CN116070566A - 一种基于神经网络的环境自适应光伏电流观测方法 - Google Patents
一种基于神经网络的环境自适应光伏电流观测方法 Download PDFInfo
- Publication number
- CN116070566A CN116070566A CN202310053496.8A CN202310053496A CN116070566A CN 116070566 A CN116070566 A CN 116070566A CN 202310053496 A CN202310053496 A CN 202310053496A CN 116070566 A CN116070566 A CN 116070566A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- neural network
- voltage
- bus
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000295 complement effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000003287 optical effect Effects 0.000 abstract description 8
- 238000005286 illumination Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000003071 parasitic effect Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 241000353097 Molva molva Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
-
- 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
-
- 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
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
- H02S40/30—Electrical components
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明涉及一种基于神经网络的环境自适应光伏电流观测方法,属于电力电子技术中控制技术领域。现有技术中,存在着观测模型依赖于电路寄生参数或负载等效阻值,光伏系统缺乏恒流或恒功率输出能力或仍需要额外的光照、温度等环境传感器等问题。本发明所述的方法通过精确辨识Boost直流变换器等效损耗电阻,实现光伏电流的在线实时精确观测,从而避免了光储直流微网系统中电流传感器存在的损耗大、易受干扰以及成本高的问题。无需获取精确的电路元器件参数、无需环境传感器,仅需要变换器输入、输出侧的电压采样电路,并利用样本数据进行神经网络的离线训练,即可实现具有环境自适应性的光伏电流观测。从而显著降低光伏系统体积与经济成本,进一步提高光伏系统的综合性能。
Description
技术领域
本发明涉及电力电子技术中控制技术领域。具体涉及一种基于神经网络的环境自适应光伏电流观测方法。
背景技术
光储直流微网系统中分布式光伏阵列分别通过Boost直流变换器连接至直流母线,为储能电池以及负载供能。因此,光储直流微网系统的稳定性以及能量利用效率很大程度上取决于对Boost直流变换器的高效运行控制。许多文献对光伏最大功率点跟踪技术(MPPT)进行了深入研究,通过恒定电压法、扰动观察法、增量电导法以及其他优化智能算法,实现光伏运行在最大功率工作点。此外,针对光储直流微网系统的运行需求,一些文献中提出了多模式的光储直流微网系统运行控制方法,以维持稳定的系统直流母线电压以及实现对光伏输出功率的精确控制。
上述控制策略需要通过对光伏电压电流、直流母线电压进行采样,经模数转换电路(ADC)输入到数字控制器后,产生对Boost直流变换器功率开关的控制信号,从而实现对光储直流微网系统能量流动的管控。其中,电压采样电路通常由并联分压电阻与隔离运算放大器构成,而电流采样需要采用霍尔传感器或串联采样电阻来实现。霍尔传感器通过电流产生的磁场来对电流隔离采样。然而,霍尔传感器一方面价格较贵,且当电流过大时易产生退磁,另一方面对外部磁场非常敏感,很容易受到外部或杂散磁场的影响。Boost直流变换器中功率开关的高频开关动作会在电流采样信号上叠加噪声,造成电流采样误差。采用串联电阻进行采样则增大了功率回路的损耗,产生了额外的热量与压降。若采用阻值较小的串联采样电阻,虽然损耗相对减小了,但是其端电压也更小,对后级运算放大器的性能提出更高要求。此外,由于采样电阻与功率回路串联,一旦采样电阻故障开路,光伏阵列将会导致直接与直流母线脱离。综上所述,现有的电流采样方案在成本、效率、可靠性等方面存在局限性。因此,研究无电流采样电路的电流观测方法,对提升光储直流微网系统的综合性能具有重要意义。
相关专利申请的参照:
已有的电流观测技术根据变换器运行模态建立电路中电感电流与电容电压的数学模型,仅利用电压传感器实现电流观测。[1]中发明了一种基于非光滑观测技术的功率变换器电流检测方法。通过对电路的输出电压进行采样,并建立主电路的数学模型,利用非光滑技术构造电流观测器,实现了对Buck变换器中电感电流的检测。[2]中发明了一种基于模型预测的DAB变换器无电流传感器控制方法。通过获取变换器的输入和输出电压,结合电流补偿器输出的移相角,实现对负载电流的模型预测。[3]中发明了一种单传感器光伏组件优化器及其控制方法。通过仅检测变换器输出电压,继而调节占空比,实现光伏最大功率工作点的跟踪。
目前已有的无电流传感器观测方法主要存在着以下三个问题:(1)观测模型依赖于电路寄生参数或负载等效阻值来参与计算,而实际应用中寄生参数往往难以精确获取,负载等效阻值具有波动性与不可预知性。(2)电流观测器能够满足电压控制或MPPT控制性能,但是电流观测值与实际值存在误差,使得光伏系统缺乏恒流或恒功率输出能力。(3)虽然可以免去电流采样电路,但是需要额外的光照、温度等环境传感器参与控制。
[1]马莉,倪媛媛,丁世宏.基于模型预测的DAB变换器无电流传感器控制方法[P].陕西省:CN106526299B,2019-03-05.
[2]吴旋律,涂文聪,姜宇,杨卫平.非隔离型低电流纹波高电压增益软开关DC-DC变换器[P].天津市:CN114844364A,2022-08-02.
[3]毕强,周国华,冷敏瑞,田庆新.一种单传感器光伏组件优化器及其控制方法[P].四川省:CN109546961B,2020-09-01.
发明内容
针对现有技术中存在的缺陷,本发明的目的是实现光伏电流的实时精确观测,避免电流传感器存在的损耗大、易受干扰以及成本高的问题,进一步提升光伏系统的综合性能。
为达到以上目的,本发明采用的技术方案是:一种基于神经网络的环境自适应光伏电流观测方法,包括以下步骤:
(1)在Boost直流变换器输出侧设置已知阻值的负载电阻Rload,计算出各环境对应工况下的等效损耗电阻值REQ,与电压采样数据和占空比共同构成样本集,作为神经网络的训练数据;
(2)构建并训练神经网络,在光伏系统运行时,利用获取的神经网络模型对各工况下的变换器等效损耗电阻进行在线辨识,获取等效损耗电阻的辨识值REQ*;
(3)利用辨识出的等效损耗电阻REQ*进行光伏电流的在线实时观测,从而实现光伏系统的高效运行控制。
进一步,步骤(1)中,样本数据集是基于实际电路与电压采样获取的。在数据采集过程中,改变功率开关的占空比,同时对各工况下的光伏电压Upv、母线电压Ubus采样值进行数据采集。
更进一步,样本数据集中的等效损耗电阻REQ由功率开关占空比D、光伏电压Upv、母线电压Ubus与母线负载值Rload计算,REQ的数学模型如下式所示:
式中,D’为占空比的互补值,即D’=1-D。
式中,k为采样周期数,D’为占空比的互补值,即D’=1-D。
更进一步,神经网络的内部具体结构通过实际训练效果决定。基于实验获取的样本数据集,对不同结构的神经网络进行多次训练,利用误差函数对训练结果进行评价与比较,选取结果最优的神经网络作为等效损耗电阻REQ的辨识模型,嵌入到数字控制器中。
进一步,步骤(3)中,利用神经网络辨识出的等效损耗电阻REQ*,由光伏电压Upv、母线电压Ubus、占空比D根据下式对光伏电流进行观测:
式中,Ts为开关周期,L为电感值,IOB为电流观测值,k为采样周期数,D’为占空比的互补值,即D’=1-D。
本发明的效果在于:
1.通过精确辨识Boost直流变换器等效损耗电阻,实现光伏电流的在线实时精确观测,从而避免了光储直流微网系统中电流传感器存在的损耗大、易受干扰以及成本高的问题;
2.本发明无需获取精确的电路元器件参数、无需环境传感器,仅需要变换器输入、输出侧的电压采样电路,并利用样本数据进行神经网络的离线训练,即可实现具有环境自适应性的光伏电流观测;
3.光伏系统体积与经济成本能够显著降低,有利于进一步提高光伏系统的综合性能。
附图说明
图1本发明步骤示意图
图2Boost直流变换器电路模型(a)考虑等效损耗电阻前(b)考虑等效损耗电阻后
图3Elman神经网络结构模型
图4不同恒流工况下的仿真波形(a)光照强度1000W/m2温度25℃(b)光照强度600W/m2温度30℃
图5MPPT模式仿真波形(a)输出接电阻负载(b)输出接恒压源
图6恒压控制模式仿真波形(光照强度1000W/m2温度25℃)
上述图中主要符号名称:Upv,Ubus分别为低压侧的光伏电压与高压侧的直流母线电压。L,Chigh分别为储能电感与高压侧电容。iL为电感电流,Rload为输出负载。DF为续流二极管,Q1和Q2为功率开关管。rL,rDS,rC分别为电感、功率开关、高压侧电容的寄生电阻,UF和rD为二极管导通压降与寄生电阻。Ts,D分别为功率开关管的开关周期和占空比,IL为观测的平均电感电流。u(k),x(k),xc(k),y(k)分别为第k个迭代周期的输入层、隐含层、承接层与输出层的输出。x(k-1)为第k-1个迭代周期的隐含层输出。w1为输入层至隐含层的权重系数,w2为承接层至隐含层的权重系数,w3为隐含层至输出层的权重系数。b1和b2分别为输入层和隐含层的阈值。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
本发明的一种具体实施方式为:基于Elman神经网络的光伏电流观测方法。下面结合图1所示的步骤流程图与图2中的Boost直流变换器的电路模型,针对如下表所示的光伏系统参数,对本发明实施例的步骤进行具体说明。
步骤一:在Boost直流变换器输出侧依次设置额定负载电阻Rload=136Ω以及半载(272Ω),以获取样本数据集。数据采集过程中,在不同的光照、温度环境条件下,分别令功率开关的占空比D在0至0.75间变化,同时对各工况下的光伏电压Upv、母线电压Ubus进行采样,并由D、Upv、Ubus以及Rload根据下式计算各工况下的等效损耗电阻REQ:
式中D'为占空比D的互补值,即D'=1-D。
式中,k为采样周期数,D’为占空比的互补值,即D’=1-D。
表1光伏系统参数
建立一个四输入、一输出的Elman神经网络(ENN),其结构如图3所示。Elman神经网络由输入层、隐含层、承接层和输出层组成,输入层传递输入数据到隐含层,输出层从隐含层接收数据,隐含层和输出层通过激励函数对接收的数据进行处理。承接层从隐含层获取数据并进行记忆,作为下一时刻的反馈数据输入到隐含层。Elman神经网络的数学模型为:
y(k)=g[w3x(k)+b2] (3)
x(k)=f[w1xc(k)+w2u(k)+b1] (4)
其中,u(k)、x(k)、xc(k)、y(k)分别为第k个周期的输入层、隐含层、承接层与输出层的输出。x(k-1)为第k-1个周期的隐含层输出。w1为输入层至隐含层的权重系数,w2为承接层至隐含层的权重系数,w3为隐含层至输出层的权重系数。b1和b2分别为输入层和隐含层的阈值。
本实施例中,Elman神经网络隐含层的数量为1,输入层含有4个神经元,输出层含有1个神经元,隐含层与承接层的神经元数量通过实际训练效果决定。神经网络的输入为光伏电压Upv、母线电压Ubus、功率开关的占空比D以及光伏电池的I-V输出特性曲线的斜率输出为等效损耗电阻REQ。
步骤二:为防止神经元饱和,还需对样本进行归一化处理,通过下式调整样本范围至(-1,1)。
式中ux代表原始输入变量样本,ux *为归一化后的输入变量样本,ux_max和ux_min分别为ux中的最大值和最小值。隐含层的神经元个数基于下式调整,再根据实际训练效果进一步确定。
式中i,j,l分别为输入层,隐含层,输出层神经元个数,h为1~10之间的整数。
神经网络隐含层的激活函数f(x)采用tansig函数,其输出范围为(-1,1)且利于收敛。输出层的激活函数g(x)采用线性函数。神经网络隐含层、输出层的激活函数表达式分别如下:
g(x)=x (9)
最后,通过均方误差函数(RMSE)对构造的Elman神经网络的拟合效果进行评估。
式中N为样本个数,n为样本序号,Rn EQ_E为神经网络的估计值,Rn EQ_S为样本参考值。
利用获取的样本集对具有不同隐含层神经元数量的Elman神经网络模型进行多次训练。当隐含层含有7个神经元时,出现RMSE最小的训练结果,则选取该训练结果作为最佳的神经网络模型。将获取的Elman神经网络模型嵌入至数字控制器中,进行等效损耗电阻REQ的辨识。
步骤三:利用辨识出的REQ*,由下式进行光伏电流的在线实时观测,从而实现光伏系统的高效运行控制。
式中,Ts为开关周期,L为电感值,IOB为电流观测值,k为采样周期数,D’为占空比的互补值,即D’=1-D。
为了显示本发明的显著效果,本实施例给出一些利用实施例得出的仿真结果,下面对本发明实施例的实施效果进行说明。
图4为不同恒流工况下的仿真波形。当恒流参考值在额定范围内阶跃递增,光伏电流始终能够准确跟随参考值,最大误差仅为13%。并且,即使运行环境改变,光伏输出特性曲线发生变化,光伏系统仍能通过神经网络准确观测光伏电流,无需额外的环境传感器,即可实现不同环境下对光伏输出电流的高效控制。
图5为MPPT模式仿真波形。图5(a)中变换器的输出接电阻负载,在扰动观察法的作用下,光伏工作点随着电流扰动逐渐逼近最大功率工作点,实现标志性的“三阶段”最大功率输出稳态运行。此时改变外部环境,光伏最大功率点发生偏移。光伏工作点在1s以内能够重新跟踪稳定至新的最大功率点。图5(b)中变换器的输出接300V恒压源,以模拟光伏并网运行,输出侧接储能电池时的工况。仿真波形表明,输出侧恒压时系统仍能够准确观测光伏电流,实现稳定的最大功率点跟踪,验证了本发明的方法在实际光伏系统中的可行性。
图6为恒压控制模式仿真波形。此时对应的环境条件为光照强度1000W/m2,温度25℃。预设输出电压的参考值为300V,由于该环境下光伏电池最大输出功率大于维持参考电压所需功率,因此光伏电池运行在恒压模式输出降额功率。在直流母线电压外环的作用下,光伏电池能够基于观测的光伏电流,稳定输出直流母线电压在参考值300V。当负载在额定的136Ω与半载之间切换,输出电压的超调与跌落均在5%以内,在负载阶跃的动态响应过程中,始终能够准确观测光伏电流。因此,本发明的方法能够满足光伏系统的稳定直流母线电压运行的需求。
本实施例获得的实验结果可以说明
1.通过精确辨识Boost直流变换器等效损耗电阻,实现光伏电流的在线实时精确观测,从而避免了光储直流微网系统中电流传感器存在的损耗大、易受干扰以及成本高的问题;
2.本发明无需获取精确的电路元器件参数、无需环境传感器,仅需要变换器输入、输出侧的电压采样电路,并利用样本数据进行神经网络的离线训练,即可实现具有环境自适应性的光伏电流观测;
3.光伏系统体积与经济成本能够显著降低,有利于进一步提高光伏系统的综合性能。
本发明可以用其它具体形式来实施,而不脱离其精神或本质特征。所描述的实施例在所有方面都被认为仅是说明性的而非限制性的,例如:
1)应用拓扑包括Boost直流变换器的多种衍生拓扑;
2)神经网络的类型结构;
3)光伏系统参数的选择等。
因此,本发明的范围由所附权利要求书而非上述描述来指示。落入权利要求的等效技术方案的意义和范围中的所有变化都包含在其范围之中。
本发明相关研究受天津市研究生科研创新项目资助(项目编号:2021YJSB151)。
Claims (9)
1.一种基于神经网络的环境自适应光伏电流观测方法,包括以下步骤:
(1)在Boost直流变换器输出侧设置已知阻值的负载电阻Rload,计算出各环境对应工况下的等效损耗电阻值REQ,与电压采样数据和占空比共同构成样本集,作为神经网络的训练数据;
(2)构建并训练神经网络,在光伏系统运行时,利用获取的神经网络模型对各工况下的变换器等效损耗电阻进行在线辨识,获取等效损耗电阻的辨识值REQ*;
(3)利用辨识出的等效损耗电阻REQ*进行光伏电流的在线实时观测,从而实现光伏系统的高效运行控制。
2.如权利要求1所述的一种基于神经网络的环境自适应光伏电流观测方法,其特征在于:步骤(1)中,样本数据集是基于实际电路与电压采样获取的。在数据采集过程中,改变功率开关的占空比,同时对各工况下的光伏电压Upv、母线电压Ubus采样值进行数据采集。
7.如权利要求6所述的一种基于神经网络的环境自适应光伏电流观测方法,其特征在于:神经网络的内部具体结构通过实际训练效果决定。基于实验获取的样本数据集,对不同结构的神经网络进行多次训练,利用误差函数对训练结果进行评价与比较,选取结果最优的神经网络作为等效损耗电阻REQ的辨识模型,嵌入到数字控制器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053496.8A CN116070566A (zh) | 2023-02-03 | 2023-02-03 | 一种基于神经网络的环境自适应光伏电流观测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053496.8A CN116070566A (zh) | 2023-02-03 | 2023-02-03 | 一种基于神经网络的环境自适应光伏电流观测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070566A true CN116070566A (zh) | 2023-05-05 |
Family
ID=86176402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310053496.8A Pending CN116070566A (zh) | 2023-02-03 | 2023-02-03 | 一种基于神经网络的环境自适应光伏电流观测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873277A (zh) * | 2024-03-11 | 2024-04-12 | 太原理工大学 | 一种适用于集中式温差发电系统的mppt控制方法 |
-
2023
- 2023-02-03 CN CN202310053496.8A patent/CN116070566A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117873277A (zh) * | 2024-03-11 | 2024-04-12 | 太原理工大学 | 一种适用于集中式温差发电系统的mppt控制方法 |
CN117873277B (zh) * | 2024-03-11 | 2024-05-14 | 太原理工大学 | 一种适用于集中式温差发电系统的mppt控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kermadi et al. | Artificial intelligence-based maximum power point tracking controllers for Photovoltaic systems: Comparative study | |
Gupta et al. | A comparative investigation of maximum power point tracking methods for solar PV system | |
Qin et al. | Enhancing microinverter energy capture with submodule differential power processing | |
Wang et al. | High-accuracy and fast-speed MPPT methods for PV string under partially shaded conditions | |
Veerachary et al. | Neural-network-based maximum-power-point tracking of coupled-inductor interleaved-boost-converter-supplied PV system using fuzzy controller | |
CN109245092B (zh) | 基于优化模型预测算法结合变步长扰动控制的mppt方法 | |
Li et al. | Drift-free current sensorless MPPT algorithm in photovoltaic systems | |
Liu et al. | A PSO-based MPPT algorithm for photovoltaic systems subject to inhomogeneous insolation | |
CN116070566A (zh) | 一种基于神经网络的环境自适应光伏电流观测方法 | |
Usman Khan et al. | Variable step size fractional incremental conductance for MPPT under changing atmospheric conditions | |
CN113285593B (zh) | 基于复合积分滑模控制的直流降压变换器系统控制方法 | |
Kacimi et al. | New improved hybrid MPPT based on neural network-model predictive control-Kalman filter for photovoltaic system | |
Ahmed et al. | PSO-SMC controller based GMPPT technique for photovoltaic panel under partial shading effect | |
Carrasco et al. | A neural networks-based maximum power point tracker with improved dynamics for variable dc-link grid-connected photovoltaic power plants | |
de Dieu Nguimfack-Ndongmo et al. | Nonlinear neuro-adaptive MPPT controller and voltage stabilization of PV Systems under real environmental conditions | |
Nguimfack-Ndongmo et al. | Adaptive neuro-synergetic control technique for SEPIC converter in PV systems | |
Nguyen et al. | A new maximum power point tracking algorithm for the photovoltaic power system | |
de Dieu Nguimfack-Ndongmo et al. | Adaptive terminal synergetic-backstepping technique based machine learning regression algorithm for MPPT control of PV systems under real climatic conditions | |
Nansur et al. | Improving the performance of MPPT coupled inductor SEPIC converter using flower pollination algorithm (FPA) under partial shading condition | |
Meng et al. | Tracking the maximum power point of photovoltaic power generation based on self-coding neural network | |
Ahmed et al. | Comprehensive Analysis of MPPT Techniques using Boost Converter for Solar PV System | |
Esfandiari et al. | Performance improvement of photovoltaic emulator using lambert W model and fractional order PI controller | |
Kumar PK et al. | Comparative Analysis of Conventional and Artificial Intelligence-based Maximum Power Point Tracking Algorithms for Solar Photovoltaic Applications | |
CN113052489A (zh) | 基于蛙跳和模式搜索神经网络的光伏系统mppt方法 | |
Hajighorbani et al. | Novel hybrid maximum power point tracking algorithm for PV systems under partially shaded conditions |
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 |