本文關鍵詞：光伏發(fā)電系統(tǒng)數(shù)據(jù)采集實驗平臺的設計及辨識建模

  更多相關文章： 光伏電池 實驗平臺 溫度 辨識建模 極限工況

【摘要】：太陽能,由于其可再生性及無污染性,具有極其廣闊的應用前景。隨著光伏產(chǎn)業(yè)的不斷興起和世界各國政府對光伏項目的大力支持,光伏發(fā)電在電力系統(tǒng)乃至新能源中所占的比重越來越重。而作為整個光伏發(fā)電系統(tǒng)的唯一能量來源——光伏電池,基于系統(tǒng)辨識所建立的精確光伏電池模型是光伏發(fā)電系統(tǒng)進行仿真、分析及預測的基礎、前提和核心。但由于光伏電池的輸出特性受溫度影響敏感,需要對光伏電池隨溫度的輸出影響進行定量分析。然而在實際工況中,光伏電池溫度為影響光伏電池輸出特性的主要溫度因素,并不能由空氣溫度所代替。綜上,搭建光伏發(fā)電系統(tǒng)的實驗平臺,建立光伏電池溫度模型,基于系統(tǒng)準確性、可靠性和穩(wěn)定性分別建立光伏電池單體/模組/陣列模型成為整個光-儲聯(lián)合供電系統(tǒng)的首要理論基礎。本文首先基于系統(tǒng)辨識的理論要求,分別搭建了實時追日的光伏陣列,光伏電池測溫實驗平臺和光伏發(fā)電系統(tǒng)數(shù)據(jù)采集實驗平臺。隨后確定光伏電池溫度物理機理,將空氣溫度、太陽總輻射強度和風速分別作為模型輸入變量,將光伏電池溫度作為輸出變量,分別建立了基于差分進化算法(Differential Evolution Algorithm,DE)的光伏電池穩(wěn)態(tài)熱模型和基于粒子群優(yōu)化支持向量機(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)的精確預測模型。其次,在理想工況下,為確保建模的準確性,在獲得相應的實驗數(shù)據(jù)的前提下,分別建立了光伏電池單體/模組的物理數(shù)學模型并采用DE算法的系統(tǒng)辨識理論和函數(shù)優(yōu)化功能分別提取了模型未知參數(shù)和特殊參數(shù),獲得了在理想工況下的辨識模型。再次,充分考慮光伏發(fā)電系統(tǒng)的工作可靠性:在定量分析光伏電池的反向特性的基礎上提出了光伏電池的工作可靠性要求——采用旁路二極管集成技術,即在光伏模組接收到太陽輻射非均一工況下建立相應的光伏模組模型并提取模型未知參數(shù);隨后將阻塞二極管引入光伏陣列并建立了相應的輸出模型。最后,充分考慮光伏發(fā)電系統(tǒng)的工作穩(wěn)定性:建立了基于非線性結電容和寄生電感的光伏電池動態(tài)模型,給出了模型參數(shù)提取方法;在此基礎上,分別定量分析了考慮溫度在理想工況和極限工況下分別對光伏電池輸出特性的影響。研究結果表明,搭建的數(shù)據(jù)采集實驗平臺滿足數(shù)據(jù)采集高精度、多路采集的基本要求;采用系統(tǒng)辨識方法建立的光伏電池單體/模組模型和光伏電池溫度模型無論在模型選擇、辨識算法選擇以及建模準確性方面在不同實際工況中都取得了較理想的效果。
【關鍵詞】：光伏電池 實驗平臺 溫度 辨識建模 極限工況
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM615;TP274.2
【目錄】：

• 摘要4-5
• Abstract5-10
• 1.引言10-18
• 1.1 光伏電池發(fā)展史及光伏發(fā)電系統(tǒng)研究現(xiàn)狀10-12
• 1.2 光伏電池溫度研究現(xiàn)狀12-13
• 1.3 光伏電池建模綜述13-16
• 1.4 本文主要研究內(nèi)容16-18
• 2 光伏發(fā)電系統(tǒng)數(shù)據(jù)采集實驗平臺的設計18-32
• 2.1 引言18
• 2.2 光伏發(fā)電系統(tǒng)平臺的搭建及數(shù)據(jù)采集總體要求18-19
• 2.3 數(shù)據(jù)采集系統(tǒng)下位機的設計19-22
• 2.4 傳感器信號標定22-28
• 2.4.1 電壓采集參數(shù)辨識22-23
• 2.4.2 電流采集參數(shù)辨識23-25
• 2.4.3 溫度采集參數(shù)辨識25-27
• 2.4.4 風速采集參數(shù)辨識27-28
• 2.4.5 太陽總輻射強度采集28
• 2.5 數(shù)據(jù)采集系統(tǒng)上位機的設計28-30
• 2.6 數(shù)據(jù)采集系統(tǒng)其他部分的設計30
• 2.7 光伏發(fā)電系統(tǒng)數(shù)據(jù)采集實驗平臺30-31
• 2.8 總結31-32
• 3 光伏電池溫度模型辨識及預測模型32-46
• 3.1 引言32
• 3.2 光伏電池溫度機理32-33
• 3.3 光伏電池溫度采集實驗33-34
• 3.4 光伏電池穩(wěn)態(tài)熱模型34-39
• 3.4.1 差分進化算法35-36
• 3.4.2 基于DE的光伏電池穩(wěn)態(tài)熱模型辨識36-39
• 3.5 光伏電池的熱遲滯效應39
• 3.6 光伏電池溫度精確預測模型39-44
• 3.6.1 支持向量回歸機40-41
• 3.6.2 粒子群優(yōu)化算法尋優(yōu)41-43
• 3.6.3 基于PSO-SVM的光伏電池精確預測模型43-44
• 3.7 總結44-46
• 4 在理想工況下光伏電池的模型辨識46-68
• 4.1 光伏電池模型概述46-50
• 4.2 BPNN機器學習理論50-51
• 4.3 基于DE的光伏電池單體模型辨識51-60
• 4.3.1 單指數(shù)模型51-55
• 4.3.2 雙指數(shù)模型55-57
• 4.3.3 三指數(shù)模型57-59
• 4.3.4 小結59-60
• 4.4 基于DE的光伏模組模型辨識60-64
• 4.4.1 單指數(shù)模型60-62
• 4.4.2 雙指數(shù)模型62-63
• 4.4.3 小結63-64
• 4.5 溫度對光伏電池輸出特性的影響64-67
• 4.6 總結67-68
• 5 局部陰影下光伏電池的辨識建模68-80
• 5.1 光伏電池的反向特性及可靠性68-70
• 5.2 考慮旁路二極管的光伏模組模型辨識70-77
• 5.2.1 旁路二極管的配置70
• 5.2.2 Lambert-W函數(shù)70-71
• 5.2.3 基于DE的包含旁路二極管的光伏模組模型參數(shù)辨識71-77
• 5.3 考慮阻塞二極管的光伏陣列模型辨識77-79
• 5.4 溫度對光伏電池反向特性的影響79
• 5.5 總結79-80
• 6 光伏電池的動態(tài)模型80-90
• 6.1 引言80
• 6.2 光伏電池動態(tài)模型及動態(tài)參數(shù)提取80-84
• 6.2.1 光伏電池動態(tài)模型80-81
• 6.2.2 光伏電池動態(tài)參數(shù)提取81-84
• 6.3 光伏電池瞬態(tài)特性84-87
• 6.4 溫度和串并聯(lián)個數(shù)對非線性等效結電容的影響87-89
• 6.5 小結89-90
• 結論90-92
• 致謝92-93
• 參考文獻93-100
• 附錄A 光伏電池在理想工況下的穩(wěn)態(tài)模型推導過程（方程 4.5）100-107
• 攻讀學位期間的研究成果107

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 楊秀芳;趙昆;李倩倩;杜江濤;王存達;馮列峰;;GaN基450nm波長LD在閾值處的反常電學特性[J];光電子·激光;2015年06期

2 趙守仁;黃志鵬;孫雷;孫朋超;張傳軍;鄔云驊;曹鴻;黃志明;王善力;褚君浩;;基于雙結模型非理想太陽能電池伏安特性參數(shù)數(shù)值分析[J];紅外與毫米波學報;2013年05期

3 肖文波;劉萌萌;胡方雨;吳華明;;基于LambertW函數(shù)提取太陽電池五參數(shù)的方法及光強對參數(shù)影響的規(guī)律[J];科學通報;2014年36期

4 簡獻忠;魏凱;郭強;;蜂群算法在太陽能電池參數(shù)辨識中的應用[J];測控技術;2015年07期

5 高獻坤;姚傳安;高向川;余泳昌;;光伏電池組件隱式、顯式單二極管模型準確性對比研究[J];物理學報;2014年17期

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 朱圳;戶用型光伏并網(wǎng)逆變器軟件系統(tǒng)的研究[D];東華大學;2014年

2 鮮映霞;納米硅太陽電池優(yōu)化設計及I-V方程顯式求解研究[D];華中科技大學;2013年

3 劉萌萌;太陽電池性能參數(shù)的提取方法和影響因素的研究[D];南昌航空大學;2014年

，

本文編號：972647