基于RBF神經網絡的風光互補路燈系統MPPT研究

李自成，王志豪

（武漢工程大學 電氣信息學院，武漢430205）

風能和太陽能作為優質的可再生能源，具有來源廣泛、清潔和可再生等優點，然而獨立的風力發電和光伏發電都會受到氣候以及晝夜變化的影響。文獻[1-3]表明，風能與太陽能具有良好的互補性，風光互補發電系統可以提高供電的穩定性，連續性和可靠性。近年來，風光互補路燈在國內廣泛使用，它與傳統路燈相比優勢明顯，不需要建立復雜的線路、控制站等供電設備，可以降低運行費用和維護費用，綠色環保。為了提高發電效率，最大功率點跟蹤MPPT 技術在風光互補發電系統中得到廣泛應用[4]。傳統的風光互補發電系統， 風力發電MPPT 與光伏發電MPPT 單獨控制，系統結構復雜，成本高。在此，提出一種基于雙Boost 電路的RBF 神經網絡MPPT控制方法，結構簡單，滿足風光互補路燈的最大功率點跟蹤的要求。

1 風光互補路燈系統及其MPPT 控制方法

1.1 互補路燈系統構成及工作原理

風光互補路燈系統主要由3 部分組成，即發電環節、控制環節和電能儲存消耗環節。其中，發電環節包括風力發電模塊和光伏發電模塊；控制環節包括風光互補控制器和蓄電池充放電控制器；電能儲存消耗環節包括蓄電池模塊和LED 燈負載。系統結構如圖1所示，包括：風力發電模塊、光伏發電模塊和蓄電池模塊，風光互補MPPT 控制器和蓄電池控制器。

圖1 風光互補路燈系統結構Fig.1 Structure of wind-PV hybrid streetlight system

控制環節為系統核心，是保證風光互補路燈高效穩定工作的關鍵。根據路燈的工作模式特點，對路燈供電，在光照良好的情況下，發電裝置對電池充電，電池充滿后接入卸荷電路。輻照度低，且風能充足時，根據發電側和負載側的差值，電池進行充電或放電，使系統工作在一個穩定的環境中；輻照度低且風速低時，蓄電池對路燈供電，電池電壓過低，切斷負載并報警。

1.2 光互補路燈MPPT 控制方法

常規的光伏MPPT 方法有恒定電壓法、 擾動觀察法和增量電導法。恒定電壓法由于功率損耗導致能量轉換效率不高，而擾動觀察法和增量電導法均涉及選擇合適步長的問題，步長過小則跟蹤速度慢，步長過大則跟蹤精度不夠[5-8]。

常規的風力發電MPPT 方法有最優葉尖比法、功率反饋法和爬山搜索法。最優葉尖比法需要增加測速設備和改造風機結構，成本高，可靠性降低。功率反饋法需要測量較多發電系統物理量，移植性較差，成本高。爬山搜索法涉及到尋找合適步長的問題，步長過小則跟蹤速度慢，步長過大則跟蹤精度不夠[9-10]。

在此，針對風光互補路燈最大功率點跟蹤非線性、多物理量等特點，設計了雙Boost 電路分別控制風力發電模塊和光伏發電模塊，基于徑向基RBF 神經網絡設計風力發電和光伏發電統一MPPT 控制策略， 直接調節Boost 電路的脈寬調制PWM（pulse width modulation）波的占空比，控制輸出電壓，達到最大功率點跟蹤的目的。雙Boost 電路可以隔離光伏模塊和風電模塊， 避免二者相互沖擊， 并采用RBF 神經網絡建立最大功率點預測模型，對光伏發電模塊和風力發電模塊分別進行最大功率點預測，控制Boost 電路輸出的PWM 波，使發電側與負載側的等效電阻相匹配達到最大功率點跟蹤的目的。與傳統的MPPT 控制策略比較，其發電效率高，最大功率點電壓振蕩小。

2 RBF 神經網絡的MPPT 控制方法

2.1 RBF 神經網絡模型

RBF 神經網絡對非線性函數具有一致逼近性，學習速度快，處理速度快[11]。風光發電互補系統MPPT過程有非線性、多變量等特性，傳統控制算法無法滿足控制要求，RBF 神經網絡模型能很好地擬合MPPT過程，處理速度快，擬合精度高，滿足控制要求[12-14]。故在此采用雙Boost 電路結構分別對光伏模塊和風電模塊進行最大功率點跟蹤， 采用RBF 神經網絡直接調節Boost 電路的PWM 波的占空比，根據不同的訓練樣本分別訓練RBF 神經網絡其結構如圖2所示。

圖2 RBF 神經網絡結構Fig.2 Structure of RBF neural network

在此選擇的RBF 神經網絡激活函數為

式中：xp為歸一化后的輸入；hn為隱函數數據中心。其網絡輸出為

式中：Dj為網絡輸出；wij為權重系數。其損失函數為

2.2 RBF 神經網絡MPPT 控制策略

在此，選取Boost 電路輸入端的電壓、電流作為RBF 神經網絡的輸入，PWM 波為網絡的輸出。由網絡輸入、輸出的單位量不同，將輸入、輸出數據進行最大-最小歸一化處理，選取200 個處理數據，進行隨機樣本處理， 隨機160 個樣本作為訓練樣本，剩余40 個樣本作為驗證樣本。

根據被控對象Boost 電路的特點， 選取目標均方差ε=0.001， 光伏模塊與風電模塊的RBF 神經網絡訓練分別如圖3所示， 光伏模塊訓練次數為36次，風電模塊為41 次，訓練速度快都滿足Boost 電路控制要求。

圖3 網絡訓練Fig.3 Network training

3 仿真與試驗研究分析

3.1 仿真分析

為驗證基于RBF 神經網絡MPPT 控制策略的控制性能，在MatLab/Simulink 環境下建立風光互補路燈系統仿真模型，對不同氣候條件和負載要求的情況下的風光互補路燈系統進行仿真，并與擾動觀察法MPPT 控制策略進行對比。

輻照度在0～3 s 為30 W/m2；3～4 s 由30 W/m2變化為1030 W/m2；4～9 s 為1030 W/m2；9～10 s 由1030 W/m2變化為30 W/m2；10～12 s 為30 W/m2。

風速在0～3 s 為6 m/s；3～4 s 由6 m/s 變化為2 m/s；4～9 s 為2 m/s；9～11 s 由2 m/s 變化為6 m/s；11～12 s 為6 m/s。

蓄電池的初始電荷狀態（SOC）為50%。電池兩端的電壓、電流和剩余電量波形如圖4所示。

圖4 風速和光強漸變電池特性仿真波形Fig.4 Simulation waveform of battery characteristics with both gradual change wind speed and solar radiation

由圖可見，擾動觀察法MPPT 控制時，0～3 s，輻照度過小，為30 W/m2，光伏發電模塊未運行，風速為6 m/s，風力發電模塊為系統供電，但是風力機有啟動過程，蓄電池對LED 路燈供能，電池放電電流為正，電池的SOC 值減小，在0.85 s 時風力機啟動并工作在最大功率點，輸出的功率大于LED 路燈的消耗功率，蓄電池緩慢充電。輻照度在3～4 s 變大，風速減小，光伏發電模塊輸出變大，風力發電模塊輸出減小，由于光伏發電功率大，滿足了LED 路燈的功率消耗，蓄電池充電。輻照度在4～9 s 為1030 W/m2，風速為2 m/s，發電系統在4.17 s 時工作在最大功率點，蓄電池兩端電壓為31.1～31.5 V，蓄電池充電。輻照度在9～10 s 由1030 W/m2變化為30 W/m2，風速由2 m/s 變化為4 m/s。在9.51 s 時，發電端輸出功率與負載端功率相等，蓄電池SOC 值為65.2%；9.51 s 后發電端輸出功率小于負載端功率，電池放電。

由圖可見，RBF 神經網絡MPPT 控制時，0～3 s輻照度過小，為30 W/m2，光伏發電模塊未運行，風速為6 m/s 風力發電模塊為系統供電，但是風力機有啟動過程，蓄電池對LED 路燈供能，電池放電電流為正，電池的SOC 減小，0.8 s 時風力機啟動并工作在最大功率點， 輸出的功率大于LED 路燈的消耗功率，蓄電池緩慢充電。輻照度在3～4 s 變大，風速減小，光伏發電模塊輸出變大，風力發電模塊輸出減小，由于光伏發電功率大，滿足了LED 路燈的功率消耗，蓄電池充電。輻照度在4～9 s 為1030 W/m2，風速為2 m/s， 發電系統在4.11 s 時工作在最大功率點，蓄電池兩端電壓為33.5～33.6 V，蓄電池充電。輻照度在9～10 s 由1030 W/m2變化為30 W/m2，風速由2 m/s 變化為4 m/s。在9.55 s 時，發電端輸出功率與負載端功率相等， 蓄電池SOC 值為66.8%；9.55 s 后發電端輸出功率小于負載端功率，電池放電。

由圖4基于RBF 神經網絡的MPPT 控制策略與擾動觀察法MPPT 控制策略的比較可見，在同一條件下，RBF 神經網絡算法跟蹤速度快，在4～9 s 時外部環境穩定，提前0.06 s 達到最大功率點，且最大功率點處電壓波動小，其波動僅為0.1 V，小于0.4 V；系統發電量大，蓄電池最大SOC 值為，大于65.2%。

3.2 試驗結果及分析

為了驗證RBF 神經網絡MPPT 控制策略的可行性，設計了試驗平臺，其結構如圖5所示。

圖5 試驗平臺Fig.5 Experiment platform

試驗所用太陽能電池板為單晶硅40 W 的電池板，其STC 條件下短路電流Isc=2.64 A，開路電壓Voc=21.8 V，最大功率點電流Im=2.24 A，最大功率點電壓Vm=17.5 V； 風機的額定電壓12 V， 額定功率為100 W，調壓電路為Boost 電路；選用STC12C5A60S2-35I-PDIP40 單片機作為主控芯片，12 V 開關電源為輔助電源，負載為額定電壓12 V，額定功率為15 W的LED 燈。試驗以調壓射燈作為光源，鼓風機為風源，SM206 太陽能功率計測量光照強度，希瑪AS877熱電偶溫度計測電池板溫度，Chroma66203 功率表測功率。

試驗條件如下：光伏電池板溫度為16 ℃，自然光光照強度為104 W/m2，太陽能射燈開啟光伏電池板處光照強度為556 W/m2，鼓風機變頻器設為22 Hz，風速為3.8 m/s。試驗利用太陽能射燈作為補充光源產生光強突變，比較2 種控制算法的性能。風光互補發電輸出如圖6所示，RBF 神經網絡MPPT 控制算法，在外部光強改變時，發電模塊輸出功率更大。表明本文算法的跟蹤性能更好。

圖6 風光互補發電輸出Fig.6 Output of wind-PV hybrid power module

4 結語

針對傳統擾動觀察法MPPT 的快速性與精確性的矛盾，結合風光互補路燈系統的工作環境變化大的特點，提出一種基于RBF 神經網絡的MPPT 算法。通過仿真與試驗驗證，當風速與光強變化時，基于RBF 神經網絡的MPPT算法，能快速跟蹤到MPP 并在MPP 處振蕩更小，系統發電更多、續航能力更強。