自適應BP神經網絡在光伏MPPT中的應用

張 梁， 孫皓月， 孫曉璐， 呂 國

（河北建筑工程學院，河北張家口 075000）

太陽能是最主要的可再生清潔能源，光伏發電系統是將太陽能直接轉化為電能的有效裝置。常用的太陽能光伏電池主要是硅太陽電池，其在不同溫度和光照作用下，輸出功率呈非線性特征,且其輸出特性受日照、溫度等因素的影響較大，故太陽電池本身是一種極不穩定的電源。為了提高系統發電的穩定性和發電效率，研究一種高效的最大功率輸出算法具有重要的意義。

最大功率點輸出控制（MPPT）是通過控制太陽電池陣列端電壓的輸出，使電池陣列可以在不同溫度和照度下智能化地控制輸出最大功率。因此，最大功率點的跟蹤是一個自尋優的過程[1]。

目前常用的最大功率點跟蹤方法有擾動觀察法、電導增量法、恒定電壓法、開路電壓法等。這些算法結構簡單、實現方便，但是也存在著在最大功率點附近擾動大，且受環境影響大，魯棒性較差等問題。

針對以上問題，本文提出了一種基于BP神經網絡的MPPT控制方法，仿真結果表明該方法能夠實現較好的控制性能。

1 光伏電池特性分析

光伏電池的輸出特性是指在某一確定的日照強度和溫度下，光伏電池的輸出電壓和輸出電流之間的關系。同一類型的光伏電池由于日照強度、環境溫度的不同，輸出特性也不盡相同。

光伏電池的內部等效電路如圖1所示。它由一個受光強和溫度影響的電流源并聯一個二極管再并聯和串聯一個電阻組成。

通過分析等效電路可知：

圖1 光伏電池的等效電路

理想狀態下，RS可近似為零，RSh近似為無窮大，因此式（1）可以簡化表示為：

式中：I為輸出電流；Iph為光生電流；I0為反向飽和電流；q為電子電荷；U為輸出電壓；RS為串聯電阻；A為二極管品質因子；K為玻爾茲曼常數；T為開氏溫度；Rsh為并聯電阻。

通過以上公式可見：光伏電池的輸出功率是以日照強度和溫度作為自變量的非線性函數。因此，根據公式（2）及公式（3）可以繪制出在一定日照強度和溫度條件下的輸出特性曲線，如圖2、圖3所示。

圖2 溫度為25℃時不同光照下的I-U、P-U特性曲線

圖3 光照為1000W/m2時不同溫度下的I-U、P-U特性曲線

分析圖2及圖3可知：光伏電池的輸出特性受外界環境影響很大，與光照強度和溫度表現出明顯的非線性。基本特性表現為：當溫度不變時，光伏電池的輸出最大功率隨光照強度按比例增加，而光伏電池的峰值電壓幾乎落在同一點上；而當光照強度（S）不變時，光伏電池的最大輸出功率隨溫度的下降而增大，同時光伏電池的峰值電壓變大[2]。因此輸出功率在某一點存在最大功率點，研究表明，該點處的電壓約為開路電壓的80%。

2 BP神經網絡控制

目前常用的最大功率點跟蹤算法主要有擾動觀察法、電導增量法、恒定電壓法、開路電壓法等，相對比而言，擾動觀察法、恒定電壓法、開路電壓法等實現簡單，運行方便，但是容易陷入非最大功率點的局部極值點，并在些極值點附近振蕩，破壞系統的穩定性。而電導增量法系統復雜，實現成本相應較高。因此，提出一種新的算法，來實現最大功率點的穩定快速地跟蹤，具有重要的意義。

人工神經網絡是人工智能研究的方法之一，具有較強的非線性映射能力，圖4給出了一個人工神經網絡的拓撲結構，它屬于多層感知器結構，包括輸入、輸出層和若干個隱層。網絡工作過程中，輸入信息先通過輸入層節點，向前傳播到隱層節點，經過計算節點的激活函數運算后，將各個計算節點的輸出信息傳播到輸出節點，最后得到最終輸出結點[3]。

圖4 BP神經網絡結構圖

BP神經網絡的設計包括三個部分：輸入變量、輸出變量、隱含節點數目。在光伏發電MPPT跟蹤中，輸入的變量可以確定為光強、溫度和時間；輸出變量只有一個，就是最大功率點的電壓。在整個算法中，隱含層節點數的確定是重要的內容。隱含層節點數的確定有一定的原則，如果節點數太少，不利于網絡創建復雜的映射關系，使網絡的學習培訓效果差，容錯性不理想；當節點數太多時，又會導致網絡太大，結構復雜，學習時間太長，甚至會造成不收斂的結果。

確定隱含層節點數的經驗公式很多，較常用的方法如公式（4）～公式（6）所示[3]。

式中：m為隱含層節點數；n為輸入層節點數；l為輸出節點數；C為1～10之間的常數。在光伏發電MPPT算法中，如圖4所示，n為3，l為1，結合實際情況對C進行合適的選擇后，取m等于5。

3 仿真結果

仿真過程采用MATLAB神經網絡工具箱進行仿真，具體數據如下：采樣周期為一天中的24 h，學習率10%，訓練時間為50 s，訓練誤差為0.01，隱含層和輸出層神經元傳遞函數分別為tansig和purelin，網絡算法采用Levenberg—Marquardt算法trainlm。對設置好的網絡進行訓練，并對結果進行仿真，繪制輸出曲線，如圖5所示。

圖5 訓練后神經網絡的輸出結果

從圖5中可知，經過訓練的曲線與理想輸出曲線很接近，說明經過訓練后，BP網絡對MPPT有很好的跟蹤效果，且逼近時間短，非線性跟蹤能力強。

4 結語

本文在研究最大功率點輸出算法的基礎上，針對光伏電池的特點，將BP神經網絡控制應用到光伏電池MPPT中。經仿真結果表明，相對于傳統的MPPT算法，神經網絡控制技術在溫度、光強等外界環境變化的情況下，體現出較高的非線性映射能力及容錯能力，且運算速度明顯快于其他方法，從而能夠顯著提高不同環境下的最大功率點跟蹤能力，使光伏體系統的性能和效率顯著提高，并具有較好的控制精度和穩定性。

[1]劉杰.光伏MPPT控制系統研究[D].杭州：浙江工業大學，2011：16-17.

[2]胥芳，張任，吳樂彬．自適應BP神經網絡在光伏MPPT中的應用[J]．太陽能學報，2012（3）：468-470.

[3]張蔚．BP神經網絡在光伏發電MPPT中的應用[J]．現代建筑電氣，2010（4）：54-56.