基于BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電系統(tǒng)MPPT的研究

梁惺彥，張 蔚

（1. 南通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南通 226019；2. 南通大學(xué) 電氣工程學(xué)院，南通 226019）

0 引言

隨著世界經(jīng)濟(jì)的發(fā)展和人口數(shù)量的不斷增長(zhǎng)，人們對(duì)于能源的需求越來越大，一次能源的消耗過程中所帶來的環(huán)境污染問題已越來越嚴(yán)重。因此，清潔的可再生的太陽能越來越受到人們的重視。但由于光伏電池的轉(zhuǎn)換效率較低，且價(jià)格較高，嚴(yán)重阻礙了光伏發(fā)電系統(tǒng)的推廣和應(yīng)用，因此必須最大限度的利用光伏電池所產(chǎn)生的功率，以降低光伏發(fā)電的成本。

目前常用的最大功率點(diǎn)跟蹤的方法有模糊控制法、擾動(dòng)觀察法、電導(dǎo)增量法等[1～4]，這些方法存在控制復(fù)雜、難于實(shí)現(xiàn)、擾動(dòng)量無法確定等問題。本文根據(jù)影響光伏電池輸出功率大小的溫度、光照、陰影等外界條件設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，通過實(shí)驗(yàn)所測(cè)的數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測(cè)出光伏電池的最大功率點(diǎn)電壓，進(jìn)而進(jìn)行MPPT控制，提高了系統(tǒng)的控制效率和精度。

1 光伏電池模型及輸出特性

1.1 光伏電池模型

光伏電池是利用太陽能的光伏效應(yīng)，將光能轉(zhuǎn)換為電能的一種轉(zhuǎn)換裝置。光伏電池的等效模型如圖1所示。它由1個(gè)電流源、1個(gè)二極管、1個(gè)高阻抗電阻Rsh、1個(gè)低阻抗電阻Rs和1個(gè)負(fù)載電阻R組成。

其中，光伏電池的輸出特性方程為：

圖1 光伏電池等效模型

式中：

I、U 為光伏電池輸出電流和輸出電壓；

I0為光伏電池暗飽和電流；

Iph為光電流；

q為 單位電荷；

A為二極管品質(zhì)因子；

K為玻爾茲曼常數(shù)；

T為光伏電池的表面溫度；

Ior為參考溫度 下的暗飽和電流；

Tr為參考溫度；

EG為硅的禁寬溫度；

Isci為標(biāo)準(zhǔn)測(cè)試條件下光伏電池的短路電流；

Ki為短路電流的溫度系數(shù)；

S為日照強(qiáng)度。

1.2 光伏電池輸出特性

光伏電池的發(fā)電原理可知，光伏電池是一種非線性直流源，它的輸出特性受到光強(qiáng)與溫度外界因素的影響。如圖2（a）所示，當(dāng)光強(qiáng)恒定時(shí)，溫度從5℃逐漸增加時(shí)光伏電池的輸出特性，由圖可知開路電壓逐漸減小，最大功率點(diǎn)也逐漸減小；如圖2（b）所示，當(dāng)溫度恒定，光照強(qiáng)度S從1kw/m2逐漸減小，光伏電池開路電壓略為減小，最大功率點(diǎn)電壓基本不變，輸出的最大功率逐漸減小。

圖2 光伏電池輸出特性

光伏電池作為太陽能光伏發(fā)電系統(tǒng)的基本發(fā)電單元，容易受到周圍建筑物、樹木和電線桿以及天空中烏云等的影響，局部陰影對(duì)光伏電池的輸出特性影響如圖3所示。從圖中可知隨著遮擋比例的增大最大功率點(diǎn)減小，陰影對(duì)于光伏電池的輸出特性有著明顯的影響。

因此，當(dāng)外界因素發(fā)生變化時(shí)，光伏電池很難保證最大功率的輸出，從而造成能源上的浪費(fèi)。為了提高光伏電池的轉(zhuǎn)換效率，就需要跟蹤光伏電池的最大功率點(diǎn)。

圖3 局部陰影對(duì)光伏電池輸出特性的影響

2 MPPT的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP算法是目前比較流行的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，是能實(shí)現(xiàn)映射變換的前饋型網(wǎng)絡(luò)中最常用的一種網(wǎng)絡(luò)算法，是一種典型的誤差修正方法，屬于“逆推”學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)主要由三部分組成，分別為：輸入層、隱含層、輸出層，同層結(jié)點(diǎn)之間沒有連接，層間結(jié)點(diǎn)實(shí)行全連接，每層結(jié)點(diǎn)的輸出只影響下一層結(jié)點(diǎn)的輸出，如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

1）輸入層設(shè)計(jì)

輸入層的個(gè)數(shù)由解決問題和數(shù)據(jù)表示方式確定。對(duì)于光伏系統(tǒng)中最大功率跟蹤，影響因素為光照強(qiáng)度、溫度、局部陰影，另外還要綜合考慮時(shí)間的因素，因此輸入層需要四維輸入，輸入層傳輸函數(shù)采用tansig型。

2）輸出層設(shè)計(jì)

輸出層的維度根據(jù)使用者的要求決定。本文設(shè)計(jì)輸出層為1，即最大功率點(diǎn)電壓，輸出層傳輸函數(shù)采用logsig型。

3）隱含層設(shè)計(jì)

（1）隱含層數(shù)設(shè)計(jì)

研究表明當(dāng)各節(jié)點(diǎn)均采用S型函數(shù)時(shí)，一個(gè)隱層就足以實(shí)現(xiàn)任意判決分類問題。增加隱層數(shù)可更進(jìn)一步降低誤差，提高精度，但同時(shí)也使網(wǎng)絡(luò)復(fù)雜化，增加了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時(shí)間。而誤差精度的提高也可以通過增加隱層中的神經(jīng)元數(shù)目來獲得，其訓(xùn)練效果也比增加隱層數(shù)更容易觀察和調(diào)整。所以，在一般情況下，應(yīng)先考慮增加隱層中的神經(jīng)元數(shù)量，在單隱層不能滿足要求時(shí)，可以考慮增加隱層數(shù)目[5]。因此本文采用單隱層。

（2）隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)

隱含層的節(jié)點(diǎn)數(shù)選擇非常重要，它不僅對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型的性能影響很大，而且是訓(xùn)練時(shí)出現(xiàn)“過擬合”的直接原因。為盡可能避免訓(xùn)練時(shí)出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網(wǎng)絡(luò)性能和泛化能力，確定隱含層節(jié)點(diǎn)數(shù)的最基本原則是：滿足精度要求的前提下，盡可能緊湊結(jié)構(gòu)，即取盡可能少的隱含層節(jié)點(diǎn)數(shù)。采用黃金分割法[6]確定隱含層節(jié)點(diǎn)數(shù)。隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)為6。因此，本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

3 基于BP神經(jīng)網(wǎng)絡(luò)MPPT控制系統(tǒng)研究

3.1 MPPT的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

本文針對(duì)無錫尚德公司生產(chǎn)的STP150S-24型號(hào)光伏電池板進(jìn)行實(shí)驗(yàn)測(cè)試，采樣一天24h中的光強(qiáng)、溫度、陰影幾組數(shù)據(jù)，通過如圖5所設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行學(xué)習(xí)訓(xùn)練，最大訓(xùn)練次數(shù)為1000次，訓(xùn)練期望誤差為0.001，訓(xùn)練步長(zhǎng)為0.05，訓(xùn)練函數(shù)采用trainlm，訓(xùn)練結(jié)果如圖6所示。

圖5 MPPT的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖6 BP神經(jīng)網(wǎng)絡(luò)最大功率點(diǎn)預(yù)測(cè)圖

從圖中可知BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電壓與實(shí)際最大功率點(diǎn)電壓很接近，說明通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行MPPT控制將會(huì)具有較好的控制精度。

3.2 光伏發(fā)電系統(tǒng)仿真模型

光伏發(fā)電系統(tǒng)仿真模型由光伏電池PV模塊、DC/DC變換電路、PWM模塊、MPPT模塊組成（如圖7所示）。

圖7 光伏發(fā)電系統(tǒng)的仿真模型

系統(tǒng)參數(shù)設(shè)置：T=25℃， C=220uF，L=1.6mH，R=22Ω，不考慮陰影T1=0，開關(guān)頻率10KHz，仿真時(shí)間t=0.1s，求解器選擇ode23t，其中步長(zhǎng)為0.001。

3.3 仿真結(jié)果

設(shè)置S在0.05s時(shí)從1000W/m2突變?yōu)?00W/m2，仿真結(jié)果如圖8所示。經(jīng)過0.02s系統(tǒng)穩(wěn)定在140W左右的最大功率點(diǎn)處，0.05s時(shí)光強(qiáng)發(fā)生改變，其他因素不變，在0.06s左右控制系統(tǒng)跟蹤到新的最大功率點(diǎn)，穩(wěn)定在115W左右。從仿真結(jié)果可以看出BP神經(jīng)網(wǎng)絡(luò)能快速跟蹤到最大功率點(diǎn)，具有較好的控制性能。

圖8 最大功率跟蹤控制的仿真結(jié)果

4 結(jié)論

本文根據(jù)影響光伏電池輸出特性的溫度、光強(qiáng)、陰影外界環(huán)境因素設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)，對(duì)光伏發(fā)電系統(tǒng)進(jìn)行最大功率跟蹤控制，仿真實(shí)驗(yàn)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，并且由于該系統(tǒng)簡(jiǎn)化了光伏發(fā)電系統(tǒng)的硬件結(jié)構(gòu)，具有較好的實(shí)際應(yīng)用前景。

[1] N. Kasa, T. Iida. Flyback Inverter Controlled by Sensorless Current MPPT for Photovoltaic Power System. IEEE Trans.Ind. Electron, 2006, 52(4): 1145-1152.

[2] Yang Chen，Keyue Ma Smedley．A Cost-Effective Single-Stage Inverter With Maximum Power Point Tracking[J].IEEE Transactions On Power Electronics, 2004, 19(5):1289-1294.

[3] 張超, 何香凝. 非對(duì)稱PID模糊控制在最大功率點(diǎn)跟蹤中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2005, 20 (10) : 73-75.

[4] 李煒, 朱新堅(jiān). 光伏系統(tǒng)最大功率點(diǎn)跟蹤控制仿真模型[J]. 計(jì)算機(jī)仿真, 2006, 23(6): 239-243.

[5] 唐彬. 基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的光伏最大功率跟蹤研究[D]. 廣東: 汕頭大學(xué), 2008.

[6] 夏克文, 李昌彪, 沈鈞毅. 前向神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的一種優(yōu)化算法[J].計(jì)算機(jī)科學(xué), 2005, 32(10): 143-145.