[发明专利]一种光伏发电微型电网系统及最大功率跟踪方法

权利要求书

1.一种光伏发电微型电网系统，其特征是该系统包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心；

所述光伏电池组件和微型逆变器连接；微型逆变器、能量监控中心、负荷和保护隔离装置分别与微网母线连接；保护隔离装置的另一端与外部电网连接；

所述光伏电池组件为该系统提供电力；

所述微型逆变器按照功率调度指令控制其所连接光伏电池组件的直流-交流变换，并采集所连接光伏电池组件的开路电压和电池温度以及所对应的最大功率工作点电压，构成样本发送给能量监控中心；

所述能量监控中心用于对微型逆变器进行功率调度，并根据微型逆变器收集的样本，利用BP神经网络训练最大功率点电压预测模型，发送给微型逆变器用于最大功率跟踪控制。

2.根据权利要求1所述的一种光伏发电微型电网系统，其特征是所述微网母线中的通信协议为LonWorks现场总线协议。

3.一种根据权利要求1所述的系统进行最大功率跟踪的方法，其特征是该方法包括以下步骤：

步骤1：通过微型逆变器采集光伏电池组件的开路电压和电池温度；

步骤2：将开路电压和电池温度输入到最大功率点电压预测模型，得到光伏电池组件最大功率点电压的预测值；

步骤3：对微型逆变器进行调节，使得光伏电池组件的实际电压跟踪至最大功率点电压的预测值；

步骤4：以最大功率点电压的预测值为初始值，通过指定迭代方法以设定步长跟踪光伏电池组件的最大功率；

步骤5：迭代过程中，比较第k次迭代后的功率值和第k-1次迭代后的功率值，其中，k＝2，…，n，若两者之差大于设定阈值，则返回步骤1。

4.根据权利要求3所述的最大功率跟踪方法，其特征是所述最大功率点电压预测模型为BP神经网络预测模型。

5.根据权利要求4所述的最大功率跟踪方法，其特征是所述BP神经网络预测模型由输入层、隐含层和输出层三层神经元构成。

6.根据权利要求5所述的最大功率跟踪方法，其特征是所述神经元采用S型函数作为转移函数。

7.根据权利要求4所述的最大功率跟踪方法，其特征是所述BP神经网络预测模型采用误差反向传播训练算法作为学习算法。

8.根据权利要求3所述的最大功率跟踪方法，其特征是所述指定迭代方法为电导增量法。

9.根据权利要求3所述的最大功率跟踪的方法，其特征是所述对微型逆变器进行调节的公式为：

D(k)=Kpe(k)+KiΣj=0ke(k)]]>

其中：

D(k)为第k次采样时刻微型逆变器中反激变换器的脉冲宽度调制PI控制器的输出值；

e(k)为第k次采样时刻实际工作电压V(k)和MPP电压预测值V_ref的偏差值，即：e(k)＝V(k)-V_ref；

K_p为比例系数；

K_i为积分系数。