CN114123200A - 基于数据驱动的光伏电站动态建模方法、存储设备 - Google Patents

基于数据驱动的光伏电站动态建模方法、存储设备 Download PDF

Info

Publication number
CN114123200A
CN114123200A CN202210080739.2A CN202210080739A CN114123200A CN 114123200 A CN114123200 A CN 114123200A CN 202210080739 A CN202210080739 A CN 202210080739A CN 114123200 A CN114123200 A CN 114123200A
Authority
CN
China
Prior art keywords
photovoltaic power
power station
neural network
voltage
data
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.)
Granted
Application number
CN202210080739.2A
Other languages
English (en)
Other versions
CN114123200B (zh
Inventor
姬玉泽
陈文刚
宰洪涛
朱剑飞
王新瑞
张轲
原亚飞
刘贺龙
杨世宁
张玉娟
陈磊
姚泽龙
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.)
Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Jincheng Power Supply Co of State Grid Shanxi 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 Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical Jincheng Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Priority to CN202210080739.2A priority Critical patent/CN114123200B/zh
Publication of CN114123200A publication Critical patent/CN114123200A/zh
Application granted granted Critical
Publication of CN114123200B publication Critical patent/CN114123200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/38—Arrangements for feeding a single network from two or more generators or sources in parallel; Arrangements for feeding already energised networks from additional generators or sources in parallel
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2101/00—Supply or distribution of decentralised, dispersed or local electric power generation
    • H02J2101/20—Dispersed power generation using renewable energy sources
    • H02J2101/22—Solar energy
    • H02J2101/24—Photovoltaics
    • H02J2101/25—Photovoltaics involving maximum power point tracking control for photovoltaic sources
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2103/00—Details of circuit arrangements for mains or AC distribution networks
    • H02J2103/30—Simulating, planning, modelling, reliability check or computer assisted design [CAD] of electric power networks
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的基于数据驱动的光伏电站动态建模方法、存储设备，所述方法包括：S10，基于光伏电站的运行监测信息，建立光伏电站正常并网运行状态下的数据库；S20，建立光伏电站的输入变量和输出变量的关系方程；所述输入变量包括：外界光照强度和温度，所述输出变量包括：光伏电站正常运行时并网点的输出电压和功率；S30，将数据库中的数据划分为训练集和测试集；S40，通过训练集对卷积神经网络模型进行训练，训练好的卷积神经网络模型具有光伏电站运行特性的动态模型；S50，将测试集输入到动态模型中，进行电压和功率的预测，得到预测结果；本发明具有可靠性和准确性较高的有益效果，适用于光伏电站领域。

Description

基于数据驱动的光伏电站动态建模方法、存储设备
技术领域
本发明涉及光伏电站的技术领域，具体涉及基于数据驱动的光伏电站动态建模方法、存储设备。
背景技术
在以新能源为主体的新型电力系统建设过程中，新能源因其出力不确定、功率波动大等因素给电网的规划和调控带来诸多困难；为了实现对新能源发电的有效管理，提高新型电力系统运行的可靠性和稳定性，电气工程领域提出大量关于新能源发电的建模方法和预测模型。
一般地，在新能源发电中，光伏电站的占比逐渐升高，光伏发电是利用半导体界面的光生伏打效应将光能直接转化为电能的技术，其运行出力依赖于外界光照的变化和半导体的工作状态；此外，由于新型电力系统仍主要以交流同步机制运行，使得光伏电站除了光伏电池组件部分，还包括逆变器和控制器部分，用于光伏发电的升压和逆变并网；因此，光伏电站在进行建模时，不仅要考虑光伏电池的工作特性，还要考虑控制器和逆变器回路的运行特性。
目前，在对光伏电站进行建模时，通常采用以下三种建模方法：
一、光伏电池的等效建模：该方法的出发点是根据光伏电池的工作原理将其等效为二极管器件，在一般测试条件下(一般温度取25℃，光照度取1000W/㎡)，用短路电流、开路电压、最大功率点输出功率及最大功率点处的电压和电流这五个参数来建立光伏电池的诺顿等效电路，在采用该方法对光伏电池进行等效建模时，将电池的非线性工作特性进行线性化处理，建立“四参数”或“三参数”模型用于表达光伏电池的工作特性；当对光伏发电站的逆变器及控制系统进行研究时，一般将参数模型进一步简化，用单一的电流源用于光伏电池的等效建模表达。
二、光伏发电逆变器的等效建模：该方法的出发点是针对逆变器的控制和工作导通状态进行建模，一般采用开关函数建模或参数辨识的方法进行建模，建立控制回路控制参数(PI参数)与逆变器工作电路的关系方程，将逆变器的工作特性用开关函数方程进行表达，该方法在光伏电站正常运行时得到了良好的等效效果，但是当光伏发电受到外界环境变化影响时，其功率、电压等会发生暂态波动，逆变器的工作状态也会发生变化，此时逆变器的等效开关函数方程不再适用于这种情况，在工程应用中存在局限性。
三、控制回路的等效建模：通常根据光伏发电采用的不同的运行控制方式进行等效，控制回路是光伏电站等效建模过程中最复杂的部分，不仅影响了光伏发电的电压和功率稳定，对于光伏发电受到外界环境变化影响时，控制参数还会影响电压和功率的控制和调节。一般采用控制回路方程来表达控制方式的变化，而控制参数的调节和选取具有很大的难度，通常光伏的输出功率和电压发生暂态波动时，控制参数进行自适应改变才能调节光伏发电保持稳定。
综上可知，光伏发电系统是一个复杂的非线性系统，传统的等效建模方法一般将其线性化处理，得到适用于特定研究目的建模方法和模型；但是随着新型电力系统的不断发展，电网对新能源的需求逐渐增加，新能源对电网的影响也在逐渐扩大和深化，因此，传统的建模方法和模型不再适用于工程研究和应用。
因此，根据工程实际需求建立能够实时准确反应光伏动态变化的模型显得尤为必要。
发明内容
针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种准确性和可靠性较高的基于数据驱动的光伏电站动态建模方法、存储设备。
为解决上述技术问题，本发明采用的技术方案为：
基于数据驱动的光伏电站动态建模方法，包括以下步骤：
S10，基于光伏电站的运行监测信息，建立光伏电站正常并网运行状态下的数据库；
S20，建立光伏电站的输入变量和输出变量的关系方程；所述输入变量包括：外界光照强度和温度，所述输出变量包括：光伏电站正常运行时并网点的输出电压和功率；
S30，将数据库中的数据划分为训练集和测试集；
S40，通过训练集对卷积神经网络模型进行训练，训练好的卷积神经网络模型具有光伏电站运行特性的动态模型；
S50，将测试集输入到动态模型中，进行电压和功率的预测，得到预测结果；
其中，所述数据库中包括：温度信息、光照度信息、以及光伏电站的功率变化信息和电压变化信息。
优选地，还包括：
S60，基于测试集和预测结果，对动态模型进行准确性验证。
优选地，所述输入变量和输出变量的关系方程的表达式为：
Figure 384408DEST_PATH_IMAGE001
其中，
Figure 582171DEST_PATH_IMAGE002
和
Figure 129827DEST_PATH_IMAGE003
表示t时刻并网点的电压和功率，
Figure 96646DEST_PATH_IMAGE004
和
Figure 851981DEST_PATH_IMAGE005
表示t时刻外界温 度和光照度；
Figure 271461DEST_PATH_IMAGE006
表示基于外界光照度和温度的非线性的函数关系。
优选地，所述通过训练集对卷积神经网络模型进行训练，具体包括：
S401，卷积神经网络模型的输入层接收训练集中的样本数据；
S402，将样本数据输入至卷积神经网络模型的卷积层；
S403，卷积神经网络模型的卷积层对样本数据进行归一化处理后，进行卷积运算，得到卷积结果；
S404，通过激活函数ReLU对卷积结果进行非线性化处理；
S405，提取非线性化处理后的卷积结果中的特征，并通过卷积神经网络模型的全连接层对其他的特征进行综合，形成综合结果；
S406，卷积神经网络模型的输出层输出综合结果，所述综合结果包括：光伏电站并网点的功率、电压幅值和电压相角矩阵；
其中：所述样本数据为：光伏电站的外界光照强度和温度矩阵；
所述外界光照强度和温度矩阵的行代表某一时间段下温度和光照强度的状态变量，行数表示不同的时间采样点，列数表示状态变量的数量。
优选地，在所述卷积层和全连接层中采用损失函数对卷积结果和综合结果进行优化。
相应地，基于数据驱动的光伏电站预测模型，包括：光伏电池模块、逆变器及控制模块，所述逆变器及控制模块对光伏电池模块输出的电压/电流逆变处理后接入交流母线；还包括：
根据外界光照强度和温度对应的光伏电池模块的输出电流、逆变器及控制模块的输出电压，形成的数据表/曲线。
优选地，所述光伏电池模块包括：电流输出方程式；
所述电流输出方程式为：
Figure 888387DEST_PATH_IMAGE007
；
其中：
Figure 709713DEST_PATH_IMAGE008
表示半导体在光照下产生的光生电流，
Figure 386682DEST_PATH_IMAGE009
表示半导体内部PN结工作过 程中形成的总扩散电流，
Figure 559037DEST_PATH_IMAGE010
表示电池材料及表面等多种电阻形成的损耗电流，
Figure 694834DEST_PATH_IMAGE012
表示输 出电流；
所述逆变器及控制模块的控制策略采用恒压控制，所述逆变器及控制模块包括逆变器、控制器两部分，其中：逆变器的方程式为：
Figure 901824DEST_PATH_IMAGE013
Figure 484115DEST_PATH_IMAGE014
、
Figure 143766DEST_PATH_IMAGE015
、
Figure 836916DEST_PATH_IMAGE016
表示三相输出电流，
Figure 882101DEST_PATH_IMAGE017
表示电感电阻和功率器件损耗等效电阻之和，
Figure 900873DEST_PATH_IMAGE018
表 示每相出线电抗器的电感，
Figure 782241DEST_PATH_IMAGE019
、
Figure 544661DEST_PATH_IMAGE020
、
Figure 195085DEST_PATH_IMAGE021
表示逆变器主电路中三个桥臂的开关函数；
控制器的方程式包括：电压外环控制函数和电流内环控制函数，其中：
电压外环控制函数的方程式为：
Figure 119179DEST_PATH_IMAGE022
电流内环控制函数的方程式为：
Figure DEST_PATH_IMAGE023
Figure 471531DEST_PATH_IMAGE024
、
Figure 772063DEST_PATH_IMAGE025
分别表示电流的d、q轴输出电流，
Figure 542573DEST_PATH_IMAGE026
表示直流侧电压
Figure 637568DEST_PATH_IMAGE027
的参考值；
Figure 742796DEST_PATH_IMAGE028
和
Figure 847018DEST_PATH_IMAGE029
分别表示电压外环有功控制的比例、积分系数；
Figure 472034DEST_PATH_IMAGE030
和
Figure 737931DEST_PATH_IMAGE032
分别表示电压外环无功 控制的比例、积分系数；
Figure 81187DEST_PATH_IMAGE033
表示无功功率Q的参考值；
Figure 723521DEST_PATH_IMAGE034
和
Figure 720821DEST_PATH_IMAGE035
分别表示电压的d、q轴输出电压；
Figure 157618DEST_PATH_IMAGE037
为滤波电感；
Figure 988171DEST_PATH_IMAGE038
和
Figure 434196DEST_PATH_IMAGE039
分别表示电 压的d轴及q轴分量；
Figure 768225DEST_PATH_IMAGE040
和
Figure 641503DEST_PATH_IMAGE042
分别表示d轴电流内环比例、积分系数；
Figure 208620DEST_PATH_IMAGE043
和
Figure 927177DEST_PATH_IMAGE044
分 别表示q轴电流内环比例、积分系数；
Figure 646871DEST_PATH_IMAGE045
表示锁相环输出的当前系统频率。
优选地，还包括：最大功率追踪模块，所述最大功率追踪模块采用增量电导法判断最大功率点。
相应地，存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行如上所述的基于数据驱动的光伏电站动态建模方法。
本发明的有益技术效果在于：
1、本发明中，基于光伏电站的运行监测信息，建立光伏电站正常并网运行状态下的数据库，充分发挥了电力大数据的优势，在电力大数据技术的支持下具有更为广阔的应用前景；同时，通过训练集对卷积神经网络模型进行训练，使得基于卷积神经网络模型建立的具有光伏电站运行特性的动态模型，具有更高的可靠性和准确性。
2、本发明中，充分考虑了光伏电站运行的非线性特征，更符合光伏电站的实际运行特性，在工程应用中比传统的理想化线性模型更具有优越性。
附图说明
图1是太阳能电池的工作电路图；
图2是本发明光伏电池模块的等效电路图；
图3是串联电阻对光伏电池模块工作的影响示意图；
图4是并联电阻对光伏电池模块工作的影响示意图；
图5是逆变器及控制模块的拓扑结构示意图；
图6是本发明基于数据驱动的光伏电站动态建模方法的流程示意图；
图7是本发明基于数据驱动的光伏电站动态建模方法中步骤S40的流程示意图；
图8是基于MATLAB/Simulink对发明的仿真模型示意图；
图9是采用图8的仿真模型进行仿真时第一种条件下的结果示意图；
图10是采用图8的仿真模型进行仿真时第二种条件下的结果示意图；
图11是采用图8的仿真模型进行仿真时第三种条件下的结果示意图；
图12是采用图8的仿真模型进行仿真时的功率预测误差示意图；
图13是采用图8的仿真模型进行仿真时的电压预测误差示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
以下结合附图详细说明本发明的一个实施例。
实施例一
本实施例中，基于数据驱动的光伏电站预测模型，包括：光伏电池模块、逆变器及控制模块，所述逆变器及控制模块对光伏电池模块输出的电压/电流逆变处理后接入交流母线，以及根据外界光照强度和温度对应的光伏电池模块的输出电流、逆变器及控制模块的输出电压，形成的数据表/曲线。
具体地，如图1所示，光伏发电的基本原理是利用半导体的光生伏打效应产生光生电流，因此，光伏电池模块对光照和温度的变化极为敏感，两者的微小变化都会引起电压和电流大幅度波动，属于典型的非稳定电源。
图2是图1的等效电路，如图2所示，所述光伏电池模块的方程式为：
Figure 425471DEST_PATH_IMAGE046
；
其中：
Figure 230616DEST_PATH_IMAGE008
表示半导体在光照下产生的光生电流，
Figure 18444DEST_PATH_IMAGE009
表示半导体内部PN结工作过 程中形成的总扩散电流，
Figure 576333DEST_PATH_IMAGE010
表示电池材料及表面等多种电阻形成的损耗电流，
Figure 791414DEST_PATH_IMAGE047
表示电源 模块的输出电流；
Figure 818276DEST_PATH_IMAGE048
表示电池内部损耗的串联电阻，
Figure 144215DEST_PATH_IMAGE050
表示电池材料及表面等多种电阻之和。
具体地，总扩散电流
Figure 572922DEST_PATH_IMAGE051
的计算式为：
Figure 942592DEST_PATH_IMAGE052
；其中：
Figure 722329DEST_PATH_IMAGE053
表示太阳能 电池在无光照时的饱和电流，q表示运动电子电荷，一般取值为
Figure 851959DEST_PATH_IMAGE054
，K表示波尔兹 曼常数，一般取值为
Figure 869594DEST_PATH_IMAGE055
，T表示热力学温度，A表示常数因子，完全扩散时取 1，耗尽区空穴和电子大部分重新结合时取2。
进一步地，光伏电池模块的内阻
Figure 692057DEST_PATH_IMAGE048
和
Figure 427931DEST_PATH_IMAGE050
随着电池工作状态的变化而改变，如图 3、图4所示，串、并联电阻对电池的电压和电流的影响曲线是非线性的，因此，采用传统的线 性化方程建模时，会忽略电阻的非线性影响；因此，本实施例中，光伏电池模块还包括建立 了输出电流、输出电压与外界光照强度和温度之间的非线性关系曲线；即：输入变量和输出 变量的关系方程为：根据外界光照强度和温度对应的光伏电池模块的输出电流
Figure 607590DEST_PATH_IMAGE057
、输出电 压，形成的数据表/曲线。
一般地，光伏发电站通常采用集中式逆变器进行并网，对逆变器的控制要求有三点：1.DC/AC 前后级间电压稳定；2.控制光伏并网电流；3.必要时对网侧无功功率进行调度。
光伏电站一般采用电压型并网逆变器并网的方法，主要是因为电压型逆变器中的储能元件是电容，储能的效率和储能元件的体积、价格等方面都有明显的优势。
电压型逆变器电路拓扑结构机理易于分析，并且可按机理能够建立准确的数学模型；但是，电压型逆变器电路的逆变过程依赖于相应的控制策略，控制策略决定了光伏发电的运行方式。
如图5所示，本实施例中，逆变器的电路拓扑结构的数学模型为：
Figure 479731DEST_PATH_IMAGE058
其中，
Figure 473095DEST_PATH_IMAGE014
、
Figure 696266DEST_PATH_IMAGE015
、
Figure 167699DEST_PATH_IMAGE059
表示三相输出电流，
Figure 425505DEST_PATH_IMAGE060
表示电感电阻和功率器件损耗等效电阻之 和，
Figure 573458DEST_PATH_IMAGE061
表示每相出线电抗器的电感，
Figure 283925DEST_PATH_IMAGE062
、
Figure 293469DEST_PATH_IMAGE063
、
Figure 671361DEST_PATH_IMAGE021
表示逆变器主电路中三个桥臂的开关函 数，可通过控制模块的控制及SVPWM的变换，生成并网逆变器的开关驱动信号；
Figure 740948DEST_PATH_IMAGE064
、
Figure 187979DEST_PATH_IMAGE065
、
Figure 1214DEST_PATH_IMAGE066
表示逆变器输出侧的三相电压。
光伏发电的逆变器一般有电压外环和电流内环构成，电压外环利用PI调节和电压 反馈调节实现对直流电压的无静差控制，电流内环是在
Figure 968033DEST_PATH_IMAGE067
坐标系下实现的，利用
Figure 208522DEST_PATH_IMAGE068
、
Figure 893581DEST_PATH_IMAGE069
两种坐标系的变换，将三相电流进行坐标系变换和PI调节实现电流的 d轴和q轴分量
Figure 510507DEST_PATH_IMAGE070
及
Figure 581100DEST_PATH_IMAGE071
的无静差控制，然后通过SVPWM变换生成驱动控制信号，控制各IGBT 的通断。
本实施例中，电压外环控制函数的方程式为：
Figure 258069DEST_PATH_IMAGE072
电流内环控制函数的方程式为：
Figure DEST_PATH_IMAGE073
Figure 899266DEST_PATH_IMAGE024
、
Figure 54304DEST_PATH_IMAGE074
分别表示电流的d、q轴输出电流，
Figure 247912DEST_PATH_IMAGE026
表示直流侧电压
Figure 830203DEST_PATH_IMAGE027
的参考值；
Figure 224276DEST_PATH_IMAGE075
和
Figure 183004DEST_PATH_IMAGE076
分别表示电压外环有功控制的比例、积分系数；
Figure 244501DEST_PATH_IMAGE030
和
Figure 997694DEST_PATH_IMAGE032
分别表示电压外环无功 控制的比例、积分系数；
Figure 393909DEST_PATH_IMAGE077
表示无功功率Q的参考值；
上述方程中
Figure 625170DEST_PATH_IMAGE078
为空间变量，即：控制函数的表达式一般是在复频域中表达，将时 域中的空间函数(一般为时间函数f(t))经过拉普拉斯变换得到复频域中的函数表达），能 够更直观的反应和分析空间控制变量的参数规律和控制性能。
本实施例中，所述的
Figure 541173DEST_PATH_IMAGE079
和
Figure 465267DEST_PATH_IMAGE076
的取值可为：7和800；
Figure 99511DEST_PATH_IMAGE080
和
Figure 400042DEST_PATH_IMAGE082
的取值可为 0.3和20。
更进一步地，还包括：最大功率追踪模块，所述最大功率追踪模块采用增量电导法判断最大功率点。
增量电导法的基本原理如下：
输出功率、电压和电流的公式：
Figure 154240DEST_PATH_IMAGE083
在最大功率点处满足：
Figure 514814DEST_PATH_IMAGE084
因此，增量电导法的算法判据为：
Figure 370775DEST_PATH_IMAGE085
本实施例中，额定电压可为U=0.26kV，在标准环境下（温度为25℃，光照度为1000W/㎡），光伏的MPPT控制输出有功功率 P=100kW，功率因数cosφ=1。
本发明还提供了基于数据驱动的光伏电站动态建模方法。
如图6所示，基于数据驱动的光伏电站动态建模方法，包括以下步骤：
S10，基于光伏电站的运行监测信息，建立光伏电站正常并网运行状态下的数据库；
S20，建立光伏电站的输入变量和输出变量的关系方程；所述输入变量包括：外界光照强度和温度，所述输出变量包括：光伏电站正常运行时并网点的输出电压和功率；
S30，将数据库中的数据划分为训练集和测试集；
S40，通过训练集对卷积神经网络模型进行训练，训练好的卷积神经网络模型具有光伏电站运行特性的动态模型，所述动态模型为如上所述的动态模型；
S50，将测试集输入到动态模型中，进行电压和功率的预测，得到预测结果；
其中，所述数据库中包括：温度信息、光照度信息、以及光伏电站的功率变化信息和电压变化信息。
具体地，还包括：S60，基于测试集和预测结果，对动态模型进行准确性验证；具体为：根据动态模型的功率和电压预测值与光伏电站的实际运行的功率和电压数值进行对比分析，对该动态模型的预测准确性进行评估。
进一步地，所述输入变量和输出变量的关系方程的表达式为：
Figure 209418DEST_PATH_IMAGE086
其中，
Figure 834434DEST_PATH_IMAGE002
和
Figure 615178DEST_PATH_IMAGE087
表示t时刻并网点的电压和功率，
Figure 958434DEST_PATH_IMAGE004
和
Figure 600768DEST_PATH_IMAGE005
表示t时刻外界温 度和光照度；
Figure 345870DEST_PATH_IMAGE088
表示基于外界光照度和温度的非线性的函数关系。
如图7所示，所述通过训练集对卷积神经网络模型进行训练，具体包括：
S401，卷积神经网络模型的输入层接收训练集中的样本数据；
S402，将样本数据输入至卷积神经网络模型的卷积层；
S403，卷积神经网络模型的卷积层对样本数据进行归一化处理后，进行卷积运算，得到卷积结果；
S404，通过激活函数ReLU对卷积结果进行非线性化处理；
S405，提取非线性化处理后的卷积结果中的特征，并通过卷积神经网络模型的全连接层对其他的特征进行综合，形成综合结果；
S406，卷积神经网络模型的输出层输出综合结果，所述综合结果包括：光伏电站并网点的功率、电压幅值和电压相角矩阵；
其中：所述样本数据为：光伏电站的外界光照强度和温度矩阵；
所述外界光照强度和温度矩阵的行代表某一时间段下温度和光照强度的状态变量，行数表示不同的时间采样点，列数表示状态变量的数量。
具体地，归一化处理包括：将每一层的数据分布变换为均值为0，方差为1的分布，能够保证训练过程中数据分布的一致性，有效避免了各层在训练过程中因不同的数据分布特点而相互影响，尤其是经过卷积层运算后的线性化结果比较容易塌缩为一次线性变换，为了卷积层对数据的非线性特征进行准确提取，提高卷积神经网络的非线性映射能力，进行归一化的非线性处理方法是很有必要的。
进一步地，卷积运算包括：与输入层的光照强度和温度矩阵的每个矩阵块由左到右依次进行卷积运算，得到卷积结果；为削弱输入参数间相互依存的关系，缓解过拟合问题，每次卷积后通过ReLU函数进行非线性化处理，将非线性化的结果依次排列，构成卷积层的向量，得到不同节点的变量特征。
更进一步地，全连接层的计算方法如下：
Figure 782668DEST_PATH_IMAGE089
该式中：
Figure 613221DEST_PATH_IMAGE090
表示偏置矩阵，
Figure DEST_PATH_IMAGE092
表示权值矩阵，两个矩阵用来对特征量
Figure DEST_PATH_IMAGE093
进行输 出变换，矩阵中对应参数表示该特征量对于输出结果的贡献度。
此外，在进行卷积和全连接层的计算过程中，需要通过损失函数来反应模型的拟合程度，通常采用均方差函数作为损失函数来参与卷积神经网络的运算，均方差函数表达式如下：
Figure DEST_PATH_IMAGE094
该式中，
Figure DEST_PATH_IMAGE095
为数据集中数据点的个数，
Figure DEST_PATH_IMAGE096
为实际运行时的数据点，
Figure DEST_PATH_IMAGE097
为动态模型 的预测数据点。
具体地，在所述卷积层和全连接层中采用损失函数对卷积结果和综合结果进行优化。
经过训练后的卷积神经网络建立了外界光照强度和温度变化与光伏电站的输出电压和功率变化之间复杂的非线性函数关系，该卷积神经网络模型具有描述光伏电站在外界条件变化时输出功率和电压变化的动态运行特征，因此，训练好的卷积神经网络模型为具有光伏电站运行特性的光伏电站的动态模型；利用该模型对功率进行预测，将某时间段内的光照强度和温度变化信息输入该模型，该动态模型将输出功率和电压的预测值。
本发明中，基于卷积神经网络对光伏电站的运行数据进行学习和训练，能够得到光照度和温度与光伏电站的电压和功率的函数关系，且会蕴含在卷积神经网络学习和训练后的机理中，使得其成为一个具有光伏电站运行特性的动态模型，在大数据的驱动下，能够实现光伏电站的等效输出，同时，能够很好的应用于光伏电站的电压和功率变化预测。
本发明还提供了存储设备。
存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行如上所述的基于数据驱动的光伏电站动态建模方法。
所述存储设备可为一计算机可读存储介质，可以包括：ROM、RAM、磁盘或光盘等。
本发明还提供了一种终端，所述终端可包括：
处理器，适于实现各指令；以及
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如上述的光伏电站动态建模方法。
所述终端可为任意能够实现光伏电站动态建模的装置，该装置可以是各种终端设备，例如：台式电脑、手提电脑等，具体可以通过软件和/或硬件来实现。
如图8所示，本发明通过建立仿真模型，对本发明的技术效果进行验证和说明。
通过改变光伏电池的温度和光照强度，得到相应的光伏电站并网点功率和电压的变化曲线，从而构建光伏电站运行的数据库，数据库中采样一天6个小时内的光照度和温度变化，均匀采样10个点，一共含有1200组数据。
在光照度恒定的情况下，即温度T=25℃，光照度Ir=1000W/㎡的条件下，光伏电站并网点功率和电压的曲线如图9所示：
在温度T=0℃，Ir=2000-1000-200W/㎡变化时的功率和电压曲线如图10所示。
在温度T=15℃，Ir=200-1000-2000 W/㎡变化时的功率和电压曲线如图11所示。
采用该动态模型进行功率和电压的预测，利用200组数据进行预测精度的验证分析，预测精度如图12、图13所示。
综上，本发明提出的光伏电站动态模型、建模方法中，利用更为结合工程实际的动态模型对光伏电站的出力进行可靠预测，实现了对光伏电站运行的整体可控性，实用性极强。
在本发明的描述中，需要理解的是，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
可以理解的是，上述方法、装置及系统中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.基于数据驱动的光伏电站动态建模方法，其特征在于：包括以下步骤：
S10，基于光伏电站的运行监测信息，建立光伏电站正常并网运行状态下的数据库；
S20，建立光伏电站的输入变量和输出变量的关系方程；所述输入变量包括：外界光照强度和温度，所述输出变量包括：光伏电站正常运行时并网点的输出电压和功率；
S30，将数据库中的数据划分为训练集和测试集；
S40，通过训练集对卷积神经网络模型进行训练，训练好的卷积神经网络模型具有光伏电站运行特性的动态模型；
S50，将测试集输入到动态模型中，进行电压和功率的预测，得到预测结果；
其中，所述数据库中包括：温度信息、光照度信息、以及光伏电站的功率变化信息和电压变化信息。
2.根据权利要求1所述的基于数据驱动的光伏电站动态建模方法，其特征在于：还包括：
S60，基于测试集和预测结果，对动态模型进行准确性验证。
3.根据权利要求1所述的基于数据驱动的光伏电站动态建模方法，其特征在于：所述输入变量和输出变量的关系方程的表达式为：
Figure 586681DEST_PATH_IMAGE001
其中，
Figure 186289DEST_PATH_IMAGE002
和
Figure 59567DEST_PATH_IMAGE003
表示t时刻并网点的电压和功率，
Figure 111837DEST_PATH_IMAGE004
和
Figure 79662DEST_PATH_IMAGE005
表示t时刻外界温度和 光照度；
Figure 799356DEST_PATH_IMAGE006
表示基于外界光照度和温度的非线性的函数关系。
4.根据权利要求1所述的基于数据驱动的光伏电站动态建模方法，其特征在于：所述通过训练集对卷积神经网络模型进行训练，具体包括：
S401，卷积神经网络模型的输入层接收训练集中的样本数据；
S402，将样本数据输入至卷积神经网络模型的卷积层；
S403，卷积神经网络模型的卷积层对样本数据进行归一化处理后，进行卷积运算，得到卷积结果；
S404，通过激活函数ReLU对卷积结果进行非线性化处理；
S405，提取非线性化处理后的卷积结果中的特征，并通过卷积神经网络模型的全连接层对其他的特征进行综合，形成综合结果；
S406，卷积神经网络模型的输出层输出综合结果，所述综合结果包括：光伏电站并网点的功率、电压幅值和电压相角矩阵；
其中：所述样本数据为：光伏电站的外界光照强度和温度矩阵；
所述外界光照强度和温度矩阵的行代表某一时间段下温度和光照强度的状态变量，行数表示不同的时间采样点，列数表示状态变量的数量。
5.根据权利要求4所述的基于数据驱动的光伏电站动态建模方法，其特征在于：在所述卷积层和全连接层中采用损失函数对卷积结果和综合结果进行优化。
6.存储设备，其中存储有多条指令，其特征在于：所述指令适于由处理器加载并执行如权利要求1至5任一所述的基于数据驱动的光伏电站动态建模方法。
CN202210080739.2A 2022-01-24 2022-01-24 基于数据驱动的光伏电站动态建模方法、存储设备 Active CN114123200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210080739.2A CN114123200B (zh) 2022-01-24 2022-01-24 基于数据驱动的光伏电站动态建模方法、存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210080739.2A CN114123200B (zh) 2022-01-24 2022-01-24 基于数据驱动的光伏电站动态建模方法、存储设备

Publications (2)

Publication Number Publication Date
CN114123200A true CN114123200A (zh) 2022-03-01
CN114123200B CN114123200B (zh) 2022-04-12

Family

ID=80361210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210080739.2A Active CN114123200B (zh) 2022-01-24 2022-01-24 基于数据驱动的光伏电站动态建模方法、存储设备

Country Status (1)

Country Link
CN (1) CN114123200B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034034A (zh) * 2022-04-29 2022-09-09 大连海事大学 基于Simulink的光伏发电制氢储氢系统的建模方法与预测模型
CN115809545A (zh) * 2022-11-15 2023-03-17 西安电子科技大学 基于欧米伽空间太阳能电站的光伏电池阵构型设计方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116937696A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于光伏发电系统的自适应等效建模方法
CN119623069A (zh) * 2024-11-27 2025-03-14 南京千智电气科技有限公司 一种光伏电站建模仿真分析系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130262049A1 (en) * 2012-03-29 2013-10-03 Weihong Zhang Method for Predicting Outputs of Photovoltaic Devices Based on Two-Dimensional Fourier Analysis and Seasonal Auto-Regression
CN104680424A (zh) * 2015-01-30 2015-06-03 国家电网公司 大型光伏电站的电压电能情况预估方法
JP2017200360A (ja) * 2016-04-28 2017-11-02 清水建設株式会社 太陽光発電量予測システム、太陽光発電量予測方法、プログラム
CN107947244A (zh) * 2017-09-12 2018-04-20 国电南瑞科技股份有限公司 新能源电站并网功率超前控制方法
CN109934423A (zh) * 2019-04-25 2019-06-25 山东大学 基于并网逆变器运行数据的光伏电站功率预测方法及系统
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN112541633A (zh) * 2020-12-15 2021-03-23 浙江浙能嘉兴发电有限公司 一种基于神经网络的超高精度光伏发电功率预测方法及系统
CN112600244A (zh) * 2020-12-10 2021-04-02 江苏派尔高智能科技有限公司 一种基于神经网络的光伏电站电压控制方法
CN112906987A (zh) * 2021-03-29 2021-06-04 福州大学 基于卷积神经网络和二维气象矩阵的光伏功率预测方法
CN113469427A (zh) * 2021-06-24 2021-10-01 国网山东省电力公司东营供电公司 基于卷积lstm的光伏电站日前发电量预测方法及系统
CN113642255A (zh) * 2021-09-01 2021-11-12 中国人民解放军国防科技大学 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN113705887A (zh) * 2021-08-27 2021-11-26 浙江工业大学 一种数据驱动的光伏发电功率预测方法和系统
CN113705876A (zh) * 2021-08-19 2021-11-26 广西电网有限责任公司电力科学研究院 一种基于气象大数据的光伏功率预测模型的构建方法及装置
CN113890027A (zh) * 2021-10-19 2022-01-04 中核坤华能源发展有限公司 基于设备运行状态和气象参数的发电功率预测系统及方法
CN113962162A (zh) * 2021-11-19 2022-01-21 国网重庆市电力公司电力科学研究院 一种含高比例新能源交直流混联系统仿真建模方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130262049A1 (en) * 2012-03-29 2013-10-03 Weihong Zhang Method for Predicting Outputs of Photovoltaic Devices Based on Two-Dimensional Fourier Analysis and Seasonal Auto-Regression
CN104680424A (zh) * 2015-01-30 2015-06-03 国家电网公司 大型光伏电站的电压电能情况预估方法
JP2017200360A (ja) * 2016-04-28 2017-11-02 清水建設株式会社 太陽光発電量予測システム、太陽光発電量予測方法、プログラム
CN107947244A (zh) * 2017-09-12 2018-04-20 国电南瑞科技股份有限公司 新能源电站并网功率超前控制方法
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN109934423A (zh) * 2019-04-25 2019-06-25 山东大学 基于并网逆变器运行数据的光伏电站功率预测方法及系统
CN112600244A (zh) * 2020-12-10 2021-04-02 江苏派尔高智能科技有限公司 一种基于神经网络的光伏电站电压控制方法
CN112541633A (zh) * 2020-12-15 2021-03-23 浙江浙能嘉兴发电有限公司 一种基于神经网络的超高精度光伏发电功率预测方法及系统
CN112906987A (zh) * 2021-03-29 2021-06-04 福州大学 基于卷积神经网络和二维气象矩阵的光伏功率预测方法
CN113469427A (zh) * 2021-06-24 2021-10-01 国网山东省电力公司东营供电公司 基于卷积lstm的光伏电站日前发电量预测方法及系统
CN113705876A (zh) * 2021-08-19 2021-11-26 广西电网有限责任公司电力科学研究院 一种基于气象大数据的光伏功率预测模型的构建方法及装置
CN113705887A (zh) * 2021-08-27 2021-11-26 浙江工业大学 一种数据驱动的光伏发电功率预测方法和系统
CN113642255A (zh) * 2021-09-01 2021-11-12 中国人民解放军国防科技大学 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN113890027A (zh) * 2021-10-19 2022-01-04 中核坤华能源发展有限公司 基于设备运行状态和气象参数的发电功率预测系统及方法
CN113962162A (zh) * 2021-11-19 2022-01-21 国网重庆市电力公司电力科学研究院 一种含高比例新能源交直流混联系统仿真建模方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BIPLOB RAY 等: ""A New Data Driven Long-Term Solar Yield Analysis Model of Photovoltaic Power Plants"", 《IEEE POWER & ENERGY SOCIETY SECTION》 *
ZHICONG CHEN 等: ""Accurate modeling of photovoltaic modules using a 1-D deep residual network based on I-V characteristics"", 《ENERGY CONVERSION AND MANAGEMENT》 *
张国宾 等: ""基于混合神经网络的光伏组件输出特性数据驱动建模方法"", 《智能科学与技术学报》 *
杨镇宁: ""基于深度学习的高比例分布式光伏配电网电压预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034034A (zh) * 2022-04-29 2022-09-09 大连海事大学 基于Simulink的光伏发电制氢储氢系统的建模方法与预测模型
CN115034034B (zh) * 2022-04-29 2025-05-06 大连海事大学 基于Simulink的光伏发电制氢储氢系统的建模方法与预测模型
CN115809545A (zh) * 2022-11-15 2023-03-17 西安电子科技大学 基于欧米伽空间太阳能电站的光伏电池阵构型设计方法
CN116667369A (zh) * 2023-08-01 2023-08-29 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116667369B (zh) * 2023-08-01 2023-10-31 国网山西省电力公司晋城供电公司 一种基于图卷积神经网络的分布式光伏电压控制方法
CN116937696A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于光伏发电系统的自适应等效建模方法
CN116937696B (zh) * 2023-09-18 2023-12-05 四川大学 一种基于光伏发电系统的自适应等效建模方法
CN119623069A (zh) * 2024-11-27 2025-03-14 南京千智电气科技有限公司 一种光伏电站建模仿真分析系统
CN119623069B (zh) * 2024-11-27 2025-06-24 南京千智电气科技有限公司 一种光伏电站建模仿真分析系统

Also Published As

Publication number Publication date
CN114123200B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
Ibrahim et al. Optimizing step-size of perturb & observe and incremental conductance MPPT techniques using PSO for grid-tied PV system
CN114123200A (zh) 基于数据驱动的光伏电站动态建模方法、存储设备
said Adouairi et al. Application of fuzzy sliding mode control on a single-stage grid-connected PV system based on the voltage-oriented control strategy
Harrag et al. Novel neural network IC-based variable step size fuel cell MPPT controller: performance, efficiency and lifetime improvement
Soon et al. A fast-converging MPPT technique for photovoltaic system under fast-varying solar irradiation and load resistance
CN110556871B (zh) 基于结构保持方法的大规模光伏发电系统聚合等值方法
Riquelme-Dominguez et al. Systematic evaluation of photovoltaic MPPT algorithms using state-space models under different dynamic test procedures
Younas et al. Deep learning stack LSTM based MPPT control of dual stage 100 kWp grid-tied solar PV system
CN105809265A (zh) 含分布式可再生能源配电网柔性互联装置的容量配置方法
Shukl et al. Recursive digital filter based control for power quality improvement of grid tied solar PV system
CN113609699A (zh) 辐射状配电网交流潮流模型的计算方法和系统
CN109830987B (zh) 计及分布式光伏随机性的主动配电网概率稳定性分析方法
CN118920508B (zh) 一种基于云平台的光伏并网发电控制方法及相关装置
Yuan et al. A novel hermite interpolation-based MPPT technique for photovoltaic systems under partial shading conditions
Çelik et al. Analytical investigation of PV panel operated at maximum power point on DC microgrid
CN102545205A (zh) 基于自动微分技术的分布式电力系统状态估计方法
CN116150924B (zh) 模型参数辨识方法、装置及计算机设备
Areola et al. Modelling of adaptive neuro-fuzzy inference system (ANFIS)-based maximum power point tracking (MPPT) controller for a solar photovoltaic system
Badoud et al. Development and experimental validation of novel robust MPPT controller based on bond graph and fuzzy logic for PV system under variable weather conditions
CN120601391A (zh) 兼容跟网与构网型变流器并网系统的小信号频域阻抗建模方法
Assia et al. Detailed modeling of two diode photovoltaic module using MATLAB simulik
Cho et al. A variable step size incremental conductance MPPT of a photovoltaic system using DC-DC converter with direct control scheme
Behera et al. Computation of maximum power point tracking of PV module using modified Newton Raphson technique
Cuzco et al. Comparative analysis of the performance of maximum power point tracking algorithms in photovoltaic systems
Guerrero-Rodríguez et al. Artificial neural network-based flexible power point tracking for enhanced dynamic response of grid-connected photovoltaic systems

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
GR01 Patent grant
GR01 Patent grant