面向直驱风力发电系统的控制算法优化设计

针对直驱风力发电机组的功率输出不稳定、频率波动超出安全范围问题,该文提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。以直驱风力发电系统的频率误差和输出功率为优化目标函数,并将系统的频率变化及风力发电机的转矩限制作为约束条件,利用时间卷积神经网络(TCN)与门控循环单元(GRU)构建预测模型。可行性验证结果表明,在低风速及高风速下有功功率输出的标准差分别为0.04 MW及0.05 MW,轴转矩标准差分别为0.01 MNm与0.05 MNm,推力标准差分别为0.04 MN和0.05 MN,证明了该策略可有效降低直驱风力发电系统输出功率的频率波动。

SOFM-LM-BP神经网络在光伏发电量预测中的应用

针对并网型光伏电站发电量具有间歇性、易对大电网造成冲击等特点,分析影响光伏电站发电量的主要气象因素,包括辐照度、天气类型、温度,建立了一种基于SOFM-LM-BP神经网络发电量预测模型。该模型采用SOFM神经网络对输入样本进行分类,再将分类后的样本采用LM学习算法训练,从而得到光伏发电量的预测系统。通过预测值与真实值对比可知,该预测模型的预测精度较高,克服陷入局部极小值等缺点。

基于电流可逆斩波电路的光伏储能系统建模与仿真

针对由于光伏发电系统出力的随机性和波动性而导致的储能系统中蓄电池充电电流不稳定的问题,研究了基于电流可逆斩波电路的超级电容器和蓄电池混合储能的理论依据和电路结构。首先在理论上分析了现有混合储能系统并联方式的不足以及电流可逆斩波电路的优势,该电路通过控制开关管的工作状态来调节输入侧的电压及控制电流方向,实现超级电容器和蓄电池之间能量的转移。其次,通过在MATLAB上建立电路模型,设计合理的仿真实验,验证了经电流可逆斩波电路并联的混合储能结构,能使铅酸蓄电池的充电电流和电压更稳定。

光伏电站应对电费回收风险措施及经济性分析

分布式光伏电站所在的屋顶企业可能面临经营不善的情况,当屋顶企业濒临破产,电费支付困难时,应做提前谋划,提出应对策略,并分析其可行性。本文通过对某分布式光伏电站由"低压余额"上网模式改成"高压全额"的方案和屋顶租金抵扣部分电费,剩余企业电费无法回收的方案进行了分析,通过计算第2年-25年收益,选择最佳应对策略。