TWI670612B - 太陽光電模組陣列最大功率追蹤方法 - Google Patents
太陽光電模組陣列最大功率追蹤方法 Download PDFInfo
- Publication number
- TWI670612B TWI670612B TW107139370A TW107139370A TWI670612B TW I670612 B TWI670612 B TW I670612B TW 107139370 A TW107139370 A TW 107139370A TW 107139370 A TW107139370 A TW 107139370A TW I670612 B TWI670612 B TW I670612B
- Authority
- TW
- Taiwan
- Prior art keywords
- power
- module array
- maximum power
- photovoltaic module
- solar photovoltaic
- Prior art date
Links
Abstract
本發明提供一種太陽光電模組陣列最大功率追蹤方法,其應用於一太陽光電模組陣列系統,太陽光電模組陣列最大功率追蹤方法包含一功率取得步驟、一平均步驟、一平均數差異計算步驟、一更新步驟、一學習步驟及一自習步驟。藉此,教學因子可依功率變化自動調整,並搭配學習步驟及自習步驟,可有助於提高最大功率追蹤的速度。
Description
本發明是有關於一種太陽光電模組陣列最大功率追蹤方法,且尤其是有關一種基於改良型教與學演算法的太陽光電模組陣列最大功率追蹤方法。
太陽光電發電系統一般由太陽光電模組陣列(Photovoltaic Module Array)、電力調節器(Power Conditioner)及輸配電系統所組成。由於太陽光電模組陣列輸出的功率直接受到日照強度大小與環境溫度改變之影響而造成極大變化,因此電力調節器除了擁有變流器功能外,也需具備最大功率追蹤(Maximum Power Point Tracking;MPPT)技術來控制太陽光電模組陣列使其工作在最大輸出功率點,以降低功率損失。
太陽光電模組陣列依日照量及環境溫度的不同,會產生一組對應之功率-電壓曲線,一般而言,為確保輸出最大功率,通常會以控制電力轉換器(Power Converter)之責任週期(Duty Cycle)來達成。早期之最大功率追蹤大多採用傳統技術為主,其中又以擾動觀察法
(Perturb and Observe;P&O)及增量電導法(Incremental Conductance;INC)此二技術最常被使用。雖然擾動觀察法使用架構簡單,所需參數少,但其必需在追蹤速度與振盪量之間作取捨,而有其缺點。而增量電導法雖可增快追蹤速度,但需透過精密感測器來測量電導值,且其追蹤穩定度較差。當部分模組遮蔭或故障時,太陽光電模組陣列之功率-電壓特性將出現雙峰值或多峰值之特性,因此,若採用上述兩種傳統型最大功率追蹤,將陷於僅追蹤到局部最大功率點,而非全域之最大功率點的困境。
近年來,針對模組陣列中部分模組因遮蔭而產生多峰值現象時之最大功率追蹤法的研究已有許多學者投入,目前最常見的幾種智慧型演算法包括有差分進化(Differential Evolution;DE)、蟻群優化法(Ant Colony Optimization;ACO)及人工蜂群演算法(Artificial Bee Colony algorithms;ABC)。差分進化類似於遺傳算法,其是採用對特定種族進行實數編碼,通過差分計算變異的過程和一對一競爭生存策略,達到全域搜索最佳值的能力,惟其目前僅以模擬結束呈現,且個體進行突變的策略根據R.Storn所列出的公式多達5項,不但會增加實作時之追蹤時間,且交叉編碼的過程,微控制器對族群編碼的過程亦需較精準的比對。
蟻群優化法則是一種尋找優化路徑的機率型演算法,其是將螞蟻找到食物時產生之費洛蒙作為食物指標,透過此指標螞蟻可省去隨機搜索的時間,而找到一條最優的
覓食路徑。然而,由於費洛蒙更新公式採用指數方式,而使得控制費洛蒙濃度與路徑長度間之轉換為隨機值,雖可避免陷於區域解,但因實驗結果得知以指數方式進行路徑計算將導致追蹤時間過長。
人工蜂群演算法,主要是透過找到食物源的工蜂,經由跳舞的方式傳遞具有大小及方向的訊息,使得食物收益率增加,其優化族群覓食過程中,在工蜂搜索階段僅依靠隨機值,可能使得搜索能力不穩定,且在偵查階段,蜂群數量之選定也可能影響其追蹤速度及穩態性能,由統計結果中,可觀得其追蹤時間需達5至6秒,可見其在追蹤速度上仍有改善的空間。
此外,也有學者提出使用智慧型演算法結合傳統最大功率追蹤法之研究,其分別使用粒子群優化法(PSO)、基因遺傳演算法(GA)與擾動觀察法(P&O)結合,雖能達到找尋全域最佳解之能力,但其動態響應速度仍不夠快。
有鑑於此,如何有效地準確且快速地進行最大功率追蹤,遂成相關業者努力的目標。
本發明提供一種太陽光電模組陣列最大功率追蹤方法,其基於改良型教與學演算法,可在太陽光電模組陣列出現多峰值之功率-電壓特性曲線時,能獲得較佳之最大功率追蹤效果。
依據本發明之一態樣之一實施方式提供一種太陽光電模組陣列最大功率追蹤方法,其應用於一太陽光電模組陣列系統,太陽光電模組陣列系統包含一太陽光電模組陣列、一最大功率追蹤控制器及一升壓型轉換單元,最大功率追蹤控制器電性連接太陽光電模組陣列及升壓型轉換單元。太陽光電模組陣列最大功率追蹤方法包含一功率取得步驟、一平均步驟、一平均數差異計算步驟、一更新步驟、一學習步驟及一自習步驟。於功率取得步驟中,使最大功率追蹤控制器提供K個責任週期至升壓型轉換單元,計算各責任週期對應之太陽光電模組陣列的一功率;於平均步驟中,平均K個功率;於平均數差異計算步驟中,選擇K個功率中之最佳者為一教學功率,以下二式計算教學功率與K個功率中之一功率的平均數差異:Different_Mean k,i =r i(X k_best,i -T F,k,i ×M i );及
其中i表示疊代次數的變數,i為介於1到E之間的整數,k為介於1到K之間的整數,E及K為正整數,Diffetent_Mean k,i 表示教學功率與前述一功率的平均數差異,r i 表示一教學步距,其介於0到1之間,X k_best,i 表示教學功率,M i 表示K個功率功率的一平均值,T F,k,i 為一教學因子;於更新步驟中,以下式初步更新前述一功率:X k,i(new)=X k,i +Different_Mean k,i ;其中X k,i(new)表示經初步更新後之前述一功率;於學習步驟中,以下式二次更新經初步更新後之前述一功率:
其中X' k,i(new)表示經二次更新後之前述一功率,X Q,i表示一學習功率,Q為介於1到K之間的整數,學習功率選自K個功率中的其中之一,且符合Q不等於k的關係;於自習步驟中,以下式三次更新經二次更新後之前述一功率:X" k,i(new)=X' k,i(new)+r i (X' k,i(new)-X' k,i-1(new));其中X" k,i(new)表示經三次更新後之前述一功率。
藉此,教學因子可依功率變化自動調整,並搭配學習步驟及自習步驟,可有助於提高最大功率追蹤的速度。
依據前述之太陽光電模組陣列最大功率追蹤方法,其中,於學習步驟中,逐一使用K個功率中與前述一功率相異之其他任一功率做為學習功率,用以取得複數個經二次更新後之前述一功率,並選擇複數個經二次更新後之前述一功率中之最大者進行自習步驟。
100‧‧‧太陽光電模組陣列最大功率追蹤方法
110‧‧‧功率取得步驟
120‧‧‧平均步驟
130‧‧‧平均數差異計算步驟
140‧‧‧更新步驟
150‧‧‧學習步驟
160‧‧‧自習步驟
200‧‧‧太陽光電模組陣列
300‧‧‧太陽光電模組陣列系統
500‧‧‧最大功率追蹤控制器
400‧‧‧升壓型轉換單元
S01、S02、S03、S04、S05、S06、S07‧‧‧步驟
S08、S09、S10、S11、S12、S13‧‧‧步驟
RLoad‧‧‧負載
第1圖繪示依照本發明一實施例之一種太陽光電模組陣列最大功率追蹤方法的步驟方塊圖;第2圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一太陽光電模組陣列系統的系統架構圖;第3A圖及第3B圖繪示第1圖之太陽光電模組陣列最大功率追蹤方法的步驟流程圖;
第4A圖繪示一第1比較例之電壓、電流及最大功率追蹤圖;第4B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一第1實驗例之電壓、電流及最大功率追蹤圖;第5A圖繪示一第2比較例之電壓、電流及最大功率追蹤圖;第5B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一第2實驗例之電壓、電流及最大功率追蹤圖;第6A圖繪示一第3比較例之電壓、電流及最大功率追蹤圖;第6B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一第3實驗例之電壓、電流及最大功率追蹤圖;第7A圖繪示一第4比較例之電壓、電流及最大功率追蹤圖;第7B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一第4實驗例之電壓、電流及最大功率追蹤圖;第8A圖繪示一第5比較例之電壓、電流及最大功率追蹤圖;以及第8B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法的一第5實驗例之電壓、電流及最大功率追蹤圖。
以下將參照圖式說明本發明之實施例。為明確說明起見,許多實務上的細節將在以下敘述中一併說明。然
而,閱讀者應瞭解到,這些實務上的細節不應用以限制本發明。也就是說,在本發明部分實施例中,這些實務上的細節是非必要的。此外,為簡化圖式起見,一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示;並且重複之元件將可能使用相同的編號或類似的編號表示。
請參閱第1圖、第2圖、第3A圖及第3B圖,其中第1圖繪示依照本發明一實施例之一種太陽光電模組陣列最大功率追蹤方法100的步驟方塊圖,第2圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的一太陽光電模組陣列系統300的系統架構圖,第3A圖及第3B圖繪示第1圖之太陽光電模組陣列最大功率追蹤方法100的步驟流程圖。太陽光電模組陣列系統300包含一太陽光電模組陣列200、一最大功率追蹤控制器500及一升壓型轉換單元400,最大功率追蹤控制器500電性連接太陽光電模組陣列200及升壓型轉換單元400。
太陽光電模組陣列最大功率追蹤方法100包含一功率取得步驟110、一平均步驟120、一平均數差異計算步驟130、一更新步驟140、一學習步驟150及一自習步驟160。
於功率取得步驟110中,使最大功率追蹤控制器500提供K個責任週期至升壓型轉換單元400,並計算各責任週期對應之太陽光電模組陣列200的一功率。
於平均步驟120中,平均K個功率。
於平均數差異計算步驟130中,選擇K個功率中之最佳者為一教學功率,以式(1)及式(2)計算教學功率與K個功率中之一功率的平均數差異。Different_Mean k,i=r i(X k_best,i -T F,k,i ×M i ) 式(1);及
其中i表示疊代次數的變數,i為介於1到E之間的整數,k為介於1到K之間的整數,E及K為正整數,Diffetent_Mean k,i 表示教學功率與前述一功率的平均數差異,r i 表示一教學步距,其介於0到1之間,X k_best,i 表示教學功率,M i 表示K個功率的一平均值,T F,k,i 為一教學因子。
於更新步驟140中,以式(3)初步更新前述一功率:X k,i(new)=X k,i +Different_Mean k,i 式(3);其中X k,i(new)表示經初步更新後之前述一功率。
於學習步驟150中,以式(4)二次更新經初步更新後之前述一功率:
其中X' k,i(new)表示經二次更新後之前述一功率,X Q,i 表示一學習功率,Q為介於1到K之間的整數,學習功率選自K個功率中的其中之一,且符合Q不等於k的關係。
於自習步驟160中,以式(5)更新經二次更新後之前述一功率:X" k,i(new)-X' k,i(new)+r i (X' k,i(new)-X' k,i-1(new)) 式(5);其中X" k,i(new)表示經三次更新後之前述一功率。
藉此,教學因子可依功率變化自動調整,並搭配學習步驟150及自習步驟160,可有助於提高最大功率追蹤的速度。此外,太陽光電模組陣列最大功率追蹤方法100還具有不受優化族群的限制、擁有良好的適應性、所需設計參數少、演算法簡單及容易理解等優點。
太陽光電模組陣列200包含複數個太陽光電模組(未標示),最大功率追蹤控制器500用以接收太陽光電模組陣列200的電流及電壓以計算最大功率,且最大功率追蹤控制器500可輸出脈波寬度調變訊號以控制升壓型轉換單元400,透過脈波寬度調變中責任週期的變化,可以改變太陽光電模組陣列200的功率,而透過太陽光電模組陣列最大功率追蹤方法100,可找到最合適之責任週期以達到最大功率,並提供給負載RLoad。
更仔細地說,太陽光電模組陣列最大功率追蹤方法100是基於改良型教與學演算法來追蹤最大功率。因此,如第3A圖所示,在步驟S01中,是初始化相關數據,在此設定所要提供之責任週期的數目K,所要進行的疊代次數E。
接著,在步驟S02中進行功率取得步驟110,隨機產生K個責任週期,並將K個責任週期逐一提供予升壓型轉換單元400,以及接收太陽光電模組陣列200的電壓及電流以計算各個責任週期所對應之功率,而因為有K個責任週期,故在此步驟S02中,可得到K個功率。在改良型教與學演算法中,責任週期表示學生,而功率則代表學生之成績。
在初始狀況下,疊代次數i=1,因此K個功率可舉例如表1所示。
隨後,在步驟S03中進行平均步驟120,而可將K個功率平均以取得平均值M 1 ,表1中之K個功率經計算後可得M 1 =22.5。
在步驟S04及步驟S05中可進行平均數差異計算步驟130,於步驟S04可選擇K個功率中之最佳者為教學功率X k_best,1,其中功率X 3,1 的值最大,因此第1次疊代時的X k best,1-35。
選定教學功率X k_best,1後,即可進入步驟S05,利用式(2)計算出對應每一個功率的教學因子T F,k,1,再代入式(5)取得對應每一個功率之平均數差異Diffetent_Mean k,1 ,如表2所示,其中教學步距r i 在本次計算中示例為1,實際上教學步距r i 介於0到1之間且為隨機產生。
接著,於步驟S06中進行更新步驟140,以式(3)初步更新每一個功率,可如表3所示,以完成每一個功率的初步更新。
於步驟S07、步驟S08、步驟S09及步驟S10中可進行學習步驟150。更仔細地說,於步驟S07中,先選擇2個功率,再進入步驟S08比較被選擇之2個功率的大小,以判定進入步驟S09或步驟S10執行式(4)。例如,選擇功率X 1,1 及功率X 2,1 ,由於功率X 2,1 大於功率X 1,1 ,因此進入步驟S10。
較佳地,於學習步驟150中,可逐一使用K個功率中與前述一功率相異之其他任一功率做為學習功率,用以
取得複數個經二次更新後之前述一功率,並選擇複數個經二次更新後之前述一功率中之最大者進行步驟S11。
換句話中,可選擇選擇功率X 1,1 及功率X 2,1 進行式(4)計算,再選擇功率X 1,1 及功率X 3,1 進行式(4)計算,以及選擇功率X 1,1 及功率X 4,1 進行式(4)計算,而可得到3個經二次更新後的功率X"1,1(new),分別為27.143、47.500及33.929。其中最大者為47.500,並以此進入步驟S11,以式(5)進行三次更新。
步驟S12確認預設之疊代次數是否達成,若未達成,則再次回到步驟S02,提供K個責任週期至升壓型轉換單元400,而此時的K個責任週期分別為三次更新後之各個功率所對應的責任週期。
而當疊代次數達成後,各個功率值趨於一致且接近最大功率,而可視為一個功率。因此,進入步驟S13,計算最後之功率所對應之責任週期,並輸出至升壓型轉換單元400,完成最大功率追蹤。
第1實驗例、第2實驗例、第3實驗例、第4實驗例及第5實驗例是利用第1圖之太陽光電模組陣列最大功率追蹤方法100進行太陽光電模組陣列系統的最大功率追蹤。然而,在不同之的實驗例中,太陽光電模組串並聯數目及方式,以及遮蔽比例不同。其中,單一個太陽光電模組的電氣參數規格如表4,各實驗例的太陽光電模組串並聯組態
及遮蔭情況如表5所示,而表5中的符號+表示串聯,符號//表示並聯。
第1比較例、第2比較例、第3比較例、第4比較例及第5比較例是使用傳統的教與學演算法,其中教學因子與第1圖之太陽光電模組陣列最大功率追蹤方法100的教學因子算法不同,第1比較例、第2比較例、第3比較例、第4比較例及第5比較例中的教學因子為1或2。此外,第1比較例、第2比較例、第3比較例、第4比較例及第5比較例使用傳統的教與學演算法未包含自習步驟。在此要特別說明的是,第1比較例及第1實驗例所應用的太陽光電模組陣列系統具有相同的串並聯組態及遮蔭情況,第2比較例及第2實驗例所應用的太陽光電模組陣列系統具有相同的串並聯組態及遮蔭情況,以此類推。
第1比較例、第2比較例、第3比較例、第4比較例、第5比較例、第1實驗例、第2實驗例、第3實驗例、第4實驗例及第5實驗例中,責任週期的數目為4,疊代次數為40,教學步距取0至1之間的隨機值。
請參閱第4A圖及第4B圖,其中第4A圖繪示第1比較例之電壓、電流及最大功率追蹤圖,第4B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的第1實驗例之電壓、電流及最大功率追蹤圖。由第4A圖及第4B圖可知,在完全無遮蔽的情況下,第1實驗例較第1比較例更快追蹤到最大功率,且其追蹤到之最大功率為27.8瓦,較第1比較例具有更良好的最大功率追蹤效果。
請參閱第5A圖及第5B圖,其中第5A圖繪示第2比較例之電壓、電流及最大功率追蹤圖,第5B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的第2實驗例之電壓、電流及最大功率追蹤圖。由第5A圖及第5B圖可知,在一個太陽光電模組完全無遮蔽且另一個太陽光電模組遮蔽40%的情況下,第2實驗例較第2比較例更快追蹤到最大功率,且其追蹤到之最大功率為35.8瓦,較第2比較例具有更良好的最大功率追蹤效果。
請參閱第6A圖及第6B圖,其中第6A圖繪示第3比較例之電壓、電流及最大功率追蹤圖,第6B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的第3實驗例之電壓、電流及最大功率追蹤圖。由第6A圖及第6B圖可知,在一個太陽光電模組完全無遮蔽且另兩個太陽光電模組分別遮蔽30%及70%的情況下,第3實驗例較第3比較例更快追蹤到最大功率,且其追蹤到之最大功率為38.5瓦,較第3比較例具有更良好的最大功率追蹤效果。
請參閱第7A圖及第7B圖,其中第7A圖繪示第4比較例之電壓、電流及最大功率追蹤圖,第7B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的第4實驗例之電壓、電流及最大功率追蹤圖。由第7A圖及第7B圖可知,在一個太陽光電模組完全無遮蔽且另三個太陽光電模組分別遮蔽30%、50%及70%的情況下,第4實驗例較第4比較例更快追蹤到最大功率,且其追蹤到之最大功率為43.4瓦,較第4比較例具有更良好的最大功率追蹤效果。
請參閱第8A圖及第8B圖,其中第8A圖繪示第5比較例之電壓、電流及最大功率追蹤圖,第8B圖繪示應用第1圖之太陽光電模組陣列最大功率追蹤方法100的第5實驗例之電壓、電流及最大功率追蹤圖。由第7A圖及第7B圖可知,在其中一串的兩個太陽光電模組分別為完全無遮蔽及遮蔽30%,且另一串的兩個太陽光電模組分別為完全無遮蔽及遮蔽50%的情況下,第5實驗例較第5比較例更快追蹤到最大功率,且其追蹤到之最大功率為66.7瓦,較第5比較例具有更良好的最大功率追蹤效果。
由於傳統的教與學演算法中,教學因子只採用兩種固定之教學能力(1或2),然實際上根據學生程度及吸收能力的不同,可能造成學習效果變差,且學生無法依照自身的學習程度來學習,造成學習效果無法最佳化。因此,本發明之太陽光電模組陣列最大功率追蹤方法採用改良型教與學演算法,並使教學因子依功率離教學功率之遠近關係而進行調整,可達到較佳的學習效果。
當離教學功率越遠時,教學因子提供一個較小的值使平均數差異變大,而使追蹤步伐加大,快速靠近最大值。反之,當離教學功率越近時,教學因子變大使平均數差異數變小而縮小步伐,以較緩慢的速度靠近最大值,因此能夠使學生根據自身吸收能力而自動作追蹤步伐大小之調整。再者,學生可以自發性的向對自己有幫助的另一位學生學習,較佳地,選取對自身學習幫助最大的另一位學生作學習,以加快學習之成效。此外,加入自習能力,可使每位學
生根據以往經驗自我調整學習,而式(5)中X' k,i-1(new)表示該學生前一次的學習能力,故可據此依據當做自身經驗來自習。綜上所述,本發明之太陽光電模組陣列最大功率追蹤方法除了可以加快學習之成效外,更可透過自學之方式跳脫區域解達到全域收斂之效果。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (2)
- 一種太陽光電模組陣列最大功率追蹤方法,其應用於一太陽光電模組陣列系統,該太陽光電模組陣列系統包含一太陽光電模組陣列、一最大功率追蹤控制器及一升壓型轉換單元,該最大功率追蹤控制器電性連接該太陽光電模組陣列及該升壓型轉換單元,該太陽光電模組陣列最大功率追蹤方法包含:一功率取得步驟,使該最大功率追蹤控制器提供K個責任週期至該升壓型轉換單元,計算各該責任週期對應之該太陽光電模組陣列的一功率;一平均步驟,平均該些功率;一平均數差異計算步驟,選擇該些功率中之最佳者為一教學功率,以下二式計算該教學功率與該些功率中之一該功率的平均數差異:Different_Mean k,i=r i(X k_best,i T F,k,i ×M i );及
- 如申請專利範圍第1項所述之太陽光電模組陣列最大功率追蹤方法,其中,於該學習步驟中,逐一使用該些功率中與該一功率相異之其他任一該功率做為該學習功率,用以取得複數個經二次更新後之該一功率,並選擇該些經二次更新後之該一功率中之最大者進行該自習步驟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107139370A TWI670612B (zh) | 2018-11-06 | 2018-11-06 | 太陽光電模組陣列最大功率追蹤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107139370A TWI670612B (zh) | 2018-11-06 | 2018-11-06 | 太陽光電模組陣列最大功率追蹤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI670612B true TWI670612B (zh) | 2019-09-01 |
TW202018534A TW202018534A (zh) | 2020-05-16 |
Family
ID=68618817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107139370A TWI670612B (zh) | 2018-11-06 | 2018-11-06 | 太陽光電模組陣列最大功率追蹤方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI670612B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI721863B (zh) * | 2020-04-15 | 2021-03-11 | 國立勤益科技大學 | 太陽光電裝置及其最大功率追蹤方法 |
TWI805384B (zh) * | 2022-05-30 | 2023-06-11 | 國立勤益科技大學 | 太陽光電模組陣列最大功率追蹤方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841160A (zh) * | 2009-03-19 | 2010-09-22 | 孔小明 | 一种太阳能光伏发电并网控制方法 |
CN102012714A (zh) * | 2009-09-04 | 2011-04-13 | 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 |
CN103650285A (zh) * | 2011-05-24 | 2014-03-19 | D·凯文·卡梅伦 | 一种整合和管理替代能源、电网功率以及负载之间需求/响应的系统和方法 |
TWI470396B (zh) * | 2013-06-26 | 2015-01-21 | Ind Tech Res Inst | 功率點追蹤方法與裝置 |
TWI600997B (zh) * | 2016-10-18 | 2017-10-01 | A solar power system maximum power tracking device |
-
2018
- 2018-11-06 TW TW107139370A patent/TWI670612B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841160A (zh) * | 2009-03-19 | 2010-09-22 | 孔小明 | 一种太阳能光伏发电并网控制方法 |
CN102012714A (zh) * | 2009-09-04 | 2011-04-13 | 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 |
CN103650285A (zh) * | 2011-05-24 | 2014-03-19 | D·凯文·卡梅伦 | 一种整合和管理替代能源、电网功率以及负载之间需求/响应的系统和方法 |
TWI470396B (zh) * | 2013-06-26 | 2015-01-21 | Ind Tech Res Inst | 功率點追蹤方法與裝置 |
TWI600997B (zh) * | 2016-10-18 | 2017-10-01 | A solar power system maximum power tracking device |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI721863B (zh) * | 2020-04-15 | 2021-03-11 | 國立勤益科技大學 | 太陽光電裝置及其最大功率追蹤方法 |
TWI805384B (zh) * | 2022-05-30 | 2023-06-11 | 國立勤益科技大學 | 太陽光電模組陣列最大功率追蹤方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202018534A (zh) | 2020-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Application of improved bat algorithm for solar PV maximum power point tracking under partially shaded condition | |
CN106484026B (zh) | 一种基于灰狼算法的光伏最大功率点跟踪的控制方法及装置 | |
Karlis et al. | A novel maximum power point tracking method for PV systems using fuzzy cognitive networks (FCN) | |
TWI600997B (zh) | A solar power system maximum power tracking device | |
Jouda et al. | Optimization of scaling factors of fuzzy–MPPT controller for stand-alone photovoltaic system by particle swarm optimization | |
TWI670612B (zh) | 太陽光電模組陣列最大功率追蹤方法 | |
CN110286708B (zh) | 一种光伏阵列的最大功率跟踪控制方法及系统 | |
Chouksey et al. | Fuzzy cognitive network-based maximum power point tracking using a self-tuned adaptive gain scheduled fuzzy proportional integral derivative controller and improved artificial neural network-based particle swarm optimization | |
CN110794917B (zh) | 基于改进天牛须搜索算法的最大功率点跟踪的方法 | |
Mahdavi et al. | An adaptive neuro-fuzzy controller for maximum power point tracking of photovoltaic systems | |
Boudaraia et al. | MPPT design using artificial neural network and backstepping sliding mode approach for photovoltaic system under various weather conditions | |
TWI721863B (zh) | 太陽光電裝置及其最大功率追蹤方法 | |
Alshareef | An effective falcon optimization algorithm based MPPT under partial shaded photovoltaic systems | |
Aouchiche et al. | Fuzzy logic approach based MPPT for the dynamic performance improvement for PV systems | |
Choutapalli et al. | A Review on Advanced MPPT methods for SPV system under Partial Shaded Conditions | |
Idrissi et al. | Backstepping Integral Sliding Mode Control Method for Maximum Power Point Tracking for Optimization of PV System Operation Based on High-Gain Observer. | |
Sabareesh et al. | LSTM based 24 hours ahead forecasting of solar PV system for standalone household system | |
Suyanto et al. | Analysis and evaluation performance of MPPT algorithms: Perturb & observe (P&O), firefly, and flower pollination (FPA) in smart microgrid solar panel systems | |
CN112711294A (zh) | 一种局部遮挡下光伏阵列全局最大功率点追踪方法 | |
CN112083753A (zh) | 一种光伏并网逆变器的最大功率点跟踪控制方法 | |
Arulmurugan et al. | Implementation of fuzzy controlling structure of PV-Fe for a Grid connected system | |
Belova et al. | Maximum power point tracking methods for the solar battery | |
TWI721864B (zh) | 太陽光電裝置及使用粒子群最佳化演算法之最大功率追蹤方法 | |
Ahmed et al. | Comprehensive Analysis of MPPT Techniques using Boost Converter for Solar PV System | |
Raiker | Dynamic response of maximum power point tracking using perturb and observe algorithm with momentum term |