光伏发电系统功率预测及控制技术研究
发布时间：2021-10-24 11:08
在化石生物燃料日渐稀缺的经济发展背景下,可再生清洁能源以其独特的优势取得世界关注,太阳能更是其中的佼佼者。实现高效利用光伏太阳能的一种重要方式之一就是光伏发电有关技术,对其进行深入的研究可以带来巨大的经济效益。本文以光伏发电系统为主要研究的对象,对光伏发电技术中较为关键的两个问题,即系统最大输出功率预测和最大输出功率跟踪（MPPT）两个问题进行深入的分析和研究。介绍了光伏发电系统的分类、系统基本的构成设备以及光伏发电基本原理,以光伏电池厂家向用户提供的光伏电池相关参数为基础,建立均匀光照和局部阴遮两种光照条件下的仿真模型,并设置不同环境参数,通过分析系统的输出特性曲线来研究环境参数对系统的影响;另一方面结合了部分地区光伏电站历史数据,从太阳辐射强度、温度等环境因素分析其对光伏发电系统的有功输出和发电能力的直接影响。利用了基于反向传播（BP）神经网络的算法对光伏发电系统输出的全局输出功率进行了预测和分析,针对BP神经网络预测结果中存在的问题,创新性的提出了一种基于改进遗传算法的优化策略对原有算法进行改良,并用改良后的算法对系统输出的功率进行预测,通过仿真结果验证了该改良算法的可行性,极大...
【文章来源】：重庆理工大学重庆市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
世界能源消费需求图
2光伏电池模型及影响光伏电池功率的因素92.2光伏电池模型建立及输出特性2.2.1光伏电池原理光伏发电系统中最为重要的组件为光伏电池，其具有光能转化为电能的的特性，可以利用光生伏特效应（PhotovoltaicEffect)实现发生在材料界面之间的能量转换，是光伏发电系统中最基本也是最重要的单元。光生伏特效应（简称光伏效应）的过程如图2.2所示。在一般光伏电池中除了大量硅元素，还掺杂了少量其他特殊元素，这些元素的加入使得材料界面分子的电荷分布极不均衡，从而产生了一种独特的电特性。如果太阳辐射强度满足特定要求，半导体材料分子转变为激发态，产生了可以自由移动的自由电荷，由于正负电子相互吸引排斥的作用，自由电荷聚集在半导体材料边缘，正负电子间形成电动势，电荷在封闭电路中开始流动。如图2.2（a）中所示，在太阳辐射强度满足要求的条件下，一部分光子被介质表面阻挡，一些光子则在远离P-N结的地方被材料吸收，另外一部分光子则直接穿过半导体材料。研究结果表明光子只有在P-N结附近被吸收，才会在光伏效应过程中发挥作用。图2.2光伏效应示意图在半导体材料中，电子吸收了足够的太阳辐射转变为激发态成为激发电子，分子共价键的断裂产生了对应数量的空穴，由于正负电荷的吸引排斥作用形成了空间电场，这些成对的电子-空穴受到电场的作用力，N区、P区附近分别聚集着带正电荷的电子和空穴，电荷在闭合回路中流动从而产生电动势，光伏电池的形成也正是利用半导体的这种特性。2.2.2光伏电池等效电路半导体材料是制作光伏电池的核心，为纯电阻负载时，光伏电池的模型可以由如下电路概括：
2光伏电池模型及影响光伏电池功率的因素13图2.4光伏组件仿真模型图2.5光伏组件封装模块对模型加以仿真计算，即可以得到光伏电池的输出特性曲线。在实际工程应用中根据公式(2.5)，本小节仅研究分析温度和光照强度对光伏电池的输出特性的影响。结合光伏电池模型的仿真成果，采用定量分析法将外界温度设定恒等于25℃，光照强度分别设置为1000W/m2、800W/m2、600W/m2和300W/m2，仿真I-U、P-U输出曲线如图2.6所示。
【参考文献】：
期刊论文
[1]基于粒子群优化神经网络光伏并网最大功率点跟踪技术研究[J]. 方伟中,张勇军. 可再生能源. 2018(08)
[2]基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 王育飞,付玉超,孙路,薛花. 电网技术. 2018(04)
[3]结合相似日GA-BP神经网络的光伏发电预测[J]. 耿博,高贞彦,白恒远,何维,董文杰,赵友国. 电力系统及其自动化学报. 2017(06)
[4]结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法[J]. 韩鹏,李银红,何璇,付元欢,游昊,李本瑜. 电力系统自动化. 2016(23)
[5]蚁群BP神经网络的光伏电站辐照强度预测[J]. 贺文,齐爽,陈厚合. 电力系统及其自动化学报. 2016(07)
[6]基于近邻传播聚类和回声状态网络的光伏预测[J]. 李乐,刘天琪. 电力自动化设备. 2016(07)
[7]基于微元面积的光伏最大功率跟踪研究[J]. 张乐乐,赵巧娥,石慧. 广东电力. 2016(04)
[8]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[9]局部阴影下光伏阵列MPPT算法及实现[J]. 邵伟明,程树英,林培杰,李炎东. 电源学报. 2016(01)
[10]基于免疫细菌觅食算法的大容量光伏阵列GMPPT算法[J]. 张明锐,蒋利明,孙华,周春. 中国电机工程学报. 2016(01)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
硕士论文
[1]滑模控制与粒子群算法在光伏系统MPPT中的应用研究[D]. 王玕.华南理工大学 2018
[2]基于细菌觅食算法的PID参数整定[D]. 李晓含.甘肃农业大学 2018
[3]基于优化BP神经网络光伏功率预测的研究[D]. 孟珊珊.华北电力大学 2018
[4]局部阴影下光伏阵列输出特性及最大功率追踪的研究[D]. 常达.华北电力大学 2017
[5]基于典型日出力特性分析的光伏电站功率预测研究[D]. 李旭.华北电力大学(北京) 2016
[6]并网型光伏发电短期功率预测的研究与应用[D]. 贾翠玲.华北电力大学(北京) 2016
[7]基于神经网络的光伏发电输出功率短期预测的研究[D]. 贾良宝.中原工学院 2014
[8]基于遗传算法的BP神经网络在网络数据抓取中的研究[D]. 李杨.中国海洋大学 2010
本文编号：3455174
【文章来源】：重庆理工大学重庆市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
世界能源消费需求图
2光伏电池模型及影响光伏电池功率的因素92.2光伏电池模型建立及输出特性2.2.1光伏电池原理光伏发电系统中最为重要的组件为光伏电池，其具有光能转化为电能的的特性，可以利用光生伏特效应（PhotovoltaicEffect)实现发生在材料界面之间的能量转换，是光伏发电系统中最基本也是最重要的单元。光生伏特效应（简称光伏效应）的过程如图2.2所示。在一般光伏电池中除了大量硅元素，还掺杂了少量其他特殊元素，这些元素的加入使得材料界面分子的电荷分布极不均衡，从而产生了一种独特的电特性。如果太阳辐射强度满足特定要求，半导体材料分子转变为激发态，产生了可以自由移动的自由电荷，由于正负电子相互吸引排斥的作用，自由电荷聚集在半导体材料边缘，正负电子间形成电动势，电荷在封闭电路中开始流动。如图2.2（a）中所示，在太阳辐射强度满足要求的条件下，一部分光子被介质表面阻挡，一些光子则在远离P-N结的地方被材料吸收，另外一部分光子则直接穿过半导体材料。研究结果表明光子只有在P-N结附近被吸收，才会在光伏效应过程中发挥作用。图2.2光伏效应示意图在半导体材料中，电子吸收了足够的太阳辐射转变为激发态成为激发电子，分子共价键的断裂产生了对应数量的空穴，由于正负电荷的吸引排斥作用形成了空间电场，这些成对的电子-空穴受到电场的作用力，N区、P区附近分别聚集着带正电荷的电子和空穴，电荷在闭合回路中流动从而产生电动势，光伏电池的形成也正是利用半导体的这种特性。2.2.2光伏电池等效电路半导体材料是制作光伏电池的核心，为纯电阻负载时，光伏电池的模型可以由如下电路概括：
2光伏电池模型及影响光伏电池功率的因素13图2.4光伏组件仿真模型图2.5光伏组件封装模块对模型加以仿真计算，即可以得到光伏电池的输出特性曲线。在实际工程应用中根据公式(2.5)，本小节仅研究分析温度和光照强度对光伏电池的输出特性的影响。结合光伏电池模型的仿真成果，采用定量分析法将外界温度设定恒等于25℃，光照强度分别设置为1000W/m2、800W/m2、600W/m2和300W/m2，仿真I-U、P-U输出曲线如图2.6所示。
【参考文献】：
期刊论文
[1]基于粒子群优化神经网络光伏并网最大功率点跟踪技术研究[J]. 方伟中,张勇军. 可再生能源. 2018(08)
[2]基于混沌-RBF神经网络的光伏发电功率超短期预测模型[J]. 王育飞,付玉超,孙路,薛花. 电网技术. 2018(04)
[3]结合相似日GA-BP神经网络的光伏发电预测[J]. 耿博,高贞彦,白恒远,何维,董文杰,赵友国. 电力系统及其自动化学报. 2017(06)
[4]结合量子粒子群算法的光伏多峰最大功率点跟踪改进方法[J]. 韩鹏,李银红,何璇,付元欢,游昊,李本瑜. 电力系统自动化. 2016(23)
[5]蚁群BP神经网络的光伏电站辐照强度预测[J]. 贺文,齐爽,陈厚合. 电力系统及其自动化学报. 2016(07)
[6]基于近邻传播聚类和回声状态网络的光伏预测[J]. 李乐,刘天琪. 电力自动化设备. 2016(07)
[7]基于微元面积的光伏最大功率跟踪研究[J]. 张乐乐,赵巧娥,石慧. 广东电力. 2016(04)
[8]光伏功率预测技术[J]. 龚莺飞,鲁宗相,乔颖,王强. 电力系统自动化. 2016(04)
[9]局部阴影下光伏阵列MPPT算法及实现[J]. 邵伟明,程树英,林培杰,李炎东. 电源学报. 2016(01)
[10]基于免疫细菌觅食算法的大容量光伏阵列GMPPT算法[J]. 张明锐,蒋利明,孙华,周春. 中国电机工程学报. 2016(01)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
硕士论文
[1]滑模控制与粒子群算法在光伏系统MPPT中的应用研究[D]. 王玕.华南理工大学 2018
[2]基于细菌觅食算法的PID参数整定[D]. 李晓含.甘肃农业大学 2018
[3]基于优化BP神经网络光伏功率预测的研究[D]. 孟珊珊.华北电力大学 2018
[4]局部阴影下光伏阵列输出特性及最大功率追踪的研究[D]. 常达.华北电力大学 2017
[5]基于典型日出力特性分析的光伏电站功率预测研究[D]. 李旭.华北电力大学(北京) 2016
[6]并网型光伏发电短期功率预测的研究与应用[D]. 贾翠玲.华北电力大学(北京) 2016
[7]基于神经网络的光伏发电输出功率短期预测的研究[D]. 贾良宝.中原工学院 2014
[8]基于遗传算法的BP神经网络在网络数据抓取中的研究[D]. 李杨.中国海洋大学 2010
本文编号：3455174
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3455174.html
