基于BP神经网络的光伏阵列温度预测

针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。     

光伏阵列运行过程中温度及功率特性研究

建立了光伏电池组件的热电耦合模型,在实测气象参数的基础上,利用上述模型研究了环境温度和风速对光伏电池组件温度和功率的影响规律,并将仿真值与实测值进行了对比.从仿真值中可以发现,环境温度越低组件的温度也越低,不同环境温度下组件的温差基本等于环境温差.不同环境温度下组件的功率差随着辐照度的变化而变化,辐照度越大不同环境温度下组件的功率差也就越大.风速对组件温度和功率有一定的影响.组件的温度随着风速的增加而降低.     

光伏电池组件转换效率的研究

在环境因素不变的情况下,改变光伏电池组件所受光照强度,对光伏电池组件的填充因子、转换效率等进行测试计算,并对所得数据进行图表分析,从而获取光照强度对光伏电池组件输出性能的影响,对实现组件的最佳安装位置具有实际指导意义。     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

基于恒定电压法的最大功率点跟踪的改进

以太阳能光伏电池阵列结合单片机温度采集模块为研究对象,通过数值模拟和实验研究的方法,对太阳能光伏电池阵列的最大功率点跟踪效果进行了模拟分析与实验验证。研究结果表明：该方案在传统的恒定电压法的基础上结合单片机温度采集技术并利用温度对光伏电池输出特性的影响进行最大功率点的跟踪控制,较好地解决传统的恒定电压法中忽略了温度对光伏电池输出特性的影响、跟踪精度较差的缺点。为太阳能利用、光伏电池最大功率点跟踪的研究提供参考。     

双面发电组件功率测试方法的研究

随着科技的进步,在光伏行业中出现了越来越多的双面发电的电池和组件,双面发电的组件也越来越受客户与光伏企业的青睐。传统的太阳能电池只能在正面发电,所以组件功率的一些测试方法和标准也只是侧重单面功率测试。随着双面电池和组件的出现,现在非常有必要研究一种适用于双面发电组件功率的测试方法,在功率测试方面来给企业和客户更多的指引.本文简要概述了影响双面发电组件的功率的因素,详细叙述了一套从电池、组件、户外系统方面测量功率以及标定功率的方法,对测试双面发电组件给出了指导意义。     

光伏系统中最大功率跟踪算法仿真研究

光伏组件输出具有非线性特性,并且其输出功率受到光照、温度等因素的影响,为了提高系统效率必要对其输出功率进行跟踪控制。首先根据光伏组件的工程模型结合组件技术参数,利用Matlab/Simlink平台建立了光伏组件的计算机仿真模型,并分析了光照、温度等因素对组件输出特性的影响,然后为了消除不利的影响和克服传统定步长功率跟踪算法的缺点,在跟踪中引入了变步长大功率跟踪算法并有效进行了仿真验证。     

基于RBF-BP神经网络的光伏MPPT研究

针对光伏电池的输出特性受光照强度、温度等因素的影响而具有的非线性特性的问题,为了提高光伏发电系统的发电效率必须对其输出功率进行追踪,并且为了克服MPP追踪过程中收敛速度慢和精度低的缺点,提出了一种RBF-BP组合神经网络对光伏阵列最大功率点追踪的算法。首先通过对光伏电池输出特性的研究,确定了温度和光照强度是影响光伏电池最大功率点输出的主要因素。然后考虑这两个因素作为RBF-BP组合神经网络的输入来设计光伏阵列最大功率点追踪系统。最后,利用Matlab建立该系统的仿真模型,并进行仿真研究与分析。仿真结果表明,该系统具有最大功率点追踪的精度高,响应速度快等优点。从而有效地实现了对光伏最大功率点的追踪,提高了光伏发电系统的发电效率。     

基于FBG阵列的光伏电池板表面温度场测量与研究

针对光伏电池板表面温度场检测问题,该文使用空分复用与波分复用相结合的技术,提出了一种基于FBG阵列的光伏电池板表面温度场测量系统。该系统可在复杂环境下实现对光伏电池板表面温度的实时多点监测。同时,实验研究了光伏电池板表面温度场变化规律与太阳辐射功率之间的关系。实验结果表明,光伏电池板表面温度、环境温度与太阳能辐射功率变化情况基本相同。正常工作的光伏电池正面温度略高于背面,发生热斑故障的光伏电池背面温度略高于正面温度。该系统提高了光伏组件温度的测量效率,也为其它领域的表面温度场测量提供了借鉴和参考。此外,依据实验所得数据,可进一步优化和改进光伏电池板冷却方式,对于改善发电性能具有重要意义。     

光伏组件内部参数辨识与输出特性研究

基于光伏组件的物理模型快速准确地识别其内部参数对于预测光伏阵列的输出特性、跟踪最大功率点和电池故障模型的特性是非常重要的。而传统数学解析的参数辨识方法存在着辨识参数不准确,一般的智能优化算法精度都优于数学解析法,但现有的粒子群参数辨识方法存在着易陷入早熟和迭代次数过多等问题。对此,提出了一种改进量子粒子群算法,对光伏组件内部5参数进行准确辨识,并对其外部输出特性进行预测。通过MATLAB仿真算例和实际测试数据对该方法进行验证,证明其准确性和适用性。     

基于Pspice模拟行为模型的光伏阵列建模

根据光伏电池物理机制的数学表达式,利用Pspice仿真软件的模拟行为模型构建光伏电池的Pspice仿真模型.在此基础上,通过分析光伏阵列和光伏电池的关系及电路等效变换,建立任意功率级的PV仿真模型.该模型可以仿真任意太阳光照强度、环境温度、光伏模块参数及任意个光伏电池串并联组合下光伏阵列的I-V 、P-V特性.实验和仿真结果表明,仿真模型的输出特性与实际电池的输出特性基本一致,能较好体现光伏阵列的输出特性.模型的建立为光伏发电系统的动态仿真提供了有效的模拟输入电源.     

一种TCN的改进模型及其在短期光伏功率区间预测的应用

为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network, TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network, DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm, SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation, KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。     

基于温度测量法的光伏阵列失效组件监测系统的设计

为了解决光伏阵列电站中的光伏组件由于各种原因产生失效,不能及时发现、维护而导致较大的经济损失问题,提出了一种通过在PV组件接线盒上安装无线温度传感器,动态的监控旁路二极管温度间接监测失效组件的新方法,该方法能够在不影响光伏组件结构的情况下及时发现、定位光伏阵列中失效的光伏组件;文中对热斑效应形成和温度测量法的联系以及异常数据点的处理做了较为详细的阐述,设计了温度采集和无线传输系统的硬件电路,电路简单、可靠,成本低廉易于实现,采集精度符合设计要求;并编写了PC端的的监测系统的程序,通过对PV组件失效进行遮挡验证,结果表明基于温度测量法的光伏阵列失效组件监测系统检测结果可靠温度,易于使用。     

采用改进型SOS算法的光伏组件模型参数辨识

针对当前大部分光伏（photovoltaic,PV）模型参数辨识算法均存在准确性低和可靠性差等问题,提出了一种采用改进型共生生物搜索算法（symbiotic organisms search,SOS）的光伏组件模型参数辨识方法。首先,为提高标准SOS算法的寻优性能,提出了新的改进型SOS算法,记作ImSOS算法。该算法在标准SOS算法的生物种群初始化阶段采用了准反射学习机制;在互利共生搜索阶段采用了改进受益因子策略;在偏利共生搜索阶段采用了收缩随机数产生因子区间策略。其次,给出了采用ImSOS算法求解基于实验测量电流—电压（I-V）数据的光伏组件模型参数辨识问题的具体步骤及实现流程。最后,利用实际Sharp ND-R250A5光伏组件进行实验,通过与标准SOS算法以及其他七种新颖智能优化算法进行对比验证,结果表明了ImSOS算法在光伏组件模型参数辨识的有效性和优越性。可见ImSOS算法为准确可靠地辨识光伏组件模型参数提供了一种新的有效方法。     

The study and application of a novel hybrid system for air quality early-warning

Air quality early-warning plays a vital role in improving air quality and human health, especially multi-step ahead air quality early-warning, which is significant for both citizens and environmental protection departments. However, most previous studies have only employed simple data decomposition to perform one-step forecasting and were aimed at enhancing forecasting accuracy or stability. Little research has improved these two standards simultaneously, leading to poor forecasting performance. Because of its significance, relevant research focused on multi-step ahead air quality early-warning is especially needed. Therefore, in this paper, a novel hybrid air quality early-warning system, which consists of four modules: data preprocessing module, optimization module, forecasting module and evaluation module, is proposed to perform multi-step ahead air quality early-warning. In this system, an effective data decomposition method called the modified complete ensemble empirical mode decomposition with adaptive noise is developed to effectively extract the characteristics of air quality data and to further improve the forecasting performance. Moreover, the hybrid Elman neural network model, optimized by the multi-objective salp swarm algorithm, is successfully developed in the forecasting module and simultaneously achieves high forecasting accuracy and stability. In addition, the evaluation module is designed to conduct a reasonable and scientific evaluation for this system. Three cities in China are employed to test the effectiveness of the proposed early-warning system, and the results reveal that the proposed early-warning system has superior ability in both accuracy and stability than other benchmark models and can be used as a reliable tool for multi-step ahead air quality early-warning.     

基于变步长扰动观察法的MPPT仿真分析

为了更好地跟踪光伏发电系统的最大功率点,在MATLAB/Simulink环境下,搭建了光伏电池阵列仿真模型,根据其输出的U-I、P-I和P-U特性曲线分析了光伏电池阵列的非线性特性。基于光伏电池的动态特性,采用一种变步长的扰动观察法来实现光伏电池阵列的最大功率点跟踪。仿真结果表明,该方法能够快速稳定准确地进行最大功率点跟踪。     

基于一种改进的BP神经网络光伏电池建模

由于光伏电池具有高度非线性特性,难以建模,而传统的数学模型难以满足光伏控制系统设计和应用的要求。该文利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络技术应用到光伏阵的建模中,避开了该模块内部的复杂性。模型以太阳能日照、温度以及负载电压作为神经网络辨识模型的输入量,光伏阵输出电流为输出量,采用改进型BP算法,建立了光伏电池的动态响应模型,然后预测了最大功率点。文中给出模型的结构,训练步骤和仿真结果。仿真结果表明,方法可行,建立的模型精度较高,从而为设计光伏实时控制系统奠定了基础。     

Parameter estimation for five- and seven-parameter photovoltaic electrical models using evolutionary algorithms

Equivalent electric circuit modeling of PV devices is widely used to predict PV electrical performance. The first task in using the model to calculate the electrical characteristics of a PV device is to find the model parameters which represent the PV device. In the present work, parameter estimation for the model parameter using various evolutionary algorithms is presented and compared. The constraint set on the estimation process is that only the data directly available in module datasheets can be used for estimating the parameters. The electrical model accuracy using the estimated parameters is then compared to several electrical models reported in literature for various PV cell technologies.     

基于多层小波分解的日前太阳辐照度预测研究

由于太阳辐照度的随机波动特性,大型光伏发电并网会给电力系统的运行带来极大困难,光伏发电功率的预测是解决此问题的关键措施之一.提出了一种基于多层小波分解的太阳辐照度预测方法,首先,根据天气状态将每日的辐照度曲线划分为不同的波动模式;然后针对不同天气下的波动模式分别建立预测模型,使用多层小波分解后的数据预测第二天连续24小时的辐照度值;最后建立基于数据驱动的融合模型,将不同天气模式下的辐照度多层小波分解预测值进行融合,以获得最终的辐照度预测结果.仿真结果表明辐照度预测结果精度与小波分解层数和天气模式高度相关,且所提算法能够有效提高短期辐照度预测精度.     

Traffic Flow Data Forecasting Based on Interval Type-2 Fuzzy Sets Theory

This paper proposes a long-term forecasting scheme and implementation method based on the interval type-2 fuzzy sets theory for traffic flow data. The type-2 fuzzy sets have advantages in modeling uncertainties because their membership functions are fuzzy. The scheme includes traffic flow data preprocessing module, type-2 fuzzification operation module and long-term traffic flow data forecasting output module, in which the Interval Approach acts as the core algorithm. The central limit theorem is adopted to convert point data of mass traffic flow in some time range into interval data of the same time range (also called confidence interval data) which is being used as the input of interval approach. The confidence interval data retain the uncertainty and randomness of traffic flow, meanwhile reduce the influence of noise from the detection data. The proposed scheme gets not only the traffic flow forecasting result but also can show the possible range of traffic flow variation with high precision using upper and lower limit forecasting result. The effectiveness of the proposed scheme is verified using the actual sample application.