一種基于彈性BPNN的光伏最大功率點跟蹤控制算法

李文龍 陳軍峰

【摘要】根據(jù)光伏電池結(jié)構(gòu)特性，研究了溫度、光強、陰影三個外界因素對光伏電池輸出特性的影響。比較了擾動觀察法、電導增量法、恒定電壓法等幾種光伏系統(tǒng)常見的最大功率跟蹤方法。由于以上方法存在方法單一、對硬件測量精度高、計算量大、存在反復振蕩現(xiàn)象等問題，提出一種基于彈性BP神經(jīng)網(wǎng)絡(luò)的MPPT算法。彈性BP算法可以在神經(jīng)網(wǎng)絡(luò)訓練過程中有效克服梯度幅度偏導的不利影響，訓練后的模型將光強和溫度作為輸入變量，通過神經(jīng)網(wǎng)絡(luò)的識別后得到最大功率點。仿真實驗表明，本文提出的方法具有良好的適應性，顯著提高了光伏轉(zhuǎn)換的效率。

【關(guān)鍵詞】光伏電池;輸出特性;彈性BP算法;MPPT算法;光伏轉(zhuǎn)換

引言

太陽能發(fā)電作為一種新型的電能生產(chǎn)方式，憑借其環(huán)保、節(jié)能的特點迅速成為當前的發(fā)展熱點。目前太陽能發(fā)電中所用的光伏電池在不同的溫度和光強下，其輸出功率呈非線性特征。為提高輸出效率和降低發(fā)電成本，光伏發(fā)電技術(shù)的研究得到了廣泛推進。大量研究表明，使光伏電池工作在最大功率點可以最大化轉(zhuǎn)換光能，而最大功率點會受溫度、光強、陰影等外界因素的影響，能夠準確地找到最大功率點稱為研究光伏轉(zhuǎn)換的關(guān)鍵。因此，研究一種高效的最大功率輸出（MPPT）算法具有重大現(xiàn)實意義。

1.光伏電池的模型與輸出特性

1.1 光伏電池的等效模型

光伏電池相當于具有與受光面平行的極薄PN截面的大面積的等效二極管，其理想電路和等效電路如圖1（a）（b）所示。

（a）

（b）

圖1 光伏電池的等效電路和實際等效電路

1.2 光伏電池的輸出特性

為了進一步了解光伏電池特性，根據(jù)公式1.1-6所示的光伏電池的函數(shù)關(guān)系繪制出光伏電池輸出與光照、溫度的曲線圖。

圖2 環(huán)境溫度不變、光照強度變化情況下的一組I-V和P-V關(guān)系曲線圖

圖2為環(huán)境溫度不變、光照強度變化情況下的一組I-V和P-V關(guān)系曲線圖。從圖2可以看出，在環(huán)境溫度不變、光照強度增加的情況下，對于I-V曲線，光伏電池的短路電流和開路電壓均有較大的上升幅度;對于P-V曲線，光伏電池的最大功率點隨之變大，且成山峰形狀，在最大功率點左側(cè)，輸出功率和電池電壓近似呈線性上升關(guān)系，達到最大功率點后，輸出功率開始迅速下降且比之前上升速度快很多。

圖3 光照強度不變、環(huán)境溫度變化情況下的一組I-V和P-V關(guān)系曲線圖

圖3為光照強度不變、環(huán)境溫度變化情況下的一組I-V和P-V關(guān)系曲線圖。從圖3可以看出，在光照強度不變、環(huán)境溫度增加的情況下，對于I-V曲線，短路電流的初始大小影響不大，只是隨著環(huán)境溫度的增加，短路電流開始下降的時間越靠后;對于P-V曲線，光伏電池的輸出功率開始呈線性上升關(guān)系，到達最高點后開始迅速下降，且輸出功率下降速度比上升速度快很多。

綜合以上兩組曲線圖可以看出，光伏電池的最大輸出功率與光照強度和環(huán)境溫度有密切關(guān)系，相對來說，最大輸出功率受光照強度因素影響更大一些。在接下來。的算法中，我們主要以光強和溫度作為輸入變量來進行實驗仿真和分析。

2.BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 BP神經(jīng)網(wǎng)絡(luò)的學習算法和拓撲結(jié)構(gòu)

BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳人，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程，是周而復始地進行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)學習訓練過程。此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進行到預先設(shè)定的學習次數(shù)為止。

2.2 BP神經(jīng)網(wǎng)絡(luò)的訓練過程

神經(jīng)網(wǎng)絡(luò)能夠通過對樣本的訓練反饋到隱含層的網(wǎng)絡(luò)權(quán)值中，不斷改變網(wǎng)絡(luò)的連接權(quán)值以及拓撲結(jié)構(gòu)，使誤差函數(shù)最小化使網(wǎng)絡(luò)的輸出值不斷地接近期望的輸出。

3.彈性BP算法

BP網(wǎng)絡(luò)的隱含層激活函數(shù)一般采用雙曲正切S型函數(shù)，它能把輸入變量的輸入范圍從無限大對應到有限的輸出變量中。當輸入變量取值很大時，sigmoid函數(shù)斜率趨于零，梯度的幅度非常小。盡管權(quán)值和閾值離最佳值相差很遠，但權(quán)值和閾值的修正量也很小，會導致訓練時間很長。針對此問題，研究者提出了彈性BP算法，克服了梯度幅度的不利影響，在進行權(quán)值修正時，僅僅用到偏導的符號，其幅值并不影響權(quán)值修正。當連續(xù)迭代的梯度方向相同時，可將權(quán)值和閾值的修正值乘以一個增量因子，使修正值增加;反之，可將權(quán)值和閾值的修正值乘以一個減量因子，使修正值減小; 當梯度為零時，權(quán)值和閾值的修正值保持不變; 當權(quán)值的修正值發(fā)生振蕩時，修正值將減小。如果權(quán)值在相同梯度上連續(xù)被修正，則其幅度必將增加，因此克服了梯度幅度偏導的不利影響。

4.算法仿真實驗分析

4.1 仿真實驗

本文采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱進行仿真，分以下幾個步驟：

（1）采集樣本和樣本的預處理

實驗采集了西安2014年4月1日至2014年4月7日連續(xù)7天8時至18時的日照強度、環(huán)境溫度以及太陽能電池板的輸出電壓和電流數(shù)據(jù)。從7天中選取7日至11日共5天的數(shù)據(jù)作為網(wǎng)絡(luò)訓練樣本集，12日、13日兩天作為網(wǎng)絡(luò)測試樣本集。訓練樣本集采取每3分鐘采集一次數(shù)據(jù)的方法，共計1000組數(shù)據(jù)，然后通過光伏電池輸出特性曲線擬合得出電池板的最大功率點電壓，作為網(wǎng)絡(luò)訓練的輸出，將對應時刻的日照強度和環(huán)境溫度兩類數(shù)據(jù)作為網(wǎng)絡(luò)輸入。

由于神經(jīng)網(wǎng)絡(luò)所采用的激勵函數(shù)為S型函數(shù)，輸入樣本過大會使得權(quán)值的調(diào)整過程非常緩慢，所以對樣本進行歸一化處理，把它們的數(shù)值歸一化到[-1，1]之間。歸一化公式為：

（4-1）

其中，為原始樣本數(shù)據(jù)，分別為中的最大值和最小值，為歸一化后的樣本數(shù)據(jù)，最后將作為神經(jīng)網(wǎng)絡(luò)的輸入。

（2）BP網(wǎng)絡(luò)的參數(shù)設(shè)置

BP神經(jīng)網(wǎng)絡(luò)是根據(jù)系統(tǒng)預期目標和結(jié)構(gòu)特點來確定網(wǎng)絡(luò)的結(jié)構(gòu)，本文中需要建立的神經(jīng)網(wǎng)絡(luò)模型是要根據(jù)光伏電池環(huán)境溫度和光照強度來預測此刻的最佳工作電壓，使光伏電池達到最大輸出功率，這樣可以模擬輸入層有兩個節(jié)點，即環(huán)境溫度和光照強度，輸出層有一個節(jié)點最佳工作電壓，隱含層節(jié)點個數(shù)選擇是一個相對復雜的問題，選擇的節(jié)點數(shù)太少則網(wǎng)絡(luò)訓練可能達不到要求無法提取出樣本的準確特征或訓練后的網(wǎng)絡(luò)不夠強壯，結(jié)果不具備代表性;節(jié)點數(shù)太多網(wǎng)絡(luò)訓練的時間又過長，還可能造成過擬合的情況，不利于進行預測。目前確定最佳隱含節(jié)點數(shù)的方法還沒有定論，通常采用試湊法。根據(jù)現(xiàn)有研究成果，在試湊時可以參考一些確定隱含層節(jié)點數(shù)的經(jīng)驗公式。

（4-2）

公式中，為隱含層節(jié)點數(shù)，為輸出節(jié)點數(shù)，為1～10之間的常數(shù)。本文跟據(jù)上面的公式和要求的設(shè)計精度，通過反復訓練和試湊采用最佳隱含層個數(shù)為5。

（3）訓練樣本

使用歸一化后的樣本作為輸入對網(wǎng)絡(luò)進行訓練，直到達到要求的誤差范圍。在訓練中，我們設(shè)定的初始訓練均方誤差為0.01，最大訓練次數(shù)為1000。

（4）網(wǎng)絡(luò)測試

對訓練好的網(wǎng)絡(luò)進行分析，繪制輸出曲線，分別與原始數(shù)據(jù)和擾動觀察法、BP神經(jīng)網(wǎng)絡(luò)法預測曲線作比較。

（5）仿真結(jié)果分析

圖4 訓練后神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果

4.2 實驗結(jié)果對比分析

本仿真實驗的輸入節(jié)點是2個，隱層節(jié)點是5個，輸出節(jié)點是1個。且網(wǎng)絡(luò)訓練后達到預定的誤差范圍要求。從訓練過程和訓練時間來看，訓練速度比擾動觀察法和BP神經(jīng)網(wǎng)絡(luò)法都要快一些，且經(jīng)過一次循環(huán)迭代就達到預定誤差范圍要求。

圖4對比了訓練后的實際輸出曲線和理論輸出曲線，理論輸出曲線是根據(jù)網(wǎng)絡(luò)測試樣本集里的樣本繪制的曲線。在圖中可以直觀地看到訓練后的彈性BP神經(jīng)網(wǎng)絡(luò)可以能夠有效逼近理論輸出曲線，在確定隱層節(jié)點數(shù)后，神經(jīng)網(wǎng)絡(luò)能夠很快地進行訓練達到精度要求。

圖5 三種跟蹤方法的實驗誤差

圖5對比了恒電壓法、BP神經(jīng)網(wǎng)絡(luò)法和彈性BP神經(jīng)法最大功率跟蹤情況情況，三種方法采用相同的實驗參數(shù)。擾動觀察法在能快速的搜尋到最大功率點的同時在其附近會有較大的波動，功率損失較大，而選擇步長較小在最大功率點附近波動較小，但是搜尋最大功率點消耗的時間就較長，動態(tài)響應較慢。BP神經(jīng)網(wǎng)絡(luò)法是采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進行訓練來跟蹤最大功率，容易出現(xiàn)訓練時間過長、效率較低的問題。從圖中可以看出，擾動觀察法在最大功率點附近波動很大，功率損失較大。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)可以跟蹤到最大功率點且比較穩(wěn)定，但是還是具有一定誤差，且有時候誤差比較大。改進后的彈性BP神經(jīng)網(wǎng)絡(luò)不僅在訓練時間上能夠減少，還能增加網(wǎng)絡(luò)的穩(wěn)定性和準確性，預測結(jié)果也要更加準確一些。

5.結(jié)論

本文在分析了光伏電池的結(jié)構(gòu)特性后，總結(jié)了光照強度和外界環(huán)境對光伏電池特性的影響，通過曲線的形式進行了直觀的顯示。在研究了BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了用彈性BP算法來改善神經(jīng)網(wǎng)絡(luò)的方法——彈性BP神經(jīng)網(wǎng)絡(luò)法，從而用來跟蹤光伏最大功率。通過matlab仿真實驗表明，彈性BP神經(jīng)網(wǎng)絡(luò)可以大大縮減訓練時間，相對于傳統(tǒng)跟蹤方法比如擾動觀察法、BP神經(jīng)網(wǎng)絡(luò)法具有更好的穩(wěn)定性和精確性。

參考文獻

[1]趙爭鳴，劉建政，孫曉瑛，袁立強.太陽能光伏發(fā)電及其應用[M].北京：科學出版社，2005.

[2]鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應用技術(shù)[M].北京：科學出版社，2007.

[3]紀芳.并網(wǎng)光伏發(fā)電系統(tǒng)最大功率點跟蹤技術(shù)的研究[D].山東大學，2010.