超硬B-C-N化合物晶体和电子结构的第一性原理研究

基于第一性原理,利用密度泛函理论(DFT)在广义梯度近似(GGA)下的从头计算平面波超软赝势方法,从超硬材料BeCN2的结构(I-42d)出发,设计了B-C-N三元化合物,计算了弹性常数、声子谱、态密度、理论维氏硬度和高压下的物性变化.结果表明:四方结构B-C-N三元化合物有B2CN、BC2N和BCN2三种不同晶胞,其中BC2N力学稳定性和动力学稳定性较好.BC2N体积模量高达338 GPa,晶体结构中存在金属键,具有很强的共价键.BC2N的维氏硬度为49.0 GPa,属于超硬材料.压缩率低于超硬材料cg-CN,杨氏模量、体积模量、剪切模量和泊松系数均随外压的增大而增大,反映出结构的刚性、抗横向、切向及纵向形变能力增强.     

基于PI调节占空比的自适应MPPT方法

最大功率点跟踪(MPPT)技术是提高光伏发电效率的重要途径之一。扰动观测法是MPPT控制中最常用的方法,针对其无法兼顾跟踪速度与最大功率点跟踪过程的震荡问题,提出了一种基于PI调节占空比的自适应MPPT方法,该方法针对占空比采用基于PI调节的自适应策略。通过Simulink建模仿真,与其他方法进行对比分析,结果显示了该方法可显著地提高了最大功率点跟踪的速度与精度。     

基于模型辨识的BP神经网络在光伏系统MPPT中的应用

光伏电池作为光伏发电系统的重要组成部分,研究其模型的准确性并对其最大功率点进行预测与跟踪,对于光伏发电效率的提高具有重大意义。本文首先根据光伏电池的内部结构和伏安特性建立其数学模型,并对所建立的模型进行参数辨识,进而得到模型输出与测量信息偏差最小的参数值,验证模型的准确和有效性。根据模型所反映的规律,将温度和光照强度作为输入变量,最大功率点对应的电压作为输出变量,构建了用于MPPT的神经网络模型。神经网络经训练后对最大功率点电压进行预测与跟踪,结果表明构建的神经网络具有良好的适应性。