基于光伏组件的MPPT光伏功率优化方法及系统与流程

本发明涉及光伏功率优化，尤其涉及基于光伏组件的mppt光伏功率优化方法及系统。

背景技术：

1、随着全球对可再生能源需求的日益增长，光伏发电系统因其清洁、高效、可持续的特点成为现代电力系统的重要组成部分。然而，光伏发电系统的输出功率受到多种环境因素的影响，包括光照强度、温度、组件的朝向、阴影等变化，导致其最大功率点（maximumpower point, mpp）处于动态波动的状态。为了在各种复杂条件下实现光伏系统的最大化功率输出，最大功率点跟踪（mppt）技术应运而生。现有的mppt方法，如扰动观察法（p&o）、增量电导法等，虽然在某些情况下可以较好地追踪最大功率点，但其响应速度和跟踪精度在复杂环境中依然存在不足，特别是在光照快速变化或组件部分遮挡的情况下，易导致跟踪效率下降甚至失效。此外，传统方法的步长调整较为固定，导致功率跟踪过程中的震荡或效率损失较大。为解决这些问题，结合深度学习与智能控制技术，进一步提升光伏系统的mppt效率成为当前研究的重点。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了基于光伏组件的mppt光伏功率优化方法，主要解决了现有光伏系统在复杂多变的环境条件下，传统mppt算法响应速度慢、跟踪精度低、以及功率波动等问题。现有的mppt方法在遇到快速变化的光照条件或组件部分遮挡时，其固定步长调整方式可能导致跟踪过慢或产生较大的功率损耗，无法实现对最大功率点的精准、实时跟踪。此外，传统方法在处理多维度环境数据时，缺乏有效的预测机制，仅依赖当前采集的数据进行调节，难以应对复杂环境中的功率波动。本发明通过引入深度学习模型（如lstm或transformer），通过学习光伏系统的历史运行数据与实时环境数据，预测未来的功率变化趋势，并结合动态步长调整与扰动观察等多种控制策略，实现对最大功率点的精准、高效跟踪，从而有效解决了传统mppt算法在复杂环境中表现不佳的问题。

3、为解决上述技术问题，本发明提供如下技术方案，基于光伏组件的mppt光伏功率优化方法，包括：

4、对光伏组件进行输入输出信号的实时采集，通过不同传感器分别采集所述信号；将采集到的信号传输至数据处理模块，数据处理模块利用神经网络算法对采集的数据进行分析，评估光伏组件的当前状态，确定光伏组件的输出功率曲线及最大功率点；基于深度学习模型，通过学习历史数据和实时环境数据，预测未来光照和温度变化趋势，并生成对应的功率点预测模型，用于动态调整最大功率点跟踪mppt控制策略；利用边缘计算设备，在本地处理所述数据并实施控制，根据生成的mppt控制策略实时调整光伏组件的输出功率，以确保功率输出始终接近最大功率点；通过强化学习算法，对光伏组件的安装布局进行优化，包括组件的安装密度、朝向及倾斜角度，以实现光伏系统的功率输出最优化。

5、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述输入输出信号包括电流、电压、光照强度、温度、风速信号。

6、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述输入输出信号的实时采集包括，光伏组件上的多个电流传感器、电压传感器、光照强度传感器、温度传感器以及风速传感器，各传感器分别采集环境和组件的对应数据，所述数据通过无线或有线网络传输至中央处理单元。

7、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述利用神经网络算法对采集的数据进行分析包括，通过对光伏系统的历史运行数据和实时环境数据进行学习，捕捉不同环境条件下光伏组件功率输出的变化规律，并通过时间序列分析预测未来的功率波动；所述预测模型根据光照强度、温度、组件当前输出的电压、电流参数进行训练。

8、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述利用神经网络算法对采集的数据进行分析还包括，假设输入的多传感器信号为，定义输入信号矩阵，其中为传感器数量，为时间窗口内的采样点数量，每个传感器的信号表示为。

9、cnn用于对输入信号进行特征提取，定义卷积核作为第层卷积核，其中为卷积核的宽度，为卷积核的高度，卷积操作表示为：

10、，

11、其中，为第层的特征图，为激活函数，为偏置项，表示卷积操作。通过cnn的多层卷积和池化操作，提取信号中的特征，生成高维度的特征向量，其中为特征维度；

12、提取特征向量后，利用贝叶斯估计方法对不同传感器信号之间的关联性进行分析，假设每个传感器的特征分布为一个条件概率分布，贝叶斯公式表示为：

13、，

14、其中，和分别为来自第和第个传感器的特征向量，为条件概率，表示在已知的情况下出现的概率，为的概率，为的概率。

15、为了增强贝叶斯估计的效果，引入先验信息，将不同传感器的信号相关性整合为加权模型：

16、，

17、其中，为权重系数，用于调整先验和观测数据之间的平衡；表示先验分布，表示对传感器i的特征分布的先验假设。

18、为了滤除噪声，系统对特征向量进行卡尔曼滤波处理，卡尔曼滤波器的状态方程和观测方程分别为:

19、，

20、，

21、其中，为状态转移矩阵，为观测矩阵，为过程噪声，为观测噪声，卡尔曼滤波的更新方程为:

22、预测步骤:

23、，

24、更新步骤:

25、，

26、其中，为卡尔曼增益，为过程噪声协方差矩阵，为观测噪声协方差矩阵；为卡尔曼滤波中对时刻特征向量的协方差矩阵；为经过更新后的特征向量，结合了预测和观测数据的校正；为卡尔曼滤波中对时刻特征向量的预测值；为对角线元素为1的矩阵，非对角线元素为0；通过当前滤波器，滤除信号中的随机噪声，得到平滑的特征向量，为后续功率预测与mppt控制提供输入数据。

27、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述生成对应的功率点预测模型包括，mppt控制策略基于所述深度学习模型的预测结果，系统能够通过实时调节光伏组件的工作电压和电流，使光伏组件始终接近或达到当前环境条件下的最大功率点；所述控制策略包括步进调节、扰动观察和动态步长调整；所述深度学习模型依据光照强度、温度和光伏组件的输出特征生成最大功率点的跟踪调整控制指令。

28、所述强化学习算法包括，所述强化学习算法通过模拟实验和实地测试，对光伏组件的安装布局进行优化调整；所述优化调整包括组件间距、朝向和倾斜角度的动态调整，通过强化学习模型不断试验和更新布局策略，选择功率输出最优的排列方式，并针对不同的地理环境和光照条件自动调整组件的安装方案。

29、作为本发明所述的基于光伏组件的mppt光伏功率优化方法的一种优选方案，其中：所述强化学习算法还包括，优化过程基于光伏组件的实时功率输出数据和环境参数，包括光照强度、地理位置、阴影分布因素。

30、作为本发明所述的基于光伏组件的mppt光伏功率优化系统的一种优选方案，其中：系统包括，数据采集模块、数据处理模块、中央处理单元、边缘计算模块；所述数据采集模块用于对光伏组件进行输入输出信号的实时采集，通过不同传感器分别采集所述信号，以及采集组件特性信息；所述数据处理模块包括利用神经网络算法对采集的数据进行分析，以及对算法进行实现；所述中央处理单元用于中央处理单元对不同传感器的数据进行同步校准，并通过时间序列分析，确保数据的时效性和精度；所述边缘计算模块用于搭载边缘计算设备包括嵌入式处理器和局部存储器，所述处理器用于实时计算和执行mppt控制算法，局部存储器用于缓存来自传感器和深度学习模型的输入数据。

31、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于光伏组件的mppt光伏功率优化方法的步骤。

32、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于光伏组件的mppt光伏功率优化方法的步骤。

33、本发明的有益效果：本发明提出了一种基于光伏组件的mppt光伏功率优化方法，具有以下有益效果。首先，通过引入深度学习模型，系统可以实时学习和预测光伏系统在不同光照、温度、阴影条件下的功率输出变化规律，实现了更为精确的功率点预测。与传统的仅依赖当前数据进行调节的mppt算法相比，深度学习能够捕捉复杂环境中的长期依赖关系，提前识别功率波动趋势，显著提升了最大功率点的跟踪效率。其次，本发明结合了步进调节、扰动观察法与动态步长调整策略，系统能够灵活应对环境的快速变化，尤其是在光照快速变化和部分遮挡的情况下，能够更快地调整工作电压与电流，使光伏系统始终接近最大功率输出，减少功率损耗。此外，动态步长调整机制通过根据功率变化幅度自动调节步长大小，避免了固定步长所带来的功率振荡问题，既提升了跟踪的响应速度，又减少了因调整不当造成的能量损失。最后，整个mppt优化策略充分利用了多维度的实时传感数据与历史数据，能够在复杂和多变的光伏环境中保持高效运行，极大地提升了光伏系统的整体能效，具有广泛的应用前景。