【技术实现步骤摘要】
本专利技术涉及光伏发电领域，具体为融合深度学习与粒子群的光伏最大功率点追踪方法及系统。
技术介绍
1、光伏系统在不同的光照强度和温度条件下会产生不同的输出功率。为了最大化光伏系统的能量产出，最大功率点追踪(mppt)算法被广泛应用。传统的mppt算法，如扰动观察法(p&o)和增量电导法(inccond)，在快速变化的环境条件下存在响应速度慢和精度低的问题。随着深度学习技术的发展，利用其进行mppt算法优化成为一种新的趋势。但是，将深度学习单独作用于最大功率追踪过程中，遇到环境突变时也易陷入局部最优，导致跟踪精度下降。为此，本专利采用深度学习作为一次先行寻优方法，使其逼近系统的最大功率点，并利用改进后的粒子群算法作为精确化跟踪最大功率点的二次寻优方法，以此解决陷入局部极值点的问题。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何在光伏系统中实现更精确和高效的最大功率点追踪，应对传统方法在动态环境变化下的不足和低效问题。
3、为本文档来自技高网...
【技术保护点】
1.融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于，包括：
2.如权利要求1所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述使用传感器收集光伏数据包括环境温度、光照强度以及对应的功率历史数据；
3.如权利要求2所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述构建深度学习模型是将光照强度、环境温度作为输入，相对应的功率历史数据作为输出，训练深度学习模型，采用交叉熵损失函数作为计算预测值与真实值之间的损失值，当损失函数值小于预设值时，得到最终训练好的深度学习模型，确定光照强度、环境温度与功率之间的关
4...
【技术特征摘要】
1.融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于，包括：
2.如权利要求1所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述使用传感器收集光伏数据包括环境温度、光照强度以及对应的功率历史数据；
3.如权利要求2所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述构建深度学习模型是将光照强度、环境温度作为输入，相对应的功率历史数据作为输出，训练深度学习模型，采用交叉熵损失函数作为计算预测值与真实值之间的损失值，当损失函数值小于预设值时，得到最终训练好的深度学习模型，确定光照强度、环境温度与功率之间的关系；
4.如权利要求3所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述深度学习模型包括若干个神经元的连接，通过多层神经网络模拟光伏非线性关系，在网络学习过程中，训练样本集为x，期望值集合为d，实际输出为y，对应隐藏层的第j个神经元的输入表达式为：
5.如权利要求4所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：所述光伏特性模型，表达式为：
6.如权利要求5所述的融合深度学习与粒子群的光伏最大功率点追踪方法，其特征在于：...
【专利技术属性】
技术研发人员：龚新勇，张腊，梁俊宇，李俊伟，叶志明，闫文棋，沈纹冰，潘堋，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：
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。