逆变器的不均匀光照下的最大功率点识别方法与流程

本发明涉及逆变器控制，尤其涉及一种逆变器的不均匀光照下的最大功率点识别方法。

背景技术：

1、当前国家大力推行碳中和背景下，储能系统成为推动能源革命和转型发展的动力，也是实现“双碳”目标的关键驱动力。传统的储能系统中，当储能逆变器处于并网馈电模式时，通过最大功率点跟踪法(mppt算法)使光伏极板工作在最大功率点，可以提高光伏组件的发电效益。理想情况下光伏阵列每个光伏组件的光源辐照度分布均匀，阵列的p-u输出特性为单峰值曲线，通过最大功率点跟踪法控制光伏阵列的输出处于最大功率点。

2、然而，在实际运用时，受多云天气时云层分布不均以及极板上的灰层分布不均匀，导致光伏阵列的p-u输出特性呈现出多个峰值，光伏阵列最大功率点的追踪变得比较复杂，传统的基于三点法和两点法的最大功率点跟踪法无法定位到真正意义上的最大功率点，导致无法使逆变器无法维持在最大功率点上运行，严重限制了逆变器的工作效率。

技术实现思路

1、本发明的目的是提供一种不均匀光照下的最大功率点识别方法，其通过在逆变器运行过程中，基于多个时刻多种影响因素数据进行神经网络运算，实时根据输入参数判断最大功率点由于不均匀光照产生功率突变的概率，从而调整最大功率因素扫描策略，使储能逆变器最大程度运行于最大功率点，提高储能逆变器效率；另外，本发明融合不同神经网络模型优点，相比于单一的神经网络模型具有更高的最大功率点位移预测精度。

2、为了实现上述目的，本发明公开了一种逆变器的不均匀光照下的最大功率点识别方法，逆变器的正极输入端电连接光伏极板的正极端，负极输入端电连接所述光伏极板的负极端，记所述逆变器的输入电压为pv电压、输入电流为pv电流，所述逆变器的不均匀光照下的最大功率点识别方法包括如下步骤：

3、s1、获取逆变器在不同工况下的运行数据，其中，将不同工况下的运行数据随机分成训练数据和测试数据，所述运行数据包括逆变器的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值；

4、s2、基于matlab神经网络工具箱搭建混合神经网络模型，所述混合神经网络模型包括输入层、dropout层、神经网络层组、全连接层、权重层以及输出层，其中，所述神经网络层组包括gru层和lstm层；

5、s3、以训练数据中的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为数据输入，及以训练数据中的功率突变值作为数据输出，训练所述混合神经网络模型，直至所述混合神经网络模型收敛；

6、s4、以所述逆变器的实时环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为收敛后的混合神经网络模型的数据输入，在线预测所述逆变器的实时功率突变概率；

7、s5、依据所述逆变器的实时功率突变概率调整所述逆变器的控制参数，以使所述逆变器的pv电压维持在最佳效率点。

8、较佳地，所述步骤s1具体包括：

9、s11、在当前环境温度、环境湿度下，记录所述逆变器的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值；

10、s12、以预设步长调整当前环境温度和/或环境湿度后，记录所述逆变器的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值，从而获取所述逆变器在不同工况下的运行数据。

11、较佳地，通过下述步骤获取所述逆变器的功率突变点：

12、在所述逆变器开启后，利用最大功率点跟踪法获取所述逆变器在当前环境温度、环境湿度下的最大功率点a，此时所述逆变器的最大功率点a对应的pv电压为u1；

13、当所述光伏极板被云层部分遮挡后，所述逆变器的pv电压保持不变，将所述逆变器的当前功率点记为b；

14、当所述光伏极板被云层完全遮挡后，所述逆变器的功率曲线变化为具有多个峰值的功率曲线，根据所述逆变器的功率曲线中的最大功率点从最大功率点a至最大功率点b中的变化识别所述逆变器的功率曲线的曲线变化，并通过最大功率点对所述逆变器的功率曲线进行重新扫描，以获得所述逆变器的当前最大功率点c。

15、较佳地，所述步骤s21具体包括：

16、以当前环境温度和环境湿度中的一者为变量，另一者为定量，每间隔预设步长调整一次当前环境温度或环境湿度。

17、较佳地，所述步骤s1进一步包括：

18、s101、将所述逆变器在不同工况下的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值进行归一化处理，获得所述运行参数。

19、具体地，所述步骤s101具体包括：

20、s1011、将所述逆变器在不同工况下的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值统一映射到[0，1]区间上，以得到归一化后的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值进行归一化处理；

21、s1012、将归一化后的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率、pv功率变化率和功率突变值进行归一化处理标记为所述运行参数。

22、较佳地，所述步骤s3具体包括：

23、s31、以训练数据中的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为数据输入，及以训练数据中的功率突变值作为数据输出，导入所述混合神经网络模型的输入层；

24、s32、利用matlab神经网络工具箱中的反向传播算法函数训练混合神经网络模型；

25、s33、设置初始学习率为0.0001，随机选取训练数据中的小批量样本，通过adam随机梯度下降算法对混合神经网络模型进行预设轮次数的训练，以不断更新gru层和lstm层的权重矩阵参数和偏置值模型参数，直至所述混合神经网络模型收敛。

26、较佳地，所述步骤s33之后还包括：

27、s34、以测试数据中的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为数据输入，导入所述混合神经网络模型的输入层，通过所述混合神经网络模型的输出层获得所述逆变器的功率突变预测概率，依据所述逆变器的功率突变预测概率和实际功率情况计算所述混合神经网络模型进行误差计算，在所述混合神经网络模型的最大误判率小于等于10％时，认为所述混合神经网络模型收敛，及在所述混合神经网络模型的最大误判率大于10％时，对混合神经网络模型进行继续训练，直至所述混合神经网络模型收敛。

28、较佳地，所述步骤s5具体包括：

29、s51、在所述逆变器的实时功率突变概率大于50％时，则认为所述逆变器出现多个功率峰值；

30、s52、对所述逆变器的功率曲线进行全范围扫描，以获得所述逆变器的最大功率点；

31、s53、依据所述逆变器的最大功率点实时调整所述逆变器的控制参数，以使所述逆变器的pv电压维持在最佳效率点。

32、较佳地，所述步骤s52具体包括：

33、s521、对所述逆变器的功率曲线进行全范围扫描，设当前逆变器的pv电压的控制参考电压pvref等于当前逆变器的最大pv电压umax；

34、s522、计算所述控制参考电压pvref与所述逆变器的输入电压压降△u的差值，将所述控制参考电压pvref更新为所述控制参考电压pvref与所述逆变器的输入电压压降△u的差值；

35、s523、调整所述逆变器的控制环路参数，以使所述逆变器的pv电压等于所述控制参考电压pvref；

36、s524、记录所述逆变器的当前pv电压和与当前pv电压对应的pv功率；

37、s525、判断所述控制参考电压pvref是否小于umin；

38、s526、若是，则停止对所述逆变器的功率曲线进行全范围扫描，并将扫描获得的所述逆变器的功率曲线作为所述逆变器的基于全范围pv电压和pv功率的功率曲线，将所述逆变器的功率曲线中的最大功率点和最大功率点对应的电压作为所述逆变器的当前的最大功率点和最大功率点对应的电压；

39、s527、若否，则从所述计算所述控制参考电压pvref与所述逆变器的输入电压压降△u的差值，将所述控制参考电压pvref更新为所述控制参考电压pvref与所述逆变器的输入电压压降△u的差值，开始，重复上述步骤，直至获得所述逆变器的当前最大功率点。

40、与现有技术相比，本发明以训练数据中的环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为数据输入，及以训练数据中的功率突变值作为数据输出，训练所述混合神经网络模型，直至所述混合神经网络模型收敛，以所述逆变器的实时环境温度、环境湿度、pv电压、pv电流、pv电流变化率、pv电压变化率和pv功率变化率作为收敛后的混合神经网络模型的数据输入，在线预测所述逆变器的实时功率突变概率，依据所述逆变器的实时功率突变概率调整所述逆变器的控制参数，以使所述逆变器的pv电压维持在最佳效率点，其通过在逆变器运行过程中，基于多个时刻多种影响因素数据进行神经网络运算，实时根据输入参数判断最大功率点由于不均匀光照产生功率突变的概率，从而调整最大功率因素扫描策略，使储能逆变器最大程度运行于最大功率点，提高储能逆变器效率；另外，本发明融合不同神经网络模型优点，相比于单一的神经网络模型具有更高的最大功率点位移预测精度。