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.     

基于Simulink的光伏电池组件建模及仿真研究

将模糊控制算法应用到光伏系统最大功率点的跟踪控制中,利用MPPT方法的自身特性,采用扰动观测法,在Mat lab/Simulink下建立基于查表法的模糊控制光伏发电系统的仿真模型,Simulink仿真结果证明,该方法能使系统稳定工作在最大功率点,能快速准确地跟踪太阳能电池最大功率点,显示了模糊控制方法的优越性,改善了光伏电池转换效率低的缺点。     

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。     

一种新型日前光伏功率概率区间预测方法研究

面对大量光伏出力并网,其带来的波动性和不确定性给智能微电网的控制和设计带来了很大的挑战。因此,文章提出一种基于WD-BiLSTM-NPKDE的日前光伏功率概率区间预测方法。首先,利用小波分解方法进行数据信号分解,进一步消除随机性、波动性对预测精度的影响;其次,将分解后的分量输入到BiLSTM模型进行训练;再次,采用非参数核密度估计求解概率预测结果;最后,得到给定置信水平下的光伏功率预测区间。算例结果表明,该方法能有效得到光伏功率区间。     

基于无线传感器网络的光伏组件监测系统

提出了一种基于无线传感器网络的光伏组件远程在线监测方案;利用数字无线通信技术,设计开发了新型光伏组件远程监测系统,详细介绍了系统的组成实现原理和软硬件设计方法;对设计开发的系统进行了验证监测测试实验,监测结果表明:该系统能有效地实现对光伏组件各参数的远程在线监测,简单可靠,具有较高的工程应用及市场推广价值。     

基于支持向量机的单日多类型天气短期光伏功率预测

提出一种基于支持向量机的单日多类型天气短期光伏功率预测方法,对每个气象天气点气象类型进行判别分析,细化分类天气模型,利用分类天气模型训练数据并预测未来气象要素值,并对天气转换点修正,利用时间连续性与历史连续性修正结果.最后利用专家数据库映射数据进行气象功率预测.实验结果表明,改进后的模型可以有效改善预测效果.     

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。     

基于射频通信的光伏组件监测系统设计

分布式光伏电站的光伏组件故障定位一直是光伏电站日常维护的技术难点。针对传统监测技术的弊端,提出了一种基于射频通信的分布式自组网监测系统。采用射频自组网通信技术,通过本地监测终端设备将光伏组件电压、电流信号量的采集数据传输到集中监测终端设备,再通过以太网或GPRS通道上报到光伏组件系统监测软件。通过设计一种时间同步的方法,实现全网络的本地监测终端设备同时进行数据采集。     

水质监测组件温度补偿新方法

介绍水质监测组件的工作原理,分析电导率随温度变化的关系,指出传统电导率传感器温度补偿方法存在的问题.通过测量5-40℃纯水和冷凝水电导率,研究理论计算和处理实验数据,给出了一种新的温度补偿方法,并将该方法成功地应用于研制的水质监测组件中,为水质检测与控制系统提供有效数据,解决实际工程应用中的问题.     

基于EEMD-SVR模型的光伏功率预测

受天气因素的影响,光伏出力具有较强的不确定性和波动性,导致光伏功率的预测难度较大。针对光伏功率的预测问题,提出一种集合经验模态分解（EEMD）和支持向量回归（SVR）模型的预测方法。首先,对光伏功率进行集合经验模态分解,将光伏功率信号分解为多个特征模态分量以及一个残余分量;其次,使用SVR模型训练数据,实现分量预测;最后,结合预测分量预测光伏功率。结果表明,该模型可以实现对非平稳序列的可靠分解,并能有效提高光伏预测的平均绝对百分比误差（MAPE）性能。     

基于GA-BP算法的光伏系统发电功率预测

随着光伏产业的迅速发展,光伏发电已成为可再生能源的生力军.然而,光伏系统的发电功率受不同天气状况的影响,具有不确定性和周期性等特点.为准确预测光伏发电功率保证电网的稳定性,本文采用GA-BP(Genetic Algorithm-Back Propagation)算法对光伏系统发电功率进行预测分析,结果表明,本文提出的模型和方法可以较为准确的预测光伏系统的输出功率,具有一定的实用价值.     

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。     

基于模块化回声状态神经网络光伏发电量预测

针对光伏发电的不确定性、间歇性给电力系统并网运行带来的安全问题,提出了一种基于模块化回声状态网络模型对发电量进行预测.首先利用模块化神经网络按季节建立预测子模型,再将子模型按相同日类型进行数据划分后,与平均气温一同作为样本,利用回声状态网络对子模型进行训练和发电量预测,最后集成输出结果.结果表明:此预测模型在日类型相同时预测误差较小,而在日类型不同时预测误差较大,但与ESN和BP预测模型相比均具有更高的预测精度和更快的预测速度.     

融合级联LSTM的短期电力负荷预测

随着我国清洁能源的快速发展,分布式光伏电站得到了大力推广.在光伏电力系统运维中,电力负荷预测是影响分布式光伏电站发电、储能、传输等多个环节进行优化配置的关键因素.针对电力负荷的预测问题,提出了一种级联长短期记忆模型,将电力负荷预测划分为两个阶段:第一个阶段提取电力负荷的周期性特征,得到总体的变化趋势;第二个阶段提取负荷...     

基于湿热试验的光伏组件功率衰减与使用寿命研究

光伏组件功率衰减与使用寿命对于光伏电厂安全、经济运行具有重要意义。针对光伏组件功率衰减和使用寿命问题,在分析加速湿热条件下光伏组件归一化功率倒S形衰减规律基础上,提出以指数时间尺度变换函数对光伏组件非线性归一化功率进行变换,并运用Gamma过程对加速湿热条件下光伏组件归一化功率衰减数据进行建模,进而根据光伏组件使用寿命定义估计光伏组件使用寿命。通过加速湿热试验下光伏组件实测使用寿命与估计的使用寿命,验证了所提方法的正确性与合理性。方法表明,在50℃、45%相对湿度条件下光伏组件平均寿命近似为20~25年。与此同时,还对现有的加速退化试验进行了分析改进,探讨了运用步降加速退化试验代替传统的恒定应力加速退化试验的可能性。     

一种基于数据融合和方法融合的时空综合预测算法

时空数据挖掘是数据挖掘中的重要研究内容,其中时空预测的应用领域最为广泛.针对目前时空预测方法中的不足,提出了一种基于数据融合和方法融合的时空综合预测算法.该方法首先采用统计学原理对目标对象本身的时序进行预测;然后通过神经网络解算相邻对象的空间影响,继而对混合数据序列使用时空自回归预测模型;最后使用线性回归将单个的时间预测、空间预测和时空预测有效地融合在一起,得到综合预测结果.应用该方法预测铁路客流,突破了传统铁路客流预测方法的局限,实验结果表明了算法的有效性.     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要;遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

一种基于时间序列模型的风速预测方法

根据风速数据特点,提出一种基于时间序列的风速预测模型,对模型中的相关参数进行确定。实验结果表明,对风速进行提前1小时预测时,预测风速与实际风速较吻合,误差仅为10%,从而为大气污染物浓度确定提供有效依据。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...