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。     

ESD保护器件栅接地N型MOS管开启后区域模拟方法

基于ESD应力下栅接地N型MOS管（GGNMOS）的工作特性,提出2种开启后区域的器件级模型结构和相应的参数提取方法,并利用Matlab分别基于两种模型对不同工艺参数的样品进行模拟,获得相应的I-V特性曲线。虽然模型1比模型2简单,而且需要的参数少,但是模型2比模型1更为精确,与实际情况更吻合,更加能够反映出工艺参数对样品开启后特性的影响。     

MOS场效应管直流模型参数的计算机自动提取

研制成一种由计算机自动提取MOS场效应管直流模型参数的系统。该系统可以精确地提取SPICE电路分析程序所需的全部MOS场效应管直流模型参数,并且将提取出的模型参数所作出的模拟输出特性曲线与实测曲线进行比较。     

改进多种群粒子群算法辨识光伏组件参数

针对光伏组件参数辨识问题,通过调整光伏单二极管超越方程重构低计算复杂度的目标函数,以预估计模型参数对搜索空间进行优化.然后,结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识.最后,利用多种实际光伏组件测量数据对所提方法进行检验.结果表明:N-MPSO算法相较于传统算法能够更加准确、快速,且能稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义.     

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.     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

晶硅光伏组件在典型气候环境下的性能研究

选取海南琼海湿热气候环境试验场和广州花都亚湿热气候环境试验场作为典型气候环境试验基地,将多晶硅光伏组件直接固定电阻负载投试到这两个典型气候环境试验场,研究晶硅组件在真实典型气候环境应用的性能变化规律。利用户外I-V测试仪、实验室I-V测试仪对不同的组件的I-V特性参数进行测试以及利用热电偶对组件的表面温度进行实时记录。结果表明:投试在湿热气候环境试验场的光伏组件,其短路电流I_(sc)、最大功率Pmax等I-V特性参数值的衰减较投试在亚湿热气候环境试验场的光伏组件多,且在组件整个实验过程中,湿热试验场投试的光伏组件的表面温度也高于亚湿热试验场投试的光伏组件的表面温度。     

复合光伏阵列的优化匹配研究

为了提高光伏发电效率,降低独立光伏发电系统成本,将强光特性的单晶硅电池和弱光特性的非晶硅电池复合应用在发电系统中。通过对太阳电池的I-V特性分析,构建复合光伏阵列输出功率与辐照强度、温度之间的关系,通过辐射量、日照时数等气象参数对定容量的独立光伏发电系统进行了光伏复合组件的优化研究。     

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，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；再次，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，并利用量子粒子群(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，根据实测I-V曲线数据集进行实验验证和测试，并与多层感知机、未改进的Elman网络、支持向量机等算法进行对比.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.     

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。