基于GA-BPNN的MPPT控制方法與P&O的比較

金焱飛，張會林，張　松，史超然，李榮偉

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

?

基于GA-BPNN的MPPT控制方法與P&O的比較

金焱飛，張會林，張松，史超然，李榮偉

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

針對傳統(tǒng)光伏電池陣列控制方式在復(fù)雜天氣環(huán)境下，對最大功率點(diǎn)跟蹤效果不理想的現(xiàn)象。設(shè)計(jì)了一種基于GA-BPNN的改進(jìn)型恒壓光伏MPPT控制算法，并通過搭建基于GA-BPNN的改進(jìn)型恒壓光伏MPPT的仿真模型，再與傳統(tǒng)P&O控制方法進(jìn)行比較分析。仿真結(jié)果證明，該算法能準(zhǔn)確快速地在復(fù)雜天氣環(huán)境下進(jìn)行最大功率點(diǎn)跟蹤，且性能穩(wěn)定。

光伏電池陣列；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；干擾觀測法

由于傳統(tǒng)能源的消耗給生態(tài)環(huán)境帶來了重大的破壞，使國家經(jīng)濟(jì)社會發(fā)展面臨資源匱乏和污染加劇的雙重考驗(yàn)[1]。太陽能作為可再生綠色能源，因其無污染、低成本、易獲取的特點(diǎn)，已成為代替?zhèn)鹘y(tǒng)能源的首選能源[2]。現(xiàn)如今光伏陣列作為光伏發(fā)電系統(tǒng)中不可或缺的一個組成部分，其轉(zhuǎn)換效率和穩(wěn)定性顯得尤為重要。為了使光伏陣列達(dá)到最佳轉(zhuǎn)換效率，且能應(yīng)對各種復(fù)雜的氣象環(huán)境，本文設(shè)計(jì)了一種基于GA-BPNN的最大功率點(diǎn)跟蹤技術(shù)。最后，通過搭建Matlab/Simulink仿真模型，分析比較了干擾觀測法和基于GA-BPNN的控制方法，結(jié)果表明基于GA-BPNN的控制方法可以彌補(bǔ)干擾觀測法的不足。

1　光伏電池板的等效模型

本文采用一種新型的四參數(shù)光伏陣列模型[3]，模型的等效電路如圖1所示，其數(shù)學(xué)表達(dá)式

(1)

其中，Iph表示光生電流；I0表示反向飽和電流;Rs表示光伏電池串聯(lián)等效電阻；n是理想因子，Ut=kq/T，其中k是波爾茲常數(shù)，k=1.381×10-23J/K，q是電子電荷量，q=1.602×10-19C，T是光伏電池溫度。

圖1　光伏電池等效電路

當(dāng)光伏電池短路時，I=Isc，U=0，由此可得

Iph=Isc

(2)

當(dāng)光伏電池開路時，I=0，U=Uoc，由此可得

(3)

當(dāng)光伏電池的輸出處于最大功率點(diǎn)時，I=Im，U=Um，由此可得

(4)

(5)

為應(yīng)對各種復(fù)雜環(huán)境，需不斷對光照強(qiáng)度和溫度公式進(jìn)行修正，修正公式如下[4]

(6)

(7)

(8)

(9)

其中，M為修正系數(shù)；a為短路電流溫度系數(shù)；b為開路電壓溫度系數(shù)，其他具體參數(shù)均可由制造商提供的技術(shù)文件獲得，本文將光照強(qiáng)度Gref=1 000 W/m2，溫度Tref=25 ℃設(shè)置為外部環(huán)境的參考狀態(tài)。

基于上述數(shù)學(xué)模型，本文在Simulink上搭建了帶修正的新型光伏電池仿真模型，并通過此光伏電池模型得到電流I-電壓V，功率P-電壓V的特性如圖2所示。

圖2　不同光強(qiáng)和溫度時的特性曲線

2　干擾觀測法

干擾觀測法是目前使用最多的MPPT方法之一，其原理是光伏電池先給出一個輸出電壓Uo，接著再調(diào)節(jié)升壓電路開關(guān)管的占空比，來實(shí)現(xiàn)對輸出電壓的周期性擾動，比較前后功率的大小[5]。若功率隨著輸出電壓的變化而相向變化，則說明此時的功率點(diǎn)在最大功率點(diǎn)的左側(cè)，反之亦然。經(jīng)過反復(fù)的擾動判斷，工作點(diǎn)會越來越接近最大的功率點(diǎn)[6]。

本文根據(jù)干擾觀測法的控制算法，在Matlab/Simulink中建立了一個定步長的干擾觀測法控制的MPPT仿真模型。

3　基于GA-BPNN的MPPT控制系統(tǒng)

擾動觀測法由于需不斷地?cái)_動來判斷是否在最大功率點(diǎn)，所以并不能穩(wěn)定在該點(diǎn)處。當(dāng)外部環(huán)境發(fā)生突變，P&O控制方法就不能準(zhǔn)確判斷出輸出功率的變化原因，從而導(dǎo)致最大功率點(diǎn)的跟蹤方向出現(xiàn)錯誤，最終使電壓和功率崩潰，使系統(tǒng)出現(xiàn)嚴(yán)重的震蕩現(xiàn)象，所以本文提出基于GA-BPNN的新型最大功率點(diǎn)跟蹤方式。

圖3　基于GA-BPNN的光伏MPPT結(jié)構(gòu)圖

首先通過采樣當(dāng)前的環(huán)境溫度和光照強(qiáng)度，再將這兩組數(shù)據(jù)傳給經(jīng)BP遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)，得到最優(yōu)電壓值，最后再將獲得的優(yōu)化電壓值作為恒電壓控制方法的恒定電壓參數(shù)，從而實(shí)現(xiàn)復(fù)雜環(huán)境下仍能準(zhǔn)確快速的追蹤到最大功率點(diǎn)。其結(jié)構(gòu)圖如圖3所示。

3.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)可通過從真實(shí)的具有廣泛代表性的數(shù)據(jù)中歸納出基于采樣數(shù)據(jù)的預(yù)測模型，BP神經(jīng)網(wǎng)絡(luò)的算法可分為神經(jīng)網(wǎng)絡(luò)的構(gòu)建、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、神經(jīng)網(wǎng)絡(luò)的預(yù)測3部分。本文中是根據(jù)外界的溫度和光照強(qiáng)度來預(yù)測此時的最佳工作電壓，既輸入層有溫度和光照強(qiáng)度兩個節(jié)點(diǎn)，輸出層是最佳電壓一個節(jié)點(diǎn)。本文通過試湊法來確定隱含層的最佳節(jié)點(diǎn)數(shù)，試湊法的公式如下[7]

(10)

其中，M是輸入層神經(jīng)元個數(shù)；L是輸出層神經(jīng)元個數(shù)；α是1～10之間的常數(shù)；Q是隱含層的神經(jīng)元個數(shù)。經(jīng)過反復(fù)測試和結(jié)合實(shí)際情況，最終確定了隱含層有5個節(jié)點(diǎn)。

文中采用上述新型光伏電池仿真模型，記錄了60組在不同時刻下環(huán)境溫度、光照強(qiáng)度和最大功率點(diǎn)的電壓。再通過Matlab訓(xùn)練光伏MPPT控制的神經(jīng)網(wǎng)絡(luò)，將光照強(qiáng)度和外界環(huán)境的溫度作為輸入，最大功率點(diǎn)的電壓作為輸出，隨機(jī)選取51組數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，其余的9組作為網(wǎng)絡(luò)測試數(shù)據(jù)，構(gòu)建好的神經(jīng)網(wǎng)絡(luò)。

文中選用Trainlm函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，隱含層的傳輸函數(shù)選為Tansing函數(shù)，輸出層的傳輸函數(shù)選為Purelin函數(shù)，最大訓(xùn)練設(shè)置為3 000步，誤差指標(biāo)為0.01。

3.2遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)

本文采用遺傳算法對神經(jīng)網(wǎng)絡(luò)的3個部分進(jìn)行優(yōu)化[8]：首先通過輸入和輸出參數(shù)的個數(shù)來確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；然后使用遺傳算法計(jì)算出適應(yīng)度值和一系列遺傳操作得到最優(yōu)個體，且其可對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行賦值；最后通過優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測輸出。

上文已經(jīng)確立了網(wǎng)絡(luò)結(jié)構(gòu)為2-5-1型，共有2×5+5×1=15個權(quán)值，5+1=6個閾值，本文選擇的遺傳算法的個體編碼長度為15+6=21。采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出與期望輸出的誤差絕對值和作為適應(yīng)度函數(shù)F公式如下

F=k(abs(yi-oi))

(11)

文中采用輪盤賭法作為遺傳算法的選擇操作，每個個體的選擇概率Pi為

(12)

對實(shí)數(shù)編碼個體進(jìn)行交叉操作的方法如下[9]

(13)

再選取第i個個體的第j個基因aij進(jìn)行如下的變異操作

(14)

其中，yi和oi分別是第i個節(jié)點(diǎn)的期望輸出和神經(jīng)網(wǎng)絡(luò)預(yù)測輸出；fi=k/Fi;N是種群個體數(shù)目；b和r是[0,1]之間的隨機(jī)數(shù)[10]，f(t)=r(1-t/Tmax)；t是指當(dāng)前迭代的次數(shù)，Tmax是指最大進(jìn)化的次數(shù)。

遺傳算法的具體運(yùn)行的參數(shù)如下：種群規(guī)模數(shù)為10，交叉概率為0.4，終止進(jìn)化次數(shù)為30，變異概率為0.2。進(jìn)化結(jié)束后將遺傳算法得到的最優(yōu)個體賦值到神經(jīng)網(wǎng)絡(luò)中。

4　仿真分析

為驗(yàn)證所設(shè)計(jì)基于GA-BPNN控制的MPPT比傳統(tǒng)的控制方式要優(yōu)越，文中搭建了基于GA-BPNN控制的光伏系統(tǒng)MPPT仿真模型如圖4所示。仿真參數(shù)具體設(shè)置為：環(huán)境溫度為25 ℃，光照強(qiáng)度設(shè)置為1 000 W/m2和800 W/m2，仿真時間設(shè)置為0.02 ，在啟動時光照強(qiáng)度設(shè)置為1 000 W/m2，接著在0.01 后將光照強(qiáng)度轉(zhuǎn)換成800 W/m2。

該系統(tǒng)采用GA-BPNN控制方式，使光伏電池輸出電壓始終保持在其最大功率點(diǎn)處。光伏電池與后續(xù)的升壓電路之間用一個容量為100 μF大電容連接，將此大電容作為Boost電路的直流源。本文中考慮到一定的裕量將Boost電感設(shè)置為10 mH，整個系統(tǒng)的負(fù)載設(shè)置為5 Ω。仿真結(jié)果如圖5(a)所示，圖5(b)是基于干擾觀測法控制的系統(tǒng)仿真圖。

圖4　基于GA-BPNN控制算法的光伏系統(tǒng)MPPT仿真模型

(a)　基于GA-BPNN的仿真圖

(b)　基于干擾觀測法的仿真圖圖5　干擾觀測法控制系統(tǒng)仿真圖

比較圖5(a)與圖5(b)可發(fā)現(xiàn)，在1 000 W/m2光照強(qiáng)度的環(huán)境下，系統(tǒng)還沒有追蹤到最大功率點(diǎn)，光照強(qiáng)度突然從1 000 W/m2轉(zhuǎn)換成800 W/m2時，系統(tǒng)會出現(xiàn)嚴(yán)重的震蕩現(xiàn)象，而基于GA-BPNN控制的系統(tǒng)則會較為平穩(wěn)的過渡，并相比于干擾觀測法，其還可快速的追蹤到最大功率點(diǎn)。究其原因，基于GA-BPNN的控制算法，正是由于擁有遺傳算法的過程，從而能克服P&O控制方法不能適應(yīng)各種復(fù)雜環(huán)境的缺點(diǎn)。

比較兩圖發(fā)現(xiàn)時間經(jīng)過0.01 s后，圖5(a)中的功率值能夠穩(wěn)定在100 W處，然而在圖5(b)中的功率值卻總在100 W左右擺動。這是由于基于GA-BPNN的控制算法需通過不斷的擾動來判斷其現(xiàn)在是否處于最大功率點(diǎn)，所以在光照強(qiáng)度穩(wěn)定時，輸出的最大功率也較為穩(wěn)定。

5　結(jié)束語

本文針對復(fù)雜氣象環(huán)境下傳統(tǒng)的MPPT控制方法不能準(zhǔn)確的追蹤到最大功率點(diǎn)問題，設(shè)計(jì)了基于GA-BPNN的MPPT控制系統(tǒng)。通過對比和分析兩種控制方式下的最終仿真波形圖，結(jié)果驗(yàn)證了GA-BPNN具有應(yīng)對復(fù)雜氣象環(huán)境的能力。

[1]李營.基于分段模糊控制方法的光伏MPPT控制策略研究[J].機(jī)電工程技術(shù),2015, 44(8):82-86.

[2]張正文,譚文龍,潘甲,等.狼群搜索算法在光伏陣列MPPT中的應(yīng)用[J].河南科技大學(xué)學(xué)報:自然科學(xué)版,2015,36(5):57-61.

[3]楊永恒,周克亮.光伏電池建模及MPPT控制策略[J].電工技術(shù)學(xué)報,2011,26(S1):229-234.

[4]Aissa Chouder,Santiago Silvestre,Nawel Sadaoui,et al.Modelling and simulation of a grid connected PV system based on the evaluation of main PV module parameters [J].Simulation Modelling Practice and Theory,2012,20(1):46-58.

[5]肖伸平,曾鈺,趙培哲.改進(jìn)干擾觀測法在光伏發(fā)電系統(tǒng)MPPT中的應(yīng)用[J].新型工業(yè)化,2014(4):45-50.

[6]張毅,帕孜來·馬合木提,徐立亮.改進(jìn)3點(diǎn)權(quán)位法的光伏電池MPPT控制器的應(yīng)用研究[J].電氣傳動,2015,45(6):65-68.

[7]Veerachary M,Senjyu T,Uezato K. Neural network based maximum power point tracking of coupled-inductor interleaved-boost-converter-suppied pv system using fuzzy controller[J].IEEE Transactions on Ind Electronics,2003,50(4):749-758.

[8]王小川,史峰,郁磊,等.Matlab神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京:北京航空航天大學(xué)出版社,2013.

[9]朱獻(xiàn)文.基于遺傳算法和Hopfield神經(jīng)網(wǎng)絡(luò)的字符識別方法[J].電子設(shè)計(jì)工程,2011,19(18):57-59.

[10] 王德明,王莉,張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報:工學(xué)版,2012,46(5):837-841.

Comparison of MPPT Control Methods Based on GA-BPNN and Perturb & Observe Algorithm

JIN Yanfei, ZHANG Huilin, ZHANG Song, SHI Chaoran, LI Rongwei

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

This paper introduces a modified constant pressure PV MPPT control algorithm based on GA-BPNN for better power point tracking effect than traditional control method under complex weather conditions. The simulation model of a modified constant pressure PV MPPT control algorithm based on GA-BPNN is constructed and compared with the P&O control method. The result shows that the algorithm can track maximum power point accurately and quickly with better stability and higher precision.

photovoltaic array; BP neural network; genetic algorithm; disturbance observation method

10.16180/j.cnki.issn1007-7820.2016.08.042

2015-11-18

滬江基金資助項(xiàng)目(B1402/D1402)

金焱飛(1991-)，男，碩士研究生。研究方向：電力電子與電力傳動。

TM914.4+3; TP391

A

1007-7820(2016)08-145-04