[发明专利]一种光伏电池最大功率点跟踪方法及装置有效
申请号: | 202110181915.7 | 申请日: | 2021-02-08 |
公开(公告)号: | CN112947672B | 公开(公告)日: | 2022-09-02 |
发明(设计)人: | 岳东;施鹏程;窦春霞;张智俊;丁孝华;李延满;赵景涛;罗剑波 | 申请(专利权)人: | 南京邮电大学;国网电力科学研究院有限公司 |
主分类号: | G05F1/67 | 分类号: | G05F1/67 |
代理公司: | 南京纵横知识产权代理有限公司 32224 | 代理人: | 孙永生 |
地址: | 210046 *** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 电池 最大 功率 跟踪 方法 装置 | ||
1.一种光伏电池最大功率点跟踪方法,其特征在于,包括以下步骤:
步骤A:令光伏电池板进入运行状态,采集状态数据,进行数据预处理,获得预处理后的数据;
步骤B:将所述预处理后的数据输入注意力机制和循环神经网络模型,得出光伏发电装置的光伏最大功率点对应的预测电压值Um和预测功率值Pm,调节光伏电池板的输出电压Uy,使Uy=Um,检测光伏电池板的实际功率值Py;
步骤C:将预测功率值Pm和实际功率值Py进行比较,判断是否出现环境条件突变;若环境突变,则跳转步骤F;若环境未突变,则跳转步骤D;
步骤D:根据所述预测功率值和实际功率值调整占空比值;
步骤E:根据所述占空比值,调节逆变器使之输出最大功率值,同时输出此时的占空比值和最大功率值;
步骤F:环境突变,通过历史数据对注意力机制和循环神经网络模型进行训练,获得重新训练好的注意力机制和循环神经网络模型,并跳转步骤B。
2.根据权利要求1所述的光伏电池最大功率点跟踪方法,其特征在于,所述状态数据包括温度、光照幅度、电压、电流、功率、时间;所述数据预处理包括:去除状态数据中的异常数据,通过相邻数据记录平均值代替异常数据。
3.根据权利要求1所述的光伏电池最大功率点跟踪方法,其特征在于,所述注意力机制和循环神经网络模型包括两个LSTM层,Attention层和全连接层;输入状态量从输入层开始,经过两层LSTM层输出处理后的向量给Attention层,Attention层依据当前输入向量计算出权重值,然后将权重值与当前输入向量合并得到新的向量,输入到全连接层中得到预测值。
4.根据权利要求3所述的光伏电池最大功率点跟踪方法,其特征在于,所述注意力机制和循环神经网络模型的构建方法包括以下步骤:
建立输入层;
建立LSTM层;
建立Attention层;
进入Attention编码器,将所述历史数据进行向量表示,连结成矩阵作为输入;通过encoder层得到每个时间间隔内的各个状态量内部的联系;
建立输出层。
5.根据权利要求1所述的光伏电池最大功率点跟踪方法,其特征在于,所述注意力机制和循环神经网络模型的训练方法包括以下步骤:
输入历史数据集x(k)=(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练,x(k)为第k个输入样本,x1(k),x2(k),...,xn(k)分别为该样本的状态量,所述状态量包括温度,光照幅度,电压,电流和时间;
将状态量x1(k),x2(k),...,xn(k)进行向量表示,连结成矩阵作为输入;
通过encoder层得到每个时间间隔内的各个状态量内部的联系,得到每个状态量内部的动态相关性和每个状态量内部各状态值的权重值。
6.根据权利要求5所述的光伏电池最大功率点跟踪方法,其特征在于,所述输入历史数据集x(k)=(x1(k),x2(k),...,xn(k))进入LSTM层和Attention层训练的方法具体包括:
将历史数据集分成测试集和训练集进行Attention机制和LSTM神经网络模型的训练,选用7个因子作为输入特征,设置了两层LSTM层来进行拟合训练,第一层LSTM层设置神经元个数为128,第二层神经元个数为64,步长设置为10。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京邮电大学;国网电力科学研究院有限公司,未经南京邮电大学;国网电力科学研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110181915.7/1.html,转载请声明来源钻瓜专利网。