[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105137242B - 单相光伏逆变器在线状态监测与剩余寿命预测方法 - Google Patents

单相光伏逆变器在线状态监测与剩余寿命预测方法 Download PDF

Info

Publication number
CN105137242B
CN105137242B CN201510569859.9A CN201510569859A CN105137242B CN 105137242 B CN105137242 B CN 105137242B CN 201510569859 A CN201510569859 A CN 201510569859A CN 105137242 B CN105137242 B CN 105137242B
Authority
CN
China
Prior art keywords
photovoltaic inverter
phase photovoltaic
power mosfet
moment
phase
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510569859.9A
Other languages
English (en)
Other versions
CN105137242A (zh
Inventor
孙权
王友仁
王俊
吴袆
姜媛媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201510569859.9A priority Critical patent/CN105137242B/zh
Publication of CN105137242A publication Critical patent/CN105137242A/zh
Application granted granted Critical
Publication of CN105137242B publication Critical patent/CN105137242B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Inverter Devices (AREA)

Abstract

本发明提出一种单相光伏逆变器在线状态监测与剩余寿命预测方法，其具体步骤为：首先在线实时采集光伏逆变器为健康状态时的输入电压、输入电流、输出电压、输出电流以及功率MOSFET漏源极电流和结温；然后，采用深度神经网络模型获取光伏逆变器的状态参数基准值，并计算得到功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值；最后，基于深度神经网络模型获取被测单相光伏逆变器的状态参数值并结合其基准值进行状态评估，同时，采用高斯过程回归模型对其进行多步预测，实现其剩余寿命预测。本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，实现了其在线状态监测及剩余寿命预测，为光伏发电系统合理进行健康管理提供理论依据。

Description

单相光伏逆变器在线状态监测与剩余寿命预测方法
技术领域
本发明涉及功率变换电路故障预测与健康管理技术领域，尤其涉及一种单相光伏逆变器在线状态监测与剩余寿命预测方法。
背景技术
随着全球性化石能源逐渐短缺及气候变暖引发的能源与环境危机日益突出，太阳能光伏发电以其资源丰富、分布广泛、开发利用前景广阔等优势成为最具有前景的可再生能源。光伏逆变器是整个光伏发电系统的核心部件，它将光伏组件发出的直流电力逆变成所需求的交流电力，同时还具有最大功率跟踪控制功能、故障保护等功能。美国锐拓集团及桑迪亚实验室研究发现光伏逆变器是引起光伏发电系统故障的最主要原因，并且其失效率高达51％。另外，逆变器一般与系统共同放置于户外，长期经受季节天气变化的极寒极热恶劣环境以及工作状态时存在过电流、过电压、频率扰动等因素影响。因此，为实现光伏发电系统稳定、可靠、安全的长期运行，需要对其实施在线状态监测及剩余寿命预测，从而便于对其进行视情维修，以避免或降低故障引起的风险及维修成本。
目前，国内外相关研究机构对单相光伏逆变器的在线状态监测及剩余寿命预测相对较少，主要是针对电路中的单个元器件进行离线方式的状态评估或剩余寿命预测，国内相关研究机构较多采用性能退化数据的方式进行可靠性分析。另外，单相光伏逆变器在实际运行情形下，受到诸多外界因素影响，如环境温度、输入电压扰动等。因此，如何确定单相光伏逆变器的状态参数以及如何预测其剩余寿命成为亟需解决的问题。
本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，采用深度神经网络模型对其进行在线状态评估，同时，依据功率MOSFET导通电阻的历史时间序列建立高斯过程回归模型进行多步预测，实现剩余寿命预测。
发明内容
本发明的目的在于提供一种单相光伏逆变器在线状态监测与剩余寿命预测方法，通过采集健康状态时单相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率MOSFET的漏源极电流和结温，建立深度神经网络模型，确定单相光伏逆变器的状态参数基准值；并计算功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值。基于深度神经网络模型对被测单相光伏逆变器进行在线状态评估，同时，采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当导通电阻预测值首次达到失效阈值时，即可得到单相光伏逆变器的剩余寿命。
为实现上述目的，本发明的单相光伏逆变器在线状态监测与剩余寿命预测方法，具体包括以下步骤：
步骤1、获取单相光伏逆变器为健康状态时的状态参数基准值及单相光伏逆变器的失效阈值，其具体步骤如下：
步骤1.1、定义在环境温度为25℃、输入电压为额定工作电压条件下，性能满足要求的单相光伏逆变器的状态为健康状态；等时间间隔连续采集单相光伏逆变器在p个时刻点的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率MOSFET的漏源极电流IDS(n)和结温Tj(n)，其中，n＝1，2，...，p；
步骤1.2、采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h1，...，hu)＝P(v|h1)P(h1|h2)…P(hu-2|hu-1)P(hu-1|hu)，其中，u为隐含层个数；依据步骤1.1采集的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)和功率MOSFET的结温Tj(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；确定深度神经网络模型的输入维数为5和输出维数为1；然后，采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；最后，根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC(n)；
步骤1.3、计算单相光伏逆变器为健康状态时的状态参数基准值
步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值其中且RDS(n)为第n时刻点的导通电阻值；定义当功率MOSFET导通电阻值增大到其基准值RDS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2RDS0；
步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在tm时刻的状态参数值并与状态参数基准值进行比较，判断tm时刻被测单相光伏逆变器的状态，其状态评估准则如下：
(1)当时，被测单相光伏逆变器为正常状态；
(2)当时，被测单相光伏逆变器为微弱退化状态；
(3)当时，被测单相光伏逆变器为严重退化状态；
(4)当时，被测单相光伏逆变器为临近失效状态；
步骤3、以功率MOSFET在t1，t2，…，tm时刻的导通电阻作为历史时间序列数据，其中z＝1，2，...，m；选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置；确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量输出向量从而预测步数即为τ；当预测到tm+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在tm时刻的剩余寿命为
本发明结合单相光伏逆变器多个性能参数并考虑功率MOSFET的结温影响，分别建立深度神经网络模型对其进行在线状态监测及高斯过程回归模型进行多步预测，实现剩余寿命预测，可对光伏发电系统进行有效合理的视情维修，降低故障风险及维护维修成本，为其长期安全、稳定、高效运行提供保障。
附图说明
图1是单相光伏逆变器原理图；
图2是单相光伏逆变器在线状态监测与剩余寿命预测流程图；
具体实施方式
具体实施方式
下面结合说明书附图对本发明的技术方案进行详细说明。
如图2所示，通过采集健康状态时单相光伏逆变器的输入电压、输入电流、输出电压、输出电流以及功率MOSFET的漏源极电流和结温，建立深度神经网络模型，确定单相光伏逆变器的状态参数基准值，并计算功率MOSFET导通电阻基准值，确定单相光伏逆变器的失效阈值。基于深度神经网络模型对被测单相光伏逆变器进行在线状态评估，同时，采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当导通电阻预测值首次达到失效阈值时，即可得到单相光伏逆变器的剩余寿命。
单相光伏逆变器在线状态监测与剩余寿命预测方法，具体实施方式如下：
步骤1、获取单相光伏逆变器为健康状态时的状态参数基准值及单相光伏逆变器的失效阈值，其具体步骤如下：
步骤1.1、定义在环境温度为25℃、输入电压为额定工作电压条件下，性能满足要求的单相光伏逆变器的状态为健康状态；等时间间隔连续采集单相光伏逆变器在p个时刻点的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率MOSFET的漏源极电流IDS(n)和结温Tj(n)，其中，n＝1，2，...，p；
步骤1.2、采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h1，...，hu)＝P(v|h1)P(h1|h2)…P(hu-2|hu-1)P(hu-1|hu)，其中，u为隐含层个数；确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤1.1采集的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)和功率MOSFET的结温Tj(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；然后，采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；最后，根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC(n)；
步骤1.3、计算单相光伏逆变器为健康状态时的状态参数基准值
步骤1.4、依据步骤1.1采集的数据计算第n时刻点单相光伏逆变器中功率MOSFET的导通电阻值其中从而获取光伏逆变器为健康状态时功率MOSFET的导通电阻基准值定义当功率MOSFET导通电阻值增大到其基准值RDS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2RDS0；
步骤2、获取被测单相光伏逆变器在tm时刻的输入电压输入电流输出电压输出电流以及功率MOSFET的漏源极电流和结温将输入电压输入电流输出电压输出电流和功率MOSFET的结温作为步骤1中已建立的深度神经网络模型的输入量，获取tm时刻单相光伏逆变器的状态参数值依据如下状态判断准则评估当前时刻单相光伏逆变器的状态：
(1)当时，被测单相光伏逆变器为正常状态；
(2)当时，被测单相光伏逆变器为微弱退化状态；
(3)当时，被测单相光伏逆变器为严重退化状态；
(4)当时，被测单相光伏逆变器为临近失效状态；
步骤3、计算被测单相光伏逆变器中功率MOSFET在t1，t2，…，tm时刻的导通电阻其中建立高斯过程回归模型对其进行多步预测，实现剩余寿命预测，其具体步骤如下：
(3.1)以功率MOSFET在t1，t2，…，tm时刻的导通电阻作为历史时间序列数据；
(3.2)选择平方指数函数作为高斯回归过程模型的核函数，并设置平方指数函数的超参数初始值均为零；使用共轭梯度优化算法迭代学习求解超参数的最优值，其中迭代次数设置为100次；
(3.3)确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量输出向量从而预测步数即为τ；
(3.4)采用已建立的高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预测到tm+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在tm时刻的剩余寿命为

Claims (2)

1.单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，具体包括以下步骤：
步骤1、获取单相光伏逆变器为健康状态时的状态参数基准值及单相光伏逆变器的失效阈值，其具体步骤如下：
步骤1.1、定义在环境温度为25℃、输入电压为额定工作电压条件下，性能满足要求的单相光伏逆变器的状态为健康状态；等时间间隔连续采集单相光伏逆变器在p个时刻点的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率MOSFET的漏源极电流IDS(n)和结温Tj(n)，其中，n＝1，2，...，p；
步骤1.2、建立深度神经网络模型，进行单相光伏逆变器在线状态评估，该模型的输入量为输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)以及功率MOSFET的结温Tj(n)，输出量为单相光伏逆变器的状态参数值SC(n)；
步骤1.3、计算单相光伏逆变器为健康状态时的状态参数基准值
步骤1.4、获取单相光伏逆变器为健康状态时功率MOSFET的导通电阻基准值其中且RDS(n)为第n时刻点的导通电阻值；定义当功率MOSFET导通电阻值增大到其基准值RDS0的1.2倍时，单相光伏逆变器的剩余寿命为零，即单相光伏逆变器的失效阈值F＝1.2RDS0；
步骤2、根据步骤1中建立的深度神经网络模型，获取被测单相光伏逆变器在tm时刻的状态参数值并与状态参数基准值进行比较，判断该时刻被测单相光伏逆变器的状态；tm时刻被测单相光伏逆变器的状态评估准则如下：
(1)当时，被测单相光伏逆变器为正常状态；
(2)当时，被测单相光伏逆变器为微弱退化状态；
(3)当时，被测单相光伏逆变器为严重退化状态；
(4)当时，被测单相光伏逆变器为临近失效状态；
步骤3、计算被测单相光伏逆变器中功率MOSFET在t1，t2，…，tm时刻的导通电阻采用高斯过程回归模型对功率MOSFET导通电阻进行多步预测，当预测到tm+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在tm时刻的剩余寿命；具体包括以下四个步骤：
A、以功率MOSFET在t1，t2，…，tm时刻的导通电阻作为历史时间序列数据，其中z＝1，2，...，m；
B、选择平方指数函数作为高斯回归过程模型的核函数，并对超参数寻优设置；
C、确定高斯回归过程模型的嵌入维数为w和延迟时间为τ，构建该模型的输入向量输出向量从而预测步数即为τ；
D、当预测到tm+q时刻的导通电阻预测值首次大于失效阈值F时，则可得到单相光伏逆变器在tm时刻的剩余寿命为
2.根据权利要求1所述的单相光伏逆变器在线状态监测与剩余寿命预测方法，其特征在于，步骤1中建立深度神经网络模型，进行单相光伏逆变器在线状态评估的具体步骤如下：
(2.1)采用深度信念网络构建深度神经网络模型，对于输入层v和隐含层h的联合概率分布表示为：P(v，h1，...，hu)＝P(v|h1)P(h1|h2)…P(hu-2|hu-1)P(hu-1|hu)，其中，u为隐含层个数；
(2.2)确定深度神经网络模型的输入维数为5和输出维数为1，依据步骤1.1采集的输入电压Vi(n)、输入电流Ii(n)、输出电压Vo(n)、输出电流Io(n)和功率MOSFET的结温Tj(n)作为模型输入样本数据，采用逐层贪心算法对深度神经网络模型进行无监督方式训练；
(2.3)采用监督学习方式把输入样本数据作为监督数据，根据最大似然函数，对深度神经网络进行微调；
(2.4)根据确定好的深度神经网络模型，得到单相光伏逆变器的状态参数值SC(n)。
CN201510569859.9A 2015-09-09 2015-09-09 单相光伏逆变器在线状态监测与剩余寿命预测方法 Expired - Fee Related CN105137242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510569859.9A CN105137242B (zh) 2015-09-09 2015-09-09 单相光伏逆变器在线状态监测与剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510569859.9A CN105137242B (zh) 2015-09-09 2015-09-09 单相光伏逆变器在线状态监测与剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN105137242A CN105137242A (zh) 2015-12-09
CN105137242B true CN105137242B (zh) 2018-04-13

Family

ID=54722658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510569859.9A Expired - Fee Related CN105137242B (zh) 2015-09-09 2015-09-09 单相光伏逆变器在线状态监测与剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN105137242B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108107864B (zh) * 2016-11-24 2021-02-05 中国铁路总公司 一种计算机联锁系统服役寿命预测评估方法
TWI634447B (zh) * 2016-12-30 2018-09-01 財團法人工業技術研究院 加熱元件的狀態診斷與評估方法及其應用
US10992257B2 (en) 2017-03-16 2021-04-27 Solarcity Corporation State of health mechanisms for energy generation systems
CN107121926A (zh) * 2017-05-08 2017-09-01 广东产品质量监督检验研究院 一种基于深度学习的工业机器人可靠性建模方法
CN108764548B (zh) * 2018-05-18 2021-06-29 杭州电子科技大学 基于天空亮度信息动态关联的光伏发电在线短期预测方法
CN109508909B (zh) * 2018-12-25 2023-04-07 上海电气分布式能源科技有限公司 光伏逆变器的健康度的评估方法及系统
CN110927552A (zh) * 2019-12-12 2020-03-27 中车大连电力牵引研发中心有限公司 在线监测vce_on的辅助逆变器igbt功率模块失效预测方法及装置
CN111325403B (zh) * 2020-02-26 2023-07-11 长安大学 一种公路隧道机电设备剩余寿命预测方法
CN112051468A (zh) * 2020-09-08 2020-12-08 南京航空航天大学 一种复杂工况下航空静止变流器健康状态评估方法
CN112636396B (zh) * 2020-12-24 2023-05-09 国网河北省电力有限公司电力科学研究院 光伏配电网控制方法及终端
CN113642895B (zh) * 2021-08-16 2023-12-12 中国科学院电工研究所 一种离网光伏电站的剩余性能评估方法
CN113572202B (zh) * 2021-08-24 2023-02-28 华北电力大学（保定） 一种基于寿命估计的分布式光伏电源自适应协调控制策略
CN113595143B (zh) * 2021-08-24 2023-09-15 华北电力大学（保定） 一种基于寿命估计的分布式光伏电源pv配置比和功率限值整定方法
CN113595142B (zh) * 2021-08-24 2023-09-12 华北电力大学（保定） 一种考虑光伏组件配置和功率跟踪限值影响的光伏逆变器寿命评估方法
CN113762509B (zh) * 2021-09-09 2023-02-03 浙江腾腾电气有限公司 基于dsp双闭环的逆变器及其补偿方法
CN113987804B (zh) * 2021-10-29 2024-02-13 合肥工业大学 一种mos场效应管的健康水平和剩余使用价值评价方法
CN116231624A (zh) * 2022-12-07 2023-06-06 中国电建集团贵阳勘测设计研究院有限公司 用于评估光伏电站经济效益的光伏组件输出功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102593862A (zh) * 2012-02-02 2012-07-18 广西师范大学 一种光伏并网逆变器及其控制方法
CN103630785A (zh) * 2013-12-04 2014-03-12 安徽理工大学 光伏逆变器复合粒子过程在线剩余寿命评估方法
CN104881001A (zh) * 2014-04-25 2015-09-02 安徽贵博新能科技有限公司 一种基于深度学习网络的储能电池管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10079317B2 (en) * 2013-07-15 2018-09-18 Constantine Gonatas Device for smoothing fluctuations in renewable energy power production cause by dynamic environmental conditions

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102593862A (zh) * 2012-02-02 2012-07-18 广西师范大学 一种光伏并网逆变器及其控制方法
CN103630785A (zh) * 2013-12-04 2014-03-12 安徽理工大学 光伏逆变器复合粒子过程在线剩余寿命评估方法
CN104881001A (zh) * 2014-04-25 2015-09-02 安徽贵博新能科技有限公司 一种基于深度学习网络的储能电池管理系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Analysis of the Effects of a Passing Cloud on a Grid-Interactive Photovoltaic System with Battery Storage using Neural Networks;Francois Giraud 等;《Transactions on Energy Conversion》;19991231;第14卷(第4期);1572-1577 *
Online Tuned Neural Networks for Fuzzy Supervisory Control of PV-Battery Systems;Lucio Ciabattoni 等;《IEEE》;20131231;全文 *
基于特征参数退化的DC/DC变换器故障预测;吴炜 等;《仪器仪表学报》;20130630;第34卷(第6期);1380-1387 *

Also Published As

Publication number Publication date
CN105137242A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
CN105137242B (zh) 单相光伏逆变器在线状态监测与剩余寿命预测方法
Ciulla et al. Forecasting the cell temperature of PV modules with an adaptive system
Celik Artificial neural network modelling and experimental verification of the operating current of mono-crystalline photovoltaic modules
Moyo et al. Design and modeling of the ANFIS-based MPPT controller for a solar photovoltaic system
CN102594215B (zh) 一种光伏电站模型参数辨识方法
Sharma et al. A novel approach for maximum power tracking from curved thin-film solar photovoltaic arrays under changing environmental conditions
CN101047315A (zh) 控制发电系统运行的系统、方法和制品
CN101047316A (zh) 确定与电网相关联的参数值的系统、方法和制品
Rouibah et al. IoT‐based low‐cost prototype for online monitoring of maximum output power of domestic photovoltaic systems
CN107453396B (zh) 一种分布式光伏电源出力的多目标优化调度方法
CN104050517A (zh) 基于grnn神经网络的光伏发电预测方法
Houssein et al. Monitoring and fault diagnosis of photovoltaic panels
Almaktar et al. Artificial neural network‐based photovoltaic module temperature estimation for tropical climate of Malaysia and its impact on photovoltaic system energy yield
Marco Tina Simulation model of photovoltaic and photovoltaic/thermal module/string under nonuniform distribution of irradiance and temperature
CN106055019B (zh) 基于在线软测量模型的最大功率点跟踪的光伏发电系统
Liu et al. A fault detection and diagnosis technique for solar system based on Elman neural network
CN103995559B (zh) 一种基于环境参数模型的定电压mppt控制方法和系统
CN106849151A (zh) 一种光伏电站接入电网点电压闪变评估检测方法
Ayesh et al. Design of wireless sensor network for monitoring the performance of photovoltaic panel
CN115840119A (zh) 利用数据库样本的电力电缆线路劣化诊断系统及方法
CN105514975A (zh) 一种光伏发电系统的能效预测方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
Graditi et al. Performance estimation of a thin-film photovoltaic plant based on an artificial neural network model
KR102581386B1 (ko) 태양광 패널의 최대 전력을 추정하는 mpp 추정 장치, 이를 포함하는 태양광 발전 제어 시스템 및 방법
Rajput et al. Impact of Solar Intensity on Photovoltaic-Generated Current Harmonics and Transformer Life: A Mathematical Model With Experimental Validation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Sun Quan

Inventor after: Wang Youren

Inventor after: Wang Jun

Inventor after: Wu Xiao

Inventor after: Jiang Yuanyuan

Inventor before: Sun Quan

Inventor before: Wang Youren

Inventor before: Wu Dai

Inventor before: Jiang Yuanyuan

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180413

Termination date: 20200909