【技术实现步骤摘要】
本专利技术涉及光伏发电，特别是涉及一种光伏逆变器的最大功率跟踪方法、装置及电子设备。
技术介绍
1、由于光伏阵列发电受光照及环境等外界因素的影响较大，导致光伏阵列的发电电压实时变化。目前可以采用最大功率跟踪方法，实时跟踪光伏阵列的发电电压，使光伏逆变器的输出功率最大化。
2、现有技术的最大功率跟踪方法中，通常使用固定步长或固定范围内变步长的方法确定最大功率点。当采用固定步长方法时，步长较小会导致收敛速度减慢并陷入局部最优，步长较大则会导致逆变器输出功率不稳定，缩短光伏设备使用寿命。当采用固定范围内变步长方法时，相对固定步长方法效果较好，但是容易忽略其他潜在的最优步长而陷入局部最优。因此采用固定步长或固定范围内变步长的方法难以准确的确定最大功率点。
3、鉴于此，如何确定出最优步长、提高最大功率跟踪准确度成为本领域技术人员需要解决的问题。
技术实现思路
1、本专利技术实施例的目的是提供一种光伏逆变器的最大功率跟踪方法、装置及电子设备，在使用过程中提高最大功率点跟踪的准确度。
2、为解决上述技术问题，本专利技术实施例提供了以下技术方案：
3、本专利技术一方面提供了一种光伏逆变器的最大功率跟踪方法，包括：
4、获取光伏设备中的光伏阵列的当前输出电压；
5、基于步长寻优模型对所述当前输出电压进行分析，得到当前最优步长；所述步长寻优模型为基于多组历史光伏数据对神经网络进行训练得到的；
6、将所述当前最优步长发送
7、在一种示例性的实施方式中，所述步长寻优模型的建立过程，包括：
8、针对多个光伏设备，获取每个所述光伏设备的多组历史光伏数据；
9、基于多组所述历史光伏数据，确定出每个历史光伏阵列输出电压各自对应的参考步长；
10、基于每个所述历史光伏阵列输出电压及各自对应的参考步长进行神经网络训练，在训练过程中对网络参数进行更新，直至满足预设条件时得到步长寻优模型。
11、在一种示例性的实施方式中，所述历史光伏数据包括历史光伏阵列输出电压、历史光伏阵列输出电压下的最大功率步长及发电效率；
12、则，所述基于多组所述历史光伏数据，确定出每个历史光伏阵列输出电压各自对应的参考步长，包括：
13、采用熵权法对各个所述发电效率进行计算，得到每个光伏设备的权重指标；
14、将权重指标最大的光伏设备的各个最大功率步长作为每个所述历史光伏阵列输出电压各自对应的参考步长。
15、在一种示例性的实施方式中，所述采用熵权法对各个所述发电效率进行计算，得到每个光伏设备的权重指标，包括：
16、针对每个所述光伏设备，计算所述光伏设备下的各个发电效率各自所占的发电效率比重；
17、根据所述光伏设备对应的各个所述发电效率比重，计算所述光伏设备的信息熵冗余度；
18、根据每个所述光伏设备各自对应的信息熵冗余度，计算每个所述光伏设备各自对应的权重指标。
19、在一种示例性的实施方式中，所述计算所述光伏设备下的各个发电效率各自所占的发电效率比重，包括：
20、基于第一计算关系式，计算所述光伏设备下的各个发电效率各自所占的发电效率比重；其中，所述第一计算关系式为：
21、其中，pij表示与第j个光伏设备的第i个历史光伏阵列输出电压对应的发电效率比重，ηij表示与第j个光伏设备的第i个历史光伏阵列输出电压对应的发电效率，n表示光伏设备总数量，i∈[1,m]，m表示历史光伏阵列输出电压总数量。
22、在一种示例性的实施方式中，所述根据所述光伏设备对应的各个所述发电效率比重，计算所述光伏设备的信息熵冗余度，包括：
23、根据所述光伏设备对应的各个所述发电效率比重，结合第二计算关系式计算所述光伏设备的信息熵冗余度，其中，所述第二计算关系式为：
24、其中，ej表示第j个光伏设备的熵值，k＝1/ln(n)，dj表示第j个光伏设备的信息熵冗余度。
25、在一种示例性的实施方式中，所述根据每个所述光伏设备各自对应的信息熵冗余度，计算每个所述光伏设备各自对应的权重指标，包括：
26、根据每个所述光伏设备各自对应的信息熵冗余度，基于第三计算关系式计算每个所述光伏设备各自对应的权重指标，其中，所述第三计算关系式为：
27、其中，wj表示第j个光伏设备的权重指标。
28、在一种示例性的实施方式中，所述基于每个所述历史光伏阵列输出电压及各自对应的参考步长进行神经网络训练，在训练过程中对网络参数进行更新，直至满足预设条件时得到步长寻优模型，包括：
29、确定出多组历史样本数据；其中，所述历史样本数据包括历史光伏阵列输出电压及对应的动作空间，所述动作空间为基于与所述历史光伏阵列输出电压的参考步长建立的；
30、采用深度确定性策略梯度ddpg算法基于多组所述历史样本数据对神经网络进行训练，并在训练过程中对网络参数进行更新，直至满足预设条件时得到步长寻优模型。
31、在一种示例性的实施方式中，所述采用深度确定性策略梯度ddpg算法基于多组所述历史样本数据对神经网络进行训练，并在训练过程中对网络参数进行更新，直至满足预设条件时得到步长寻优模型，包括：
32、采用深度确定性策略梯度ddpg算法基于多组所述历史样本数据对actor神经网络和critic神经网络进行训练，并在训练过程中对各个网络参数进行更新，直至满足预设条件时得到步长寻优模型。
33、在一种示例性的实施方式中，所述采用深度确定性策略梯度ddpg算法基于多组所述历史样本数据对actor神经网络和critic神经网络进行训练，并在训练过程中对各个网络参数进行更新，直至满足预设条件时得到步长寻优模型，包括：
34、基于当前样本数据初始化得到当前状态，并基于所述当前状态确定对应的当前特征向量；
35、采用actor神经网络中的actor现实网络对所述当前状态进行处理，得到当前动作；
36、通过critic神经网络中的critic现实网络执行所述当前动作，得到新状态、与所述当前动作对应的当前奖励值及对应的当前终止标记；
37、基于所述新状态，得到对应的新特征向量；
38、将所述当前特征向量、所述当前动作、所述当前奖励值、所述新特征向量和所述当前终止标记作为五元组存储至经验缓冲区；
39、从所述经验缓冲区获取多个五元组，并基于多个所述五元组对所述actor现实网络的网络参数和所述critic现实网络的网络参数进行更新；
40、判断t％c是否为1，若是，则对actor神经网络中的actor估计网络的网络参数以及critic神经网络中的critic估计网络的网络参数进行更新；其中，t为当前迭代本文档来自技高网...
【技术保护点】
1.一种光伏逆变器的最大功率跟踪方法，其特征在于，包括：
2.根据权利要求1所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述步长寻优模型的建立过程，包括：
3.根据权利要求2所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述历史光伏数据包括历史光伏阵列输出电压、历史光伏阵列输出电压下的最大功率步长及发电效率；
4.根据权利要求3所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述采用熵权法对各个所述发电效率进行计算，得到每个光伏设备的权重指标，包括：
5.根据权利要求4所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述计算所述光伏设备下的各个发电效率各自所占的发电效率比重，包括：
6.根据权利要求5所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述根据所述光伏设备对应的各个所述发电效率比重，计算所述光伏设备的信息熵冗余度，包括：
7.根据权利要求6所述的光伏逆变器的最大功率跟踪方法，其特征在于，所述根据每个所述光伏设备各自对应的信息熵冗余度，计算每个所述光伏设备各自对应的权重指标，包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。