买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广西大学申请的专利一种多步量子李群模型预测的光伏最大功率点跟踪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116700425B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310727280.5，技术领域涉及：G05F1/67；该发明授权一种多步量子李群模型预测的光伏最大功率点跟踪方法是由殷林飞;李济深设计研发完成，并于2023-06-19向国家知识产权局提交的专利申请。

本一种多步量子李群模型预测的光伏最大功率点跟踪方法在说明书摘要公布了：本发明提出一种多步量子李群模型预测的光伏最大功率点跟踪方法，该多步量子李群模型预测方法的主要步骤是：（1）测量光伏阵列的气象条件和电气量；（2）量子李群网络计算光伏组件最大功率点;3光伏阵列最大功率点计算模型估计光伏最大功率点参考值；（4）多步预测模型预测未来多个时刻的光伏系统状态量；（5）通过两阶段优化函数计算最优控制序列；（6）输出最优控制量。所提光伏最大功率点跟踪方法能兼顾动态性能和稳态精度，实现最优控制功能，优化光伏最大功率点跟踪过程，提高光伏最大功率点跟踪系统的稳定性。

本发明授权一种多步量子李群模型预测的光伏最大功率点跟踪方法在权利要求书中公布了：1.一种多步量子李群模型预测的光伏最大功率点跟踪方法，其特征在于，采用光伏组件隐式超越方程构建动态电导模型，能够实现高拟合精度和实时更新动态电导的计算值；通过增加偏差反馈校正保证光伏系统的稳定运行；将多步预测模型和量子李群网络进行结合，能够降低预测模型的最大功率点参考值计算复杂度，提高计算所得参考值的准确度；提升光伏最大功率点的全局跟踪和持续跟踪能力，实现快速的最大功率点搜索；使用两阶段优化方法，实现快速跟踪最大功率点参考值和优化最大功率点功率的功能；使用过程中的步骤为： 步骤1：采用动态电导模型作为光伏组件离散预测模型，第k+1步的光伏组件电流IPVk+1为： IPVk+1＝GPVkVPVk+1-VPVk+IPVk1 其中,VPVk和IPVk为第k步的光伏组件电压和电流；VPVk+1和IPVk+1为第k+1步的光伏组件电压和电流；GPVk为第k步的光伏组件的动态电导量； 步骤2：动态电导模型用于预测下一步的组件电流，动态电导模型的计算值跟随预测值的变化而更新；在保留动态电导模型形式的基础上，根据光伏组件的隐式超越方程推导光伏组件的动态电导计算公式，从而将光伏组件的电气特性纳入到动态电导模型中，第k步的光伏组件动态电导GPVk为： 其中，Rsh为分流电阻；Rs为串联电阻；Is为二极管饱和电流；Vd和VT为直流电压和电池温度电压的中间变量；Vdk＝VPVk+IPVk·Rs；VT＝nDKbTq；nD为二极管品质因子；Kb为波尔兹曼常数；T为电池温度；q为电子电荷；exp为以e为底的指数函数； 步骤3：公式1和公式2共同构成光伏组件的显式离散模型，采用显式离散模型与光伏阵列的串并联拓扑结构建立光伏阵列离散模型，构成的光伏阵列离散模型的第k+1步光伏阵列电流Iarrayk+1为： Iarrayk+1＝GarraykVarrayk+1-Varrayk+Iarrayk3 其中，Iarrayk为第k步的光伏阵列电流；Varrayk为第k步的光伏阵列电压；Garrayk为第k步的光伏阵列动态电导；Iarrayk+1为第k+1步的光伏阵列电流；Varrayk+1为第k+1步的光伏阵列电压； 步骤4：构建Boost变换器离散模型，具体模型为： 其中，ILk为第k步的电感电流；ILk+1为第k+1步的电感电流；S为开关元件的开关信号；S＝1为开关导通；S＝0为开关闭合；Ts为一个周期的时间；L为Boost变换器中的电感；C1为Boost变换器中的电容；VDC为等效直流源电压； 步骤5：利用光伏阵列离散模型与Boost变换器离散模型结合构成的光伏系统离散预测模型为： 其中，Garrayk为第k步的光伏阵列动态电导； 步骤6：光伏系统离散单步预测模型第k步的矩阵形式为： 其中， xk＝[ILkIarraykVarrayk]T；yk＝[IarraykVarrayk]T；[]T为矩阵的转置；xk为第k步的x；xk+1为第k+1步的x；yk为第k步的y；Sk为第k步开关元件的开关信号S的状态； 步骤7：由光伏系统离散单步预测模型进一步转化的多步预测模型为： 其中，m为预测的总步数；i和k为步数；xk+1、xk+m-1和xk+m分别为第k+1步、第k+m-1步和第k+m步的x；xi+1、xi+m-1和xi+m分别为第i+1步、i+m-1步和i+m步的x；yk+1、yk+m-1和yk+m分别为第k+1步、第k+m-1步和第k+m步的y；A1、Am-1和Am分别为第1步、第m-1步和第m步的预测模型矩阵方程式中的参数A；b1、b2和bm分别为第1步、第2步和第m步的预测模型矩阵方程式中参数b； 步骤8：为保证系统的鲁棒性，增加一个偏差反馈校正环节防止预测值出现较大偏差，通过一个增量来校正预测值的模型为： 其中，ΔIk为第k步的测量电流和预测电流的偏差值；ΔVk为第k步的测量电压与预测电压的偏差值；为第k+1步光伏阵列电流校正值；为第k+1步光伏阵列电压校正值； 步骤9：采用量子李群网络来计算光伏组件的最大功率点参考值，进一步用来估计整个光伏阵列的最大功率点参考值； 对光伏采取n组不同光照强度和不同温度下的仿真，得到对应光伏最大功率点的电压和电流；将光伏的光照强度和温度作为量子神经网络的输入数据qinh＝Eh，Wh，对应的光伏最大功率点的电压和电流作为输出数据gouth＝IMPPh，VMPPh；第h组的量子神经网络计算模型为： IMPPh，VMPPh＝QLEh，Wh9 其中，IMPPh为第h组最大功率点的电流；VMPPh为第h组最大功率点的电压；Eh为第h组的光伏所受光照强度；Wh为第h组的光伏所受温度；QL为量子李群网络； 步骤10：量子李群网络由量子张量神经网络和李群网络组成，量子张量神经网络是量子神经网络的一种，有着经典深度神经网络的多层分级结构，能够提供量子态的高效近似表达并且简化量子电路描述；具有张量结构的量子神经网络能够判别任务和生成任务，量子张量神经网络是具有固定的树状结构的量子电路；引入李群网络进行参数的更新变换，李群网络是元学习的一种基于梯度下降更新参数的方法，分为内循环与外循环两层结构，外循环对应机器学习的一次梯度更新过程，内循环则是根据少量新种类数据学习新种类任务的过程；量子张量神经网络由量子比特、量子门和量子测量构成； 步骤11：将n组输入数据ginn进行量子比特编码转化为n组量子数据将量子数据编码为n个量子比特乘积态，对基态施加单量子比特旋转门来实现输入量子态|xq的制备，输入量子态|xq为： 其中，|xq为由n个量子比特构成的复合系统量子态；为克罗内克积；cos为余弦函数；sin为正弦函数；xin1、xin2和xinn分别为判别模型神经网络输入数据的第1个、第2个和第n个数据；和分别为第1个、第2个和第n个量子比特态；π为圆周率； 步骤12：将输入量子态|xq施加幺正变换，得到输出量子态|xqout，对部分输出量子态进行量子测量得到输出结果xouth，把输出结果xouth量测为经典比特数据；利用李群网络进行输出数据qouth与输出结果xouth的比较，根据误差更新幺正变换的训练参数直到误差满足精度要求； 步骤13：幺正变换的训练参数采用李群网络内循环进行更新，将输入数据|xq分为训练数据τtra和验证数据τqry，经过李群网络内循环更新后的训练参数θ′为： 其中，θ和Φ为幺正变换的训练参数；θ′经过李群网络内循环更新后的参数θ；α为内循环更新过程中的学习率；为对训练数据τtra的损失函数；f[Φ,θ]为经过李群网络参数更新后的输出数据值；为对参数θ的微分；为参数θ微分的转置； 步骤14：使用验证数据τqry对训练参数θ′的性能进行验证，生成损失函数通过不断缩小输出数据qouth与输出结果xouth的偏差，直到满足精度要求后停止训练；由量子李群网络计算出光伏最大功率点参考值后，作为光伏最大功率点跟踪系统的控制目标进行追踪； 步骤15：设置两阶段优化方法，根据不同的控制目标分为第一阶段二次优化函数优化追踪过程和第二阶段功率优化函数优化功率稳定性；在光伏最大功率点跟踪系统处在跟踪最大功率点参考值时为第一阶段优化，采用二次优化函数模型；二次优化函数值g1为： 其中，g1为二次优化函数值；为n个数据相加的值；λI,i为电流的权重系数；λV,i是电压的权重系数；为最大功率点电流参考值；为最大功率点电压参考值；为第k+i步光伏阵列电流校正值；为第k+i步光伏阵列电压校正值； 步骤16：控制量取最小二次优化函数值对应的开关信号，第k+i步的控制量K1k+i为： K1k+i＝fmin{g1}13 其中，K1k+i为第k+i步的控制量；g1为二次优化函数值；min{}为取最小值；fmin{g1}为最小二次优化函数值的输出值； 步骤17：跟踪到参考值后，控制目标转化为功率优化，开始第二阶段的功率优化，功率优化函数的值g2为： 其中，g2为功率优化函数的值； 步骤18：第二阶段控制量取最大功率优化函数值对应的开关信号，第k+i步的控制量K2k+i为： K2k+i＝fmax{g2}15 其中，K2k+i为第k+i步的控制量；g2为二次优化函数值；max{}为取最小值；fmax{g2}为最大功率优化函数值的输出值； 步骤19：二次优化函数与功率优化函数之间的切换条件为光伏阵列工作点是否达到最大功率点参考值，通过光伏阵列工作点电压和电流与参考电压和电流的偏差来进行判断的模型为： 其中，σ为二次优化函数和功率优化函数之间切换条件的偏差判别值； 步骤20：通过多步量子李群模型预测的方法让光伏最大功率点跟踪控制器输出最佳脉冲宽度调制信号改变开关元件的状态，让光伏阵列的输出功率逐渐向最大功率点靠拢，最终达到输出光伏阵列最大功率的功能。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广西大学，其通讯地址为：530004 广西壮族自治区南宁市西乡塘区大学东路100号广西大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。