基于神經網絡的配網系統光伏輸出功率控制分析

(南瑞集團有限公司(國網電力科學研究院有限公司)，南京 210000)

0 引言

現階段，由于化石能源的不斷減少，以及全球性氣候的惡化，越來越多的國家都開始了新型能源的研究，比較火熱的有潮汐能、核能、地熱能、可燃冰、太陽能、風能、水能等，其中，使用最廣的是太陽能。太陽能由于是可再生的資源、儲量大、清潔，受到了人們的普遍關注，也是現在以及今后研究的重點。但是，太陽能光伏電池由于本身的特性，容易受到環境的影響，進而造成光伏電池最大輸出功率不穩定，經常發生變化。國內在幾年前就開始了關于太陽能光伏電池最大輸出功率的研究，很多的學者都是采用電壓、電流的方法，以及蟻群算法、馬爾科夫算法等。但是，這些算法的缺點也是比較明顯的，計算不準確，耗時間，并且算法的過程也比較復雜，不容易掌握。同時，國內對于太陽能光伏電池輸出功率的檢測與控制需求也不斷在增大，在這種情況下，采用新的技術去解決太陽能光伏電池方面的問題變得非常迫切。因此，本文提出了利用BP神經網絡建模的可能性，利用這種算法的特性來控制光伏電池的最大輸出功率[1]。

1 光伏發電系統組成及工作原理

1.1 系統組成

太陽能光伏發電系統的組成是比較簡單的，主要是由眾多個光電轉換單元組成，每個光電轉換單元都擁有一個P-N結，當太陽光照射到光電轉換器上時，光能就會轉換為電能，在接線兩端形成電勢差，圖1就是光伏發電系統組成[2-3]。

圖1 光伏模型等效電路圖

1.2 工作原理

當光伏發電系統進行工作時，系統里會有電流產生，可以將電流分為輸出電流、最大電流，同時，也會有穩定的功率輸出，可以用I0表示輸出電流，I1表示最大電流，P表示輸出功率。滿足以下的公式[4]：

(1)

(2)

(3)

在(1)～(3)公式下，可以利用相關的檢測設備測出電壓、電流、功率之間的關系，具體的情況如圖2～5所示。

圖2 溫度不同，光照相同的電池P-V曲線

圖3 溫度不同，光照相同的電池I-V曲線

圖4 光照不同，溫度相同的電池P-V曲線

圖5 相同溫度，不同光照的電池I-V曲線

從圖中可以看出，當溫度上升時，光伏電池最大輸出功率逐漸下降；光伏電池最大輸出功率隨著電壓的上升而上升，如果電壓上升到一定值后無論是最大輸出功率，還是電流都開始急劇下降。因此，光伏電池必定有最大的輸出功率點。之所以要對其進行控制，就是想在一天當中，得到光伏電池的最大輸出功率[5]。

2 人工神經網絡理論簡介

2.1 人工神經網絡基本原理

通常來說，人工神經網絡是在生物神經網絡的基礎上構建而成的，其具有生物神經網絡的基本結構以及基本特點，并且在此基礎之上進行了部分的完善，從而能夠實現對于生物神經網絡基本工作原理以及過程的模擬，從原理上看，我們可將人工神經網絡視為一種基于分布式理論的并行處理器；而從結構上看，人工神經網絡主要由許多微小的處理單元以及可實現雙向通信的信號通道組成。每個神經元都具備各自獨立的存儲器以及實現基本運算的能力，同時，每個神經元也都有一個輸出通道，可通過輸出通道與其他神經元進行信號的交換。各個輸出通道之間以并聯的方式進行連接，也就是說，來自更高級神經元的輸出信號不會由于并行的分支通道數量變化，從而在質量上發生變化[6]。

1943年，美國科學家麥克卡洛和皮茨就對人工神經元的基本模型進行了簡單的定義。也就是經典的網狀點(MP)模型。其中包含了多個組合輸出通道以及獨立神經元。該結構如圖6所示[7]。

圖6 網狀點(MP)模型結構圖

神經元的輸入數據可以表示為：

X=(x1,x2,……,xn)

(4)

通常將神經元與輸入量之間的鏈接以及輸入數據所對應的相應權值表示，為如式(5)所示：

W=(w1,w2,……,wn)

(5)

若神經元的閾值設為θ，輸出量定義為y，則：

(6)

上式中的f(x)為激活函數，其表達式為：

(7)

雖然目前來說，MP模擬的數學原理簡單，但是考慮到其基本原理是基于生物學原理的真實反應，因此，其依然能夠較好地反映人工神經網絡的一些基本特點。

在使用生物神經網絡的活動機制時，切勿僅僅借助于單個神經元進行實現配網信息的處理、反饋。可以將大量的神經元組成龐大、復雜的神經網絡，此時，可以利用神經網絡中所包含的單個神經元彼此時間互相傳遞信息，這樣可以處理、反饋輸入的配網信息。采用這種方式非常近似于生物界中神經網絡的活動機制，與人工神經元相比，錯綜復雜的人工神經元編制、構造成巨大的網絡系統。在網絡系統中，能夠按照一定的模式來改變每個神經元之間進行連接的連接權重，這樣能夠促進輸入信息的識別、訓練、學習[8-10]。由于成千上萬個生物神經元構造、編織成巨大的生物神經元系統網絡，這樣，只能按照統計規律來計算形成的龐大生物神經元系統網絡。在具體應用中，以便計算神經元，并降低構建成神經元物理系統的難度，構建的人工神經網絡中的神經元個數應當遠遠比組成生物神經網絡的神經元數量少的多，按照合適的規律構建組成人工神經網絡的各個神經元。

在當前使用時，可以將大部分生物中的神經網絡歸類為層次型結構，以人類的大腦為例，以便更好地說明，將人的大腦和小腦分別劃分為不同的層次，比如將大腦大致劃分為六個不同層次，小腦劃分3個不同層次，基于仿生學原理，可以建立人工神經網絡，其也由三個部分組成，即包括輸入層、中間層(隱藏層)以及輸出層。也可以根據處理函數的不同，將人工神經網絡更進一步地分為前饋神經網絡網絡、反饋網絡。下文將詳細描述:

1)前饋型神經網絡結構。

作為常見的神經網絡，本文使用前饋神經網絡。當信息被輸入時，輸入的信息漸漸地通過輸入層被傳輸到下層。下層的各個神經元將上層的輸入信號吸收。即在單個神經元中處理輸入信息，然后輸入信息進一步被傳輸到下層的神經元結構中。在神經網絡結構中，錯誤的信息難以通過信道而進行反向地傳輸。如圖7所示[11]，圖7為前饋型神經網絡結構。

圖7 前饋型神經網絡基本結構

2)反饋型網絡。

在上述描述中，在信息進行傳遞時，由于反饋神經網絡具有的特性是信息能夠實現反向循環，這種遞歸網絡非常常用。在不同的遞歸反饋網絡中，節點不同，其存儲信息的能力也不同，因此反饋網絡除了能夠接收配網系統外部信息的數據輸入，還能夠通過神經元的不同通道輻射式地向外部發射傳輸信息。其結構圖如8所示。

圖8 反饋型神經網絡結構示意圖

2.2 神經網絡的學習

神經網絡通常具有智能的特性，在經歷了訓練、學習人工神經網絡、生物神經網絡的全過程后。如果輸出信息不滿意，可以在網絡學習過程中調整連接神經元的權重。以實現最佳的學習效果，提高數據處理的精度[12]，在具體使用時，可分為以下幾個方面:

1)監督學習。

監督學習能夠通過監督學習信號，進而調整網絡權重。其中當做導師作用的信號能夠提供已經獲知的輸入信號、輸出信號，而后通過將網絡實際輸出信息與理論輸出信息的誤差進行比對、分析，來進一步反饋網絡誤差信息，進一步調整網絡權重，這樣能夠使網絡的實際輸出值可以無限地接近理論值。一旦神經網絡學習了所有的信息的運行規則后，網絡則能夠工作，最終使問題得到最終解決。

2)無監督學習。

無監督學習在信息訓練、學習期間，通常無引導信號，網絡僅僅從外界被動地吸收信息，難以將信息輸出。僅僅能夠通過網絡本身的結構找到潛在的、不為人所知的信息規律。無監督學習對于信息量獲取有限的群體較為適用。

3)強化學習。

當神經網絡輸出的獎懲的學習結果是基于網絡的輸出結果而給出時，則可認為該神經網絡系統能夠通過增強所獲得的結果來逐步提升自身的學習性能。這種學習能力被劃分介于上述兩種不同學習方法。

3 BP神經網絡的最大功率輸出點控制系統建模

3.1 BP神經網絡的方法

基于上述描述，BP人工神經網絡通過多層前饋網絡結構構成，使用時，通常基于誤差反向傳播算法來實現神經網絡的訓練，利用誤差的反向傳播原理，在訓練過程中能夠不斷地提升神經系統網絡的閾值、權重，以便使網絡中的誤差最小，擬合度最高，從而實現最高的精度。由于BP神經網絡自身的特性的局限，目前BP人工神經網絡已經大量被應用在數據處理、模式識別、學習、過程控制、聲音識別等不同的技術領域。在配電網系統中，光伏發電系統具有強非線性的性質，則可以采用上文描述的神經網絡進行跟蹤光伏系統的最大功率。具體地講，選取樣本，用已知的樣本中溫度、光照強度、遮擋率樣本來訓練神經網絡。這種學習方式被稱為監督學習，將這種方法以神經網絡的形式評估最大功率跟蹤，具有很好的實用價值。

3.2 BP神經網絡的結構

BP神經網絡在各個行業中使用都很廣泛，尤其是大數據分析、機器學習、深度學習等范圍中應用比較多。這種算法可以對輸入、輸出的閾值進行調整，以建立起評估數據的多種模型，模型的建立與用戶需求也相關，這些模型能夠解決各種各樣的技術問題。在本文設計中，將該模型應用到光伏電池最大輸出功率的預測上具有明顯的價值，通常將這種算法在結構上劃分為輸入層、隱含層、輸出層三個組成部分。

3.3 BP網絡的學習過程

從本質上講，BP神經網絡學習算法實質是將神經網絡的信息輸入和輸出映射問題轉變為非線性問題的優化問題。該算法通過前向計算過程和誤差反向傳播過程[14]實現數據反復學習和有用信息萃取。正向計算的信息傳遞過程是輸入層-中間層-輸出層。前一層神經元狀態對下一層的神經元工作狀態具有重要的影響意義。在應用時，如果實際輸出結果與理論輸出結果相偏離，或者出現很大的誤差，則誤差信號會沿著原始的信息傳輸路徑從輸出層而反饋回來。以便使不同的神經元能夠根據自身的反饋可以修改當前的權值，進而減小網絡實際輸出值與預期輸出值的誤差。影響神經網絡權重校正的主要因素包括后一個神經元節點的誤差以及前一個神經元節點的輸出。下面通過通過公式進一步說明。

其中，隱含層的輸出公式可以寫為：

(8)

輸出層的輸出公式可以寫為：

(9)

從而得到輸出層的誤差公式為：

(10)

使用神經網絡調節的最終目標是使得誤差函數E的取值最小，所以，求取最值時，只需要求誤差函數對權值的偏導數即可，因此可得：

(11)

這時，考慮到S函數的導數可以表示為f′=f(1-f)，設δl=(tl-Ol)Ol(1-Ol)，從而可以得到：

(12)

由于對于權重的修正系數與E的梯度呈正比關系，所以，對于隱含層而言，E的偏導數可以表示為：

(13)

同理可以得到隱含層節點的誤差公式為：

(14)

3.4 最大功率輸出點控制系統建模

BP神經網絡就是運用了它的結構特點，讓誤差反向進行傳播，在層之間的連接方式上拒絕采用間斷相連的方式，而是另辟新徑采取全互連的模式，在同一層之間選擇斷開模式。根據問題的實際情況確定輸入的神經元，在確定輸出層后，就需要進行多次的仿真實驗確定隱層的神經元數，這也是這種算法的核心所在。

對于太陽能光伏電池輸出功率的檢測與控制，使用最多的是電流法以及電壓法，但是這些方法都存在很大的問題，而采用神經網絡，就可以很好檢測最大功率輸出點，進而研究溫度、光強與最大輸出功率之間的聯系。已有的很多研究已經通過實驗證實三層的前饋網絡的合理性，本文就是選擇了前饋網絡，然后，進行了相關的仿真實驗，最后，才有效對光伏電池最大輸出功率進行了控制。

基于神經網絡的配網光伏系統仍然由輸入層、隱藏層以及輸出層組成。其中，輸入層包括一個三維向量X，它由時間(t)、光照強度(S)以及溫度(T)組成。輸出層Y只有一個元素，即光伏陣列最大功率點的輸出電壓(Vmp)，該神經網絡的結構見圖9。

圖9 光伏陣列的BP網絡結構

從圖9可以看出，光伏陣列的BP網絡結構結構比較簡單，通過輸入層、隱藏層的時間、光強、溫度之間的聯系，進而在輸出層得到最大功率點。對于最后的輸出功率，可以通過對樣本X的并網調節，根據實際的需求對權重進行重復設置，直到達到要求，再進行輸出即可。

為了得到系統優化工作點的模型，先對一些光伏電池的樣本進行實際測量，得到一組優化模型。將優化模型中的數據作為PV工作點的目標值，然后對神網絡進行訓練，最終達到誤差收斂，使系統一直跟蹤最佳工作點并輸出最大功率。

4 仿真與測試結果分析

4.1 仿真實驗

在所有的準備工作都做好之后，本文選擇了在新疆烏魯木齊的一個地區進行了仿真測試，測試的時間為早上4點到晚上18點半，測試的因素是光強以及溫度，具體的測試數據如表1所示：

表1 光強、溫度觀測數據(單位都是標準情況)

采用輸入層、隱藏層和輸出層各有3，6，1個神經元的神經網絡，時間、光照和溫度作為神經網絡的輸入，相應的最大功率點電壓作為目標向量。利用神經網絡工具箱中的newff函數建立了神經網絡，隱層傳遞函數采用傳遞函數，學習函數采用梯度下降權值和閾值學習函數學習，網絡的訓練過程是一個不斷修正權值和閾值的過程。通過調整，使網絡的輸出誤差達到最小，訓練函數trainlm是利用L-M算法對網絡進行訓練的。

4.2 結果分析

從仿真測試的所有數據中我們可以清楚看到隨著時間的變化，溫度、光強的實際變化情況。然后，本文最大功率點測試的誤差進行了相關的分析，具體情況如圖10以及圖11所示：

圖10 光電陣列最優電壓以及開路電壓

圖11 光伏陣列最優電壓以及實際端電壓的誤差

可以清楚看出，利用神經網絡算法可以非常精準控制電壓的變化，特別是最有電壓以及開路電壓。實際測試的誤差非常小，不影響實驗的結果，在一天時間的變化中，最大輸出功率始終都是出于最大的水平，并且能夠被精準跟蹤。所以，BP神經網絡算法是比較適合對光伏電池輸出功率的檢測與控制。

5 結論

太陽能光伏發電已經越來越受到人們的青睞，太陽能將來必將成為化石能源的有效替代品。本文首先對此次的研究背景進行了說明；接著，分析了國內以及國外太陽能光伏產業的發展現狀；然后，提出了BP神經網絡的最大功率輸出點控制系統建模，并且對BP神經網絡進行了詳細介紹；再接著，進行了仿真實驗，并且對仿真結果進行了分析；最后，得出了相關的結論。結果顯示，BP神經網絡運用于太陽能光伏電池輸出功率的檢測以及控制非常高效，能夠精準算出最大功率點，這種算法比之前的蟻群算法、馬爾科夫算法、電壓算法、電流算法都要精準、高效得多，并且這種算法非常容易理解，值得推廣。