基于图像分割的云层测速方法

为了解决塔式太阳能电站镜场上空的云层遮挡问题,提出一种对镜场上空移动云层进行预测的测速方法。首先利用固定摄像机对云层图像进行采集,然后提取不同帧数的图像,并进行伽马变换、遗传算法图像分割、云层目标检测、运动云层匹配等处理,最后根据匹配得到的像素坐标计算云层的移动速度和方向。实验测试结果表明:与光流法的数据进行比较,显示图像分割方法计算量少,位置预测误差小。可见运用图像分割方法进行云测速是可行的,为塔式太阳能电站的云监测中云遮挡预判提供理论依据。     

光伏发电最大功率控制系统的研究

通过对太阳能电池的研究,提出以STC89C52单机片为控制核心,采用MPPT技术对太阳能电池板进行最大输出功率跟踪控制,并通过光敏二极管感光元件进行辅助性控制,从而提高了太阳能电池板的输出功率的利用率。     

光伏发电最大功率跟踪方法的研究

在分析太阳能电池等效电路模型的基础上,建立了太阳能电池阵列的数学模型,仿真验证了光伏发电系统存在最大功率点.针对传统MPPT控制算法的缺点,提出了固定参数法与扰动观察法相结合、固定参数法和电导增量法相结合、高斯法与扰动观察法相结合的复合MPPT控制算法,较深入地探讨了这些算法的优点及详细实现方案.通过光伏发电MPPT仿真实验,验证了高斯法在最大功率跟踪应用中的有效性.     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题,提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数,并对原始气象数据进行特征选择。将特征选择后的结果作为输入,对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测,结果表明：该方法能充分利用预测时刻之前的气象时间序列,有效提高光伏功率预测精度,与RF-LSTM方法、单一LSTM方法相比具有更高的准确性,预测误差更小。     

额定功率下光伏发电系统的功率控制研究

通过对光伏电池的分析,应用Matlab/simlink仿真软件工具,建立了光伏电池的数学模型和仿真模型.基于此模型,针对光伏发电系统效率低的问题,研究了在额定条件下光伏发电最大功率跟踪问题.分别对最大功率跟踪控制的两种方法PID控制与改进扰动法控制进行了仿真,并分析了这两种方法各自的优缺点.仿真结果表明,PID控制的振荡小,而改进扰动法的效率更高.     

光伏阵列故障状态红外图像的分割研究与实现

依据光伏阵列故障状态红外图像的特点,提出了一种高效基于迭代的两级阈值分割算法。实验表明：该算法能较好地分割出光伏阵列中存在的正常、故障、老化三种区域,同时算法以乘法和加法运算为主,便于DSP的高速运算。最后,采用TMS320 DSP算法标准（XDAIS）对分割算法进行创建与封装,极大地方便了系统集成。     

光伏发电最大功率跟踪的改进方法

针对导纳增量法在低光照情况下不易进行最大功率跟踪的缺点,结合线性比例电流法提出了一种线性比例电流法结合导纳增量法的控制策略。利用Matlab/Simulink仿真软件,构建了光伏电池板和线性比例电流法结合导纳增量法的最大功率跟踪控制的仿真模型。仿真结果验证了线性比例电流法结合导纳增量法的合理性和有效性。     

光伏发电系统最大功率点跟踪控制的研究

针对扰动观察法的速度和精度在很大程度上受扰动初始值和扰动步长的影响,且在最大功率点附近存在功率振荡现象等问题,提出一种改进扰动观察法。首先当日照变化较快时,利用短路电流使输出功率能够快速跟踪在最大功率点附近,然后采用可变步长的扰动观察法使光伏电池稳定在最大功率点。通过仿真实验证明该改进方法明显缩短了最大功率点的跟踪时间,并且基本消除了功率振荡现象,提高了最大功率点跟踪控制技术。     

光伏发电系统的并联功率转换技术

针对光伏发电系统存在的主要问题,基于几种传统的拓扑结构转换器效率低的缺点,结合并联功率转换技术提出一种新型的拓扑结构,分析比较了此技术与传统拓扑的工作原理及优缺点,最后展望了其发展前景。     

基于VMD-IPSO-RFR模型的光伏发电功率预测

针对预测数据噪声过大或超参数调整不当,导致随机森林回归(RFR)模型预测光伏发电功率精度不高的问题,提出一种基于变分模态分解(VMD)结合改进的粒子群(IPSO)优化随机森林回归(RFR)的光伏预测模型。该方法先用灰色关联度系数法(GRA)选取相似日,再使用VMD把相似日功率数据分解为一系列相对平稳的子模态,突出光伏发电功率的局部特征信息,降低数据的不稳定性,然后利用IPSO对RFR中超参数进行寻优,将优化后的IPSO-RFR模型对各个分量进行预测,最后将预测结果进行叠加重构。实例证明,该模型在晴天和阴雨天的预测平均绝对百分比误差分别为10.64%和5.42%,预测精度相对较高。     

光伏发电系统最大功率点跟踪控制方法研究

采用单片机控制系统实现最大功率点跟踪(M PPT),着重对最大功率跟踪控制中DC-DC变换器的原理和控制方法进行了研究和实验,采用了升降压式(Buck-Boost)DC-DC转换电路[3]来实现最大功率点跟踪,该方法电路简单、软硬件结合、控制方法灵活,明显提高了太阳电池充电系统的整机效率.     

光伏发电非线性步长最大功率跟踪算法

针对光伏发电最大功率跟踪速度慢、损耗大的问题,提出一种非线性步长最大功率跟踪算法.将matlab仿真结果与实验测得数据进行对比表明:在光照强度、温度等外界环境改变的情况下,系统能快速稳定的跟踪到最大功率点,减少了波动造成的损耗,有效提高了光伏发电系统的效率.     

光伏发电逆功率检测器设计问题浅析

在光伏发电共网系统设计中,为保护市电网不受任何影响和冲击,需要防止太阳能系统电力不馈入市电网,称为防逆流。所谓逆流,是指电源不输出功率,反而吸收功率的现象。在交流系统中,功率是     

浅析光伏发电最大功率跟踪算法改进

本文通过对光伏发电模块原理进行分析,依据数学公式搭建系统仿真模型。在此基础上,进行已有＂扰动观察＂最大功率跟踪方法仿真,指出既有方案的不足,并提出改进,为光伏系统仿真工作提供参考。     

晴天光伏发电功率的日内变化规律及预测方法研究

针对晴天天气类型,研究了光伏发电功率的日内和年内尺度的变化规律,根据晴天出力变化速率曲线的特性,提出晴天光伏发电功率预测模型,在晴天光伏发电功率预测模型的基础上,根据光功率实时监测信息,加入分阶段实时修正系统,实现了日前预测与超短期预测相融合,提高了预测精度.黄河上游共和光伏电站实例应用结果表明:所提出的晴天光伏发电功率预测模型的总体平均预测误差在2%以下,用于光伏发电功率预测的其他方法如线性回归、神经网络、支持向量机等在相同条件下的预测误差区间为8%～20%,故所提出的方法预测精度有大幅度提高.该模型的输入值都是基于光伏电站自身的出力特性提取的,不需要辐射量、云层、气压、降水量等难以获取的信息,是一种简单并实用的创新预测方法.     

基于DWT-CNN-LSTM的超短期光伏发电功率预测

太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定.准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性.提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional...     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

基于模糊控制的光伏发电最大功率点跟踪

光伏电池的输出特性随负载及外界环境的变化而变化,采用最大功率点跟踪电路可充分发挥光伏器件的效能。根据常用光伏发电系统控制的优缺点及最大功率点跟踪的基本原理,本文提出了基于模糊控制具有在线参数调整的自适应占空比扰动法。当外界环境变化时,仿真结果显示系统能够很好的跟踪此变化,使系统始终工作在最大功率点附近,具有很好的稳定性。     

基于主成分分析线性回归的光伏发电功率预测研究

针对经典光伏发电功率物理模型预测精度不高、可能遗漏关键气象因子的问题,基于数据驱动思想提出一种主成分分析、逐步线性回归以及多种检验相结合的光伏发电功率预测模型混合建模方法.采用相关性分析提取关键气象因子自变量,通过逐步线性回归对历史样本数据进行训练得到初始模型;对初始模型进行拟合程度、有效性以及多重共线性等多种检验,根据检验结果,采用主成分分析对初始模型自变量进行降维重构,得到修正模型;通过残差分析实现修正模型正确性的自校验;基于多种时间尺度对经典模型、未修正模型以及修正模型的预测结果进行详细对比分析.仿真结果表明修正模型提高了预测精度及所提混合建模方法的有效性与优越性.     

基于PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization,PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine,ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.