论文部分内容阅读
由于全球能源短缺,光伏发电清洁、安全、可再生的优点以及人们对可再生能源的日益增长的兴趣,使得近年来安装的光伏(Photovoltaic,PV)规模出现了大幅增长。光伏组件作为大型光伏系统的基本组成模块,其输出建模与不同操作条件下的功率输出对光伏发电系统的设计,制造,以及评估至关重要。然而,光伏组件制造商提供的组件于某一特定条件——标准测试条件(Standard Testing Condition,STC)下的电气参数不足以用于精准的对光伏组件在大范围的实际光照、温度条件下运行时的电气特性与功率输出建立模型。因此,本课题选取光伏组件在不同工作条件下的输出功率与电流-电压(Ⅰ-Ⅴ)特性和建立输出特性方程中参数与环境参数之间的关系为主要研究内容,实现快速、可靠地对光伏组件的电气输出建立模型,这对光伏组件最大功率点追踪、以及光伏并网后的电网调度均至关重要。本文研究输出特性随光照和温度的变化关系,目前光伏组件输出Ⅰ-Ⅴ特性常用的模型包括单二极管模型(Single diode model,SDM)和数学幂指数模型(Power Law model,PLM)。单二极管模型参数的物理意义明确,但是Ⅰ-Ⅴ方程的隐式特性在参数求取和光伏组件输出功率建模时带来种种计算不便。而幂指数模型具有显性表达的特点,有效的减少了参数求取的计算复杂度,进而为建立输出特性方程中参数与环境参数之间的关系提供了新的思路,本文分别对两种模型中参数随环境条件变化关系进行分析,具体工作如下:(1)本文基于幂指数模型中的形状参数与物理模型参数之间的解析关系,推导并详细研究了 PLM中形状参数对太阳辐照度和温度的依赖性,得到了一种新的光伏组件在不同太阳辐照度与温度的工作条件下输出功率与电特性的解析模型。经验证,该模型对不同材料类型的光伏组件的输出功率建模均具有较高的精度。(2)本文结合人工神经网络(Artificial Neural Network,ANN)在数据建模方面准确、可靠的且不需要人为干预的特点,提出了一种新的基于ANN与幂指数模型的光伏组件输出功率与电特性的人工智能模型。该模型仅需要将两个参数,即实际太阳辐照度与组件温度条件输入已训练完成的ANN中,即可得到对应条件下的光伏组件的形状参数值,继而得到光伏Ⅰ-Ⅴ曲线与输出功率。此外,考虑了另外两个外部环境因素——太阳天顶角与方位角对光伏组件影响,在上述二输入人工神经网络模型的基础上提出了四输入人工神经网络模型,并与二输入人工神经网络模型的建模效果进行了对比。(3)本文首次研究了 PLM模型中的形状参数随光照温度的变化规律。在光伏组件输出功率解析模型中推导出了形状参数随光照温度变化的解析表达,在基于人工神经网络的输出功率模型的研究中,更加精确地得到了各个形状参数随光照温度的变化规律,并与解析模型得到的结果进行了对比。(4)基于本文所提出的光伏组件功率与Ⅰ-Ⅴ特性在不同光照与温度下的解析与人工神经网络的模型,完成了基于MATLAB的编程仿真,并利用美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)提供的不同材料类型光伏电池板的大量实测数据对以上模型进行了多方位验证,完成了以上模型的准确性与可适用性分析。