端以及所述部分遮阳光伏阵列的输入端电连接；并且，
所述传感器，用于将所述部分遮阳光伏阵列运行的最大功率点电压和电流信号输送至所述控制设备；
所述控制设备，用于基于蜉蝣算法优化的支持向量机算法搜索所述部分遮阳光伏阵列的全局MPTT，并将优化数据反馈至所述运维优化模块，以对所述部分遮阳光伏阵列的运维进行指导优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634502.6A CN114510111B (zh) | 2021-12-29 | 2021-12-29 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111634502.6A CN114510111B (zh) | 2021-12-29 | 2021-12-29 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114510111A true CN114510111A (zh) | 2022-05-17 |
| CN114510111B CN114510111B (zh) | 2023-09-12 |
Family
ID=81547361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111634502.6A Active CN114510111B (zh) | 2021-12-29 | 2021-12-29 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510111B (zh) |
Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102291050A (zh) * | 2011-08-17 | 2011-12-21 | 华北电力大学（保定） | 一种光伏发电系统最大功率跟踪方法及装置 |
| US20110309875A1 (en) * | 2010-06-18 | 2011-12-22 | Rockwell Automation Technologies, Inc. | Converter lifetime improvement method for doubly fed induction generator |
| CN102684136A (zh) * | 2011-03-15 | 2012-09-19 | 沈阳西东控制技术有限公司 | 一种光伏微电网共网应用系统的零逆流预测方法 |
| CN103123514A (zh) * | 2013-02-26 | 2013-05-29 | 浙江工业大学 | 光伏阵列多峰最大功率点跟踪方法 |
| EP2607980A1 (en) * | 2011-12-22 | 2013-06-26 | Stichting IMEC Nederland | Method and apparatus for tracking the maximum power point of a photovoltaic array |
| CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
| CN103324239A (zh) * | 2013-05-17 | 2013-09-25 | 河海大学 | 局部阴影下光伏阵列全局最大功率点快速寻优方法 |
| CN103955757A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法 |
| CN104454346A (zh) * | 2014-11-09 | 2015-03-25 | 华北电力大学（保定） | 一种小型永磁直驱风力发电系统最大功率跟踪控制方法 |
| US20160079761A1 (en) * | 2014-09-15 | 2016-03-17 | The Board Of Trustees Of The University Of Illinois | System and method for power point tracking for photovoltaic cells |
| US20160126847A1 (en) * | 2014-10-31 | 2016-05-05 | Majid Pahlevaninezhad | Current sensorless mppt for pv micro-inverters |
| CN106094970A (zh) * | 2016-06-23 | 2016-11-09 | 江苏林洋能源股份有限公司 | 一种基于粒子群全局优化和电导增量法的mppt控制方法 |
| CN107193320A (zh) * | 2017-06-06 | 2017-09-22 | 湘潭大学 | 一种基于分子动理论优化算法的局部阴影光伏列阵mppt控制 |
| CN107545327A (zh) * | 2017-08-23 | 2018-01-05 | 国网辽宁省电力有限公司经济技术研究院 | 基于支持向量机的光伏发电短期输出功率综合预测方法 |
| CN107562992A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 |
| CN109062314A (zh) * | 2018-09-20 | 2018-12-21 | 天津大学 | 局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法 |
| CN110286708A (zh) * | 2019-08-14 | 2019-09-27 | 青海民族大学 | 一种光伏阵列的最大功率跟踪控制方法及系统 |
| CN111200312A (zh) * | 2020-01-02 | 2020-05-26 | 北京机械设备研究所 | 一种多输入全环境下mppt控制装置 |
| CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
| CN111459221A (zh) * | 2020-05-25 | 2020-07-28 | 广东工业大学 | 一种光伏发电系统mppt控制方法 |
| CN111694396A (zh) * | 2020-07-04 | 2020-09-22 | 湘潭大学 | 一种基于分子运动轨迹搜索算法的mppt控制 |
| CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
| CN112682256A (zh) * | 2020-12-09 | 2021-04-20 | 北京华能新锐控制技术有限公司 | 一种基于tmd与变桨优化控制的风机联合减载方法 |
| US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
| CN113316196A (zh) * | 2021-05-10 | 2021-08-27 | 北京科技大学 | 基于边缘缓存的星地协同网络中的资源分配方法及装置 |
| CN113485451A (zh) * | 2021-08-19 | 2021-10-08 | 金陵科技学院 | 一种基于改进的蜉蝣优化算法的机器人多目标路径规划 |
-
2021
- 2021-12-29 CN CN202111634502.6A patent/CN114510111B/zh active Active
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110309875A1 (en) * | 2010-06-18 | 2011-12-22 | Rockwell Automation Technologies, Inc. | Converter lifetime improvement method for doubly fed induction generator |
| CN102684136A (zh) * | 2011-03-15 | 2012-09-19 | 沈阳西东控制技术有限公司 | 一种光伏微电网共网应用系统的零逆流预测方法 |
| CN102291050A (zh) * | 2011-08-17 | 2011-12-21 | 华北电力大学（保定） | 一种光伏发电系统最大功率跟踪方法及装置 |
| EP2607980A1 (en) * | 2011-12-22 | 2013-06-26 | Stichting IMEC Nederland | Method and apparatus for tracking the maximum power point of a photovoltaic array |
| CN103123514A (zh) * | 2013-02-26 | 2013-05-29 | 浙江工业大学 | 光伏阵列多峰最大功率点跟踪方法 |
| CN103293950A (zh) * | 2013-04-09 | 2013-09-11 | 国家电网公司 | 一种基于lssvm的光伏最大功率点跟踪的控制方法 |
| CN103324239A (zh) * | 2013-05-17 | 2013-09-25 | 河海大学 | 局部阴影下光伏阵列全局最大功率点快速寻优方法 |
| CN103955757A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法 |
| US20160079761A1 (en) * | 2014-09-15 | 2016-03-17 | The Board Of Trustees Of The University Of Illinois | System and method for power point tracking for photovoltaic cells |
| US20160126847A1 (en) * | 2014-10-31 | 2016-05-05 | Majid Pahlevaninezhad | Current sensorless mppt for pv micro-inverters |
| CN104454346A (zh) * | 2014-11-09 | 2015-03-25 | 华北电力大学（保定） | 一种小型永磁直驱风力发电系统最大功率跟踪控制方法 |
| CN106094970A (zh) * | 2016-06-23 | 2016-11-09 | 江苏林洋能源股份有限公司 | 一种基于粒子群全局优化和电导增量法的mppt控制方法 |
| CN107193320A (zh) * | 2017-06-06 | 2017-09-22 | 湘潭大学 | 一种基于分子动理论优化算法的局部阴影光伏列阵mppt控制 |
| CN107562992A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 |
| CN107545327A (zh) * | 2017-08-23 | 2018-01-05 | 国网辽宁省电力有限公司经济技术研究院 | 基于支持向量机的光伏发电短期输出功率综合预测方法 |
| CN109062314A (zh) * | 2018-09-20 | 2018-12-21 | 天津大学 | 局部遮蔽条件下的改进布谷鸟光伏全局最大功率追踪方法 |
| CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
| CN110286708A (zh) * | 2019-08-14 | 2019-09-27 | 青海民族大学 | 一种光伏阵列的最大功率跟踪控制方法及系统 |
| CN111200312A (zh) * | 2020-01-02 | 2020-05-26 | 北京机械设备研究所 | 一种多输入全环境下mppt控制装置 |
| US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
| CN111459221A (zh) * | 2020-05-25 | 2020-07-28 | 广东工业大学 | 一种光伏发电系统mppt控制方法 |
| CN111694396A (zh) * | 2020-07-04 | 2020-09-22 | 湘潭大学 | 一种基于分子运动轨迹搜索算法的mppt控制 |
| CN112148059A (zh) * | 2020-10-12 | 2020-12-29 | 四川科陆新能电气有限公司 | 一种用于光伏发电站的mppt最大功率跟踪方法 |
| CN112682256A (zh) * | 2020-12-09 | 2021-04-20 | 北京华能新锐控制技术有限公司 | 一种基于tmd与变桨优化控制的风机联合减载方法 |
| CN113316196A (zh) * | 2021-05-10 | 2021-08-27 | 北京科技大学 | 基于边缘缓存的星地协同网络中的资源分配方法及装置 |
| CN113485451A (zh) * | 2021-08-19 | 2021-10-08 | 金陵科技学院 | 一种基于改进的蜉蝣优化算法的机器人多目标路径规划 |
Non-Patent Citations (2)
| Title |
|---|
| XINGMIN HE ET AL.: "MPPT control based on improved mayfly optimization algorithm under complex shading conditions", 《INTERNATIONAL JOURNAL OF EMERGING ELECTRIC POWER SYSTEMS》, vol. 22, no. 6, pages 661 - 674 * |
| 陈飞 等: "基于MA-SVM的家用负荷非侵入式识别", 《智能计算机与应用》, vol. 11, no. 10, pages 113 - 117 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114510111B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | PV arrays reconfiguration for partial shading mitigation: Recent advances, challenges and perspectives | |
| Venkateswari et al. | Review on parameter estimation techniques of solar photovoltaic systems | |
| Mirza et al. | A Salp-Swarm Optimization based MPPT technique for harvesting maximum energy from PV systems under partial shading conditions | |
| Mansoor et al. | Novel Grass Hopper optimization based MPPT of PV systems for complex partial shading conditions | |
| Behera et al. | A review on optimization algorithms and application to wind energy integration to grid | |
| El Telbany et al. | Intelligent techniques for MPPT control in photovoltaic systems: A comprehensive review | |
| Ibrahim et al. | Comparative study of solar PV system performance under partial shaded condition utilizing different control approaches | |
| Mugemanyi et al. | Marine predators algorithm: A comprehensive review | |
| Zhao et al. | Prediction of daily reference crop evapotranspiration in different Chinese climate zones: Combined application of key meteorological factors and Elman algorithm | |
| Fatima et al. | Intelligent approach-based maximum power point tracking for renewable energy system: a review | |
| Eltamaly | Photovoltaic maximum power point trackers: an overview | |
| Pilakkat et al. | A comprehensive review of swarm optimization algorithms for MPPT control of PV systems under partially shaded conditions | |
| Liu et al. | Image formation, deep learning, and physical implication of multiple time-series one-dimensional signals: method and application | |
| Ma et al. | Research on fault location in DC distribution network based on adaptive artificial bee colony slime mould algorithm | |
| Nasri et al. | A novel levy flight trajectory-based salp swarm algorithm for photovoltaic parameters estimation | |
| CN114706445A (zh) | 基于de-gwo算法的光伏最大功率点跟踪方法 | |
| Lakshmanan et al. | Optimal parameter characterization of an enhanced mathematical model of solar photovoltaic cell/module using an improved white shark optimization algorithm | |
| CN114510111A (zh) | 部分遮阳光伏阵列的全局mppt控制方法与装置 | |
| Li et al. | Global maximum power point tracking for solar power systems using the hybrid artificial fish swarm algorithm | |
| CN116578830A (zh) | 一种基于改进海洋捕食者算法的光伏阵列重构方法 | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
| Sun | An extreme learning machine model optimized based on improved golden eagle algorithm for wind power forecasting | |
| Yadav et al. | Intelligent techniques for maximum power point tracking | |
| Singhal et al. | A survey of intelligent algorithms used for MPPT of photovoltaic systems | |
| Indumathi et al. | Comparative Analysis of Hybrid GA-PSO and GWO-PSO MPPT Algorithm for Photovoltaic Systems |
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 |