基于蟻群算法優(yōu)化的RBF-BP神經(jīng)網(wǎng)絡(luò)在光伏陣列MPPT的應(yīng)用＊

無錫科技職業(yè)學(xué)院 周謝益

針對(duì)光伏電池輸出非線性的特點(diǎn)，為高效地追蹤光伏電池的發(fā)電輸出功率，本文提出了一種基于蟻群算法優(yōu)化的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)，用于對(duì)光伏陣列最大功率點(diǎn)追蹤（MPPT）。本文依據(jù)光伏電池的輸出特性，首先提出構(gòu)建RBF-BP 雙隱層組合神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上運(yùn)用蟻群算法對(duì)組合神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。將影響光伏電池輸出特性的主要因素光照強(qiáng)度和外界環(huán)境溫度作為神經(jīng)網(wǎng)絡(luò)輸入端建立預(yù)測(cè)模型，通過Matlab 對(duì)該模型進(jìn)行仿真。仿真結(jié)果表明，優(yōu)化后組合神經(jīng)網(wǎng)絡(luò)相較于傳遞神經(jīng)網(wǎng)絡(luò)具備追蹤精度高、速率快、迭代次數(shù)少等優(yōu)點(diǎn)。

隨著新能源技術(shù)的不斷發(fā)展，太陽能作為一種環(huán)保可再生能源目前已經(jīng)廣泛應(yīng)用于多個(gè)新能源領(lǐng)域。光伏發(fā)電技術(shù)作為能將太陽能直接轉(zhuǎn)化成電能的可再生能源技術(shù)[1]，已經(jīng)得到了越來越廣泛的關(guān)注。由于光伏電池的發(fā)電輸出具有明顯的非線性，其發(fā)電效率特別是光伏發(fā)電最大功率受光照強(qiáng)度和外界環(huán)境溫度影響較大。為提高光伏發(fā)電效率，對(duì)光伏發(fā)電最大功率點(diǎn)追蹤就顯得尤為必要。近年來，國內(nèi)外學(xué)者提出了多種最大功率點(diǎn)的追蹤算法，主要有擾動(dòng)觀察法[2]、電導(dǎo)增量法[3]和神經(jīng)網(wǎng)絡(luò)法[4，5]等。擾動(dòng)觀察法的優(yōu)勢(shì)是在光照變化速率較快時(shí)具有較好的效果，缺點(diǎn)是對(duì)傳感器精度要求高，算法計(jì)算效率較低。電量增量法的劣勢(shì)在于步長固定，步長設(shè)置過小時(shí)光伏陣列的預(yù)測(cè)結(jié)果易滯留在低功率輸出區(qū)，步長設(shè)置過大時(shí)，光伏陣列的預(yù)測(cè)結(jié)果大幅振蕩。人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性函數(shù)逼近能力，并且在建立模型時(shí)不依賴光伏電池的物理特性。主流人工神經(jīng)網(wǎng)絡(luò)主要有BP[4]和RBF[5]神經(jīng)網(wǎng)絡(luò)兩種。BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)是自學(xué)能力較強(qiáng)，但訓(xùn)練網(wǎng)絡(luò)過程中容易受偏差樣本誤導(dǎo)；RBF 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是收斂速度快，但是其泛化能力差。本文提出建立一個(gè)同時(shí)具備兩者優(yōu)點(diǎn)的RBF-BP 雙隱層組合神經(jīng)網(wǎng)絡(luò)，通過蟻群算法[6]進(jìn)一步優(yōu)化該神經(jīng)網(wǎng)絡(luò)。由Matlab 進(jìn)行仿真與分析，經(jīng)檢驗(yàn)蟻群算法優(yōu)化后組合神經(jīng)網(wǎng)絡(luò)，具備訓(xùn)練時(shí)長短，預(yù)測(cè)精度高的特性。

1 光伏電池的輸出特性

光伏電池是利用太陽能的光生伏特效應(yīng)[7]，將光能轉(zhuǎn)換成電能的一種裝置，其輸出特性受光照強(qiáng)度和外界環(huán)境溫度等因素的綜合影響，具有明顯的非線性特點(diǎn)。當(dāng)外界環(huán)境溫度恒定時(shí)，光照強(qiáng)度越大，光伏發(fā)電板輸出功率越大，最大功率的值也越大，其對(duì)應(yīng)的最大功率點(diǎn)處的電壓也越大；當(dāng)光照強(qiáng)度恒定時(shí)，外界環(huán)境溫度越高，光伏發(fā)電板輸出功率越小，最大功率點(diǎn)的值也越小，其對(duì)應(yīng)的最大功率點(diǎn)處的電壓也越小。

由于光伏電池的輸出功率是一個(gè)動(dòng)態(tài)變化的非線性過程，為提高光伏電池發(fā)電效率，提高光伏電池最大功率點(diǎn)追蹤的精度和速度尤為重要。

2 基于蟻群算法優(yōu)化的RBF-BP 神經(jīng)網(wǎng)絡(luò)的MPPT策略研究

2.1 RBF-BP 神經(jīng)網(wǎng)絡(luò)

常見的人工神經(jīng)網(wǎng)絡(luò)主要有BP 和RBF 神經(jīng)網(wǎng)絡(luò)兩種。本文提出構(gòu)建一種結(jié)合BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)的組合神經(jīng)網(wǎng)絡(luò)，具備學(xué)習(xí)能力強(qiáng)、自適應(yīng)度高收斂快等優(yōu)點(diǎn)。該組合神經(jīng)網(wǎng)絡(luò)由輸入層、雙隱含層和輸出層組成，其中雙隱含層由RBF 子網(wǎng)與BP 子網(wǎng)構(gòu)成。樣本數(shù)據(jù)經(jīng)由輸入層首先映射到第一層RBF 隱含層，其訓(xùn)練結(jié)果作為第二層BP 隱含層的輸入層，最終預(yù)測(cè)結(jié)果由輸出層得出。

2.2 蟻群算法優(yōu)化RBF-BP 神經(jīng)網(wǎng)絡(luò)

RBF-BP 組合神經(jīng)網(wǎng)絡(luò)搭建初始權(quán)值和閾值為[0，1]之間的隨機(jī)數(shù)，輸入樣本訓(xùn)練后為滿足精確度要求，RBFBP 神經(jīng)網(wǎng)絡(luò)依據(jù)學(xué)習(xí)結(jié)果的實(shí)際情況反向修改權(quán)值和閾值。由于初始權(quán)值和閾值隨機(jī)性較大，一定程度上影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率。為了解決初始權(quán)值和閾值不確定性對(duì)RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練效率影響，本文提出運(yùn)用蟻群算法對(duì)RBF-BP 組合神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步優(yōu)化。

蟻群算法優(yōu)化RBF-BP 組合神經(jīng)網(wǎng)絡(luò)具體步驟如下：

（1）根據(jù)光伏發(fā)電輸出特性，本文選取光伏電池板所在環(huán)境溫度和對(duì)應(yīng)光照強(qiáng)度及在此條件下的光伏電池板發(fā)電輸出功率作為RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入項(xiàng)和輸出項(xiàng)。另選取同等條件下各個(gè)時(shí)段的部分樣本數(shù)據(jù)作為RBF-BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后的測(cè)試樣本。

（2）建立RBF-BP 神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練歸一化后的樣本數(shù)據(jù)。

（3）網(wǎng)絡(luò)初始化后確定蟻群算法最大最小信息素、各集合中隨機(jī)數(shù)個(gè)數(shù)、隱層數(shù)、每個(gè)隱層最大節(jié)點(diǎn)數(shù)、螞蟻數(shù)目及最大循環(huán)次數(shù)等。

假定選擇值集合為C={0，1}，其中0 表示螞蟻沒有選擇此節(jié)點(diǎn)，1 表示螞蟻選擇了該節(jié)點(diǎn)，它們的初始信息素都為τ0，在MMAS 算法中τ0 取τmax。節(jié)點(diǎn)nij的閾值對(duì)應(yīng)有一個(gè)集合，即Ib；權(quán)值共有p個(gè)集合，p的取值等于第i-1 層的節(jié)點(diǎn)個(gè)數(shù)Si-1(當(dāng)i=1 時(shí)，p的取值等于輸入層節(jié)點(diǎn)數(shù)SI)，且每個(gè)權(quán)值集合都與i-1 層的節(jié)點(diǎn)一一對(duì)應(yīng)。

（4）所有螞蟻從第一個(gè)節(jié)點(diǎn)開始，采用并行方式，即當(dāng)所有螞蟻完成對(duì)某一節(jié)點(diǎn)的處理后，才繼續(xù)下一節(jié)點(diǎn)，直到完成對(duì)所有節(jié)點(diǎn)的處理。

元素選擇規(guī)則：對(duì)任意一個(gè)節(jié)點(diǎn)，考慮其閾值集合Ib，螞蟻k選取第j個(gè)元素的概率如式（1）所示：

τi(Ib)表示集合Ib 中第i 個(gè)元素的信息素。節(jié)點(diǎn)及權(quán)值元素的選擇均與上述規(guī)則一致。

（5）在本次迭代中，按m 只螞蟻構(gòu)建的解依次建立對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)，輸入訓(xùn)練數(shù)據(jù)并計(jì)算網(wǎng)絡(luò)的MSE。記錄螞蟻所找到的最優(yōu)解MSEbest'，用RBF-BP 算法訓(xùn)練該神經(jīng)網(wǎng)絡(luò)一次，記錄訓(xùn)練之后的MSEtrain、權(quán)值和閾值。

（6）重復(fù)步驟（4）、步驟（5），直到最大循環(huán)次數(shù)，退出循環(huán)。

（7）利用蟻群算法優(yōu)化后RBF-BP 神經(jīng)網(wǎng)絡(luò)權(quán)值閾值后，訓(xùn)練網(wǎng)絡(luò)。

3 仿真預(yù)測(cè)結(jié)果及分析

本文實(shí)驗(yàn)選取Matlab R2010 作為仿真平臺(tái)，實(shí)現(xiàn)上述提出的基于蟻群算法優(yōu)化后的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)并取于樣本數(shù)據(jù)進(jìn)行測(cè)試。實(shí)驗(yàn)數(shù)據(jù)來自文獻(xiàn)[8]中提供的一天之中光伏發(fā)電板從早6 點(diǎn)至晚6 點(diǎn)g 共12 個(gè)小時(shí)間隔5 分鐘的光伏發(fā)電板環(huán)境溫度和光照強(qiáng)度144組數(shù)據(jù)，測(cè)試數(shù)據(jù)為次日早6 點(diǎn)至晚6 點(diǎn)隨機(jī)時(shí)間間隔光伏發(fā)電板環(huán)境溫度和光照強(qiáng)度24 組。通過Matlab 對(duì)蟻群算法優(yōu)化的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)進(jìn)行編程設(shè)置，RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)采用Trainlm，RBF 隱含和BP 隱含層分別采用Radbas 函數(shù)和Tansig 函數(shù)作為傳遞函數(shù)，輸出層的傳遞函數(shù)采用Purelin 函數(shù)。網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)設(shè)置為1000 次，訓(xùn)練的期望誤差設(shè)置為0.00001，學(xué)習(xí)速率設(shè)置為0.001。作為對(duì)比參照，在相同訓(xùn)練數(shù)據(jù)下，通過Matlab 直接訓(xùn)練RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練迭代次數(shù)對(duì)比如圖1所示。

圖1(a)和圖1(b)分別為RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代曲線圖和蟻群算法優(yōu)化后RBF-BP 組合神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖。在訓(xùn)練數(shù)據(jù)和樣本數(shù)據(jù)有限的情況以及同等誤差精度要求下，RBF-BP 組合神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練迭代43 步，蟻群算法優(yōu)化后的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)只需要訓(xùn)練39 步，訓(xùn)練效率提升顯著。

精度方面，由圖1(a)和圖1(b)Matlab 中的MSE 函數(shù)得出蟻群算法優(yōu)化后RBF-BP 組合神經(jīng)網(wǎng)絡(luò)均方誤差為9.23791×10-5，相較于RBF-BP 組合神經(jīng)網(wǎng)絡(luò)均方誤差分別為1.3573×10-4，實(shí)現(xiàn)了在訓(xùn)練時(shí)間更短（迭代次數(shù)少）的情況下，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度更好。

圖1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)對(duì)比圖Fig.1 Neural network training iterations comparison graph

為驗(yàn)證蟻群算法優(yōu)化后的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)的精確度，如圖2所示給出24 組測(cè)試隨機(jī)采樣點(diǎn)實(shí)際預(yù)測(cè)輸出功率與實(shí)測(cè)功率的分布圖。由圖2分布圖可以看出誤差值在0.03 ～-0.02 之間，說明利用蟻群算法優(yōu)化的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)對(duì)光伏電池最大功率點(diǎn)地追蹤具有較高的準(zhǔn)確性。

圖2 訓(xùn)練后神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)功率與實(shí)際功率分布圖Fig.2 Prediction power versus actual power distribution

4 結(jié)語

本文提出一種基于蟻群算法優(yōu)化的RBF-BP 組合神經(jīng)網(wǎng)絡(luò)，通過蟻群算法優(yōu)化RBF-BP 組合神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，是RBF-BP 組合神經(jīng)網(wǎng)絡(luò)具備更快的收斂速度，在更少迭代次數(shù)的情況下實(shí)現(xiàn)更高的精準(zhǔn)度。仿真實(shí)驗(yàn)結(jié)果表明蟻群算法優(yōu)化后組合神經(jīng)網(wǎng)絡(luò)無論是從迭代次數(shù)和預(yù)測(cè)精確度上均優(yōu)于單獨(dú)RBF-BP 組合神經(jīng)網(wǎng)絡(luò)。驗(yàn)證了蟻群算法優(yōu)化RBF-BP 組合神經(jīng)網(wǎng)絡(luò)的可行性，有效提高了光伏陣列最大功率點(diǎn)追蹤的問題。