基于反饋神經系統的MPPT的實現

官蕾，陳亮明，李亞林，盧揚

(1.江漢大學化學工程與技術學院，湖北武漢430056；2.江漢大學物理與信息工程學院，湖北武漢430056；3.江漢大學管理科學與工程學院，湖北武漢430056)

基于反饋神經系統的MPPT的實現

官蕾1，陳亮明2，李亞林1，盧揚3

(1.江漢大學化學工程與技術學院，湖北武漢430056；2.江漢大學物理與信息工程學院，湖北武漢430056；3.江漢大學管理科學與工程學院，湖北武漢430056)

以常見硅太陽電池為例，搭建電池仿真模型，采用反饋神經網絡調節算法對該仿真系統實現了最大功率點的追蹤。實驗數據表明，所建立的電池模型能很好地模擬出硅電池的輸出特性，反饋神經網絡也能快速準確地實現MPP的追蹤，具有較好的追蹤效果。

太陽能發電；神經網絡調節；Matlab；最大功率點追蹤

隨著工業經濟的迅猛發展和經濟全球化進程的不斷加速，世界范圍內的環境污染和能源短缺已成為制約人類社會可持續發展的兩大重要因素，大力發展新的可替代能源已成為當務之急。光伏發電作為一種全新的電能生產方式，以其低污染、低噪音、維護容易等特點顯示出無比廣闊的發展空間和應用前景[1]。然而，太陽能發電受到光照強度、環境溫度、負載等多種因素的共同影響，輸出端電能質量具有極大的不穩定性[2]。如何高效利用太陽能能源發電，精準地實現輸出端最大功率點追蹤(Maximum Power Point Tracking，MPPT)尤為重要。目前常用的MPPT算法有固定電壓法、干擾觀測法、增量電導法及新型智能控制法[3]。本文采用新型智能控制法中的神經網絡算法，相比傳統方法能更好地迎合負載的非線性特征，且反饋性特性將使網絡算法具備聯想記憶功能，易于硬件實現。

1 太陽電池的模型構建和特性分析

太陽電池可分為硅太陽電池、非硅無機薄膜太陽電池、有機太陽電池、染料敏化太陽電池。硅太陽電池作為最早進行研發生產的電池種類，在國內外已經有了廣泛的推廣和應用，比其他種類電池有著更為成熟的技術和更加完善的體系。圖1為硅太陽電池板等效圖[4]，其中：Is為理想電流源的光生電流，D為反向并聯二極管，Rs為串聯電阻，Rsh為并聯電阻，RL為負載端電阻，I為輸出端電流，V為輸出端電壓。

圖1 硅太陽電池板等效圖

由圖1可知，光伏電池的I-V特性關系方程：

在理想情況下，我們將電池內部PN結外載流子的阻抗作用忽略不計，即流過串聯電阻Rs的電流值可近似為零，將電池內的旁路電阻Rsh近似為無窮大，則流過旁路電阻Rsh上的電流近似為零[5]，則上式可簡化為：

式中：Is為光生電流；I0為反向飽和電流；U為電池的輸出端電壓；其余皆為定值。這樣，光伏電池的輸出功率為：

由上式可知，硅太陽電池的輸出功率呈非線性，受到環境溫度和光照強度等多種因素的共同影響。

1.1 光伏電池的模型構建

工程用模型是利用了光伏電池外特性數學模型，其特點是采用簡單且易獲取的參數擬合光伏電池的輸出特性，適用于對電池外部特性進行仿真研究[6]。在實際應用中，電池廠商提供標準環境下電池的短路電流Isc，開路電壓Uoc，最大功率電壓Um和最大功率電流Im四個參數。這四個參數與電池的輸出特性曲線有緊密的對應關系[7]。

考慮太陽能輻射變化和溫度影響，利用電池內部結構關系式，在Matlab軟件中建立了光伏電池仿真模型。該模塊有3個輸入量，分別為：光照強度S、環境溫度T、輸出電壓Uout。1個輸出量：輸出電流I。圖2所示為光伏電池封裝后模型。

圖2 硅太陽電池封裝模型

1.2 太陽電池輸出特性分析

基于以上仿真模型，控制溫度值一定、調節光照強度的設定量，得到電壓和輸出功率的關系圖如圖3所示。設置初始條件(T=298 K)，a=0.002 5/℃，b=0.5，c=0.002 8/℃。光照強度設定值分別為S=1、0.75、0.5和0.25 kW/m2。

分析圖3數據可知：光伏電池的最大輸出功率隨光照強度增強而變大，且在同一日照環境下有唯一的最大輸出功率點。在最大功率點左側，輸出功率隨電池端電壓上升呈近似線性上升趨勢，到達最大功率點后，輸出功率開始快速下降，且下降速度遠大于上升速度。

同理，控制光照強度輸入一定、調節溫度的設定值，可得到電壓和輸出功率的關系圖如圖4所示，設置初始條件(S=1 kW/m2)，a=0.002 5/℃，b=0.5，c=0.002 8/℃。光照強度設定值分別為T=338 K、T=318 K、T=298 K、T=278 K。

圖4 硅電池在不同溫度下的P-V圖

分析圖4數據可知：光伏電池輸出功率總的變化趨勢與不同日照條件下的功率變化相似，但相同日照情況下其最大輸出功率隨電池溫度的上升而下降，且最大功率點對應的工作電壓隨溫度上升而下降。

綜上所述，光伏電池的輸出功率與它所受的日照強度、環境溫度有密切的關系。在不同外部環境情況下，光伏電池的輸出功率會有較大的變化。因此光伏發電系統必須采用相關電路和控制方法對輸出功率加以控制使其輸出最大功率[8]。

2 MPPT控制器的實現

光伏電池最大功率點的跟蹤算法比較典型的有：定電壓跟蹤法(CVT，Constant voltage Tracking)、擾動觀測法(P&O，Perturbation and observation method)、導納增量法(Incremental conductance method)，在此之上還有改進的是：變步長導納增量法、基于模糊控制的MPPT方法、基于神經網絡的MPPT方法、基于差分方程解的MPPT方法[3]。

2.1 反饋神經系統調節的設計

神經網絡法是一種智能控制實現MPPT的方法，采用微控制器實現。神經網絡通常包括三層：輸入層、隱含層和輸出層[9]。圖5為神經網絡工作原理圖。

圖5 神經網絡工作原理圖

在光伏模型研究中，電池的短路電流Isc、開路電壓Voc、日照強度及溫度等可以作為神經網絡的輸入變量，輸出量通常為變換器的占空比[9]，用這個占空比驅動變換器開關管，使光伏電池工作在最大功率點。神經網絡法跟蹤最大功率點的效果取決于隱含層采用的算法以及神經網絡被訓練的程度[10]。由于各種光伏電池輸出特性的不同，每個神經網絡只能專門為特定的一個光伏系統使用，同時光伏電池的特性也會隨著時間而改變，為了保證跟蹤的準確性，神經網絡必須進行周期性的訓練。本模型中選用短路電流Isc、開路電壓Voc為輸入量，最大訓練次數為300次，學習率缺省值為0.1，訓練要求精度缺省值為0.000 04，訓練函數采用trainlm。

2.2 反饋神經網絡的應用

實際應用中，單個光伏發電電池的輸出功率較低，一般采用多電池板并聯運行輸出的方式[11]。本文作者選用Boost升壓電路控制電路輸出，一方面可以達到提升輸出電壓的效果，為系統末端并網運行提供條件；另一方面，與Buck電路相比，Boost電路輸入電流能連續工作，避免因電流不穩定而帶來的電能損耗。圖6為在Sumilink平臺上搭建的光伏系統的仿真模型，該模型由PV模塊、BOOST模塊、MPPT模塊三部分組成。

3 系統運行及結果

將訓練好的神經網絡帶入上述光伏仿真模型中進行整體運行調試，運行結果如圖7和圖8所示。

圖6 光伏系統仿真模型

圖7 神經網絡預測和期望輸出對比圖

從圖中可知神經網絡控制下的輸出功率與實際最大功率點的功率很接近。誤差值趨近于0，相對誤差率在0.5%以內，說明通過神經網絡進行MPPT控制具有較好的效果。

4 結論

(1)根據光伏電池的工程用數學模型，設計了光伏電池的Matlab仿真模型。仿真結果表明，該模型可以模擬不同的環境條件下光伏電池特性。

(2)訓練后的神經網絡的MPPT控制器仿真模型能夠實現最大功率點跟蹤功能，輸出相對誤差率在0.5%以內，效果較好。

(3)本文設計的光伏電池仿真模型實現了光伏發電系統的最大功率輸出，為進一步研究并網型光伏發電系統打下了一定的基礎。

[1]劉子龔.光伏電源逆變器的設計[J].電腦與電信，2012(6):51-53.

[2]陳丹平.太陽能光伏并網控制技術研究[D].宜昌：三峽大學，2013.

[3]劉萌.并網型光伏發電系統最大功率跟蹤控制研究[D].保定：華北電力大學，2013.

[4]楊海柱，金新民.并網光伏系統最大功率點跟蹤控制的一種改進措施及其仿真和實驗研究[J].電工電能新技術,2006,25(1):63-67.

[5]林期遠，楊啟岳，徐瑾，等.分布式光伏發電系統最大功率點跟蹤技術比較研究[J].能源工程，2012(2):1-10.

[6]范佳佳，宋平崗.光伏發電系統新型變步長MPPT控制方法[J].大眾科技，2010(10):178-180.

[7]汪義旺，曹豐文，張波，等.光伏發電系統最大功率點快速跟蹤控制研究[J].電力電子技術，2010，44(10):14-16.

[8]李琦.可調度式光伏并網發電系統的研究[D].青島：山東科技大學，2011.

[9]卞晶晶.基于神經網絡的光伏發電最大功率點跟蹤算法及仿真[D].鄭州：華北水利水電學院，2011.

[10]張蔚.BP神經網絡在光伏發電MPPT中的應用[J].現代建筑電氣，2010，1(4):54-57.

[11]董密，羅安.光伏并網發電系統中逆變器的設計與控制方法[J].電力系統自動化，2006，30(20)：97-102.

Realization of MPPT based on feedback neural system

GUAN Lei1,CHEN Liang-ming2,LI Ya-lin1,LU Yang3
(1.College of Chemical Engineering and Technology,Jianghan University,Wuhan Hubei 430056,China;2.College of Physics and Information Engineering,Jianghan University,Wuhan Hubei 430056,China;3.College of Management Science and Engineering,Jianghan University,Wuhan Hubei 430056,China)

Taking the common silicon solar cell as an example,the simulation model was built and the feedback neural network was used to adjust the algorithm to achieve the maximum power point tracking.The experimental data show that the established battery model can well simulate the output characteristics of silicon cells;the feedback neural network can quickly and accurately achieve MPP tracking,and has good tracking effect.

solar power generation;neural network adjustment;Matlab;MPPT

TM 615

A

1002-087 X(2016)08-1689-03

2016-01-22

官蕾(1990—)，女，湖北省人，碩士生，主要研究方向為新能源技術。