CN114710116A - 一种基于模糊模型的光伏电池组件的实测建模方法及系统 - Google Patents

一种基于模糊模型的光伏电池组件的实测建模方法及系统 Download PDF

Info

Publication number
CN114710116A
CN114710116A CN202210301811.XA CN202210301811A CN114710116A CN 114710116 A CN114710116 A CN 114710116A CN 202210301811 A CN202210301811 A CN 202210301811A CN 114710116 A CN114710116 A CN 114710116A
Authority
CN
China
Prior art keywords
fuzzy model
photovoltaic cell
fuzzy
temperature
current
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
CN202210301811.XA
Other languages
English (en)
Inventor
王志杰
盛锴
朱晓星
陈厚涛
王锡辉
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210301811.XA priority Critical patent/CN114710116A/zh
Publication of CN114710116A publication Critical patent/CN114710116A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • H02S50/15—Testing of PV devices, e.g. of PV modules or single PV cells using optical means, e.g. using electroluminescence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于模糊模型的光伏电池组件的实测建模方法及系统，本发明方法包括针对每一种特性参数，将辐照、温度和该特性参数的实测值输入该特性参数对应的模糊模型，推理得到对应的特性参数的估计值；将每一种特性参数的估计值代入光伏电池组件的电流‑电压函数关系，得到光伏电池组件的输出电压U和输出电流I之间的关系曲线。本发明采用模糊模型建立辐照、温度与光伏电池特性参数之间的非线性映射关系，再将系统辨识的高精确性和机理建模的易理解性相结合，基于光伏电池组件的函数关系模型可获得光伏电池组件的输出电压U和输出电流I之间的关系曲线，提高了建模精度，且本发明方法相对简单，便于工程技术人员的理解和应用。

Description

一种基于模糊模型的光伏电池组件的实测建模方法及系统
技术领域
本发明涉及光伏电池组件的建模方法，具体涉及一种基于模糊模型的光伏电池组件的实测建模方法及系统。
背景技术
光伏电池能够将太阳能直接转化成电能，是一种清洁无污染、可持续发展的新型能源。随着“双碳”目标的提出，光伏电站在近年获得了迅猛发展。建立精确的光伏电池组件模型对于光伏发电功率预测、光伏电池组件故障诊断及并网运行特性分析等都有着重要作用。理论分析及实践表明，太阳辐照、环境温度对光伏电池组件的特性影响较大，其它外界因素与之相比可忽略不计。因此，准确建立辐照、温度与光伏电池组件的特性参数之间的关系对于光伏电池精确建模尤为重要。目前，光伏电池组件建模方法主要有两种：一种为基于物理特性的机理建模法，其虽能表征光伏电池的内部机理，但对于辐照、温度等外界参数与光伏电池特性参数之间的关系通常建立在“近似或假设”基础之上，由此获得的光伏电池模型与其实际特性往往存在一定的偏差。另一种为基于人工智能的系统辨识法，其通常利用神经网络及人工智能优化算法，建立辐照、温度等参数与光伏电池组件的电压、电流及有功功率之间的非线性模型。该方法不依赖于复杂的机理分析，能够获得较精确的模型，但其表达式通常过于复杂，不利于工程技术人员的理解和应用。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于模糊模型的光伏电池组件的实测建模方法及系统，本发明采用模糊模型建立辐照、温度与光伏电池特性参数之间的非线性映射关系，再将系统辨识的高精确性和机理建模的易理解性相结合，基于光伏电池组件的函数关系模型可获得光伏电池组件的输出电压U和输出电流I之间的关系曲线，提高了建模精度，且本发明方法相对简单，便于工程技术人员的理解和应用。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于模糊模型的光伏电池组件的实测建模方法，包括：
1)分别采集辐照、温度以及光伏电池组件的特性参数；
2)针对每一种特性参数，将辐照、温度和该特性参数的实测值输入该特性参数对应的模糊模型，通过该模糊模型推理得到对应的特性参数的估计值；
3)将每一种特性参数的估计值代入光伏电池组件的电流-电压函数关系，得到光伏电池组件的输出电压U和输出电流I之间的关系曲线。
可选地，步骤1)中光伏电池组件的特性参数包括开路电压、短路电流、最大功率点电压和最大功率点电流。
可选地，步骤2)中的模糊模型包括：开路电压对应的模糊模型
Figure BDA0003565734490000021
F0表示模糊模型
Figure BDA0003565734490000022
的映射关系，E为辐照，T为温度，模糊模型
Figure BDA0003565734490000023
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个开路电压的实测值，输出为开路电压Uoc的估计值
Figure BDA0003565734490000024
短路电流对应的模糊模型
Figure BDA0003565734490000025
F1表示模糊模型
Figure BDA0003565734490000026
的映射关系，模糊模型
Figure BDA0003565734490000027
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个短路电流的实测值，输出为短路电流Isc的估计值
Figure BDA0003565734490000028
最大功率点电压对应的模糊模型
Figure BDA0003565734490000029
F2表示模糊模型
Figure BDA00035657344900000210
的映射关系，模糊模型
Figure BDA00035657344900000211
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电压的实测值，输出为最大功率点电压Um的估计值
Figure BDA00035657344900000212
最大功率点电流对应的模糊模型
Figure BDA00035657344900000213
F3表示模糊模型
Figure BDA00035657344900000214
的映射关系，模糊模型
Figure BDA00035657344900000215
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电流的实测值，输出为最大功率点电流Im的估计值
Figure BDA00035657344900000216
可选地，所述模糊模型为T-S模糊模型，且T-S模糊模型的函数表达式为：
Figure BDA0003565734490000031
上式中，Ri为T-S模糊模型的第i条模糊规则，x(k)为T-S模糊模型的第k个输入向量，x(k)＝[x1(k),x2(k),…,xm(k)]T,，其中x1(k)～xm(k)为的第k个输入向量x(k)中的共m个元素，
Figure BDA0003565734490000032
为第i个聚类子空间的中心向量，
Figure BDA0003565734490000033
为中心向量中的共m个元素，μi(k)为输入向量x(k)对于模糊规则Ri的隶属度，μi(k)∈[0,1]]且满足
Figure BDA0003565734490000034
其中c为模糊规则总数量；
Figure BDA0003565734490000035
为第i条模糊规则Ri的输出；θi(k)＝(θi0,θi1,…,θim)T为第i条模糊规则的后件参数向量；θi0～θim为后件参数向量θi(k)中的共m个元素，z(k)＝[1,xT(k)]T为T-S模糊模型的后件部分的输入向量；
Figure BDA0003565734490000036
为T-S模糊模型的第k个输出。
可选地，步骤3)中光伏电池组件的电流-电压函数关系的函数表达式为：
Figure BDA0003565734490000037
Figure BDA0003565734490000038
Figure BDA0003565734490000039
上式中，C1和C2为中间变量，
Figure BDA00035657344900000310
和
Figure BDA00035657344900000311
分别为由模糊模型推理获得的光伏组件开路电压的估计值、短路电流的估计值，最大功率点电压的估计值和最大功率点电流的估计值。
可选地，步骤2)之前还包括建立并训练光伏电池组件的各项特性参数对应的模糊模型的步骤：
S1)分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数；
S2)针对光伏电池组件的所有特性参数中的任意一项特性参数：首先建立该特性参数的模糊模型，该特性参数的模糊模型的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个该特性参数的实测值，输出为该特性参数的估计值；然后，根据采集不同环境条件下辐照、温度以及光伏电池组件的特性参数，对各个特性参数的模糊模型进行训练，从而为各个特性参数的模糊模型建立辐照、温度和该特性参数的实测值构成的输入、该特性参数的估计值构成的输出之间的映射关系。
可选地，步骤S1)中分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数时，采集单种环境条件下辐照、温度以及光伏电池组件的特性参数为以指定的采样时间间隔进行采样，得到的任意第i组辐照、温度以及光伏电池组件的特性参数为α(i)＝[E(i)T(i)Uoc(i)Isc(i)Um(i)Im(i)]，其中E(i)为辐照的实测值，T(i)为温度的实测值，Uoc(i)为开路电压的实测值，Isc(i)为短路电流的实测值，Um(i)为最大功率点电压的实测值，Im(i)为最大功率点电流的实测值。
可选地，步骤S2)中开路电压、短路电流、最大功率点电压和最大功率点电流的模糊模型中，开路电压的模糊模型的输入包括a0个辐照、b0个温度和c0个开路电压的实测值，短路电流的模糊模型的输入包括a1个辐照、b1个温度和c1个短路电流的实测值，最大功率点电压的模糊模型的输入包括a2个辐照、b2个温度和c2个最大功率点电压的实测值，最大功率点电流的模糊模型的输入包括a3个辐照、b3个温度和c3个最大功率点电流的实测值，其中a0～a3、b0～b3、c0～c3均为大于等于1的正整数。
此外，本发明还提供一种基于模糊模型的光伏电池组件的实测建模系统，包括相互连接的该微处理器和存储器，该微处理器被编程或配置以执行所述基于模糊模型的光伏电池组件实测建模方法的步骤。
此外，本发明还提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序用于被微处理器执行以实施所述基于模糊模型的光伏电池组件实测建模方法的步骤。
和现有技术相比，本发明主要具有下述优点：
1、本发明利用模糊模型能以任何精度逼近任何非线性系统的映射能力，建立了辐照、温度与光伏电池组件特性参数之间的模糊模型，避免了在机理建模中对其之间关系的“近似或假设”，可精确获得光伏电池组件的输出电压U和输出电流I之间的关系曲线，提高了建模精度。
2、本发明将建立的模糊模型应用于对光伏电池组件的机理模型中特性参数的辨识，建立的光伏电池组件模型保留了机理建模易于理解的特点，便于工程技术人员的应用。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中的输出电压U和输出电流I之间的关系曲线示例。
具体实施方式
如图1所示，本实施例基于模糊模型的光伏电池组件的实测建模方法包括：
1)分别采集辐照、温度以及光伏电池组件的特性参数；
2)针对每一种特性参数，将辐照、温度和该特性参数的实测值输入该特性参数对应的模糊模型，通过该模糊模型推理得到对应的特性参数的估计值；
3)将每一种特性参数的估计值代入光伏电池组件的电流-电压函数关系，得到光伏电池组件的输出电压U和输出电流I之间的关系曲线。
特性参数是光伏电池组件的电流-电压函数关系中的影响因素，因此可根据实际的光伏电池组件的电流-电压函数关系模型选择所需的特性参数，该特性参数既可以是电气特性参数，也可以是其他非电气的特性参数，例如结构、材料等方面的特性参数。作为一种可选的实施方式，本实施例中光伏电池组件的电流-电压函数关系仅包含开路电压、短路电流、最大功率点电压和最大功率点电流四种电气特性参数，因此步骤1)中光伏电池组件的特性参数包括开路电压、短路电流、最大功率点电压和最大功率点电流，可通过光伏I-V特性分析仪记录。
对应地，本实施例步骤2)中的模糊模型包括：
一、开路电压对应的模糊模型
Figure BDA0003565734490000051
其中F0表示模糊模型
Figure BDA0003565734490000052
的映射关系，E为辐照，T为温度，模糊模型
Figure BDA0003565734490000053
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个开路电压的实测值，输出为开路电压Uoc的估计值
Figure BDA0003565734490000054
二、短路电流对应的模糊模型
Figure BDA0003565734490000061
其中F1表示模糊模型
Figure BDA0003565734490000062
的映射关系，模糊模型
Figure BDA0003565734490000063
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个短路电流的实测值，输出为短路电流Isc的估计值
Figure BDA0003565734490000064
三、最大功率点电压对应的模糊模型
Figure BDA0003565734490000065
其中F2表示模糊模型
Figure BDA0003565734490000066
的映射关系，模糊模型
Figure BDA0003565734490000067
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电压的实测值，输出为最大功率点电压Um的估计值
Figure BDA0003565734490000068
四、最大功率点电流对应的模糊模型
Figure BDA0003565734490000069
其中F3表示模糊模型
Figure BDA00035657344900000610
的映射关系，模糊模型
Figure BDA00035657344900000611
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电流的实测值，输出为最大功率点电流Im的估计值
Figure BDA00035657344900000612
模糊模型可根据需要选择所需的模糊模型类型。本实施例中，模糊模型为T-S模糊模型，且T-S模糊模型的函数表达式为：
Figure BDA00035657344900000613
上式中，Ri为T-S模糊模型的第i条模糊规则，x(k)为T-S模糊模型的第k个输入向量，x(k)＝[x1(k),x2(k),…,xm(k)]T,，其中x1(k)～xm(k)为的第k个输入向量x(k)中的共m个元素，
Figure BDA00035657344900000614
为第i个聚类子空间的中心向量，
Figure BDA00035657344900000615
为中心向量中的共m个元素，μi(k)为输入向量x(k)对于模糊规则Ri的隶属度，μi(k)∈[0,1]]且满足
Figure BDA00035657344900000616
其中c为模糊规则总数量；
Figure BDA00035657344900000617
为第i条模糊规则Ri的输出；θi(k)＝(θi0,θi1,…,θim)T为第i条模糊规则的后件参数向量；θi0～θim为后件参数向量θi(k)中的共m个元素，z(k)＝[1,xT(k)]T为T-S模糊模型的后件部分的输入向量；
Figure BDA00035657344900000618
为T-S模糊模型的第k个输出。
本实施例中光伏电池组件的电流-电压函数关系仅包含开路电压、短路电流、最大功率点电压和最大功率点电流四种电气特性参数，具体地，步骤3)中光伏电池组件的电流-电压函数关系的函数表达式为：
Figure BDA0003565734490000071
Figure BDA0003565734490000072
Figure BDA0003565734490000073
上式中，C1和C2为中间变量，
Figure BDA0003565734490000074
和
Figure BDA0003565734490000075
分别为由模糊模型推理获得的光伏组件开路电压的估计值、短路电流的估计值，最大功率点电压的估计值和最大功率点电流的估计值。
此外，本实施例步骤2)之前还包括建立并训练光伏电池组件的各项特性参数对应的模糊模型的步骤：
S1)分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数；
S2)针对光伏电池组件的所有特性参数中的任意一项特性参数：首先建立该特性参数的模糊模型，该特性参数的模糊模型的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个该特性参数的实测值，输出为该特性参数的估计值；然后，根据采集不同环境条件下辐照、温度以及光伏电池组件的特性参数，对各个特性参数的模糊模型进行训练，从而为各个特性参数的模糊模型建立辐照、温度和该特性参数的实测值构成的输入、该特性参数的估计值构成的输出之间的映射关系。
本实施例步骤S1)中分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数时，采集单种环境条件下辐照、温度以及光伏电池组件的特性参数为以指定的采样时间间隔(例如本实施例中为5分钟)进行采样，得到的任意第i组辐照、温度以及光伏电池组件的特性参数为α(i)＝[E(i)T(i)Uoc(i)Isc(i)Um(i)Im(i)]，其中E(i)为辐照的实测值，T(i)为温度的实测值，Uoc(i)为开路电压的实测值，Isc(i)为短路电流的实测值，Um(i)为最大功率点电压的实测值，Im(i)为最大功率点电流的实测值。本实施例中，采样得到不同环境条件下共N＝500组光伏电池组件的特性参数。
本实施例步骤S2)中开路电压、短路电流、最大功率点电压和最大功率点电流的模糊模型中，开路电压的模糊模型的输入包括a0个辐照、b0个温度和c0个开路电压的实测值，该输入可表示为：
x(k)＝[E(k),E(k-1),…,E(k-a0),T(k),T(k-1),…,T(k-b0),…,Uoc(k-1),…,Uoc(k-c0)]T；
短路电流的模糊模型的输入包括a1个辐照、b1个温度和c1个短路电流的实测值，该输入可表示为：
x(k)＝[E(k),E(k-1),…,E(k-a1),T(k),T(k-1),…,T(k-b1),…,Isc(k-1),…,Isc(k-c1)]T；
最大功率点电压的模糊模型的输入包括a2个辐照、b2个温度和c2个最大功率点电压的实测值，该输入可表示为：
x(k)＝[E(k),E(k-1),…,E(k-a2),T(k),T(k-1),…,T(k-b2),…,Um(k-1),…,Um(k-c2)]T；
最大功率点电流的模糊模型的输入包括a3个辐照、b3个温度和c3个最大功率点电流的实测值，该输入可表示为：
x(k)＝[E(k),E(k-1),…,E(k-a3),T(k),T(k-1),…,T(k-b3),…,Im(k-1),…,Im(k-c3)]T；
其中a0～a3、b0～b3、c0～c3均为大于等于1的正整数，一般而言，数量越大，则包含的记录信息越丰富，模糊模型得到的估计值越准确。
图2为本实施例中的输出电压U和输出电流I之间的关系曲线(模型输出)示例，图中还包含了通过光伏I-V特性分析仪记录输出电压U和输出电流I之间的关系曲线(实测数据)，经过对比可知，本实施例基于模糊模型的光伏电池组件实测建模方法能够获得准确的输出电压U和输出电流I之间的关系曲线。
综上所述，本实施例基于模糊模型的光伏电池组件的实测建模方法采用模糊模型建立辐照、温度与光伏电池特性参数之间的非线性映射关系，再将系统辨识的高精确性和机理建模的易理解性相结合，基于光伏电池组件的函数关系模型可获得光伏电池组件的输出电压U和输出电流I之间的关系曲线，且本发明方法相对简单，便于工程技术人员的理解和应用。
此外，本实施例还提供一种基于模糊模型的光伏电池组件的实测建模系统，包括相互连接的该微处理器和存储器，该微处理器被编程或配置以执行前述基于模糊模型的光伏电池组件实测建模方法的步骤。
此外，本实施例还提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序用于被微处理器执行以实施前述基于模糊模型的光伏电池组件实测建模方法的步骤。
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读存储介质(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，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于模糊模型的光伏电池组件的实测建模方法，其特征在于，包括：
1)分别采集辐照、温度以及光伏电池组件的特性参数；
2)针对每一种特性参数，将辐照、温度和该特性参数的实测值输入该特性参数对应的模糊模型，通过该模糊模型推理得到对应的特性参数的估计值；
3)将每一种特性参数的估计值代入光伏电池组件的电流-电压函数关系，得到光伏电池组件的输出电压U和输出电流I之间的关系曲线。
2.根据权利要求1所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤1)中光伏电池组件的特性参数包括开路电压、短路电流、最大功率点电压和最大功率点电流。
3.根据权利要求2所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤2)中的模糊模型包括：开路电压对应的模糊模型
Figure FDA0003565734480000011
F0表示模糊模型
Figure FDA0003565734480000012
的映射关系，E为辐照，T为温度，模糊模型
Figure FDA0003565734480000013
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个开路电压的实测值，输出为开路电压Uoc的估计值
Figure FDA0003565734480000014
短路电流对应的模糊模型
Figure FDA0003565734480000015
F1表示模糊模型
Figure FDA0003565734480000016
的映射关系，模糊模型
Figure FDA0003565734480000017
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个短路电流的实测值，输出为短路电流Isc的估计值
Figure FDA0003565734480000018
最大功率点电压对应的模糊模型
Figure FDA0003565734480000019
F2表示模糊模型
Figure FDA00035657344800000110
的映射关系，模糊模型
Figure FDA00035657344800000111
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电压的实测值，输出为最大功率点电压Um的估计值
Figure FDA00035657344800000112
最大功率点电流对应的模糊模型
Figure FDA00035657344800000113
F3表示模糊模型
Figure FDA00035657344800000114
的映射关系，模糊模型
Figure FDA00035657344800000115
的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个最大功率点电流的实测值，输出为最大功率点电流Im的估计值
Figure FDA00035657344800000116
4.根据权利要求3所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，所述模糊模型为T-S模糊模型，且T-S模糊模型的函数表达式为：
Figure FDA0003565734480000021
上式中，Ri为T-S模糊模型的第i条模糊规则，x(k)为T-S模糊模型的第k个输入向量，x(k)＝[x1(k),x2(k),…,xm(k)]T,，其中x1(k)～xm(k)为的第k个输入向量x(k)中的共m个元素，
Figure FDA0003565734480000022
为第i个聚类子空间的中心向量，
Figure FDA0003565734480000023
为中心向量中的共m个元素，μi(k)为输入向量x(k)对于模糊规则Ri的隶属度，μi(k)∈[0,1]]且满足
Figure FDA0003565734480000024
其中c为模糊规则总数量；
Figure FDA0003565734480000025
为第i条模糊规则Ri的输出；θi(k)＝(θi0,θi1,…,θim)T为第i条模糊规则的后件参数向量；θi0～θim为后件参数向量θi(k)中的共m个元素，z(k)＝[1,xT(k)]T为T-S模糊模型的后件部分的输入向量；
Figure FDA0003565734480000026
为T-S模糊模型的第k个输出。
5.根据权利要求1所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤3)中光伏电池组件的电流-电压函数关系的函数表达式为：
Figure FDA0003565734480000027
Figure FDA0003565734480000028
Figure FDA0003565734480000029
上式中，C1和C2为中间变量，
Figure FDA00035657344800000210
和
Figure FDA00035657344800000211
分别为由模糊模型推理获得的光伏组件开路电压的估计值、短路电流的估计值，最大功率点电压的估计值和最大功率点电流的估计值。
6.根据权利要求1～5中任意一项所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤2)之前还包括建立并训练光伏电池组件的各项特性参数对应的模糊模型的步骤：
S1)分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数；
S2)针对光伏电池组件的所有特性参数中的任意一项特性参数：首先建立该特性参数的模糊模型，该特性参数的模糊模型的输入为当前时刻往前的至少一个辐照、至少一个温度和至少一个该特性参数的实测值，输出为该特性参数的估计值；然后，根据采集不同环境条件下辐照、温度以及光伏电池组件的特性参数，对各个特性参数的模糊模型进行训练，从而为各个特性参数的模糊模型建立辐照、温度和该特性参数的实测值构成的输入、该特性参数的估计值构成的输出之间的映射关系。
7.根据权利要求6所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤S1)中分别采集不同环境条件下辐照、温度以及光伏电池组件的特性参数时，采集单种环境条件下辐照、温度以及光伏电池组件的特性参数为以指定的采样时间间隔进行采样，得到的任意第i组辐照、温度以及光伏电池组件的特性参数为α(i)＝[E(i)T(i)Uoc(i)Isc(i)Um(i)Im(i)]，其中E(i)为辐照的实测值，T(i)为温度的实测值，Uoc(i)为开路电压的实测值，Isc(i)为短路电流的实测值，Um(i)为最大功率点电压的实测值，Im(i)为最大功率点电流的实测值。
8.根据权利要求6所述的基于模糊模型的光伏电池组件的实测建模方法，其特征在于，步骤S2)中开路电压、短路电流、最大功率点电压和最大功率点电流的模糊模型中，开路电压的模糊模型的输入包括a0个辐照、b0个温度和c0个开路电压的实测值，短路电流的模糊模型的输入包括a1个辐照、b1个温度和c1个短路电流的实测值，最大功率点电压的模糊模型的输入包括a2个辐照、b2个温度和c2个最大功率点电压的实测值，最大功率点电流的模糊模型的输入包括a3个辐照、b3个温度和c3个最大功率点电流的实测值，其中a0～a3、b0～b3、c0～c3均为大于等于1的正整数。
9.一种基于模糊模型的光伏电池组件的实测建模系统，包括相互连接的该微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～8中任意一项所述基于模糊模型的光伏电池组件实测建模方法的步骤。
10.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，该计算机程序用于被微处理器执行以实施权利要求1～8中任意一项所述基于模糊模型的光伏电池组件实测建模方法的步骤。
CN202210301811.XA 2022-03-25 2022-03-25 一种基于模糊模型的光伏电池组件的实测建模方法及系统 Pending CN114710116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210301811.XA CN114710116A (zh) 2022-03-25 2022-03-25 一种基于模糊模型的光伏电池组件的实测建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210301811.XA CN114710116A (zh) 2022-03-25 2022-03-25 一种基于模糊模型的光伏电池组件的实测建模方法及系统

Publications (1)

Publication Number Publication Date
CN114710116A true CN114710116A (zh) 2022-07-05

Family

ID=82170478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210301811.XA Pending CN114710116A (zh) 2022-03-25 2022-03-25 一种基于模糊模型的光伏电池组件的实测建模方法及系统

Country Status (1)

Country Link
CN (1) CN114710116A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902465A (zh) * 2022-11-10 2023-04-04 中国原子能科学研究院 辐伏转换器件的参数确定方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902465A (zh) * 2022-11-10 2023-04-04 中国原子能科学研究院 辐伏转换器件的参数确定方法、装置、设备及介质
CN115902465B (zh) * 2022-11-10 2024-02-20 中国原子能科学研究院 辐伏转换器件的参数确定方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Boulmrharj et al. Online battery state-of-charge estimation methods in micro-grid systems
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
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
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN109992911B (zh) 基于极限学习机和iv特性的光伏组件快速建模方法
CN112858920B (zh) 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
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
CN115204048A (zh) 一种光伏发电系统模型辨识系统和方法
CN116015209A (zh) 一种光伏电站组件性能管理方法、系统、装置及存储介质
CN114710116A (zh) 一种基于模糊模型的光伏电池组件的实测建模方法及系统
CN115146723A (zh) 基于深度学习和启发式算法的电化学模型参数辨识方法
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN112114254B (zh) 一种动力电池开路电压模型融合方法
Dong et al. State of charge estimation of vanadium redox flow battery based on online equivalent circuit model
CN117875649A (zh) 基于白鲨优化算法的逆变型分布式电源等值建模方法
CN111177973B (zh) 一种基于强化学习的光伏阵列在线建模方法
CN108460177A (zh) 一种大规模多状态串并联系统的可靠性近似计算方法
CN112232598A (zh) 一种递进式光伏发电系统输出功率组合预测方法及系统
CN112036010A (zh) 一种基于数据驱动的光伏系统动态过程混合等效建模方法
CN116068303B (zh) 一种基于数据驱动的专用变压器私自增容在线监测方法
Qin et al. Lithium-ion Batteries RUL Prediction Based on Temporal Pattern Attention
CN111651939B (zh) 计及变流器控制参数差异的永磁风电场动态等值建模方法

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