基于大變異GA-BP的MPPT的仿真與研究

劉 寧，張 晶，趙圣芳

（山東科技大學 自動化學院，青島 266000）

基于大變異GA-BP的MPPT的仿真與研究

劉 寧，張 晶，趙圣芳

（山東科技大學 自動化學院，青島 266000）

研究了溫度、光照強度對太陽能電池板輸出特性曲線的影響。為了提高太陽能電池板的光電轉換效率，結合影響光伏的兩大因素，提出了一種基于大變異遺傳算法優化神經網絡的最大功率點跟蹤的方案。將溫度以及光照強度作為該神經網絡的輸入建立出預測模型，通過MATLAB進行仿真。仿真結果顯示出該系統可以準確快速的跟蹤到最大功率點從而有效的提高了光伏電池的光電轉換效率。

大變異；神經網絡；遺傳算法；最大功率點跟蹤

0 引言

隨著工業化進程的加快，傳統能源已經無法滿足人類發展的要求，加上傳統能源有在使用過程中對環境造成較大污染的問題，因此，以太陽能為代表的新能源受到了人們的重視，成為了新的研究熱點。但是由于光伏系統中光電轉換效率一直較為低下，這一原因使得太陽能的推廣和發展都受到了嚴重的阻礙。為了改變這一現象，各國都著力研究如何讓太陽能電池板一直工作于最大功率點。

當今社會最常用的最大功率點跟蹤方法有擾動觀察法（P&D）、電導增量法、模糊邏輯控制法、恒電壓法以及滯環比較法，但這些方法都普遍無法準確快速地追蹤到太陽能的最大功率點。本文根據影響太陽能電池板輸出功率的因素，如光照強度、溫度等設計出BP神經網絡，鑒于BP神經網絡的缺點，引入大變異遺傳算法的思想來優化BP神經網絡，根據實際的測量數據進行訓練，預測出最大功率點對應的電壓，從而實現MPPT控制，提高光伏系統的工作效率[1]。

1 光伏電池模型以及輸出特性

1.1 光伏電池建模

太陽能電池板利用半導體硅所特有的光生伏打效應實現光電轉換。

太陽能電池板的等效模型如圖1所示。

根據太陽能電池板的光生伏打效應和基爾霍夫定理可以列出該光伏電池的輸出特性表達式：

圖1 光伏電池等效電路圖

為了能夠更加直接地看出光伏電池的特性曲線，也為了在MATLAB中搭建模型方便，將光伏電池的輸出電流和輸出電壓的公式推導出來。

光伏電池的輸出電流公式為：

式中，Ic和Vc為輸出電流和輸出電壓；Iph為光電流；Is為飽和電流；VT為溫度電壓；m為二極管因素。

由式(2)可以推導出光伏電池的輸出功率公式為：

式中，Pc為輸出功率；Vc為輸出電壓；Iph為光電流；Is為飽和電流；VT為溫度電壓；m為二極管因素。

1.2 光伏電池輸出特性

本文太陽能電池板選取的是航天機電牌的光伏電池，其型號為HT60-156-265，該光伏電池在標準測試條件：大氣質量AM1.5，輻照度1000，電池溫度，時其電氣參數如表1所示。

表1 部分參數現場數據

光伏電池的輸出特性曲線如圖2所示。

圖2 光伏電池的輸出特性曲線

從上面給出的特征曲線可以看出，要想使得太陽能光伏電池的光電轉換效率提高，則必須跟蹤光伏電池的最大功率點[2]。

2 BP神經網絡的計算

BP神經網絡是當今社會非常流行的誤差反向傳播學習算法，這是一種多層網絡的逆推學習算法。

1）輸入層設計

輸入層的設計是根據待解決問題來確定的。在本文的研究中，影響光伏電池最大功率點的因素是光照強度和溫度。因此該BP神經網絡的輸入層為兩個輸入點，輸入層采用的tansig型傳遞函數。

2）輸出層設計

輸出層的設計也是根據待解決問題的結構來確定的。對光伏系統而言，其需要解決的問題為輸出功率，因此該BP神經網絡的輸出點數為1，輸出層采用的傳遞函數是logsig型。

3）隱含層設計

（1）隱含層層數設計

當BP神經網絡中的每一個傳輸點都是S型函數的時候，此時該網絡結構能夠解決所有的任意判決分類。由于增加隱含層的數量會是得BP神經網絡的結構變復雜，訓練時間延長，所以本文采用的是單隱含層。

（2）隱含層節點數設計

BP神經網絡中隱含層中節點的個數對神經網絡性能有著很大的影響。如果隱含層的節點數選的不合適則該BP神經網絡則容易出現“過擬合”的現象。本文采用的是黃金分割法來確定BP神經網絡的隱含層節點數。本文的隱含層節點數設計為5個，其結構圖如圖3所示[3]。

圖3 MPPT的BP神經網絡結構圖

3 基于大變異GA-BP的MPPT控制系統研究

由于BP神經網絡學習算法存在著收斂速度相對較慢并且在探索過程中容易陷入到局部最優解的缺點，為了提高BP神經網絡學習算法的精確度，通常會使用遺傳算法來優化BP神經網絡。從理論分析上可知，遺傳算法通過對自身進行適應度函數的改進以及操作算子的調整，這樣可以使得GA-BP神經網絡避免出現早熟的現象。但是在實際應用中，為了能夠使得該算法的效果趨于穩定，我們通常會將遺傳算法中的變異算子設置的較小。由于變異算子較小，所以一旦遺傳算法算法出現早熟現象，在幾代之內很難產生最佳個體。為了改變這一現象，將大變異的思想引入到遺傳算法。該思想的主要實現方法是，當遺傳算法進化到某一代時，在該代中所有的個體的適應度都非常接近，此時將變異的概率擴大，進行一次大變異操作，這樣就可以使得種群在短時間內產生大量新的個體，從而使得遺傳算法擺脫早熟困境。實現這一操作所利用的變換公式為：

式中，Fmax為大適應度；Favg為均適應度；α為密集因子，其取值介于0.5～1之間。當上述表達式成立時，此時遺傳算法的變異因子變為原變異因子的5倍或者5倍以上。雖然引入大變異思想后，遺傳算法能夠在短時間內產生新個體，但是如果該操作持續時間過長則會造成系統的不穩定，因此必須在合適的時間內切換為之前的變異率，從而使得遺傳算法優化效果提高，其算法流程圖如圖4所示。

圖4 大變異遺傳算法優化BP神經網絡學習算法的流程圖

4 預測模型的預測結果及分析

為了驗證大變異GA-BP算法對太陽能電池板最大功率點工作電壓的預測準確性，本文利用MATLAB2014a來實現上述算法的學習過程以及迭代過程。預測模型的訓練數據采用的是一天中6h～18h中每次間隔5分鐘采集到的溫度以及輻照度數據，共計144組數據。預測模型中的測試數據采用的是后一天里6h～18h中每次間隔30分鐘采集到的溫度以及輻照度數據，共計24組數據。通過圖3設計的網絡模型進行訓練學習，本文將最大訓練次數設計為1000次，訓練期望誤差為0.00001，學習速率為0.1，顯示間隔次數為10。訓練函數采用的是trainlm，輸入層采用的傳遞函數為tansig函數，輸出層采用的傳遞函數為logsig函數。遺傳算法的參數設置為，種群規模為10，進化終止代數為100，交叉概率設置為0.4，變異概率設置為0.1大變異率為0.5[4～6]。

其預測結果如圖5所示。從圖中可以看出相對于GA-BP網絡而言，大變異GA-BP網絡的預測結果更加接近真實值。網絡訓練圖形如圖6所示。從圖中可以看出，在精度要求一樣的情況下GA-BP網絡需要97步，大變異GA-BP需要82步。由此可以看出相對與GA-BP網絡，大變異GA-BP網絡能夠更好的預測出太陽能電池的最大功率點的工作電壓。為了能夠更加直觀的反映出大變異GA-BP網絡預測數據的準確性，圖7給出了預測數據、實際數據以及預測數據和時間數據之間的誤差數據。從圖中可以看出最大功率點工作電壓的預測值和實際值之間沒有明顯的誤差，說明大變異GA-BP網絡預測數據的準確性非常高[7]。

圖5 預測結果對比圖

圖6 網絡訓練圖

圖7 預測電壓的誤差曲線

5 結論

本文將影響光伏電池的兩大因素作為GA-BP網絡的輸入建立起預測模型。針對傳統的GA-BP網絡容易陷入早熟困境的問題引入了大變異的思想，建立起大變異GA-BP網絡。通過仿真實驗可以看出大變異GA-BP網絡較傳統的GA-BP網絡有著更好的預測效果。通過仿真驗證了該算法的可信性，有效地提高了太陽能電池板的光電轉換效率。

【】【】

[1] 陳令軍,戴瑜興,全惠敏.基于改進的擾動觀察法在光伏發電MPPT中的應用[J].電源技術,614-616.

[2] 林虹江,周步祥,冉伊,詹長杰.基于遺傳優化BP神經網絡算法的光伏系統最大功率點跟蹤研究[J].電測與儀表,2015:35-40.

[3] 梁惺彥,張蔚.基于BP神經網絡光伏發電系統MPPT的研究[J].制造業自動化,2012:112-130.

[4] 朱正偉,郭楓,孫廣輝,錢露.基于RBF-BP神經網絡的光伏MPPT研究[J].計算機仿真,2015:131-134.

[5] 黃敏敏,顏文俊.基于遺傳算法優化神經網絡的光伏發電預測[J].機電工程,2015:1509-1512.

[6] Schmidhuber J. Deep learning in neural networks: An overview[J].Neural Networks, 2015,61:85-117.

[7] 董麗娜,肖志剛,高立艾,索雪松.基于SIMULINK仿真的太陽能光伏系統最大功率點跟蹤[J].中國農機化學報,2016:227-231.

Simulation and research based on cataclysmic mutation GA-BP MPPT

LIU Ning, ZHANG Jing, ZHAO Sheng-fang

TP273

：A

1009-0134(2017)07-0111-03

2017-03-27

劉寧（1967 -），女，山東青島人，副教授，碩士，主要從事電力系統及其自動化等方面的教學和科研工作。