学位论文 > 优秀研究生学位论文题录展示

基于禁带宽度的独立式光伏发电智能能量管理系统的研究

作　者: 邓栋
导　师: 易灵芝
学　校: 湘潭大学
专　业: 电力电子与电力传动
关键词: 独立式光伏发电系统禁带宽度混合式光伏阵列独立追踪算法预测
分类号: TM73
类　型: 硕士论文
年　份: 2011年
下　载: 44次
引　用: 0次
阅　读: 论文下载

内容摘要

在独立式光伏发电系统中,效率和成本的高低决定着系统的好坏,以及光伏产业的推广。本文通过对太阳能电池模型、光伏阵列的最大功率点追踪以及光伏阵列发电量预测的深入研究,以提高系统效率、降低系统成本为研究目标,并采用MATLAB软件进行仿真分析。太阳能电池的建模是研究光伏系统的前提,传统的方法必须提供开路电压、短路电流、最大功率点电压、最大功率点电流等众多参数。本文对不同材料太阳能电池模型进行研究,提出一种基于禁带宽度的通用仿真模型,在保证精度的前提下,能自动调整参数,使系统能够同时使用多款不同太阳能电池,而不需要频繁设置参数。太阳能电池通过串并联的方式组成光伏组件,光伏组件通过串并联方式组成光伏阵列,本文提出一种由不同材料组成的混合式光伏阵列,在保证发电量的同时,降低光伏阵列的成本。传统的最大功率点追踪算法是针对整个光伏阵列的输出功率进行追踪,当光伏阵列出现部分遮掩,各光伏组件吸收的光能不一致或者选用本文所提出的混合式光伏阵列时,传统的算法所追踪到的不是真正意义上的最大功率点。本文采用一种最大功率点独立追踪算法,对每个光伏组件进行独立追踪,从而让光伏阵列输出功率达到最大,提高系统效率。独立式光伏发电系统常常配备贮能蓄电池来储存和调节电能。传统的蓄电池充放电控制策略需要检测众多参数,例如:母线电流、负载端电流、负载电压等。然后根据检测的参数调整控制策略,这是一种滞后的控制。而且为了保持负载端的功率稳定,要求蓄电池的容量足够大。本文对光伏阵列发电量进行特短期预测,采用遗传-神经网络算法,并将预测结果应用于蓄电池的控制中,采用MATLAB中的S函数编程实现。该方法能有效的解决蓄电池控制滞后的问题,提高系统效率,增加系统稳定性。

全文目录

摘要  4-5
Abstract  5-10
第1章绪论  10-17
  1.1 太阳能以及光伏发电  10-12
    1.1.1 开发太阳能的必要性以及光伏发电的优点  10
    1.1.2 全球光伏产业迅猛发展  10-11
    1.1.3 国内光伏产业发展现状  11-12
  1.2 光伏发电系统的分类  12-13
    1.2.1 独立光伏发电系统  12
    1.2.2 并网光伏发电系统  12-13
  1.3 一些光伏发电的技术现状  13-15
    1.3.1 太阳能电池及光伏阵列  13
    1.3.2 最大功率点追踪技术  13-15
    1.3.3 发电量预测技术  15
  1.4 本论文的主要内容  15-17
第2章太阳能电池模型与混合式光伏阵列  17-24
  2.1 禁带宽度与太阳能电池的关系  17-19
    2.1.1 太阳能电池材料的发展  17
    2.1.2 太阳能电池材料的禁带宽度  17-18
    2.1.3 禁带宽度决定太阳能电池参数  18-19
  2.2 基于禁带宽度太阳能电池建模  19-22
    2.2.1 太阳能电池的等效电路  19-20
    2.2.2 传统工程用太阳能电池模型  20-21
    2.2.3 基于禁带宽度的太阳能电池模型  21-22
  2.3 混合式光伏阵列  22-23
  2.4 小结  23-24
第3章基于独立控制的最大功率点追踪  24-35
  3.1 光伏阵列最大功率点追踪的实现  24-25
  3.2 传统的最大功率追踪方法  25-32
    3.2.1 恒定电压法  25
    3.2.2 扰动观察法  25-29
    3.2.3 导纳增量法  29-30
    3.2.4 模糊控制法  30-31
    3.2.5 神经网络法  31-32
  3.3 独立控制算法  32-34
    3.3.1 独立控制思想  32-33
    3.3.2 改进的占空比扰动法  33-34
  3.4 小结  34-35
第4章光伏发电量预测及其应用  35-46
  4.1 光伏发电量预测基础  35-36
    4.1.1 按时间分类  35
    4.1.2 按对象范围分类  35
    4.1.3 光伏发电量预测的原理  35-36
  4.2 常用预测方法及总结分析  36-40
    4.2.1 持续预测法  36
    4.2.2 差分自回归滑动平均(ARIMA)预测算法  36-38
    4.2.3 模糊逻辑预测法  38
    4.2.4 BP 神经网络预测法  38-39
    4.2.5 预测方法总结分析  39-40
  4.3 遗传-神经网络算法  40-43
    4.3.1 遗传算法  40-41
    4.3.2 径向基神经网络的构建  41-43
  4.4 预测技术在光伏发电系统中的应用  43-45
    4.4.1 传统蓄电池控制  43-44
    4.4.2 基于预测技术的蓄电池控制  44-45
  4.5 小结  45-46
第5章仿真实验  46-61
  5.1 太阳能电池模块及混合式光伏阵列  46-54
    5.1.1 基于禁带宽度太阳能电池仿真模型  46-48
    5.1.2 混合式光伏阵列  48-54
      5.1.2.1 传统单一材料光伏阵列  50
      5.1.2.2 两种材料混合的光伏阵列  50-51
      5.1.2.3 三种材料混合的光伏阵列  51-53
      5.1.2.4 仿真结果分析  53-54
  5.2 最大功率点追踪  54-57
    5.2.1 改进的占空比扰动法  54-56
    5.2.2 独立控制算法仿真  56-57
  5.3 光伏发电量预测仿真及小功率验证  57-60
    5.3.1 发电量预测技术仿真分析  57-59
    5.3.2 小功率系统验证  59-60
  5.4 小结  60-61
第6章总结  61-62
  6.1 本论文的贡献  61
  6.2 进一步的工作  61-62
参考文献  62-65
致谢  65-66
个人简历、攻读硕士期间发表的学术论文及研究成果  66-67
  一、个人简介  66
  二、读硕期间发表论文  66-67
  三、攻读学位期间参加的科研项目  67

基于禁带宽度的独立式光伏发电智能能量管理系统的研究

内容摘要

全文目录

相似论文