基于模型辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)在光伏系統(tǒng)MPPT中的應(yīng)用

，，，

(溫州大學(xué) 電氣數(shù)字化設(shè)計(jì)技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，浙江 溫州 325035)

基于模型辨識(shí)的BP神經(jīng)網(wǎng)絡(luò)在光伏系統(tǒng)MPPT中的應(yīng)用

胡桂廷，仲程超，張偉君，張正江

(溫州大學(xué)電氣數(shù)字化設(shè)計(jì)技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，浙江溫州325035)

光伏電池作為光伏發(fā)電系統(tǒng)的重要組成部分，研究其模型的準(zhǔn)確性并對(duì)其最大功率點(diǎn)進(jìn)行預(yù)測(cè)與跟蹤，對(duì)于光伏發(fā)電效率的提高具有重大意義;首先根據(jù)光伏電池的內(nèi)部結(jié)構(gòu)和伏安特性建立其數(shù)學(xué)模型，并對(duì)所建立的模型進(jìn)行參數(shù)辨識(shí)，進(jìn)而得到模型輸出與測(cè)量信息偏差最小的參數(shù)值，驗(yàn)證模型的準(zhǔn)確和有效性;根據(jù)模型所反映的規(guī)律，將溫度和光照強(qiáng)度作為輸入變量，最大功率點(diǎn)對(duì)應(yīng)的電壓作為輸出變量，構(gòu)建了用于MPPT的神經(jīng)網(wǎng)絡(luò)模型;神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后對(duì)最大功率點(diǎn)電壓進(jìn)行預(yù)測(cè)與跟蹤，結(jié)果表明構(gòu)建的神經(jīng)網(wǎng)絡(luò)具有良好的適應(yīng)性。

光伏電池；數(shù)學(xué)模型；參數(shù)辨識(shí)；最大功率點(diǎn)；神經(jīng)網(wǎng)絡(luò)

0 引言

隨著傳統(tǒng)能源的不斷消耗和環(huán)境污染問(wèn)題的日益突出，清潔、可再生的太陽(yáng)能越來(lái)越受到人們的重視。但目前太陽(yáng)能光伏發(fā)電系統(tǒng)仍存在一些問(wèn)題，如造價(jià)成本高，發(fā)電效率低，且其實(shí)際輸出功率隨光照強(qiáng)度、環(huán)境溫度等因素的變化而變化。為最大限度地利用光伏電池所產(chǎn)生的功率，需要對(duì)太陽(yáng)能電池板的最大功率點(diǎn)進(jìn)行跟蹤。

目前國(guó)內(nèi)外學(xué)者常用的最大功率點(diǎn)跟蹤的方法有恒壓法[1]、電導(dǎo)增量法[2-3]、擾動(dòng)觀察法等[4]，但是針對(duì)恒壓法，跟蹤精度較低且不能適應(yīng)環(huán)境的改變；對(duì)于電導(dǎo)增量法，對(duì)硬件要求較高，算法實(shí)現(xiàn)復(fù)雜；而擾動(dòng)觀察法不能判定何時(shí)到達(dá)MPP，存在震蕩現(xiàn)象。吳雨薇等針對(duì)傳統(tǒng)的定步長(zhǎng)擾動(dòng)觀察法跟蹤存在的不足,提出了一種新的變步長(zhǎng)方法[5]。翟小軍等人則將粒子群算法與電導(dǎo)增量法相結(jié)合[6]，在減小震蕩功率的同時(shí)，提高了跟蹤的精度。隨著神經(jīng)網(wǎng)絡(luò)理論的應(yīng)用不斷發(fā)展，其非線性映射以及強(qiáng)大的自學(xué)習(xí)能力引起了越來(lái)越多的學(xué)者關(guān)注。Gupta等通過(guò)對(duì)光伏特性的研究，建立NN模型，實(shí)現(xiàn)了對(duì)光伏發(fā)電系統(tǒng)最大功率點(diǎn)的良好跟蹤[7]。陽(yáng)同光等針對(duì)光伏發(fā)電的擾動(dòng)問(wèn)題，提出了一種基于神經(jīng)網(wǎng)絡(luò)反推控制技術(shù)的最大功率點(diǎn)跟蹤方法[8]。謝維等針對(duì)光伏發(fā)電系統(tǒng)MPPT問(wèn)題, 提出了一種人工神經(jīng)網(wǎng)絡(luò)與模糊控制技術(shù)相結(jié)合的方案[9]。Kassem等在太陽(yáng)能光伏水泵系統(tǒng)中，基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的控制器實(shí)現(xiàn)了對(duì)MPPT有效跟蹤，從而優(yōu)化系統(tǒng)的效率[10]。本文提出采用基于參數(shù)辨識(shí)后準(zhǔn)確數(shù)學(xué)模型來(lái)產(chǎn)生數(shù)據(jù)，采用模型產(chǎn)生的數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)的方法?；?0 KW光伏并網(wǎng)系統(tǒng)實(shí)驗(yàn)測(cè)試數(shù)據(jù)，將提出的方法應(yīng)用于最大功率點(diǎn)的預(yù)測(cè)與跟蹤上。結(jié)果表明，該方法能快速跟蹤光伏電池的最大功率點(diǎn)，有效適應(yīng)外界環(huán)境變化，具有較好的控制精度和穩(wěn)定性。

1 光伏電池?cái)?shù)學(xué)模型的建立

圖1 光伏電池等效電路圖

根據(jù)太陽(yáng)能電池板的內(nèi)部結(jié)構(gòu)和輸出伏安特性得到光伏電池的等效電路如圖1，它由一個(gè)與二極管并聯(lián)的電流源外加一個(gè)串聯(lián)電阻組成，電流源的輸出受光照強(qiáng)度和溫度影響。光伏電池等效電路中，二極管品質(zhì)因數(shù)影響光伏電池模型的輸出特性?？赏ㄟ^(guò)依次增加光伏電池?cái)?shù)學(xué)模型中的參數(shù)個(gè)數(shù)，來(lái)增加光伏陣列的復(fù)雜性與準(zhǔn)確性。根據(jù)二極管的特性及基爾霍夫電流定律可得：

I=IL-IO(eq(V+IRS)/nkT-1)

(1)

其中：I為光伏電池輸出電流；IL為光生電流；IO為二極管飽和電流；q是電子電荷，其值為1.6029×10-19C；V是光伏電池板的電壓；RS為串聯(lián)電阻；K是玻爾茲曼常數(shù)，其值為1.3819×10-23J/K；n是二極管的品質(zhì)因數(shù)；T是光伏電池板溫度；

當(dāng)電池短路時(shí)，可以忽略流向二極管的電流。以下表達(dá)式可以求出電池在溫度為T(mén)、光照強(qiáng)度為G時(shí)的電池參數(shù)：

IL=IL(T1)(1+KO(T-T1))

(2)

IL(T1)=G*ISC(T1,nom)/G(nom)

(3)

KO=(ISC(T2)-ISC(T1))/(T2-T1)

(4)

IO=IO(T1)*(T/T1)3/n

*e-qVg/nk*(1/T-1/T1)

(5)

IO(T1)=ISC(T1)/(eqVOC(T1)/nkT1-1)

(6)

RS=-dV/dIVOC-1/XV

(7)

XV=IO(T1)*q/nkT1*eqVOC(T1)/nkT1

(8)

式中，T1=25 ℃；ISC為短路電流；Gnom=1sun=1 000 w/m2；T2=75 ℃；Vg為帶隙電壓；Voc為開(kāi)路電壓；

由上面的光伏模組的數(shù)學(xué)模型建立Matlab下的仿真模型，光伏電池的最大輸出功率主要受溫度T和照度G的影響，且呈非線性狀態(tài)。根據(jù)所建立的模型，分析不同溫度T和照度G對(duì)光伏電池輸出電流的影響，并計(jì)算出最大輸出功率點(diǎn)和對(duì)應(yīng)的輸出電壓值。

2 參數(shù)辨識(shí)

為了使由模型計(jì)算得到的數(shù)值結(jié)果能與實(shí)驗(yàn)測(cè)試數(shù)據(jù)相一致，需要對(duì)所建立的數(shù)學(xué)模型進(jìn)行參數(shù)辨識(shí)，從而實(shí)現(xiàn)理論模型與實(shí)際對(duì)象的匹配。參數(shù)辨識(shí)是根據(jù)實(shí)驗(yàn)測(cè)試數(shù)據(jù)和建立的模型來(lái)確定一組參數(shù)值，使得由模型計(jì)算得到的數(shù)值結(jié)果能最好的擬合測(cè)試數(shù)據(jù)，它是一個(gè)逆向求解的過(guò)程，同時(shí)參數(shù)估計(jì)的好壞也決定了用模型來(lái)解釋實(shí)際問(wèn)題的可信度。參數(shù)辨識(shí)框架如圖2所示，其原理就是通過(guò)調(diào)整辨識(shí)模型的參數(shù)使測(cè)試數(shù)據(jù)與模型輸出之間的偏差e達(dá)到最小，在辨識(shí)過(guò)程中光伏電池?cái)?shù)學(xué)模型用作參數(shù)化模型，將未知系統(tǒng)的輸入輸出狀態(tài)u，y看作實(shí)驗(yàn)測(cè)試所得樣本數(shù)據(jù)，以e的取值作為網(wǎng)絡(luò)訓(xùn)練的目標(biāo)，通過(guò)一定的辨識(shí)算法來(lái)訓(xùn)練網(wǎng)絡(luò)，使e足夠小，就可以達(dá)到辨識(shí)模型參數(shù)的目的。

圖2 參數(shù)辨識(shí)框架

本文將光伏電池的數(shù)學(xué)模型作為參數(shù)辨識(shí)問(wèn)題的非線性約束，當(dāng)光伏發(fā)電系統(tǒng)實(shí)際測(cè)量信息只有輸出電壓和輸出電流時(shí)，構(gòu)造參數(shù)辨識(shí)問(wèn)題如下：

(9)

(10)

i=1,2,...,N

其中：Vi為模型的電壓輸出值，Vim為輸出電壓的測(cè)量值，Ii為模型的電流輸出值，Iim為輸出電流的測(cè)量值。σv，σi分別為輸出電壓和電流的權(quán)重。n和Rs作為模型待辨識(shí)的參數(shù),根據(jù)給定的測(cè)量信息，包括輸出電壓、輸出電流、太陽(yáng)能電池板結(jié)溫以及光照度，通過(guò)序列二次規(guī)劃方法優(yōu)化求解出與實(shí)際光伏電池特性相一致的最優(yōu)辨識(shí)參數(shù)n和Rs。經(jīng)辨識(shí)后所得輸出電壓值和輸出電流值與實(shí)驗(yàn)測(cè)試數(shù)據(jù)相一致或誤差較小，結(jié)果表明所建立的光伏電池?cái)?shù)學(xué)模型可以對(duì)實(shí)際對(duì)象進(jìn)行準(zhǔn)確的模擬。在實(shí)際中，利用數(shù)學(xué)模型對(duì)最大功率點(diǎn)進(jìn)行預(yù)測(cè)存在過(guò)程復(fù)雜且不能進(jìn)行實(shí)時(shí)預(yù)測(cè)等問(wèn)題。故考慮引入神經(jīng)網(wǎng)絡(luò)，采用經(jīng)參數(shù)辨識(shí)后的數(shù)學(xué)模型產(chǎn)生的數(shù)據(jù)，建立與之近似等效的NN模型，對(duì)最大功率點(diǎn)的電壓進(jìn)行預(yù)測(cè)與追蹤，最大功率點(diǎn)的電壓分布與溫度和照度的關(guān)系如圖3所示。由圖可知溫度和照度的改變會(huì)直接影響最大功率點(diǎn)的變化。因此，NN模型可將溫度和照度作為輸入變量，最大功率點(diǎn)的電壓作為輸出變量。

圖3 最大功率點(diǎn)電壓分布曲線

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

BP學(xué)習(xí)算法的本質(zhì)是對(duì)各連接權(quán)值進(jìn)行動(dòng)態(tài)調(diào)整使網(wǎng)絡(luò)總誤差最小，即采用梯度搜索技術(shù)，以期望輸出值為目標(biāo)不斷地修正各層單元的權(quán)值使輸出的誤差減少到可接受的程度，從而得到偏差最小的一組最優(yōu)權(quán)值系數(shù)。其網(wǎng)絡(luò)學(xué)習(xí)過(guò)程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過(guò)程。BP神經(jīng)網(wǎng)絡(luò)特別適合非線性特征的擬合，通過(guò)多層神經(jīng)網(wǎng)絡(luò)系統(tǒng)，可精確地?cái)M合光伏非線性模型。圖4為本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖，在設(shè)計(jì)中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選用經(jīng)典的3層結(jié)構(gòu)，即輸入層、隱含層、輸出層。其中輸入層有 2層，隱含層有5層，輸出層有1層。輸入層結(jié)點(diǎn)由照度與溫度兩個(gè)結(jié)點(diǎn)構(gòu)成，輸出層結(jié)點(diǎn)為最大功率點(diǎn)的輸出電壓。

圖4 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖

隱含層的節(jié)點(diǎn)數(shù)選擇非常重要，隱含層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)將不能建立復(fù)雜的映射關(guān)系，使網(wǎng)絡(luò)培訓(xùn)效果較差，容錯(cuò)性不理想; 節(jié)點(diǎn)數(shù)過(guò)多，又使網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，誤差也不一定最小。因此，BP神經(jīng)網(wǎng)絡(luò)應(yīng)有一個(gè)最佳隱含層節(jié)點(diǎn)數(shù)。本文根據(jù)經(jīng)驗(yàn)式[11]得到可供選擇的結(jié)點(diǎn)個(gè)數(shù)范圍，然后通過(guò)多次實(shí)驗(yàn)確定最合適的隱含層節(jié)點(diǎn)數(shù)為5個(gè)。

3.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

神經(jīng)網(wǎng)絡(luò)能夠通過(guò)對(duì)樣本的反向?qū)W習(xí)訓(xùn)練，不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓?fù)浣Y(jié)構(gòu)，使網(wǎng)絡(luò)的輸出值不斷地接近期望的輸出，BP算法沿著誤差函數(shù)減小最快的方向調(diào)整權(quán)值和偏差。在學(xué)習(xí)階段，訓(xùn)練樣本集為X=[x1,x2,…,xm]，期望響應(yīng)為D=[d1,d2,…,dm]，實(shí)際輸出為Y=[y1,y2,…,ym]，則隱含層的第j個(gè)神經(jīng)元的輸入為：

(11)

式中，n是輸入層神經(jīng)元個(gè)數(shù)；wij是輸入層第i個(gè)神經(jīng)元到隱含層第j個(gè)神經(jīng)元的連接權(quán)值；θj1是隱含層第j個(gè)神經(jīng)元的閥值；隱含層第j個(gè)神經(jīng)元的輸出為:

(12)

式中，f(·)為隱含層的激勵(lì)函數(shù)。

輸出層的第r個(gè)神經(jīng)元輸出值，即網(wǎng)絡(luò)的輸出為：

(13)

式中，k為隱含層節(jié)點(diǎn)個(gè)數(shù)；wjr是隱含層第j個(gè)神經(jīng)元到輸出層第r個(gè)神經(jīng)元的連接權(quán)值；θr2是輸出層第r個(gè)神經(jīng)元的閥值。

若對(duì)于每一樣本輸入模式的二次型誤差函數(shù)為:

(14)

則系統(tǒng)對(duì)所有N個(gè)訓(xùn)練樣本的總誤差函數(shù)為:

(15)

輸出層的任意神經(jīng)元k在樣本作用時(shí)的加權(quán)系數(shù)增量公式為:

(16)

δk1為誤差函數(shù)對(duì)輸出層各神經(jīng)元的偏導(dǎo)數(shù)。

隱含層的任意神經(jīng)元k在樣本作用時(shí)的加權(quán)系數(shù)增量公式為:

(17)

δk2為誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)。

從光伏模型可知，如果溫度T和光照強(qiáng)度G已知，就可確定最大功率點(diǎn)電壓。本文在設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)時(shí)，從小到大地改變光照強(qiáng)度與光伏電池板溫度，通過(guò)參數(shù)辨識(shí)后的模型得到一系列不同光照強(qiáng)度與光伏電池板溫度下模型的輸出電壓與輸出電流數(shù)據(jù)。使用產(chǎn)生的溫度T、G和最大功率點(diǎn)對(duì)應(yīng)電壓，通過(guò)理論樣本的訓(xùn)練，最后達(dá)到誤差收斂，從而使輸出得到期望的最大功率電壓。該算法能在短時(shí)間的訓(xùn)練下使模型逼近最大功率點(diǎn)電壓，從而可顯著提高跟蹤的響應(yīng)速度和精度。

4 仿真

4.1 仿真過(guò)程的實(shí)現(xiàn)

本仿真的樣本數(shù)據(jù)是通過(guò)建立的光伏電池模型在不同照度與光伏電池板溫度下運(yùn)行得到的。根據(jù)光伏電池的實(shí)際工作環(huán)境，光伏電池板采用的溫度范圍和照度范圍分別為0～80 ℃和0～1 500 w/m2。本文采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真，具體仿真步驟如下:

1) 數(shù)據(jù)的采集及處理：采用溫度T、光照強(qiáng)度G和它們對(duì)應(yīng)的最大功率點(diǎn)的電壓作為初始樣本數(shù)據(jù)。本仿真樣本數(shù)據(jù)為500組，其中訓(xùn)練數(shù)據(jù)隨機(jī)選取400組，預(yù)測(cè)數(shù)據(jù)為剩余的100組。由于溫度和光照強(qiáng)度的數(shù)值變化范圍較大，為了避免奇異樣本的出現(xiàn)，先要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。這里選用premnmx函數(shù)，將數(shù)據(jù)歸一到[-1 ，1]。因?yàn)樵谟?xùn)練網(wǎng)絡(luò)時(shí)所用數(shù)據(jù)是經(jīng)過(guò)歸一化的樣本數(shù)據(jù)，那么以后使用網(wǎng)絡(luò)時(shí)所用的新數(shù)據(jù)也應(yīng)該和樣本數(shù)據(jù)接受相同的預(yù)處理，這就要用到tramnmx函數(shù)將數(shù)據(jù)進(jìn)行處理，然后輸出結(jié)果需用函數(shù)postmnmx還原。

2) 建立 BP 神經(jīng)網(wǎng)絡(luò)：選擇隱含層和輸出層神經(jīng)元傳遞函數(shù)分別為tansig和purelin，網(wǎng)絡(luò)算法采用Levenberg-Marquardt算法trainlm。學(xué)習(xí)函數(shù)為learngdm，性能函數(shù)為msereg(即LS，最小二乘)。

3) 訓(xùn)練參數(shù)設(shè)置：在網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前，需要設(shè)置訓(xùn)練參數(shù)，設(shè)學(xué)習(xí)率為0.01，訓(xùn)練最大迭代次數(shù)為100，訓(xùn)練要求精度為 0.001，其余參數(shù)使用缺省值。

4) 網(wǎng)絡(luò)測(cè)試：對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行檢測(cè)，繪制網(wǎng)絡(luò)輸出曲線，并與原始數(shù)據(jù)曲線進(jìn)行比較。

5) 性能誤差分析。

4.2 仿真結(jié)果與分析

本仿真實(shí)驗(yàn)的輸入節(jié)點(diǎn)數(shù)為兩個(gè)，輸出節(jié)點(diǎn)數(shù)為 1個(gè)。且網(wǎng)絡(luò)經(jīng)訓(xùn)練后可近似達(dá)到預(yù)定的精度要求，從訓(xùn)練過(guò)程曲線來(lái)看，網(wǎng)絡(luò)的訓(xùn)練速度較快，經(jīng)過(guò)幾十次循環(huán)迭代就可達(dá)到最佳狀態(tài)。

圖5～圖7是訓(xùn)練后得到的圖形。其中圖5是最大輸出功率點(diǎn)處的預(yù)測(cè)電壓值，從圖中可看出，得到的預(yù)測(cè)曲線和原始數(shù)據(jù)的非線性曲線很接近，說(shuō)明經(jīng)過(guò)訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)對(duì)最大功率點(diǎn)電壓有很好的跟蹤效應(yīng)。圖6和圖7分別為電壓預(yù)測(cè)輸出誤差和相對(duì)誤差圖，通過(guò)誤差分析可以反映出預(yù)測(cè)的準(zhǔn)確性。從圖中可以看出，基于最小二乘學(xué)習(xí)算法神經(jīng)網(wǎng)絡(luò)的電壓預(yù)測(cè)誤差分布在0左右，相對(duì)誤差在4%以內(nèi)。仿真結(jié)果表明，該文設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)可以對(duì)光伏電池的最大輸出功率點(diǎn)的電壓實(shí)施預(yù)測(cè)與跟蹤，具有很好的自適應(yīng)能力。

圖5 電壓預(yù)測(cè)輸出

圖6 電壓預(yù)測(cè)輸出誤差

圖7 電壓預(yù)測(cè)相對(duì)誤差

5 實(shí)驗(yàn)驗(yàn)證與分析

上述從理論和仿真說(shuō)明了神經(jīng)網(wǎng)絡(luò)方法的有效性后，將此方法應(yīng)用到實(shí)驗(yàn)室50 kW光伏并網(wǎng)系統(tǒng)的實(shí)驗(yàn)測(cè)試中。根據(jù)串聯(lián)電流相等，電壓相加，并聯(lián)電壓相等，電流相加的原則對(duì)所建立的數(shù)學(xué)模型做適當(dāng)調(diào)整，經(jīng)參數(shù)辨識(shí)后得到準(zhǔn)確的光伏陣列模型，采用與實(shí)際過(guò)程相一致的模型產(chǎn)生的數(shù)據(jù)，建立實(shí)際最大功率點(diǎn)電壓預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型。在神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置中，隱含層節(jié)點(diǎn)個(gè)數(shù)的多少對(duì)網(wǎng)絡(luò)性能的影響較大，節(jié)點(diǎn)數(shù)過(guò)多會(huì)增加運(yùn)算量，使得訓(xùn)練所需的時(shí)間較長(zhǎng)，甚至不能收斂；而當(dāng)節(jié)點(diǎn)數(shù)過(guò)少時(shí)，網(wǎng)絡(luò)的容錯(cuò)能力下降，訓(xùn)練所需的次數(shù)也會(huì)增多。學(xué)習(xí)率影響著網(wǎng)絡(luò)收斂的速度及其效果，學(xué)習(xí)率設(shè)置偏小可以保證網(wǎng)絡(luò)收斂，但是收斂較慢；相反，學(xué)習(xí)率設(shè)置偏大則有可能使網(wǎng)絡(luò)振蕩或發(fā)散，影響識(shí)別效果。經(jīng)調(diào)試后確定本次訓(xùn)練隱含層節(jié)點(diǎn)個(gè)數(shù)為5個(gè)，學(xué)習(xí)率設(shè)置為0.01。神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后，隨機(jī)選取30組光伏電池板實(shí)測(cè)數(shù)據(jù)導(dǎo)入建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，所得結(jié)果如下：

由圖8和圖9可知建立的神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)測(cè)數(shù)據(jù)有較好的跟蹤效應(yīng)，只在個(gè)別樣本點(diǎn)處偏差值較大，產(chǎn)生原因?yàn)樵摌颖军c(diǎn)對(duì)應(yīng)的測(cè)試數(shù)據(jù)偏離于整體樣本測(cè)試數(shù)據(jù)。然而整體上來(lái)看，預(yù)測(cè)相對(duì)誤差都控制在10%范圍內(nèi)，大部分樣本點(diǎn)的預(yù)測(cè)相對(duì)誤差都落在4%以內(nèi)。說(shuō)明基于辨識(shí)后的數(shù)學(xué)模型所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)具有很好的自適應(yīng)能力，可以實(shí)現(xiàn)對(duì)最大輸出功率點(diǎn)電壓的預(yù)測(cè)與跟蹤。

圖8 電壓預(yù)測(cè)輸出(實(shí)例)

6 結(jié)論

本文提出了一種采用參數(shù)辨識(shí)后光伏電池?cái)?shù)學(xué)模型產(chǎn)生的數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)方法并將其用于光伏最大功率點(diǎn)的電壓跟蹤。該方法能很好地解決光伏發(fā)電的非線性問(wèn)題，通過(guò)對(duì)大量太陽(yáng)能光照、溫度及其輸出電壓樣本數(shù)據(jù)的處理和學(xué)習(xí)，就可較為準(zhǔn)確的預(yù)測(cè)最大功率點(diǎn)的輸出電壓。仿真與實(shí)驗(yàn)結(jié)果顯示了方法的有效性與實(shí)用性。

[1] 盧可可, 張寅孩. 基于恒壓法和變步長(zhǎng)滯環(huán)比較法結(jié)合的MPPT算法研究[J]. 工業(yè)控制計(jì)算機(jī), 2013, 26(5):114-116.

[2]Chafle S R, Vaidya U B. Incremental conductance MPPT technique FOR PV system[J]. International Journal of Advanced Research in Electrical Electronics & Instrumentation Engineering, 2013, 2(6).

[3]栗曉政, 孫建平. 基于分段數(shù)值逼近的自適應(yīng)步長(zhǎng)電導(dǎo)增量法MPPT控制仿真[J].太陽(yáng)能學(xué)報(bào), 2012, 33(7):1164-1170.

[4]宋 亮, 王曉東, 劉 雯,等.光伏電池MPPT擾動(dòng)觀察法的研究現(xiàn)狀[J]. 半導(dǎo)體光電, 2012, 33(4):455-462.

[5]吳雨薇,時(shí) 斌,朱海勇,等. 基于變步長(zhǎng)擾動(dòng)觀察法的光伏電池最大功率點(diǎn)跟蹤[J]. 電氣技術(shù),2014,(06):23-25.

[6]翟小軍,杜 蘅,劉建義,等. 粒子群算法與電導(dǎo)增量法的雙級(jí)最大功率點(diǎn)跟蹤控制[J]. 紅外與激光工程,2016,(06):198-203.

[7]Gupta A, Kumar P, Pachauri R K, et al. Performance analysis of neural network and fuzzy logic based MPPT techniques for solar PV systems[A].Power India International Conference[C]. IEEE, 2014:1-6.

[8]陽(yáng)同光, 桂衛(wèi)華. 神經(jīng)網(wǎng)絡(luò)反推控制在光伏系統(tǒng)最大功率點(diǎn)跟蹤中的應(yīng)用[J]. 太陽(yáng)能學(xué)報(bào), 2016, 37(12):3030-3036.

[9]謝 維, 段建民. 改進(jìn)模糊控制的光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤[J]. 電源技術(shù), 2016, 40(5):1042-1045.

[10]Kassem A M. Maximum power point tracker control design of a photovoltaic-generator powered DC Motor-Pump System Based on Artificial neural networks[J]. Australian Journal of Electrical & Electronics Engineering, 2015, 9(2):127-136.

[11]胥 芳, 張 任, 吳樂(lè)彬，等. 自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)在光伏MPPT中的應(yīng)用[J]. 太陽(yáng)能學(xué)報(bào), 2012, 33(3):468-472.

ApplicationofBPNeuralNetworkBasedonModelIdentificationinPhotovoltaicSystemMPPT

Hu Guiting, Zhong Chengchao, Zhang Weijun, Zhang Zhengjiang

(National-Local Joint Engineering Laboratory of Electrical Digital Design Technology,Wenzhou University, Wenzhou 325035, China)

Photovoltaic cell is an important part of photovoltaic power generation system. It is of great significance to study the accurate model of photovoltaic cell and to predict and track the MPP (maximum power point). Firstly, according to the internal structure and the I-V characteristics of photovoltaic cell, the mathematical model is established. The parameters of the model can be identified by searching the minimum deviations between outputs of the identified model and actual measurement information, and the accuracy and validity of the model can be verified. According to the law of the PV model, the temperature and illumination are considered as the input variables, and the corresponding voltage of MPP is used as the output variables, a neural network model for MPPT is constructed. The neural network is trained to predict and track the voltage of MPP. The results show that the neural network has good adaptability.

Photovoltaic cell; mathematical model; parameter identification; maximum power point; neural network

2017-03-29；

2017-04-18。

國(guó)家自然科學(xué)基金項(xiàng)目(51207112)；浙江省科技計(jì)劃項(xiàng)目(2015C31157; 2014C31074; 2014C31093)；浙江省大學(xué)生科技創(chuàng)新活動(dòng)計(jì)劃暨新苗人才計(jì)劃(2015R426059)。

胡桂廷(1996-)，男，山東曲阜人，大學(xué)生，主要從事最大功率點(diǎn)跟蹤技術(shù)方向的研究。

張正江(1982-)，男，江西樂(lè)平人，博士，副教授，碩士研究生導(dǎo)師，主要從事光伏發(fā)電系統(tǒng)建模與控制方向的研究。

1671-4598(2017)10-0213-04

10.16526/j.cnki.11-4762/tp.2017.10.054

TP273

A