英语原文共 22 页，剩余内容已隐藏，支付完成后下载完整资料
海上光伏系统的短期和长期扰动的抑制策略
Ruoli Tang a,⁎, Qiao Lina, Jinxiang Zhoua, Shangyu Zhang a, Jingang Lai b, Xin Li a, Zhengcheng Dong c
1、摘要：海上光伏系统很容易受到船舶和海洋的特殊环境的影响，例如，船舶在航行过程中产生的局部的不断变化的遮荫，在高盐度的海洋环境下连续长时间工作所产生的腐蚀。本文研究了大型远洋船舶光伏阵列布置的优化问题，提出了一种新的在线和离线的最大功率点跟踪的方法，去克服由局部的不断变化的遮荫所产生的短期扰动。为了动态追踪太阳能模块的腐蚀情况和追踪长期扰动，提出了一种新的带有时间窗的知识库。最后，通过仿真实验去验证该方法的有效性。实验结果显示，在所提出的结构中，最大功率点的位置与遮荫的面积和程度有关，但是与分布无关。此外，根据实验结果，可以收集到最近3个月到1年的数据用于训练离线模型，以获得最佳的控制表现。通过这种提出的结构和控制方法环境带来的扰动可以被有效的抑制，评估系统也能在复杂的海洋环境下获得强力有效的控制。
2、关键词
海上光伏系统
绿色船舶
最大功率点跟踪
环境干扰
3、介绍：在海上运输中，近年来许多绿色能源在今年内被广泛的运用于远洋船，以希望在节能减排方面获得期望的效果[1]。例如，所谓的绿色船舶广泛的配备了大型光伏系统，以产生电能和充分利用海上的太阳能[2]。第一艘太阳能风能混合系统的贸易船舶叫太阳水手，他是在澳大利亚设计和制造的[3]。第一艘独立环游世界的船舶叫行星太阳能，他配备38000PV的电池板，11吨锂电池和120千瓦推进电机。2010年行星太阳离开摩纳哥开始了为期19个月的旅行[4]。在2008年，共计328块大型太阳能电池板能够减少40千瓦的大型太阳能电池板和发电装置装在日本的御夫号上[5]。在2012年，拥有758快太阳能电池（约160千瓦）和一个锂电池组的（约2.2兆瓦时）安装在日本翡翠号上[6]。
对于海上光伏系统，由于他特殊的工作环境，他的设计和控制逻辑和陆地上的系统有所不同[7]。一方面，海上光伏系统总是随着船舶的运动穿越不同的地球气候带，特别是远洋船。当与船一起移动时，安装在甲板上的光伏阵列可能会被云层、更高的甲板、船桥以及一些高于光伏阵列的其他设备（如桅杆、烟囱、起重机等）部分甚至完全遮挡。此外，阴影可能会随着船舶的移动和摇晃而动态变化，无论是横向还是纵向[8]。这些阴影将对整个光伏发电量产生显著影响，本研究将其评价为短期环境干扰。另一方面，船上的光伏组件在海洋环境中运行常年高盐高湿。模块总是被海水和盐颗粒覆盖，这意味着可以加速光伏组件的腐蚀。电源电压（P-V）电流电压（I-V）特性会有不同程度的变化因为腐蚀，这也会影响最大功率点跟踪（MPPT）性能。在本研究中，P-V/I-V的变化由腐蚀引起的，以及海水和盐份的覆盖，被认为是长期的环境干扰。对于光伏系统来说，为了在各种环境条件下获得有希望的性能，技术的许多方面是值得研究的，特别是在海上应用方面。Ling-Chin等人。评估新建混合动力系统（电动包括锂离子电池、光伏系统和冷熨供应商）设计用于滚装船/滚装船。根据生命周期评估的结果，一艘新建造的绿色船舶光伏发电系统将对环境、人类和自然保护区产生重大影响，因此对光伏发电系统进行有效管理势在必行[9]。Lee等人。提出混合光伏发电/柴油船，其中可以连接分布式电力系统智能电网和微电网[10]。维萨等人。考虑纬度变化的船用太阳能转换系统设计旅行时[11]。Gotter等人。评估了15种聚合物寻找更合适的材料来代替光伏船的光伏模块中的玻璃[12]。Hou等人。提出了一种将电池和飞轮混合储能系统作为缓冲来缓解全电动船的负荷波动。在各种运行限制条件下，功率波动补偿和节能然后作为一个多目标优化问题来制定和有效求解问题[13]。Liu等人。提出了一种模型和估计方法船舶光伏系统的输出，考虑到随船移动和摇摆时的环境影响[14]。文等人。通过实验研究了运动船舶上光伏系统的特性，提出了确定光伏系统特性的区间优化方法车载储能系统的最佳尺寸以减少燃料成本、资本成本和温室气体排放[8]。
在大规模的光伏系统中，光伏阵列总是由许多光伏组件在某些连接处组成[15]。光伏ar射线与变压器/逆变器的连接，以及阵列中每个光伏组件之间的连接，显著影响整个光伏输出，特别是在部分阴影条件下[16]。对于光伏阵列和变压器/逆变器的连接，现有结构主要包括中心结构、交流模块集成结构、串结构和多串结构[17]。对于PV配置，广泛采用的配置主要有串并联配置（SP）[18]、全交叉连接配置（TCT）[19]、honey-comp配置（HC）、桥连配置（BL）等[20]。此外，还为特殊工程应用开发了一些其他光伏配置。例如，Tang等人。提出了一种基于最小控制单元（MCU）的大规模光伏阵列结构，其中每个MCU的工作点可以独立控制，以获得MCU级MPPT[21]。Bosco等人。提出了一种新的结构，称为交叉对角视图，以便将阴影的影响扩展到整个光伏系统，并将热点问题最小化[22]。Khan等人。研究了一种基于子模块集成变换器的光伏阵列，实验证明了其在转换效率、系统成本和动态性能等方面的优势[23]，在大型光伏系统中，光伏阵列总是由许多光伏组件在一定的连接方式下组成[15]。光伏阵列与变压器/逆变器的连接，以及它们之间的连接光伏组件在阵列中，显著影响整个光伏输出，特别是在部分遮光条件下[16]。对于光伏阵列和变压器/逆变器的连接，现有结构主要包括中心结构、交流模块集成结构、串结构和多串结构[17]。对于PV配置，广泛采用的配置主要有串并联配置（SP）[18]、全交叉连接配置（TCT）[19]、honey-comp配置（HC）、桥连配置（BL）等[20]。此外，还为特殊工程应用开发了一些其他光伏配置。例如，Tang等人。提出了一种基于最小控制单元（MCU）的大规模光伏阵列结构，其中每个MCU的工作点可以独立控制，以获得MCU级MPPT[21]。Bosco等人。提出了一种新的交叉对角线结构。
光伏作为一种不稳定的电源，其输出很容易受到环境变化的影响，如辐照度、温度、亮度等。将MPPT应用到细粒度级别可以显著降低这种影响。现有的MPPT方法可以分为两类，即在线MPPT和离线MPPT。对于在线MPPT，最常用的方法是微扰观测法（Pamp;O）和增量电导法（InC）。Alik等人。提出了一种改进的Pamp;O方法，通过比较电压-功率曲线中所有存在的峰值来阐明全局MPP[24]。基于光伏电池的四参数模型，Li等。研究了一种改进的Pamp;O方法，以减少稳态振荡，提高基本Pamp;O的动态性能[25]。Kumar等人。提出了一种快速无纹波最大功率捕获的自适应InC算法[26]。对于离线MPPT，现有的方法主要是基于神经网络、进化算法等先进控制算法。例如，Tang等人。将大型光伏系统的最大功率点（MPPT）建模为大规模全局优化（LSGO）问题，提出了AM-CCPSO算法来解决该LSGO问题，实现有效的离线MPPT控制[27]。Azali S.等人提出了一种基于人工神经网络（ANN）和基于模糊的PID[28]。另外，先进的智能控制方法在 能源领域也是近年来的热点问题[29,30,41]。
如前所述，现有的光伏配置和MPPT控制抑制环境干扰的研究主要基于陆基光伏系统。然而，由于特殊的工作环境，船舶和海洋引起的干扰与陆基系统有很大的不同。因此，如何抑制海上光伏系统的短期和长期环境扰动，仍是值得研究的问题。
本文提出了一种新的海上光伏系统的设计与控制方法，以期在复杂的海洋环境下抑制短期和长期的干扰，获得最大的光伏输出和鲁棒控制性能。首先，在船舶典型工况下，对不同的光伏组件结构（即每个光伏组件之间的连接方式）进行了测试和比较，研究了船舶上所有光伏组件的最佳连接方式。然后，提出了一种新的离线/在线混合MPPT控制方法，以实现对短期干扰的快速有效响应。最后，通过引入带时间窗的动态最大功率点（MPP）知识库，对该方法进行了进一步的改进，以抑制腐蚀和盐颗粒覆盖引起的长期干扰。
本研究的其余部分安排如下。在第二节中，研究了船舶的最优PV配置。第三节研究了离线/在线混合MPPT方法。第四部分介绍了基于时间窗的MPP知识库更新原理。第5节进行了仿真和详细分析。最后，本研究在第六节结束。
3.1、基于ANN的离线MPPT
对于每个TCT连接的光伏组（如图6所示），有几对要求传感器测量 小组的每个部分。以3*8TCT并网光伏发电机组为例，考虑到设备成本，每3个光伏组件有一对传感器。辐照度和温度传感器的设计如图7所示。
如图7所示，每3个垂直组件的辐照度和温度由传感器独立测量，即本研究将阴影检测的分辨率设置为3个光伏组件。请注意，在实际应用中，这种“阴影检测分辨率”可以通过平衡光伏效率和设备成本来灵活确定。为了获得对频率短期扰动的快速响应，提出了一种基于神经网络的数据驱动离线MPPT方法。具体来说，当短期环境扰动发生时，离线神经网络模型将根据传感器采集的环境数据，立即计算出一个近似的MPP。
假设上述3*8PV组处于不同的阴影情况下（如图8所示），模拟实验得到的全局mpp列在表3中，其中Nc和Ns分别表示云和船（包括上层甲板、船桥、起重机、烟囱等）阴影下的传感器对数。光伏组件参数设置及环境条件同2.2节。
如表3所示，全局MPP与Nc和Ns密切相关，但与这些阴影的具体分布无关。因此，在离线神经网络模型中，输入变量被设置为非阴影传感器对的辐照度（Sn）、非阴影传感器对的温度（Tn）、云阴影传感器对的辐照度（Sc）、云阴影传感器对的温度（Tc）、船阴影传感器对的辐照度（Ss）、传感器对的温度被船阴影（Ts）、被云阴影（Nc）的传感器对数和被船阴影（Ns）的传感器对数。ANN输出是当前环境条件下的近似MPP（Vm offline）。此外，最广泛使用的反向传播算法（BP）被用于训练ANN模型[31]。注意，除了BP-ANN，其他数据驱动模型，例如径向基函数（RBF）ANN[32]、支持向量机（SVM）[33]和极限学习机（ELM）[34]也可以用作离线MPPT模型。基于BP-ANN的离线MPPT模型的结构如表4和图9所示。
在图9中，M表示隐藏层节点的数目；Wji（j=1，2，hellip;，8；i=1，2，hellip;，M）表示第j个输入与第i个隐藏层节点之间的权重；bi表示第i个隐藏层节点的偏移值；f表示激活函数；yh-i表示第i个隐藏层节点的输出。BP-ANN模型的输出公式化为式（1）。式中（i=1，2，hellip;，M）表示第i隐层节点和输出节点之间的权重。
为了离线获取虚拟机，图9中的BP-ANN模型需要使用由大量MPP数据样本组成的MPP知识库进行训练。这些样品可以在系统安装到船上后的实际操作过程中采集。然而，知识库在安装前也需要通过实验进行初始化。具体来说，对于表5中列出的每个典型环境（由天气决定），使用式（2）计算阴影光伏组件的辐照度和温度，式中和是介于[0 1]之间的常数，表示相应的辐照度和温度阴影系数。
然后，在每个可能的组合中测试表5中的每个情况。例如，3*8 TCT PV组有9 8 7 6 5 4 3 2 1=45个阴影组合（即Nc=0和Ns=0-8，Nc=1和Ns=0-7，hellip;，Nc=7和Ns=0-1，Nc=8和Ns=0）。因此，在安装前需要进行一系列的实验，得到的270组标准MPP数据用于知识库的初始化和BP-ANN模型的训练。
3.2基于Pamp;O的在线MPPT
离线MPPT的目标是获得对短期扰动的快速响应，然后采用在线Pamp;O方法作为第二步确保MPPT的准确性。具体来说，BP-ANN模型的输出被提供给DC/DC控制电路，以直接驱动光伏阵列在虚拟机离线运行。然后，将Pamp;O原则应用于系统，具体步骤如下：
第一步：对光伏阵列施加随机干扰，阵列在Vm offline 下工作； 第二步：比较扰动前后光伏输出功率（Parray）；
第三步：如果招架增加，则以同一方向连续干扰系统；
第四步：如果减少功率，改变方向并重新干扰系统。
MPPT执行器是连接在每个PV组的终端的DC/DC电路，例如boost转换器或buck转换器。DC/DC电路可由比例积分原理（PI）控制，如图所示，其中K（t）表示DC/DC电路中开关的占空比；kp和Ti分别表示PI原理中的比例系数和积分时间；Varray表示光伏组的实际电压；Vm表示离线/在线混合MPPT方法。请注意，在脱机期间，Vm等于Vm offline，然后在联机期间，Vm等于Vm offline 或Vm offline-（由Pamp;O原则决定）。
如上所述，当短期环境扰动发生时，离线MPPT方法直接驱动系统在近似MPP附近运行，然后在线MPPT方法继续驱动系统逐步向更精确的全局MPP方向发展。最后，在当前的环境条件下，系统在真实MPP附近轻微振荡。注意，所获得的实际MPP和相应的环境数据被收集并反馈给MPP知识库，用于训练BP-ANN模型以抑制下一次干扰。
所提出的离线/在线混合MPPT方法的详细示意图如图10所示。
4、长期干扰：MPP知识库的时间窗
除了短期的环境干扰外，高盐度、高湿度、高风速的海洋环境也会对整个光伏系统产生长期的影响。众所周知，光伏组件的退化率受气候条件的影响很大[35]，但对这些影响的详细机制的确切了解还远未完成[36]。例如，对于安装在离海不到500米的湿热气候条件下的光伏系统（在中国深圳，18年），光伏组件的平均功率退化率约
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235567]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
