CN118214078A - 一种光伏逆变器的智能控制方法及系统 - Google Patents
一种光伏逆变器的智能控制方法及系统 Download PDFInfo
- Publication number
- CN118214078A CN118214078A CN202410619824.0A CN202410619824A CN118214078A CN 118214078 A CN118214078 A CN 118214078A CN 202410619824 A CN202410619824 A CN 202410619824A CN 118214078 A CN118214078 A CN 118214078A
- Authority
- CN
- China
- Prior art keywords
- control
- power grid
- photovoltaic
- identification
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011217 control strategy Methods 0.000 claims abstract description 94
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 44
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 23
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏逆变器的智能控制方法及系统,涉及逆变器智能控制领域。所述方法包括:获取目标环境参数,确定光伏调整阵列;获取光伏阵列电力输出信息;基于输出信息同步至预测识别控制通道;通过电网识别分支输出第一识别数据,输出第一控制策略进行控制优化,确定第二控制策略,执行所述第二控制策略对光伏逆变器进行智能控制。解决了现有技术中光伏逆变器控制策略过于单一,缺乏灵活性和适应性。导致逆变器在面临不同环境条件、负载变化或系统故障时,无法有效应对,从而影响了系统的整体性能和稳定性技术问题,通过获取电力输出信息,识别数据进行制定控制策略,并对控制策略进行优化,达到提供系统整体性能和稳定性的技术效果。
Description
技术领域
本申请涉及逆变器智能控制技术领域,具体为一种光伏逆变器的智能控制方法及系统。
背景技术
光伏逆变器作为光伏发电系统的核心设备,其性能对整个系统的安全性和可靠性有着至关重要的影响。在光伏逆变器的智能控制方面,现有的背景技术主要包括逆变器的控制技术、拓扑结构,以及其与智能能源管理的融合应用等。光伏逆变器的控制技术是实现智能控制的关键。通过模拟电路和数字信号处理器等控制方式,逆变器可以自动调节电压和频率,从而提高系统的效率和稳定性。
综上所述,现有技术中光伏逆变器控制策略过于单一,缺乏灵活性和适应性。导致逆变器在面临不同环境条件、负载变化或系统故障时,无法有效应对,从而影响了系统的整体性能和稳定性的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够通过获取电力输出信息,识别数据进行制定控制策略,并对控制策略进行优化,达到提供系统整体性能和稳定性的一种光伏逆变器的智能控制方法及系统。
第一方面,提供了一种光伏逆变器的智能控制方法,所述方法包括:获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制。
第二方面,提供了一种光伏逆变器的智能控制系统,所述系统包括:动态调整模块,所述动态调整模块用于获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;光伏阵列电力输出信息获取模块,所述光伏阵列电力输出信息获取模块用于根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;预测识别通道模块,所述预测识别通道模块用于基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;控制策略输出模块,所述控制策略输出模块用于通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;智能控制模块,所述智能控制模块用于执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制。
上述一种光伏逆变器的智能控制方法及系统,解决了现有技术中光伏逆变器控制策略过于单一,缺乏灵活性和适应性。导致逆变器在面临不同环境条件、负载变化或系统故障时,无法有效应对,从而影响了系统的整体性能和稳定性技术问题,通过获取电力输出信息,识别数据进行制定控制策略,并对控制策略进行优化,达到提供系统整体性能和稳定性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种光伏逆变器的智能控制方法的流程示意图;
图2为一个实施例中一种光伏逆变器的智能控制方法的第二识别数据输出的流程示意图;
图3为一个实施例中一种光伏逆变器的智能控制系统的结构框图。
附图标记说明:动态调整模块11,光伏阵列电力输出信息获取模块12,预测识别通道模块13,控制策略输出模块14,智能控制模块15。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种光伏逆变器的智能控制方法,所述方法包括:
获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;
光伏逆变器是一种可以将光伏太阳能板产生的可变直流电压转换为市电频率相同的交流电的设备,以便与公共电网兼容并实现并网发电。本申请提供了一种光伏逆变器的智能控制方法,涉及光伏阵列的动态调整、光伏逆变器的运行状态监测,以及基于环境参数和电力输出信息的预测识别控制,达到了对环境变化的快速响应、对电网状态的准确识别以及对逆变器性能的持续优化,增强了系统的稳定性和可靠性。
目标环境参数是指光伏阵列运行相关的环境参数,包括但不限于光照强度、温度、湿度、风速和风向等,对光伏阵列的发电效率具有显著影响,通过各类传感器和监测设备,获取所述目标环境参数;对根据所述目标环境参数对光伏阵列进行动态调整,其中光伏阵列是指将多个光伏模组,即光伏板相互连接,形成更大的光伏发电单元,称为光伏阵列,动态调整主要包括改变光伏阵列的倾斜角度、朝向以及阵列间距等。例如,在光照强度较高时,可以调整光伏阵列的角度,使其更好地接收太阳辐射;在温度较高时,可以调整阵列间距,改善散热条件,防止光伏组件过热。通过对光伏阵列的动态调整,可以得到一个与当前环境参数相匹配的光伏调整阵列,所述光伏调整阵列在结构和布局上经过优化,能够最大限度地提高光伏系统的发电效率。通过上述方法,实时监测环境参数、动态调整光伏阵列并确定调整阵列,可以实现对光伏系统的智能化管理和优化,为后续进行光伏逆变器智能调整提供了铺垫。
根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;
所述光伏调整阵列是根据实时环境参数进行动态调整后的光伏模组排列,在监测光伏逆变器的运行状态时,关注其工作电压、电流、功率等关键参数,反映所述光伏逆变器的工作效率和稳定性,通过实时监测所述光伏逆变器的运行状态,可以及时发现逆变器是否存在异常或故障,比如电压或电流过载,从而确保光伏发电系统的稳定运行,其运行状态直接影响到整个光伏系统的发电效率和稳定性,光伏阵列电力输出信息包括光伏阵列的总发电量、各个模组的发电量以及输出电能的稳定性等,有助于了解光伏阵列的发电效率。通过上述方法,根据光伏调整阵列监测光伏逆变器的运行状态并获取光伏阵列的电力输出信息,为后续评估和优化光伏系统性能提供了支持。
基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;
基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别通道用于进行综合分析和判断,根据电网的需求和光伏阵列的发电能力,制定相应的控制策略,以优化光伏系统的运行。例如,在电网负载较重时,预测识别控制通道可以调整光伏逆变器的输出功率,以满足电网的需求;在光照条件较差时,可以优化光伏阵列的排列和角度,以提高发电效率。预测识别控制通道包含电网识别分支和光伏逆变器控制分支,分别负责不同的功能,但共同协作以实现系统的优化运行。电网识别分支根据同步的所述目标环境参数和所述光伏阵列电力输出信息,对电网的状态进行实时识别。这包括对电网的负载情况、稳定性、电压波动等参数进行监测和分析。通过电网识别分支,了解电网的实时状态,并预测其可能的变化趋势,从而为后续的控制策略制定提供依据。光伏逆变器控制分支也接收到所述目标环境参数和所述光伏阵列电力输出信息。根据目标环境参数和光伏阵列的电力输出情况,对光伏逆变器的运行状态进行实时评估。通过分析逆变器的效率、温度、功率因数等关键参数,光伏逆变器控制分支可以判断逆变器是否处于最佳工作状态,并预测其可能的性能变化。通过上述方法,预测识别控制通道的设计和应用,实现对光伏系统和电网的智能控制,提高光伏系统的发电效率和稳定性,还可以减少与电网的冲突和故障,
通过电网传感器对目标电网进行实时监测,生成电网监测数据集;
分析所述电网监测数据集提取目标电网的电网特征;
基于所述电网特征,结合所述电网监测数据集构建所述电网识别分支;
对所述光伏阵列电力输出信息进行解析,获得光伏电池电压输出信息、光伏电池电流输出信息;
利用所述光伏电池电压输出信息、所述光伏电池电流输出信息进行性能预测,获得光伏电池性能预测结果;
基于所述光伏电池性能预测结果,结合最大功率点跟踪算法构建所述光伏逆变器控制分支;
将所述电网识别分支与所述光伏逆变器控制分支进行融合,根据融合结果构建所述预测识别控制通道。
通过电网传感器对目标电网进行实时监测,收集所述目标电网的各种数据,如电压、电流、频率、功率因数等,反映了电网的实时运行状况,将所述数据进行整合,生成电网监测数据集,其中,电网传感器是一种用于实时监测电网系统的电压、电流、频率、功率等电气参数信息的测量装置,目标电网是指挑选出来进行研究分析的电网。在获得电网监测数据集后,需要对其进行深入的分析,以提取出电网的关键特征,包括电网的电压波动范围、电流的稳定性、功率因数的变化趋势等,根据电网特征和电网监测数据集中提取的特征和实时数据,建立一个能够准确识别电网状态的模型,电网识别分支应能够实时分析电网的运行状态,判断其是否稳定、是否存在故障或异常,并预测其未来可能的变化趋势。对光伏阵列的电力输出信息进行详细解析,以获取光伏电池的具体运行参数,通过解析,得到每个光伏电池的电压和电流输出信息,直接反映了光伏电池的工作状态和发电效率,获得光伏电池电压输出信息和光伏电池电流输出信息。利用所述光伏电池电压输出信息和所述光伏电池电流输出信息对光伏电池的性能进行预测,包括预测光伏电池的发电效率、寿命、故障率等。通过性能预测,了解光伏电池的当前性能和未来可能的性能变化,为优化光伏系统的运行提供依据。光伏逆变器控制分支的构建是基于光伏电池性能预测结果和最大功率点跟踪算法,最大功率点跟踪算法是一种优化光伏系统发电效率的方法,通过调整光伏阵列的工作点,使其始终运行在最大功率点附近,结合光伏电池的性能预测结果,构建一个能够实时调整光伏逆变器运行参数的控制分支,以优化光伏系统的发电效率。将电网识别分支和光伏逆变器控制分支进行融合,以构建一个完整的预测识别控制通道,能够同时考虑电网的需求和光伏系统的发电能力,通过实时分析电网状态和光伏电池性能,调整光伏逆变器的运行参数,实现光伏系统的智能控制。通过上述方法,进行预测识别控制通道的设计和应用,可以提高光伏系统的发电效率和稳定性,实现与电网的协调运行。
通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;
所述电网识别分支通过电网传感器收集到电网的实时数据后,进行分析处理,提取出电网的关键特征,并生成第一识别数据,所述第一识别数据反映了电网的当前状态,如电压稳定性、电流波动、功率需求等。将所述第一识别数据传递给所述光伏逆变器控制分支,所述光伏逆变器控制分支根据所述第一识别数据,结合光伏阵列的电力输出信息和光伏电池的性能预测结果,制定第一控制策略。所述第一控制策略包括调整光伏逆变器的输出电压和电流、优化最大功率点跟踪算法的运行参数、协调多个光伏逆变器的运行等措施方法,旨在优化光伏逆变器的运行参数,以满足电网的需求,同时确保光伏系统的发电效率和稳定性,通过这些措施,所述光伏逆变器控制分支能够实时响应电网的变化,确保光伏系统以最佳状态运行。通过上述方法,电网识别分支和光伏逆变器控制分支的协同工作实现了对电网和光伏系统的智能控制。共同确保了光伏系统的高效、稳定运行,并实现了与电网的协调运行。
基于所述电网特征确定电网电压信息、电网电流信息、电网频率信息、电网功率信息;
按照所述电网电压信息、所述电网电流信息、所述电网频率信息、所述电网功率信息对目标电网进行模式识别,生成多个电网运行模式,所述多个电网运行模式包含正常运行模式、异常运行模式;
根据所述正常运行模式、所述异常运行模式进行标签化,生成多个标签信息;
利用历史电网状态数据与所述多个标签信息进行无监督训练,获取电网状态识别模型;
将所述电网监测数据集输入至所述电网状态识别模型,输出所述第一识别数据。
基于所述电网特征确定电网电压信息、电网电流信息、电网频率信息、电网功率信息,对电网特征进行解析和提取,得到电网的关键运行参数,电网特征通常包含了丰富的电网运行信息,通过对所述电网特征进行解析,提取出电网的电压、电流、频率和功率等具体数值,反映了电网的运行状态,按照所述电网电压信息、所述电网电流信息、所述电网频率信息、所述电网功率信息,对目标电网进行模式识别,模式识别是一种通过分析数据特征来识别不同模式或状态的技术,通过对电网数据的分析,可以识别出电网的不同运行模式,例如所述电网电压信息、所述电网电流信息、所述电网频率信息、所述电网功率信息在正常范围内,可以识别为正常运行模式等;在识别出电网的不同运行模式后,对所述不同运行模式进行标签化,标签化是一种将数据分类或标记的过程,通过给每个模式分配一个特定的标签,更方便对数据进行管理和分析,例如,给正常运行模式分配正常标签,给异常运行模式分配异常标签等,利用历史电网状态数据和已经标签化的电网运行模式信息,进行无监督训练,以获取电网状态识别模型;无监督训练是一种不需要预先标记数据的训练方式,它可以通过分析数据的内在结构和特征,自动地学习数据的分布和模式。通过无监督训练,构建一个能够准确识别电网状态的模型,能够根据输入的电网数据自动判断其所属的运行模式。将实时收集的电网监测数据集输入到已经训练好的电网状态识别模型中,根据输入的电网数据进行分析和判断,并输出第一识别数据。第一识别数据包含了电网当前的状态信息,如是否正常运行、是否存在异常等。为后续的光伏逆变器控制策略制定提供重要依据。通过上述方法,构建一个基于电网特征的电网状态识别模型,并通过实时监测电网数据来输出第一识别数据。达到了解电网的运行状态,并制定相应的控制策略来优化光伏系统的运行的效果。
基于所述第一识别数据进行数据解析,获取电网状态信息进行评估,生成状态评估结果,所述状态评估结果具有标签信息;
分解所述目标环境参数获取太阳辐射强度信息,根据所述太阳辐射强度信息确定光伏电池温度信息;
根据所述标签信息将所述光伏电池温度信息、所述光伏电池电压输出信息、所述光伏电池电流输出信息与所述第一识别数据进行数据同步,根据数据同步结果对光伏电池进行性能分析,确定电池性能分析结果;
根据所述状态评估结果、所述电池性能分析结果确定光伏逆变器的控制目标;
按照所述控制目标结合光伏逆变器的实时运行数据制定所述第一控制策略。
对第一识别数据进行详细解析,提取出电网的关键状态信息,包括电网的电压稳定性、电流波动情况、功率需求等。利用预设评估标准对这些状态信息进行评估,生成状态评估结果,所述状态评估结果会带有标签信息,例如正常、异常、不稳定等,以便后续进行控制和策略制定。目标环境参数通常包含了影响光伏系统运行的多种因素,如温度、湿度、风速和太阳辐射强度等,从目标环境参数中分解出太阳辐射强度信息,因为所述太阳辐射强度信息是影响光伏电池温度的主要因素。根据太阳辐射强度信息,进一步推算出光伏电池的温度信息,因为太阳辐射强度与光伏电池的温度密切相关。利用电网状态评估结果的标签信息,将光伏电池的温度、电压和电流输出信息与第一识别数据进行同步。数据同步确保了不同来源的信息在时间上的一致性,从而可以更准确地进行性能分析。通过对同步后的数据进行处理和分析,得出光伏电池的性能分析结果,包括其发电效率、衰减情况、故障风险等。综合所述状态评估结果和所述电池性能分析结果确定光伏逆变器的控制目标,所述控制目标包括最大化发电效率、优化功率输出、确保电网稳定性、降低故障风险等,指导后续具体控制策略的制定。按照所述控制目标结合光伏逆变器的实时运行数据制定所述第一控制策略,实时运行数据包括光伏逆变器的输出电压、电流、功率因数等,结合控制目标和实时数据,制定出符合电网需求又能优化光伏系统性能的控制策略,记作第一控制策略。通过上述方法,实现对电网状态和光伏电池性能的全面分析,并据此制定出有效的光伏逆变器控制策略。为后续提高光伏系统的整体效率和稳定性,实现与电网的协调运行提供了贡献。
如图2所示,启动模拟控制单元按照所述第一控制策略运行光伏逆变器,获取实时模拟运行数据;
分析所述电网识别分支,生成识别准确率、识别响应时间,根据所述识别响应时间限定所述识别准确率确定所述电网识别分支的优化方向;
对目标电网进行随机扰动,检测目标电网内的所述标签信息;
若所述标签信息为异常,则视为目标电网出现孤岛效应,按照所述优化方向对所述电网识别分支进行识别优化,输出第二识别数据。
利用模拟控制单元来模拟实际光伏逆变器的运行过程,模拟控制单元根据之前制定的第一控制策略对光伏逆变器进行控制,并实时收集模拟运行数据,所述模拟控制单元用于模拟光伏逆变器的运行过程,通过模拟不同的控制策略和环境条件,可以测试光伏逆变器的性能,包括其效率、稳定性以及响应速度等,反映了光伏逆变器在特定控制策略下的运行状况。对电网识别分支进行分析是为了评估其性能并确定优化方向,识别准确率反映了电网识别分支在识别电网状态时的准确性,而识别响应时间则衡量其响应速度,考虑识别响应时间对识别准确率的影响,即在限定识别响应时间的前提下,最大化识别准确率,确定电网识别分支的优化方向,即如何在保证一定响应速度的同时提高识别准确率。测试电网识别分支在实际应用中的性能,对目标电网进行随机扰动,包括电压波动、电流变化、频率偏移等,以模拟电网在实际运行中可能遇到的各种情况。在扰动过程中,检测目标电网内的标签信息。若在对目标电网进行随机扰动后检测到的标签信息为异常,意味着所述目标电网出现了孤岛效应,即光伏系统与主电网断开连接而独立运行。在这种情况下,按照之前确定的优化方向对电网识别分支进行识别优化。优化的目标是提高电网识别分支在孤岛效应发生时的识别准确率和响应速度,以确保能够及时发现并处理这种异常情况。优化完成后,电网识别分支会输出第二识别数据,将更准确地反映电网的实际状态。通过上述方法,对光伏逆变器的控制策略进行模拟验证,并对电网识别分支进行性能分析和优化。有助于提高光伏系统的运行效率和稳定性,并降低电网出现孤岛效应等异常情况的风险。
执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制。
模拟控制单元所执行的第一控制策略应用于实际的光伏逆变器中,通过实时监测和分析光伏逆变器的运行数据,如电压、电流、功率等,来评估第一控制策略的实际效果。根据评估结果,发现第一控制策略可能存在的问题或不足之处,如响应速度不够快、效率不够高等。根据发现的问题进行针对性的控制优化。这包括调整控制算法的参数、优化控制逻辑、引入先进的控制技术等手段,以提高光伏逆变器的运行效率和稳定性,优化后的控制策略为第二控制策略,结合第二识别数据来执行所述第二控制策略,第二识别数据是电网识别分支经过优化后输出的更准确、更及时的电网状态信息;智能控制过程中,光伏逆变器会根据第二识别数据实时调整自身的运行参数,以适应电网的变化。当电网状态正常时,光伏逆变器会按照最优的运行模式进行发电;当电网出现异常或不稳定时,光伏逆变器会迅速响应,采取相应的控制措施,以确保系统的稳定和安全。通过上述方法,结合第二识别数据和第二控制策略,可以实现对光伏逆变器的智能控制,提高光伏系统的整体性能和可靠性。
比对所述第二识别数据与所述第一识别数据,分析数据差异,评估对光伏逆变器的控制影响,生成控制偏离评估结果;
基于所述控制偏离评估结果更新光伏逆变器的控制参数,对所述第一控制策略进行调整,生成第一控制调整策略;
获取所述第一控制调整策略的执行效果,引入约束条件,分析生成控制优化空间;
基于所述控制优化空间进行随机搜索,输出第二控制策略。
将第二识别数据与第一识别数据进行比对,分析它们之间的数据差异,反映了电网状态的不同识别精度、响应速度或者识别范围等方面的变化。通过深入分析数据差异,可以评估这些变化对光伏逆变器控制策略的影响,进而生成控制偏离评估结果。所述控制偏离评估结果将帮助了解现有控制策略与新的识别数据之间的匹配程度,为后续的控制参数调整提供依据。根据所述控制偏离评估结果来更新光伏逆变器的控制参数。通过调整控制算法中的参数值、优化控制逻辑或者引入新的控制算法,实现对第一控制策略的调整,调整后的控制策略,称为第一控制调整策略,所述第一控制调整策略将更好地适应新的识别数据,提高光伏逆变器的运行效率和稳定性。实施第一控制调整策略后,获取其执行效果,即评估其对光伏逆变器性能的提升程度,引入约束条件,例如逆变器的最大输出功率限制、电池板的最大工作电压和电流等,以确保控制策略在实际应用中的可行性和安全性,生成控制优化空间,包括所有可能的控制参数组合,即在满足约束条件的前提下,提高光伏逆变器的性能。通过分析执行效果数据,找出哪些控制参数对性能的影响较大,哪些参数的调整范围较广。同时,结合约束条件,确定参数调整的边界和限制。通过综合考虑这些因素,生成一个多维度的控制优化空间。采用随机搜索的方法在这个空间内寻找更优的控制策略。随机搜索是一种优化算法,可以在给定的搜索空间内,通过不断尝试不同的参数组合,来寻找满足约束条件且性能更优的解。通过多次迭代和优化,我们可以输出第二控制策略。这个策略将是在满足约束条件下,通过随机搜索得到的性能最优的控制方案。与第一控制调整策略相比,第二控制策略应该具有更高的效率、更好的稳定性和更强的适应性。通过以上步骤,利用第一控制调整策略的执行效果和约束条件,通过随机搜索在控制优化空间内寻找更优的控制策略。有助于提高光伏逆变器的性能,实现更高效的能源利用和更可靠的系统运行。
所述控制优化空间为拓扑结构,所述控制优化空间包含光逆变器的控制参数、光伏电池的性能参数、目标电网的电网状态参数,且所述控制参数、所述性能参数、所述电网状态参数存在关联关系。
所述控制优化空间为拓扑结构,拓扑结构是数学中研究空间形态的一个分支,可以认为是一种集合与集合之间的关系,描述了由子集构成的空间及其之间的“相连”的性质;所述控制优化空间包含光逆变器的控制参数,所述控制参数直接关联到逆变器的控制算法和策略,如MPPT控制中的电压或电流调整步长、PWM控制中的脉冲宽度和频率等。通过随机搜索调整这些参数,可以寻找最优的控制策略;光伏电池的性能参数,涉及光伏逆变器及其连接的光伏电池板的特性,如电池板的类型、容量、内阻,逆变器的额定功率、转换效率等。这些参数对整体系统的性能有显著影响,因此也是随机搜索中需要优化的关键要素;目标电网的电网状态参数,电网的电压、频率、功率因数等状态参数反映了电网的运行状况,对光伏逆变器的输出和控制策略有直接影响。在随机搜索过程中,可以考虑将这些参数作为优化空间的维度,以寻找适应不同电网状态的最优控制策略。且所述控制参数、所述性能参数、所述电网状态参数存在关联关系,在拓扑结构中,上述参数之间的关联关系可以被清晰地表示出来。例如,当电网电压发生变化时,逆变器需要通过调整控制参数来适应这种变化,同时还需要考虑光伏电池的输出特性,以确保系统的稳定运行。同样地,光伏电池的性能变化也会影响到逆变器的控制策略和电网状态。通过上述方法,通过充分利用控制优化空间中的拓扑结构以及参数之间的关联关系,更全面地考虑光伏系统的各种影响因素,从而制定出更优化、更适应实际运行环境的控制策略。
综上所述,本方法的有益效果包括:
解决了现有技术中光伏逆变器控制策略过于单一,缺乏灵活性和适应性。导致逆变器在面临不同环境条件、负载变化或系统故障时,无法有效应对,从而影响了系统的整体性能和稳定性技术问题,通过获取电力输出信息,识别数据进行制定控制策略,并对控制策略进行优化,达到提供系统整体性能和稳定性的技术效果。
如图3所示,本申请实施例包括一种光伏逆变器的智能控制系统,所述系统包括:
动态调整模块11,所述动态调整模块11用于获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;
光伏阵列电力输出信息获取模块12,所述光伏阵列电力输出信息获取模块12用于根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;
预测识别通道模块13,所述预测识别通道模块13用于基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;
控制策略输出模块14,所述控制策略输出模块14用于通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;
智能控制模块15,所述智能控制模块15用于执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制。
进一步地,本申请实施例还包括:
电网监测数据集生成模块,所述电网监测数据集生成模块用于通过电网传感器对目标电网进行实时监测,生成电网监测数据集;
电网特征提取模块,所述电网特征提取模块用于分析所述电网监测数据集提取目标电网的电网特征;
电网识别分支构建模块,所述电网识别分支构建模块用于基于所述电网特征,结合所述电网监测数据集构建所述电网识别分支;
输出信息解析模块,所述输出信息解析模块用于对所述光伏阵列电力输出信息进行解析,获得光伏电池电压输出信息、光伏电池电流输出信息;
性能预测模块,所述性能预测模块用于利用所述光伏电池电压输出信息、所述光伏电池电流输出信息进行性能预测,获得光伏电池性能预测结果;
控制分支构建模块,所述控制分支构建模块用于基于所述光伏电池性能预测结果,结合最大功率点跟踪算法构建所述光伏逆变器控制分支;
预测识别控制通道构建模块,所述预测识别控制通道构建模块用于将所述电网识别分支与所述光伏逆变器控制分支进行融合,根据融合结果构建所述预测识别控制通道。
进一步地,本申请实施例还包括:
电网信息确定模块,所述电网信息确定模块用于基于所述电网特征确定电网电压信息、电网电流信息、电网频率信息、电网功率信息;
模式识别模块,所述模式识别模块用于按照所述电网电压信息、所述电网电流信息、所述电网频率信息、所述电网功率信息对目标电网进行模式识别,生成多个电网运行模式,所述多个电网运行模式包含正常运行模式、异常运行模式;
标签化模块,所述标签化模块用于根据所述正常运行模式、所述异常运行模式进行标签化,生成多个标签信息;
无监督训练模块,所述无监督训练模块用于利用历史电网状态数据与所述多个标签信息进行无监督训练,获取电网状态识别模型;
第一识别数据输出模块,所述第一识别数据输出模块用于将所述电网监测数据集输入至所述电网状态识别模型,输出所述第一识别数据。
进一步地,本申请实施例还包括:
状态评估结果生成模块,所述状态评估结果生成模块用于基于所述第一识别数据进行数据解析,获取电网状态信息进行评估,生成状态评估结果,所述状态评估结果具有标签信息;
光伏电池温度信息确定模块,所述光伏电池温度信息确定模块用于分解所述目标环境参数获取太阳辐射强度信息,根据所述太阳辐射强度信息确定光伏电池温度信息;
数据同步模块,所述数据同步模块用于根据所述标签信息将所述光伏电池温度信息、所述光伏电池电压输出信息、所述光伏电池电流输出信息与所述第一识别数据进行数据同步,根据数据同步结果对光伏电池进行性能分析,确定电池性能分析结果;
控制目标确定模块,所述控制目标确定模块用于根据所述状态评估结果、所述电池性能分析结果确定光伏逆变器的控制目标;
第一控制策略制定模块,所述第一控制策略制定模块用于按照所述控制目标结合光伏逆变器的实时运行数据制定所述第一控制策略。
进一步地,本申请实施例还包括:
实时模拟运行数据获得模块,所述实时模拟运行数据获得模块用于启动模拟控制单元按照所述第一控制策略运行光伏逆变器,获取实时模拟运行数据;
优化方向确定模块,所述优化方向确定模块用于分析所述电网识别分支,生成识别准确率、识别响应时间,根据所述识别响应时间限定所述识别准确率确定所述电网识别分支的优化方向;
标签信息检测模块,所述标签信息检测模块用于对目标电网进行随机扰动,检测目标电网内的所述标签信息;
第二识别数据输出模块,所述第二识别数据输出模块用于若所述标签信息为异常,则视为目标电网出现孤岛效应,按照所述优化方向对所述电网识别分支进行识别优化,输出第二识别数据。
进一步地,本申请实施例还包括:
控制偏离评估结果生成模块,所述控制偏离评估结果生成模块用于比对所述第二识别数据与所述第一识别数据,分析数据差异,评估对光伏逆变器的控制影响,生成控制偏离评估结果;
控制调整策略生成模块,所述控制调整策略生成模块用于基于所述控制偏离评估结果更新光伏逆变器的控制参数,对所述第一控制策略进行调整,生成第一控制调整策略;
控制优化空间生成模块,所述控制优化空间生成模块用于获取所述第一控制调整策略的执行效果,引入约束条件,分析生成控制优化空间;
第二控制策略输出模块,所述第二控制策略输出模块用于基于所述控制优化空间进行随机搜索,输出第二控制策略。
进一步地,本申请实施例还包括:
控制优化空间模块,所述控制优化空间模块用于所述控制优化空间为拓扑结构,所述控制优化空间包含光逆变器的控制参数、光伏电池的性能参数、目标电网的电网状态参数,且所述控制参数、所述性能参数、所述电网状态参数存在关联关系。
关于一种光伏逆变器的智能控制系统的具体实施例可以参见上文中对于一种光伏逆变器的智能控制方法的实施例,在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (7)
1.一种光伏逆变器的智能控制方法,其特征在于,所述方法包括:
获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;
根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;
基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;
通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;
执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制;
其中,所述预测识别控制通道包括:
通过电网传感器对目标电网进行实时监测,生成电网监测数据集;
分析所述电网监测数据集提取目标电网的电网特征;
基于所述电网特征,结合所述电网监测数据集构建所述电网识别分支;
对所述光伏阵列电力输出信息进行解析,获得光伏电池电压输出信息、光伏电池电流输出信息;
利用所述光伏电池电压输出信息、所述光伏电池电流输出信息进行性能预测,获得光伏电池性能预测结果;
基于所述光伏电池性能预测结果,结合最大功率点跟踪算法构建所述光伏逆变器控制分支;
将所述电网识别分支与所述光伏逆变器控制分支进行融合,根据融合结果构建所述预测识别控制通道。
2.如权利要求1所述的方法,其特征在于,通过所述电网识别分支输出第一识别数据,方法包括:
基于所述电网特征确定电网电压信息、电网电流信息、电网频率信息、电网功率信息;
按照所述电网电压信息、所述电网电流信息、所述电网频率信息、所述电网功率信息对目标电网进行模式识别,生成多个电网运行模式,所述多个电网运行模式包含正常运行模式、异常运行模式;
根据所述正常运行模式、所述异常运行模式进行标签化,生成多个标签信息;
利用历史电网状态数据与所述多个标签信息进行无监督训练,获取电网状态识别模型;
将所述电网监测数据集输入至所述电网状态识别模型,输出所述第一识别数据。
3.如权利要求1所述的方法,其特征在于,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略,方法包括:
基于所述第一识别数据进行数据解析,获取电网状态信息进行评估,生成状态评估结果,所述状态评估结果具有标签信息;
分解所述目标环境参数获取太阳辐射强度信息,根据所述太阳辐射强度信息确定光伏电池温度信息;
根据所述标签信息将所述光伏电池温度信息、所述光伏电池电压输出信息、所述光伏电池电流输出信息与所述第一识别数据进行数据同步,根据数据同步结果对光伏电池进行性能分析,确定电池性能分析结果;
根据所述状态评估结果、所述电池性能分析结果确定光伏逆变器的控制目标;
按照所述控制目标结合光伏逆变器的实时运行数据制定所述第一控制策略。
4.如权利要求3所述的方法,其特征在于,方法包括:
启动模拟控制单元按照所述第一控制策略运行光伏逆变器,获取实时模拟运行数据;
分析所述电网识别分支,生成识别准确率、识别响应时间,根据所述识别响应时间限定所述识别准确率确定所述电网识别分支的优化方向;
对目标电网进行随机扰动,检测目标电网内的所述标签信息;
若所述标签信息为异常,则视为目标电网出现孤岛效应,按照所述优化方向对所述电网识别分支进行识别优化,输出第二识别数据。
5.如权利要求1所述的方法,其特征在于,所述,方法包括:
比对所述第二识别数据与所述第一识别数据,分析数据差异,评估对光伏逆变器的控制影响,生成控制偏离评估结果;
基于所述控制偏离评估结果更新光伏逆变器的控制参数,对所述第一控制策略进行调整,生成第一控制调整策略;
获取所述第一控制调整策略的执行效果,引入约束条件,分析生成控制优化空间;
基于所述控制优化空间进行随机搜索,输出第二控制策略。
6.如权利要求1所述的方法,其特征在于,所述控制优化空间为拓扑结构,所述控制优化空间包含光逆变器的控制参数、光伏电池的性能参数、目标电网的电网状态参数,且所述控制参数、所述性能参数、所述电网状态参数存在关联关系。
7.一种光伏逆变器的智能控制系统,其特征在于,所述系统包括:
动态调整模块,所述动态调整模块用于获取目标环境参数,根据所述目标环境参数对光伏阵列进行动态调整,确定光伏调整阵列;
光伏阵列电力输出信息获取模块,所述光伏阵列电力输出信息获取模块用于根据所述光伏调整阵列监测光伏逆变器的运行状态获取光伏阵列电力输出信息;
预测识别通道模块,所述预测识别通道模块用于基于所述目标环境参数、所述光伏阵列电力输出信息同步至预测识别控制通道,所述预测识别控制通道包含电网识别分支、光伏逆变器控制分支;
控制策略输出模块,所述控制策略输出模块用于通过所述电网识别分支输出第一识别数据,根据所述第一识别数据通过所述光伏逆变器控制分支输出第一控制策略;
智能控制模块,所述智能控制模块用于执行所述第一控制策略进行控制优化,确定第二控制策略,结合第二识别数据执行所述第二控制策略对光伏逆变器进行智能控制;
所述预测识别通道模块还用于:
通过电网传感器对目标电网进行实时监测,生成电网监测数据集;
分析所述电网监测数据集提取目标电网的电网特征;
基于所述电网特征,结合所述电网监测数据集构建所述电网识别分支;
对所述光伏阵列电力输出信息进行解析,获得光伏电池电压输出信息、光伏电池电流输出信息;
利用所述光伏电池电压输出信息、所述光伏电池电流输出信息进行性能预测,获得光伏电池性能预测结果;
基于所述光伏电池性能预测结果,结合最大功率点跟踪算法构建所述光伏逆变器控制分支;
将所述电网识别分支与所述光伏逆变器控制分支进行融合,根据融合结果构建所述预测识别控制通道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410619824.0A CN118214078A (zh) | 2024-05-20 | 2024-05-20 | 一种光伏逆变器的智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410619824.0A CN118214078A (zh) | 2024-05-20 | 2024-05-20 | 一种光伏逆变器的智能控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118214078A true CN118214078A (zh) | 2024-06-18 |
Family
ID=91450785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410619824.0A Pending CN118214078A (zh) | 2024-05-20 | 2024-05-20 | 一种光伏逆变器的智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118214078A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102237691A (zh) * | 2011-07-06 | 2011-11-09 | 东北大学 | 一种风能、太阳能并网发电系统及其控制方法 |
CN102981549A (zh) * | 2012-12-05 | 2013-03-20 | 上海交通大学 | 一种光伏最大功率点实时跟踪预测控制方法 |
CN113517716A (zh) * | 2021-06-21 | 2021-10-19 | 淮阴工学院 | 一种微电网逆变器的无缝切换控制策略 |
CN116961133A (zh) * | 2023-07-25 | 2023-10-27 | 北京恒泰实达科技股份有限公司 | 一种基于用电信息采集的逆变器集群统一控制系统 |
CN117713195A (zh) * | 2023-11-28 | 2024-03-15 | 安徽普照环境科技有限公司 | 一种光伏逆变器的智能控制方法及系统 |
-
2024
- 2024-05-20 CN CN202410619824.0A patent/CN118214078A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102237691A (zh) * | 2011-07-06 | 2011-11-09 | 东北大学 | 一种风能、太阳能并网发电系统及其控制方法 |
CN102981549A (zh) * | 2012-12-05 | 2013-03-20 | 上海交通大学 | 一种光伏最大功率点实时跟踪预测控制方法 |
CN113517716A (zh) * | 2021-06-21 | 2021-10-19 | 淮阴工学院 | 一种微电网逆变器的无缝切换控制策略 |
CN116961133A (zh) * | 2023-07-25 | 2023-10-27 | 北京恒泰实达科技股份有限公司 | 一种基于用电信息采集的逆变器集群统一控制系统 |
CN117713195A (zh) * | 2023-11-28 | 2024-03-15 | 安徽普照环境科技有限公司 | 一种光伏逆变器的智能控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨威: "光储系统暂/稳态电压特 性及并网协调控制策略研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 01, 31 January 2023 (2023-01-31), pages 28 - 56 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108964606B (zh) | 一种光伏系统热斑故障检测方法 | |
EP3890185B1 (en) | System and method for controlling solar photovoltaic power generation on basis of machine learning | |
KR101958474B1 (ko) | 태양광 발전 밸런싱 제어 시스템 및 방법 | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
EP3506448A1 (en) | Method and system for monitoring a photovoltaic plant to determine a fault condition | |
CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
CN117543791A (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
CN118214078A (zh) | 一种光伏逆变器的智能控制方法及系统 | |
CN116581890A (zh) | 一种电网运行稳定性的智能监测方法及系统 | |
Huang et al. | Digital twin modeling and operating state assessment of substation equipment | |
CN115117944A (zh) | 一种风电光伏联合发电的功率控制方法 | |
Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
CN117610314B (zh) | 光伏组件建模方法、装置、设备及存储介质 | |
Nyala et al. | Solar PV System Fault Classification Using Machine Learning Techniques | |
CN115102237B (zh) | 一种基于风电光伏系统的运行调度方法 | |
Castellà Rodil et al. | Supervision and fault detection system for photovoltaic installations based on classification algorithms | |
CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
CN118246695A (zh) | 一种光伏新能源运维调度系统 | |
CN118336719A (zh) | 一种光伏发电系统稳定性分析方法、设备及存储介质 | |
Zhang et al. | A Hybrid Knowledge-Based and Data-Driven Method for Photovoltaic System Fault Diagnosis | |
Castellà et al. | Supervision and fault detection system for photovoltaic installations based on classification algorithms |
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 |