神經(jīng)網(wǎng)絡(luò)在太陽(yáng)輻射傳感器設(shè)計(jì)中的應(yīng)用*

韋忠善，王力虎，明　鑫

（1.廣西職業(yè)技術(shù)學(xué)院計(jì)算機(jī)與電子信息工程系，南寧530226；2.廣西師范大學(xué)物理科學(xué)與技術(shù)學(xué)院，廣西桂林541004）

?

神經(jīng)網(wǎng)絡(luò)在太陽(yáng)輻射傳感器設(shè)計(jì)中的應(yīng)用*

韋忠善1*，王力虎2，明鑫1

（1.廣西職業(yè)技術(shù)學(xué)院計(jì)算機(jī)與電子信息工程系，南寧530226；2.廣西師范大學(xué)物理科學(xué)與技術(shù)學(xué)院，廣西桂林541004）

摘要：為了測(cè)量太陽(yáng)輻照度以便達(dá)到使光伏電站的效率最大化，提出了一種新的基于反饋神經(jīng)網(wǎng)絡(luò)的太陽(yáng)輻照度測(cè)量方法，該方法可用來(lái)直接使光伏電站的效率最大化。所提出的傳感器由一個(gè)光伏電池、一個(gè)溫度傳感器和一個(gè)低成本的微控制器組成。計(jì)算表明，提出的傳感器設(shè)計(jì)成本較低，因而該裝置在光伏電站的大型部署中是一個(gè)很好的替代品。使用實(shí)驗(yàn)樣機(jī)對(duì)所提出的方法進(jìn)行了驗(yàn)證，結(jié)果顯示與商用裝置相比，本文設(shè)計(jì)的傳感器能夠更加精確地跟蹤光伏電站內(nèi)的太陽(yáng)輻照度。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；光伏電池；溫度傳感器；太陽(yáng)輻照度

項(xiàng)目來(lái)源：廣西教育廳科學(xué)研究基金項(xiàng)目（YB2014486，201204LX556）

太陽(yáng)輻照度是光伏（PV）電站最大功率點(diǎn)跟蹤（MPPT）的一個(gè)關(guān)鍵參數(shù)。這是因?yàn)楣夥嚵袨槠涮峁┳畲蠊β实牟僮鼽c(diǎn)，其實(shí)是太陽(yáng)輻照度和電池溫度的一個(gè)函數(shù)。如果檢測(cè)出太陽(yáng)輻照度和電池溫度，人們可以計(jì)算出最大功率點(diǎn)（MPP）并通過(guò)迫使光伏陣列在該點(diǎn)操作直接使效率最大化［1］。光伏陣列的操作點(diǎn)是通過(guò)調(diào)整連接在陣列輸出端的功率變換器的占空比進(jìn)行調(diào)節(jié)的?？梢暂^為容易地通過(guò)溫度傳感獲取溫度參數(shù)，但是獲取太陽(yáng)輻照度是比較困難的，這是因?yàn)檩椪斩葌鞲衅鞑粌H昂貴且難以校準(zhǔn)［2］。

現(xiàn)有的許多算法主要通過(guò)調(diào)整變換器的占空比來(lái)執(zhí)行最大功率點(diǎn)跟蹤功能，避免了直接測(cè)量太陽(yáng)輻照度［3］。最大功率點(diǎn)跟蹤算法依賴于光伏陣列功率-電壓曲線的凹形并通過(guò)迭代過(guò)程進(jìn)行搜索，無(wú)需太陽(yáng)輻照度知識(shí)。包括擾動(dòng)觀察法和增量電導(dǎo)算法等［4-6］。但這些方法有一定缺陷，即可能會(huì)圍繞最大功率點(diǎn)振蕩并在快速改變輻照度的條件下會(huì)失效?；诖耍嚓P(guān)研究人員提出了基于神經(jīng)網(wǎng)絡(luò)［7］和電流-電壓曲線的近似解［8-9］的方法，可以克服上述不足。光伏電站通常跨越較大的地理區(qū)域且輻照度是不均勻的，因而需要精確的太陽(yáng)輻照度檢測(cè)。陰影效應(yīng)對(duì)功率提取過(guò)程的整體效率產(chǎn)生了不利影響。解決方案包括：

（1）將不同段的光伏電站模塊化，每段使用一個(gè)功率變換器并具有單獨(dú)的最大功率點(diǎn)跟蹤算法；

（2）只用一個(gè)功率變換器對(duì)光伏板的互連進(jìn)行動(dòng)態(tài)重新配置［10］。后者需要通過(guò)電站對(duì)所有位置的輻照度進(jìn)行精確跟蹤，因而低成本的輻照度傳感器是非?？扇〉?。

本文利用為最大功率點(diǎn)跟蹤和太陽(yáng)輻照度估算所提出的想法設(shè)計(jì)了一種新的低成本太陽(yáng)輻照度傳感器。該方法由一個(gè)或少量的光伏電池以及一種適當(dāng)定制的神經(jīng)網(wǎng)絡(luò)（NN）算法組成。傳統(tǒng)的方法在沒(méi)有太陽(yáng)輻照度知識(shí)的情況下利用神經(jīng)網(wǎng)絡(luò)來(lái)跟蹤最大功率點(diǎn)，本文提出的方法考慮到使用一個(gè)神經(jīng)網(wǎng)絡(luò)方法來(lái)檢測(cè)輻照度，而輻照度反過(guò)來(lái)也可用于跟蹤最大功率點(diǎn)。

其他作者已經(jīng)提出了低成本的輻照度傳感器［11-12］，但是本文所提方法的主要優(yōu)勢(shì)在于結(jié)構(gòu)的簡(jiǎn)易性和精確性。此外，使用微控制器可進(jìn)行簡(jiǎn)單的校準(zhǔn)，并通過(guò)RS232、RS485或以太網(wǎng)與光伏電站控制系統(tǒng)的其余部分進(jìn)行連接。微控制器已廣泛應(yīng)用于工業(yè)應(yīng)用中，但通常在這些應(yīng)用中使用的算法是傳統(tǒng)的確定性控制流程。如今，利用高效C編譯器的精確的雙精度數(shù)學(xué)庫(kù)和代碼開(kāi)發(fā)的集成開(kāi)發(fā)環(huán)境（IDE）已極大地簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)在微控制器中的實(shí)現(xiàn)。

1　傳感器設(shè)計(jì)原理

神經(jīng)網(wǎng)絡(luò)是一個(gè)可以通過(guò)使用模擬軟件、模擬電路、光學(xué)微系統(tǒng)以及在本文的微控制器來(lái)實(shí)現(xiàn)的范式。為了合理的計(jì)算成本和簡(jiǎn)單的結(jié)構(gòu)，該結(jié)構(gòu)適宜嵌入到一種廉價(jià)的8位微控制器中，選擇帶有一個(gè)單隱層的反饋神經(jīng)網(wǎng)絡(luò)（FFNN）。這與其他有效的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)例如橋接多層感知器（BMLP）或完全連接級(jí)聯(lián)（FCC）架構(gòu)［29］相反。橋接多層感知器和完全連接級(jí)聯(lián)均要求使用更精細(xì)的結(jié)構(gòu)并可能為涉及大量的神經(jīng)元的問(wèn)題帶來(lái)實(shí)際利益。

1.1準(zhǔn)備訓(xùn)練集

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程以及本文所提的傳感器的性能依賴于光伏陣列的不同輻照度值和溫度值的電流-電壓性能曲線。光伏電池的電流-電壓性能曲線可以通過(guò)使用其數(shù)學(xué)模型以及由制造商的數(shù)據(jù)表提供的標(biāo)準(zhǔn)信息來(lái)獲得?；蛘?，操作點(diǎn)可在實(shí)驗(yàn)室中在受控的環(huán)境條件下通過(guò)實(shí)驗(yàn)產(chǎn)生。在這兩種情況下，一個(gè)合適的訓(xùn)練集必須通過(guò)使用N個(gè)不同的恒溫下取決于輻照度的電流-電壓曲線來(lái)構(gòu)建。同樣地，M個(gè)不同的電流-電壓曲線必須通過(guò)在恒定的輻照度下改變溫度來(lái)獲得。因此，必須創(chuàng)建N×M訓(xùn)練集模式。

通過(guò)使用光伏陣列的數(shù)學(xué)模型生成訓(xùn)練集，即通過(guò)一個(gè)電流源、一個(gè)反并聯(lián)二極管和一個(gè)串聯(lián)電阻和并聯(lián)電阻建立單個(gè)光伏電池及其推廣到若干串聯(lián)電池的電路模型［7］。本文使用改進(jìn)的電路，該電路通過(guò)一個(gè)外部控制電流源取代反并聯(lián)二極管，如圖1所示。該模型的主要優(yōu)勢(shì)在于它允許包括任意數(shù)量的串聯(lián)和/或并聯(lián)成一個(gè)單一電路表示的電池，該電路表示包括每個(gè)電池的所有細(xì)節(jié)。該模型對(duì)應(yīng)于構(gòu)件以便生成用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的性能電流-電壓。

圖1　光伏電池的等效電路

圖1中光伏電池的輸出電流可表示為：

其中，Iirr表示光電流或輻照度電流，當(dāng)電池暴露于陽(yáng)光下時(shí)，會(huì)生成光電流或輻照度電流。Idio表示流經(jīng)反并聯(lián)二極管的電流，其會(huì)導(dǎo)致光伏電池的非線性特性。Ip表示由于并聯(lián)電阻Rp產(chǎn)生的一個(gè)分流電流。代入Idio和Ip的相關(guān)表達(dá)式：

其中，q=1.602×10-19C表示電子的電荷；k=1.3806503×10-23J/K表示玻耳茲曼常數(shù)；T表示電池的溫度；I0表示二極管飽和電流或電池反向飽和電流；n表示二極管的理想因子或理想常數(shù)；RS和RP分別表示串聯(lián)和并聯(lián)電阻［8］。

表1　光伏陣列模型的替代參數(shù)

該模型可以推廣到任意數(shù)量的串聯(lián)電池（表示為NS）和并聯(lián)電池（表示為NP）以形成一個(gè)小的NS× NP電池陣列。這需要與微控制器所需的電流/電壓等級(jí)相匹配。廣義模型采用以下形式：其中，各種“素?cái)?shù)”值應(yīng)該根據(jù)表1進(jìn)行解釋。

在分別由式（2）和式（3）所描述的單個(gè)光伏電池和陣列的電流-電壓性能特性中，參數(shù)Iirr、I0、RP、RS和n取決于太陽(yáng)輻照度（G）、電池溫度（T）以及由式（4）-（8）所描述的一定的參考參數(shù)，即Gref、Tref、Iirr，ref、I0，ref、RP，ref、RS，ref和nref：

在式（4）中，αT′表示短路電流的相對(duì)溫度系數(shù)，其表示短路電流相對(duì)于溫度的變化率。對(duì)于特定的面板，制造商偶爾會(huì)提供短路電流的絕對(duì)溫度系數(shù)，即αT。αT′和αT之間的關(guān)系如下：

αT=αT′Iirr,ref（5）

在式（6）中，Eg表示在eV中的硅的帶隙能量。Eg的解析表達(dá)式通過(guò)曲線擬合從實(shí)驗(yàn)測(cè)量中獲取，并且因作者而異。這里我們采用了文獻(xiàn)［8］中表達(dá)式：

其中，Rp=Rp,ref(G/Gref)，RS=RS,ref，n=nref。各種組成參數(shù)為任意大小的陣列的性能提供了詳細(xì)的表示并可能用來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

1.2訓(xùn)練過(guò)程

當(dāng)使用神經(jīng)網(wǎng)絡(luò)時(shí)，訓(xùn)練過(guò)程是非常重要的，其需要高水平的精度。各種設(shè)計(jì)選擇如隱含層的大小、訓(xùn)練集的大小和訓(xùn)練算法與正在解決的問(wèn)題緊密聯(lián)系。但是，文獻(xiàn)［9］中的作者已經(jīng)識(shí)別出可引起成功設(shè)計(jì)的某些通用程序。一般來(lái)說(shuō)，訓(xùn)練一個(gè)給定的神經(jīng)網(wǎng)絡(luò)架構(gòu)意味著尋找突觸權(quán)值和偏差向量的可接受的矩陣，即，求解一個(gè)非線性優(yōu)化問(wèn)題，在這個(gè)過(guò)程中，選擇一個(gè)合適的搜索算法決定神經(jīng)網(wǎng)絡(luò)的性能和精度［7］。

一個(gè)訓(xùn)練有素的神經(jīng)網(wǎng)絡(luò)必須能夠執(zhí)行新數(shù)據(jù)的泛化，避免過(guò)度訓(xùn)練的現(xiàn)象—過(guò)度訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在屬于訓(xùn)練集的數(shù)據(jù)上表現(xiàn)良好，但在訓(xùn)練集外的數(shù)據(jù)上表現(xiàn)不佳。泛化的精度是由隱藏神經(jīng)元的數(shù)量（nhn）、在訓(xùn)練集中的樣本的數(shù)量（ntr）以及所采用的優(yōu)化方法及其初始條件決定的。訓(xùn)練過(guò)程的目標(biāo)是為了尋找合適的nhn和ntr，以便使驗(yàn)證集（εts）上的均方誤差（MSE）接近訓(xùn)練集上（εtr=f（nhn，ntr））的所希望的小的均方誤差。此外，選擇一個(gè)小的反饋神經(jīng)網(wǎng)絡(luò)是重要的，這樣其可以有效地嵌入在一個(gè)內(nèi)存適度的微控制器中。因此，必須識(shí)別留在最佳區(qū)域中的訓(xùn)練集的最小尺寸。這可以通過(guò)在文獻(xiàn)［8］中描述的迭代程序來(lái)實(shí)現(xiàn)，對(duì)于一個(gè)給定的廣泛的驗(yàn)證集，為了到達(dá)最佳區(qū)域（具有所需的εtr），該程序修改nhn或ntr。

對(duì)于此訓(xùn)練，考慮了訓(xùn)練集εtr=8×10?3上的目標(biāo)均方誤差。從nhn的一個(gè)較大的值開(kāi)始，迭代過(guò)程產(chǎn)生nhn=8和ntr=50并將其作為最佳值，以到達(dá)最佳區(qū)域。進(jìn)一步降低神經(jīng)元的數(shù)量沒(méi)有提供有用的結(jié)果。

在本文中所采用的訓(xùn)練方法結(jié)合了著名的Lev?enberg-Marquardt算法（LMA）［9］和遺傳算法（GA）［8］?？傊捎玫纳窠?jīng)網(wǎng)絡(luò)具有反饋結(jié)構(gòu)，其以一個(gè)三層結(jié)構(gòu)為特點(diǎn)，該結(jié)構(gòu)具有：（1）3個(gè)輸入神經(jīng)元（具有線性激活函數(shù)）；（2）8個(gè)隱含層神經(jīng)元，具有tansig激活函數(shù)；（3）一個(gè)輸出神經(jīng)元（具有線性激活函數(shù)），用于所測(cè)量的輻照度（即Gm）的預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集是在MATLAB環(huán)境下通過(guò)10個(gè)（N）在100 W/m2~1 500 W/m2等距離輻照度值下的操作點(diǎn)以及5個(gè)（M）在260至360（K）等距離溫度值下的操作點(diǎn)來(lái)實(shí)現(xiàn)的，因此，訓(xùn)練集的大小為50個(gè)（N×M）操作點(diǎn)［V，I，T］。訓(xùn)練集上均方誤差的目標(biāo)是固定等于8×10?3，整個(gè)學(xué)習(xí)過(guò)程花了大約1.5 min。圖2顯示了神經(jīng)網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證過(guò)程中的均方誤差。

經(jīng)過(guò)4078時(shí)段后，均方誤差達(dá)到目標(biāo)值。以下評(píng)論是按順序的：（1）通過(guò)遵循先前描述的程序，沒(méi)有過(guò)度訓(xùn)練的風(fēng)險(xiǎn)；（2）由于采用為數(shù)不多的隱藏神經(jīng)元，圖2中的均方誤差部分緩降；（3）由于利用一個(gè)非常大的驗(yàn)證集—擁有廣泛的太陽(yáng)輻照度和電池溫度—預(yù)計(jì)新數(shù)據(jù)的結(jié)果在任何情況下都是準(zhǔn)確的。

圖2　神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證過(guò)程最佳訓(xùn)練性能是時(shí)段為4 078時(shí)的0.007 999 9。

設(shè)訓(xùn)練神經(jīng)網(wǎng)絡(luò)從由在光伏電池終端的電壓（V）和電流（I）以及在光伏電池表面的溫度（T）識(shí)別的操作點(diǎn)返回Gm。x =［V，I，T］對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的輸入向量。從由式（2）~式（7）所描述的光伏電池模型中注意到一對(duì)一的關(guān)系存在于操作點(diǎn)x和G的單值之間，這是重要的。此外，在硬件實(shí)現(xiàn)中，只有電壓和溫度需要測(cè)量。實(shí)際上，通過(guò)使用一個(gè)已知的測(cè)試電阻器Rtest即可避免直接測(cè)量電流，因此電流I可通過(guò)使用歐姆定律來(lái)計(jì)算。為了提高精度并使各種數(shù)值計(jì)算流程更穩(wěn)健，應(yīng)對(duì)測(cè)試電阻器Rtest的值進(jìn)行選擇，以便使大部分操作點(diǎn)位于光伏電池電流-電壓曲線肘部的周圍，從而從3個(gè)變量［V，I，T］的更大范圍的值中受益。

2　輻照度神經(jīng)網(wǎng)絡(luò)計(jì)算方法

訓(xùn)練過(guò)程分別為隱含層和輸出層返回突觸權(quán)值W1和W2以及偏差向量B1和B2的矩陣。所測(cè)量的輻照度Gm是通過(guò)以下3步程序來(lái)計(jì)算的。

（1）根據(jù)以下公式對(duì)輸入數(shù)據(jù)進(jìn)行縮放操作（最小-最大歸一化）：

其中，當(dāng)j=1，2，3時(shí)，xj分別對(duì)應(yīng)于V、I和T；xmaxj和xminj分別表示V、I和T的最大值和最小值；xnj表示歸一化輸入值。

（2）縮放輻照度的計(jì)算

其中，激活函數(shù)tansig是：

（3）對(duì)Gn進(jìn)行縮放以便獲得實(shí)際的太陽(yáng)輻照度值：

圖3　反饋神經(jīng)網(wǎng)絡(luò)方案的結(jié)構(gòu)

3　傳感器的硬件實(shí)現(xiàn)

圖4示出了該方法的整體原理框圖。一個(gè)或少量的光伏電池以串聯(lián)/并聯(lián)的方式排列以便形成一個(gè)小的光伏板，將該光伏板連接到一個(gè)已知的測(cè)試電阻器，即Rtest。該方法包括測(cè)量橫穿電池終端的電壓和電池溫度。不同于太陽(yáng)輻照度的檢測(cè)，電壓和溫度的測(cè)量是廉價(jià)的且容易實(shí)現(xiàn)［13］。這兩個(gè)量被輸入到一個(gè)適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)算法中，該算法在一個(gè)低成本的微控制器中實(shí)現(xiàn)，而該微控制器可精確地計(jì)算實(shí)際的太陽(yáng)輻照度。

圖4　太陽(yáng)輻照度傳感器的原理圖

該傳感器可以方便地放置在發(fā)電光伏板的旁邊，甚至與它集成。這使該傳感器具有以下優(yōu)勢(shì)：傳感光伏板將“看到”與發(fā)電光伏板“看到”的太陽(yáng)輻照度和溫度完全相同的太陽(yáng)輻照度和溫度，從而使性能得以提高。

在實(shí)驗(yàn)室中對(duì)圖1中的電路原理圖進(jìn)行了實(shí)驗(yàn)驗(yàn)證。在標(biāo)準(zhǔn)測(cè)試條件下在最大功率點(diǎn)，傳感光伏陣列通過(guò)一個(gè)由IXYS公司制造的型號(hào)為KXOB22-01X8且額定電壓為3.4 V/額定電流為3.8 mA的預(yù)先包裝的8個(gè)電池的陣列實(shí)現(xiàn)。利用制造商的數(shù)據(jù)表上的規(guī)格，并使用上節(jié)描述的程序來(lái)構(gòu)建一個(gè)完整的陣列性能的數(shù)學(xué)模型。

考慮到光伏陣列的特性，選定測(cè)試電阻器的電阻為921 W，并通過(guò)一個(gè)簡(jiǎn)單的軸向引線電阻器實(shí)現(xiàn)。這允許人們選擇光伏陣列電流-電壓曲線肘部周圍的操作點(diǎn)。光伏陣列終端電壓是通過(guò)使用一個(gè)嵌在微控制器中的內(nèi)部模擬/數(shù)字（AD）轉(zhuǎn)換器來(lái)測(cè)量的［12］。

溫度傳感器是通過(guò)使用一個(gè)單線傳感器（型號(hào)為DS18B20）來(lái)實(shí)現(xiàn)的。用于數(shù)據(jù)處理的微控制器是由美國(guó)微芯科技公司制造的PIC18F6627。該裝置屬于低成本低功耗PIC18/8位家族，配備了一個(gè)4 kbyte 的RAM內(nèi)存、一個(gè)96 kbyte的可再編程閃存、12模擬/數(shù)字轉(zhuǎn)換器、SPI、I2C和RS232/RS485接口。

選擇一種廉價(jià)的微控制器對(duì)于所提的傳感器的低成本實(shí)現(xiàn)是必不可少的。這不可避免地使一個(gè)8位微控制器成為選擇的裝置，這以可能的數(shù)值誤差為代價(jià)。幸運(yùn)的是，現(xiàn)在有精確的雙精度數(shù)學(xué)庫(kù)，其可用于微控制器的固件的開(kāi)發(fā)。對(duì)在上節(jié)中描述的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改編以便使其在微控制器中運(yùn)行，并在C語(yǔ)言中對(duì)其進(jìn)行了編碼。該C代碼由一組初始化函數(shù)和一個(gè)主流程組成。后者控制外圍設(shè)備，管理通信協(xié)議，取得輸入數(shù)據(jù)，執(zhí)行所采用的神經(jīng)網(wǎng)絡(luò)程序并輸出所計(jì)算的輻照度。微控制器電路圖如圖5所示。

圖5　微控制器連接電路圖

微控制器可通過(guò)一個(gè)RS232/RS485接口或以太網(wǎng)電纜連接到個(gè)人計(jì)算機(jī)。微控制器的上述特點(diǎn)可以使其很容易地進(jìn)行更新、重新校準(zhǔn)或納入新的定制功能。整個(gè)神經(jīng)網(wǎng)絡(luò)程序僅占程序存儲(chǔ)器5 904 byte和數(shù)據(jù)存儲(chǔ)器186 byte。將微控制器的精度與通過(guò)使用MATLAB計(jì)算的結(jié)果進(jìn)行對(duì)比，未觀察到顯著差異。

表2示列出的硬件實(shí)現(xiàn)所需的主要組件參數(shù)。雖然基于本文所提的傳感器的商業(yè)產(chǎn)品的成本是市場(chǎng)趨勢(shì)、經(jīng)濟(jì)因素和工程開(kāi)發(fā)的一個(gè)復(fù)雜函數(shù)，但是約100元人民幣的組件成本使該傳感器與市場(chǎng)上現(xiàn)有的廉價(jià)輻照度傳感器相比至少更有競(jìng)爭(zhēng)力。大量生產(chǎn)的專用組件可以進(jìn)一步降低傳感器的價(jià)格。

表2　實(shí)驗(yàn)安裝組件和成本

4　實(shí)驗(yàn)驗(yàn)證

使用上節(jié)描述的硬件樣機(jī)進(jìn)行了室外實(shí)驗(yàn)。將所提的傳感器與商用傳感器進(jìn)行了對(duì)比。用于比較的裝置是一個(gè)由Coherent公司制造的型號(hào)為L(zhǎng)M-10 HTD的激光功率傳感器。圖6中的圖片顯示了本文設(shè)計(jì)的傳感器樣機(jī)特寫。

在本文所提的傳感器的實(shí)現(xiàn)中使用的光伏電池對(duì)應(yīng)于一個(gè)單晶硅電池包，其吸收波長(zhǎng)范圍在0.3 μm~1.1 μm內(nèi)的光。另一方面，LM-10 HTD裝置是一個(gè)熱電堆傳感器，對(duì)其進(jìn)行校準(zhǔn)以測(cè)量在光譜為0.25 μm~10.6 μm內(nèi)的輻照度。

圖6　基于神經(jīng)網(wǎng)絡(luò)的傳感器

由于波長(zhǎng)光譜中的失配，單晶硅電池傳感器和熱電堆傳感器沒(méi)有產(chǎn)生相同的讀數(shù)［12］。在對(duì)由基于單晶硅電池的傳感器測(cè)得的輻照度（GPV）與由基于熱電堆的傳感器測(cè)得的輻照度（GTp）進(jìn)行對(duì)比的情況下，失配系數(shù)（MR=GPV/GTp）為0.946。將這種校正應(yīng)用到戶外測(cè)量中以比較傳感器的讀數(shù)。每對(duì)比較的數(shù)據(jù)在2014年10月中旬中午前后輻照度相對(duì)恒定的時(shí)候（圖7）以及黃昏時(shí)輻照度快速變化的時(shí)候收集（圖8）。其中圖7每30 s從中午12：20到下午1：50抽取樣本，說(shuō)明了輻照度相對(duì)恒定的一個(gè)時(shí)期；圖8每30 s從下午2：50到下午4：20抽取樣本，說(shuō)明了輻照度變化的一個(gè)時(shí)期。讀數(shù)之間的相關(guān)性是顯而易見(jiàn)的。

圖7　由本文所提的傳感器和商用裝置LM-10 HTD測(cè)得的太陽(yáng)輻照度值

圖8　傳感器和商用裝置LM-10 HTD測(cè)得的太陽(yáng)輻照度值

此外，圖9和10分別呈現(xiàn)出與圖10和圖11相同的數(shù)據(jù)，每3 min重新采樣并采用線性擬合繪制而成。溫度讀數(shù)也顯示在圖的底部。如圖所示，由于風(fēng)，LM-10 HTD傳感器（設(shè)計(jì)用于無(wú)風(fēng)時(shí)的室內(nèi)激光功率測(cè)量）中的輻照度讀數(shù)受溫度波動(dòng)的影響，而本文所提的神經(jīng)網(wǎng)絡(luò)傳感器對(duì)這些因素是不敏感的。

圖9　通過(guò)每3 min對(duì)圖7　中的測(cè)量數(shù)據(jù)進(jìn)行重采樣提取的太陽(yáng)輻照度和溫度趨勢(shì)

圖10　通過(guò)每3 min對(duì)圖8　中的測(cè)量數(shù)據(jù)進(jìn)行重采樣提取的太陽(yáng)輻照度和溫度趨勢(shì)

5　結(jié)論

本文介紹了一種新型的基于神經(jīng)網(wǎng)絡(luò)的低成本太陽(yáng)輻照度傳感器，可用于大型光伏電站，以便精確地跟蹤光伏電站內(nèi)的太陽(yáng)輻照度；詳細(xì)描述了一個(gè)完整的數(shù)學(xué)模型以及傳感器的實(shí)際實(shí)現(xiàn)，并采用室外測(cè)量對(duì)該傳感器進(jìn)行了驗(yàn)證。本文所提方法的一個(gè)重要特點(diǎn)在于結(jié)構(gòu)的簡(jiǎn)易性和精確性，該方法通過(guò)一個(gè)微控制器采用了一種在嵌入式系統(tǒng)中實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)是通過(guò)一個(gè)帶有一個(gè)單隱層的簡(jiǎn)單反饋結(jié)構(gòu)來(lái)實(shí)現(xiàn)的。選擇該結(jié)構(gòu)的原因是由于其合理的計(jì)算成本和簡(jiǎn)單的結(jié)構(gòu)，這種結(jié)構(gòu)適宜嵌入到一種廉價(jià)的8位微控制器中。進(jìn)一步研究的一個(gè)有趣的領(lǐng)域是對(duì)不同類型的神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，作為對(duì)本文的深入研究。該傳感器的一個(gè)主要優(yōu)勢(shì)在于其可以方便地放置在發(fā)電光伏板的旁邊，甚至與它集成。實(shí)驗(yàn)驗(yàn)證結(jié)果顯示，傳感光伏板將“看到”與發(fā)電光伏板“看到”的太陽(yáng)輻照度和溫度完全相同的太陽(yáng)輻照度和溫度，實(shí)現(xiàn)精確的輻照度跟蹤，從而使最大功率點(diǎn)跟蹤的性能得以提高。

參考文獻(xiàn)：

［1］Kadri R，Gaubert J P，Champenois G. An Improved Maximumpow?er Point Tracking for Photovoltaic Grid-Connected Inverter Based on Voltage-Oriented Control［J］. IEEE Trans Ind Electron，2011，58（1）：66-75.

［2］Chatterjee A，Keyhani A. Neural Network Estimation of Microgrid?maximum Solar Power［J］. IEEE Trans Smart Grid，2012，3（4）：1860-1866.

［3］楊振嶺，方偉，葉新，等.太陽(yáng)輻照度絕對(duì)輻射計(jì)真空中腔溫響應(yīng)測(cè)量［J］.電子測(cè)量與儀器學(xué)報(bào)，2013，27（8）：709-714.

［4］王品晶，方偉，葉新，等.太陽(yáng)輻照度監(jiān)測(cè)儀主動(dòng)熱控測(cè)試系統(tǒng)設(shè)計(jì)［J］.傳感器與微系統(tǒng)，2013，32（12）：117-119，123.

［5］楊東軍，方偉，王玉鵬，等.太陽(yáng)輻射計(jì)全自動(dòng)跟蹤轉(zhuǎn)臺(tái)的設(shè)計(jì)［J］.計(jì)算機(jī)測(cè)量與控制，2011，19（8）：2001-2003，2006.

［6］Cristaldi L，F(xiàn)aifer M，Rossi M，et al. A Simple Photovoltaicpanel Model：Characterization Procedure and Evaluation of the Role of Environmental Measurements［J］. IEEE Trans Instrum Meas，2012，61（10）：2632-2641.

［7］Ugalde H M R，Carmona J，Alvarado V M，et al. Reyes-Reyes. Neural Network Design and Model Reduction Approach for Black Boxnonlinear System Identification with Reduced Number of Pa?rameters［J］. Neuro Computing，2013，101（4）：170-180.

［8］Riganti-Fulginei F，Laudani A，Salvini A，et al. Automaticand Par?allel Optimized Learning for Neural Networks Performing MIMO Applications［J］. Adv Electr Comput Eng，2013，13（1）：3-12.

［9］司楊，張海峰.基于神經(jīng)網(wǎng)絡(luò)的太陽(yáng)輻照度預(yù)測(cè)方法研究［J］.青海大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，31（1）：14-18.

［10］劉恩超，李新，張艷娜，等.高精度太陽(yáng)輻照度儀的光譜掃描測(cè)量［J］.光譜學(xué)與光譜分析，2014，（3）：609-613.

［11］李留勝，任德志.槽式太陽(yáng)能集熱裝置日跟蹤器的設(shè)計(jì)［J］.自動(dòng)化儀表，2013，34（9）：56-59.

［12］章力軍，丁德勝.高斯束展開(kāi)法的注記：指向性和輻射阻抗的簡(jiǎn)化計(jì)算［J］.電子器件，2013，36（6）：789-792.

［13］張利，劉清惓，楊榮康，等.基于計(jì)算流體動(dòng)力學(xué)的探空溫度傳感器太陽(yáng)輻射誤差修正方法［J］.傳感技術(shù)學(xué)報(bào)，2013，26（1）：78-83.

［14］黎步銀，張?jiān)讫?基于C8051F單片機(jī)的太陽(yáng)電池測(cè)試系統(tǒng)［J］.儀表技術(shù)與傳感器，2014（10）：53-56.

韋忠善（1972-），男，廣西橫縣人，碩士，副教授，電子技術(shù)教研室主任，主要從事電子技術(shù)、計(jì)算機(jī)仿真技術(shù)教學(xué)與研究，weizs530226@126.com；

王力虎（1962-），男，湖北武漢人，博士，教授，研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)和計(jì)算機(jī)仿真技術(shù)。

Design of Remote Monitoring System for the Status of Concrete Pump Truck by Multi-Network Integration*

SHU Zefang1*，PENG Xiaoshan2，CHEN Min3

（1.School of Mechanical Engineering，Guiyang University，Guiyang 550005，China；2.School of Electronic and Communication Engineering，GuiYang University，Guiyang 550005，China；3.College of Mechanical and Electrical Engineering，Central South University，Changsha 410075，China）

Abstract：The remote monitoring system for concrete pump truck by multi-network integration was designed for monitoring its status effectively to ensure the safe production and reduce the cost of maintenance. The sensor plug and wireless data acquisition transmission of the arm frame structure was realized using ZigBee technology，while that of other structures such as hydraulic system and the chassis was realized using CAN/LIN（Controller Area Net?work/ Local Interconnect Network）. Then the collected data was aggregated in the state center of the truck and re?motely transmitted to the server of the monitoring center by the time-sharing model by GPRS（General Packet Radio Service），in which the status monitoring and repair for metro area was achieved. The test result that the packet loss rate of the system is less than 3% within 30 km in good GPRS condition shows that the system is able to realized the real-time data acquisition and transmission so as to ensure the safe operation.

Key words：concrete pump truck；remote monitoring for the status；multi-network integration；ZigBee；CAN/LIN；GPRS

doi：EEACC：7210F10.3969/j.issn.1005-9490.2016.01.040

收稿日期：2015-04-14修改日期：2015-05-13

中圖分類號(hào)：TP212.1；TP393.028

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1005-9490（2016）01-0186-07