阴影遮挡条件下光伏阵列建模及PSO优化控制算法的研究

基于现有五参数模型构建了阴影条件下的光伏阵列多峰输出特性模型,该模型能够仿真阴影条件下光伏阵列的I-U性能曲线.在此多峰模型基础上,搭建了MPPT控制模型,利用优化后的PSO算法实现多峰情况下的最大功率点追踪,并与原始PSO算法进行对比,仿真结果表明该算法能够快速且准确的追踪到多峰下的最大值.     

基于伪标签-1D DenseNet-KNN的光伏阵列开集复合故障诊断方法

提出了一种基于伪标签-1D DenseNet-KNN的光伏阵列故障诊断方法,实现在少标签样本下的光伏阵列复合故障开集识别。首先,分析了各种常见单一故障及灰尘覆盖下复合故障的I-V曲线特性。然后,为了克服常规的半监督机器学习算法需手动提取数据特征,采用一种伪标签与1D DenseNet相结合的半监督方法自动提取特征。最后,将对训练数据提取的特征、训练数据预测的标签及测试样本提取的特征输入K最近邻（KNN）算法进行开集复合故障诊断。实验表明,该方法不仅能准确分类各种已知类样本,而且能识别出未知类别故障,并且模型的训练仅需少量标签数据。     

一种利用多层感知机和I-V特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,本文提出了一种利用多层感知机和不同工况下实测的I-V特性曲线数据集的建模新方法。首先,使用双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度。其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的I-V曲线数据集,使用Adam算法训练该模型。最后,采用美国国家可再生能源实验室提供的实测I-V特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比。实验结果证明,所提出的建模方法具有最高的精度和泛化性能。     

基于KMV-CatBoost增强的企业信用债券违约风险评估模型

针对传统预测模型对于企业信用债券违约预测准确率低、拟合效果差的问题,提出了基于Kaufman-Merton-Voss （KMV）-Categorical Boosting （CatBoost）的企业债券违约预测模型. 首先对原始样本数据进行预处理,降低噪声数据对预测模型的影响;然后,利用KMV模型评估借款公司信用违约概率,计算公司资产市场价值与公司资产市场价值的波动率,获得企业资产价值与违约点之间的差额Distance-to-Default（DD）;最后,利用债务偿还期限、短期无风险收益率、公司股权市场价值、公司债务面值计算出的违约距离,将其加入指标中,利用CatBoost算法预测企业信用债券违约风险,通过基于Ordered Boosting方式的CatBoost算法训练模型,得到无偏梯度估计,以减缓预测偏移,从而增强模型的泛化能力. 实验结果表明：基于KMV-CatBoost增强的模型能够提高企业信用债券违约风险识别的准确率,识别正确率约为95.5%.     

基于GWO算法光伏阵列多峰值的MPPT

针对因遮挡处于部分阴影条件下的光伏阵列, 其功率特性曲线由单峰曲线变为叠峰曲线, 使最大功率点跟踪(MPPT)算法失效, 而其他智能算法(如粒子群优化(PSO)算法)存在参数较多、 收敛速度慢、 振荡幅度大等问题, 将收敛速度快、 求解精度高的灰狼优化(GWO)算法应用于光伏阵列多峰值MPPT算法中. 先建立处于局部遮挡情形下光伏阵列的数学模型, 再解析基于GWO算法的MPPT算法原理. 仿真实验结果表明: GWO算法可快速跟踪到最大功率点; GWO算法比PSO算法的跟踪速度提高1倍, 跟踪效率提高0.1%.     

基于PSIM软件的光伏电池特性的仿真建模研究

针对光伏电池研究了基于物理机制的数学模型,分析了串联电阻和并联电阻对光伏电池特性的影响。利用光伏电池特性数学表达式,提出了基于PSIM软件的仿真模型,给出了光照强度和温度变化时光伏电池特性曲线。仿真结果与实验测试数据的对比结果表明,仿真模型正确且可行,可以应用到光伏发电系统中实现动态仿真。     

局部遮挡下光伏组件MPPT复合算法

当光伏组件受到局部阴影遮挡时,其最大功率点跟踪(maximum power point tracking, MPPT)过程常出现误跟踪、跟踪速度慢、光伏组件输出功率低等问题.为使局部阴影下光伏组件保持快速、稳定、准确地最大功率输出,基于电导增量法(incremental conductance algorithm, INC),结合全局比较算法(global comparison algorithm, GCA),提出一种基于电导增量/全局比较的复合MPPT算法(INC-GCA),并通过搭建Simulink仿真模型和设计光伏试验平台,验证该算法的可行性.结果表明：基于电导增量/全局比较的复合MPPT算法在光伏组件受到局部阴影遮挡时可准确追踪到最大功率,且跟踪速度快、可靠性高,完全避免了误跟踪问题;相较于电导增量法,该算法可有效提高光伏系统的发电效率,提升光伏电站的经济效益.     

基于蚁群算法的局部阴影光伏最大功率跟踪算法

针对局部阴影情况下光伏输出曲线非线性和多峰值的特性,提出基于蚁群算法的光伏多峰值最大功率跟踪算法.通过对光伏输出曲线的结构及均匀分布特性的分析,构建蚁群极值寻优过程,对特定区间进行极值点搜索,最后求出最大功率点.仿真表明,该算法能够有效地跟踪全局最大功率点,避免其收敛于局部最优解,与传统全局扫描算法不同,其收敛速度及精度不受光伏曲线形状的影响.     

基于改进PSO算法在光伏阵列多峰MPPT的研究

针对传统的最大功率点跟踪算法在光伏阵列出现局部阴影时,其输出P-U特性曲线表现出的多峰现象,导致跟踪不能完成真正的最大功率点跟踪,从而造成系统的输出功率降低的问题;粒子群算法(PSO)在全局搜索具有很好的作用,把PSO应用在MPPT之中,但其收敛速度与精度方面具有一定的缺点,为了提高PSO算法的跟踪精度和收敛速度,提出了把非线性控制策略与PSO算法相结合;通过Matlab/Simulink进行仿真验证,结果表明:改进后的粒子群算法在有无阴影和环境发生变化的情况下均可快速且稳定准确地跟踪到最大功率点的有效性,提高了光伏系统的发电效率。     

基于自适应粒子群算法在光伏阵列多峰值系统MPPT的控制

在局部阴影的条件下,由于光伏阵列的P-U曲线会存在多个峰值点,传统的扰动观测方法不能快速追踪到最大功率点。本文对粒子群算法的设计参数、执行流程等方面进行优化,提出了一种基于自适应粒子群算法对光伏并网系统MPPT的控制策略,最后进行了Matlab/Simulink仿真。结果表明,该控制策略可以快速、准确地搜寻到最大功率点,能够抑制复杂条件下环境因素的影响,提高算法的跟踪精度和光伏电池的整体工作效率。     

太阳能光伏发电系统的计算机仿真与分析

借助LabVIEW软件平台,建立了太阳能光伏发电系统的模型,动态地模拟了真实太阳能光伏发电的过程,展示了太阳辐射强度的变化对太阳电池输出特性曲线的影响．建立了光伏发电最大功率跟踪模型,以家用光伏发电系统为例,进行了优化设计;并通过计算机仿真对系统作了检测评估,分析了影响光伏发电效率的因素．     

机械振荡条件下微功率光伏电池板的输出特性研究

漂浮式光伏发电具有不占耕地,温升效应低,防止水过量蒸发等优势,正逐渐受到大家的青睐。然而水面起伏波动导致光伏电池板产生的机械振动,会使其输出电压和电流产生低频振荡,发电品质急剧恶化。本文选择了一微功率光伏电池板,对其在典型天气下的动、静态输出特性进行研究,在此基础上搭建了光伏发电的Simulink仿真模型,仿真得出了动态条件下的的光伏电池的P-U和I-U特性曲线,探究了光伏电池板机械振荡角度和频率变化下输出功率极值点的变化情况。研究结果表明,动态条件下光伏电池板的P-U特性曲线会出现多个局部极值点,且电池板振荡角度对功率极值点的影响更大,为后续漂浮式光伏发电的最大功率点跟踪算法的研究提供了更为直观的数据支撑。     

光伏太阳能电池组件Matlab通用仿真模块

采用工程用太阳能电池5参量模型及参数确定法,获取高精度的光伏组件通用模型,在Matlab/Simulink平台中建立该模型的通用模块,利用变步长动态仿真法,快速、准确地获得光伏组件在不同光强度和温度下的输出特性曲线.仿真实验表明,该通用模块不仅可以准确获得太阳能电池单体输出特性,而且可以准确获得光伏组件输出特性,与目前采用的相似模块相比,其具有使用方便、精度高及通用性强的优点.     

采用ELM和优化电压传感器布局的光伏阵列故障检测与区域定位

为快速检测并定位光伏阵列中出现的故障,提出一种新的传感器布局策略,通过优化电压传感器的位置减少电压传感器的数量,同时显化故障的特征.然后,将定位问题转化为分类问题,选用极限学习机(ELM),将最大功率点处的电压数据作为输入训练分类模型.结合实验室屋顶光伏并网发电平台获取的故障数据,对健康状态和所设置的3种故障状态下细化的故障共18种类别,进行分类模型的建立与测试.实验表明,应用本模型故障检测与区域定位的精确率达99.52%,优于所对比的支持向量机、多层感知机网络和随机森林的诊断结果.     

利用热力学模型研究光伏-热电复合系统效率提升机制

 太阳能电池和热电模块组成的复合系统有望获得较高的太阳能到电能的转换效率。本文利用热力学方法分析了由商业化太阳能电池构成的复合系统,并根据一维模型下能流输运特性计算了系统内各模块温度及其对转换效率的影响,发现低温度系数和低效率的太阳能电池可以通过构建复合系统获得更大的性能提升。同时,由于太阳辐照的有限性导致流经热电模块的热流受到限制,因此热电模块效率无法达到理想条件下的最优值。这表明复合系统的优化并非各个模块优化后结果的简单线性叠加,而需要考虑构成复合系统的各个模块间的约束条件进行整体计算和优化,即复合系统效率不仅与材料本征特性(如电导率、热导率等)有关,也和其工作状态,(如入射太阳辐照强度、热电模块构成及几何尺寸、模块之间热学特性等)有关。上述模型与结果对于类似复合系统的设计有着指导作用。     

基于双向变换器的光伏储能控制

光伏发电系统通过双向变换器引入储能环节进行控制,光伏电池发出的能量经DC-DC变换后供给直流母线侧负载,并通过双向变换器使用蓄电池进行能量管理.介绍了双向变换器的工作原理,分析了光伏电池、蓄电池和直流母线负载所消耗的能量处于不同状态时的系统能量管理策略.给出了基于Boost变换器的光伏电池最大功率跟踪的控制算法和基于双向变换器的蓄电池充放电控制算法,提出了一种改进的充电控制策略.以MATLAB/Simulink为仿真平台,搭建了该系统的仿真模型,并针对系统的各工作状态进行仿真研究,仿真试验结果验证了该系统控制算法的合理性和可行性.     

双V型槽式低倍聚光光伏系统实验研究

为了减少单位产能所需的电池面积和降低光伏系统发电成本,采用低倍聚光器将太阳光汇聚在光伏电池上,对太阳电池进行低倍聚光.设计双V型槽式低倍聚光光伏系统,利用太阳跟踪系统和数据采集系统研究了在不同聚光条件下,常规单晶硅太阳电池组件的短路电流、开路电压、最大功率等电池特性参数,利用在电池组件下加装散热器来解决聚光后组件温度升高的问题.实验结果表明,采用双V型低倍聚光后,电池功率提高了27%,短路电流提高了25%,开路电压和填充因子变化不大,电池表面温度升高到44.8℃.利用双V型槽式低倍聚光光伏系统,增大了电池组件发电功率,为使用简单可靠的聚光器降低光伏系统发电成本提供了有效方法.     

一种利用改进Elman神经网络的光伏I-V特性建模方法

为了准确表征和预测光伏（PV）组件在不同工况下的电流电压（I-V）特性,本文提出一种利用改进Elman神经网络的光伏I-V曲线黑盒建模新方法。首先通过皮尔森相关系数分析影响I-V曲线的环境因素;其次使用基于电压电流的双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于辐照度温度的网格采样法对I-V曲线数据集进行下采样,降低数据冗余度;再利用量子粒子群（QPSO）算法优化Elman神经网络的初始权值和阈值,从而构造QPSO-Elman预测模型。最后根据美国国家可再生能源实验室（NREL）提供的I-V曲线数据集进行实验验证和测试。实验结果表明,所提出的建模预测方法精度更高,稳定性和泛化能力更好。