TW202009628A - 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統 - Google Patents

適用於即時線上環境的太陽能電池最大功率追蹤方法及系統 Download PDF

Info

Publication number
TW202009628A
TW202009628A TW107130069A TW107130069A TW202009628A TW 202009628 A TW202009628 A TW 202009628A TW 107130069 A TW107130069 A TW 107130069A TW 107130069 A TW107130069 A TW 107130069A TW 202009628 A TW202009628 A TW 202009628A
Authority
TW
Taiwan
Prior art keywords
output
maximum power
microcontroller
solar cell
fuzzy
Prior art date
Application number
TW107130069A
Other languages
English (en)
Other versions
TWI669589B (zh
Inventor
黃昭明
陳信助
楊松霈
王永山
戴伯凱
Original Assignee
崑山科技大學
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 崑山科技大學 filed Critical 崑山科技大學
Priority to TW107130069A priority Critical patent/TWI669589B/zh
Application granted granted Critical
Publication of TWI669589B publication Critical patent/TWI669589B/zh
Publication of TW202009628A publication Critical patent/TW202009628A/zh

Links

Images

Classifications

    • 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

Landscapes

  • Control Of Electrical Variables (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本發明係有關於一種適用於即時線上環境的太陽能電池最大功率追蹤方法及系統，其主要係令最大功率追蹤系統之微控制器供連結接收太陽能電池之電壓、電流訊號、及環境之照度與溫度資料，且於微控制器內建有模糊擾動法，令ＰＷＭ驅動器連接於微控制器與直流／直流轉換器之間，且令直流／直流轉換器與太陽能電池連接，以由微控制器輸出不同責任週期的ＰＷＭ訊號驅動ＰＷＭ驅動器而驅動直流／直流轉換器進行輸出，於人機介面中進行類神經網路法之訓練，並將訓練好的權值經由通訊模組傳輸至微控制器；據此，不僅能依據目前位置適時調整擾動量大小，並提供較精確的追蹤控制，且其反應速度非常快，令最大功率追蹤更適合於即時線上環境，並可減輕微控制器負擔，讓其能適合於全年不同環境。

Description

適用於即時線上環境的太陽能電池最大功率追蹤方法及系統
本發明係有關於一種適用於即時線上環境的太陽能電池最大功率追蹤方法及系統，尤其是指一種不僅能依據目前位置適時調整擾動量大小，並提供較精確的追蹤控制，且其反應速度非常快，令最大功率追蹤更適合於即時線上環境，並可減輕微控制器負擔，讓其能適合於全年不同環境，而在其整體施行使用上更增實用功效特性之適用於即時線上環境的太陽能電池最大功率追蹤方法及系統創新設計者。
按，現有太陽能電池最大功率追蹤方法主要包含硬體技術與軟體技術兩方面，硬體技術如實際量測法［Ａｃｔｕａｌ　Ｍｅａｓｕｒｅｍｅｎｔ］與功率補償法［Ｐｏｗｅｒ　Ｃｏｍｐｅｎｓａｔｉｏｎ　Ｍｅｔｈｏｄ］；軟體技術方法甚多，主要為擾動觀察法［Ｐｅｒｔｕｒｂａｔｉｏｎ　＆　Ｏｂｓｅｒｖａｔｉｏｎ，　Ｐ＆Ｏ］、增量電導法［Ｉｎｃｒｅｍｅｎｔａｌ　Ｃｏｎｄｕｃｔａｎｃｅ　Ａｌｇｏｒｉｔｈｍ］及模糊邏輯法［Ｆｕｚｚｙ　Ｌｏｇｉｃ　Ｍｅｔｈｏｄ］等。硬體技術由於成本較高，因此較少人採用；軟體技術大多將追蹤方法撰寫於微控制器或控制晶片中，再透過脈波寬度調變［ＰＷＭ］技術控制轉換器輸出，以達到最大功率追蹤目的。
其中，就常見之太陽能電池最大功率追蹤方法，請參閱１０２年９月２１日公告之第Ｉ４０９６１１號「太陽能電池最大功率追蹤方法」，所述太陽能電池之輸出電源經由一轉換單元改變直流電壓值並輸出至一負載，轉換單元是由一脈寬調變訊號控制，脈寬調變訊號之脈寬比改變時太陽能電池之輸出電流與電壓亦改變，最大功率追蹤方法包含以下步驟：(A)設定三初始之脈寬調變訊號，且該等脈寬調變訊號之脈寬比由小而大依序為第一、第二、第三脈寬比，並傳送至轉換單元；(B)分別量取太陽能電池於第一、第二、第三脈寬比下之輸出電流與輸出電壓值；(C)計算出太陽能電池分別於第一、第二、第三脈寬比下之輸出功率，並分別令為第一、第二、第三輸出功率；(D)如果第一、第二、第三輸出功率依序遞增，則求取一脈寬間隔值，並令第二脈寬比成為新第一脈寬比，令第三脈寬比成為新第二脈寬比，令第三脈寬比加上脈寬間隔值成為新第三脈寬比，以新第一、第二、第三脈寬比重複步驟B；(E)如果第一、第二、第三輸出功率依序遞減，則求取一脈寬間隔值，並令第二脈寬比成為新第三脈寬比，令第一脈寬比成為新第二脈寬比，令第一脈寬比減該脈寬間隔值成為新第一脈寬比，以新第一、第二、第三脈寬比重複步驟B； (F)如果第二輸出功率大於第一輸出功率、且第二輸出功率也大於第三輸出功率，則以二項次曲線公式求取新第二脈寬比，並量測計算新第二輸出功率；(G)如果新第二輸出功率與原第二輸出功率間之差值大於新第二輸出功率之預定比例，則以新第二脈寬比帶入二項次曲線公式求取另一新第二脈寬比，並量測計算新第二輸出功率，重複步驟F；及(I)如果新第二輸出功率與原第二輸出功率間之差值小於新第二輸出功率之預定比例，則新第二輸出功率為最大輸出功率。
請再參閱公告於１０２年１月１１日之第Ｉ３８２６４６號「具最大功率追蹤之電壓控制式直流/交流電力轉換器之控制方法」，其包含：以一第一交流電壓檢出器檢出一交流電源系統之電壓後送至一帶通濾波器，且該帶通濾波器之中心頻率為該交流電源系統之基本波頻率，以便該帶通濾波器獲得該交流電源系統之基本波成份，其中該基本波成份係為一弦波信號；以一相移電路將該帶通濾波器所產生之弦波信號進行超前90度相移；以一乘法器將經過90度相移之後的該弦波信號及一最大功率追蹤控制電路之輸出信號相乘得到一垂直向量信號；以一加法器將該垂直向量信號與該第一交流電壓檢出器所檢出之電壓信號相加，進而獲得一輸出電壓參考信號；以一第二交流電壓檢出器檢出一直流/交流電力轉換器之輸出濾波器之輸出電壓並送至一減法器之一輸入端，該減法器之另一輸入端係連接該加法器，且該減法器係將該輸出電壓參考信號與該直流/交流電力轉換器之輸出電壓進行相減；以一波形控制電路接收該減法器之輸出信號並形成一調變信號；以一脈寬調變電路接收該波形控制電路所輸出之調變信號並送至一驅動電路，該驅動電路係產生一組驅動信號控制該直流/交流電力轉換器之電力電子開關組。
請再參閱公開於９４年１２月７日之第２００７２３６６５號「利用阻抗匹配法之太陽光伏系統最大功率追蹤技術」，步驟包含：量測該太陽光伏系統之一開路電壓(Voc )值及一短路電流(Isc )值；將該開路電壓值除以該短路電流值再乘以一修正常數(K)，得到該太陽光伏系統中之一阻抗值；根據該阻抗值，決定該太陽光伏系統之一最佳電壓值與一最佳電流值；以及根據該最佳電壓值與該最佳電流值，決定後續最大功率點，使得該太陽光伏系統維持在該最大功率點上。
請再參閱公開於１０４年７月１日之第２０１５２５６４３號「以Fuzzy DR-LMS演算法估測太陽能板最大功率點之電壓」，包括：取得已知照度值與最大功率電壓值，以照度值為Fuzzy DR-LMS濾波器的輸入值，最大功率的電壓值則為濾波器的輸出值，利用調適型濾波器的估測能力，經過Fuzzy DR-LMS演算法調整濾波器之係數；以及根據該濾波器係數的調整，取得照度與最大功率電壓值之間的關係，直接利用濾波係數進而估測下一筆照度的最大功率電壓；藉以省去複雜的太陽能板最大功率點追踨運算，簡化並加速太陽能最大功率的追蹤流程。
請再參閱公開於１０３年６月１日之第２０１４２１１８８號「增加照度引用率於改善太陽能電池最大功率追蹤之電壓預測方法」，其包含有：取得相當數量之實際照度數據；以灰預測方式介入前三筆照度數據來預測下一時間點的預測照度數據；利用插值法加入預測照度數據於實際照度數據中增加照度數據；以擾動觀察法追蹤最大功率電壓點取樣值；以該最大功率電壓點取樣值驅動控制單元逐步調整電壓，使太陽能電池在兩取樣值之間具有更平滑的供電性能。
又，現今一般太陽能電池最大功率追蹤方法所常見大多皆係採用擾動觀察法進行最大功率追蹤，此方法雖具有簡單易於實現的優點，但在實際操作施行使用上卻仍然發現，其追蹤速度過於緩慢，且容易在最大功效點附加震盪，致令其在整體施行使用上仍存在有改進之空間。
緣是，發明人有鑑於此，秉持多年該相關行業之豐富設計開發及實際製作經驗，針對現有之結構及缺失再予以研究改良，提供一種適用於即時線上環境的太陽能電池最大功率追蹤方法及系統，以期達到更佳實用價值性之目的者。
本發明之主要目的在於提供一種適用於即時線上環境的太陽能電池最大功率追蹤方法及系統，其主要係不僅能依據目前位置適時調整擾動量大小，並提供較精確的追蹤控制，且其反應速度非常快，令最大功率追蹤更適合於即時線上環境，並可減輕微控制器負擔，讓其能適合於全年不同環境，而在其整體施行使用上更增實用功效特性者。
本發明適用於即時線上環境的太陽能電池最大功率追蹤方法之主要目的與功效，係由以下具體技術手段所達成：
其主要係於最大功率追蹤包含有前級微控制器內建之該模糊擾動法及後級與該微控制器連接之人機介面進行之該類神經網路法［ＡＮＮ］；
該模糊擾動法［ＦＭＰＰＴ］主要係應用模糊推論法則推估下一次的擾動量：
其係先進行擾動觀察法：藉由將太陽能電池之輸出電壓與電流回授至該最大功率追蹤系統之該微控制器，藉由該微控制器送出不同責任週期的ＰＷＭ訊號驅動ＰＷＭ驅動器，以利用該ＰＷＭ驅動器驅動改變該直流／直流轉換器的輸出，並進一步改變該太陽能電池的端電壓及輸出功率；在此同時，觀察相關照度［
Figure 02_image001
］及溫度［
Figure 02_image003
］，並比較該直流／直流轉換器輸出變動前後該太陽能電池的輸出電壓與輸出功率的大小來決定下次之輸出為增加或減少；
再進行模糊擾動法：其係藉由模糊推論引擎決定下次擾動的量，當工作點離最大功率點［Ｐｍａｘ ］遠時，其擾動量大；反之則減小擾動量，輸入功率變化量［ΔＰ］與電壓變化量［ΔＶ］，而輸出則為責任週期調整量［ΔＤ］，將兩個輸入變數均分割為七個模糊區間，以建立模糊知識庫；
其形式為：
Figure 02_image005
進行類神經網路法［ＡＮＮ］：利用前級之該模糊擾動法所收集到的輸入／輸出資料對藉由類神經網路進行學習訓練，輸入層為５個輸入變數，分別為
Figure 02_image007
、
Figure 02_image009
、
Figure 02_image011
、照度［
Figure 02_image013
］及溫度［
Figure 02_image015
］，給予初始輸入矩陣
Figure 02_image016
，期望輸出
Figure 02_image018
，並隨機產生權值矩陣及、偏權值矩陣
Figure 02_image024
及
Figure 02_image026
，其值均勻分佈於
Figure 02_image028
間，其中期望輸出
Figure 02_image030
為模糊擾動法的輸出電壓(FMPPT())，第二層為含有５個神經元的隱藏層，故總共有２５個權值
Figure 02_image033
與５個偏權值
Figure 02_image035
，第三層輸出層為達到最大功率所需之責任週期變化量，由１個神經元所構成，總共含有５個權值
Figure 02_image037
與１個偏權值
Figure 02_image039
；
執行前向傳遞［forward propagation］運算
隱藏層淨輸出
Figure 02_image041
Figure 02_image043
隱藏層輸出
Figure 02_image045
，其中
Figure 02_image047
為一雙曲線轉移函數，
輸出層淨輸出
Figure 02_image049
Figure 02_image051
輸出層輸出
Figure 02_image053
，其中
Figure 02_image055
為一雙曲線轉移函數，
Figure 02_image057
為類神經網路輸出電壓(ANN())，
誤差
Figure 02_image060
於訓練過程中，為使訓練資料能涵蓋所有可能的環境情況，即進行重新訓練機制；
該重新訓練機制為：a.在後級追蹤階段，模糊擾動法也每隔一段時間執行一次，其所產生的輸出電壓與後級類神經網路的輸出電壓進行比較，當二者誤差大於１％時，則將此相關資料收集起來；b.啟動該人機介面進行重新訓練；c.將訓練好的權值透過通訊模組傳送至該微控制器進行最大功率追蹤控制。
本發明適用於即時線上環境的太陽能電池最大功率追蹤方法的較佳實施例，其中，進一步執行向後傳遞［backpropagation］運算
利用最小均方誤差準則修正隱藏層及輸出層權值，則
Figure 02_image062
調整輸出層權值對
Figure 02_image066
的影響
Figure 02_image068
Figure 02_image070
調整輸出層權值對
Figure 02_image074
的影響
Figure 02_image075
Figure 02_image077
調整各層權值
Figure 02_image079
Figure 02_image081
其中
Figure 02_image083
為第
Figure 02_image085
時間［或疊代次數］隱藏層的權值，
Figure 02_image087
為第
Figure 02_image089
時間輸出層的權值，該α為一衡量常數［momentum constant］，該η為一學習率［learning rate constant］常數，α與η其值介於0與1之間。
本發明適用於即時線上環境的太陽能電池最大功率追蹤方法的較佳實施例，其中，該α數值在0.5至0.99之間，該η數值在0.01~0.5之間。
本發明適用於即時線上環境的太陽能電池最大功率追蹤方法的較佳實施例，其中，該人機介面係為ＬａｂＶＩＥＷ－Ｍａｔｌａｂ介面，以將資料饋入Ｍａｔｌａｂ進行重新訓練。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統之主要目的與功效，係由以下具體技術手段所達成：
係包含有適用於即時線上環境的太陽能電池最大功率追蹤方法，其主要係令最大功率追蹤系統包括有微控制器、ＰＷＭ［Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ，脈波寬度調變］驅動器、直流／直流轉換器、通訊模組及人機介面；其中：
該微控制器，其供連結接收太陽能電池之電壓、電流訊號、及環境之照度與溫度資料，且於該微控制器內建有模糊擾動法［ＦＭＰＰＴ］；
該ＰＷＭ驅動器，其與該微控制器連接，以由該微控制器輸出不同責任週期的ＰＷＭ訊號驅動該ＰＷＭ驅動器；
該直流／直流轉換器，其與該ＰＷＭ驅動器連接，且令該直流／直流轉換器與該太陽能電池連接，而能利用該ＰＷＭ驅動器驅動該直流／直流轉換器進行輸出；
該通訊模組，其與該微控制器連接；
該人機介面，其與該通訊模組連接，該人機介面中進行類神經網路法之訓練，並將訓練好的權值經由該通訊模組傳輸至該微控制器。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統的較佳實施例，其中，該直流／直流轉換器之輸出端連接直流負載、蓄電池任一種。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統的較佳實施例，其中，該直流／直流轉換器之輸出端同時連接該直流負載與該蓄電池。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統的較佳實施例，其中，該直流／直流轉換器為ＳＥＰＩＣ轉換器。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統的較佳實施例，其中，該通訊模組係進行ＲＳ－４８５介面與ＴＣＰ／ＩＰ介面之間的訊號轉換。
本發明適用於即時線上環境的太陽能電池最大功率追蹤系統的較佳實施例，其中，該人機介面係採用ＬａｂＶＩＥＷ圖形監控軟體，於該人機介面中利用Ｍａｔｌａｂ軟體提供類神經網路程式碼。
為令本發明所運用之技術內容、發明目的及其達成之功效有更完整且清楚的揭露，茲於下詳細說明之，並請一併參閱所揭之圖式及圖號：
首先，請參閱第一圖本發明之系統架構示意圖所示，本發明主要係令最大功率追蹤系統（１）包括有微控制器（１１）、ＰＷＭ［Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ，脈波寬度調變］驅動器（１２）、直流／直流轉換器（１３）、通訊模組（１４）及人機介面（１５）；其中：
該微控制器（１１），其供連結接收太陽能電池（２）之電壓、電流訊號、及環境之照度與溫度資料，且於該微控制器（１１）內建有模糊擾動法［ＦＭＰＰＴ］；
該ＰＷＭ驅動器（１２），其與該微控制器（１１）連接，以由該微控制器（１１）輸出不同責任週期的ＰＷＭ訊號驅動該ＰＷＭ驅動器（１２）；
該直流／直流轉換器（１３），其與該ＰＷＭ驅動器（１２）連接，且令該直流／直流轉換器（１３）與該太陽能電池（２）連接，並於該直流／直流轉換器（１３）之輸出端連接直流負載（３）、蓄電池（４）任一種，或係於該直流／直流轉換器（１３）之輸出端同時連接該直流負載（３）與該蓄電池（４），該直流／直流轉換器（１３）可為ＳＥＰＩＣ轉換器，使得不僅於輸出電壓沒有極性相反的問題，且能進行升壓操作，並於調整其責任週期比Ｄ的值時能使轉換電路工作於升壓或降壓，以增加該太陽能電池（２）之種類與電壓範圍選擇彈性，而能利用該ＰＷＭ驅動器（１２）驅動該直流／直流轉換器（１３）進行輸出；
該通訊模組（１４），其與該微控制器（１１）連接，該通訊模組（１４）能進行ＲＳ－４８５介面與ＴＣＰ／ＩＰ介面之間的訊號轉換；
該人機介面（１５），其與該通訊模組（１４）連接，該人機介面（１５）係採用ＬａｂＶＩＥＷ圖形監控軟體，於該人機介面（１５）中利用Ｍａｔｌａｂ軟體提供類神經網路程式碼，使得能啟動該ＬａｂＶＩＥＷ圖形監控軟體中的Ｍａｔｌａｂ　Ｓｃｒｉｐｔ　Ｎｏｄｅ功能，以在Ｍａｔｌａｂ環境中進行類神經網路法之訓練，並將訓練好的權值經由該通訊模組（１４）傳輸至該微控制器（１１）。
而本發明於操作使用上，其係包含有前級該微控制器（１１）內建之該模糊擾動法及後級該人機介面（１５）進行之該類神經網路法［ＡＮＮ］。
該模糊擾動法［ＦＭＰＰＴ］主要係應用模糊推論法則推估下一次的擾動量：
其係先進行擾動觀察法：主要藉由將該太陽能電池（２）之輸出電壓與電流回授至該最大功率追蹤系統（１）之該微控制器（１１），藉由該微控制器（１１）送出不同責任週期的ＰＷＭ訊號驅動該ＰＷＭ驅動器（１２），以利用該ＰＷＭ驅動器（１２）驅動改變該直流／直流轉換器（１３）的輸出，並進一步改變該太陽能電池（２）的端電壓及輸出功率；在此同時，觀察相關照度［
Figure 02_image090
］及溫度［
Figure 02_image091
］，並比較該直流／直流轉換器（１３）輸出變動前後該太陽能電池（２）的輸出電壓與輸出功率的大小來決定下次之輸出為增加或減少。
請再一併參閱第二圖本發明之太陽能電池功率［ＰＰＶ ］與電壓［ＶＰＶ ］曲線圖所示，設定在最大功率點［Ｐｍａｘ ］左側為Ａ區、右側為Ｂ區；於該Ａ區時，欲使功率往最大功率點［Ｐｍａｘ ］移動，則須提高該太陽能電池（２）的輸出電壓，即降低責任週期比Ｄ；而在Ｂ區時，欲使功率往最大功率點［Ｐｍａｘ ］移動，則須降低該太陽能電池（２）的輸出電壓，即提高責任週期比Ｄ，其提高或降低的量，即稱為擾動量。請再一併參閱第三圖本發明之擾動觀察法動作流程示意圖所示，於讀取該太陽能電池（２）的電壓和電流後，予以計算輸出功率，若本次輸出功率大於前次輸出功率，則該微控制器（１１）將調整責任週期［Ｄ］使輸出功率朝同一個方向變動；反之，若本次輸出功率小於前次輸出功率，則在下一個責任週期［Ｄ］時改變輸出功率的變動方向。
再進行模糊擾動法：其係藉由模糊推論引擎決定下次擾動的量，當工作點離最大功率點［Ｐｍａｘ ］遠時，其擾動量大；反之則減小擾動量。請再一併參閱第四圖本發明之模糊控制系統方塊圖所示，其係輸入功率變化量［ΔＰ］與電壓變化量［ΔＶ］，而輸出則為責任週期調整量［ΔＤ］，請再一併參閱第五圖本發明之輸入與輸出的模糊歸屬函數示意圖［功率變化量］、第六圖本發明之輸入與輸出的模糊歸屬函數示意圖［電壓變化量］及第七圖本發明之輸入與輸出的模糊歸屬函數示意圖［責任週期變化量］所示，其中ＬＮ為大的負、ＭＮ為中的負、ＳＮ為小的負、ＺＥ為零、ＬＰ為大的正、ＭＰ為中的正、ＳＰ為小的正，由於兩個輸入變數均分割為七個模糊區間，因此知識庫將包含４９［７ｘ７］條推論引擎，如表１所示： 表１：模糊擾動規則庫
其形式如下：
Figure 02_image096
舉例而言，第１０條模糊規則：
R10 ：
Figure 02_image098
Ｒ10 說明若功率變化量為中的負［ＭＮ］，即功率下降，且電壓變化量為小的負［ＳＮ］，則判斷工作在Ａ區，此時需增加電壓以往最大功率點［Ｐｍａｘ ］移動［由Ａ２移至Ａ１］，因此責任週期［Ｄ］變化量須為小的負［ＳＮ］，即微幅調小。
再以第４５條模糊規則為例：
R45 ：
Figure 02_image100
Ｒ45 說明若功率變化量為大的正［ＬＰ］，即功率大幅增加，且電壓變化量為小的負［ＳＮ］，則判斷工作在Ｂ區，此時需減少電壓以繼續往最大功率點移動［由Ｂ２移至Ｂ１］，因此責任週期變化量須為中的正［ＭＰ］，即中幅調大。
進行類神經網路法［ＡＮＮ］：
請再一併參閱第八圖本發明之類神經網路於最大功率追蹤架構示意圖所示，利用類神經之倒傳遞演算法進行資料訓練可分成下列幾個步驟：
步驟1：給予初始輸入矩陣
Figure 02_image102
，期望輸出
Figure 02_image103
，並隨機產生權值矩陣及、偏權值矩陣
Figure 02_image107
及
Figure 02_image109
，其值均勻分佈於
Figure 02_image110
間，其中期望輸出
Figure 02_image103
為模糊擾動法的輸出電壓(FMPPT())。
步驟2：執行前向傳遞［forward propagation］運算
隱藏層淨輸出
Figure 02_image041
Figure 02_image112
隱藏層輸出
Figure 02_image045
，其中
Figure 02_image047
為一雙曲線轉移函數，
輸出層淨輸出
Figure 02_image049
Figure 02_image114
輸出層輸出
Figure 02_image116
，其中
Figure 02_image055
為一雙曲線轉移函數，
Figure 02_image057
為類神經網路輸出電壓(ANN())，
誤差
Figure 02_image118
步驟3：執行向後傳遞［backpropagation］運算
利用最小均方誤差準則修正隱藏層及輸出層權值，則
Figure 02_image120
步驟3.1：調整輸出層權值對
Figure 02_image123
的影響
Figure 02_image124
Figure 02_image126
步驟3.2：調整輸出層權值對
Figure 02_image129
的影響
Figure 02_image130
Figure 02_image132
步驟3.3：調整各層權值
Figure 02_image134
Figure 02_image136
其中
Figure 02_image138
為第
Figure 02_image140
時間［或疊代次數］隱藏層的權值，
Figure 02_image142
為第
Figure 02_image144
時間輸出層的權值，α為一衡量常數［momentum constant］，η為一學習率［learning rate constant］常數，α與η通常由使用者依據經驗或實驗設定，其值介於0與1之間。一般而言，α數值在0.5至0.99之間，η數值則在0.01~0.5之間，α數值大小會影響學習收斂速度，η值則會影響學習效果。
步驟4：重複步驟2及步驟3，直至達到設定的疊代次數或程式收斂至誤差範圍內。
以下將藉由類神經網路法進行資料訓練進行詳細說明，利用前級該微控制器（１１）之該模糊擾動法所收集到的輸入／輸出資料，對後級該人機介面（１５）藉由類神經網路進行學習訓練，請再一併參閱第八圖本發明之類神經網路於最大功率追蹤架構示意圖所示，輸入層為５個輸入變數，分別為
Figure 02_image007
、
Figure 02_image009
、
Figure 02_image011
、照度［
Figure 02_image013
］及溫度［
Figure 02_image015
］，第二層為含有５個神經元的隱藏層，故總共有２５個權值
Figure 02_image033
與５個偏權值
Figure 02_image035
，第三層輸出層為達到最大功率所需之責任週期變化量，由１個神經元所構成，總共含有５個權值
Figure 02_image037
與１個偏權值
Figure 02_image039
。
在上述過程中，前級該微控制器（１１）所使用的模糊擾動法能夠克服傳統擾動觀察法在最大功率點搖擺不定的缺點，且為能精確而快速地追蹤最大功率點［Ｐｍａｘ ］，使得於後級該人機介面（１５）利用前級該微控制器（１１）所收集到的輸入／輸出資料對藉由類神經網路進行學習訓練，於訓練過程中，為使訓練資料能涵蓋所有可能的環境情況，於本發明中即利用重新訓練機制，其做法為：1.在後級追蹤階段，該微控制器（１１）模糊擾動法於每隔一段時間［如１５秒］執行一次，其所產生的輸出電壓與後級該人機介面（１５）類神經網路的輸出電壓進行比較，當二者誤差大於１％時［即
Figure 02_image150
］，則將此相關資料收集起來；2.啟動該通訊模組（１４）ＬａｂＶＩＥＷ－Ｍａｔｌａｂ介面，將資料饋入Ｍａｔｌａｂ進行重新訓練；3.將訓練好的權值透過該通訊模組（１４）ＲＳ４８５轉ＴＣＰ傳送至該微控制器（１１）進行最大功率追蹤控制［請再一併參閱第九圖本發明之最大功率追蹤流程示意圖所示］。
如此一來，使得本發明於進行實驗測試時，先設定該太陽能電池（２）最大輸出功率
Figure 02_image152
＝２５Ｗ、開路電壓
Figure 02_image154
＝２１﹒７Ｖ、短路電流
Figure 02_image156
＝１﹒３１Ａ、該蓄電池（４）充電電壓１４﹒２～１５Ｖ、該蓄電池（４）容量１７Ａｈ，請再一併參閱第十圖本發明之模糊擾動法［ＦＭＰＰＴ］最大功率追蹤狀況曲線圖［照度２００００　ｌｕｘ］、第十一圖本發明之模糊擾動法［ＦＭＰＰＴ］最大功率追蹤狀況曲線圖［照度４００００　ｌｕｘ］、第十二圖本發明之類神經網路法［ＡＮＮ］最大功率追蹤狀況曲線圖［照度２００００　ｌｕｘ］、第十三圖本發明之類神經網路法［ＡＮＮ］最大功率追蹤狀況曲線圖［照度４００００　ｌｕｘ］、第十四圖本發明之模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤狀況比較曲線圖及第十五圖本發明之模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤點附近區域放大圖所示，由於其比較平均百分比誤差ｅ％＝１﹒４９３５％［＞１％］，因此啟動重新訓練機制。經訓練後的各層權值如下所示：
隱藏層權值
Figure 02_image158
隱藏層偏權值
Figure 02_image160
輸出層權值
Figure 02_image162
輸出層偏權值
Figure 02_image164
請再一併參閱第十六圖本發明之重新訓練後的模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤狀況比較曲線圖及第十七圖本發明之重新訓練後的模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤點附近區域放大圖所示，於經訓練後，其平均誤差已降至ｅ％＝０﹒７３２％，上述之平均誤差定義如下：
Figure 02_image166
藉由以上所述，本發明之使用實施說明可知，本發明與現有技術手段相較之下，本發明主要係具有下列優點：
1.本發明於前級微控制器係使用模糊擾動法［ＦＭＰＰＴ］，使得能依據目前位置適時調整擾動量大小，因此能避免在最大功率點附近震盪的缺點，並提供較精確的追蹤控制。
2.本發明於後級人機介面使用類神經網路法［ＡＮＮ］，使得其輸入與輸出僅需要一些代數運算，反應速度非常快，連帶令最大功率追蹤更適合於即時線上環境。
3.本發明重新訓練機制藉由人機介面之ＬａｂＶＩＥＷ－Ｍａｔｌａｂ介面的Ｍａｔｌａｂ　Ｓｃｒｉｐｔ　Ｎｏｄｅ功能在Ｍａｔｌａｂ環境中進行訓練，除可減輕微控制器負擔，更可使得最大功率追蹤控制系統能適合於全年不同環境。
然而前述之實施例或圖式並非限定本發明之產品結構或使用方式，任何所屬技術領域中具有通常知識者之適當變化或修飾，皆應視為不脫離本發明之專利範疇。
綜上所述，本發明實施例確能達到所預期之使用功效，又其所揭露之具體構造，不僅未曾見諸於同類產品中，亦未曾公開於申請前，誠已完全符合專利法之規定與要求，爰依法提出發明專利之申請，懇請惠予審查，並賜准專利，則實感德便。
（１）‧‧‧最大功率追蹤系統
（１１）‧‧‧微控制器
（１２）‧‧‧ＰＷＭ驅動器
（１３）‧‧‧直流／直流轉換器
（１４）‧‧‧通訊模組
（１５）‧‧‧人機介面
（２）‧‧‧太陽能電池
（３）‧‧‧直流負載
（４）‧‧‧蓄電池
第一圖：本發明之系統架構示意圖
第二圖：本發明之太陽能電池功率［ＰＰＶ ］與電壓［ＶＰＶ ］曲線圖
第三圖：本發明之擾動觀察法動作流程示意圖
第四圖：本發明之模糊控制系統方塊圖
第五圖：本發明之輸入模糊歸屬函數示意圖［功率變化量］
第六圖：本發明之輸入模糊歸屬函數示意圖［電壓變化量］
第七圖：本發明之輸出模糊歸屬函數示意圖［責任週期變化量］
第八圖：本發明之類神經網路於最大功率追蹤架構示意圖
第九圖：本發明之最大功率追蹤流程示意圖
第十圖：本發明之模糊擾動法［ＦＭＰＰＴ］最大功率追蹤狀況曲線圖［照度２００００　ｌｕｘ］
第十一圖：本發明之模糊擾動法［ＦＭＰＰＴ］最大功率追蹤狀況曲線圖［照度４００００　ｌｕｘ］
第十二圖：本發明之類神經網路法［ＡＮＮ］最大功率追蹤狀況曲線圖［照度２００００　ｌｕｘ］
第十三圖：本發明之類神經網路法［ＡＮＮ］最大功率追蹤狀況曲線圖［照度４００００　ｌｕｘ］
第十四圖：本發明之模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤狀況比較曲線圖
第十五圖：本發明之模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤點附近區域放大圖
第十六圖：本發明之重新訓練後的模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤狀況比較曲線圖
第十七圖：本發明之重新訓練後的模糊擾動法［ＦＭＰＰＴ］與類神經網路法［ＡＮＮ］追蹤點附近區域放大圖
(1)‧‧‧最大功率追蹤系統
(11)‧‧‧微控制器
(12)‧‧‧PWM驅動器
(13)‧‧‧直流/直流轉換器
(14)‧‧‧通訊模組
(15)‧‧‧人機介面
(2)‧‧‧太陽能電池
(3)‧‧‧直流負載
(4)‧‧‧蓄電池

Claims (10)

  1. 一種適用於即時線上環境的太陽能電池最大功率追蹤方法，其主要係於最大功率追蹤包含有前級微控制器內建之模糊擾動法及後級與該微控制器連接之人機介面進行之類神經網路法［ＡＮＮ］； 該模糊擾動法［ＦＭＰＰＴ］主要係應用模糊推論法則推估下一次的擾動量： 其係先進行擾動觀察法：藉由將太陽能電池之輸出電壓與電流回授至該最大功率追蹤系統之該微控制器，藉由該微控制器送出不同責任週期的ＰＷＭ訊號驅動ＰＷＭ驅動器，以利用該ＰＷＭ驅動器驅動改變該直流／直流轉換器的輸出，並進一步改變該太陽能電池的端電壓及輸出功率；在此同時，觀察相關照度［
    Figure 03_image001
    ］及溫度［
    Figure 03_image003
    ］，並比較該直流／直流轉換器輸出變動前後該太陽能電池的輸出電壓與輸出功率的大小來決定下次之輸出為增加或減少； 再進行模糊擾動法：其係藉由模糊推論引擎決定下次擾動的量，當工作點離最大功率點［Ｐｍａｘ ］遠時，其擾動量大；反之則減小擾動量，輸入功率變化量［ΔＰ］與電壓變化量［ΔＶ］，而輸出則為責任週期調整量［ΔＤ］，將兩個輸入變數均分割為七個模糊區間，以建立模糊知識庫； 其形式為：
    Figure 03_image167
    進行類神經網路法［ＡＮＮ］：利用前級之該模糊擾動法所收集到的輸入／輸出資料對藉由類神經網路進行學習訓練，輸入層為５個輸入變數，分別為
    Figure 03_image007
    、
    Figure 03_image009
    、
    Figure 03_image011
    、照度［
    Figure 03_image013
    ］及溫度［
    Figure 03_image015
    ］，給予初始輸入矩陣
    Figure 03_image016
    ，期望輸出
    Figure 03_image018
    ，並隨機產生權值矩陣及、偏權值矩陣
    Figure 03_image024
    及
    Figure 03_image026
    ，其值均勻分佈於
    Figure 03_image028
    間，其中期望輸出
    Figure 03_image030
    為模糊擾動法的輸出電壓(FMPPT())，第二層為含有５個神經元的隱藏層，故總共有２５個權值
    Figure 03_image033
    與５個偏權值
    Figure 03_image035
    ，第三層輸出層為達到最大功率所需之責任週期變化量，由１個神經元所構成，總共含有５個權值
    Figure 03_image037
    與１個偏權值
    Figure 03_image039
    ； 執行前向傳遞［forward propagation］運算 隱藏層淨輸出
    Figure 03_image041
    Figure 03_image169
    隱藏層輸出
    Figure 03_image045
    ，其中
    Figure 03_image047
    為一雙曲線轉移函數， 輸出層淨輸出
    Figure 03_image170
    Figure 03_image114
    輸出層輸出
    Figure 03_image053
    ，其中
    Figure 03_image055
    為一雙曲線轉移函數，
    Figure 03_image057
    為類神經網路輸出電壓(ANN())， 誤差
    Figure 03_image060
    於訓練過程中，為使訓練資料能涵蓋所有可能的環境情況，即進行重新訓練機制； 該重新訓練機制為：a.在後級追蹤階段，模糊擾動法也每隔一段時間執行一次，其所產生的輸出電壓與後級類神經網路的輸出電壓進行比較，當二者誤差大於１％時，則將此相關資料收集起來；b.啟動該人機介面進行重新訓練；c.將訓練好的權值透過通訊模組傳送至該微控制器進行最大功率追蹤控制。
  2. 如申請專利範圍第１項所述適用於即時線上環境的太陽能電池最大功率追蹤方法，進一步執行向後傳遞［backpropagation］運算 利用最小均方誤差準則修正隱藏層及輸出層權值，則
    Figure 03_image062
    調整輸出層權值對
    Figure 03_image066
    的影響
    Figure 03_image068
    Figure 03_image070
    調整輸出層權值對
    Figure 03_image074
    的影響
    Figure 03_image075
    Figure 03_image077
    調整各層權值
    Figure 03_image079
    Figure 03_image081
    其中
    Figure 03_image083
    為第
    Figure 03_image085
    時間［或疊代次數］隱藏層的權值，
    Figure 03_image087
    為第
    Figure 03_image089
    時間輸出層的權值，該α為一衡量常數［momentum constant］，該η為一學習率［learning rate constant］常數，α與η其值介於0與1之間。
  3. 如申請專利範圍第２項所述適用於即時線上環境的太陽能電池最大功率追蹤方法，其中，該α數值在0.5至0.99之間，該η數值在0.01~0.5之間。
  4. 如申請專利範圍第１項所述適用於即時線上環境的太陽能電池最大功率追蹤方法，其中，該人機介面係為ＬａｂＶＩＥＷ－Ｍａｔｌａｂ介面，以將資料饋入Ｍａｔｌａｂ進行重新訓練。
  5. 一種適用於即時線上環境的太陽能電池最大功率追蹤系統，係包含有如申請專利範圍第1項所述之方法，其主要係令最大功率追蹤系統包括有微控制器、ＰＷＭ［Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ，脈波寬度調變］驅動器、直流／直流轉換器、通訊模組及人機介面；其中： 該微控制器，其供連結接收太陽能電池之電壓、電流訊號、及環境之照度與溫度資料，且於該微控制器內建有模糊擾動法［ＦＭＰＰＴ］； 該ＰＷＭ驅動器，其與該微控制器連接，以由該微控制器輸出不同責任週期的ＰＷＭ訊號驅動該ＰＷＭ驅動器； 該直流／直流轉換器，其與該ＰＷＭ驅動器連接，且令該直流／直流轉換器與該太陽能電池連接，而能利用該ＰＷＭ驅動器驅動該直流／直流轉換器進行輸出； 該通訊模組，其與該微控制器連接； 該人機介面，其與該通訊模組連接，該人機介面中進行類神經網路法之訓練，並將訓練好的權值經由該通訊模組傳輸至該微控制器。
  6. 如申請專利範圍第５項所述適用於即時線上環境的太陽能電池最大功率追蹤系統，其中，該直流／直流轉換器之輸出端連接直流負載、蓄電池任一種。
  7. 如申請專利範圍第５項所述適用於即時線上環境的太陽能電池最大功率追蹤系統，其中，該直流／直流轉換器之輸出端同時連接該直流負載與該蓄電池。
  8. 如申請專利範圍第５項所述適用於即時線上環境的太陽能電池最大功率追蹤系統，其中，該直流／直流轉換器為ＳＥＰＩＣ轉換器。
  9. 如申請專利範圍第５項所述適用於即時線上環境的太陽能電池最大功率追蹤系統，其中，該通訊模組係進行ＲＳ－４８５介面與ＴＣＰ／ＩＰ介面之間的訊號轉換。
  10. 如申請專利範圍第５項所述適用於即時線上環境的太陽能電池最大功率追蹤系統，其中，該人機介面係採用ＬａｂＶＩＥＷ圖形監控軟體，於該人機介面中利用Ｍａｔｌａｂ軟體提供類神經網路程式碼。
TW107130069A 2018-08-29 2018-08-29 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統 TWI669589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW107130069A TWI669589B (zh) 2018-08-29 2018-08-29 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107130069A TWI669589B (zh) 2018-08-29 2018-08-29 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統

Publications (2)

Publication Number Publication Date
TWI669589B TWI669589B (zh) 2019-08-21
TW202009628A true TW202009628A (zh) 2020-03-01

Family

ID=68316337

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107130069A TWI669589B (zh) 2018-08-29 2018-08-29 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統

Country Status (1)

Country Link
TW (1) TWI669589B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI776199B (zh) * 2020-08-04 2022-09-01 崑山科技大學 太陽能電池雙二極體模型參數估測方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI751507B (zh) * 2020-03-06 2022-01-01 崑山科技大學 太陽能電池的模型建立方法及其運行狀態判斷與預測最大發電功率的方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012714B (zh) * 2009-09-04 2012-09-26 立锜科技股份有限公司 太阳能板最大功率追踪方法及电路
CN101694942B (zh) * 2009-10-16 2011-03-02 山东电力研究院 最大功率追踪方法
TW201211723A (en) * 2010-09-13 2012-03-16 Jwo Hwu Yi A novel maximum power point tracking configuration and method for a photovoltaic power system
TW201237587A (en) * 2011-03-04 2012-09-16 Spirox Corp Renewable energy generating system with maximum power point tracking function and maximum power point tracking (MPPT) method
TWI426370B (zh) * 2011-06-01 2014-02-11 Nat Univ Chin Yi Technology 太陽光電模組陣列之最大功率追蹤方法
TWI419345B (zh) * 2011-11-04 2013-12-11 Univ Nat Taiwan Science Tech 太陽能發電裝置及其類比式最大功率追蹤電路
TWI487239B (zh) * 2012-08-15 2015-06-01 Atomic Energy Council 應用於太陽發電系統並具有最大功率追蹤之市電並聯換流器
TWI481989B (zh) * 2012-11-27 2015-04-21 Univ Nat Sun Yat Sen 具有功率追蹤器之太陽能發電系統
CN103744467B (zh) * 2013-12-16 2015-08-26 浙江大学 用于微小卫星电源系统的太阳能电池最大功率追踪装置及其控制方法
TW201535091A (zh) * 2014-03-07 2015-09-16 China Steel Corp 用於熱電模組之最大功率追蹤方法及系統
TWI493317B (zh) * 2014-03-20 2015-07-21 Univ Kun Shan Solar power generation devices, solar power generation methods, maximum power Tracking module and maximum power tracking control method
CN204557276U (zh) * 2015-03-30 2015-08-12 无锡清莲新能源科技有限公司 最大功率追踪的光伏系统
TW201643589A (zh) * 2015-06-02 2016-12-16 群光電能科技股份有限公司 最大功率追蹤電路及發電系統及最大功率追蹤方法
CN106020326B (zh) * 2016-06-12 2017-06-23 安徽理工大学 一种快速光伏组件最大功率追踪系统及追踪方法
TWM532042U (zh) * 2016-06-29 2016-11-11 Univ Dayeh 以模型為基礎的最大功率追蹤器及其太陽能發電裝置
TWI600997B (zh) * 2016-10-18 2017-10-01 A solar power system maximum power tracking device

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI776199B (zh) * 2020-08-04 2022-09-01 崑山科技大學 太陽能電池雙二極體模型參數估測方法

Also Published As

Publication number Publication date
TWI669589B (zh) 2019-08-21

Similar Documents

Publication Publication Date Title
Ramaprabha et al. Maximum power point tracking of partially shaded solar PV system using modified Fibonacci search method with fuzzy controller
CN107422272B (zh) 一种电动汽车动力电池soc智能化检测装置
CN102593862B (zh) 一种光伏并网逆变器及其控制方法
CN111608868B (zh) 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
Fermeiro et al. A new controller for DC-DC converters based on particle swarm optimization
CN108336758A (zh) 一种基于纹波关联法的光伏组件mppt算法
TW202009628A (zh) 適用於即時線上環境的太陽能電池最大功率追蹤方法及系統
CN108536212A (zh) 一种基于功率预测的新型变步长光伏最大功率跟踪方法
CN105116958A (zh) 光伏阵列自适应步长扰动观察法mppt控制方法与系统
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
CN115185334A (zh) 一种基于gru神经网络的光伏mppt方法
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
CN105955032A (zh) 基于蝙蝠算法优化极限学习机的逆变器控制方法
CN106356893A (zh) 一种在光伏并网系统中最大功率点跟踪双模糊控制方法
Mufa’ary et al. Comparison of FLC and ANFIS Methods to Keep Constant Power Based on Zeta Converter
CN112821448A (zh) 一种将深度学习应用于微电网孤岛检测方法
CN114690840B (zh) 带有前置功率监测并进行平衡的mppt控制系统
CN104993512B (zh) 一种适用于三相并网逆变器的快速模型预测控制方法
Fu et al. A new fuzzy control method based on PSO for Maximum Power Point Tracking of photovoltaic system
Xi et al. Design of back propagation neural network pid control for boost converter
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
CN201450012U (zh) 应用于光伏电池最大功率跟踪的分段自适应爬山系统
CN116581764A (zh) 一种用于可控负荷最优互动过程中的动态稳控方法
CN114069695A (zh) Mppt控制方法、系统及存储介质
CN210954667U (zh) 一种专家pid控制的太阳能光伏mppt控制装置

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees