基于贝叶斯优化卷积神经网络的路面光伏阵列最大功率点电压预测方法

路面光伏阵列上快速行驶的车辆,所形成的车辆阴影具有复杂的动态随机分布特性,将导致路面光伏阵列的输出功率-电压(P-V)特性曲线呈现动态多峰特性,给路面光伏阵列最大功率点跟踪(maximumpowerpointtracking,MPPT)控制带来挑战。基于此,文中提出一种基于贝叶斯优化(Bayesianoptimization,BO)卷积神经网络(convolutional neural network,CNN)的路面光伏阵列最大功率点电压预测方法。首先,将路面光伏阵列的光照和温度的环境信息以图像形式输入基于贝叶斯优化CNN的最大功率点电压预测模型进行学习;然后,利用训练出的预测模型,对当前时刻下路面光伏阵列最大功率点工作电压进行预测;最后,仿真和试验结果表明,提出的预测模型具有良好的适应性,能够精准预测不同车辆阴影工况下的路面光伏阵列最大功率点工作电压,尤其是大幅度提高最大功率点工作电压的预测速度,为动态随机车辆阴影下路面光伏阵列的最大功率点跟踪控制奠定基础。

太阳电池模型参数对并联组件输出特性的影响

根据太阳电池I-V方程和基本电路联接理论,推导出选择具有相同最大功率点电压V_m的单体太阳电池组成并联组件可以获得最大输出功率;分别计算出二极管理想因子A,短路电流I_(sc),反向饱和电流I_o,电池串联内阻R_s对最大功率点电压V_m和组件失配损失的影响,确定出对它们影响最大的模型参数是二极管理想因子A。

阴影遮挡下的光伏组件特性分析

在阴影遮挡情况下,光伏组件的输出特性及最大功率点电压根据遮挡的情况不同而不同,因此对输出特性和最大功率点电压随遮挡情况变化的关系的研究具有重大意义。本文首先分析了实际光伏电站的常见分布方式的输出特性,通过仿真分析得出在遮挡情况下电池板输出特性与遮挡组串和光照强度变化的关系。根据此关系在遮挡情况下将更好的定位最大功率点电压,从而输出最大功率。

An Integrated System for Active Filter and Photovoltaic Energy Conversion

This paper focuses on the implementation of a three-phase four-wire current-controlled Voltage Source Inverter （CC-VSI） as both power quality improvement and Photovoltaic （PV） energy extraction. For power quality improvement, the CC-VSI works as a grid current-controller shunt active power filter. Then, the PV array supported by the Hill- Climbing maximum power point tracking （MPPT） controller is coupled to the DC bus of the CC-VSI. The output of the MPPT controller is a DC voltage that determines the DC-bus voltage according to the PV maximum power. From computer simulation results, the CC-VSI is able to compensate for the harmonic and reactive power as well as to extract the PV maximum power.