基于大變異GA-BP的MPPT的仿真與研究

劉 寧，張 晶，趙圣芳

（山東科技大學(xué) 自動(dòng)化學(xué)院，青島 266000）

基于大變異GA-BP的MPPT的仿真與研究

劉 寧，張 晶，趙圣芳

（山東科技大學(xué) 自動(dòng)化學(xué)院，青島 266000）

研究了溫度、光照強(qiáng)度對(duì)太陽(yáng)能電池板輸出特性曲線的影響。為了提高太陽(yáng)能電池板的光電轉(zhuǎn)換效率，結(jié)合影響光伏的兩大因素，提出了一種基于大變異遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的最大功率點(diǎn)跟蹤的方案。將溫度以及光照強(qiáng)度作為該神經(jīng)網(wǎng)絡(luò)的輸入建立出預(yù)測(cè)模型，通過(guò)MATLAB進(jìn)行仿真。仿真結(jié)果顯示出該系統(tǒng)可以準(zhǔn)確快速的跟蹤到最大功率點(diǎn)從而有效的提高了光伏電池的光電轉(zhuǎn)換效率。

大變異；神經(jīng)網(wǎng)絡(luò)；遺傳算法；最大功率點(diǎn)跟蹤

0 引言

隨著工業(yè)化進(jìn)程的加快，傳統(tǒng)能源已經(jīng)無(wú)法滿足人類發(fā)展的要求，加上傳統(tǒng)能源有在使用過(guò)程中對(duì)環(huán)境造成較大污染的問題，因此，以太陽(yáng)能為代表的新能源受到了人們的重視，成為了新的研究熱點(diǎn)。但是由于光伏系統(tǒng)中光電轉(zhuǎn)換效率一直較為低下，這一原因使得太陽(yáng)能的推廣和發(fā)展都受到了嚴(yán)重的阻礙。為了改變這一現(xiàn)象，各國(guó)都著力研究如何讓太陽(yáng)能電池板一直工作于最大功率點(diǎn)。

當(dāng)今社會(huì)最常用的最大功率點(diǎn)跟蹤方法有擾動(dòng)觀察法（P&D）、電導(dǎo)增量法、模糊邏輯控制法、恒電壓法以及滯環(huán)比較法，但這些方法都普遍無(wú)法準(zhǔn)確快速地追蹤到太陽(yáng)能的最大功率點(diǎn)。本文根據(jù)影響太陽(yáng)能電池板輸出功率的因素，如光照強(qiáng)度、溫度等設(shè)計(jì)出BP神經(jīng)網(wǎng)絡(luò)，鑒于BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，引入大變異遺傳算法的思想來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，根據(jù)實(shí)際的測(cè)量數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測(cè)出最大功率點(diǎn)對(duì)應(yīng)的電壓，從而實(shí)現(xiàn)MPPT控制，提高光伏系統(tǒng)的工作效率[1]。

1 光伏電池模型以及輸出特性

1.1 光伏電池建模

太陽(yáng)能電池板利用半導(dǎo)體硅所特有的光生伏打效應(yīng)實(shí)現(xiàn)光電轉(zhuǎn)換。

太陽(yáng)能電池板的等效模型如圖1所示。

根據(jù)太陽(yáng)能電池板的光生伏打效應(yīng)和基爾霍夫定理可以列出該光伏電池的輸出特性表達(dá)式：

圖1 光伏電池等效電路圖

為了能夠更加直接地看出光伏電池的特性曲線，也為了在MATLAB中搭建模型方便，將光伏電池的輸出電流和輸出電壓的公式推導(dǎo)出來(lái)。

光伏電池的輸出電流公式為：

式中，Ic和Vc為輸出電流和輸出電壓；Iph為光電流；Is為飽和電流；VT為溫度電壓；m為二極管因素。

由式(2)可以推導(dǎo)出光伏電池的輸出功率公式為：

式中，Pc為輸出功率；Vc為輸出電壓；Iph為光電流；Is為飽和電流；VT為溫度電壓；m為二極管因素。

1.2 光伏電池輸出特性

本文太陽(yáng)能電池板選取的是航天機(jī)電牌的光伏電池，其型號(hào)為HT60-156-265，該光伏電池在標(biāo)準(zhǔn)測(cè)試條件：大氣質(zhì)量AM1.5，輻照度1000，電池溫度，時(shí)其電氣參數(shù)如表1所示。

表1 部分參數(shù)現(xiàn)場(chǎng)數(shù)據(jù)

光伏電池的輸出特性曲線如圖2所示。

圖2 光伏電池的輸出特性曲線

從上面給出的特征曲線可以看出，要想使得太陽(yáng)能光伏電池的光電轉(zhuǎn)換效率提高，則必須跟蹤光伏電池的最大功率點(diǎn)[2]。

2 BP神經(jīng)網(wǎng)絡(luò)的計(jì)算

BP神經(jīng)網(wǎng)絡(luò)是當(dāng)今社會(huì)非常流行的誤差反向傳播學(xué)習(xí)算法，這是一種多層網(wǎng)絡(luò)的逆推學(xué)習(xí)算法。

1）輸入層設(shè)計(jì)

輸入層的設(shè)計(jì)是根據(jù)待解決問題來(lái)確定的。在本文的研究中，影響光伏電池最大功率點(diǎn)的因素是光照強(qiáng)度和溫度。因此該BP神經(jīng)網(wǎng)絡(luò)的輸入層為兩個(gè)輸入點(diǎn)，輸入層采用的tansig型傳遞函數(shù)。

2）輸出層設(shè)計(jì)

輸出層的設(shè)計(jì)也是根據(jù)待解決問題的結(jié)構(gòu)來(lái)確定的。對(duì)光伏系統(tǒng)而言，其需要解決的問題為輸出功率，因此該BP神經(jīng)網(wǎng)絡(luò)的輸出點(diǎn)數(shù)為1，輸出層采用的傳遞函數(shù)是logsig型。

3）隱含層設(shè)計(jì)

（1）隱含層層數(shù)設(shè)計(jì)

當(dāng)BP神經(jīng)網(wǎng)絡(luò)中的每一個(gè)傳輸點(diǎn)都是S型函數(shù)的時(shí)候，此時(shí)該網(wǎng)絡(luò)結(jié)構(gòu)能夠解決所有的任意判決分類。由于增加隱含層的數(shù)量會(huì)是得BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)變復(fù)雜，訓(xùn)練時(shí)間延長(zhǎng)，所以本文采用的是單隱含層。

（2）隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)中隱含層中節(jié)點(diǎn)的個(gè)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)性能有著很大的影響。如果隱含層的節(jié)點(diǎn)數(shù)選的不合適則該BP神經(jīng)網(wǎng)絡(luò)則容易出現(xiàn)“過(guò)擬合”的現(xiàn)象。本文采用的是黃金分割法來(lái)確定BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)。本文的隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)為5個(gè)，其結(jié)構(gòu)圖如圖3所示[3]。

圖3 MPPT的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 基于大變異GA-BP的MPPT控制系統(tǒng)研究

由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法存在著收斂速度相對(duì)較慢并且在探索過(guò)程中容易陷入到局部最優(yōu)解的缺點(diǎn)，為了提高BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的精確度，通常會(huì)使用遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。從理論分析上可知，遺傳算法通過(guò)對(duì)自身進(jìn)行適應(yīng)度函數(shù)的改進(jìn)以及操作算子的調(diào)整，這樣可以使得GA-BP神經(jīng)網(wǎng)絡(luò)避免出現(xiàn)早熟的現(xiàn)象。但是在實(shí)際應(yīng)用中，為了能夠使得該算法的效果趨于穩(wěn)定，我們通常會(huì)將遺傳算法中的變異算子設(shè)置的較小。由于變異算子較小，所以一旦遺傳算法算法出現(xiàn)早熟現(xiàn)象，在幾代之內(nèi)很難產(chǎn)生最佳個(gè)體。為了改變這一現(xiàn)象，將大變異的思想引入到遺傳算法。該思想的主要實(shí)現(xiàn)方法是，當(dāng)遺傳算法進(jìn)化到某一代時(shí)，在該代中所有的個(gè)體的適應(yīng)度都非常接近，此時(shí)將變異的概率擴(kuò)大，進(jìn)行一次大變異操作，這樣就可以使得種群在短時(shí)間內(nèi)產(chǎn)生大量新的個(gè)體，從而使得遺傳算法擺脫早熟困境。實(shí)現(xiàn)這一操作所利用的變換公式為：

式中，F(xiàn)max為大適應(yīng)度；Favg為均適應(yīng)度；α為密集因子，其取值介于0.5～1之間。當(dāng)上述表達(dá)式成立時(shí)，此時(shí)遺傳算法的變異因子變?yōu)樵儺愐蜃拥?倍或者5倍以上。雖然引入大變異思想后，遺傳算法能夠在短時(shí)間內(nèi)產(chǎn)生新個(gè)體，但是如果該操作持續(xù)時(shí)間過(guò)長(zhǎng)則會(huì)造成系統(tǒng)的不穩(wěn)定，因此必須在合適的時(shí)間內(nèi)切換為之前的變異率，從而使得遺傳算法優(yōu)化效果提高，其算法流程圖如圖4所示。

圖4 大變異遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的流程圖

4 預(yù)測(cè)模型的預(yù)測(cè)結(jié)果及分析

為了驗(yàn)證大變異GA-BP算法對(duì)太陽(yáng)能電池板最大功率點(diǎn)工作電壓的預(yù)測(cè)準(zhǔn)確性，本文利用MATLAB2014a來(lái)實(shí)現(xiàn)上述算法的學(xué)習(xí)過(guò)程以及迭代過(guò)程。預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)采用的是一天中6h～18h中每次間隔5分鐘采集到的溫度以及輻照度數(shù)據(jù)，共計(jì)144組數(shù)據(jù)。預(yù)測(cè)模型中的測(cè)試數(shù)據(jù)采用的是后一天里6h～18h中每次間隔30分鐘采集到的溫度以及輻照度數(shù)據(jù)，共計(jì)24組數(shù)據(jù)。通過(guò)圖3設(shè)計(jì)的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)，本文將最大訓(xùn)練次數(shù)設(shè)計(jì)為1000次，訓(xùn)練期望誤差為0.00001，學(xué)習(xí)速率為0.1，顯示間隔次數(shù)為10。訓(xùn)練函數(shù)采用的是trainlm，輸入層采用的傳遞函數(shù)為tansig函數(shù)，輸出層采用的傳遞函數(shù)為logsig函數(shù)。遺傳算法的參數(shù)設(shè)置為，種群規(guī)模為10，進(jìn)化終止代數(shù)為100，交叉概率設(shè)置為0.4，變異概率設(shè)置為0.1大變異率為0.5[4～6]。

其預(yù)測(cè)結(jié)果如圖5所示。從圖中可以看出相對(duì)于GA-BP網(wǎng)絡(luò)而言，大變異GA-BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果更加接近真實(shí)值。網(wǎng)絡(luò)訓(xùn)練圖形如圖6所示。從圖中可以看出，在精度要求一樣的情況下GA-BP網(wǎng)絡(luò)需要97步，大變異GA-BP需要82步。由此可以看出相對(duì)與GA-BP網(wǎng)絡(luò)，大變異GA-BP網(wǎng)絡(luò)能夠更好的預(yù)測(cè)出太陽(yáng)能電池的最大功率點(diǎn)的工作電壓。為了能夠更加直觀的反映出大變異GA-BP網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性，圖7給出了預(yù)測(cè)數(shù)據(jù)、實(shí)際數(shù)據(jù)以及預(yù)測(cè)數(shù)據(jù)和時(shí)間數(shù)據(jù)之間的誤差數(shù)據(jù)。從圖中可以看出最大功率點(diǎn)工作電壓的預(yù)測(cè)值和實(shí)際值之間沒有明顯的誤差，說(shuō)明大變異GA-BP網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性非常高[7]。

圖5 預(yù)測(cè)結(jié)果對(duì)比圖

圖6 網(wǎng)絡(luò)訓(xùn)練圖

圖7 預(yù)測(cè)電壓的誤差曲線

5 結(jié)論

本文將影響光伏電池的兩大因素作為GA-BP網(wǎng)絡(luò)的輸入建立起預(yù)測(cè)模型。針對(duì)傳統(tǒng)的GA-BP網(wǎng)絡(luò)容易陷入早熟困境的問題引入了大變異的思想，建立起大變異GA-BP網(wǎng)絡(luò)。通過(guò)仿真實(shí)驗(yàn)可以看出大變異GA-BP網(wǎng)絡(luò)較傳統(tǒng)的GA-BP網(wǎng)絡(luò)有著更好的預(yù)測(cè)效果。通過(guò)仿真驗(yàn)證了該算法的可信性，有效地提高了太陽(yáng)能電池板的光電轉(zhuǎn)換效率。

【】【】

[1] 陳令軍,戴瑜興,全惠敏.基于改進(jìn)的擾動(dòng)觀察法在光伏發(fā)電MPPT中的應(yīng)用[J].電源技術(shù),614-616.

[2] 林虹江,周步祥,冉伊,詹長(zhǎng)杰.基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的光伏系統(tǒng)最大功率點(diǎn)跟蹤研究[J].電測(cè)與儀表,2015:35-40.

[3] 梁惺彥,張蔚.基于BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電系統(tǒng)MPPT的研究[J].制造業(yè)自動(dòng)化,2012:112-130.

[4] 朱正偉,郭楓,孫廣輝,錢露.基于RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏MPPT研究[J].計(jì)算機(jī)仿真,2015:131-134.

[5] 黃敏敏,顏文俊.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測(cè)[J].機(jī)電工程,2015:1509-1512.

[6] Schmidhuber J. Deep learning in neural networks: An overview[J].Neural Networks, 2015,61:85-117.

[7] 董麗娜,肖志剛,高立艾,索雪松.基于SIMULINK仿真的太陽(yáng)能光伏系統(tǒng)最大功率點(diǎn)跟蹤[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2016:227-231.

Simulation and research based on cataclysmic mutation GA-BP MPPT

LIU Ning, ZHANG Jing, ZHAO Sheng-fang

TP273

：A

1009-0134(2017)07-0111-03

2017-03-27

劉寧（1967 -），女，山東青島人，副教授，碩士，主要從事電力系統(tǒng)及其自動(dòng)化等方面的教學(xué)和科研工作。