MPPT控制方法、装置、光伏发电设备及可读存储介质制造方法及图纸

本发明专利技术提供了一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质，采集以下至少之一的参数信息：光照强度、环境温度、光照时间；将该参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，该预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，该正样本信息包括该参数信息；利用该正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将该RBF神经网络作为该预设RBF神经网络。通过本发明专利技术解决了现有技术中MPPT控制方法的精度不高，响应较慢的问题，同时也避免了神经网络寻优时的局部最优问题，以及提高了预测控制的精度与速度。

MPPT control method, device, photovoltaic power generation equipment and readable storage medium

【技术实现步骤摘要】
MPPT控制方法、装置、光伏发电设备及可读存储介质
本专利技术涉及新能源发电控制系统
，具体涉及一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质。
技术介绍
最大功率点跟踪(MaximumPowerPointTracking，简称为MPPT)控制器可以智能调节太阳能发电板的工作电压，使太阳能板始终工作在I-V特性工作曲线的最大功率点，比较传统太阳能充放电控制器对太阳能电池板发电功率的利用率提高了10-30％，对光伏系统的稳定高效工作起到了至关重要的作用。现有薄膜太阳能电动车电池MPPT的控制方法例如有恒定电压法、干扰观测法和电导增量法。对于恒定电压法，当系统工作在最大功率点时电压大小几乎为一个固定值，与其对应的输出功率即为最大功率。然而，上述MPPT的控制方法各自存在一些问题，恒定电压法如果在温差变化较大的地区，那么最大功率的输出误差会增大，造成经济损失。
技术实现思路
有鉴于此，本专利技术实施例提供了一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质，以提高预测控制的精度与速度。本专利技术第一方面，提供了一种最大功率点跟踪MPPT控制方法，包括：采集包括以下至少之一的参数信息：光照强度、环境温度、光照时间；将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，所述预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，所述正样本信息包括所述参数信息；利用所述正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将所述RBF神经网络作为所述预设RBF神经网络。可选地，将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值之后，还包括：对所述电压值进行直流-直流转换。可选地，将所述参数信息输入预设RBF神经网络之前，还包括：利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化；其中，所述权值为所述预设RBF神经网络的隐含层与输出层之间的权值。可选地，利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化包括：设置混沌粒子群算法的相关参数和各粒子初始位置；根据迭代公式更新各粒子的位置和速度；计算粒子的适应度值，记录个体极值，群体极值；计算混沌搜索得到的粒子的适应度值，更新个体极值，群体极值。可选地，采集以下至少之一的参数信息包括：通过安装于薄膜发电组件的传感器采集所述参数信息。本专利技术第二方面，提供了一种最大功率点跟踪MPPT控制装置，包括：采集模块，用于采集以下包括至少之一的参数信息：光照强度、环境温度、光照时间；获取模块，用于将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，所述预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，所述正样本信息包括所述参数信息；利用所述正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将所述RBF神经网络作为所述预设RBF神经网络。可选地，所述装置还包括：转换模块，用于对所述电压值进行直流-直流转换。可选地，所述装置还包括：优化模块，用于利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化；其中，所述权值为所述预设RBF神经网络的隐含层与输出层之间的权值。可选地，所述优化模块还用于：设置混沌粒子群算法的相关参数和各粒子初始位置；根据迭代公式更新各粒子的位置和速度；计算粒子的适应度值，记录个体极值，群体极值；计算混沌搜索得到的粒子的适应度值，更新个体极值，群体极值。可选地，所述采集模块，用于通过安装于薄膜发电组件的传感器采集所述参数信息。本专利技术第三方面，提供了一种光伏发电设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任一所述的MPPT的控制方法。本专利技术第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述第一方面中任一所述MPPT的控制方法的步骤。本专利技术实施例技术方案，具有如下优点：本专利技术实施例提供了一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质，采集以下至少之一的参数信息：光照强度、环境温度、光照时间；将该参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，该预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，该正样本信息包括该参数信息；利用该正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将该RBF神经网络作为该预设RBF神经网络。通过本专利技术将参数输入到RBF神经网络中，对RBF神经网络进行训练，由于将影响最大功率对应的电压的参数输入RBF神经网络进行训练，而该RBF神经网络的输出又为电压值，在训练过程中，直至RBF神经网络的输出与目标输出的差值小于预定阈值，这样就保证了该RBF神经网络的精度，将训练后的RBF神经网络作为预设RBF神经网络，可以理解为一个模型，然后将采集的参数信息输入该模型，就能够预测得到一个相较于现有技术中采用恒定电压法、干扰观测法和电导增量法更精确的电压值。并且，本专利技术实施例的最大功率点跟踪MPPT控制方法采用RBF神经网络进行训练的方式，可以直接采集参数信息输入该训练后的RBF神经网络，不需要复杂的计算即可得到预测的最大功率点对应的电压值，响应速度快，解决了现有技术中MPPT控制方法的精度不高，响应较慢的问题，从而提高了预测控制的精度与速度。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例的MPPT控制方法的流程图；图2是根据RBF神经网络结构示意图；图3是根据本专利技术实施例的MPPT控制系统框图；图4是根据本专利技术实施例的混沌粒子群优化示意图；图5是根据本专利技术实施例的MPPT控制装置的结构框图；图6是本专利技术实施例提供的光伏发电设备的硬件结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。现有薄膜太阳能电动车电池MPPT的控制方法主要有三种：恒定电压法、干扰本文档来自技高网...

【技术保护点】
1.一种最大功率点跟踪MPPT控制方法，其特征在于，包括：/n采集包括以下至少之一的参数信息：光照强度、环境温度、光照时间；/n将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，所述预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，所述正样本信息包括所述参数信息；利用所述正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将所述RBF神经网络作为所述预设RBF神经网络。/n

【技术特征摘要】
1.一种最大功率点跟踪MPPT控制方法，其特征在于，包括：
采集包括以下至少之一的参数信息：光照强度、环境温度、光照时间；
将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值；其中，所述预设RBF神经网络是通过如下步骤训练得到的：获取正样本信息；其中，所述正样本信息包括所述参数信息；利用所述正样本信息对RBF神经网络进行训练，直至RBF神经网络的输出与目标输出的差值小于预定阈值；将所述RBF神经网络作为所述预设RBF神经网络。


2.根据权利要求1所述的最大功率点跟踪MPPT控制方法，其特征在于，将所述参数信息输入预设RBF神经网络，得到光伏系统全局最大的功率点对应的电压值之后，还包括：
对所述电压值进行直流-直流转换。


3.根据权利要求1所述的最大功率点跟踪MPPT控制方法，其特征在于，将所述参数信息输入预设RBF神经网络之前，还包括：
利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化；其中，所述权值为所述预设RBF神经网络的隐含层与输出层之间的权值。


4.根据权利要求3所述的最大功率点跟踪MPPT控制方法，其特征在于，利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化包括：
设置混沌粒子群算法的相关参数和各粒子初始位置；
根据迭代公式更新各粒子的位置和速度；
计算粒子的适应度值，记录个体极值，群体极值；
计算混沌搜索得到的粒子的适应度值，更新个体极值，群体极值。


5.根据权利要求1至4中任一所述的最大功率点跟踪MPPT控制方法，其特征在于，采集以下至少之一的参数信息包括：
通过安装于薄膜发电组件的传感器采集所述参数信息。


6.一种最大功率点跟踪MPPT控制装置，其特征在于，包括：
采集模块，用于采集包括以下至少之一的参数信息：光照强度、环境温度、光照时间；
获取模...

【专利技术属性】
技术研发人员：谢知非，刘丹丹，杨晓飞，
申请(专利权)人：汉能移动能源控股集团有限公司，
类型：发明
国别省市：北京;11