Advanced Control And Condition Monitoring PV Systems
Author
Olita, Fabrizio
Term
3. term
Education
Publication year
2012
Submitted on
2012-06-21
Pages
51
Abstract
Dette projekt udvikler en avanceret, forudsigende overvågningsstyring til et fotovoltaisk (PV) anlæg, der kan følge driften både i normalt sollys og ved delvis skygge. Vores case er en streng med 16 paneler i serie. Ud fra målte spændings- og strømsignaler byggede vi en model, der forudsiger maksimum-effektpunktet (MPP) og de tilhørende spændings- og strømværdier. Startmodellen er baseret på fabrikantspecifikationer (databladparametre). Overvågningen er baseret på en Model Reference Adaptive System (MRAS). En ikke-lineær referencemodel forudsiger anlæggets opførsel, og styringen sammenligner forudsigelsen med de målte værdier. Forskellen kaldes forudsigelsesfejlen. Når fejlen er under en tærskel, betragtes modellen som tilstrækkelig. Hvis fejlen overstiger tærsklen, undersøger overvågningsalgoritmen anlæggets spændings-strøm (V-I) karakteristik for tegn på skygning ved at analysere første- og andenderivert. Metoden virker bedst, når V-I-kurven er glat, og der ikke er kraftige strømvariationer; valg af samplingtid og numeriske fejl kan påvirke resultatet. Da en avanceret styring også bør kunne tilpasse sine parametre for at minimere forudsigelsesfejlen, afprøvede vi en Newton-Raphson-baseret opdateringsstrategi. I simulering klarede denne strategi sig dårligt, hvilket peger på behov for forbedringer af både model og algoritme. For at køre ved MPP implementerede vi en standard MPPT-metode, Perturb and Observe, som trin for trin finder punktet, hvor hældningen af effektkurven er nul. Effektkonverteringen sker med en enkelttrins DC/AC-omformer med spændings- og strømstyring for at levere de krævede værdier til elnettet. Alle dele er modelleret i Simulink, og modellerne er skrevet i MATLAB. Arbejdet lægger grunden til mere kapable MRAS-baserede styringer, der kan øge PV-effektiviteten ved hurtigt at finde MPP. Fremtidigt arbejde kan omfatte bedre metoder til parameterestimering og en rigere PV-referencemodel med fem eller flere parametre for bedre at opfylde objektfunktionen.
This project develops an advanced, predictive supervisory control for a photovoltaic (PV) system that can track operation in normal sunlight and under partial shading. Our test case is a string of 16 series-connected panels. From measured voltage and current, we built a model that predicts the maximum power point (MPP) and the corresponding voltage and current. The initial model uses only manufacturer datasheet parameters. The supervision is based on a Model Reference Adaptive System (MRAS). A nonlinear reference model predicts the PV array’s behavior, and the controller compares this prediction with the measured response. The difference is the prediction error. When the error stays below a set threshold, the model is considered adequate. If it exceeds the threshold, the monitoring algorithm scans the array’s voltage–current (V-I) characteristic for signs of shading by analyzing its first and second derivatives. This detection works best when the V-I curve is smooth and current changes are not abrupt; sampling time and numerical errors can affect the outcome. Because an advanced controller should also adapt its parameters to minimize prediction error, we tested a Newton-Raphson update strategy. In simulation, this approach performed poorly, indicating that both the model and the algorithm need refinement. To operate at the MPP, we implemented a standard maximum power point tracking (MPPT) method, Perturb and Observe, which iteratively finds the point where the slope of the power curve is zero. Power conversion uses a single-stage DC/AC converter with voltage and current control to deliver the required values to the grid. All components were modeled in Simulink with code written in MATLAB. This work lays a foundation for more capable MRAS-based control systems that can maximize PV efficiency by locating the MPP quickly. Future work includes improved parameter estimation methods and a richer PV reference model with five or more parameters to better meet the objective function.
[This abstract was generated with the help of AI]
Documents