《使用修改的花算法利用MPP估计提取PV模块参数》

  • 来源专题:可再生能源
  • 编译者: pengh
  • 发布时间:2019-06-04
  • 光伏(PV)模块的建模对于诸如监视系统或故障检测系统的许多应用仍然是一个严重的问题。因此,已经提出了PV电池的几种等效模型,着名的所提出的模型被称为单二极管模型(SDM)和双二极管模型(DDM)。每个模型都拥有必须定义的未知参数值。在本文中,提出了两个相当于PV电池的电气模型,这些模型具有必须识别的未知参数。修改后的花算法(MFA)是一种受自然界启发的优化算法,该算法用于提取两种模型的最优参数值。所提出的算法模拟了花粉转移的途径以帮助在自然界中产生植物,换句话说,花粉可以通过许多方式来繁殖植物,这些方式可以被开发成强大的优化算法。为了评估所提出的算法,使用了几个实验数据,这些数据是在室外条件下获得的并且包含各种I-V曲线,这些I-V曲线取自三种PV电池技术,即单晶,多晶和非晶。此外,将模拟结果与两种模型的实验数据进行比较。此外,应用所识别的SDM参数来预测最大功率点(MPP)处的电流,电压和功率,然后将其与从并网光伏系统(GCPVS)的实际数据获得的MPP进行比较。

    ——文章发布于2019年6月1日

相关报告
  • 《增强的领导者粒子群优化(ELPSO):一种高效的光伏(PV)单元的参数估计和模块化的领袖粒子群优化(ELPSO):一种有效的光伏(PV)单元和模块参数估计的算法。》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2017-11-04
    • 如今,光伏(PV)系统正在产生相当大的电能。光伏电池和模块的参数估计是一个热门的研究课题,在建模PV系统中起着重要的作用。这一问题通常转化为优化问题,并通过元启发式优化算法来解决。在元启发式优化算法中,粒子群优化(PSO)是一种受欢迎的基于铅的随机优化算法。然而,过早收敛是PSO的主要缺点,它不允许它在诸如PV单元/模块参数估算等多模式问题上提供高质量的解决方案。在PSO中,所有的粒子都被拉向领导者,因此领导者可以显著地影响粒子的集体性能。一个高质量的领导可以把所有的粒子都拉到搜索空间的好区域,反之亦然。因此,在这个研究中,使用了改进的PSO变体,并使用了增强的领导人PSO(ELPSO)。在ELPSO中,通过五阶段连续的突变策略来提高领导者的地位,在PV单元/模块参数估计问题上实现了更精确的电路模型参数,从而减轻了早熟收敛问题。RTC法国硅太阳能电池、stm6-40/36模块采用单晶细胞和PVM 752 GaAs薄膜电池作为研究的案例。对不同技术的各种PV单元和模块的参数估计结果表明,在大多数情况下,ELPSO比传统的PSO和其他一些技术优化算法更出色。 ——文章发布于2018年1月1日
  • 《基于季节模型和非参数估计算法的PV功率区间预测》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2019-04-16
    • 随着并网光伏(PV)的不断增加,高精度光伏发电预测变得越来越重要。现有的确定性预测方法不能促进完全有效的调度决策或电网风险分析。此外,单一模型在光伏发电预测中也具有不足的泛化能力和不稳定的预测性能。本文提出了一种替代的多模型PV功率区间预测方法,该方法考虑了功率波动特征的季节分布。首先分析PV输出功率,绝对功率偏差和相对变化率,以确定PV输出随时间波动的季节性分布特征。然后基于极端学习机(ELM)建立用于确定性预测PV功率的季节性多模型。通过核密度估计拟合确定性预测误差以完成PV功率区间预测。通过与其他方法的比较验证了所提方法的有效性。 ——文章发布于2019年5月15日